<aside> 📰

기사 링크 (경향신문)

</aside>

• 기사 공개 후 북마크 삽입 예정입니다.

<aside> 📌

분석의 배경

</aside>

• 이재명 정부 출범 1년을 맞아 언더스코어는 경향신문과 함께, 22대 국회의원 319명 각각의 정치적 위치가 어떻게 되는지를 데이터로 모델링해보았습니다. 미국 의회 연구의 DW-NOMINATE나 대법관 연구의 Martin-Quinn 점수에서 보듯, 정치인의 성향을 측정하는 가장 오래되고 표준적인 방법은 본회의 표결에서의 찬반 여부를 분석하는 것입니다.
• 그러나 한국 국회에서는 이 방법이 제대로 작동하기 쉽지 않습니다. 같은 당 의원들이 거의 예외 없이 같은 표를 행사하기 때문입니다. 가령 이번 분석에서 집계한 22대 본회의 표결 1,627건을 보면 **같은 당 다수와 다른 표를 행사한 비율의 중위값이 더불어민주당 0.33%, 국민의힘 1.50%**에 그칩니다. 즉, 한국의 상황에서 표결 기록이 실질적으로 어떠한 정치인이 더 강경하고 온건한지를 보여주기는 쉽지 않습니다.
• 그렇기에 저희는 단순히 표결 양상만을 집계하는 대신 법안의 내용을 포함해 각 국회의원에 대한 정보를 담고 있는 다양한 텍스트 데이터의 정보를 측정하기로 했습니다. 이를 위해 의원이 발의한 법안, 상임위와 본회의 발언, 국회 소통관 기자회견문, 그리고 언론 보도에 인용된 발언까지 네 가지 유형의 문서 541,276건을 AI에게 개별적으로 제시해 채점하게 하고, 그 점수들을 베이지언 측정모델로 결합해 의원들의 이념적(정치적) 위치를 추정했습니다.
• 이번 분석의 핵심 질문들은 다음과 같습니다.
  • 첫 번째, 의원 319명은 이념 (진보vs보수) 축과 당파성 (민주 진영vs국민의힘 진영) 축에서 각각 어디에 위치하는가?
  • 두 번째, 의회 정보 (법안, 회의록, 회견)로 측정한 위치와 언론 보도로 측정한 위치는 얼마나 일치하는가?
  • 세 번째, 표결로 평가한 당내 충성도와 언론 보도로 평가한 당내 충성도는 차이를 갖는가?
  • 네 번째, 국민의힘 안에서 윤석열 전 대통령에 대한 태도는 얼마나 분화되어 있고, 민주당 안에서 이재명 대통령에 대한 태도는 얼마나 분화되어 있는가?
  • 다섯 번째, 지난 2년 동안 의원별 이념적/정치적 위치는 어떻게 이동해왔는가?

<aside> 💻

데이터 수집 개요

</aside>

• 모델링에 활용한 데이터의 수집 기간은 22대 국회 개원일인 2024년 5월 30일부터 2026년 7월 초까지입니다.

  데이터 소스	데이터 유형	문서 단위	채점 문서 수	비고
  의회 정보	법안 발의	대표발의 법안 1건 (제안이유와 주요내용)	18,995건	공동발의는 제외, 대표발의자에게만 귀속
  의회 정보	회의록 발언	의원 × 회의 (회의당 발언 7개를 길이 층화 무작위 표집)	약 23,000행	상임위와 본회의 속기록
  의회 정보	기자회견	국회 소통관 회견문 1건	약 6,200건	대표 발언자에게 귀속
  언론 보도	기사	기사 × 의원 (해당 의원이 기사의 주체인 경우만)	약 166,000건	중복 기사 제거 후 의원당 72시간 30건 상한, 역확률 가중으로 보정

  위 표에서도 확인할 수 있듯, 데이터 소스는 크게 두 가지입니다.

  • 국회 공개 API와 의안정보시스템에서 확보한 의회 정보
  • 국내 뉴스 데이터를 통해 확보한 언론 보도

• 최종적으로 16만여건의 기사들을 활용한 언론 보도 분석의 경우, 각 정치인들을 언급한 국내 기사들을 단순 집계할 경우 약 105만건으로, 그 수가 너무 많기에 시간·비용 효율화를 위해 다음과 같은 방식으로 뉴스 데이터 전처리를 진행했습니다.

  • 국내 주요 포털에 서비스 중인 211개 언론사를 선정

    강원도민일보, 강원일보, 경기신문, 경기일보, 경남도민일보, 경남신문, 경남일보, 경북도민일보, 경북매일신문, 경북일보, 경상일보, 경인일보, 경향신문, 광남일보, 광주MBC, 광주매일신문, 광주일보, 국민일보, 국제신문, 글로벌에픽, 금강일보, 기자협회보, 기호일보, 남도일보, 내일신문, 노컷뉴스, 녹색경제신문, 농민신문, 뉴데일리, 뉴스1, 뉴스로드, 뉴스웍스, 뉴스클레임, 뉴스타파, 뉴스토마토, 뉴스투데이, 뉴스펭귄, 뉴스프리존, 뉴스핌, 뉴시스, 당진시대, 대구MBC, 대구신문, 대구일보, 대전MBC, 대전일보, 대한경제, 대한전문건설신문, 더스쿠프, 더팩트, 더퍼블릭, 데일리안, 데일리한국, 동아사이언스, 동아일보, 동양일보, 디지털데일리, 디지털타임스, 디지틀조선TV, 딜사이트, 마이데일리, 매경이코노미, 매일경제, 매일경제TV, 매일신문, 매일일보, 머니S, 머니투데이, 메트로경제, 목포MBC, 무등일보, 문화일보, 미디어오늘, 미디어펜, 베이비뉴스, 부산일보, 브레이크뉴스, 브릿지경제, 블로터, 비즈니스포스트, 비즈워치, 새전북신문, 서울경제, 서울경제TV, 서울신문, 서울파이낸스, 설악신문, 세계비즈, 세계일보, 소비자가 만드는 신문, 스마트투데이, 스트레이트뉴스, 스포츠서울, 스포츠월드, 스포츠한국, 시사IN, 시사오늘, 시사위크, 시사저널, 시사저널이코노미, 신동아, 신아일보, 아시아경제, 아시아에이, 아시아타임즈, 아시아투데이, 아이뉴스24, 아주경제, 여성신문, 여수MBC, 연합뉴스, 연합뉴스TV, 연합인포맥스, 영남일보, 영주시민신문, 오마이뉴스, 울산MBC, 울산매일, 울산신문, 월요신문, 위키리크스한국, 이뉴스투데이, 이데일리, 이지경제, 이코노미스트, 이코노미톡뉴스, 이코노믹리뷰, 이투데이, 인사이트, 인천일보, 일요서울, 일요신문, 잡포스트, 전남일보, 전라일보, 전북도민일보, 전북일보, 전자신문, 전주MBC, 제민일보, 제주MBC, 제주일보, 조선비즈, 조선일보, 조세일보, 주간경향, 주간동아, 주간조선, 주간한국, 중도일보, 중부매일, 중부일보, 중앙SUNDAY, 중앙일보, 지디넷코리아, 직썰, 채널A, 춘천MBC, 충북일보, 충청일보, 충청타임즈, 충청투데이, 코리아중앙데일리, 코리아헤럴드, 쿠키뉴스, 파이낸셜뉴스, 파이낸셜리뷰, 파이낸셜투데이, 파이낸셜포스트, 팝콘뉴스, 평택시민신문, 포인트데일리, 포항MBC, 폴리뉴스, 프레시안, 한겨레, 한겨레21, 한경비즈니스, 한국경제, 한국경제TV, 한국일보, 한라일보, 허프포스트코리아, 헤럴드경제, 헬로디디, 헬스조선, 홍성신문, 환경일보, bnt뉴스, CJB청주방송, CNB뉴스, EBN, EBS, JIBS, JTBC, kbc광주방송, KBS, KPI뉴스, MBC, MBC강원영동, MBC경남, MBC충북, MBN, M이코노미뉴스, OBS, PD-저널, SBS, SBS Biz, TV조선, YTN, YTN라디오

  • 이 언론사의 전체 기사들 중 ‘정치’ 섹션에 게재된 기사들만을 선택. 또한 정치 섹션임에도 [포토], [속보], [영상]과 같은 태그의 제목으로 시작하거나 본문 길이가 100자 미만일 경우에도 마찬가지로 제외

  • 개체명인식 알고리즘 (NER, Named Entity Recognition)을 활용해, 22대 국회의원 319명의 이름을 단순 텍스트로서가 아니라 유의미하게 인물명을 포착한 기사들만을 추출 (ex. 일반명사로서 “이주 이후에도 조국에 대한 생각을 잊지 않은..”과 같은 문장은 패스. “조국 원장은 이날 페이스북에 올린…”은 유효 / “선박정보를 상시간 모니터링하며…”는 패스. “행사를 주최한 박정 의원은”은 유효.)

  • 제목과 본문이 완전히 중복된 기사들 (ex. 통신사 기사 단순 전재, 보도자료 일괄 작성 등)은 1건만 제외하고 삭제

  • 그럼에도 여전히 많은 기사들이 존재하기에, 최종적으로 동일한 ‘사안(issue)’ 단위 중복 기사들을 필터링하는 작업이 필요 (ex. 인요한 의원 국회의원직 사퇴 기자회견을 연합뉴스에서 1보, 2보, 종합으로 반복 작성하고 이들을 다시 수십여개 언론사가 거의 동일한 내용으로 중복 작성). 이 문제를 해결하기 위해 군집화(clustering) 알고리즘을 적용.

    • 72시간 rolling window로 코사인 유사도 0.94 이상인 기사를 중복으로 간주해 제거
    • 각 의원당 72시간 내 최대 30건까지의 기사 데이터만을 평가
    • 이 과정에서 30건 상한에 해당되어 제외된 기사가 있는 의원은 남은 기사에 제외 비율의 역수를 가중치로 주어 (역확률 가중, inverse probability weighting) 보정

• 물론 위의 방식은 “언론이 애초에 어떠한 정치인을 얼만큼 보도하고 있느냐”의 문제에 의존적일 수밖에 없습니다. 따라서 이는 어디까지나 기사를 통해 파악되는 정치인의 정보라는 한계를 염두에 둘 필요가 있습니다.

• 본회의 표결 1,627건은 모델에 투입하지 않고 별도로 집계했습니다. (표결의 역할은 후술)

<aside> 🧭

표결 대신 LLM(AI)이 법안 내용을 직접 읽고 평가(채점)하는 방식을 택한 이유

</aside>

• 전통적으로 정치학에서 개별 정치인의 이념적 위치를 측정하는 방법은 **이상점 추정(IPE, Ideal Point Estimation)**입니다 (Clinton, Jackman & Rivers, 2004; Martin & Quinn, 2002). 각 정치인마다 눈에 보이지 않는 ‘이념적 위치’가 존재한다고 가정하고, 표결에서 어떠한 정치인들이 같은 편에 서서 함께 표를 행사했는지에 대한 정보를 바탕으로 그 위치를 역산하는 방식입니다. 그러나 한국 국회에 이 방법을 그대로 활용하기에는 두 가지 한계가 존재합니다.
  • 첫 번째, 앞서 언급했듯 표결에 당내 변별력이 뚜렷하게 나타나지 않습니다. 표결 1,627건 중 자기 당 의원 다수와 다른 편에 선 표의 비율은 대부분의 의원에게서 1% 안팎입니다.
  • 두 번째, 이상점 추정 모형 자체가 근본적으로 척도의 방향과 원점을 스스로 정하지 못합니다. 어느 축이 진보이고, 0점이 무엇인지 등 모델이 제공하는 결과물 중 상당수를 인간 연구자가 임의적으로 판단해야 합니다. 이 과정에서 “기준이 되는 정치인”을 고정해두어야 하기에 정말 데이터에만 근거한(data-driven) 측정이냐에 대한 의문을 남길 수 있습니다.
• 일련의 문제들을 해결하고자 최근 연구들은 단순히 표결 행동만 집계하는 대신 텍스트를 직접 분석하는 방향으로 이동해 왔습니다. (Vafa, Naidu & Blei, 2020; Le Mens & Gallego, 2025; KOKKAI DOC, 2025) 언더스코어의 이번 분석 역시 이 흐름을 따랐습니다. 다만 한 가지를 더했는데, 문서를 LLM으로 채점한 뒤 그 점수를 의원별로 단순 평균하는 대신 데이터 유형마다 점수의 척도(scale)가 다르다는 사실을 측정모델로 처리한 것입니다. 같은 의원이라도 기자회견에서는 강하게 발언하고 법안 제안이유에서는 절제된 표현을 쓰기 마련이기 때문입니다 (그리고 실제로 그러한지를 모델이 데이터에서 확인해 주는데, 이 대목은 아래 "베이지언 모델 요약"에서 다룹니다).

<aside> 🤖

AI의 채점(평가) 기준

</aside>