인플루언서 건강 콘텐츠의 실체 파악: TAIGR 프레임워크

초록

TAIGR은 인플루언서 영상 전사에서 핵심 권고(테이크어웨이)를 추출하고, 주장‑근거 그래프를 구성한 뒤, 외부 과학 근거와 결합한 팩터 그래프 추론을 통해 권고의 신뢰성을 평가하는 3단계 구조화 모델이다. 건강 분야 틱톡 영상 195개 데이터셋에서 기존 클레임‑중심 방법보다 최대 9.7% macro‑F1 향상을 보였으며, 대규모 분석을 통해 인기와 신뢰성은 별개이며 설득 전략이 신뢰도에 큰 영향을 미친다는 사실을 밝혀냈다.

상세 분석

TAIGR은 인플루언서가 전달하는 메시지를 단순한 사실 주장으로 전환하는 기존 검증 파이프라인의 한계를 인식하고, 인간의 인식 메커니즘인 ‘epistemic vigilance’를 이론적 토대로 삼았다. 첫 단계인 테이크어웨이 추출에서는 LLM을 프롬프트하여 영상 전사 전체에서 하나의 핵심 권고를 식별하고, 명시적·암시적 유형을 구분한다. 이는 인플루언서가 직접 말하지 않더라도 청중이 내재화하는 핵심 메시지를 포착한다는 점에서 중요한 전처리이다.

두 번째 단계인 논증 구조 구축에서는 전사를 문장 단위로 분할하고, 각 문장을 ‘전제’, ‘일화적 증거’, ‘신뢰성 이동(ethos)’, ‘감정 호소(pathos)’ 등 수사적 역할로 라벨링한다. 이후 LLM을 이용해 체크워디 프로포지션(Claim)을 추출하고, 해당 Claim을 지지하는 문장 집합을 연결한다. Claim‑테이크어웨이, Claim‑Claim, Claim‑Statement 간의 지원 관계를 확률적 가중치(직접 지원 1.0, 약한 지원 0.5)로 매핑해 방향성 그래프를 형성한다. 이 과정에서 LLM의 불확실성을 연속형 가중치로 반영한 점은 그래프의 신뢰성을 높이는 설계라 할 수 있다.

세 번째 단계인 신뢰 추론에서는 그래프의 Claim 및 Premise 노드만을 대상으로 PubMed에서 과학 근거를 검색한다. 체크워디 노드 식별, 질의 확장(지원·반대 쿼리 각각 5개), 근거 재랭킹, 근거 라벨링을 순차적으로 수행해 외부 증거를 그래프에 부착한다. 이후 팩터 그래프 모델을 적용해 각 노드의 진위 확률을 전파하고, 최종적으로 테이크어웨이 노드의 신뢰 점수를 산출한다. 이 접근법은 인플루언서의 설득 전략을 무시하고 순수 사실 검증에만 의존하는 기존 방법과 달리, 설득 구조와 외부 증거의 일치를 종합적으로 평가한다.

실험에서는 195개의 틱톡 건강 영상에 대해 인간 전문가가 라벨링한 데이터셋을 구축하고, TAIGR을 기존 Claim‑Verification, Argument Mining, 단순 텍스트 분류 모델과 비교했다. TAIGR은 macro‑F1 기준 최대 9.7%p 향상을 기록했으며, 특히 암시적 테이크어웨이를 정확히 포착하는 능력이 두드러졌다. 추가로 1,430개의 영상에 대규모 적용한 결과, 영상 조회수와 신뢰성 사이에 상관관계가 거의 없으며, ‘전제‑논리적 근거’ 기반 설득이 높은 신뢰성을, ‘일화‑감정 호소’는 낮은 신뢰성을 유발한다는 패턴을 발견했다.

한계점으로는 LLM에 의존한 단계별 라벨링이 오류 전파 위험을 내포하고, PubMed 기반 근거 검색이 의료 분야 외의 주장에 적용하기 어려운 점을 들 수 있다. 또한, 현재는 한 개의 테이크어웨이만을 전제로 하여 다중 권고가 혼재된 콘텐츠에는 확장성이 제한된다. 향후 연구에서는 멀티‑테이크어웨이 처리, 도메인‑다양한 근거 소스 통합, LLM‑기반 라벨링의 신뢰도 향상을 위한 인간‑기계 협업 방안을 모색할 필요가 있다.