자율주행차에 대한 트위터 인식 분석

초록

본 논문은 트위터에 게시된 자율주행차 관련 트윗을 대상으로 감성 분석을 수행한다. 주제 모델링을 통해 긍정·부정 트윗의 핵심 토픽을 추출하고, 해시태그, 강조어 등 트위터 특화 언어 특징과 일반 언어학적 특성을 결합한 특성 집합으로 감성 분류기를 학습한다. 결과는 사람들의 기대와 흥분이 존재하지만 동시에 위험성과 신뢰성 부족에 대한 우려가 공존함을 보여준다.

상세 분석

본 연구는 세 가지 핵심 단계로 구성된다. 첫째, 자율주행차에 대한 사용자 의견을 포착하기 위해 사전 라벨링된 트위터 데이터셋을 수집하였다. 데이터는 긍정, 부정, 중립으로 구분되었으며, 특히 감성 라벨링의 일관성을 확보하기 위해 다중 라벨러가 참여한 크라우드소싱 방식을 채택하였다. 둘째, 라벨이 부여된 트윗을 대상으로 비지도 확률적 토픽 모델링(LDA)을 적용해 각 감성 그룹 내 주요 논의 주제를 도출하였다. 긍정 트윗에서는 ‘혁신’, ‘편리성’, ‘미래 기술’ 등이 주된 토픽으로 나타났으며, 부정 트윗에서는 ‘안전’, ‘법규’, ‘신뢰성 결여’가 핵심 키워드로 추출되었다. 이러한 토픽 분포는 감성 라벨과 내용이 일관된다는 점에서 모델링의 타당성을 뒷받침한다. 셋째, 감성 분류를 위해 전통적인 언어학적 특징(품사, 감정 어휘 사전, 강조어 등)과 트위터 고유 특징(해시태그, 멘션, URL, 이모티콘, 트윗 길이 등)을 결합한 하이브리드 피처 벡터를 구축하였다. 피처 중요도 분석 결과, 해시태그와 강조어(‘정말’, ‘완전’, ‘대단히’ 등)가 감성 구분에 가장 큰 기여를 했으며, 이는 트위터가 짧은 텍스트 환경에서 사용자가 감정을 과장하거나 강조하는 경향이 강함을 시사한다. 분류 모델로는 SVM과 랜덤 포레스트를 비교했으며, SVM이 약 82%의 정확도와 0.78의 F1 점수를 기록해 최우수 성능을 보였다.

하지만 몇 가지 한계점도 존재한다. 첫째, 데이터 수집 시 특정 시점(예: 주요 사고 발생 직후)이나 지역에 편중될 위험이 있다. 둘째, LDA는 토픽 수를 사전에 지정해야 하는데, 최적 토픽 수 선정 과정이 명시되지 않아 토픽 해석의 주관성이 남는다. 셋째, 감성 라벨링이 이진(긍정/부정)으로 제한돼 중립 혹은 혼합 감정을 충분히 포착하지 못한다. 향후 연구에서는 시계열 분석을 도입해 사건 발생 전후 감성 변화를 추적하고, BERT 기반의 사전학습 모델을 활용해 문맥적 감성 인식을 강화할 필요가 있다. 또한, 다국어 트윗을 포함해 문화적 차이가 감성 표현에 미치는 영향을 탐색한다면 보다 포괄적인 인식 지도를 그릴 수 있을 것이다.