리트윗 시간의 무거운 꼬리: 지수 절단 파워 로우의 원천과 의미

본 논문은 트위터에서 리트윗이 발생하는 시간 간격, 즉 리트윗 타임스탬프의 통계적 특성을 심층적으로 분석한다. 연구 동기는 기존 문헌에서 리트윗 간격이 단순 파워 로우 형태로 보고된 반면, 실제 데이터는 장시간 구간에서 급격히 감소하는 경향을 보인다는 점을 확인하고, 보다 정밀한 모델을 찾고자 함에 있다. 1. **데이터 수집 및 전처리** - 트위터 REST API를 이용해 팔로워 수가 가장 많은 100명의 사용자를 대상으로 2016년 4월에 작성된 1676개의 시드 트윗을 추출하였다. - 각 트윗에 대해 최소 100개의 리트윗을 확보했으며, 삭제된 트윗 및 초당 60건을 초과하는 고속 리트윗은 제외하였다. 최종 분석 대상은 808개의 시드 트윗(평균 307.7 리트윗, 중앙값 197)이다. 2. **시각적 탐색** - 초기 3시간 구간을 로그-로그 스케일로 플롯하면 거의 직선 형태를 보여 파워 로우가 적용 가능해 보인다. - 그러나 24시간 전체를 동일 방식으로 플롯하면 곡선이 급격히 아래로 굽어, 순수 파워 로우가 과도하게 꼬리를 과대평가함을 확인한다. 3. **통계적 모델 피팅** - **순수 파워 로우**: p(x)=C·x^‑α, MLE로 파라미터 α 추정, KS 통계량 평균 0.0745. - **지수 절단 파워 로우**: p(x)=A·x^‑b·e^‑c x, MLE로 b와 c 추정, KS 평균 0.0508(32% 개선). - 두 모델의 KS 차이에 대해 대응표본 t‑검정을 수행했으며, p‑값이 2.26×10⁻¹⁵⁷로 매우 유의함을 확인했다. 4. **모델 복잡도 보정** - AIC = 2k – 2ln(L) 기준으로, 파라미터가 하나 늘어나는 만큼 로그우도(L)가 1 이상 증가해야 AIC가 감소한다. - 808개 중 558개(≈69%)에서 로그우도가 1 이상 상승했으며, 평균 로그우도 증가 4.239, 평균 AIC 개선 6.478을 기록했다. 5. **이론적 설명** - **우선순위 기반 큐잉**: 사용자는 트위터 확인을 다른 일과 경쟁하는 작업으로 인식하고, 우선순위에 따라 처리한다. 이 과정에서 작업 간 대기시간은 파워 로우 분포를 따른다(Barabási, 2005; Vázquez 등). - **관심 감소**: 트윗 내용에 대한 관심은 시간에 따라 지수적으로 감소한다는 기존 연구(예: Wu et al., 2015)를 차용한다. - 두 메커니즘을 곱하면 P(retweet at t)=A·t^‑b·e^‑c t 형태가 도출되며, 이는 실험적으로 관측된 지수 절단 파워 로우와 일치한다. 6. **결론 및 시사점** - 리트윗 시간 분포는 단순 네트워크 성장(선호적 연결)만으로는 설명되지 않으며, 인간의 인지·우선순위 메커니즘과 시간에 따른 관심 감쇠가 결합된 복합적 과정이 핵심이다. - 이 모델은 정보 확산 예측, 마케팅 캠페인 타이밍 최적화, 그리고 소셜 미디어 기반 위험 관리 등에 적용 가능하다. 또한, 향후 연구에서는 다양한 사용자 집단(예: 일반 사용자 vs. 인플루언서)이나 콘텐츠 유형별 차이를 탐색함으로써 모델을 확장할 여지가 있다.