<aside> 🎨

서비스 UI 가안 및 유저 입출력 예시

</aside>

• 유저는 다음의 두 가지 값만을 입력(input)합니다.
  • 분석 키워드 : 콤마(,)로 연결된 여러 개 키워드를 검색 가능
  • 분석 기간
• 출력(output) 결과물은 다음의 네 가지입니다.

  • 첫 번째, 해당 기간 동안 해당 키워드들 관련 기사들의 보도 프레임 유형 및 각 보도 프레임의 비율

    

  • 두 번째, 각 보도 프레임별 주요 보도 시기의 시계열 시각화. 아래에 위치한 그래프는 여러 보도 프레임(주제) 중 특정 주제를 선택했을 때, 해당 주제의 선 그래프(line graph)만 활성화된 상태입니다.

    

  • 세 번째, 각 보도 프레임별 언론사 성향별 보도율 차이. 그래프가 좌측(파란색)으로 길수록 진보 성향 언론사들에서 더 많이 보도한 주제임을, 우측(빨간색)으로 길수록 보수 성향 언론사들이 더 많이 보도했음을 의미합니다.

    

  • 마지막 네 번째, 위 세 가지 지표를 종합적으로 해석하는 결과 보고서

    

<aside> 💡

개발 목적 및 서비스 방향성

</aside>

• 언더스코어는 지난 몇 년 간 클라이언트들의 요청을 바탕으로 뉴스·미디어 데이터를 활용해 다양한 분석을 진행해왔습니다. 그 주제와 분석 방식에서 차이가 있기는 하나, 가장 많은 의뢰 유형 중 하나는 특정 사안이 특정 기간 동안 언론에서 다뤄지는 방식들을 주제별로 유형화하고 그 변화 양상 및 언론사 간 차이에 대해 분석하는 것입니다. 이를 위해서는 지정된 사안들의 하위 주제 / 보도 프레임 / 기사 유형들을 명확히 파악하고, 각 유형에 대해 시계열, 혹은 언론사 정치 성향 간의 상관관계를 분석하는 접근이 필요합니다.

  사드 · 한한령 · 코로나 등…빅데이터로 본 중국 / SBS

  이태원 참사 직후 보수-진보 성향 신문 보도 달랐다

  [창간기획] 서울신문, 한겨레·경향과 멀어지고 조선·중앙과 가까워졌다

  BIG KINDS 뉴스빅데이터 분석서비스

  한국언론진흥재단

• 가령, 언론진흥재단 BigKinds 이슈 리포트로 발행한 <저출산 보도, 지난 5년 동안 어떻게 변화해왔을까?>에서는 저출산을 다룬 기사들로부터 다음 특징을 발견했습니다.

  

  • 최근에 국내 언론사들은 저출산과 관련해 “저성장하는 경제”와 “소아 의료 시스템 (붕괴)”을 집중적으로 보도
  • 반면 “주택 지원”이나 “육아 휴직 제도 활성화”, “노동시간 단축”과 같은 정책적 대안들은 오히려 최근에는 크게 보도되지 않았음
  • 이는 국내 언론들이 저출산 대응책을 논의하는 단계를 넘어, 인구 감소가 본격적으로 발생하기 시작해 사회가 받는 충격을 직접적으로 다루기 시작했음을 의미

• 이와 유사한 방법론을 사용해, 저희가 노동을 주제로 20년 치 주요 언론사 데이터를 분석한 내용은 언론진흥재단 미디어연구센터에서 발간한 <노동 보도 현황과 개선 방안 연구>에 소개된 바 있습니다.

  

  • 2000년대 초반에는 ‘갑질’이나 ‘실업률’을 소재로 한 기사가 가장 높은 보도 비중을 차지했으나, ‘실업률’의 경우 완만한 감소 추세를 보였으며 ‘갑질’은 2011년 이후 다시 증가 추세로 반전
  • ‘최저임금’ 이슈의 경우 통념과 달리 여타 이슈들 보다 대부분의 조사 기간 동안 낮은 보도 비중을 보였으며 2010년대 중반 이후 급등 시작, 소득주도성장론을 내세운 2017년 문재인 정부 기간 초에 가장 많은 보도 비중을 보인 후 급락하는 패턴을 보임
  • ‘산업재해’는 2010년부터 완만한 증가 추세를 보이기 시작했으며 2010년대 후반 이후로는 가장 자주 다루어지는 이슈 중 하나가 됨. 그러나 실제 산업 재해 피해자 수는 2000년 이후 크게 증가하지 않았던 편인 반면 언론의 주목도는 실제로 산재 이슈가 보다 심각했던 90년대보다 오히려 최근에 급증. 마찬가지로 실업률 통계 역시 2010년대 초반 이래로 완만한 증가 추세에 있으나, 언론 보도 비율은 오히려 감소 중. 이를 통해 실제 이슈의 심각성과 언론 보도 간에는 괴리가 있을 수 있음을 확인

• 위의 두 분석이 연(year) 단위로 장기간의 데이터를 분석했다면, 미디어오늘에서 기사화된 <이태원 참사 직후 보수-진보 성향 신문 보도 달랐다>는 사고 직후 48시간 동안 발행된 기사들을 분석한 사례입니다. 분석 기간이 짧은만큼, 하위 주제(프레임)별 시계열 변화를 살피기 보다는, 언론사의 좌우 정치성향에 따라 어떠한 프레임을 더 강조했는지 비교하는데에 주목했습니다.

  

• 지금까지 소개한 분석들은 모두 공통적으로 군집화(clustering) 알고리즘을 효과적으로 활용해 유사한 내용을 다룬 기사들을 유형으로 포착하여, 하위주제·프레임들을 정확하게 찾아내는 작업에 기초합니다. 아래의 그림은 아주 깔끔하게 기사들이 세 가지로 유형화된 사례입니다만, 현실의 데이터는 이보다 훨씬 더 지저분(noisy)하며, 실제로는 동일한 주제인데 서로 다른 주제(유형)로 분할되거나, 혹은 반대로 서로 이질적인 기사들이 동일한 주제로 간주되는 오류가 발생하기 쉽습니다.

  

  뉴스 데이터의 군집화(clustering) 적용 예시. 각 점(×)은 기사를 의미.

  다행히 언더스코어는 지난 몇 년간 군집화 알고리즘을 활용한 다양한 서비스들을 개발·운영 (#1, #2, #3)하며 기술적 노하우를 축적했기에, 이러한 오류를 해소할 수 있는 다양한 방법들을 보유하고 있습니다.

• 또한, 기존의 군집화 알고리즘은 특정 기사들이 동일한 하위 주제(프레임)에 포함된다는 것을 알려줄 뿐, 그 주제·유형의 내용이 정성적으로 무엇인지까지 알려주지는 않기에 인간의 해석을 요구해, 자동화가 어려웠습니다. **대규모언어모델(LLM)**을 활용 시 이러한 인간의 개입을 완전히 배제할 수 있기에 분석의 속도와 객관성 향상을 모두 달성할 수 있습니다.

• 이러한 고민을 바탕으로 언더스코어는 유저가 관심있는 키워드와 분석 기간만 입력하면, 국내 50여개 주요 언론사들의 기사 데이터를 활용해, 하위 주제(프레임), 각 하위 주제별 주요 보도 시기 및 언론사별 정치 성향에 따른 강조 포인트 차이 등을 분석하여 단일한 웹 보고서로 제공하는 서비스를 개발 예정입니다.