O slideshow foi denunciado.
Utilizamos seu perfil e dados de atividades no LinkedIn para personalizar e exibir anúncios mais relevantes. Altere suas preferências de anúncios quando desejar.

2016 경주지진 트위터 네트워크 분석

1.476 visualizações

Publicada em

2016 경주지진 트위터 분석

Publicada em: Meio ambiente
  • Entre para ver os comentários

2016 경주지진 트위터 네트워크 분석

  1. 1. Journal of the Korean Data Analysis Society (February 2017) Vol. 19, No. 1 (B), pp. 291-302 트위터 데이터를 활용한 재난 커뮤니케이션 네트워크 분석 : 2016년 경주 지진 박효찬1 , 박한우2 1) 요 약 이 연구는 2016년 경주 지진이 트위터에서 어떻게 커뮤니케이션된 것인지를 조사·분석하는 것 이다. 분석 데이터는 노드엑셀(NodeXL)을 이용하여 수집하였다. 본진을 포함해 3회에 걸쳐 지진 네트워크의 커뮤니케이션 구조를 살펴보았다. 그리고 총 3회의 지진 간 상위 유력자 계정의 변 화 여부를 추적하였다. 특히 수집 기간 동안 기상청 계정과 일반 유력자 사이의 영향력을 분석 하였다. 마지막으로 트윗 메시지에 담긴 내용과 의미를 분석하였다. 연구결과에 따르면, 첫 지진 이 발생한 직후에는 전체 계정 사이에서 지진에 대해 관심을 가지고 교류가 활발하게 일어나는 모습을 보였다. 기상청 계정도 실시간 지진 발생 정보를 전달하는 역할을 하였다. 하지만 시간이 흐르면서 재미있고 흥미로운 지진 정보를 제공하는(언론, 정치인 등) 유력자를 중심으로 모이는 소통을 보였다. 사람들은 짧은 기간 반복되는 지진을 겪으면서 초기에는 극도의 불안감을 서로 공유하다 지진이 잦아들면서 지진과 관련한 일상적인 대화를 나누게 되었다. 이 논문에서 발견 한 지진 상황에서 일어난 트위터 네트워크 구조의 변화는 관계 부처의 재난 커뮤니케이션 개선 방향 수립에 기여할 수 있다. 주요용어 : 네트워크 분석, 트위터, 재난 커뮤니케이션, 유력자. 1. 서론 2016년 9월 12일 오후 7시 44분, 경북 경주시 남서쪽 9km 지역에서 규모 5.1의 전진이 발생하였 고, 오후 8시 32분에는 경주시 남남서쪽 8km 지역에서 규모 5.8의 본진이 발생했다. 이번 지진은 1978년 기상청이 계기지진 관측을 시작한 이래 한반도에서 발생한 가장 큰 규모였다. 사상 유래가 없는 대형 지진으로 인해 통화와 문자를 비롯한 카카오톡 메신저와 일부 포털사이트가 갑작스러운 트래픽 증가로 인해 장애가 발생하기도 했다. 한 매체는 이번 지진이 발생했을 때, 텔레비전·휴대 폰·인터넷 등 정보전파 체계에 모두 구멍이 뚫리는 총체적 부실이 드러났다고 보도했다(Kwon, Lee, 2016). 기존 메신저가 막혀버린 상황에서 트위터(Twitter)는 커뮤니케이션 창구의 역할을 수행 하였다. 서로의 지진 체감과 안부를 묻거나, 실시간 피해 상황 및 정보교환의 창구로써 트위터를 이용하는 모습이 나타났다. 본 연구의 목적은 트위터 데이터를 활용하여 이번 경주 지진의 재난 커뮤니케이션 네트워크를 조사하고 분석하는 것이다. 지진과 같은 체감형 재난은 관계 기관과 전 통 언론보다 소셜미디어를 통해 실시간으로 재난을 알리며, 불특정의 사람들이 지진 정보를 메시 지로 공유한다(Bae, Lee, Choi, 2015). 따라서 지진에 대한 트위터 네트워크 분석은 재난 상황에서 1 712-749 경북 경산시 대동 214-1, 영남대 사이버감성연구소 연구원. 디지털융합비지니스학과 석사과정. E-mail : dhdkia11@naver.com 2 (교신저자) 712-749 경북 경산시 대동 214-1, 영남대 사이버감성연구소 소장. 언론정보학과·디지털융합비지니 스학과 교수. E-mail : hanpark@ynu.ac.kr [접수 2016년 12월 30일; 수정 2017년 2월 10일, 2017년 2월 17일; 게재확정 2017년 2월 20일]
  2. 2. 박 효 찬, 박 한 우292 사람들이 어떤 정보를 주고받고 있으며, 시간에 따라 그 관계가 어떻게 달라지는 지를 살펴보는데 유용하다. 나아가 트위터에서 재난 관리 부처의 대국민 정보 파악과 신속한 재난 정보 전달 대책 을 세우는 것에 큰 도움이 될 것이다. 2. 문헌검토 및 연구문제 2.1. 트위터의 특성과 재난 커뮤니케이션 트위터는 연속적 메시지로 구성되어 있고, 총 140자까지 트윗(메시지)를 입력할 수 있다(Cho, Park, 2012). 간결성을 무기로 한 트위터 내의 정보는 빠르고 직접적으로 전파될 수 있으며, 비용이 들지 않고도 쉽고 효과적인 대화가 가능하다는 것이다. 이것이 계정끼리 강하고 활발한 관계를 만 드는 이유가 된다(Kim, Park, Rho, 2015). 비록 트위터가 특정한 인적 네트워크 형성을 위한 사회적 도구와 정치적 도구로 쓰인다는 비판이 존재하지만, 한편으로는 구독매체와 유통매체의 역할로 자 리 잡고 있다고 여겨진다(Hur, Choi, 2012). 따라서 소셜미디어는 일반 대중의 목소리를 살필 수 있 는 데이터 수집의 유용한 공간이 되었다(Cho, Kim, Chun, 2016). 트위터는 신속성과 개방성, 그리고 전혀 모르는 사람까지 자신의 의도와 관계없이 정보가 전파 된다는 점에서 메시지 확산 범위가 넓다(Kim, Jang, 2013). 국내에서 발생한 일련의 자연 재해의 중 심에는 트위터가 있었다. 트위터는 리트윗을 활용한 높은 전파력과 신속한 체감형 정보 전달, 그리 고 알람 프로그램을 활용한 인지력을 가지고 있어 재난정보 전달에 가장 유리하다고 할 수 있다 (Jeon, Choi, Lee, Hong, 2012). 2010년에 폭우로 인한 우면산 산사태의 실시간 피해 상황이 트위터 를 통해 전해졌으며(Kim, Son, 2013), 2015년에 메르스(MERS) 사태에서 질병관리본부의 웹사이트가 막히자 이용자들이 자발적으로 메르스 확산 지도를 만들어 트위터에서 배포하기도 했다(Kim, 2015). 기존에는 전통적 미디어가 일방향적으로 정보 전달을 했다면, 트위터는 누구나 정보의 제공 자이면서 쌍방향성을 지니며 손쉽게 접할 수 있다는 특징을 가지고 있다(Lee, 2016). 이러한 소셜 미디어의 역할은 1분 1초가 긴박하고 중요한 재난 상황에서 더욱 빛을 발할 수 있다. 재난 상황에서 트위터의 속보성이 기존의 전통적 미디어를 뛰어넘었다는 것이 증명되고 있다. 소셜미디어에서 쏟아져 나오는 지진 관측이 기상청 발표보다 약 4분 빠르고, 전통적 미디어 매체 보다는 약 10분 정도 빠른 것으로 관찰되었으며, 이는 앞으로 재난 그리고 안전과 관련된 지침, 행 동 절차 등에 가치 있는 정보를 제공할 수 있을 것으로 보인다(Bae, Lee, Choi, 2015). 이러한 속보 성을 가진 소셜미디어는 확인되지 않은 루머와 불필요한 공포심을 조성한다는 비난의 대상이 되기 도 하지만 불확실성이 높고 정보가 주어지지 않은 상황에서의 사람들에게 사회적 지지감을 높이고 대체 정보를 제공한다는 긍정적 평가도 존재한다(Seo, 2016). 나아가 사용자의 전통적 미디어와 소 셜미디어 정보 선택의 차이를 보는 것은 각 채널의 특성을 반영한 신속하고 정확하며 통합적인 재 난 정보 체계를 구축하는데 중요한 정보를 제공할 것이다(Gwak, Lee, 2014). 트위터에서는 크게 6가지의 네트워크 유형이 나타난다(Table 1). 유형을 그룹의 수와 모양에 따 라 양극화 집단(polarized crowd), 촘촘한 집단(tight crowd), 개별화된 집단(brand clusters), 공동체 집 단(community clusters), 방송형 집단(broadcast network), 지원형 집단(support network)으로 분류할 수 있다(Smith, Rainie, Shneiderman, Himelboim, 2014). 이 논문에서는 트위터 네트워크의 유형을 중심 으로 지진 발생 초기와 이후의 커뮤니케이션 변화 과정을 네트워크 분석을 통해 설명하려고 한다. 즉 이 연구에서는 재난이 진행되면서 트위터 사용자들이 어떤 정보를 누구를 통해 얻는지 정보 공 유의 흐름과 내용을 추적할 것이다. 트위터는 재난 상황 전달에 특화되어있는 매체이기 때문에 유
  3. 3. 트위터 데이터를 활용한 재난 커뮤니케이션 네트워크 분석 : 2016년 경주 지진 293 형별 변화를 파악하는 것은, 이번 경주 지진에서 불확실성의 경험과 지진 관련 정보를 트위터를 통해 서로 공유하는 모습을 구체적으로 밝히는데 유용하다. Table 1. The six structures of Twitter conversation network Polarized crowed Tight crowed Brand clusters Community clusters Broadcast network Support network Source: Smith, Rainie, Shneiderman, Himelboim, 2014 2.2. 재난 커뮤니케이션과 트위터 유력자 재난 커뮤니케이션은 재난이 발생했을 때 공공기관, 비영리단체, 기업뿐만 아니라 개인, 전문가, 유명인이 재난 수습을 위해 피해자, 일반 공중, 언론을 대상으로 재난에 관한 정보를 전달하고 소 통하는 일체의 커뮤니케이션 활동을 의미한다(Choi, 2016). 구체적으로 말하면, 재난 초기에 발생한 자연 재해의 특징, 원인, 전반적인 지각 등에 대해 서로 교류하는 과정인 위험(risk) 커뮤니케이션 이 있다(Palenchar, 2005). 그리고 임박한 위험이 지나간 이후 개인과 집단에게 오는 부정적인 효과 를 감소시키고, 사후 대응과 후속 조치 등을 다루는 위기(crisis) 커뮤니케이션이 있다(Coombs, 2007). 트위터는 재난의 초기 상황에서 실시간 재난 정보를 손쉽게 주고받을 수 있는 위험 커뮤니 케이션으로 나아가, 재난 이후의 후속 위기 대응 체계가 적용될 때 효과적인 위기 커뮤니케이션 도구로도 활용될 수 있다. 이것은 제한된 인력과 예산에서 최대의 정보 전달 효과를 이끌어내야 하는 공공기관에서의 적합한 소통 도구가 될 수 있다. 사람들은 트위터에서 어떤 정보를 공유하기 위해 직접 메시지를 남기거나 다른 사람의 메시지 를 퍼트린다. 수만 명 이상의 팔로어(구독자)를 확보한 인기 트위터 계정은 의견 지도자에 비견될 만하다. 사람들은 가치있는 정보는 바로 리트윗하여 전파한다. 이 과정에서 퍼트려지는 메시지의 최초 작성자는 유력자가 된다(Lee, Lee, Qing, 2012). 다시 말해서 유력자란 네트워크에서 영향력있 는 행위자를 의미한다(Lim, Yu, 2016). 따라서 유력자들의 영향력은 팔로어 수보다는 리트윗이 가 장 크다는 연구도 있다(Lee, Cha, Park, 2010). 왜냐하면 최초의 메시지는 언론에서 기사화할 만큼 영향력이 확장되기 때문이다. 영향력은 각 행위자들의 활동 상황을 계량화한 네트워크 중심성 지 수를 통해서 주로 측정된다(Lim, Park, 2011). 많은 수의 팔로어를 거느리며, 정보를 확산하고 의제 설정 및 여론형성 과정에 큰 영향력을 발휘하는 트위터 유력자 또는 영향력자에 대한 관심이 크게 증가하고 있다. 특히 재난에서는 발생한 위험의 핵심 정보를 키워드로 해서 빠르게 소통하는 트위 터 계정이 유력자가 될 가능성이 높다. 그리고 일본의 2011년 지진 발생 직후를 분석한 연구에서 도 피해자들이 공공 기관이나 전통적 언론보다 트위터를 통한 P2P(peer-to-peer) 커뮤니케이션을 선 호한다는 것을 찾았다(Cho, Jung, Park, 2013). 이번 연구에서는 우리나라에서는 어떤 패턴이 나타나 는지, 그리고 재난 직후뿐만 아니라, 큰 재난이 발생한 후 어느 정도 시간이 지난 커뮤니케이션의 내용과 진행 방식의 변화가 발생하는지 살펴볼 것이다. 트위터에서 지진 관계 기관 계정의 활동과 다른 프로파일을 가진 유력자 계정 사이의 네트워크 상의 영향력 차이를 살펴봄으로써, 관계 기관 계정의 재난 정보전달 능력을 평가할 수 있을 것이 다. 트위터에 포함된 정보의 유용성에도 불구, 정확한 프로파일의 정보를 구체적으로 입력한 사용 자가 낮다는 점이 이 논문의 한계임을 미리 밝힌다. 프로파일은 계정 아이디와 프로필을 기초로 하여 객관적으로 판단할 수 있는 언론사, 정부 기관, 연예인, 정치인, 일반인 등 항목 별로 묶어 분
  4. 4. 박 효 찬, 박 한 우294 류하였다. 그리고 유력자들의 메시지 내용은 NodeXL의 하위 기능인 word pair 분석에 기초하였다 (Kang, Park, Park, 2015). 트윗에 포함된 단어를 분류하고 공출현 빈도를 계산하여 어떤 내용의 트 윗이 교환되었는지 그 의미망을 분석할 수 있다. 2.3. 연구문제 연구목적과 문헌검토에서 논의한 내용을 바탕으로 2개의 연구문제를 설정하였다. 연구문제1. 트위터에서 나타난 경주 지진의 재난 커뮤니케이션 구조는 어떠한가? 구체적으로 각 시기별(본진과 이어진 두 차례 여진 이후) 전체 네트워크의 의사소통 형태는 어떻게 바뀌었으며, 그 이유는 무엇인가? 연구문제2-1. 시기별 네트워크에서 상위 유력자는 누구인가? 여진이 이어지면서 상위 유력자들 의 프로파일 차이가 나타나는가? 연구문제2-2. 구체적으로 상위 유력자들 중 기상청과 일반 유력자 계정의 영향력과 위치 변화가 나타나는가? 3. 연구방법 3.1. 데이터 수집 본 연구에서는 트위터 상에서 ‘지진’이라는 단어가 포함된 트윗을 올린 계정 간의 관계 데이터 를 수집하였다. 데이터 수집, 네트워크 분석, 시각화를 위해서 NodeXL 프로그램을 사용하였다. 트 위터는 세 종류의 API를 제공한다(Twitter, 2016). 첫째, REST API가 있다. 이것은 새 트윗, 사용자 프로필, 팔로어 정보의 수집에 유용하다. 둘째, Search API는 지난 일주일 동안의 트윗을 검색하는 데 자주 사용된다. 마지막으로 Streaming API가 있다. 이것은 트윗을 실시간으로 수집하기 위해서 활용된다. NodeXL은 Search API에 의존한다(Gonzalez-Bailon, Wang, Rivero, Borge-Holthoefer, Moreno, 2012) 따라서 이 연구에서 수집된 트윗은 모집단이 아니라 최근 트윗들 가운데 관련성이 높은 것들이 API 알고리즘에 따라 표집된 것으로 볼 수 있다. 그렇지만, 권위를 가진 네트워크 프 로그램 개발자의 툴을 이용하여 데이터를 수집함으로써 신뢰성을 확보하였다고 볼 수 있다(Lee, Park, Park, 2015). 데이터 수집 기간은 총 3번으로 나누어 진행하였으며 Table 2에 정리하였다. 수 집 근거는 일본 지진 관측시스템을 참고하여 긴급지진속보(예보)를 내보내는 기준인 진도 3 혹은 규모 3.5 이상의 지진 발생 이후의 데이터를 수집하였다. 원(raw) 데이터는 NodeXL 그래프 갤러리 홈페이지(https://www.nodexlgraphgallery.org)에 게시된 ‘지진’ 트위터 네트워크 파일을 사용하였다. Table 2. Data collection Magnitude Earthquake occurrence date Collection period Main shock 5.8 2016. 03. 12. 20:32 2016. 03. 13. 03:41 ~ 07:03 After shock 1 4.5 2016. 03. 19. 20:33 2016. 03. 20. 11:05 ~ 11:40 After shock 2 3.5 2016. 09. 21. 11:53 2016. 09. 22. 08:21 ~ 01:24 본 연구에서 사용한 네트워크 분석의 주요한 개념과 분석 지표는 Table 3에 정리하였다(Hansen, Shneiderman, Smith, 2010). 트위터 데이터에서 노드(node)는 트위터 이용자, 즉 트위터 계정을 가리 키고 링크(link)는 트위터 상의 멘션(mentions, @상대방아이디+전달내용), 답장(replies to, 트윗에 대 한 응답글) 혹은 리트윗(retweet, 다른 이용자가 쓴 트윗을 자신의 타임라인에 올리는 행위)으로 연
  5. 5. 트위터 데이터를 활용한 재난 커뮤니케이션 네트워크 분석 : 2016년 경주 지진 295 결된 관계를 의미한다. 연결 중심성(degree centrality)은 다른 계정과 얼마나 많은 관계를 맺고 있는 지를 수로 나타낸 것이며, 메시지의 방향에 따라 한 계정 안으로 향하는 내향 중심성(indegree)과 한 계정 밖으로 향하는 외향 중심성(outdegree)으로 구분한다. 매개 중심성(betweenness centrality)은 전체 네트워크에서 특정 계정이 다른 계정들의 중간에서 얼마나 중개자의 역할을 하고 있는지를 측정하는 지표이다. 이 지표는 정보의 흐름을 제어하는 유력자와 관련이 있다. 특히 작성한 트윗이 리트윗이 많이 되는 계정은 매개 중심성 값이 높아지게 된다. 유력자 비교는 매개 중심성 값을 기 준으로 설정할 것이다(Jang, Park, Park, 2014). Table 3. Main concept Node A Twitter user representing a Twitter account Link A relationship representing retweets, mentions, or replies between Twitter users Degree centrality The total number of links connected to a particular node Indegree : Link inward at a node. Outdegree : Link outward to other nodes Betweenness centrality The number of times a node lies in the shortest path between two nodes Source: Hansen, Shneiderman, Smith, 2010 연구문제1에서는 지진을 언급한 트위터 계정의 전체 네트워크를 분석할 것이다. 각 시기별로 전 체 네트워크의 구조와 형태가 어떻게 변화하는지를 살펴볼 것이다. 그리고 네트워크 내 하위그룹 의 변화를 중심으로 분석할 것이다. 연구문제2에서는 각 노드를 중심의 분석으로, 각 지진 발생 시 기별 중심성이 높은 유력자 20개 계정의 프로파일을 분석하고 그들을 따르는 계정이 어떻게 연결 되어 있는지 알아본다. 다음으로, 분석할 관계 기관의 계정으로는 기상청(kma_skylove) 계정을 선정 하였다. 선정 이유는 기존에 2011년부터 기상청 지진정보서비스(KMA_earthquake) 계정이 있었지만, 이번 지진에서는 기상청 공식 계정이 지진정보서비스 계정으로부터 받은 지진 정보를 리트윗하였 으며, 기상청의 입장 표명을 하는 계정이었기 때문이다. 정부 기관인 기상청 계정이 속한 전체 네 트워크 내의 하위그룹과 다른 상위 유력자가 속한 하위그룹과의 비교·분석을 해볼 것이다. 3.2. 분석데이터 설정 각 시기별 ‘지진’ 키워드 분석결과의 노드와 링크 및 연결거리와 밀도의 값은 Table 4와 같다. Table 4. Overall graph metrics Graph metric Magnitude 5.8(Sep 12) Magnitude 4.5(Sep 19) Magnitude 3.5(Sep 21) Graph type Directed Directed Directed Nodes 9191 11554 12224 Links 15494 15825 16578 Edges with duplicates 2864 2369 1816 Total edges 18358 18194 18394 Maximum geodesic distance 19 13 12 Average geodesic distance 4.91 4.25 4.12 Graph density 0.00017 0.00012 0.00011 총 3회의 수집 기간 동안 본진이 일어난 직후 노드 수는 9191, 링크 수는 중복된 링크 수(2864) 를 제외하면 15494로 나타났다. 다시 말하면 총 9191개의 트위터 계정이 ‘지진’이라는 키워드가 포 함된 트윗(tweet) 또는 리트윗(retweet)을 하거나 이러한 트윗에 응답(replied)하거나 언급(mentioned) 하였다는 뜻이다. 중복된 링크 수가 전체 링크 수에 비해 많이 작다는 사실은 특정 노드 간의 반
  6. 6. 박 효 찬, 박 한 우296 복적인 연결이 높았다기보다 다양한 노드 간의 연결이 이루어졌다는 것을 의미한다. 연결거리 (geodesic distance)는 특정 노드 사이의 경로 중에서 가장 작은 수의 링크를 거치는 경로를 말한다. 최대연결거리는 연결거리의 최대값을 말하는데 본진 때는 19에서 마지막 여진에서 12가 되었다. 지름이 줄어든 것은 네트워크 사이에서 매개해주는 유력자(허브)가 많아 멀리 있는 사람과의 도달 범위를 줄여주게 되므로 연결거리가 줄어들게 된다. 밀도(density)는 네트워크에서 노드 간 연결된 정도를 의미한다. 계산방법은 총 링크 수에서 연결 가능한 최대의 링크의 수로 나눈 값이다. 즉, 밀도가 높을수록 노드들 간의 연결이 많다는 것이다. 조사 결과, 밀도 수치가 미약하게나마 줄어드 는 모습을 보면, 네트워크에서 노드 간 연결된 링크 수가 상대적으로 줄어들었음을 알 수 있다. 4. 연구결과 4.1. 연구문제1 : 네트워크 지도를 통한 전체 구조 파악하기 트위터 네트워크 지도를 Table 5에 나타내었다. 노드는 전체 네트워크 안에 하위그룹의 구조를 살펴보기 위해 대표적인 CNM(Clauset-Newman-Moore cluster) 알고리즘을 사용하여 그룹화하였다. 이 알고리즘은 네트워크에 노드를 배치할 때 하위그룹의 구조를 빠른 시간에 명료하게 발견할 수 있게 해주는 장점이 있다(Clauset, Newman, Moore, 2004). 네트워크의 레이아웃은 Treemap으로 하위 그룹별로 구분해주는 시각화 옵션을 사용하였다. 같은 하위그룹은 같은 색으로 표시하였으며, 매개 중심성 값이 가장 높은 20개의 노드는 크게 보이도록 했다. 링크의 유형은 상호 주고 받는 방향성 을 가지고 있다. 이번 본진(12일) 네트워크는 대형 사건에서 주로 나타나는 ‘공동체 집단’의 모습과 유사했다. 이 유형의 특징은 한 두 개의 큰 하위그룹보다 작거나 중간 크기의 군집이 많으며, 계정 간 강한 관계보다 상대적으로 약한 관계를 하고 있다는 것이다. 전체적인 구조를 살펴보면, 본진에서는 유력자를 중심으로 모인 하위그룹과 다른 하위그룹들 사 이에서도 상호간 지진에 관해 활발하게 이야기하고 있는 것으로 나타났다. 그러나 거듭된 여진을 겪으면서 하위그룹들이 분절화 되는 모습을 확인할 수 있다. 즉, 유력자를 중심으로 소위 ‘끼리끼 리 네트워크’의 모습으로 구조가 바뀌었다. 노드가 200개 이상 속한 하위그룹의 수가 본진 때는 8개에서 여진을 겪으며 18개와 19개로 늘 어났다. 본진 때는 그룹이 나뉘어져 있지만 다른 그룹들과도 활발하게 소통을 하고 있는 모습이었 고, 반면 여진 때는 시간이 지날수록 하위그룹 수가 더 많아지면서 한 하위그룹 안의 노드끼리 더 욱 조밀하게 뭉쳐진 형태를 볼 수 있다. 전체 네트워크에서의 상호 교류가 줄어드는 것이 그림 상 에서 링크의 다발이 줄어드는 것을 볼 수 있다. 그리고 다른 그룹들 간 소통도 상대적으로 적어진 모습을 그림을 통해 확인할 수 있다. Table 5. Twitter network diagram Magnitude 5.8(Sep 12) Magnitude 4.5(Sep 19) Magnitude 3.5(Sep 21)
  7. 7. 트위터 데이터를 활용한 재난 커뮤니케이션 네트워크 분석 : 2016년 경주 지진 297 4.2. 연구문제2 : 유력자 프로파일 분석 두 연결 중심성(indegree, outdegree)과 매개 중심성의 Pearson 상관분석을 Table 6에 정리하였다 (Yu, Han, 2015). 처음 두 번의 네트워크에서는 트위터 계정 간 내향·외향 중심성은 중간 정도의 통계적으로 유의한 음의 상관성을 보였다. 음의 상관성이 나타난 이유는 외향 중심성이 높은 계정 은 대체로 지진의 위험성과 관련한 게시물을 활발히 리트윗하는 것으로 나타났는데, 유력자의 트 윗 뿐만 아니라 일반 계정의 트윗까지 자신의 계정에 도움이 될 만한 정보를 저장하는 행위로 볼 수 있다. 반면, 내향 연결성과 매개 중심성은 모든 네트워크에서 매우 강한 상관성이 나타났다. 내 향 중심성과 매개 중심성 값이 높은 계정이 거의 일치하며 정보의 권위자 역할과 중개자의 역할을 동시에 하고 있는 것으로 나타났다. 한편 Jang, Park, Park(2015)의 부산국제영화제의 트위터 네트워 크 분석에서는, 내향성-외향성, 내향성-매개성, 외향성-매개성 사이의 상관성은 각각 0.068, 0.817, 0.099로 모두 양의 상관성을 갖는 것으로 나타났다. 선행연구와의 상관성 차이는 축제보다 재난에 서 외향성이 높은 사람이 관련 정보를 더 자주 매개·확산하기 때문이다. Table 6. Person correlations between centralities Sep 12, N=9191 Sep 19, N=11554 Sep 21, N=12224 In Out Between In Out Between In Out Between In - -0.410** 0.846** - -0.340** 0.987** - 0.004 0.987** Out - - 0.180** - - 0.071** - - 0.085** **Significant at p < 0.01, In=in-degree, Out=out-degree, Between=betweenness 본진 네트워크에서 각 중심성별로 순위가 높은 계정을 살펴보았다. 여기서 내향 중심성은 다른 사용자로부터 본인의 트윗이 리트윗되거나 멘션 혹은 대답을 받는 것이다. 반대로 남의 트윗을 리 트윗하거나 멘션 혹은 리플을 보내면 외향 중심성이 올라가게 된다. 먼저 내향성이 627로 가장 높 은 계정 ‘v4k’를 확인할 수 있었다. 이 계정은 지진 관련 정보를 알리는 정보제공자의 역할을 하고 있었다. 뒤이어 두 아이돌 그룹 멤버(bap_daehyun, bap_himchan)의 내향성 값이 높은 것으로 나타났 다. 아이돌의 내향성이 높게 나온 이유는 지진에 대한 염려나 관심보다는 K-POP 스타와 팬들 사 이의 안부를 묻는 트윗이 주를 이루었기 때문이다. 이것은 트위터의 이용 목적이 특정 인물이나 분야를 추종하는 것으로 해석할 수 있다. 다음으로 외향성 값이 74로 가장 높은 계정은 일반인 ‘ywmoon888’이었다. 이 계정은 지진과 관련된 트윗을 리트윗하고 있었으며 자신이 트윗을 올리지 Table 7. Individual centrality values (Sep 12) In-degree Out-degree Betweenness centrality ID value ID value ID value 1 v4k 627 ywmoon888 74 v4k 8770806.657 2 bap_daehyun 407 sydbris 68 bap_daehyun 6936390.491 3 bap_himchan 407 yshappy1yshappy 55 instiz 4649347.317 4 aseoyeon777 200 b2vdwioya0uke6o 54 zzang_shin_luv 3979119.774 5 tbdbq10 190 rogogoro 50 beainee02 3331347.136 6 gspmilk 188 greentea0108 46 hanna20160516 3067271.104 7 kma_skylove 182 marzinga 45 bap_himchan 2533673.954 8 hopesniper 173 jeoungchoonggon 44 kma_skylove 2296791.277 9 oisoo 168 sqlxfs0n0hpi3hc 43 tbdbq10 2295237.068 10 heyjinism 167 daringshot 42 gspmilk 2188164.662
  8. 8. 박 효 찬, 박 한 우298 는 않았다. 이 결과는 자신이 필요로 하는 정보를 리트윗을 통해 타임라인에 게시하는 것이었다. Table 8은 word pair 분석에서 단어 빈도 순위를 나타낸 것이다. 그리고 3번의 지진을 겪은 후의 네트워크에서 나타난 유력자의 순위를 살펴보았다. 각 시기별 매개성 값이 높은 유력자의 특징을 살펴보고, 순위권에 있는 계정의 프로파일의 차이가 나타나는지 살펴보았다. 선정 기준은 각 시기 별 매개성 값이 높은 노드를 1위부터 20위까지 Table 9에 정리하였다. Table 8. Top 5 word pairs Magnitude 5.8(Sep 12) Magnitude 4.5(Sep 19) Magnitude 3.5(Sep 21) Rank Word pair Frequency Word pair Frequency Word pair Frequency 1 5, 8 704 이번, 지진에 1219 8, 3 2904 2 지진, 때문에 688 지금, 지진에 847 최대, 8 2742 3 규모, 5 679 시사기획, 창 837 3, 지진 2224 4 rt, v4k 647 지진에, 떨고 836 원전, 옆 1878 5 지진으로, 인해 602 떨고, 있는 836 올, 수 1726 Table 9. Influentials with their profiles Magnitude 5.8(Sep 12) Magnitude 4.5(Sep 19) Magnitude 3.5(Sep 21) vertex(ID) type vertex(ID) type vertex(ID) type 1 v4k the public 529lv the public bleuchatte the public 2 bap_daehyun entertainer instiz media daftpunk_kor the public 3 instiz media v4k the public kyunghyang media 4 zzang_shin_luv the public loveisblahblah the public mernonnon the public 5 beainee02 the public tweetywannabe the public exel_ler the public 6 hanna20160516 the public j00_d4n the public cream_1116 the public 7 bap_himchan entertainer wsk201927 bot onlyhong9 the public 8 kma_skylove administration jtbc_news media finalfantag the public 9 tbdbq10 the public hopekajhng12 the public huffpostkorea media 10 gspmilk the public eaoo10 the public moonriver365 politician 11 aseoyeon777 the public hibiyasleep the public happen_56 the public 12 10018c20769f445 the public asuka_sdk the public kma_skylove administration 13 rogogoro the public dust_843 the public knnnews media 14 heyjinism the public imyosi the public leejongsul78 the public 15 perret_jebi the public dalbi95 the public nasaram2017 lawyer 16 bangbong1234 the public 2daplay the public jaemyung_lee politician 17 k_kyozoo the public hanna20160516 the public yoojung__ioi the public 18 sydbris the public hankookilbo media gfknj the public 19 cha_nnnnn entertainer _manwol_ the public jtbc_news media 20 ida_love the public oupuo_ the public sbs8news media 먼저 12일 본진 네트워크에서는, ‘v4k’라는 일반인 계정이 가장 큰 유력자인 것으로 나타났다. 이 계정은 지진 관련 실시간 상황을 전달하며, 지진 관련된 내용(뉴스 속보, 당국의 입장, 개인의 의견 등)을 5분 간격으로 트윗하고 있는 계정이었다. 순위권의 유력자 계정은 대부분 일반인이었으 며, 실시간 지진 관련 상황을 전달하고 있었다. 반면 아이돌(연예인) 계정(bap_daehyun, bap_ himchan, cha_nnnnn)은 팬들의 안부를 묻고 이를 팬들이 리트윗하면서 유력자 순위가 높게 나타났 다. 그림에서 나타나듯이 아이돌에게 모인 계정들은 다른 하위그룹과는 관계를 거의 이루고 있지 않고 있으며, 같은 그룹이지만 아이돌 멤버에 따라 팬들이 서로 양분화된 관계가 나타났다. 한편 관계 부처인 기상청(kma_skylove) 계정의 지진 속보 소식은 갑작스러운 지진에 놀란 트위터 이용자
  9. 9. 트위터 데이터를 활용한 재난 커뮤니케이션 네트워크 분석 : 2016년 경주 지진 299 들이 많은 관심을 나타냈다. 지진 정보 및 상황을 중심으로 트윗을 활발히 날리고 있었다. 다음으로 19일 여진 네트워크에서는, ‘529lv’라는 새로운 일반인 유력자가 등장하였다. 이 계정은 지진에 대한 불안과 걱정을 드러내며 지진과 관련한 링크 자료 등을 트윗하였다. 인기 있었던 트 윗은 교양 TV 프로그램 예고를 보여주면서 지진 정보를 함께 나누자는 내용이었다. 12일 때 등장 했던 ‘v4k’ 계정이 여전히 상위 유력자 역할을 하며 지진 관련 트윗을 지속적으로 하고 있었다. 하 지만 본진 때와는 달리, 정보 전달보다는 이번 지진 대처와 관련하여 관계 기관의 위기 관리 시스 템의 총체적 부실을 지적하고 있었다. 기상청 계정은 지진 정보와 함께, 항간에 떠도는 지진전조현 상 루머에 대해 해명하는 트윗을 올렸다. 그러나 기상청 계정은 상위 유력자 순위(9위)에서 사라지 고, 그 자리를 JTBC 뉴스(jtbc_news) 계정이 차지하였다. 트윗 내용은 지진 발생 행동 요령을 카드 뉴스로 전하고 있었고, 전문가가 전하는 앞으로의 예상 등의 내용을 전하고 있었다. 본진 네트워크 와는 달리 일부 언론사 계정(jtbc_news, hankookilbo)이 순위권에 포함되었으며, 여전히 지진에 대한 걱정과 우려를 하고 있는 일반인 빅마우스들이 상위 유력자 순위의 대부분을 차지하였다. 마지막으로 21일 여진 네트워크에서는, ‘bleuchatte’라는 일반인 유력자가 1위를 차지했다. 인기 트윗은 원전 주위에 최대 규모 8.3의 지진이 올 수 있다는 기사를 인용한 것이다. 앞선 2번의 네트 워크에서 나타났던 유력자 순위의 프로파일이 달라진 모습을 확인할 수 있었다. 기존에 대부분을 차지했던 일반인 유력자 계정은 사라지고, 언론사(kyunghyang, huffpostkorea, knnnews 등) 계정과 정 치인(moonriver365, jaemyung_lee) 계정, 그리고 변호사(nasaram2017) 계정 등 다양한 계층의 유력자 가 새롭게 순위권을 차지하였다. 유력자 순위권에서 나타난 내용은 대체로 지진 대처를 제대로 하 지 못한 정부 기관을 비판하고 있었으며, 특히 원전에 대한 우려의 트윗도 상당수를 차지하였다. 이 계정들은 기존 네트워크에서 많은 팔로어를 확보하고 있으며, 정부의 정책에 비판적인 뜻을 가 진 유력자 계정이었다. 기상청 계정은 순위권(12위)으로 다시 복귀하였으며, 지진발생에 대한 근거 없는 루머가 확산되고 있으며 지진은 예측할 수 없다는 정보를 지속적으로 내보내고 있었다. 5. 결론 이번 연구에서는 ‘지진’을 키워드로 하고 있는 트윗을 수집하고, 중심성이 높은 사용자들을 살펴 보았으며, 유력자를 중심으로 하는 그룹별 네트워크를 조사하였다. 연구결과에 따르면, 첫 지진이 일어났을 때에는 갑작스러운 외부의 큰 충격과 경험이 네트워크 내부로 사람들이 결집되면서 노드 전체가 공동체의 구조를 보였다. 즉, 유력자를 중심으로 하는 그룹이 형성되기는 하지만 지진이라 는 주제에 대해 유력자 중심 그룹을 넘어서서 활발히 이야기를 나누는 ‘커뮤니티 구조’의 모습이 나타났다. 하지만 여진이 이어지면서, 지진 발생 지역의 물리적 거리에 따라 그에 따른 심리적인 반응도 다르게 나타나기 시작하였다. 지진 초기에 나타난 지진 체감과 실시간 지역 상황을 전하는 트윗은 사라지고, 유력자를 중심으로 하는 하위그룹에서 지진과 관련된 주제를 다루고 있었다. 그 결과, 하위그룹 간의 소통이 줄고 유력자 그룹 내에서만 끼리끼리 이야기를 나누는 모습인 ‘분절화 된 구조’의 모습으로 바뀌었다. 그리고 본진(12일) 네트워크에서는 기상청 계정이 다른 일반인 유 력자 사이에서 체감 지진의 규모와 위치 등의 정보 전달의 역할을 어느 정도 했지만, 여진(19일) 때의 네트워크에서는 순위권에서 사라지고 그 자리를 언론(jtbc_news)이 차지하게 되었다. 네트워크 상에서 정부 관계 기관의 권위가 떨어지고, 본진 이후 활발하게 지진 관련 소식을 전한 언론이 트 위터 계정에서 정보 전달의 신뢰성을 인증 받았다. 특히 지진 발생 시 행동 요령을 정리한 카드 뉴스의 경우, 기상청을 대신하여 트위터 네트워크 상에서 많은 리트윗을 받기도 했다. 마지막 여진 때에는 언론이 유력자 순위의 1/4을 차지하였다. 정리하면 본진 때는 일반인 유력자의 트윗이 상위
  10. 10. 박 효 찬, 박 한 우300 권을 차지하였지만 여진이 계속 이어지면서 정치인과 언론 등 기존 트위터 네트워크에서 유력자의 역할을 해 오던 계정의 활동이 두드러졌다. 지진과 같은 불확실성의 증대와 마주한 사람들을 경우 매체가 전해주는 정보에 대한 의존이 높 아지게 된다(Kim, 2003). 정보의 원천으로 매체의 중요성을 파악했을 때, 매체와 수용자의 상호 의 존적인 관계는 더욱 높아지게 된다(Ku, 2014). 이번 지진을 통해 초기 재난 상황에서 나타나는 위 험 커뮤니케이션과 후속 조치 등을 다루는 위기 커뮤니케이션이 트위터 네트워크 상에서 모두 나 타났다. 지진이 처음 발생했을 때는 속보성·체감성 트윗이 주를 이루었으며, 전통적인 미디어보다 P2P 커뮤니케이션을 선호하였다. 하지만 여진이 계속되면서는 지진 대처와 예방과 대한 관심성 트 윗이 이어지면서 기존의 전통적이며 공식적인 정보원에 의존하는 모습을 보였다. 관계 기관은 재 난 상황에서의 사람들의 정보 전달과 수집 활동 매커니즘이 어떻게 이루어지고 변화하는지에 대해 면밀히 살펴볼 필요가 있다. 이미 기상청에서는 지진전달시스템과 연계하여 트위터 공식계정에 지 진정보를 게시하고 있으며, 향후 계정들의 반응을 분석한 체감지진정보 수집도 가능할 것이라고 하였다(Jeon, Choi, Lee, Hong, 2012). 미국에서는 U.S. Geological Survey(USGS)라는 트위터 지진 탐 지 프로그램을 통해 실시간으로 지진 관련 트윗 메시지들 수집하여 언제 어디서 지진이 발생했는 지를 키워드로 찾아 수집하고, 위험 지역 사진도 같이 수집한다(Cho, Jung, Park, 2013). 이러한 시 스템은 수치적인 과학적 정보의 공식 발표 전에 지진 위험성을 일반인에게 알리는 비공식 채널로 활용될 수 있다(Earle, Bowden, Guy, 2012). 관계 기관은 트위터에서 나타난 재난 커뮤니케이션의 특징을 파악하여 재난 상황에 맞는 대응 매뉴얼과 지금보다 강력한 정보 영향력을 가질 수 있는 방안을 마련해야 할 것이다. References Bae, B. G., Lee, B. R., Choi, S. H. (2015). The analysis of association between social bigdata and earthquake, Korea Information Science Society, 13-15. (in Korean). Cho, S. E., Jung, K. J., Park, H. W. (2013). Social media use during Japan’s 2011 earthquake: How Twitter transforms the locus of crisis communication, Media International Australia, 149, 28-40. Cho, I. H., Kim, D. H., Chun, C. N. (2016). Web-based consumer involvement indices and vegetable consumption: The quantification of unstructured information and an exploration of a causal relationship, Journal of the Korean Data Analysis Society, 18(3A), 1259-1270. Cho, S. E., Park, H. W. (2012). Comparative analysis of Twitter use between South Koreans and Russians: An exploratory study, Journal of the Korean Data Analysis Society, 14(4A), 1827-1838. (in Korean). Coombs, W. T. (2007). Protecting organization reputations during a crisis: The development and application of situational crisis communication theory, Corporate Reputation Review, 10, 163-176. Earle, P. S., Bowden, D. C., Guy, M. (2012). Twitter earthquake detection: earthquake monitoring in a social world, Annals of Geophysics, 54(6), 708-715. Gonzalez-Bailon, S., Wang, N., Rivero, A., Borge-Holthoefer, J., Moreno, Y. (2012). Assessing the bias in communication networks sampled from Twitter, Working Paper. Gwak, C. S., Lee, Y. H. (2014). Media usages based on the characteristics of disasters, and social capital as an information delivery channel : Focusing on the effects on pre-preparedness behaviors against disasters, Journal of Communication Science, 14(3), 5-41. (in Korean). Hansen, D., Shneiderman, B., Smith, M. A. (2010). Analyzing social media networks with NodeXL: Insights from a connected world, Morgan Kaufmann. Jang, A. R., Park, J. Y., Park, H. W. (2014). Global communication network analysis of Busan International Film Festival (BIFF) 2014 using Twitter data, Journal of the Korean Data Analysis Society, 17(2)(B), 939-950. (in Korean).
  11. 11. 트위터 데이터를 활용한 재난 커뮤니케이션 네트워크 분석 : 2016년 경주 지진 301 Jeon, I. C., Choi, S. J., Lee, Y. T., Hong, S. D. (2012). A development of a system for earthquake warning using social media, The Journal of the Institute of Internet Broadcasting and Communication, 12(5), 169-175. (in Korean). Kang, B. S., Park, J. W., Park, H. W. (2015). Investigating internet-mediated communication structure of discussions on international exchanges within Eastern Asia using network analysis, The Journal of Society for Humanities Studies in East Asia, 32, 383-409. (in Korean). Kim, E. S. (2015). A social analysis of the limitation of governmental MERS risk communication, Crisisonomy, 11(10), 91-109. (in Korean). Kim, J. Y. (2003). A study of media dependency theory : The relationships of International students' internet use, national identity, information needs, media dependency, and cognitive and behavioral effects, Journal of Communication Science, 3(2), 119-154. (in Korean). Kim, H. K., Cho, S. N. (2011). Application of social media in case of natural disaster, The Korean Entertainment Industry Association, 1, 131-134. (in Korean). Kim, Y. J., Jang, Y. H. (2013). A study on public relation strategy of unification focused on social network service, Journal of Policy Sciences, 23(1), 75-92. (in Korean). Kim, S. K., Park, M. J., Rho, J. J. (2015). Effect of the government's use of social media on the reliability of the government: Focus on Twitter, Public Management Review, 17(3), 328-355. Kim, H. J., Son, Y. G. (2013). The research for reinforcing the OPR via the organization social media : Focusing on the influences of the Samsung hospital’s social media to the OPR, Journal of Public Relations Research, 17(3), 278-339. (in Korean). Ku, K. T. (2014). A study of the impact of perceived threat on media dependency and disaster perception, Journal of Social Science, 21(3), 128-147. (in Korean). Kwon, O. S., Lee, K. M. (2016). Earthquake propagation system 'three major routes' … We do not go to the message alarm The Blue House, The Hankyoreh Media Group. (in Korean). Lee, J. G. (2016), Comparative analysis of political influence of traditional media and new media - Polarization of selective exposure and support candidates, Social Science Studies, 24(1), 8-49. (in Korean). Lee, W. T., Cha, M. Y., Park, H. Y. (2010). Role of influentials in mobile social media, Future Research based on Digital Convergence (II), 10-26. (in Korean). Lee, S. R., Lee, J. Y., Qing, C. (2012). Analysis of the mediating influentials who lead political discourse in the Twitter : Focusing on the major issues during the Korean general election on April 11th, 2012, Media Economics & Culture, 10(4), 7-38. (in Korean). Lee, M. K., Park, J. W., Park, H. W. (2015). Network analysis of the international conference utilizing social media - The case of Internet Research Conference (IR15), Korea Academic Society of Tourism Management, 30(3), 223-246. (in Korean). Lim, Y. S., Park, H. W. (2011). Profile analysis of top Twitter users, Journal of the Korean Data Analysis Society, 13(1), 45-52. Lim, J. S., Yu, S. H. (2016). A study on the life cycle of attention on TV drama and SNS influencers : Focused on KBS drama producer, Cybercommunication Academic Society, 33(4), 343-387. (in Korean). Palenchar, M. J., Heath, R. L., Orberton, E. M. (2005). Terrorism and industrial chemical production: A new era of risk communication, Communication Research Reports, 22(1), 59-67. Seo, M. H. (2016). Effects of risk information seeking and processing on MERS preventive behaviors and moderating roles of SNS use during 2015 MERS outbreak in Korea, Korean Journal of Communication & Information, 116-140. (in Korean). Smith, M. A., Rainie, L., Shneiderman, B., Himelboim, I. (2014). Mapping twitter topic networks: From Polarized crowds to community clusters, Pew Research Center. Twitter (2012). Twitter developer documentation, Retrieved from http://dev.twitter.com/docs. Yu, N. Y., Han, S. T. (2015). A study on test for difference of correlation coefficients, Journal of the Korean Data Analysis Society, 17(4B), 1827-1837. (in Korean).
  12. 12. 박 효 찬, 박 한 우302 Disaster Communication Networks on Twitter : Gyeongju Earthquake * Hyo Chan Park 1 , Han Woo Park 2 2) Abstract This study investigates how people communicated on Gyeongju earthquakes in 2016 through Twitter. The data was collected using NodeXL. First, we examined a disaster communication structure based on network diagrams throughout 10 days for three times. Next, we analyzed the informational role of some vertices with high centralities, for example, national weather service. According to the results, there was a noticeable change in the structural configuration of Twitter networks over time. When the first earthquake occurred, people formed ‘community clusters’ to share the extreme anxiety at an early stage. But ‘community clusters’ dismantled into ‘brand clusters’ as people experience repetitive earthquakes in a short period. Also, the Twitter account of national weather service played a role as a delivery agency offering the information of the earthquake in real time. As time goes, however, national weather service was replaced by a citizen, journalists, politicians, etc. Current study will be a great help on the improvement for the system of information delivering of early stage and process of information delivering when we meet a disaster like the earthquake. Keywords : Network analysis, Twitter, Disaster communication, Influentials. * The authors are grateful to Mark Smith for his valuable assistance on data collection. 1 Master Student, Researcher in Cyber Emotions Research Institute, Interdisciplinary Program of Digital Convergence Business, YeungNam University, 214-1, Dae-dong, Gyeongsan-si, Gyeongsangbuk-do, 712-749, South Korea. E-mail : dhdkia11@naver.com 2 (Corresponding Author) Full Professor, Director in n Cyber Emotions Research Institute, Dept of Media & Communication, Interdisciplinary Program of Digital Convergence Business, YeungNam University, 214-1, Dae-dong, Gyeongsan-si, Gyeongsangbuk-do, 712-749, South Korea. E-mail : hanpark@ynu.ac.kr [Received 30 December 2016; Revised 10 February 2017, 17 February 2017; Accepted 20 February 2017]

×