|
연구요약
|
본 연구는 물리학의 퍼콜레이션(percolation)이론에 기반하여 왜 몇몇 확산 현상은 순식간에 여론을 장악하는 소셜 빅뱅[즉, 퍼콜레이션 효율(percolation efficiency)이 높은 상태] 현상으로 연결되지만, 다른 확산현상들은 소셜 네트워크 상에서 파편화되어 소셜 빅뱅에 이르지 못하고 퍼콜레이션 효율이 낮은 상태에서 끝나게 되는지에 대해 고찰하고 있다. 구체적으로, 본 연구는 다양한 특성을 가진 소셜 네트워크 상에서의 사용자들(예. 영향력 있는 인물, 숨은 실세, 보통의 인물, 전달자, 주변인 등)과 그들이 주고 받는 서로간의 관계(예. 들어오는 관계, 나가는 관계, 가교 관계, 중복 관계 등)가 어떻게 퍼콜레이션 효율에 영향을 주는지에 대해 관찰하였다. 그에 더해 우리는 본 연구를 통해 이러한 관계들이 크게 사회적 이슈와 산업에 관련된 이슈로 구분되는 온라인 상에서의 이슈에 대해 어떻게 다르게 나타나는지에 대해 고찰하였다.
이러한 현상의 온라인 소셜 네트워크 환경에서의 실증적 분석을 위하여, 우리는 먼저 산업 관련 이슈와 사회적 이슈에 대해 연구 기간 중 가장 대중적인 이슈를 각각 19개와 8개를 선정하였다. 이후 이렇게 선정된 27개의 이슈에 대한 실제 트위터(Twitter) 데이터를 다음소프트에서 운영하던 사회적 트렌드에 대해 분석하는 기업인 소셜메트릭스(SocialMetrics)로부터 제공받았다. 이러한 실제 트위터 데이터를 사용하여 사용자들의 트위터 상에서 리트윗(Rewteet) 행태를 바탕으로 각각의 이슈에 대해 일별 네트워크를 구성하였다. 이후 우리는 각각의 네트워크의 퍼콜레이션 효율을 각각의 네트워크의 사용자 특성과 사용자 관계 특성을 사용해 모형화 하였다. 이러한 과정 속에서 퍼콜레이션 효율을 측정하고 각각의 사용자 특성과 사용자 관계 특성이 퍼콜레이션 효율에 미치는 영향을 확인하기 위해 두 단계 자료 포락 분석법(two-stage data envelopment analysis) 기법을 사용하였다. 이에 더해 사회적 이슈와 산업 관련 이슈의 차이를 비교 분석하기 위해 이슈의 종류를 사용하여 서브샘플 분석 기법을 사용하였다. 결과적으로 본 연구를 통해 1,052,619개의 리트윗 빅데이터를 분석하였으며, 이를 사용해 서로 다른 네트워크간의 퍼콜레이션 효율을 측정하였다. 이를 통해 (1) 퍼콜레이션 현상(즉, 소셜 빅뱅 현상)은 사회적 이슈와 산업 관련 이슈에서 크게 다르게 나타남을 확인하였으며, (2) 사용자 관계는 그 특성에 따라 퍼콜레이션 현상에 긍정적 영향을 미치기도 하지만 부정적 영향 역시 미칠 수 있음을 확인하였다. 구체적으로 가교 관계(bridging)와 들어오는 관계(incoming)/나가는 관계(outgoing)는 퍼콜레이션 현상을 촉진시키지만, 중복 관계(overlap) 및 추가 관계(adding)는 퍼콜레이션 현상에 영향을 주지 못하는 것으로 나타났다. (3) 사용자 특성 역시 마찬가지였으며 대표적 결과로는 주변인(peripherals)이 영향력 있는 인물(influential)보다 퍼콜레이션에 미치는 영향이 큰 것을 확인했다. (4) 또한 이러한 사용자 및 사용자 관계의 영향이 사회적 이슈보다 산업 관련이슈에서 더 뚜렷하게 나타남을 확인했다. 이러한 새로운 이론적 관점 위에서 본 연구는 정보 확산 및 구전 효과 연구를 확장하고, 효과적인 소셜미디어 마케팅 기법뿐만 아니라 여론 형성 과정에 대해 유용한 시사점을 제시하고 있다. 본 연구는 고려대와 카이스트 경영대학을 포함한 다양한 대학교에서 발표되고 논의 되었으며, 일본의 오사카에서 2016년 7월 22일부터 24일까지 개최된 국제 학회 International Conference on Internet Studies (NETs)에 발표되었다.
|
