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.

페이스북 댓글을 통해 살펴본 대구·경북(TK) 촛불집회

371 visualizações

Publicada em

2016년 촛불집회는 과거와 달리 수도권뿐만 아니라 지방에서도 전개되었다. 그러나 서울 광화
문 광장 이외에서 진행된 촛불집회에 대한 사회적 관심은 그 중요성에 비해서 주목받지 못했다.
이 연구는 지방의 촛불집회 특히, 대통령의 정치적 고향인 대구·경북(TK) 촛불집회에 주목하였
다. 본 논문은 페이스북에 남겨진 데이터를 이용해 촛불집회에 나타난 TK지역 여론의 행위자와
댓글의 내용을 검토한다. 첫째, 페이지의 운영주체에 따라 페이스북 이용자 행위의 차이가 있는
지 살펴보았다. 둘째, 집회유형에 따른 댓글의 의견과 그 전개양상이 다른지 살펴보았다. 분석방
법으로 이용자 반응분석, 연결망분석(social network analysis), 의미망분석이 사용되었다. 연구결과,
페이스북 이용자들의 관심도, 참여율, 응집도는 전통 미디어에서 운영한 페이지보다 시민참여형
UCC(user created content) 페이지에서 높게 나타났다. 집회유형으로 보면, 촛불집회 댓글들과 비
교해 ‘박사모’ 반응에서 노인폄하 단어 등 부정적 단어들이 더 자주 출현했다. 이 연구는 페이스
북 댓글 데이터를 이용해서 기존에 자주 수행된 마케팅과 선거캠페인을 넘어서 새로운 연구방향
을 제시했다는 점에서 학술적 의미뿐만 아니라 사회적 가치가 있다.

Publicada em: Dados e análise
  • Entre para ver os comentários

  • Seja a primeira pessoa a gostar disto

페이스북 댓글을 통해 살펴본 대구·경북(TK) 촛불집회

  1. 1. Journal of the Korean Data Analysis Society (August 2017) Vol. 19, No. 4 (B), pp. 2107-2120 페이스북 댓글을 통해 살펴본 대구·경북(TK) 촛불집회* 박효찬1 , 박한우2 1) 요 약 2016년 촛불집회는 과거와 달리 수도권뿐만 아니라 지방에서도 전개되었다. 그러나 서울 광화 문 광장 이외에서 진행된 촛불집회에 대한 사회적 관심은 그 중요성에 비해서 주목받지 못했다. 이 연구는 지방의 촛불집회 특히, 대통령의 정치적 고향인 대구·경북(TK) 촛불집회에 주목하였 다. 본 논문은 페이스북에 남겨진 데이터를 이용해 촛불집회에 나타난 TK지역 여론의 행위자와 댓글의 내용을 검토한다. 첫째, 페이지의 운영주체에 따라 페이스북 이용자 행위의 차이가 있는 지 살펴보았다. 둘째, 집회유형에 따른 댓글의 의견과 그 전개양상이 다른지 살펴보았다. 분석방 법으로 이용자 반응분석, 연결망분석(social network analysis), 의미망분석이 사용되었다. 연구결과, 페이스북 이용자들의 관심도, 참여율, 응집도는 전통 미디어에서 운영한 페이지보다 시민참여형 UCC(user created content) 페이지에서 높게 나타났다. 집회유형으로 보면, 촛불집회 댓글들과 비 교해 ‘박사모’ 반응에서 노인폄하 단어 등 부정적 단어들이 더 자주 출현했다. 이 연구는 페이스 북 댓글 데이터를 이용해서 기존에 자주 수행된 마케팅과 선거캠페인을 넘어서 새로운 연구방향 을 제시했다는 점에서 학술적 의미뿐만 아니라 사회적 가치가 있다. 주요용어 : 촛불집회, 페이스북, 댓글, 연결망분석, 의미망분석. 1. 서론 2016년 10월 24일 태블릿PC 의혹보도가 도화선이 되어 대통령의 하야를 요구하는 촛불집회가 서울 광화문에서 시작되어 전국적으로 빠르게 확산되었다(Lee, Park, Park, Kluver, 2017). 박근혜 대 통령의 정치적 고향인 대구·경북(TK)에서도 변화의 기운이 감지되었다. 2012년 대통령 선거에서 TK지역은 전국 평균 투표율 75.8%보다 높은 79.7%(대구)와 78.5%(경북)의 투표율을 보이면서 20년 만에 가장 높은 투표율을 기록했다. 당시 박근혜 후보에게 전국 평균 득표율 51.55%에 비해 훨씬 많은 80.14%(대구)와 80.82%(경북)로 역대 가장 많은 표를 몰아줬다. 그러나 촛불집회 사건 이후 ‘콘크리트 지지기반’이라고 불렸던 TK지역의 지지율이 한 자리로 추락하였으며, 20대는 0%를 기록 하기도 했다(Jung, 2016). 그리고 TK지역의 집회 참가자도 점차 늘어나 5차 집회에는 약 5만여 명 이 집결했다. 대통령뿐만 아니라 청와대와 국회를 비판하는 시민의 목소리가 전통미디어와 소셜미디어에서 어떤 정치인도 피해갈 수 없을 정도로 폭포수처럼 쏟아져 나왔다. 특히 소셜미디어는 시민들의 촛 불집회 현장을 라이브로 전달하는 등 관련 콘텐츠의 확대·재생산을 통해 여론형성에 큰 기여를 했 다. 그런데 TK지역의 여론은 대통령 지지율 하락과 촛불집회 참여인원으로만 알려져 있었다. 따라 * 이 논문에 포함된 감성분석을 도와 준 손기준님과 최성철님에게 감사드립니다. 1 38541 경북 경산시 대학로 280, 영남대학교 사이버감성연구소 연구원, 디지털융합비즈니스학과 석사과정. E-mail : dhdkia11@naver.com 2 (교신저자) 38541 경북 경산시 대학로 280, 영남대학교 사이버감성연구소 소장, 언론정보학과·디지털융합비즈 니스학과 교수. E-mail : hanpark@ynu.ac.kr [접수 2017년 5월 6일; 수정 2017년 6월 20일, 2017년 8월 2일; 게재확정 2017년 8월 5일]
  2. 2. 박 효 찬, 박 한 우2108 서 이번 연구의 목적은 페이스북 데이터를 이용하여 TK지역의 촛불집회 현상을 해부하는 것이다. 구체적으로 말해서, 페이스북 페이지의 운영주체와 집회유형에 따른 댓글 전개양상의 차이점을 살 펴보고, 연결망분석과 의미망분석을 통해 TK지역 여론을 검토한다. 운영주체에 따른 차이는 페이 스북 이용자의 행위에 초점을 맞추었으며, 집회유형에 따른 차이는 이용자의 댓글에 초점을 맞추 어 연구를 진행할 것이다. 2. 문헌검토 및 연구문제 2.1. 페이스북 분석의 기존 연구 방향 소셜미디어는 일상적 의견과 상호작용을 나타내는 새로운 공간이다. 따라서 소셜미디어 데이터 에 대한 정부와 기업의 관심이 증가하고 있다(Kennedy, 2014). 소셜미디어의 게시물은 데이터 마이 닝 및 의사소통 분석을 위한 잠재력이 가득하다(Felt, 2016). 특히 페이스북은 다른 소셜미디어와는 달리 주로 본인이 오프라인에서 이미 알고 있는 사람을 대상으로 관계를 맺고, 일상과 감정을 교 류하는 상호작용 서비스를 제공하고 있다(Yoon, Lim, 2012). 또 한 가지 중요한 기능은 이용자들이 컴퓨터나 모바일을 통해 페이스북에 접속할 때 본인의 담벼락이 아니라 뉴스피드에 먼저 접속한다 는 것이다(Lee, Kim, Ahn, 2013). 뉴스피드에 자신이 좋아하는 페이지나 그룹에 좋아요를 누름으로 써 원하는 정보를 구독하는 효과를 누릴 수 있다. 관심있는 사안에 적극적으로 댓글을 달거나 좋 아요 버튼을 눌러 게시물에 대한 공감을 나타내기도 한다(Yang, Kim, Seo, 2012). 이러한 점을 비추 어볼 때 어떤 사건에 대한 사람들의 순간적이고 생생한 반응 수집이 필요한 경우, 페이스북 데이 터는 사후에 이루어지는 전통적 여론조사가 놓치는 현상들을 발견하고 모을 수 있다(Rudder, 2015). 현재 이루어지고 있는 페이스북에서의 이용자 반응과 관련한 연구는 Lee, Kim(2012)의 연구처럼 기업의 마케팅 커뮤니케이션에서의 효과분석을 다루거나, Park, Park(2014)의 연구에서 선거기간 후 보자들의 영향력을 분석한 것이다. 나아가 Park, Park(2015)의 연구에서는 서울시 교육감 선거의 여 론과 이슈에 따른 네트워크분석을 실시하였다. 선행연구에서 보듯 대부분의 페이스북 분석은 마케 팅과 선거캠페인에 한정되어 있다. 2.2. 촛불집회와 정치적 동원 소셜미디어에서 발생하는 선거캠페인분석은 정당과 사회조직의 정치적 동원(political mobilization) 을 중심으로 진행했다. 정치적 동원이란 선거과정에서 자신을 지지하는 유권자를 선거장으로 이끌 거나 선거 부동층의 지지를 유도하기 위해 선거유세, ARS, 문자, 이메일, 소셜미디어 등 다양한 방 식으로 유권자와 접촉하는 행위 일체를 뜻한다(Kim, 2012). 소셜미디어에서 나타난 정치적 동원과 관련한 대표적 연구로 Park, Cho(2013)는 소셜미디어의 정치적 동원기능을 비판적으로 검토하고 18 대 대선 기간 동안의 트위터를 활용한 선거캠페인을 분석했다. Lim(2012)의 연구는 사회적 자본으 로서 소셜미디어가 우리나라의 정치문화 및 선거문화에 어떠한 영향을 미쳤는지를 논의하였다. 이 밖에 연구도 대부분 선거국면에서의 정당 캠페인에 한정되어 있으며, 연구 당시 이용자가 가장 많 았던 트위터에서의 정치 커뮤니케이션 현상 분석이었다. 이번 촛불집회에서 나타난 시민의 반응과 행동은 그 주체가 의도하지 않았지만 정치적 동원 행위가 되었다. 촛불집회는 이제 우리나라에서 정치의사를 표현하는 중요한 방식의 하나가 되었으며, 이번 집회는 기성 언론이 시민의 관심사에 제대로 부응하지 못하는 상황 속에서 소셜미디어를 통한 새로운 커뮤니케이션 방식의 경험을 제공 하였다고 볼 수 있다(Won, 2016). 그리고 우리나라의 소셜미디어 이용점유율은 이미 2015년 기준으
  3. 3. 페이스북 댓글을 통해 살펴본 대구·경북(TK) 촛불집회 2109 로 페이스북이 77.1%로 트위터의 22.1%의 3배 이상으로 나타났다(Kim, 2015). 따라서 페이스북을 중심으로 촛불집회의 정치적 동원 양상이 어떻게 펼쳐지는지를 다각도로 검토해 볼 것이다. 2.3. 연결망분석을 이용한 페이스북 댓글분석 한 이슈에 대해 댓글이 남겨졌다는 것은 사람들이 해당이슈에 주목했다는 것을 보여주는 일종 의 신호이다(Lee, Kim, Park, 2017). 포털사이트의 뉴스에 반응하는 댓글뿐만 아니라 페이스북에서 댓글을 통한 의사표현도 점점 많아지는 추세이다. 하나의 댓글이 발생함과 동시에 쌓이는 대댓글 은 비정형적 빅데이터의 원천이며, 사람들의 드러난 의견과 숨겨진 심리를 파악할 수 있는 자원이 다(Kim, Song, Kwon, 2015). Anstead, O'Loughlin(2011)은 TV 프로그램을 보며, 소셜미디어를 통해 실시간으로 댓글을 작성하는 시청자 집단인 ‘뷰어태리어트’(Viewertariat)의 등장을 일찍이 주장하였 다. 이제는 전통매체인 TV를 꼭 이용하지 않더라도, 소셜미디어에서 제공하는 실시간 방송중계 기 능을 통해 누구라도 뉴스를 생산하고 유포할 수 있다. 나아가 운영자와 이용자들은 서로 채팅하듯 의견을 실시간으로 주고받는 시대가 되었다. 소셜미디어 댓글을 분석하면 그 내용뿐만 아니라 사 람들의 감춰진 관계도 추적 가능하다(Park, Park, 2015). 이러한 숨은 관계를 찾아낼 때 연결망분석 (social network analysis, 이하 SNA)이 자주 사용된다. 따라서 이번 연구에서는 SNA를 통해 이용자 의 행위와 댓글 패턴을 살펴볼 것이다. 그리고 시청 플랫폼의 변화로 인해 기존 주류 매체들도 변 화를 받아들여 소셜미디어에서의 콘텐트 생산과 그에 대한 반응을 살피고 있는 중이다. 전통 미디 어는 자신의 계정이 소셜미디어상에서 많은 사람에게 도달할 수 있도록 기존 정보전달 방식과는 다른 다양한 콘텐트를 제공하고 있다(Kim, 2011). 그 중 TK지역의 전통 미디어 가운데 촛불집회 다큐멘터리를 유일하게 제작·방송했던 지역방송국 페이지와 시민들의 참여로 운영되는 UCC(user created content) 페이지와의 비교를 통해 지역의 여론형성과 시사점을 살펴볼 것이다. 특히 페이스 북에 나타난 촛불집회를 집회유형에 따라 분류하여, 촛불집회 포스트(이하 Rally)와 이와 반대되는 의견을 가진 ‘박사모’(박근혜를 사랑하는 사람들의 모임, 이하 Parksamo)집회 포스트를 채택하여 연 결망과 의미망을 풍부하게 분석할 것이다. 정리하면 운영주체에 따른 차이는 페이스북 이용자의 행위와 연결망에 초점을 맞추었으며, 집회유형에 따른 차이는 이용자의 댓글 내용에 초점을 맞추 어 연구를 진행할 것이다. 2.4. 연구문제 TK지역 촛불집회에서 나타난 문제의식과 문헌검토를 통해 도출한 연구문제는 다음과 같다. 연구문제1. TK지역 촛불집회에 대한 페이스북 이용자들의 반응은 어떠한가? 구체적으로 페이스 북 페이지 운영주체에 따른 이용자의 행위는 어떠한가? 연구문제2. 집회의 성격에 따라 댓글의 연결망과 의미망의 구조는 어떠한 특성을 보이는가? 더 불어 댓글의 의미망에 나타나는 단어와 단어에 드러나는 감성의 차이는 어떠한가? 3. 연구방법: 데이터수집과 분석기법 3.1. 데이터 수집 데이터 수집일자는 2016년 11월 28일에 일어난 5차 촛불집회를 선정하였다. 이날은 역대 TK지 역에서 열린 촛불집회 중 최다인원(주최측 추산 5만여 명)이 운집하였고, 김제동의 대구방문과 ‘박
  4. 4. 박 효 찬, 박 한 우2110 사모’가 서문시장 하야 반대 시위도 같이 펼쳐지며 페이스북 이용자의 반응도 가장 활발하게 일어 난 시기였다. 데이터를 수집할 페이지는 운영주체를 기준으로 전통 미디어인 ‘대구MBC 탐구생활’ (이하 DG MBC)과 시민들의 참여로 운영되는 ‘실시간 대구’(이하 Real time in Daegu)를 선정하였 다. 두 페이지를 선정한 이유는 TK지역을 기반으로 하는 페이지들 중 가장 많은 수의 팔로어 (follower)를 보유하고 있기 때문이다. ‘DG MBC’는 TK지역 신문사와 방송사 중에서 가장 많은 8만 여 명의 팔로어를 보유하고 있다. ‘Real time in Daegu’도 마찬가지로 팔로우 수가 ‘대구’라는 명칭 이 들어간 페이지 가운데 가장 많다(Son, 2017). 2017년 3월 15일 기준으로 대구관광(팔로우 5만4천 여 명), 대구경찰(팔로우 2만9천여 명), 대구은행(팔로우 1만9천여 명) 등 관공서, 기업 커뮤니티와 는 비교할 수 없는 수준의 팔로어를 거느리고 있다. 그뿐만 아니라 페이지 운영자는 시민들의 제 보를 받아 사실 여부 확인 후 게재하여 페이지의 신뢰성을 확보하고 있다(Son, 2017). 두 페이지가 전통 미디어와 UCC 채널로써 운영주체에 따른 이용자들의 활동 유형 차이를 살펴보기에 적절하다 고 판단하였다. 포스트는 Table 1과 같이 운영주체와 집회유형에 따라 한 포스트씩 선정하였다. DG MBC는 박사모 포스트가 없었으며, Real time in Daegu에서 시민이 제보한 박사모 영상클립의 댓글을 수집하였다. Table 1. Page administrator and types of rallies Page and Post (Post URLs) DG MBC Real time in Daegu Rally O(https://www.facebook.com/811506275570687 _1123423221045656) O(https://www.facebook.com/395814273919284 _685104994990209) Parksamo X O(https://www.facebook.com/395814273919284 _684981375002571) 3.2. 분석 기법 페이스북에 남겨진 댓글과 개개인의 ‘좋아요’ 클릭 수와 게시물 공유 수 등은 이용자들의 활동 패턴을 보여주는 유용한 피드백 데이터이다(Kim, Jin, 2013). 페이스북 댓글은 여러 소셜미디어에서 손쉽게 데이터를 불러올 수 있는 NodeXL을 이용하였다(Smith, 2014). NodeXL은 페이스북이 제공하 는 Graph API 2.8버전을 기반으로 데이터 수집이 이루어진다(Facebook, 2017). 운영주체에 따른 TK 지역의 반응을 살피기 위해 각 포스트별로 조회 수, 좋아요 수, 공유 수와 댓글이 받은 좋아요 수 를 정리하였다. 이용자 분석은 그들이 남긴 흔적으로 이루어진 댓글 지표를 통해 살펴보았다. 연결망분석(SNA)은 수학의 그래프 이론을 바탕으로 발전한 것으로, 페이스북에서 개인과 개인을 이어주는 중개자와 빅마우스 역할을 하는 사람을 찾는데 활용된다(Kim, Kang, 2014). 구체적으로 말하면, SNA는 개인, 조직, 국가, 웹사이트, 도시, 논문, 단어 등 노드(node) 또는 버티스(vertice)로 불리는 분석대상을 그들 사이의 링크(link) 또는 엣지(edge)로 불리는 연결망으로 나타내는 방법이 다(Park, 2012). 페이스북에서는 포스팅을 올리거나 댓글을 남기는 사람이 노드이며, 댓글을 남기는 어떤 두 사람들 사이의 대댓글 관계가 엣지이다. 다시 말하면, 엣지는 노드와 노드 사이의 관계를 표현해주며, 엣지에는 노드들 사이의 보이지 않는 많은 정보가 들어있다. 연결망분석은 NodeXL을 이용하여 수집한 페이스북 이용자 간 댓글-대댓글 데이터를 시각화하고 그 구조를 분석하였다. 의미망분석(semantic analysis)은 개념이 포함된 단어를 노드로 하고 단어들 간의 공출현 관계를 엣지로 설정하여 텍스트에 내재된 숨겨진 내용을 찾는 것이다(Kim, Jun, 2014). 의미망분석을 위해 서는 비정형의 텍스트 데이터 상태에서 자연어처리와 형태소분석을 통해 정제하는 과정이 필요하 다(Jung, 2011) 이 과정에서 도출된 의미망은 여론 변화와 이슈 흐름, 그리고 트렌드를 추적하기 위
  5. 5. 페이스북 댓글을 통해 살펴본 대구·경북(TK) 촛불집회 2111 해 사용할 때 유용하다(Griffiths, Steyvers, 2004). 의미망을 통해 매체와 이슈에 따라 차별적으로 사 용되는 단어들 간 연결흐름을 살펴보는 것이다. 다대다(多大多) 커뮤니케이션이 일어나는 소셜미디 어에서 이용자들은 인지적 노력이 필요한 이슈에 높은 관여도를 보여서 댓글을 남기거나 공유하기 때문이다(Kim, Cho, 2015). 따라서 페이스북에 남겨진 댓글의 단어들에 기반한 의미망분석은 이슈 와 여론을 분석하는 데 도움이 될 수 있다. 지프의 법칙(Zipf's law)에 따르면 모든 단어 중에서 상 위 20%의 단어가 실제 언어 구사에 80% 정도 쓰인다고 한다(Nicola, 2010). 이것은 페이스북 댓글 에서 특정 단어와 표현이 얼마나 자주 쓰이는지를 분석하면 이용자들의 의식을 알아낼 수 있다는 것을 시사한다. 더불어 이 연구에서는 단어가 가지고 있는 긍정적 또는 부정적 감성분석을 통해 촛불집회에 대한 페이스북 이용자들의 잠재적인 태도를 살펴본다. 의미망 분석을 위해, 수집된 댓글은 1차적으로 한국어 분석툴인 KrKwic을 통하여 정제하였으며 (Park, Leydesdorff, 2004), 빈출 단어순으로 이슈어를 선정한 후 공출현 단어를 중심으로 단어를 분 류하였다. 의미망의 시각화와 레이아웃은 네트워크 분석 프로그램 UCINET의 add-in 파일인 Netdraw에서 Principal Component 레이아웃 옵션을 이용하였다(Borgatti, Everett, Freeman, 2002). 마지 막으로 댓글의 긍정과 부정을 판단하는 감성분석은 koNLPy라는 자연어처리 프로그램을 이용하여 정제하였다(Park, Cho, 2014). 정제된 단어를 빈도순으로 정렬하여 2번 이상 출현한 단어 중 연구자 가 지정한 긍·부정어 사전을 만들고, –2(부정)에서 2(긍정)까지(0은 중립, 제외)로 단어에 점수를 부여하고 각 점수에 해당하는 단어를 집계하였다(Hu, Liu, 2004). 연결망과 의미망 그림은 지면 관 계상 가독성이 떨어지므로 아래 링크(https://www.slideshare.net/carrotpark92/ss-77062883)에서 확대 이 미지를 볼 수 있다. 각 페이지와 포스트의 용어 사용에 있어서 운영주체와 집회유형을 명확히 구분하였다. 운영주체 를 중심으로 설명할 때는 ‘DG MBC’와 ‘Real time in Daegu’로, 집회유형을 중심으로 설명할 때는 ‘Rally 1’, ‘Rally 2’, ‘Parksamo’로 구분하였다. 운영주체와 집회유형을 모두 설명할 때는 페이지명와 포스트명을 모두 병기하였다. 4. 연구결과 4.1. 페이지 운영주체에 따른 이용자의 행위 먼저 페이지 운영주체에 따른 이용자의 활동성을 살펴본다. Table 2는 이용자의 페이지에 대한 활동성을 알 수 있는 지표이다. ‘DG MBC’ 페이지의 좋아요 수(86,437명)는 TK지역 언론사 페이지 중에 최상위권에 속한다. 그렇지만 ‘Real time in Daegu’와 비교하면, ‘DG MBC’ 페이지에 대해서 이야기하고 있는 사람이 13,478명으로 ‘Real time in Daegu’의 86,569명보다 훨씬 적었다. 그리고 ‘DG MBC’는 페이지 내에서 활동한 사람, 즉 페이지의 활성도를 나타내는 지표도 ‘Real time in Daegu’(57.3%)에 비해 상대적으로 낮은 수치(15.6%)가 나왔다. 이야기하는 사람들이 많아질수록 해 당 페이지의 게시물이 더 많은 페이스북 사용자에게 도달할 수 있고 외부인들로부터 적극적 반응 을 이끌어 낼 수 있다. Table 2. Background information on Facebook pages under investigation (As of November 28, 2016) Pages activity DG MBC Real time in Daegu People talking about this page 13,478 86,569 Likes toward this page 86,437 151,081 This page’s activity (%) 15.6 57.3
  6. 6. 박 효 찬, 박 한 우2112 Table 3은 ‘DG MBC’와 ‘Real time in Daegu’에 올라온 Rally와 Parksamo와 관련된 포스트의 조회 수, 좋아요 수, 댓글 수, 공유 수를 정리한 것이다. ‘DG MBC’ 페이지는 조회 수와 댓글수가 ‘Real time in Daegu’에 비해 적었던 반면에, 공유는 더 많이 이루어졌다. ‘DG MBC’의 포스트가 공유된 채널(개인계정, 페이지, 그룹)을 직접 방문한 결과, 지역민들이 운영하는 페이스북 친교모임들이 대 부분이었다. 반면 Parksamo 관련 포스트는 많은 조회 수와 반응(좋아요)을 나타내고 있었지만, 공유 수는 세 포스트 가운데 가장 낮았다. ‘Real time in Daegu’ 이용자들은 댓글과 좋아요를 이용하여 반응을 즉각적으로 나타낸 반면 ‘DG MBC’의 이용자들은 신속하게 대응하지 않았다. 그렇지만 ‘DG MBC’를 향한 이용자들의 호응은 해당 페이지에만 머물지 않고 다른 페이스북 이용자들에게 공유되어 더 많은 사람들이 시청할 수 있게 되었다. Table 3. Views, likes, comments, and shares per post Page DG MBC Real time in Daegu Post Rally 1 Rally 2 Parksamo Views 15,000 31,000 57,000 Likes 377 1,318 1,269 Comments 131 340 759 Shares 79 61 14 Table 4는 각각의 댓글이 받은 좋아요 수를 분류한 것이다. 한 댓글이 받은 좋아요 수와, 전체 댓글에서 좋아요를 몇 개를 받았는지를 백분율로 나타냈다. 좋아요(반응)가 있는 것과 없는 것의 차이는 곧 댓글 내용의 질과 공감의 차이를 분류하는 데 도움을 줄 수 있다. 댓글에서 좋아요 반 응을 받은 비율을 살펴보면, Rally 1과 Rally 2는 좋아요 수는 2배 넘게 차이가 나지만 같은 촛불집 회 컨텐트로서 유사한 좋아요 비율을 보였다. 거의 모든 이용자가 단순히 촛불집회에 대한 응원의 반복적인 메시지가 대부분을 차지한 영향으로 판단된다. 반면, Parksamo 포스트에서는 좋아요를 31 개 이상 받은 댓글이 7개나 되었는데, Parksamo에 달린 댓글이 좀 더 이용자들에게 공감의 의사표 시를 이끌어 내는 내용이었음을 짐작할 수 있다. Table 4. Number of likes per comment in post Posts No. of comments Number of likes per comment (%) 0 1 2~10 11~20 21~30 31~ Rally 1 131 115(87.79) 12(9.16) 4(3.05) 0 0 0 Rally 2 340 279(82.06) 48(14.12) 13(3.82) 0 0 0 Parksamo 759 686(90.38) 51(6.72) 10(1.32) 3(0.40) 3(0.40) 7(0.92) 4.2. 댓글 연결망 구조 이용자들의 댓글 행위를 통해 연결된 이용자들의 특징을 살펴보고, SNA를 통해 누가 주목을 받 았는지 살펴볼 것이다. 먼저 Table 5는 각 포스트에 어느 한 이용자가 댓글을 몇 개를 남겼는지 보 여준다. ‘DG MBC’에서는 두 번 이상 댓글을 남긴 이용자가 약 42%로 절반에 육박한다. 이것은 이용자들이 마치 채팅하듯이 댓글을 작성하였다는 것을 의미한다. 실제 댓글 내용도 질문과 답변 이 연속적으로 이루어지는 모습을 볼 수 있었으며, 특히 ‘DG MBC’ 운영자가 이용자들과 활발한 소통을 보였다. 반면 ‘Real time in Daegu’ Rally와 Parksamo에서는 2번 이상 올린 이용자는 약 27% 와 15%로 ‘DG MBC'와 비교해 상대적으로 낮게 나타났다. ‘Real time in Daegu’ Rally와 Parksamo 에서는 운영계정과 이용자들 간 상호교류는 없었으며, Parksamo 집회를 옹호하기보다 비판적인 시
  7. 7. 페이스북 댓글을 통해 살펴본 대구·경북(TK) 촛불집회 2113 각을 보인 댓글이 많았다. Table 5. Facebook users and their comments Page Post No. of users Number of comments (%) Once More than once DG MBC Rally 1 52 30(57.69) 22(42.31) Real time in Daegu Rally 2 197 143(72.59) 54(27.41) Parksamo 619 526(84.98) 93(15.02) 한편, Table 6은 댓글을 올린 이용자가 연결망에서 차지한 위치를 찾기 위해 중심성(centrality)을 측정하는 3개 지표를 계산하고 Pearson 상관관계를 제시하였다. 메시지의 방향(edge)에 따라 댓글을 받는 위치인 내향성(indegree), 댓글을 밖으로 보내는 외향성(outdegree), 직접적 관계뿐만 아니라 간 접적 연결을 고려한 위세성(eigenvector)을 계산하였다. 내·외향성과 위세성이 통계적으로 유의한 수 준에서 상관관계를 보였다. Parksamo에서 내향성과 위세성의 상관관계가 0.876으로 가장 높은 값을 나타냈는데, 이는 대댓글이 많이 모이는 곳에 유력자가 존재한다는 것을 암시한다. 요약하면, 내· 외향성에 기반한 연결망에서 이용자의 호혜적 권위가 간접적 위세에도 영향을 준다는 점에서 흥미 롭다. Table 6. Person correlations between centralities Posts Rally 1 Rally 2 Parksamo Central In Out Eigen In Out Eigen In Out Eigen In - -0.106 0.829*** - -0.048 0.765*** - -0.052 0.876*** Out - - 0.469*** - - 0.584*** - - 0.355*** Significant at *** p < 0.001, In=Indegree, Out=Outdegree, Eigen=Eigenvector Table 7은 댓글과 대댓글의 관계를 보여주는 연결망의 전체적 구조를 보여주는 지표이다. 유니 크 엣지(이용자들 사이의 중복 댓글관계를 제외한 것, 중복 관계는 두 사람이 댓글을 여러 번 주고 받는다는 것을 의미함)값을 보면 ‘DG MBC’가 가장 낮았다. 다시 말해서 ‘DG MBC’에서 중복관계 가 많다. 이것은 ‘DG MBC’ 운영자와 개별 이용자 사이에 서로 쌍을 이루며 댓글 주고받기에 대한 높은 충성도를 시사한다. 반면 ‘Real time in Daegu’의 Parksamo에서는 유니크 엣지가 중복 엣지보 다 더 많았다. 연결성의 평균값도 Parksamo에서 가장 높았다. Parksamo 페이지는 휘발성 커뮤니티 를 형성하면서 소위 1회성 대화가 많이 이루어졌다. 그럼에도 불구하고, Parksamo에서 이용자들은 친구에게 댓글로 태그를 걸어 공유하면서 부정적 상황을 공감하기도 하였고, 일부 옹호 댓글에 대 해서는 반대 의견을 가진 행위자와의 논쟁을 벌이기도 했다. 셀프 루프(자기 자신과 연결된 엣지) 도 Parksamo에서 높게 나온 이유는 1번째 사람이 올린 댓글에 2번째 사람이 대댓글을 달고 1번째 사람이 다시 대답하는 과정이 빈번히 일어났기 때문이다. 이는 전체 댓글에서 대댓글이 차지하는 비율에서도 Parksamo가 약 28%로 가장 높은 것과 일치한다. 한편 ‘DG MBC’의 셀프 루프 값은 13 이다. 이것은 운영자가 자신의 포스트에 답변 댓글을 많이 남긴 것을 의미한다. 즉 운영자가 다른 댓글 행위자들과 소통이 많이 이루어졌다는 것을 볼 수 있다. 하지만 운영자와 개별 댓글간의 한 번의 댓글 교환이 대부분이므로 신중한 해석이 필요하다. Figure 1은 NodeXL의 시각화 기능을 통해서 댓글과 대댓글의 관계로 이루어진 연결망을 표현한 것이다. 노드(점)는 각 포스트에 댓글을 남긴 사람들이며 선(엣지)은 댓글을 남긴 이용자 간 관계를 의미한다. 포스트에 댓글만 남긴 이용자는 회색 선과 포스트를 올린 운영자와 연결되어 있으며, 초
  8. 8. 박 효 찬, 박 한 우2114 록색 선은 처음 올린 댓글에 이용자끼리 대댓글(원댓글에 다시 댓글을 올리는 행위)로 연결된 관 계이다. 먼저 ‘DG MBC’에서는 이용자 간 대댓글은 없었으나, 운영자와 방문자들 사이의 활발한 소통이 특징적이었다. 반면 ‘Real time in Daegu’ Rally 2에서 이용자들은 페이스북 친구를 태그하면 서 메시지를 공유하고 그 친구가 해당 태그에 대한 답장을 하고 있었다. Parksamo에서 이용자들은 초록선이 얽힌 모습에서 볼 수 있듯이 실타래처럼 대화하듯 댓글을 계속 남겼다. 촛불집회 시국에 서 열세적 상황에 놓인 Parksamo의 댓글망이 가장 촘촘한 모습을 보인 것은 이용자들이 보내는 비 난의 결과라는 점이 주목할 만하다. 그리고 지역 소식을 전하기 위한 목적으로 개인이 운영하고 이용자가 직접 컨텐트를 만들어내는 UCC 페이지에서의 교류활동이 언론사 페이지보다 더 활발했 다는 점도 눈여겨 볼만한 대목이다. Table 7. Overall Metrics Page DG MBC Real time in Daegu Post Rally 1 Rally 2 Parksamo Nodes 53 198 612 Unique edges (%) 31(23.31) 156(40.52) 682(65.33) Edges with duplicates (%) 102(76.69) 229(59.48) 362(34.67) Total edges 133 385 1044 Self-loops 13 14 74 Average degree 0.981 1.066 1.273 Replying to one’s own comment (%) 0 11.17 28.26 a. DG MBC: Rally 1 b. Real time in Daegu: Rally 2 c. Real time in Daegu: Parksamo Figure 1. Comment-reply network graph 4.3. 댓글 의미망 분석 Table 8은 댓글에서 나온 총 단어 수와 중복단어 수를 보여준다. 중복단어란 의미나 형태가 유 사한 것을 말한다. 뒤집어 말하면, 비(非)중복된(unique) 단어 수가 많을수록 댓글에 나타난 어휘와 표현이 다양하다는 것을 의미한다. ‘DG MBC’의 중복단어 출현율이 약 11%로 가장 높았고, Parksamo에서 약 9%로 가장 낮았다. 이것은 앞서 설명한 바대로, ‘DG MBC’에서 운영자와 이용자 사이에 쌍을 이루며 서로 간 간단히 호응하거나 성원하는 메시지가 많았기 때문이다. ‘DG MBC’에 서 이용자끼리 서로 비슷한 표현으로 커뮤니티를 구성했다면, Parksamo 이용자들은 자신의 감정을 뚜렷하게 드러내는 단어를 많이 사용하면서 독자적인 선명성을 부각했다. 다음으로 핵심적인 단어들로 78개의 이슈어를 선정하였다. Table 9는 선정한 이슈어 10개와 출
  9. 9. 페이스북 댓글을 통해 살펴본 대구·경북(TK) 촛불집회 2115 현율을 보여준다. 이슈어를 살펴보면 공통적으로 ‘ㅋ'이 1위를 차지하였다. 소셜미디어 이용자들이 자신의 흥분된 느낌을 즉각적으로 드러내기 위해서 이 단어를 의례적으로 사용한다. 따라서 ‘ㅋ'은 소셜미디어 댓글에서 빈번히 출현하는 표현이다. ‘ㅋ'이 어느 단어와 함께 쓰이며 어떤 의미로 쓰 였는지 살펴보는 것이 중요하다. Parksamo에서 ‘ㅋ’이 1/3 이상 차지하면서 가장 높았다. 이것은 Parksamo에 대한 냉소적이거나 조롱을 우회적으로 반영한다. Rally 1에서는 촛불집회를 응원하며, 현재 상황을 알리는 단어들이 많다. Rally 2에서는 ‘욕’이라는 단어가 눈에 띄었다. 이 단어는 촛불 집회에 초대된 김제동을 옹호하거나 비난하는 사람들 간 설전에서 자주 출현했다. 그리고 이용자 들은 대통령과 집권여당의 지지기반인 TK지역 전체를 이번 사태의 책임자들로 간주하면서 ‘욕’을 사용하였다. Parksamo 댓글에서 ‘하야’와 ‘반대’가 같이 쓰인 이유는 대통령 퇴진을 거부하는 시위 문구를 자주 언급했기 때문이다. 재미있게도 Parksamo에서 ‘집회’와 의미는 같지만 어감이 다른 ‘시위’라는 단어를 더 많이 사용하고 있었다. ‘뭐’라는 단어도 ‘대체 뭐하는 짓이지?’, ‘이게 뭐냐’ 등 상인들의 영업활동에 지장을 미치고 있는 시위대의 행동 자체를 헐뜯는 댓글이 있었다. Table 8. Word counts in comments Page Post Number of total words Number of duplicate words Percentage of duplicate words DG MBC Rally 1 316 35 11.08 Real time in Daegu Rally 2 732 69 9.43 Parksamo 2,772 237 8.55 Table 9. Top ten words and their occurrence ratios Rally 1 Rally 2 Parksamo Word Ratio(%) Word Ratio(%) Word Ration(%) online slang that represents gigging(ㅋ) 20.57 online slang that represents gigging(ㅋ) 28.55 online slang that represents gigging(ㅋ) 37.52 Jedong Kim(제동) 5.06 Jedong Kim(제동) 5.87 online slang that means laugh-out-loud(ㅎ) 3.57 online slang that means laugh-out-loud(ㅎ) 3.48 emoticon that looks like crying(ㅠ) 4.78 demonstration(시위) 2.74 step down(하야) 3.16 Daegu(대구) 2.73 opposition(반대) 1.98 Daegu(대구) 1.90 fighting(파이팅) 2.46 step down(하야) 1.91 Banwoldang(반월당) 1.90 step down(하야) 2.05 people(사람) 1.52 emoticon that looks like crying(ㅠ) 1.90 swearing(욕) 1.91 emoticon that looks like crying(ㅠ) 1.48 hardship(고생) 1.58 people(사람) 1.50 What(뭐) 1.44 다음으로 각 포스트의 댓글에서 자주 언급된 이슈어들의 의미망을 시각화하였다(Figure 2, 확대 버전은 링크에서 확인가능). 노드는 포스트(네모)와 단어(원)이며, 엣지는 포스트에 출현한 단어가 연결된 모습이다. 세 포스트에서 모두 등장하는 공통단어(빨강색)와, 포스트 하나에서만 등장하는 단어(파란색, 노란색), 그리고 두 포스트에서 등장하는 단어(초록색, 갈색, 보라색)가 있다. 먼저 공 통적으로 등장하는 단어는 ‘박근혜’, ‘그네’, ‘하야’와 같은 촛불집회의 원인, 목적, 의의와 관련한 단어가 나타났으며, 데이터 수집대상이 된 11월 28일이 눈발이 비치고 쌀쌀한 날씨여서 그와 관련 한 단어도 등장하였다. 그리고 ‘ㅋ', ‘ㅎ', ‘ㅠ', ‘ㅡㅡ’ 등과 같이 감정을 드러내는 온라인 용어와 이모티콘들이 있었다. ‘ㅎ’은 집회응원에 주로 쓰였지만, ‘ㅠ'와 ‘ㅡㅡ’은 Parksamo에 대한 심리적 불편함을 표현하는 동시에 안타까움을 강조하는 맥락에서 자주 보였다. 가장 주목해서 볼 것은
  10. 10. 박 효 찬, 박 한 우2116 Parksamo에서만 언급된 이슈어가 상대적으로 많이 등장한 것이다. Parksamo를 떠올렸을 때 생각나 는 이미지인 ‘태극기’와 ‘빨갱이’라는 단어부터 시작해서, ‘노인’과 ‘어르신’을 지칭하며 ‘틀니’와 ‘틀딱’ 등 노인을 비하하는 단어가 자주 등장하였다. 그리고 입에 담지 못할 비속어도 같이 등장하 고 있었으며, ‘한심’, ‘부끄’, ‘소름’, ‘일당’과 같은 단어로 국민들의 보편적인 상식과 배치되는 Parksamo의 모습을 보고 젊은 사람들이 느낀 감정이 격하게 나타나는 단어가 쓰였다. 세대 간의 갈등 양상을 상징하는 단어가 많이 등장하는 모습을 볼 수 있다. Figure 2. Semantic network graph 마지막으로 Table 10은 긍·부정어 사전을 만들어 감성어들이 댓글에서 얼마나 쓰였는지를 집계 한 결과이다. Rally 1에서는 긍정어가 많이 사용되었다. 촛불집회에 직접 참여한 시민들이 운영자 에 대한 고마움을 나타내는 ‘응원’, ‘화이팅’, ‘힘내다’ 등과 같은 단어들이다. 하지만 Parksamo에서 는 부정적 감성이 긍정어보다 약 3배나 더 많이 표출되었다. 박근혜 대통령의 하야와 퇴진 그리고 구속에 관련된 감정적 정서들이었다. 정치적 상황에 대한 비판과 더불어 ‘부끄럽다’, ‘일당’, ‘싫다’, ‘빨갱이’ 등과 같은 Parksamo를 향한 화내기나 적대적 단어가 자주 등장하였다. Table 10. Sentiment strength detection in words Page Strength of sentiment Number of negative words (%) Number of positive words (%) -2 -1 +1 +2 Rally 1 22(23.2) 13(13.7) 31(32.63) 29(30.53) Rally 2 56(25.45) 55(25.00) 58(26.36) 51(23.18) Parksamo 395(44.18) 304(34.00) 135(15.10) 60(6.71) Number of comments = 131(Rally 1), 340(Rally 2), 759(Parksamo) 집회유형에 따라 감성어 사용에서의 차이가 있는지 여부를 살펴보기 위해 일원배치 분산분석 (ANOVA)을 실시하였다(Table 11, Table 12). 분석 전, 가장 부정적인 단어와 긍정적인 단어를 4점
  11. 11. 페이스북 댓글을 통해 살펴본 대구·경북(TK) 촛불집회 2117 척도로 바꾸어 분석하였다. 분석결과 집회에 유형 간 차이가 없을 것이라는 귀무가설을 기각하고 유의확률(p-value) 1%에서 통계적으로 유의미하였다. Scheffe 통계량으로 각 집단의 평균 차이를 검 정했을 때, 유의확률 1%에서 Rally 2와 Parksamo 간의 감성어 사용에서 평균 차이가 유의미한 것 으로 나타났다. 따라서 집회유형에 따라 감성어 사용에 차이가 있다는 결론을 내릴 수 있다. Table 11. ANOVA table Sum of squares df Mean squares F Sig. Between groups 71.697 2 35.849 39.482 .000 Within groups 1068.685 1177 .908 Total 1140.382 1179 Number of words = 66(Rally 1), 220(Rally 2), 894(Parksamo) Table 12. Multiple comparisons (I) Posts (J) Posts Mean difference(I-J) Std. error Sig. 95% confidence interval Lower bound Upper bound Rally 1 Rally 2 -.336 .134 .043 -.066 -0.01 Parksamo .293 .122 .055 0.00 0.59 Rally 2 Rally 1 .336 .134 .043 0.01 0.66 Parksamo .629** .072 .000 0.45 0.81 Parksamo Rally 1 -.293 .122 .055 -0.59 0.00 Rally 2 -.629** .072 .000 -0.81 -0.45 Scheffe, Significant at ** p < 0.01 5. 결론 페이스북은 뉴스피드를 통하여 이용자들이 원하는 정보를 받으면 좋아요를 클릭하거나 쉽게 댓 글을 남길 수 있다. 이에 착안하여, 페이스북 댓글데이터를 통해 촛불집회에 대한 TK지역의 여론 을 살펴보는데 초점을 맞추었다. 운영주체가 다른 두 페이지를 선정하고, 성격이 다른 집회인 촛불 집회와 박사모집회에 따라 댓글의 의견형성과 이슈양상의 차이가 나타나는지 알아보았다. 집회에 대응한 사람들의 반응, 댓글을 올린 이용자들의 연결망, 댓글에 숨겨진 의미망분석을 실시하였다. 연구결과를 간략히 요약하면 다음과 같다. 첫째, 운영주체에 따른 이용자의 행위를 살펴보면 언론사에서 운영한 ‘DG MBC’ 페이지가 자발 적 UCC ‘Real time in Daegu’ 페이지보다 조회 수와 좋아요가 적었지만, 공유는 더 많이 이루어지 며 페이지의 직접적 이용자 집단을 넘어서서 게시물이 확산된 것으로 나타났다. 그리고 페이스북 이용자들은 촛불집회를 단순히 응원하는 댓글보다 감정적이고 논쟁적인 댓글에서 더 많은 반응을 보였다. 둘째, 연결망분석에서는 ‘DG MBC’ 운영자와 해당 페이지 방문자들이 댓글란을 채팅창으 로 사용하면서 활발한 대화를 진행한 것을 찾아냈다. 반면 Parksamo에서는 서로 다른 시각을 가진 사람들이 각각 자기의 주장을 댓글로 다투면서, 대댓글의 비율이 상대적으로 높게 나타났다. 셋째, 의미망분석에서는 페이지 운영주체의 차이보다 집회유형에 따른 차이가 극명하게 나타났다. Parksamo 댓글들을 보면, 대통령 관련이슈들에서 소셜미디어 이용자들끼리만 빈번하게 사용하는 ‘ㅋ', ‘ㅎ', ‘ㅠ'의 사용빈도가 높았다. Parksamo에서는 노인폄하와 지역갈등을 보여주는 단어가 많 이 나왔으며, 감성에서도 격한 모습이었다. 이 연구는 기존에 페이스북 연구에서 자주 수행된 마케팅과 선거캠페인을 넘어 댓글데이터를 계량화하여 TK지역 촛불집회의 온라인 여론흐름을 파악하여 광장에 모인 사람들의 의견과 태도를
  12. 12. 박 효 찬, 박 한 우2118 검토할 수 있는 연구방법을 제시했다는 점에서 학술적 의미뿐만 아니라 사회적 가치가 있다. 그리 고 운영주체와 집회유형 간 차이를 살펴봄으로써, 페이스북을 매개로 하더라도 전통 미디어와 시 민 참여형, 두 운영주체에 따라 의사소통 방식이 다른 양상으로 전개될 수 있다는 것을 보여주었 다. 후속 연구에서는 댓글망에 나타난 유력자에 대한 인터뷰를 진행하여 댓글게시행위와 현실참여 의 상관성을 질적으로 검토하는 것을 제안한다. References Anstead, N., O'Loughlin, B. (2011). The emerging Viewertariat and BBC question time: Television debate and real-time commenting online, The International Journal of Press/Politics, 16(4), 1-23. Borgatti, S. P., Everett, M. G., Freeman, L. C. (2002). UNICET 6 for Windows: software for social network analysis [computer program], Needham, MA: Analytic Technologies. Facebook (2017). Facebook for developers: Graph API. https://developers.facebook.com/docs/graph-api. Felt, M. (2016). Social media and the social sciences: How researchers employ big data analytics, Big Data & Society, 3(1), 1-15. Griffiths, T. L., Steyvers, M. (2004). Finding scientific topics, In Proceedings of the National Academy of Sciences, 101(1), 5228-5235. Hu, M., Liu, B. (2004). Mining and summarizing customer reviews, In Proceedings of the Tenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 168-177. Jung, S. G. (2016). Going to the bottom, Park Geun-hye approval rating 4%, in Daegu 3%. Mediatoday. (in Korean). Kam, M. A., Song, M. (2011). A study on differences of contents and tones of arguments among newspapers using text mining analysis, Bibliographic Information, 18(3), 53-77. (in Korean). Kennedy, H., Moss, G., Birchall, C., Moshonas, S. (2015). Balancing the potential and problems of digital methods through action research: Methodological reflections, Information, Communication & Society, 18(2), 172-186. Kim, H. G. (2011). An analysis of social media discourse on the agent in the press, International Journal of Contents, 11(6), 242-251. (in Korean). Kim, Y. H. (2015). SNS usage trend and usage behavior analysis, KISDI STAT Report, 7-12. (in Korean). Kim, Y. T. (2012). Party mobilization and voter turnout in the 19th general election, Journal of Korean Politics, 21(3), 45-69. (in Korean). 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, H. W., Jun, C. N. (2014). An exploratory study on content creation methods utilizing big data : Linguistic and story resources for effective creation of TV home shopping content, Journal of Cybercommunication Academic Society, 31(3), 5-51. (in Korean). Kim, S. R., Kang, M. M. (2014). Big data analysis technology today and future, Communications of the Korean Institute of Information Scientists and Engineers, 32(1), 8-17. (in Korean). Kim, J. H., Song, Y. E., Kwon, O. B. (2015). A method of predicting the evaluations about comments in online website, Journal of the Korea Society of IT Services, 14, 463-466. (in Korean). Lee, E. S., Kim, M. K. (2012). A study on companies' fan pages on Facebook as a marketing communication channel, Korea Advertising Society, 23(2), 31-55. (in Korean). Lee, E. S., Kim, Y. J., Ahn, J. S. (2013). Effects of brand self-disclosure and user social connectedness on response to Facebook brand fan pages, Journal of the Korea Contents Association, 13(8), 60-71. (in Korean). 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. C., Park, H. W., Kluder, R. (2017). The 2016 candlelight protest in a hybrid media system,
  13. 13. 페이스북 댓글을 통해 살펴본 대구·경북(TK) 촛불집회 2119 Journal of the Korean Data Analysis Society, 19(2), 885-896. (in Korean). Lim, D. J. (2012). Does SNS contribute to Korean political culture?, Discourse and Policy in Social Science, 5(2), 55-74. (in Korean). Nicola D. B. (2010). Bibliometrics and citation analysis (Metrics Information Research Forum, Trans), Seoul: KISTI Park, U. C. (2012). Relational approach for social network analysis, Journal of Korean Institute of Information Technology, 10(9), 143-151. (in Korean). Park, C. M., Cho, J. W. (2013). A critical review of Twitter political mobilization effect, Korean Party Studies Review, 12(2), 187-220. (in Korean). Park, E. L., Cho, S. (2014). KoNLPy: Korean natural language processing in Python, In Proceedings of the 26th Annual Conference on Human & Cognitive Language Technology, 133-136. (in Korean). Park, H. W., Leydesdorff, L. (2004). Understanding the Krkwic: A computer program for the analysis of Korean text, Journal of the Korean Data Analysis Society, 6(5), 1377-1387. (in Korean). Park, J. W., Park, H. W. (2014). Social network analysis among Facebook fan page co-commenters: Daegu-Gyeongbuk’s mayor·governor candidates, Journal of the Korean Data Analysis Society, 16(6), 3243-3253. (in Korean). Park, J. Y., Park, H. W. (2015). An exploratory semantic analysis in the dynamics of public opinion on Facebook: A case of the superintendent of Seoul office of education in South Korea, Journal of the Korean Data Analysis Society, 17(3), 1557-1571. (in Korean). Rudder, C. (2014). Dataclysm (Lee, G. Y., Trans.), Seoul: Darun. Smith, M. A. (2014). NodeXL: Simple network analysis for social media, In Encyclopedia of Social Network Analysis and Mining, 1153-1170. Son, S. W. (2017.03.21). Administer of facebook page 'Realtime in Daegu', The Yeongnamilbo. (in Korean). http://www.yeongnam.com/mnews/newsview.do?mode=newsView&newskey=20170317.010210752180001. Won, Y. (2016). South Korea’s historic candle light protests bring down president Park, International Journal of Socialist Renewal, http://links.org.au/south-korea-park-impeachment-candlelight-protests. Yang, H. S., Kim, J. H., Seo, M. H. (2012). Does Facebook enrich our social relations? : Examining the relationship among social psychological motivation, Facebook use behavior, and perceived social support, Korean Journal of Journalism & Communication Studies, 56(5), 270-297. (in Korean). Yoon, J. M., Lim, J. S. (2012). The market positioning analysis of social network services, Korean Journal of Broadcasting and Telecommunication Studies, 26(3), 416-457. (in Korean).
  14. 14. 박 효 찬, 박 한 우2120 Examining South Korea’s 2016 Candlelight Vigil using Publicly-Responded Data and Scraped Comments from Facebook Pages: Focusing on Taegu-Kyeongbuk (TK) Region Hyo Chan Park 1 , Han Woo Park 2 2) Abstract The present study examines South Korea’s 2016 candlelight protests to impeach President Geun-Hye Park. While hundreds of thousands of Koreans held a candlelight vigil around the country, comparatively little attention has been paid to Taegu-Kyeongbuk (TK) region that is well known as the political hometown of President Park. Using publicly-responded data and scrapped comments from Facebook pages with different characteristics, current study found that there were more comments and replies with pro-Park rally than anti-Park protest. However, there were more social interactions between moderator and Facebook users watching anti-Park protest, that was live-streamed by the Facebook page of a local TV station. The study also found that Facebook users expressed more negative feelings to rival-protest in TK over Park’s impeachment. In this study, we analyze many Facebook comments in order to understand the dynamics of civic protest. This is important because it has social and academic values. Keywords : Candlelight protest, Facebook, Comment, Network analysis, Semantic analysis. 1 Researcher in Cyber Emotions Research Institute, Master student, Interdisciplinary Program of Digital Convergence Business, YeungNam University, 280, Daehak-ro, Gyeongsan-si, Gyeongsangbuk-do, 38541, Republic of Korea. E-mail : dhdkia11@naver.com 2 (Corresponding Author) Director in n Cyber Emotions Research Institute, Professor, Dept of Media & Communication, Interdisciplinary Program of Digital Convergence Business, YeungNam University, 280, Daehak-ro, Gyeongsan-si, Gyeongsangbuk-do, 38541, Republic of Korea. E-mail : hanpark@ynu.ac.kr [Received 6 May 2017; Revised 20 June 2017, 2 August 2017; Accepted 5 August 2017]

×