유튜브 감정 섬네일과 댓글의 반시민성: 이태원 참사 이슈를 중심으로 기계학습 식별과 전통적 내용분석의 융합 (Emotional YouTube Thumbnails and Uncivil Comments : Methodological Convergence of Machine Learning Identification and Traditional Content Analysis, with a Focus on the Itaewon Tragedy Issue)

서지정보

· 발행기관 : 한국언론정보학회
· 수록지 정보 : 한국언론정보학보 / 122호 / 7 ~ 47페이지
· 저자명 : 금희조, 박윤정, 윤준섭, 박정민, 이세영, 임인재

초록

본 연구는 감정 표현을 포함하는 유튜브 섬네일(thumbnail)과 그 동영상에 달린 댓글의 반시민성 간 관련성을 규명하고자, 2022년 핼러윈에 발생한 이태원 참사 이슈를 대상으로 기계학습 식별과 전통적 내용분석을 융합하여 분석을 진행했다. 분노, 불안, 공포를 포함하는 섬네일이 반시민성 즉, 무례/혐오/비난 표현을 담은 댓글과 관련성이 있는지에 중점을 두고, 이태원 참사 후 100일까지 기간을 정한 후 유튜브 쇼트폼 동영상을 선별하였으며 이에 달린 댓글 중 임의 표집된 3천 개에 대해서는 휴먼 코딩을 수행하고, 댓글 5만 개에 대해서는 개발된 알고리즘을 활용해 식별 분석했다. 분석결과, 분노 감정이 포함된섬네일 동영상의 댓글에서 피해자 비난이 다소 많았지만, 무례, 혐오 표현은 오히려 분노와 불안 표현이섬네일에 없는 경우에 더 발견되었다. 그리고 감정 섬네일과 반시민적 댓글의 관련성은 다소 일관되지않았지만, 조절 효과의 패턴은 분명했다. 섬네일이 인물 중심, 특히 정치인 대상일 때 피해자 비난 댓글이 가장 많았고, 피해 당사자 중심일 때는 반시민적 댓글이 오히려 감소했다. 이러한 분석결과를 바탕으로 유튜브 동영상 섬네일을 통한 ‘참사의 정치화’와 ‘분노의 활성화’가 피해자 비난 중심의 반시민적 댓글을 유도하는 주요인임을 확인했다.

영어초록

This study explores the relationship between emotional expressions found in YouTube thumbnails and the presence of uncivil comments by employing a combination of machine learning identification and traditional content analysis methods. Specifically, we focus on the Itaewon disaster issue that unfolded on Halloween in 2022 and analyze whether YouTube video thumbnails featuring anger, worry, and fear are associated with comments containing incivility (rudeness, hate, blaming). Short-form YouTube videos related to the Itaewon disaster were extracted for the 100-day period following the incident, and comments were randomly selected. Human coding was applied to 1,000 comments, while developed algorithms were used to identify and analyze 50,000 comments. As a result of the analysis of thumbnails containing anger emotions, there was a lot of victim blaming in the comments. However, rudeness and hate expressions were found more often in cases in which anger and worry were not included in the thumbnails. Although the found associations between emotional thumbnails and uncivil comments were somewhat mixed, the pattern of moderating effects was clear. When the thumbnail focused on individuals, especially politicians, comments blaming the victim were the most common. When the thumbnail focused on the victim, uncivil comments actually decreased. The machine learning identification analysis data was similar to the human coding results in many aspects but there was a difference in the finding that angry thumbnails had a lot of hateful comments.

참고자료

· 없음