2016 러시아 IRA 영향 캠페인 분석

초록

본 연구는 2016년 미국 대선 기간에 트위터에서 활동한 러시아 IRA(Internet Research Agency) 트롤 계정들의 확산 효과를 조사한다. 13백만 개의 선거 관련 트윗을 1백만 명 이상의 사용자로부터 수집하고, 라벨 전파 기법으로 사용자의 정치 성향을 추정했다. 보수 사용자들이 트롤 콘텐츠를 8배 이상 많이 리트윗했으며, 보수 쪽에서 봇 비율이 11%로 더 높았다. 트롤 계정 자체는 네트워크에서 위치가 안정적이었지만, 이를 리트윗한 사용자들이 연말에 핵심 전파층으로 부상했다. 텍스트 분석 결과 보수 트롤은 난민·테러·이슬람, 보수 인물에 초점을 맞추고, 자유 트롤은 학교 총격·경찰 사안을 다루었다.

상세 분석

이 논문은 소셜 미디어 조작 연구에서 가장 중요한 데이터셋 중 하나인 러시아 IRA 트롤 계정 리스트를 활용해, 2016년 한 해 동안 트위터 상에서 발생한 선거 관련 대화의 구조와 동역학을 정량적으로 파악한다. 먼저 크림슨 헥사곤을 통해 13,631,266개의 트윗·리트윗을 수집했으며, 여기에는 2,735개의 트롤 계정 중 실제 데이터에 나타난 1,148개의 계정이 포함된다. 트롤이 생성한 원본 트윗은 1,032개, 총 538,166개의 원본 트윗이 기록되었다.

정치 성향 라벨링은 사용자가 공유한 뉴스 URL의 편향성을 기반으로 수행되었다. AllSides와 Media Bias/Fact Check에서 제공하는 641개의 자유(리버럴) 매체와 398개의 보수 매체 리스트를 결합하고, 각 사용자가 공유한 URL을 풀링한 뒤, 자유 매체 URL이 더 많으면 ‘리버럴’, 보수 매체 URL이 더 많으면 ‘보수’로 라벨링하였다. 라벨 전파(label propagation) 알고리즘을 리트윗 네트워크에 적용해 초기 시드 사용자(정밀도·재현율 0.84)로부터 전체 사용자(≈10,074명)의 성향을 추정했으며, 최종 라벨링 정확도는 84% 이상으로 보고되었다.

네트워크 분석에서는 리트윗 그래프(노드 1,407,190, 엣지 4,874,786)의 중심성 변화를 연도별로 추적했다. 트롤 노드는 전체 네트워크에서 높은 인디그리와 아웃디그리를 유지했으며, 시간에 따라 위치가 크게 변동하지 않았다. 반면 트롤을 리트윗한 사용자들은 2016년 말에 네트워크 핵심(고밀도 클러스터)으로 집중되는 현상이 관찰되었다. 이는 트롤 자체보다는 그들을 재전파하는 일반 사용자가 선거 여론 형성에 결정적인 역할을 했음을 시사한다.

봇 탐지는 최신 딥러닝 기반 Botometer(또는 유사 모델)를 적용해 수행했으며, 보수 사용자 중 11%, 자유 사용자 중 5%가 자동화된 계정으로 추정되었다. 이는 보수 진영에서 봇 활용이 더 활발했음을 의미한다.

텍스트 내용 분석에서는 LDA 토픽 모델링과 빈도 기반 키워드 추출을 사용했다. 보수 트롤은 ‘refugees’, ‘terrorism’, ‘Islam’, ‘Trump’, ‘Clinton’, ‘Obama’ 등 이민·안보·보수 인물 관련 용어를 주로 사용했으며, 자유 트롤은 ‘school shootings’, ‘police’, ‘Trump’, ‘Clinton’ 등 사회 안전·총격 사건을 강조했다.

지리적 분석에서는 트윗이 발생한 위치 데이터를 주(state) 단위로 집계해, 트롤 콘텐츠 소비·전파가 인구 비례적으로 분포했지만, 특정 주(예: 플로리다, 텍사스, 캘리포니아 등)에서 과다하게 집중된 패턴을 발견했다. 이는 해당 주의 선거 결과에 영향을 미쳤을 가능성을 제기한다.

전체적으로 이 연구는 (1) 정치 성향이 트롤 콘텐츠 확산에 강한 차이를 만든다, (2) 보수 진영이 트롤 메시지를 더 많이 재전파하고 봇 비율도 높다, (3) 트롤 자체는 네트워크에서 고정된 역할을 수행하지만, 이를 재전파하는 일반 사용자와 봇이 선거 여론을 형성하는 핵심 동인이라는 점을 입증한다. 이러한 결과는 소셜 미디어 조작 방지를 위한 정책 설계와 자동 탐지 시스템 개발에 실증적 근거를 제공한다.