The Enemy from Within: A Study of Political Delegitimization Discourse in Israeli Political Speech

기술적 요약: 내부의 적: 이스라엘 정치 연설에서의 정치적 정당성 박탈 담론 연구

문제 정의
본 논문은 계산 사회과학 분야에서 **정치적 정당성 박탈 담론 (PDD)**의 체계적 탐지 부족을 다루고 있다. 기존 자연어 처리 (NLP) 작업은 무례함, 혐오 발언, 독성 등 표면적 규범 위반을 성공적으로 식별하지만, PDD 의 특정 상징적 기능인 정치적 주체의 규범적 타당성과 포용 권리에 대한 전략적 부정을 포착하지는 못한다. 일반적인 적대감이나 정책 비판과 달리, PDD 는 상대방을 '내부의 적', 국가에 대한 위협, 또는 불법적 행위자로 규정함으로써 작동하며, 이는 종종 표면적 예의 규범을 위반하지 않는 미묘한 수사적 전략 (프레임, 함축) 을 통해 이루어진다. 이 현상에 대한 기존 연구는 소규모 수동 코딩에 국한되어 있어 종단적 및 플랫폼 간 분석에 필요한 확장성이 부족했다.

방법론
저자들은 데이터 큐레이션, 주석 부착, 그리고 2 단계 계산 파이프라인을 포함한 포괄적인 프레임워크를 제안한다.

1. 데이터셋 구축:

   • 19932023 년간 크네셋 의회 연설, 20182021 년 공식 페이스북 게시물, 그리고 주요 뉴스 매체 (2018~2021) 의 세 가지 출처에서 선별된 10,410 문장으로 구성된 새로운 히브리어 코퍼스가 구축되었다.
   • 주석 부착 체계: 2 단계 인간 주석 부착 과정이 적용되었다.
     • 1 단계: PDD 존재 여부에 대한 이진 분류 (참/거짓). 정책 비판이 아닌 상징적 정당성 박탈 (예: 참여 권리 부정, 낙인찍힌 소수 집단과 비교) 을 기반으로 정치 행위자/집단/기관을 적대적으로 묘사하는 경우 해당 문장은 긍정으로 분류된다.
     • 2 단계: PDD 긍정 사례에 대해 추가 속성이 주석 부착되었다: 강도 (0~2 척도), 무례함 (조롱/욕설), 외부 집단 프레임, 공동선 위협, 대상 유형 (개인, 집단, 기관), 그리고 대상 범위.
   • 신뢰도: 코더 간 신뢰도는 코헨의 카파 (Cohen's Kappa) 0.82 를 보였다.

2. 계산 파이프라인:
   저자들은 최첨단 인코더 모델과 디코더 대규모 언어 모델 (LLM) 을 사용하여 2 단계 분류 파이프라인을 벤치마킹했다.

   • 1 단계 (이진 탐지): PDD 존재를 탐지하도록 모델을 훈련했다. 테스트된 모델에는 다국어 인코더 (mBERT, AlephBERT, HeRO, DictaBERT) 와 디코더 LLM(Gemma 2, Qwen3, DictaLM 2.0) 이 포함되었다.
   • 2 단계 (특성화): PDD 로 식별된 문장에 대해 모델은 강도, 수사적 속성, 그리고 대상 유형을 예측했다. 디코더는 구조화된 JSON 표현을 출력하도록 미세 조정되었고, 인코더는 다중 작업 손실 함수를 사용했다. 또한 대상 언급을 식별하기 위해 범위 분류기 (span classifier) 도 훈련되었다.
   • 훈련 전략: 인코더는 다양한 손실 함수 (기본값, 클래스 가중치, 포커스 손실) 와 학습률로 훈련되었다. 디코더는 QLoRA 를 사용하여 미세 조정되었다.

주요 결과

• 모델 성능:
  • 이진 탐지: DictaLM 2.0 디코더가 F1 점수 0.74로 최상의 성능을 달성하여 최상위 인코더 (DictaBERT-base, F1 0.71) 를 능가했다.
  • 특성화: DictaLM 2.0 은 정당성 박탈 특성 분류에서 마이크로-F1 0.67을 달성했으며, 대상 범위 식별에서도 F1 0.67 을 기록했다.
• 종단적 경향 (RQ1): 30 년간의 의회 데이터 분석은 PDD 의 뚜렷한 상승을 보여준다. 유병률은 19922019 년 평균 6.6% 에서 20192023 년 9.8% 로 증가했으며, 2020 년부터 급격한 급증이 시작되었다.
• 플랫폼 차이 (RQ2): 페이스북 (7.33%) 과 크네셋 (7.05%) 간의 전체 유병률은 유사했으나, 페이스북 담론은 더 높은 강도 (1.23 대 1.00), 더 높은 무례함, 외부 집단 프레임, 그리고 공동선 위협 비율을 보였다.
• 인구통계학적 패턴:
  • 성별 (RQ3): 남성 정치인은 여성 정치인 (평균 0.055) 에 비해 유의미하게 높은 평균 PDD 수준 (평균 0.066) 을 보였다.
  • 이념 (RQ4): 장기적으로 볼 때 우파 정치인이 가장 높은 PDD 수준을 보였으나, 2018~2021 기간에는 좌파 성향 행위자가 양쪽 플랫폼 모두에서 더 높은 PDD 점수를 기록했다. 우파 정당성 박탈은 다른 블록보다 '좌파', '메르체츠'와 같은 집단적 그룹을 더 빈번하게 표적으로 삼았다.
• 맥락적 변이 (RQ5): PDD 사용은 선거 캠페인 기간에 급증하고 연정 구축 기간에는 크게 감소한다. 야당 행위자는 연정 구성원보다 일관되게 더 많은 PDD 를 사용한다.

의의 및 기여
본 논문은 해당 분야에 다음과 같은 세 가지 주요 기여를 주장한다:

1. 이론적 조작화: 무례함이나 혐오 발언과 구별되는 별도의 분석 범주로 PDD 를 정의하며, 단순히 언어의 방식이 아닌 정치적 정당성의 상징적 부정에 초점을 맞춘다.
2. 자원 창출: PDD 를 위한 최초의 대규모 수동 주석 히브리어 코퍼스를 제공하여 민주적 담론의 종단적 및 플랫폼 간 분석을 가능하게 한다.
3. 방법론적 파이프라인: 기존 독성 또는 입장 탐지 모델이 종종 간과하는 미묘한 형태의 유해한 정치 담론 탐지 및 특성화를 위한 2 단계 자동화 파이프라인의 실현 가능성을 입증한다.

저자들은 해당 프레임워크가 대규모로 민주적 침식과 정서적 양극화를 연구하는 새로운 계산적 렌즈를 제공하며, 정치적 사건과 제도적 맥락에 대한 엘리트 담론의 진화를 추적하기 위해 정치 이론과 NLP 를 연결한다고 결론지었다. 그들은 다른 언어적 맥락에 대한 연구 결과의 일반화 가능성과 더 넓은 담론 수준의 전략을 놓칠 수 있는 문장 수준의 주석 부착에 대한 의존성과 관련된 한계를 지적한다.