1.
Journal of the Korean Data Analysis Society (June 2017)
Vol. 19, No. 3 (B), pp. 1379-1390
2017년 대통령 후보수락 연설 유튜브 동영상의 댓글망과 의미망 분석
김찬우1
, 박효찬2
, 박한우3
1)
요 약
이 논문은 최근 2017년 대통령 선거 사례연구로 대통령 후보수락 연설 유튜브 동영상 중 가
장 높은 댓글을 받은 동영상을 대상으로 댓글망 분석, 댓글 단어 빈도 분석, 단어 쌍 분석을 실
시하였다. 연구결과, 주요 후보자인 문재인 후보 지지자들은 다른 후보자들에 비해 그들 사이에
더 많이 연결되어 있었다. 그러나 유튜브 댓글망의 지표 중 밀도는 차기 대통령 당선 예측지표
로는 유효하지 않았다. 문재인 후보와 다른 후보들의 댓글에도 뚜렷한 차이가 있었다. 문 후보의
경우 대통령이 되기에 충분한 자격이 있다고 주장하는 긍정적인 의견을 제시하는 경향이 있었
다. 또한 후보의 대선 메시지가 댓글 상에 함께 나타나고 있었다. 반면 안철수 후보의 경우 하울
링 목소리 등 비판적인 의견이 나타났으며, 홍준표 후보의 경우 박근혜 전 대통령 그룹과 태극
기로 대표되는 보수 집단의 언어로 댓글이 이루어졌다. 본 연구는 유튜브 댓글 데이터를 이용하
여 유튜브 연구 및 선거캠페인 분석에 있어 새로운 연구방향을 제시했다는 점에서 학술적 의미
와 함께 사회적 가치가 있다.
주요용어 : 대통령후보수락연설, 유튜브, 댓글망분석, 단어쌍분석.
1. 서론
지금까지 선거캠페인의 효과측정은 여론조사에 의존해 왔다. 그러나 여론조사 결과는 최근 국
내·외 선거에서 유권자들의 마음을 제대로 반영하지 못했다. 여론조사는 통계적 신뢰성을 지나치
게 신봉한 나머지 ‘강요된’ 응답을 유인하거나 타당성이 부족한 데이터를 생산했다. 이것은 여론조
사가 전화기 너머 전해오는 유권자들의 ‘입’에만 의존했기 때문이다.
빅데이터는 유권자들의 ‘말’이 아니라 ‘행동’으로부터 선거캠페인을 분석한다. 예를 들어, 한 유
권자가 어떤 정당의 대통령 후보선출 경선에 참여한 느낌과 의견을 소셜미디어에 남긴다. 이 댓글
은 백 명의 유권자가 무성의하게 답변한 전화조사 응답과는 비교할 바가 아니다. 그리고 한 명의
댓글은 다른 이의 대댓글로 이어진다. 이런 댓글 달기가 반복되면서, 유권자들의 특정 후보에 대한
집중도는 자연스럽게 높아진다. 따라서 댓글망의 구조적 윤곽은 특정 후보뿐만 아니라 선거 전체
에 대한 유권자들의 관심도를 보여준다. 나아가 유권자들의 자발적 댓글 달기는 지지 후보에 대한
관여도를 높여서, 유권자들을 투표장으로 향하게 만드는 원동력으로 작용한다. 댓글을 통해 표출되
는 의견은 이제 온라인을 넘어 오프라인에서의 행동과 여론의 향방에 일정 부분 영향을 미치고 있
다(Park, Lee, 2009).
1
38541 경북 경산시 대학로 280, 영남대학교 통일문제연구소 연구원. 정치외교학과 시간강사.
E-mail : yeture@daum.net
2
38541 경북 경산시 대학로 280, 영남대학교 사이버감성연구소 연구원. 디지털융합비지니스학과 석사과정.
E-mail : dhdkia11@naver.com
3
(교신저자) 38541 경북 경산시 대학로 280, 영남대학교 사이버감성연구소 소장. 언론정보학과·디지털융합비지
니스학과 교수. E-mail : hanpark@ynu.ac.kr
[접수 2017년 5월 20일; 수정 2017년 6월 17일; 게재확정 2017년 6월 20일]

2.
김찬우, 박효찬, 박한우1380
소셜미디어에 따라 댓글의 소통방식과 댓글망의 형태도 달라진다. 먼저 트위터는 짧은 메시지를
많은 사람들에게 빠르게 전파하는데 효과적이다. 트위터 댓글은 축약이 심하게 발생해서 애초 전
달하려는 내용이 전파과정에서 왜곡되기도 한다. 다대다(多對多) 매체인 트위터에 비교해서, 카카
오톡(이하 카톡)은 일대일(一對一) 위주의 메신저형 소셜미디어이다. 카톡에서 상대방이 보낸 메시
지에 수신자가 일방적으로 무시하기는 쉽지 않다. 따라서 트위터보다 대화의 집중도와 지속도는
높은 편이다. 페이스북의 네트워크 공개성과 쌍방향성은 트위터와 카톡의 중간 정도이다. 카톡과
유사하게 페이스북도 실명 기반의 친구관계 중심의 소셜미디어이다. 페이스북에서 유권자들은 자
신의 정치적 견해를 공유하는데 비교적 신중하다. 따라서 완곡한 표현을 사용하여 댓글을 작성하
는 경향이 있다.
반면 유튜브는 동영상 소셜미디어이기에 텍스트 기반의 카페트(카톡, 페이스북, 트위터의 줄임
말)와 여러 면에서 차이가 있다. 유튜브는 특정한 동영상에 대해서 댓글을 남기기 때문에, 동영상
의 주제와 내용에 대한 유권자들의 관여도와 집중도는 카페트에 비교해서 당연히 높을 수밖에 없
다. 특히 유튜브 자체는 기존 방송국처럼 콘텐츠를 생산하지 않지만 그것을 수집하고 유통하는 플
랫폼이다(Burgess, Green, 2009). Weinberger(2007)는 무엇보다 유튜브는 다른 곳에서 제작된 콘텐츠
의 가치를 높여서 원작자에게 그 이익이 돌아가도록 하는 ‘메타 비즈니스’라고 강조했다. 이런 측
면에서 유튜브는 기성 방송국과 아마추어 제작자가 공생하는 공간이다. 나아가 유튜브는 2011년
개편을 거치며 더 이상 뮤직비디오를 보기만 하는 사이트가 아니라 SNS로 발전 중이다(Park,
2012). 댓글 달기뿐만 아니라 채널 구독과 비디오 서핑에 이르기까지 이용자들이 보다 쉽게 관계
맺고 적극적으로 참여하도록 재설계되었다. 그리고 비디오 클립을 자신의 개인 블로그나 온라인
게시판에 공유하며 자신의 성향과 관심사를 드러내기도 한다(Lee, Park, 2013). 따라서 유튜브에서
는 크라우드소싱과 같이 의사소통과 정보공유 과정의 능동적 관여가 효과적이다.
심리학자 Mehrabian(1981)에 따르면, 정보전달의 93%는 비언어적 커뮤니케이션으로 이루어진다
고 한다. 시각정보가 유권자들의 뇌에서 처리되는 속도는 문자보다 6만 배 빠른 것으로 알려져 있
다. 이른바 ‘821법칙’이 있다. 유권자들은 눈으로 본 것은 80%를, 읽은 것은 20%를, 들은 것은
10%만을 기억한다는 것이다(Lee, 2014). 이번 후보수락 연설에서도 정치인들은 제스쳐, 성량, 억양
등에서 눈에 띄는 차이를 보였다. 문재인의 ‘선비화법’과 안철수의 ‘그로울링(growling)’ 화법은 연
설문의 내용 못지않게 큰 화제를 낳았다. 이 과정을 유튜브가 매개하면서, 소셜 뷰잉(social
viewing)이 발생한다. 즉 자발적 행위에 초점을 둔 사람들 간 교류를 이루어지게 할 수 있다. 후보
수락 동영상의 시청행위와 댓글을 남기는 과정에서 이용자들 간 유사(pseudo) 상호작용이 발생한
다.
따라서 시각정보로 가득 찬 동영상에 달린 댓글의 내용적 특성과 댓글망의 패턴은 선거캠페인
의 효과측정에 큰 가치가 있다. 그렇지만 기존 연구들은 후보자의 연설문 분석에서 텍스트에 내재
된 단어의 빈도와 의미망에 치중해 왔다. 따라서 우리는 이번 선거에서 후보자들의 대통령 후보수
락 연설에 대한 유튜브 댓글에 초점을 맞추었다.
2. 문헌검토 및 연구문제
2.1. 유튜브에 대한 기존 연구 방향
선거에서 유튜브의 영향에 대한 연구로는 미국 주요 언론에서 2006년 중간선거를 유튜브 선거
라고 평가하면서 유튜브 동영상이 새로운 정치 콘텐츠와 캠페인으로 선거결과에 중요한 영향을 끼

3.
2017년 대통령 후보수락 연설 유튜브 동영상의 댓글망과 의미망 분석 1381
쳤음을 밝혔다(Lizza, 2006; Gumbel, 2006; Javis, 2007; Lee, 2007). 예를 들어 버지니아 주 알렌 상
원의원이 인종차별적인 발언(macaca: 원숭이를 뜻하는 단어)이 유튜브에 올라 30만 명 이상 보았고
이후 낙마까지 이르게 된 사례가 있다(Sender, 2007). 또한 2008년 대선에서는 대선주자들이 오프라
인보다는 유튜브 동영상을 활용하여 대선 출사표를 밝히는 것이 확산되면서, 유튜브 동영상이 선
거 캠페인에서 새로운 역할을 할 것이라는 가능성을 밝혔다(Javis, 2007). 또한 Palmer(2012)는 유튜
브 동영상이 전염성도 강하며 뉴스를 쉽고 빠르게 공유하는 특징을 갖고 있어 사람들이 정보 공유
와, 교환 등의 허브 역할을 하고 있으며, 더 나아가 가상의 공동체 역할을 함으로써 특정 이슈에
대하여 단기간 확산의 가능성을 밝혔다. 그 외 유튜브 동영상이 정치 엘리트들에 대한 시민감시
기능과(Lee, 2007), 공직선거에서 후보자의 선호도와 지지도에 영향을 미친다는 연구(Lim, Jeong,
Kim, 2007) 등이 진행되었다. 또한 일반적으로 미디어 참여와 생산에서 유튜브 동영상을 활용한 이
용자의 능동적인 참여 특성을 강조하면서 콘텐츠 생산자와 소비자 간의 변화를 분석하였다(Hyun,
2008; Kim, Sohn, 2008). 국내에서는 대선 기간 후보자들의 다양한 연설법에 대해 페이스북 상의
변화를 분석한 연구나 2016년 촛불집회의 소셜미디어 상에서 적극적인 참여로 인한 효과들을 분석
하는 연구가 활발하게 진행 중이다(Cho, Choi, Park, 2012; Lee, Park, Park, Kluver, 2017).
2.2. SNA를 이용한 유튜브 댓글망분석
유튜브나 페이스북, 트위터 같은 소셜 네트워킹 서비스를 대상으로 네트워크를 분석할 때는 이
용자나 콘텐츠를 노드(node)로, 이용자와 이용자 간의 관계를 연결(link)로 둔다(Lee, Kim, Park,
2017). Mislove, Marcon, Gummadi, Druschel, Bhattacharjee(2011)는 소셜 네트워크에서 이용자들 간의
연결은 공통 관심사를 가진 친구나 가족, 업무상 관련 인물 등에서 이루어진다고 설명하면서, 어떤
이용자 중에서는 업무보다는 이러한 관계 자체를 중요하게 여기는 경향이 있음을 주장하였다. 반
면 다른 연구에서는 이용자들이 단순 관계보다는 오히려 공통 관심사를 상호 공유하는 것을 더 중
요시한다는 반대 의견도 있다(Yu, Hu, Kim, 2007).
이러한 관계를 분석하기 위하여 유튜브를 통해 수집할 수 있는 데이터는 등록된 영상, 등록한
사람 그리고 댓글수, 좋아요, 구독하기 등이 있다. 이러한 변수들 간의 관계를 분석한 사례를 정리
하면 다음과 같다. Chatzopoulou, Sheng, Faloutsos(2010)는 조회수가 댓글수, 구독하기 수, 좋아요 수
에 높은 상관성을 보인다는 분석이 있었으며, 콘텐츠 등록 후 각 요인들의 시간 변화를 보면 조회
수와는 반대로 낮아지는 것으로 밝혔다. 또한 구독하기를 하거나 댓글을 남기는 행위로 유사 동영
상들과의 네트워크를 구성하여 내향중심성과 조회 수와의 관계를 분석하였는데, 가장 상위권의 콘
텐츠들은 네트워크는 많이 구성되어 있으나 조회 수에는 큰 영향이 없다는 것을 밝혔다.
Yoganarasimhan(2012)의 경우는 앞의 연구에서 콘텐츠 명성과 네트워크 요인 중 매개중심성, 클
러스터링 계수를 추가하여 시간의 변화에 따른 조회수에 미치는 영향을 분석하였다. 그 결과 동영
상 등록 초기에는 댓글 수와 즐겨찾기 수는 조회수에 영향을 미치지만 평균평점과 콘텐츠의 명성
은 영향이 낮은 것으로 나타났다. 또한 네트워크 요인의 경우 동영상 등록 시점에는 연결정도가
중요하며, 그 후에는 매개중심성과 클러스터링 계수가 주요한 영향을 미치는 요인이라는 결과들
도출하였다. 유사한 연구로 Susarla(2012)는 시간에 따라 나타나는 연결정도 중심성의 차이를 추가
하여 연구하였다. 그 결과 콘텐츠 등록 초기는 초기 구독자가 많은 네트워크가 영향력이 높았으나
시간이 지남에 따라 친구 네트워크가 더 중요한 요인임을 밝혔다.
그러나 이번 연구에서는 유튜브에 등록된 후보자 수락 연설문 콘텐츠에 댓글을 남기는 행위는
누가 하고 있으며, 그 행위와 내용이 무엇을 의미하는지만 살펴볼 것이다. 콘텐츠의 경우 주요 대

4.
김찬우, 박효찬, 박한우1382
선 후보들의 후보수락 연설문을 올린 동영상을 검색하여 댓글 참여가 높은 순위의 콘텐츠를 선택
하고 후보간 비교를 통해 시사점을 살펴볼 것이다.
2.3. 댓글 텍스트 마이닝 분석
텍스트 마이닝(text mining)이란 대용량 데이터에서 사용자가 관심을 가지는 정보를 키워드 수준
을 넘어 맥락 수준의 의미를 찾아내는 과정이다. 일반적으로 텍스트 마이닝을 진행하기 위해서는
비정형 텍스트 데이터에서 자연어처리와 형태소분석을 통해 정제 과정을 필요로 한다(Yoon, 2013).
다대다(多大多) 커뮤니케이션이 일어나는 소셜미디어에서 이용자들은 인지적 노력이 필요한 이슈
에 높은 관여도를 보여서 댓글을 남기거나 공유하기 때문이다(Kim, Cho, 2015). 따라서 유튜브에
남겨진 댓글의 단어들에 대한 분석은 이슈와 여론을 분석하는 데 도움이 될 수 있다. 그런데 지프
의 법칙(Zipf's law)에 따르면 모든 단어 중에서 상위 20%의 단어가 실제 언어 구사에 80% 정도
쓰인다고 한다(Nicola, 2010). 이것은 유튜브 댓글에서 특정 단어와 표현이 얼마나 자주 쓰이는지를
분석하면 이용자들의 의식을 알아낼 수 있다는 것을 시사한다. 더불어 이 연구에서는 단순 단어의
빈도 외 단어 쌍(bigram)의 관계를 분석하여 의미를 살펴볼 것이다. 단어 쌍 분석은 단어 바로 앞
뒤로 위치한 단어의 빈도를 계산하는 방식으로 특정 단어의 앞뒤를 수식하는 단어를 확인함으로써
이용자의 의식을 더욱 명확하게 검토할 수 있다.
2.4. 연구문제
유튜브 동영상의 문헌검토와 본 연구의 문제의식을 통해 도출한 연구문제는 다음과 같다.
연구문제 1. 각 후보별 유튜브 댓글망의 특성은 어떠한가? 구체적으로 결합 양상, 위계적인 관계,
특정인의 집중도, 구성의 다양성 등을 중심으로 어떠한 특성을 가지고 있는가?
연구문제 2. 각 후보별 댓글의 연결망 구조와 의미망은 어떠한 특성을 보이는가? 더불어 단어쌍에
나타난 단어에 있어서 어떤 차이가 있는가?
3. 연구방법
3.1. 데이터 수집
유튜브에서 후보자 수락연설 동영상은 대통령 후보자 이름과 후보수락 연설문을 검색어로 설정
하여 선별하였으며 그 결과는 Table 1과 같다. 먼저 2017년 4월 6일 기준으로 각 후보의 수락연설
문 영상은 문재인 후보는 4개, 안철수 후보는 4개, 홍준표 후보 3개가 검색되었다. 그 중 후보별로
조회수나 댓글수가 가장 높은 영상 2편씩 선정 후 댓글을 수집하였다. 홍준표 후보의 경우 초기
검색시에는 존재했으나 수집 도중 두 번째 영상이 삭제되었기 때문에 첫 번째 영상만 분석하였다.
그 외 유승민 후보와 심상정 후보는 후보수락 연설문 동영상은 있으나 댓글이 거의 없어 수집에서
제외하였다. 유튜브 데이터 수집은 웹사이트 동시언급 분석 프로그램인 ‘Webometric Analyst 2.0’을
활용하였다(Thelwall, 2014).
후보별 영상제목과 조회수, 댓글수, 좋아요 현황을 보면, 조회수는 안철수 후보의 동영상이
32,090번으로 가장 높았으며, 영상 제목이 안철수 후보의 “1,000만 배 강해졌다”라는 발언을 그대
로 활용하였다. 반면 제목 뒤에 “ㅋㅋㅋㅋ”로 비웃음으로 보이는 표현이 연결되어 있어 안 후보의
목소리에 대한 관심이 나타났다. 댓글수와 좋아요가 가장 높은 영상은 홍준표 후보의 영상으로 댓

5.
2017년 대통령 후보수락 연설 유튜브 동영상의 댓글망과 의미망 분석 1383
글수는 448건, 좋아요는 646건으로 가장 높았다. 특히 좋아요는 다른 후보에 비해 크게 높았는데,
홍준표 후보의 경우에 타 후보에 비해 먼저 대통령 후보로 정해지면서 영상이 노출된 기간이 더
길었기 때문이다. 다음으로 영상 제목의 경우 청취자로 하여금 관심을 증가하는 요소가 되는데, 문
재인, 홍준표 후보의 영상이름은 후보수락연설이라는 콘텐츠 자체를 설명하고 있는 반면, 안철수
후보의 경우 ‘강력한 의지’, ‘후보수락연설 표절논란’이라는 특정 이슈가 제목이며, 특히 표절논란
의 경우 오바마 전 미국 대통령의 연설문과 비교·전달하는 영상이다. 즉 문재인, 홍준표 후보의 경
우 후보수락 내용 자체를 전달하는 영상이라면, 안철수 후보의 경우 평가가 포함된 영상이라는 점
이 차이가 있다.
Table 1. Youtube video data across candidates (As of April 6, 2017)
Candidates URLs Views Comments Likes
Moon Jae-in
https://www.youtube.com/watch?v=9-smUmh_qy8 20,195 268 408
https://www.youtube.com/watch?v=LmZjZ27qySY 12,023 282 196
Ahn Cheol-soo
https://www.youtube.com/watch?v=WqbxroTpPhw 32,090 313 251
https://www.youtube.com/watch?v=XHX42AVhfS4 30,524 243 230
Hong Jun-pyo
https://www.youtube.com/watch?v=CwklmJtW6o4 26,301 448 646
https://www.youtube.com/watch?v=tP2ljzSSLmo 24,063 286 229
3.2. 분석기법
댓글망 분석의 연구문제별 지표는 사회 네트워크 분석의 주요 지표 중 밀도, 계층성, 독점성, 다
양성으로 구분하여 댓글망을 분석하였다. 유튜브 댓글망에서 관계 설정은 동일한 영상에 대하여
댓글을 단 행위는 참여자 간의 관심사가 동일한 것이므로 참여자 간 네트워크를 형성한다(Park,
Seok, Park, 2016).
밀도(density)는 댓글망에서 댓글 참여자 간 실제 연결된 수를 연결 가능한 모든 수로 나눈 값이
다. 다음으로 계층성(hierarchy)은 전체 네트워크에서 서로 연결되지 않은 네트워크를 뺀 값으로 계
산하는 연결성(Krackhardt's connectedness)지표를 활용한다. 다음으로 독점성은 얼마나 특정 인물에
의해 정보의 흐름이 집중되어 있는지를 확인하는 것으로, 외향집중도(out-degree)와 내향집중도
(in-degree)로 분석한다. 외향집중도는 한 이용자에서 다른 이용자로 향하는 정도이며 내향집중도는
특정이용자로 연결이 몰리는 정도를 말한다. 마지막으로 다양성(diversity)의 경우 가장 유사한 그룹
을 계속 묶어 비교하는 방식으로 cut-off에 따라 그룹을 형성하는 hierarchical 지표를 활용하였다.
Table 2. Network indices
Index Definition
density The total number of ties divided by the total number of possible ties
connectedness The density of the weak reachability matrix (1 minus the fragmentation)
out-degree Link outward to other users
in-degree Link inward at one user
hierarchical(cut point) The two most similar groups are clustered together and compared
* Explanations are written based on http://www.analytictech.com/ucinet/help/idx.htm
다음으로 수집된 댓글 분석의 경우, 형태소 분석은 일본어 형태소 분석기를 한국형으로 발전시
킨 오픈소스 형태소 분석 엔진인 mecab-ko를 활용하였다(Choi, Lee, 2014). 자세한 코드는 아래 링
크(https://bitbucket.org/eunjeon/mecab-ko-dic)에서 확인할 수 있다. 다음으로, 빈도순으로 이슈어를 선

6.
김찬우, 박효찬, 박한우1384
정하였다(Kim, Park, Cho, 2015). 이후 단어쌍(bigram) 분석은 파이썬(Python) 코드를 활용하여(Triglia,
2013) 영문 N-gram 분석 방식을 한글에 적용 가능하도록 수정 후 분석에 활용하였다.
4. 연구결과
4.1. 후보별 댓글망 지수
Table 3은 문재인, 안철수, 홍준표 후보의 후보수락 연설 동영상과 관련된 댓글 참여자수와 1인
당 평균댓글수 등 참여자의 기본 현황과 밀도, 계층성, 독점성, 다양성을 정리한 것이다. 먼저 후보
별 댓글 참여자수는 안철수가 116명으로 가장 높았으며, 다음으로 문재인 105명, 홍준표 73명 순이
다. 1인당 평균댓글수의 경우 홍준표가 6.13개로 가장 높았으며, 다음으로 문재인 5.23개, 안철수
4.76개 순이다. 즉 안철수 동영상의 경우 참여자 수가 높아지면서 평균 댓글수가 낮아졌으며, 홍준
표 동영상의 경우 그 반대로 참여자수가 낮아 1인당 평균 댓글수가 높아진 것이다.
Table 3. Network indices across candidates
Index Moon Jae-in Ahn Cheol-soo Hong Jun-pyo
Number of commenters 105 116 73
Average comments per person 5.23 4.76 6.13
Density
density 0.0087 0.0080 0.0129
std dev 0.093 0.089 0.113
Hierarchy connectedness 0.4115 0.3297 0.3261
Degree
out-degree 0.0592 0.1147 0.0573
in-degree 0.0883 0.0533 0.0573
Diversity hierarchical (cut-off point) 3(0.0096) 3(0.0040) 2(0.0184)
다음으로 주요 분석지표인 밀도를 보면, 문재인은 세 후보 중 평균연결성이 가장 낮다. 서로 연
결되어 있는 것보다 특정 하위그룹에 닫혀있는 형태를 보인다. 안철수는 세 후보와 비교하여 중간
정도의 평균연결성을 보이고 있으며, 표준편차는 가장 낮아 이용자들 사이의 편차가 작음을 알 수
있다. 홍준표는 세 후보 중 평균연결성이 가장 높다. 또한 세 후보와 비교하여 하위그룹이 보다 덜
닫혀있는 형태로 참여자간 서로 교류하고 있는 형태였다.
계층성을 보면, 문재인은 세 후보 중 위계성이 가장 높았다. 즉, 유튜브 이용자 사이에서 유력자
가 존재하여 계층성이 높은 것이다. 반면, 안철수는 문 후보의 댓글망보다는 계층성이 낮아 사람들
간에 상대적으로 수평적인 관계를 맺고 있는 것으로 나타났다. 마찬가지로 홍준표는 문 후보의 댓
글망보다는 위계성이 낮아 사람들 간에 상대적으로 수평적인 관계를 맺고 있는 것으로 나타났다.
독점성을 보면, 문재인의 댓글망에서는 안 후보에 비해 내향집중도가 높아 특정 이용자로 댓글
이 몰리는 경향이 나타났다. 안철수의 경우 외향집중도가 높은 것으로 나타났는데 이는 특정인이
많은 댓글을 남겼기 때문이다. 홍준표의 경우 외·내향집중도가 같은 수치로 나와 댓글이 특정인에
게 몰리는 현상이 나타나지 않았다.
다양성을 보면, 문재인은 하위그룹이 세 그룹으로 나누어지며, 하나의 큰 그룹과 두 개의 작은
그룹이 형성되어 있다. 안철수는 문재인과 동일하게 세 그룹으로 나누어져 있지만, 문재인보다는
작은 중간 그룹 두 개와 작은 그룹이 하나 형성되어 있다. 홍준표는 하위그룹이 두 그룹으로 나누
어지며, 두 그룹이 반반씩 나뉘어진 모습을 띈다. Figure 1~2는 각 후보별로 댓글을 올린 사람들
사이의 댓글망 관계를 시각화한 것으로 시각화 도구로 Netdraw를 사용하였다. 홍준표의 댓글망은

7.
2017년 대통령 후보수락 연설 유튜브 동영상의 댓글망과 의미망 분석 1385
지면 부족과 가독성을 높이기 위해 생략하였다.
Figure 1. Moon’s comment network graph Figure 2. Ahn’s comment network graph
후보별 댓글망의 밀도 값에 대한 부트스트랩(bootstrap) 기반의 퍼뮤테이션(permutation) 검정을 수
행하였다. 퍼뮤테이션 검정은 UCInet 소프트웨어에 내장된 옵션을 이용하였다(Borgatti, Everett,
Freeman, 2002). Table 4를 보면, 문재인과 안철수의 밀도 값 차이는 통계적으로 유의미하지 않았으
나, 문재인과 홍준표 그리고 안철수와 홍준표의 밀도 값 차이는 유의확률(p-value) 1%에서 통계적
으로 유의미하였다.
Table 4. Comparing densities across candidates
Density(matrix average)
(Standard deviation)
No. of ties Moon Ahn Hong
Moon
0.0087
(0.093)
95 - 0.0007 -0.0042**
Ahn
0.0080
(0.089)
107 - -0.0049**
Hong
0.0129
(0.113)
68 -
**Significant at p < 0.01
4.2. 유튜브 댓글 키워드 분석
유튜브 메시지의 패턴을 살펴보기 위해 댓글 키워드 분석을 실시하였다. 먼저 각 댓글 데이터의
형태소 분석은 Mecab을 활용하여 명사형으로 추출하였으며, 빈도를 도출하였다.
Table 5에 각 후보별 상위 빈도 20위 단어를 보면, 먼저 문재인의 경우 인물로 ‘이재명’, ‘안희
정’ 등 민주당 경선과정의 경쟁자 및 안철수 후보가 상위에 나타났으며, 관련하여 ‘경선’도 상위에
나타났다. 또한 후보의 대선 메시지인 ‘적폐 청산’이 댓글 상에서 나타나 캠페인 구호가 언급되고
있음을 확인할 수 있었다.
안철수의 경우 ‘목소리’가 115건으로 가장 많이 언급되었는데, 이는 후보의 목소리 톤의 변화에
유권자의 관심이 높아 빈도 역시 상위에 나타났다. 그 외 ‘표절’, ‘오바마’ 등 안철수 후보의 연설

8.
김찬우, 박효찬, 박한우1386
과 오바마 전 미국 대통령의 연설이 유사한 점을 언급하는 댓글이 나타났다. 그 외 경쟁자인 ‘문재
인’과 ‘이재명’이 언급되었으며, ‘생각’의 댓글 작성자가 “내 생각에는”이라는 식으로 댓글을 작성
하면서 빈도가 높은 것이다. 홍준표의 경우 ‘김진태’, ‘남재준’, ‘인명진’, ‘박근혜’ 등 박근혜 정권
을 지지 혹은 옹호하는 집단의 인물이 함께 나타났으며, ‘보수’, ‘태극기’, ‘애국’, ‘우파’ 등 기존
보수 집단에서 내세우고 있는 단어가 상위에 나타났다.
Table 5. Word frequency analysis
No
Moon Jae-in Ahn Cheol-soo Hong Jun-pyo
word freq word freq word freq
1 문재인(Moon Jae-in) 113 안철수(Ahn Cheol-soo) 136 홍준표(Hong Joon-pyo) 249
2 이재명(Lee Jae-myeong) 100 목소리(voice) 115 대통령(President) 187
3 대통령(President) 89 국민(nation) 89 김진태(Kim Jin-tae) 165
4 후보(candidate) 81 대통령(President) 82 보수(conservatism) 155
5 지지(support) 59 나라(country) 79 후보(candidate) 146
6 국민(nation) 54 철수(Cheol-soo) 76 의원(congressman) 77
7 사람(person) 36 표절(plagiarism) 76 남재준(Nam Jae-joon) 75
8 지지자(supporter) 35 연설(speech) 71 국민(nation) 70
9 안희정(Ahn Hee-jung) 34 말(word) 70 인명진(In Myeong-jin) 68
10 민주당(Democratic Party) 34 사람(person) 60 탄핵(impeachment) 65
11 생각(think) 28 후보(candidate) 46 태극기(Taegeukgi) 60
12 안철수(Ahn Cheol-soo) 27 문재인(Moon Jae-in) 44 문재인(Moon Jae-in) 55
13 정권(regime) 27 이재명(Lee Jae-myeong) 37 애국(patriotism) 51
14 선거(election) 26 생각(think) 36 박근혜(Park Geun-hye) 51
15 힘(power) 25 지지(support) 34 나라(country) 50
16 시장(mayor) 24 정치(politics) 32 조작(fabrication) 49
17 경선(race) 24 보수(conservatism) 27 용서(forgiveness) 49
18 나라(country) 23 오바마(Obama) 26 지지(support) 48
19 적폐(a deep-rooted evil) 21 댓글(comment) 25 선거(election) 47
20 청산(clean up) 20 지지자(supporter) 25 우파(right-wing) 47
댓글 키워드 분석 결과 문재인의 댓글의 경우, 경선 후보들간의 갈등을 봉합하고, 민주당이 힘
을 합쳐 정권교체를 이루어내자는 댓글이 나타났다. 기존 민주당지지 세력이 결집한 모습을 보였
다. 특히 계층성 지표에서 보듯 유력인을 중심으로 메시지가 전달되고 있어 적극적인 지지자의 활
동이 많았다는 것을 알 수 있다. 반면, 안철수의 댓글에서는 호감이든 비호감이든 연설에서의 목소
리를 지적함과 동시에, 연설문 표절 논란이라는 두 이슈를 중심으로 댓글이 전개되었다. 문재인과
달리 지지자와 함께 부동층을 포함한 반대자들이 혼재되어 있어 이슈 몰이에 성공했다고 볼 수 있
다. 마지막으로, 홍준표의 댓글에서는 나머지 두 후보와는 상관없이 ‘태극기 집회’로 대표되는 보
수 집단의 표현이 그대로 사용되는 모습이 나타났다. 이는 보수 후보로 댓글 작성에 있어 반대자
의 유입은 거의 없었으며 성향이 뚜렷한 지지자들이 결집하였다고 볼 수 있다.
Table 6은 각 후보별 댓글의 단어쌍 상위 10위 빈도수 결과이다. 먼저 문재인의 경우 ‘문재인-대
통령-되다’의 후보에 대한 지지와 더불어 ‘정권 교체’, ‘적폐 청산’ 등의 후보 메시지가 상위에 나
타났다. 반면 민주당 경선 이후 당내 갈등이 해소 되지 않은 상황이라 ‘이재명 시장’, ‘부정 선거’
등 경쟁 후보와 후보 선출 과정에 대한 불만 역시 함께 나타나고 있었다.
다음으로 안철수의 경우 ‘안철수-대통령’은 상위에 나타나지 않고 ‘안철수-후보’와 ‘대통령-되다’
가 분리되어 나타났다. 즉 안철수 후보가 대통령과 함께 연상되어 댓글 상에 나타나지 않았다. 또

9.
2017년 대통령 후보수락 연설 유튜브 동영상의 댓글망과 의미망 분석 1387
한 안철수 후보의 목소리 톤(‘가래-끓다’)이나 연설문에 대한 비판(‘오바마-연설-표절’)이 상위에 나
타났다.
홍준표의 경우 다른 후보에 비해 ‘홍준표-대통령’은 상위에 언급되지 않고 오히려 ‘박근혜-대통
령’이 상위에 나타났다. 특히 박근혜 전 대통령에 대한 언급이 홍준표 후보(‘홍준표(홍)-후보’)보다
더 높은 빈도를 보였다. 그 외 자유한국당 소속 의원이면서 박근혜 탄핵 반대 인물로 많이 알려진
김진태 의원이 홍준표 후보보다 더 높게 언급되는 특징을 보였다. 즉 홍준표 후보의 지지는 박근
혜 대통령의 탄핵 반대 집단의 결집으로 나타났으며, 후보 역시 이러한 집단을 대표하고 있기 때
문에 이러한 결과가 나타난 것이다.
Table 6. Bigram analysis
No
Moon Jae-in Ahn Cheol-soo Hong Jun-pyo
word1 word2 freq word1 word2 freq word1 word2 freq
1
대통령
(President)
되다
(become)
21
대통령
(President)
되다
(become)
19
김진태
(Kim Jin-tae)
의원
(congressman)
60
2
문재인
(Moon Jae-in)
대통령
(President)
17
이재명(Lee
Jae-myeong)
지지자
(supporter)
10
김진태
(Kim Jin-tae)
후보
(candidate)
33
3
정권
(regime)
교체
(change)
15
안철수(Ahn
Cheol-soo)
후보
(candidate)
10
박
(Park)
대통령
(President)
30
4
적폐(a deep-
rooted evil)
청산
(clean up)
15
가래
(phlegm)
끓다
(obstructive)
9
애국
(patriotism)
시민
(citizen)
23
5
이재명(Lee
Jae-myeong)
시장
(mayor)
15
연설
(speech)
표절
(plagiarism)
8
박근혜(Park
Geun-hye)
대통령
(President)
22
6
부정
(rigged)
선거
(election)
12
국민
(nation)
나라
(country)
8
남재준(Nam
Jae-joon)
장군
(general)
18
7
이재명(Lee
Jae-myeong)
지지자
(supporter)
9
국민
(nation)
당
(party)
7
홍
(Hong)
지사
(governor)
18
8
후보
(candidate)
지지자
(supporter)
9
문
(Moon)
죄인
(offender)
7
홍준표(Hong
Joon-pyo)
후보
(candidate)
17
9
후보
(candidate)
지지
(support)
8
진보
(progress)
나라
(country)
6
홍
(Hong)
후보
(candidate)
17
10
지지
(support)
후보
(candidate)
8
오바마
(Obama)
연설
(speech))
6
남재준(Nam
Jae-joon)
후보
(candidate)
16
5. 결론
유튜브는 선거 캠페인에서 중요한 요소로 작용하고 있다. 후보자의 목소리, 태도, 몸짓을 통해
메시지를 전달할 수 있으며, 유권자는 실시간으로 댓글을 통해 반응을 남길 수 있어 더 많은 관심
을 보이고 있다. 이것에 착안하여, 이 논문은 19대 대선 후보자의 후보수락 연설문 유튜브 동영상
댓글망 데이터를 활용하여 후보자에 대한 유권자의 의견을 살펴보는데 초점을 맞추었다. 주요 대
선 후보인 문재인, 안철수, 홍준표 후보의 후보수락 동영상 중 댓글이 많은 동영상을 선정하여 사
회연결망 주요 지표인 밀도, 계층성, 독점성, 다양성을 기준으로 댓글망을 분석하였으며, 댓글 텍스
트는 빈도 분석과 단어쌍 분석을 실시하였다. 연구결과를 간략하게 요약하면 다음과 같다.
첫째, 분석지표인 밀도, 계층성, 독점성, 다양성 중 밀도는 차기 대통령을 예측하는데 중요한 변
인이 아닌 것으로 나타났다. 반면 계층성과 독점성, 다양성의 경우 일정 부분 영향을 주는 것으로
나타났다. 계층성의 경우 유력자가 존재하게 되고 이로 인하여 집중도가 높아져 독점성이 높아지
게 된다. 특히 많이 댓글을 남기는 것보다는 댓글이 몰리는 내향집중도가 중요한 지표로 나타났다.

10.
김찬우, 박효찬, 박한우1388
다양성의 경우 댓글망 내 적극적인 지지자가 큰 그룹이 여론을 주도해 형성하는 것이 중요했다.
둘째, 댓글의 경우 후보의 메시지가 댓글 상에서도 함께 사용되는 것이 중요한 것으로 나타났다.
문재인 후보의 댓글의 경우 문재인-대통령으로 강하게 나타난 반면, 안철수 후보는 후보자의 목소
리 톤에 대한 비판과 연설문 표절이 주를 이루고 있었고, 홍준표 후보는 ‘태극기 집회’로 대표되는
보수 집단의 메시지가 나타났으며 후보보다는 해당 집단이 강조되는 양상을 보였다.
본 연구는 유튜브 댓글 데이터를 이용하여 유튜브 연구 및 선거캠페인 분석에 있어 새로운 분
석지표와 연구방향을 제시했다는 점에서 학술적 의미와 더불어 사회적 가치도 있다. 반면 각 후보
자는 선거 캠페인 기간 동안 다양한 이슈를 제공하고 이에 유권자도 영향을 받게 된다. 따라서 후
보수락연설 전후로 기간을 확장하여 분석하여 분석지표의 활용 가능성을 높일 필요성이 있다.
References
Borgatti, S. P., Everett, M. G., Freeman, L. C. (2002). Ucinet 6 for Windows: Software for social network analysis,
Harvard, MA: Analytic Technologies.
Burgess, J., Green, J. (2009). YouTube: Digital media and society series, Cambridge: Polity.
Chatzopoulou, G., Sheng, C., Faloutsos, M. (2010). A first step towards understanding popularity in YouTube, In
INFOCOM IEEE Conference on Computer Communications Workshops, 1-6.
Cho, I. H., Choi, S. C., Park, H. W. (2015). Speech acts in televised presidential debates and Facebook messages:
The case of the 2012 South Korean presidential election, Journal of the Korean Data Analysis Society, 17(3),
1185-1201.
Choe, J. W., Lee, D. G. (2014). Trends 21 corpus: Public web resources and search tools, Korean Culture
Research, 64, 3-23. (in Korean).
Griffiths, T. L., Steyvers, M. (2004). Finding scientific topics, Proceedings of the National Academy of Sciences,
101(1), 5228-5235.
Gumbel, A. (2006). The ‘YouTube elections’: How campaigns are being scrutinised as never before, The
Independent. http://www.independent.co.uk/news/world/americas/the-youtube-elections-how-campaigns-are-being-
scrutinised-as-never-before-6230297.html.
Hong, J. H., Ryu, C. R. (2014). Issue diffusion of nationalism via SNSs : Based on issue diffusion cycle and user's
reactivity and closeness centrality in network, Korean Journal of Journalism & Communication Studies, 58(6),
181-214. (in Korean).
Hyun, K. M. (2008). A study of user behavior pattern of UCC (user created contents) in the light of
expectancy-value theory, Korean Journal of Journalism & Communication Studies, 52(5), 227-254. (in
Korean).
Javis, J. (2007). The YouTube campaign: Why YouTube gets my vote for political, The Guardian.
Kim, M. K., Cho, S. Y. (2015). How Korean government agencies use social media and how visitors respond? - A
content analysis of 18 Korean government agencies Facebook and visitors comment, Journal of Public
Relations, 19(3), 1-37. (in Korean).
Kim, T. W., Park, E. J., Cho, S. Z. (2015). Using bigram for online topic detection in Korean news articles,
Proceedings of Korean Institute of Information Scientists and Engineers, 2071-2073. (in Korean).
Kim, B. D., Sohn, S. H. (2008). Diversity of the UCC on the 18th parliamentary election: Its potential and
limitations as a civic participatory media, Korean Journal of Journalism & Communication Studies, 52(5),
295-319. (in Korean).
Lee, K. (2014). 9 informative infographics to guide your visual content marketing, Buffer. https://blog.
bufferapp.com/infographics-visual-content-marketing.
Lee, W. T. (2007). Video UCC and presidential election campaigns in U.S. and Korea: Case studies and its political
implications, Journal of Cyber communication Academic Society, 22, 167-235.

11.
2017년 대통령 후보수락 연설 유튜브 동영상의 댓글망과 의미망 분석 1389
Lee, K. M., Kim, C. H., Park, H. W. (2017). Network analysis of SNS-mediated learning community: A Facebook
group ‘magic of flipped-learning’, Journal of the Korean Data Analysis Society, 19(2), 873-884. (in Korean).
Lee, Y. O., Park, H. W. (2013). E-campaigning versus the public official election act in South Korea: Causes,
consequences and implications of cyber-exile, Aslib Journal of Information Management, 65(4), 388-405.
Lee, Y. O., Park, H. C., Park, H. W., Kluver, R. (2017). The 2016 candlelight protest in a hybrid media system,
Journal of the Korean Data Analysis Society, 19(2), 885-896. (in Korean).
Lim, S. H., Jeong, I. K., Kim, Y. S. (2007). Effects of political UGCs on the viewer's attitudes towards the
candidate and politics, Korean Journal of Journalism & Communication Studies, 51(6), 267-287. (in Korean).
Lizza, R. (2006). The YouTube election, The New York Times.
Mehrabian, A. (1981). Silent messages: Implicit communication of emotions and attitudes, Belmont, CA: Wadsworth
Mislove, A., Marcon, M., Gummadi, M. K., Druschel, P., Bhattacharjee, B. (2011). Measurement and analysis of
online social networks, In Proceedings of the 5th ACM/USENIX Internet Measurement Conference (IMC'07),
29-42.
Nicola, D. B. (2010). Bibliometrics and citation analysis (Metrics Information Research Forum, Trans), Seoul: KISTI
Palmer, M. F. (2012). Virtual communities, social networks and collaboration, Annals of Information Systems.
Park, H. W., Lee, Y. O. (2009). A mixed text analysis of user comments on a portal site: The `BBK scandal' in
the 2007 presidential election of South Korea, Journal of the Korean Data Analysis Society, 11(2), 731-744.
(in Korean).
Park, J. W., Seok, S. I., Park, H. W. (2016). Web feature and co-mention analyses of open data 500 on education
companies, Journal of the Korean Data Analysis Society, 18(4), 2067-2078. (in Korean).
Triglia, S. (2013). Elegant N-gram Generation in Python, Locally Optimal. http://locallyoptimal.com/blog/2013/
01/20/elegant-n-gram-generation-in-python.
Sayer, P. (2007). France bans citizen journalists from reporting violence, IDG News Service.
Susarla, A., Oh, J. H., Tan, Y. (2012). Social networks and the diffusion of user-generated content: Evidence from
YouTube, Information Systems Research, 23(1), 23-41.
Thelwall, M. (2014). Big data and Social web research methods, University of Wolverhampton. http://www.scit.wlv.
ac.uk/~cm1993/papers/IntroductionToWebometricsAndSocialWebAnalysis.pdf.
Yoganarasimhan, H. (2012). Impact of social network structure on content propagation: A study using YouTube data,
Quantitative Marketing and Economics, 10(1), 111-150.
Yoon, H. G. (2013). Research on the application methods of big data within the cultural industry, The Journal of
Global Cultural Contents, 10, 157-179. (in Korean).
Yu, P., Hu, M., Kim, N. (2007). Social network analysis: YouTube[On-line], http://www-personal.umich.edu/
~ladamic/courses/networks/si508f07/projects/youtube.pdf.

12.
김찬우, 박효찬, 박한우1390
Presidential Nomination Acceptance Speeches on YouTube in South
Korea
Chan Woo Kim
1
, Hyo Chan Park
2
, Han Woo Park
3
2)
Abstract
This study is based on a case study of the most recent presidential election of South
Korea in 2017. Public comments of the most popular Youtube video clips, when candidates
give nomination speeches, are examined using reply-to network analysis, word frequency
analysis, and bi-gram analysis. The findings reveal that Youtubers supporting the leading
candidate Moon Jae-in were more connected among themselves than Youtubers associated
with the other candidates. The salient features expressed in peer comments also differed
between Moon and his competitors. Youtubers tended to make positive comments supporting
Moon, such as those arguing that he is qualified enough to be a leader. Further, his key
messages were emphasized in video-based faceless texts. On the other hand, Ahn Cheol-soo
received negative comments that included those satirizing his growling voice. For Hong
Jun-pyo, Youtubers were divided into pro-Park Geun-hye (immediate ex-President who was
impeached) and anti-Park camps. This study provides a useful indicator for those interested
in analyzing social media-mediated text data, such as the importance of Youtube.
Keywords : Presidential nomination acceptance speech, YouTube, Reply-to network,
Bi-gram.
1
Researcher in Unification Research Institute, Yeungnam University, 280, Daehak-ro, Gyeongsan-si,
Gyeongsangbuk-do, Zip Code 38541, Republic of Korea. E-mail : yeture@ynu.ac.kr
2
Researcher in Cyber Emotions Research Institute, Master student, Interdisciplinary Program of Digital
Convergence Business, YeungNam University, 280, Daehak-ro, Gyeongsan-si, Gyeongsangbuk-do, Zip
Code 38541, Republic of Korea. E-mail : dhdkia11@naver.com
3
(Corresponding Author) Director in Cyber Emotions Research Institute, Professor, Dept of Media &
Communication, Interdisciplinary Program of Digital Convergence Business, YeungNam University, 280,
Daehak-ro, Gyeongsan-si, Gyeongsangbuk-do, Zip Code 38541, Republic of Korea.
E-mail : hanpark@ynu.ac.kr
[Received 20 May 2017; Revised 17 June 2017; Accepted 20 June 2017]