감정 단어 유사성·연관성 네트워크 분석을 통한 플러치크 감정 휠 검증

초록

본 연구는 48개의 플러치크 감정 단어를 대상으로 유사성 및 연관성 평가 데이터를 수집하고, 이를 기반으로 두 개의 가중치 네트워크를 구축하였다. 모듈러 마코프 체인(MDMC) 기반 커뮤니티 탐지를 통해 네트워크 구조를 분석한 결과, 전체적인 구조는 플러치크 감정 휠과 높은 일치도를 보였지만, 지역적(로컬)·전역적(글로벌) 연결 강도에서는 차이가 나타났다.

상세 분석

이 논문은 감정 연구와 자연어 처리(NLP) 분야를 연결하는 시도에서 의미론적 네트워크를 활용한 방법론적 혁신을 제시한다. 먼저 48개의 감정 어휘를 플러치크가 제시한 8개의 기본 감정과 그 파생 감정으로 구분하고, 각 감정 쌍에 대해 ‘유사성’과 ‘연관성’ 두 차원의 평가를 360명 이상의 크라우드워커에게 실시하였다. 평가 척도는 0~7의 정수형 슬라이더이며, 품질 관리를 위해 캐치 트라이얼과 이중 검사(double‑pass) 절차를 도입해 신뢰성을 확보하였다.

수집된 데이터는 각각 평균 점수를 가중치로 하는 두 개의 완전 그래프(유사성 네트워크, 연관성 네트워크)로 변환되었다. 여기서 저자는 로컬성(locality)과 글로벌성(globality)을 정량화하기 위해 플러치크 휠의 ‘꽃잎(petal)’ 구조를 활용하였다. 같은 꽃잎 내의 연결 강도를 로컬성, 정반대 꽃잎 간의 연결 강도를 글로벌성으로 정의하고, 각각을 최대 가중치(7)로 정규화한 뒤 평균값을 계산하였다. 결과는 연관성 네트워크가 유사성 네트워크보다 로컬·글로벌 모두에서 더 높은 값을 보였으며, 특히 글로벌성 차이가 통계적으로 유의미했다( t‑검정 p<0.001). 이는 감정 간 연관성이 단순한 유사성보다 더 넓은 범위의 관계를 포괄한다는 점을 시사한다.

구조적 분석 단계에서는 MDMC(Modular Decomposition of Markov Chain) 알고리즘을 적용하였다. MDMC는 각 노드가 여러 커뮤니티에 속할 확률을 추정하고, EM 알고리즘을 통해 커뮤니티 확률 π(k)와 조건부 확률 p(i|k)를 학습한다. 해상도 파라미터 α를 0.001로 설정하고, 목표 커뮤니티 수 K=10을 지정했을 때 두 네트워크 모두 8개의 주요 커뮤니티가 도출되었다. 각 커뮤니티의 핵심 감정들을 살펴보면, 플러치크 휠의 기본 감정군과 상당히 일치하지만, 일부 감정(예: ‘놀라움‑기대’, ‘분노‑혐오’)이 다른 군에 재배치되는 등 미세한 차이가 발견되었다.

커뮤니티 구조와 플러치크 휠 간의 유사도는 정규화 상호정보(NMI)로 측정했으며, 유사성 네트워크와 휠 간 NMI=0.81, 연관성 네트워크와 휠 간 NMI=0.72를 기록하였다. 이는 두 네트워크 모두 휠 구조를 크게 반영하지만, 연관성 네트워크가 휠과 약간 더 차이가 난다는 점을 보여준다.

또한 저자는 커뮤니티 간 연결 강도 Ωₖ′ₖ를 Okamoto 방식으로 정량화하고, 이를 시각화하였다. Ω 값이 작아 10,000배 확대 후에도 여전히 미세한 차이를 보였으며, 이는 감정 군 간 전이 확률이 낮지만 의미 있는 관계가 존재함을 의미한다.

마지막으로 해상도 파라미터 α를 변화시켜 다양한 K값(3,5 등)에서 커뮤니티를 재구성했을 때, 감정 군이 ‘기쁨‑신뢰’, ‘공포‑슬픔’, ‘혐오‑분노’ 등 크게 세 그룹으로 압축되는 현상이 관찰되었다. 이는 플러치크 휠이 다층적 구조를 가지고 있음을 실증적으로 뒷받침한다.

전반적으로 이 연구는 감정 어휘 간 관계를 정량적 네트워크로 모델링하고, 커뮤니티 탐지를 통해 기존 감정 이론(플러치크 휠)의 타당성을 다각도로 검증한 점에서 학문적 의의가 크다. 특히 유사성 vs. 연관성이라는 두 축을 동시에 고려함으로써 감정 구조의 다면성을 드러냈으며, 향후 인간‑에이전트 상호작용(Human‑Agent Interaction)에서 감정 모델링에 실용적인 지표를 제공한다는 기대를 갖게 한다.