Media Framing through the Lens of Event-Centric Narratives

기술 요약: 사건 중심 내러티브의 관점에서 본 미디어 프레이밍

문제 제기
미디어 프레이밍 분석은 뉴스 조직이 특정 해석을 촉진하기 위해 이슈의 측면들을 어떻게 선별하고 조직하는지 이해하는 것을 목표로 한다. 기존의 계산적 접근 방식은 잠재 토픽 모델(예: LDA)이나 수동으로 구축된 키워드 분류 체계와 같은 고수준의 토픽 마커에 주로 의존한다. 저자들은 이러한 방법들이 프레이밍의 미묘한 차이를 포착하기에는 너무 광범위하다고 주장한다. 프레임을 공출현하는 키워드나 광범한 주제(예: "경제")로 축소함으로써, 이러한 접근 방식은 서로 다른 측면들이 어떻게 선택되고 논거를 구성하기 위해 조직되는지를 설명하는 데 실패한다. 구체적으로, "경제"라는 단일 토픽 마커는 이민을 경제적 활력소로 프레이밍할 수도 있고, 경제적 부담으로 프레이밍할 수도 있는데, 키워드 기반 모델은 근저에 깔린 내러티브 구조를 이해하지 못하면 이러한 구분을 모호하게 만든다.

방법론
본 논문은 정적인 토픽에서 동적인, 사건 중심의 내러티브로 초점을 전환하는 계산적 프레임워크를 제안한다. 방법론은 세 가지 주요 단계로 구성된다:

1. 사건 추출 (Event Extraction):
   시스템은 동사 중심의 사건 관점을 채택하여, 텍스트에서 (동사, 목적어) 쌍을 추출한다. 의존 구문 분석기(dependency parser)를 사용하여, 프레임워크는 비보조 동사와 그에 대응하는 목적어 헤드를 식별하여(능동태와 수동태를 구분함) 각 문서에 대한 사건 언급 목록을 형성한다.

2. 관계 추출 및 체인 구축 (Relation Extraction and Chain Construction):
   문서 내 추출된 사건 쌍 사이의 관계를 예측하도록 분류기를 학습시킨다. 모델은 두 가지 특정 관계 유형에 집중한다:

• 시간적 (Temporal): 연대기적 순서 (예: 선행, 계승, 동시 발생).
• 인과적 (Causal): 원인과 결과 관계 (예: 이유, 결과).
  분류기는 ASER(Activities, States, Events and their Relations) 지식 그래프의 하위 집합을 활용하여 학습되며, 사건 쌍과 그 주변 문장을 표현하기 위해 RoBERTa를 사용한다. 예측된 시간적 또는 인과적 관계를 가진 사건 쌍만을 유지하여 (사건1, 관계, 사건2) 형태의 단일 홉(single-hop) 내러티브 체인을 구축한다.

3. 내러티브 클러스터링 및 확장 (Narrative Clustering and Expansion):
   이 체인들을 고수준의 테마로 변환하기 위해, 프레임워크는 거대 언어 모델(LLM)인 Llama 3.1 8B를 사용한다. LLM은 제로샷(zero-shot) 설정에서 각 내러티브 체인을 인과적 또는 시간적 순서를 명시하는 묘사적 문장으로 확장하도록 프롬프트가 주어진다. 이렇게 확장된 문장들은 SBERT를 통해 임베딩된 후 K-means를 사용하여 클러스터링된다. 저자들은 뚜렷한 내러티브 테마를 식별하기 위해 25개에서 200개 사이의 클러스터 수를 실험한다.

주요 기여

• 내러티브 중심 프레임워크: 저자들은 단순한 키워드 공출현을 넘어, 사건 중심의 내러티브 표현을 추출하고 이를 고수준의 테마로 그룹화하는 새로운 미디어 프레이밍 분석 접근법을 제안한다.
• 교차 도메인 일반화 가능성: 프레임워크는 이민과 총기 규제라는 두 가지 서로 다른 뉴스 도메인에 적용 및 평가되어, 다양한 정책 이슈에 대한 적응성을 입증했다.
• 예측 및 설명적 유용성: 본 연구는 유도된 내러티브 클러스터가 Boydstun 등(2014)의 정책 프레임 분류를 예측하고 설명하는 데 중요한 신호 역할을 한다는 종합적인 평가를 제공한다.

결과

• 관계 예측: 관계 분류기는 매크로-F1 점수 0.60을 달성하며 다수 클래스(Majority Class), 랜덤(Random), GloVe 임베딩을 사용한 로지스틱 회귀 등의 베이스라인을 능가했다. 모델은 인과적 관계보다 시간적 관계를 식별하는 데 더 높은 정밀도(precision)를 보였으나, 커버리지를 확보하기 위해 인과 관계에 대한 재현율(recall)을 우선시하였다.
• 클러스터 품질: 침입 테스트(intrusion test) 결과, 이민 데이터셋에서 높은 상호 검토자 일치도(82.61%)와 라벨링 정확도(67.5%)가 나타났으며, 이는 잘 정의되고 의미론적으로 일관된 클러스터를 나타낸다. 총기 규제 데이터셋은 낮은 정확도(37.5%)를 보였는데, 저자들은 이를 해당 도메인 내 내러티브 테마의 다양성 부족과 클러스터 간의 중첩 때문이라고 설명한다.
• 프레임 예측:
  • 내러티브 클러스터 특징만을 사용했을 때(원문 텍스트 없이), 모델은 다수 클래스, 랜덤, LDA 토픽, 사건 유형을 포함한 베이스라인보다 우수한 성능을 보였다. 최적의 성능은 이민 데이터셋에서는 150개, 총기 규제 데이터셋에서는 50개의 클러스터에서 달성되었다.
  • 내러티브 클러스터 특징을 RoBERTa 기반 텍text 표현과 결-합했을 때, 모델은 텍스트 전용 베이스라인에 비해 정확도와 F1 점수에서 미미하지만 일관된 향상을 보였으며, 이는 내러티브 구조가 유용한 귀납적 편향(inductive bias)을 제공함을 시사한다.
• 질적 결과: 분석은 특정 프레임에 대응하는 내러티브 테마를 성공적으로 분리해냈다. 예를 들어, 이민의 "범죄 및 처벌" 프레임은 "불법 이민자 밀수" 및 "밀수업자 체포"에 관한 내러티브와 강하게 연관되어 있었다. 마찬가지로, 총기 규제의 "법적, 헌법적, 관할권" 프레임은 "수정헌법 제2조 권리" 및 "법원 판결"에 관한 내러티브와 연결되었다.

의의 및 주장
본 논문은 프레이밍이 근본적으로 내러티브 구성 문제임을 입증하는 데 핵심적인 기여가 있다고 주장한다. 사건 체인을 추출하고 클러스터링함으로써, 프레임워크는 고수준의 프레임 차원을 구별하는 "스토리텔링 패턴"을 포착할 수 있다. 저자들은 자신들의 접근 방식이 단순히 논의되는 토픽을 다루는 것이 아니라, 논거를 만들기 위해 선택된 핵심적인 내러티브에 집중함으로써 전통적인 토픽 모델링보다 더 풍부하고 간결한 문서 표현을 제공한다고 주장한다.

저자들은 계산적 제약으로 인해 거대하고 복잡한 모델을 통해 성능을 극대화하도록 설계된 것이 아님을 인정하며, 자신의 주장에 대해 겸손한 어조를 유지한다. 대신, 이 연구는 내러티브 체인의 핵심적인 뉘앙스를 식별하는 것의 중요성을 강조하는 연구 방향을 제시하는 데 목적이 있다. 또한 도메인 일반화의 한계(이민과 총기 규제만 테스트됨)와 클러스터 평가를 위한 인간 주석 의존성을 언급하며, 이를 향후 탐구 영역으로 제시한다.