2021.12.18. 숙명인문학연구소 HK+ 2021 국제학술대회 <팬데믹 시대의 혐오 : 횡단인문학적 접근> 발표 자료

1. 강태영 (minvv23@underscore.kr)
코로나 이후, 반중 정서는 과연 심화되었을까? :
뉴스 포털 댓글 데이터를 활용한 온라인 여론 변화 분석
2021.12.18. <팬데믹 시대의 혐오>

2. Curriculum Vitae
강태영
minvv23@underscore.kr
Education
2019.03-2020.08. M.S. 경영공학 (KAIST)
2014.03.-2019.02 B.A. 사회학/정치학 (서강대학교)
Job & Activities
〮 2018.04.- 데이터 분석 & 미디어 컨텐츠 스타트업 <언더스코어>
〮 2020.09.- KAIST D.LAB Visiting Researcher
〮 2021.04.- MyMusicTaste Data Analyst
〮 2020.10.- KoreaPDS Statistician
Research Interest
〮 전산사회과학 (Computational Social Science)
- 온라인 미디어에서의 여론 형성과 유저 의사 결정
- 데이터 기반 인사(HR) 관리
〮 양적연구방법론 (Quantitative Research Methodology)
- 자연어처리 응용 연구
- 온라인 데이터 유저 텍스트 분석

3. Introduction

4. Introduction

5. Introduction

6. Introduction

7. Introduction

8. Introduction

9. 연구의 목적

10. Research Questions
코로나 이후 반중(反中) 혐오발언은 증가했는가?
코로나 이전의 인종·국가 혐오 발화의 추세는 어떠했는가?
반중(反中) 혐오발언과 개인의 정치 성향의 관계는 어떠한가?

11. 데이터와 방법론

12. Data & Methods
시간
혐오발언

13. Data & Methods
시간
혐오발언

14. Data & Methods
시간
혐오발언

15. Data & Methods
시간
혐오발언

16. Data & Methods
시간
혐오발언
이중차분
Difference-in-Differences

17. Data & Methods
기간
2011.01.01.-2021.11.01.
수집 대상
주요 언론사 64곳
검색어
중국, 일본, 中, 日, 한중, 한일

18. Data & Methods
다음 뉴스 크롤러
- 제목
- 언론사
- 댓글
네이버 뉴스 크롤러
- 제목
- 언론사
- 댓글
네이버 검색 API
1-1. BigKinds 뉴스 제목으로 검색
1-2. 다음 뉴스 제목으로 검색
2. 네이버 뉴스 크롤러 사용
다음 검색 API
1. BigKinds 뉴스 제목으로 검색
2. 다음 뉴스 크롤러 사용
BigKinds 뉴스DB
최종 데이터
(35,536개 뉴스)
- BigKinds 뉴스 제목
- 네이버 뉴스 제목
- 네이버 뉴스 댓글
- 다음 뉴스 제목
- 다음 뉴스 댓글

19. Data & Methods

20. Data & Methods
- 1,001,021건의 댓글 데이터를 모두 수집
- 네이버와 다음 각 포털에서 각각 약 2,000명 씩 총 3,802명의 유저 패널을 확보
- 중국과 일본 각각에 대해 최소 5회 씩은 댓글을 작성한 2,996명 패널을 최종 활용

21. Data & Methods
워드클라우드

22. Data & Methods
텍스트 네트워크 분석
워드클라우드

23. Data & Methods
왜 문제인가?
- 단순히 오래되어서가 아니라 ‘잘못된 방식’이어서 문제
- 언어가 표현(representation) 되는 방식을 적절히 보여주지 못하는 방법
- 어휘의 사용 빈도가 특정 문서의 언어적 특징들을 충분히 설명할 수 있는가?
- 어휘들 간의 네트워크가 특정 문서가 언어적 특징들을 충분히 설명할 수 있는가?
- 시각적으로 화려해(?) 보이기는 하니 효용감을 위해 자주 사용되고 있음
- 그러나 ‘해석‘이 실질적으로 불가능하기에 결국 분석가의 자의적인 해석이 분석/
시각화의 결과와는 무관해지는 문제가 발생

24. Data & Methods

25. Data & Methods
- 2019.01.-2021.07. 포털 뉴스 섹션 및 주요 온라인 커뮤니티에서 댓글 약 3.5만 건 수집
- 레이블링 완전 일치율 53.11% / 일관성 Krippendorff’s Alpha 0.713
- 분류 정확도(Label Ranking Average Precision) 0.914

26. Data & Methods
#1 : 토큰 추출 #2 : 토큰 평균 임베딩 #3 : 문서 클러스터링

27. Data & Methods
Sentence A
Sentence B
Pooling
Pooling
u
v
(u, v, |u-v|)
Classification
Layer
Sentence BERT

28. 분석 결과

29. Empirical Analysis

30. Empirical Analysis

31. Empirical Analysis

32. Empirical Analysis

33. 연구의 결론

34. Conclusion
통념과 달리, 코로나 이전에는 반중 발언의 증가 추세 관찰 X

35. Conclusion
판데믹을 거치며 본격적으로 반중 발언이 늘어나기 시작

36. Conclusion
반중 발언이 증가한 뉴스 주제들은 다양한 이슈를 포괄

37. Conclusion
보수 성향 유저일수록 반중 정서가 코로나 이후 더 급격히 증가

38. 연구의 의의

39. Data
추론통계
Inferential Statistics
Implications
예측통계
Predictive Statistics

40. Data
Inferential
Statistics
Predictive
Statistics
인과분석
Causal Analysis
머신러닝/딥러닝
Machine Learning
Implications

41. Implications
시간
혐오발언
이중차분
Difference-in-Differences

42. Implications

43. Implications

44. 감사합니다.
강태영 (minvv23@underscore.kr)
2021.12.18. <팬데믹 시대의 혐오> 컨퍼런스