정성 데이터 인과 탐색을 위한 인터랙티브 도구 설계

초록

본 논문은 정성 데이터에서 인과 관계를 자동으로 추출·시각화하는 시스템 QualCausal를 제안한다. 15명의 예비 사용자 인터뷰를 통해 도출한 설계 원칙을 바탕으로, 지표‑개념‑인과 네트워크 3단계 워크플로와 다중 뷰 시각화를 구현하였다. 후속 피드백 연구(15명)에서는 분석 부담 감소와 인지적 스캐폴딩 효과를 높이 평가했지만, 기존 연구 관행과의 조화, 결과 신뢰성 검증 등에 대한 우려도 나타났다.

상세 분석

QualCausal는 정성 데이터의 인과 관계 탐색을 지원하기 위해 ‘지표(Indicator) → 개념(Concept) → 인과 관계(Causal Relationship)’라는 계층적 구조를 채택한다. 첫 단계에서는 사용자가 제공한 연구 개요(예: 연구 질문, 이론적 배경)를 기반으로 LLM‑기반 텍스트 마이닝을 수행해 잠재적 지표를 자동 추출한다. 두 번째 단계에서는 추출된 지표를 인터랙티브 패널에 나열하고, 사용자가 드래그‑드롭 방식으로 개념에 매핑하도록 설계하였다. 이 과정에서 시스템은 개념 간 유사도와 기존 코딩 결과를 시각적으로 제시해 사용자의 판단을 보조한다. 세 번째 단계에서는 개념‑레벨 네트워크와 지표‑레벨 네트워크를 동시에 구축한다. 인과 관계 추출은 두 가지 경로를 결합한다. 첫째, 전통적인 인과 연결어(‘because’, ‘therefore’ 등) 기반 규칙을 적용해 명시적 인과 문장을 포착한다. 둘째, 사전 훈련된 대규모 언어 모델에 ‘인과 관계를 식별하라’는 프롬프트를 전달해 암시적 인과성을 추론한다. 추출된 관계는 방향성, 강도, 불확실성 메타데이터와 함께 그래프 구조에 저장된다.

시각화 측면에서 QualCausal는 세 개의 조정된 뷰를 제공한다. ‘Indicator View’는 원문 텍스트와 연결된 지표를 리스트 형태로 보여주며, 클릭 시 해당 구절을 하이라이트한다. ‘Concept View’는 개념 간 연결을 색상·두께로 구분한 노드‑링크 다이어그램을 제공하고, 필터링 기능을 통해 특정 연구 질문이나 시간 구간에 초점을 맞출 수 있다. ‘Node View’는 선택된 노드(지표 또는 개념)의 상세 정보를 패널에 전시하고, 원본 데이터와 인용 문맥을 즉시 확인하도록 설계되었다. 이러한 다중 뷰는 좌표 연동(coordination) 메커니즘을 통해 상호 작용 시 실시간으로 업데이트된다.

사용자 피드백 연구에서는 두 가지 주요 인사이트가 도출되었다. 첫째, 자동 추출된 인과 관계가 연구자의 초기 코딩 작업을 크게 가속화하고, 복잡한 인과 네트워크를 한눈에 파악하게 함으로써 인지적 부하를 감소시켰다. 둘째, 연구자는 시스템이 제공하는 ‘스캐폴딩’이 기존의 질적 분석 흐름을 방해할 수 있다는 우려를 표명했으며, 특히 자동화된 결과의 신뢰성을 검증하기 위한 추적 가능성(traceability)과 ‘왜 이 관계가 도출되었는가’에 대한 설명을 요구했다. 이러한 요구에 대응하기 위해 시스템은 각 인과 링크에 대한 근거 텍스트를 클릭하면 원문을 바로 보여주는 기능을 제공했지만, 여전히 사용자는 결과를 비판적으로 검토하고 재코딩하는 과정을 거쳐야 한다는 점을 인정했다.

논문은 또한 설계 원칙을 네 가지로 정리한다. (1) 사용자 주도형 자동화 – 자동 추출은 보조 수단이며, 사용자가 언제든지 수정·삭제할 수 있어야 한다. (2) 다중 추론 경로 결합 – 규칙 기반과 LLM 기반을 병행해 정확도와 포괄성을 동시에 확보한다. (3) 시각적 트레이서빌리티 – 모든 시각적 요소는 원본 텍스트와 연결돼 검증 과정을 단순화한다. (4) 연구 흐름과의 연계 – 시스템은 기존의 코딩·축합·이론화 단계와 자연스럽게 맞물려야 하며, 연구자의 작업 습관을 방해하지 않아야 한다.

이러한 설계와 구현을 통해 QualCausal는 정성 데이터에서 인과 관계를 탐색하고 가설을 생성하는 초기 단계의 도구로서 의미 있는 기여를 한다. 한편, 자동화 수준과 인간 판단 사이의 균형, 인과 관계의 신뢰성 평가, 대규모 데이터셋에 대한 확장성 등은 향후 연구 과제로 남는다.