• 분석과 대안
• /
• 제6권2호
• /
• pp.79-115
• /
• 2022

이 글의 목적은 정치적 양극화에 기여한 요인을 분석하는 것이다. 최근 정치학은 정서적 양극화 즉 정당과 지지자 간의 대립적 현상을 놓고 논쟁 중이다. 이 논쟁은 정서적 양극화의 기원에 대해 전혀 다른 관점에서 접근하는데 정당일체감 대 회고적 투표의 오랜 논쟁과 맞닿아 있다. 정서적 양극화의 원인에 대해 두 가지 입장이 경쟁한다. 첫째는 정당일체감의 전통을 이어 내집단과 외집단에 대한 개인의 편향적 태도가 정서적 양극화의 원인이라고 주장한다. 전통적 관점은 집단적 사고의 근거 자체에 대해서는 불가지론적 입장이었으나 사회심리학이 제시한 집단적 편향을 수용하여 이를 정서적 양극화의 기반으로 삼는다. 둘째는 정서적 양극화는 이념적 차이에 기초하며 이념과 정책선호의 차이가 정당 간 편향성으로 발전한다고 간주한다. 이념적 양극화는 양극화가 집단 간의 상징적 차이가 아니라 회고적 투표이론과 마찬가지로 도구적 차이에 기인한다고 주장한다. 정서적 양극화는 정치참여, 투표 등에 중대한 영향을 준다. 이 글은 이념과 정책선호 또는 정당일체감을 위시한 집단적 편향 등이 정치적 선택에 미치는 효과를 검토함으로써 양 주장을 비교할 것이다. 이 글은 세 가지 결과를 제시한다. 첫째, 후보선택에 가장 큰 영향을 미치는 요인은 정책선호이다. 정책선호 면에서 개인 책임을 선호하는 개인과 정부지원을 지지하는 개인이 각각 트럼프와 바이든 후보를 선택할 가능성은 53.7%와 70.4%로 26.4% 포인트 차이가 있다. 둘째, 정당일체감 효과는 팽팽하다. 공화당 지지자에 비해 민주당 지지자가 트럼프를 선택할 가능성은 42.4% 포인트 낮다. 반대로 공화당 지지자가 바이든을 선택할 확률은 민주당 지지자에 비해 48.7% 포인트 낮다. 셋째, 정서적 양극화를 의미하는 반대정당지지층에 대한 적대감 효과를 보면 민주당지지층에 대한 적대감이 트럼프 지지에 미치는 효과는 26.5% 포인트이다. 한편 공화당지지층에 대한 적대감이 바이든 지지에 미치는 효과는 13.7% 포인트이다. 이처럼 트럼프 지지에는 민주당지지층에 대한 적대감이 더 큰 영향을 행사한다. 그 외 주관적 이념도 후보선택에 중요한 영향을 보인다.

• 지능정보연구
• /
• 제19권3호
• /
• pp.141-156
• /
• 2013

최근 소셜미디어는 전세계적 커뮤니케이션 도구로서 사용에 전문적인 지식이나 기술이 필요하지 않기 때문에 이용자들로 하여금 콘텐츠의 실시간 생산과 공유를 가능하게 하여 기존의 커뮤니케이션 양식을 새롭게 변화시키고 있다. 특히 새로운 소통매체로서 국내외의 사회적 이슈를 실시간으로 전파하면서 이용자들이 자신의 의견을 지인 및 대중과 소통하게 하여 크게는 사회적 변화의 가능성까지 야기하고 있다. 소셜미디어를 통한 정보주체의 변화로 인해 데이터는 더욱 방대해지고 '빅데이터'라 불리는 정보의 '초(超)범람'을 야기하였으며, 이러한 빅데이터는 사회적 실제를 이해하기 위한 새로운 기회이자 의미 있는 정보를 발굴해 내기 위한 새로운 연구분야로 각광받게 되었다. 빅데이터를 효율적으로 분석하기 위해 다양한 연구가 활발히 이루어지고 있다. 그러나 지금까지 소셜미디어를 대상으로 한 연구는 개괄적인 접근으로 제한된 분석에 국한되고 있다. 이를 적절히 해결하기 위해 본 연구에서는 트위터 상에서 실시간으로 방대하게 생성되는 빅스트림 데이터의 효율적 수집과 수집된 문헌의 다양한 분석을 통한 새로운 정보와 지식의 마이닝을 목표로 사회적 이슈를 포착하기 위한 실시간 트위터 트렌드 마이닝 시스템을 개발 하였다. 본 시스템은 단어의 동시출현 검색, 질의어에 의한 트위터 이용자 시각화, 두 이용자 사이의 유사도 계산, 트렌드 변화에 관한 토픽 모델링 그리고 멘션 기반 이용자 네트워크 분석의 기능들을 제공하고, 이를 통해 2012년 한국 대선을 대상으로 사례연구를 수행하였다. 본 연구를 위한 실험문헌은 2012년 10월 1일부터 2012년 10월 31일까지 약 3주간 1,737,969건의 트윗을 수집하여 구축되었다. 이 사례연구는 최신 기법을 사용하여 트위터에서 생성되는 사회적 트렌드를 마이닝 할 수 있게 했다는 점에서 주요한 의의가 있고, 이를 통해 트위터가 사회적 이슈의 변화를 효율적으로 추적하고 예측하기에 유용한 도구이며, 멘션 기반 네트워크는 트위터에서 발견할 수 있는 고유의 비가시적 네트워크로 이용자 네트워크의 또 다른 양상을 보여준다.

• 지능정보연구
• /
• 제27권1호
• /
• pp.83-102
• /
• 2021

2020년 8월 정부는 한국판 뉴딜을 뒷받침하기 위한 공공기관의 역할 강화방안으로서 각 공공기관별 역량을 바탕으로 5대 분야에 걸쳐 총 20가지 과제를 선정하였다. 빅데이터(Big Data), 인공지능 등을 활용하여 대국민 서비스를 제고하고 공공기관이 보유한 양질의 데이터를 개방하는 등의 다양한 정책을 통해 한국판 뉴딜(New Deal)의 성과를 조기에 창출하고 이를 극대화하기 위한 다양한 노력을 기울이고 있다. 그중에서 한국무역보험공사(KSURE)는 정책금융 공공기관으로 국내 수출기업들을 지원하기 위해 여러 제도를 운영하고 있는데 아직까지는 본 기관이 가지고 있는 빅데이터를 적극적으로 활용하지 못하고 있는 실정이다. 본 연구는 한국무역보험공사의 수출신용보증 사고 발생을 사전에 예측하고자 공사가 보유한 내부 데이터에 기계학습 모형을 적용하였고 해당 모형 간에 예측성과를 비교하였다. 예측 모형으로는 로지스틱(Logit) 회귀모형, 랜덤 포레스트(Random Forest), XGBoost, LightGBM, 심층신경망을 사용하였고, 평가 기준으로는 전체 표본의 예측 정확도 이외에도 표본별 사고 확률을 구간으로 나누어 높은 확률로 예측된 표본과 낮은 확률로 예측된 경우의 정확도를 서로 비교하였다. 각 모형별 전체 표본의 예측 정확도는 70% 내외로 나타났고 개별 표본을 사고 확률 구간별로 세부 분석한 결과 양 극단의 확률구간(0~20%, 80~100%)에서 90~100%의 예측 정확도를 보여 모형의 현실적 활용 가능성을 보여주었다. 제2종 오류의 중요성 및 전체적 예측 정확도를 종합적으로 고려할 경우, XGBoost와 심층신경망이 가장 우수한 모형으로 평가되었다. 랜덤포레스트와 LightGBM은 그 다음으로 우수하며, 로지스틱 회귀모형은 가장 낮은 성과를 보였다. 본 연구는 한국무역보험공사의 빅데이터를 기계학습모형으로 분석해 업무의 효율성을 높이는 사례로서 향후 기계학습 등을 활용하여 실무 현장에서 빅데이터 분석 및 활용이 활발해지기를 기대한다.