도시 격차를 잇다: 재난 감성 이해를 위한 적응형 교차도시 학습

초록

본 논문은 소셜 미디어 텍스트만을 이용한 재난 감성 분석이 도시 중심의 편향을 강화한다는 문제를 인식하고, 이동성 데이터와 도시 간 유사도 기반 데이터 증강을 결합한 적응형 교차도시 학습 프레임워크를 제안한다. 캘리포니아 2025년 겨울 산불 사례에 적용해, 텍스트‑모빌리티 멀티모달 융합과 도시‑레벨 유사도 가중치를 통해 정확도와 공정성을 동시에 향상시켰으며, 감성 표현과 실제 이동 패턴 사이의 양의 상관관계를 확인하였다.

상세 분석

이 연구는 재난 상황에서 소셜 미디어 데이터가 도시·고소득 집단에 편중되는 현상을 정량적으로 진단하고, 이를 완화하기 위한 두 단계의 적응형 학습 구조를 설계한다. 첫 번째 레이어인 Individual-level Learning Layer(ILL)에서는 경량 Transformer 기반 텍스트 인코더와 이동성 인코더를 병렬로 활용해 텍스트와 도시 수준 이동성 특성을 동일 차원의 임베딩으로 변환한 뒤, Fusion Network를 통해 결합한다. 이때 텍스트와 이동성 임베딩의 차원 비율을 맞춤으로써 어느 한쪽이 과도하게 지배하지 않도록 설계했으며, 약한 라벨(LLM‑generated)로 사전 학습한 뒤 인간 라벨로 미세 조정하는 두 단계 학습 전략을 채택해 라벨 비용을 크게 절감하였다. 두 번째 레이어인 City-wide Learning Layer(CLL)는 각 도시의 인구통계·사회경제·재난 위험 지표를 이용해 도시 간 유사도 행렬을 학습한다. 여기서 유사도는 구조적 속성(예: 소득, 인구 밀도, 산불 위험 점수) 기반으로 정의되며, 유사도가 높은 도시들의 데이터를 가중치 부여하여 데이터가 부족한 도시의 학습에 보강한다. 이러한 유사도‑가중치 증강은 데이터 희소성 문제를 완화하면서도 도시 고유의 감성 패턴을 보존한다는 점에서 기존의 무조건적인 전이 학습과 차별화된다.

실험에서는 2025년 1월 남부 캘리포니아 산불을 중심으로 12개 대도시와 8개 소규모 도시의 트윗(≈1.2M)과 GPS 기반 이동성 데이터(≈3.5B 포인트)를 수집하였다. 모델 성능은 Accuracy, Macro‑F1, 그리고 공정성 지표(예: Demographic Parity Difference, Equalized Odds)로 평가했으며, 제안 모델이 텍스트 전용 BERT 기반 베이스라인 대비 Accuracy 4.3%p, Macro‑F1 5.1%p 향상, 그리고 공정성 차이가 30% 이상 감소함을 보고했다. 특히 이동성 임베딩을 포함했을 때, 감성 라벨과 이동성 변화(예: 대피‑귀환 패턴) 사이에 Pearson r=0.42의 양의 상관관계가 관찰되어, 행동 데이터가 감성 해석에 실질적인 보강 역할을 함을 실증하였다.

또한, 도시 유사도 기반 데이터 증강이 효과적인 경우와 한계도 분석했다. 고소득·고위험 도시 쌍에서는 증강 효과가 크게 나타났지만, 사회경제적 특성이 극단적으로 다른 도시 간에는 과도한 가중치가 오히려 노이즈를 유발한다는 점을 발견했다. 이를 해결하기 위해 유사도 임계값을 동적으로 조정하는 메커니즘을 제안했으며, 이는 전체 모델의 안정성을 추가로 2.7%p 향상시켰다. 마지막으로, 모델의 설명 가능성을 위해 SHAP 기반 특성 중요도 분석을 수행했으며, 이동성 피처(특히 일일 OD 변화량)가 부정적 감성 예측에 큰 기여를 함을 확인했다. 이는 정책 입안자가 “감성 → 행동” 순환을 이해하고, 이동성 제한이나 대피 지원 정책을 감성 변화와 연계해 설계할 수 있는 실용적 인사이트를 제공한다.

전반적으로 이 논문은 (1) 멀티모달 텍스트‑모빌리티 융합, (2) 도시 구조 기반 유사도 가중치 증강, (3) 공정성 향상을 위한 계층적 적응 메커니즘이라는 세 가지 핵심 기법을 통합함으로써, 재난 상황에서 소외된 커뮤니티의 감성을 보다 정확하고 형평성 있게 포착한다는 중요한 학술적·실무적 기여를 한다.