iMessage 데이터 분석을 통한 주제 회피와 반응성, 감성 인사이트

초록

본 논문은 macOS에서 추출 가능한 iMessage chat.db 파일을 활용해 세 명의 사용자(두 저자와 익명 참여자)의 메시지를 정제·분석한다. Gensim 기반 LDA로 30개 토픽을 도출하고, VADER로 감성을 평가한다. 응답 지연을 ‘reluctance score’로 수치화해 토픽별 회피 정도를 산출하고, 그룹 규모별 응답률·평균 응답시간을 비교한다. 결과는 개인별 회피 토픽, 토픽 지속성, 그룹 채팅 규모와 응답성 간의 부정적 상관관계, 그리고 전반적인 중립·긍정 감성 비중 상승을 보여준다.

상세 분석

이 연구는 iMessage chat.db 파일이라는 비교적 접근이 용이한 로컬 데이터 소스를 활용한다는 점에서 의미가 크다. 데이터 전처리는 메타데이터(예: “bplist”, “tdate”) 78개 단어를 제거하고, 소문자 변환·구두점 삭제만 수행했으며, 어간 추출이나 불용어 제거를 의도적으로 배제했다. 이는 짧은 메시지 특성상 의미 손실을 최소화하려는 시도로 볼 수 있지만, 오히려 잡음(예: “lol”, “brb”)이 토픽 모델링에 영향을 미칠 가능성을 내포한다.

LDA는 Gensim을 사용해 각 사용자별로 독립적인 토픽 군을 학습했으며, 토픽 수는 30개로 고정하였다. 토픽 해석을 위해 상위 단어만 제시하는 대신, 높은 ‘reluctance score’를 가진 메시지를 직접 검토하는 방식을 채택했는데, 이는 토픽 라벨링의 주관성을 보완하려는 시도라 할 수 있다. 그러나 토픽 수와 하이퍼파라미터(α, β)의 선택 근거가 제시되지 않아 재현성에 의문이 남는다.

감성 분석에는 VADER를 적용했으며, 이 도구는 이모지와 구두점 처리에 강점이 있어 짧은 메시지에 적합하다. 다만 VADER는 영어 텍스트에 최적화돼 있어, 비영어권 사용자나 혼용어가 포함된 경우 정확도가 떨어질 수 있다.

‘Reluctance score’는 (응답까지 걸린 분/1440)로 정의하고, 이를 토픽 확률에 가중해 평균 회피 점수를 산출한다. 여기서 1440으로 나누는 정규화는 하루 전체를 기준으로 하지만, 실제 인간의 응답 패턴은 업무 시간·주말·시차 등 복합 요인에 따라 크게 달라진다. 또한, 응답이 없을 경우(24시간 이내 미응답) 점수를 1.0으로 상한을 두었는데, 이는 실제 회피 정도를 과대평가할 위험이 있다.

그룹 채팅 규모별 응답률·중위 응답시간 분석에서는 9명 이상 대규모 그룹이 가장 낮은 응답률과 가장 긴 중위 응답시간을 보였으며, 1:1 대화가 가장 빠른 반응을 보였다. 이는 기존 연구와 일치하지만, 샘플이 세 명에 불과해 통계적 일반화는 제한적이다. 특히, 익명 참여자의 경우 특정 중·대규모 그룹 채팅이 과도하게 활발해 전체 평균을 왜곡한 점을 언급했지만, 이를 보정하거나 다변량 분석을 시도하지 않은 점은 아쉽다.

전체적으로 토픽 지속성(시간에 따른 평균 토픽 확률) 분석은 대부분의 토픽이 일정 수준을 유지한다는 결론을 내렸다. 다만, Alan의 경우 2018‑2019년 텍스트 양이 극히 적어 토픽 비중이 왜곡된 사례를 제시함으로써 데이터 양과 토픽 비중 간의 민감한 관계를 강조한다.

연구의 강점은 로컬 데이터만을 사용해 개인 프라이버시를 보장하면서도 다양한 메트릭을 자동화한다는 점이다. 그러나 한계점으로는(1) 샘플 규모가 매우 작아 외부 타당성이 낮음, (2) LDA와 VADER의 파라미터·언어 제한에 대한 검증 부족, (3) ‘reluctance’ 정의가 단순 시간 비율에 머물러 복합적인 사회적·심리적 요인을 반영하지 못함을 들 수 있다. 향후 연구에서는 다수 사용자를 포함한 대규모 코호트를 구축하고, 토픽 수와 하이퍼파라미터를 교차 검증하며, 감성 분석을 다언어 모델로 확장하는 것이 필요하다. 또한, 그룹 규모와 응답성 간의 인과관계를 파악하기 위해 혼합 효과 모델 등 통계적 접근을 도입하면 보다 견고한 결론을 도출할 수 있을 것이다.