Schadenfreude in the Digital Public Sphere: A cross-national and decade-long analysis of Facebook news engagement
이 논문은 미국, 영국, 인도의 페이스북 뉴스 댓글 10 년치 데이터를 분석하여, 도덕적·정치적 맥락에서 특히 우파 성향과 인도에서 더 두드러지며 집권 여부에 따라 '권한 부여형' 또는 '보상형'으로 다르게 발현되는 Schadenfreude(타인의 불행에서 느끼는 희열) 의 패턴을 규명했습니다.
원저자:Nouar Aldahoul, Hazem Ibrahim, Majd Mahmutoglu, Hajra Tarar, Muhammad Fareed Zaffar, Talal Rahwan, Yasir Zaki
이 연구는 페이스북 뉴스 댓글을 10 년 동안 (2015~2024) 지켜봤습니다. 마치 거대한 디지털 광장에 모여 있는 수백만 명의 사람들이 뉴스 속의 불행한 사건 (정치인의 실수, 기업 파산, 스타의 추락 등) 을 보고 어떤 반응을 보이는지 관찰한 것입니다.
기존의 생각: 남이 불행해지면 우리는 슬퍼하거나 (Sad), 화를 내는 (Angry) 것이 당연하다고 생각했습니다.
이 연구의 발견: 하지만 사람들은 의외로 **웃음 (HaHa)**과 즐거움을 많이 표현했습니다. 특히 남의 불행을 보며 "하하, 잘됐다!"라고 느끼는 **'악의 웃음'**이 생각보다 훨씬 흔하고 조직적으로 나타났습니다.
2. 국가별 차이: "웃음의 온도계"
세 나라 (미국, 영국, 인도) 의 반응을 비교했을 때, 마치 기후가 다른 세 나라처럼 웃음의 강도가 달랐습니다.
인도 (뜨거운 태양): 인도의 사람들은 남의 불행에 가장 많이 웃었습니다. 댓글의 약 42% 가 '악의 웃음'이었습니다. 마치 시원한 바람이 불어오듯 남의 실수를 재밌어하는 문화가 강했습니다.
미국과 영국 (선선한 가을): 미국과 영국은 인도보다 웃음이 적었지만, 여전히 상당수였습니다. 특히 미국에서는 정치적 성향에 따라 웃음의 양이 확연히 달랐습니다.
3. 정치적 성향과 권력: "승자와 패자의 웃음"
이 연구에서 가장 흥미로운 발견은 **정치적 성향 (진보 vs 보수)**과 **권력 (집권 vs 야당)**에 따라 웃음의 이유가 완전히 달랐다는 점입니다. 이를 두 가지 다른 유형의 웃음으로 비유할 수 있습니다.
A. 진보 성향 (Left-leaning): "승자의 웃음 (Power-Licensed)"
상황: 자신의 당이 집권했을 때.
비유: 마치 승리한 운동팀이 경기 후 상대팀의 실수를 보며 "하하, 너희는 못했지!"라고 웃는 것과 같습니다.
특징: 권력을 잡았을 때 상대방의 불행을 더 기뻐하며, 이는 "우리가 옳으니 너는 틀렸다"는 지배의 확인으로 작용합니다.
B. 보수 성향 (Right-leaning): "패자의 웃음 (Power-Compensatory)"
상황: 자신의 당이 **야당 (집권하지 못함)**일 때.
비유: 마치 경기에서 지고 있는 팀의 팬들이, 상대팀의 실수를 보며 "하하, 너도 망했네!"라고 위안을 얻는 것과 같습니다.
특징: 권력을 잃었을 때 상대방의 불행을 더 크게 기뻐하며, 이는 자신들의 처지를 위로하거나 상대를 낮추려는 심리입니다.
📊 요약: 이 연구가 말해주는 3 가지 교훈
이모지보다 댓글이 더 솔직하다: 페이스북의 '하하' 이모지를 누르는 것보다, 댓글로 직접 "하하, 잘됐다"라고 쓰는 사람이 훨씬 더 많습니다. 이모지는 겉치레일 수 있지만, 댓글은 진짜 마음을 드러냅니다.
웃음은 '정치적 무기'가 되었다: 남의 불행을 웃음으로 넘기는 것은 단순한 장난이 아닙니다. 이는 자신의 정치적 소속감을 확인하고, 상대방을 배척하는 강력한 도구로 쓰입니다. 특히 인도의 경우 이 현상이 매우 뚜렷했습니다.
시간이 흐를수록 변한다: 10 년 동안 데이터를 보니, 정치 상황이 바뀌면 (예: 트럼프 집권 시기 등) 사람들의 웃음 패턴도 바뀝니다. 권력을 잡았을 때와 잃었을 때의 웃음은 완전히 다른 얼굴을 하고 있습니다.
💡 결론
이 연구는 **"우리가 남의 불행을 보며 웃는 것은 단순한 나쁜 감정이 아니라, 정치적 신념과 문화에 따라 규칙적으로 작동하는 복잡한 사회적 현상"**임을 보여줍니다. 소셜 미디어는 우리의 감정을 증폭시켜, 남의 불행을 즐기는 것이 마치 '정의'나 '유머'처럼 보이게 만들었습니다.
즉, 디지털 세상에서 우리는 서로의 불행을 보며 웃음으로 서로를 묶거나, 혹은 서로를 더 멀리하게 만들고 있는 것입니다.
1. 연구 문제 (Problem Statement)
배경: '악의적 기쁨 (Schadenfreude)'은 타인의 불행을 보고 느끼는 즐거움을 의미하며, 과거에는 사적이거나 사회적 금기를 가진 감정이었다. 그러나 소셜 미디어의 등장으로 타인의 좌절이 가시화되고, 사용자들이 공개적으로 감정 반응을 표출할 수 있게 되면서 온라인 뉴스 참여의 중요한 특징으로 부각되었습니다.
연구 격차: 기존 연구들은 악의적 기쁨의 심리적 기제 (사회적 비교, 정의, 집단 간 역동성) 에 초점을 맞추었으나, 디지털 환경에서의 실제 발생 빈도, 역동성, 그리고 이념적/문화적 맥락에 따른 패턴에 대한 대규모 실증적 분석은 부족했습니다.
연구 목적: 페이스북 뉴스 게시글과 댓글 데이터를 기반으로 10 년간 (2015-2024) 미국, 영국, 인도라는 세 국가의 다양한 이념적 성향 (좌파, 중도, 우파) 을 가진 언론사들을 대상으로 악의적 기쁨의 발현 양상을 체계적으로 분석하는 것입니다.
2. 방법론 (Methodology)
이 연구는 대규모 데이터 수집, 인간 어노테이션 (Human Annotation), 그리고 대규모 언어 모델 (LLM) 기반 분류를 결합한 하이브리드 접근법을 사용했습니다.
데이터 수집:
범위: 2015 년부터 2024 년까지 10 년간 미국, 영국, 인도의 주요 뉴스 언론사 페이스북 페이지.
샘플: 각 국가당 좌파 (1 개), 중도 (1 개), 우파 (1 개) 언론사 총 9 개 (예: 미국 - NBC, CNBC, Fox; 영국 - 가디언, 로이터, 메트로; 인도 - 인디언 익스프레스, 힌두스탄 타임스, 옵인디아).
규모: 월별 최대 1,000 개의 게시글 및 해당 댓글, 반응 (Reaction) 메타데이터 수집 (약 100 만 개의 댓글 분석).
어노테이션 및 라벨링:
불행 (Misfortune) 식별: 3 명의 어노테이터가 게시글이 불행 (해악, 스캔들, 실패 등) 을 묘사하는지 라벨링 (합의도 κ=0.81).
댓글 감정 분류: 게시글 - 댓글 쌍 1,000 개를 샘플링하여 '독성 (Toxic)', '동정 (Sympathetic)', '중립 (Neutral)', '불명 (Unknown)'으로 분류. 여기서 '독성' 카테고리는 조롱, 비웃음, 악의적 기쁨을 포함하는 것으로 정의됨.
LLM 분류 파이프라인:
모델: GPT-4o Mini 사용.
전략: 프롬프트 기반 분류와 파인튜닝 (Fine-tuning) 모델을 비교. 파인튜닝 모델이 가장 우수한 성능을 보임 (정확도 87.3%, F1-Score 87.9%).
악의적 기쁨 측정: 불행 관련 게시글에 대한 댓글 중 '독성 (Toxic)'으로 분류된 비율을 악의적 기쁨의 지표로 사용.
주제 분석: 8 가지 주제 영역 (도덕/이념, 정치/종교/제도, 사회/집단, 경제/기업, 연예/문화, 개인/일상, 스포츠/경쟁, 자연/환경) 으로 분류하여 맥락별 차이를 분석.
3. 주요 기여 (Key Contributions)
대규모 종단적 분석: 악의적 기쁨을 단일 사건이나 사례 연구가 아닌, 10 년 간의 장기적 추이와 3 개 국가의 비교 관점에서 정량화한 최초의 연구 중 하나입니다.
다층적 측정 방법론: 단순한 이모지 반응 (Haha) 만으로는 포착되지 않는 언어적 조롱과 악의적 기쁨을 LLM 을 통해 정밀하게 추출하여, 온라인 정서 표현의 층위 (Layered nature) 를 규명했습니다.
이념과 권력의 역동성 규명: 악의적 기쁨이 단순히 개인의 성향이 아니라, **집단의 권력 상태 (여당/야당)**와 밀접하게 연관된 구조적 현상임을 통계적으로 증명했습니다.
4. 주요 결과 (Key Results)
A. 감정 반응 패턴
전체적 경향: 불행 관련 게시글에 대한 반응은 '슬픔 (Sad)'과 '분노 (Angry)'가 지배적이었으나, '웃음 (Haha)'과 '재미 (Wow)' 또한 상당한 비중 (약 15% 내외) 을 차지했습니다.
댓글 vs 반응: 이모지 반응 (Haha) 은 악의적 기쁨의 빈도를 과소평가합니다. 실제 댓글 분석에서는 악의적 기쁨이 훨씬 더 빈번하게 나타났습니다.
B. 국가별 및 이념별 차이
국가별:인도가 악의적 기쁨 비율이 가장 높았습니다 (댓글의 약 42%). 미국 (32%), 영국 (28%) 순이며, 인도는 특히 우파 매체에서 도덕적/이념적 불행에 대해 54% 이상의 악의적 기쁨을 보였습니다.
이념별:우파 (Right-leaning) 청중이 좌파나 중도보다 악의적 기쁨을 더 자주 표현했습니다 (우파 약 38% vs 좌파 약 31%).
C. 주제별 차이
고발성 주제: 도덕/이념적, 정치/종교/제도적 불행이 악의적 기쁨을 가장 많이 유발했습니다 (정의 기반 및 집단 간 경쟁 심리).
저위험 주제: 자연재해나 스포츠 등 비도덕적/비인격적 불행은 악의적 기쁨을 거의 유발하지 않았습니다.
D. 시간적 변화와 권력 역학 (Regression Analysis)
권허용형 (Power-licensed) vs 권위보상형 (Power-compensatory):
좌파 매체: 자신의 정당 (여당) 이 집권할 때 악의적 기쁨이 증가하는 '권허용형' 패턴을 보였습니다 (상대방의 불행을 권력 우위에서 조롱).
우파 매체: 자신의 정당이 야당일 때 악의적 기쁨이 급증하고, 집권 시에는 감소하는 '권위보상형' 패턴을 보였습니다 (정치적 배제 상황에서 적의 실패를 통해 위안).
국가별 추이: 인도는 2019 년 이후 전반적으로 감소했으나 우파는 여전히 높음. 영국은 2020 년 이후 우파에서 재부상. 미국은 2020 년 이후 좌파에서 악의적 기쁨이 증가하는 등 이념적 역학이 변화함.
5. 의의 및 시사점 (Significance)
정서적 양극화 (Affective Polarization) 의 심화: 악의적 기쁨은 단순한 감정이 아니라, 집단 경계를 강화하고 타집단에 대한 공감 능력을 저해하는 정치적 참여의 한 형태로 자리 잡았습니다.
플랫폼 설계의 영향: 소셜 미디어의 '반응 버튼'과 '참여 기반 알고리즘'은 사적인 감정을 공개적이고 측정 가능한 신호로 변환하여, 조롱과 악의적 기쁨을 사회적으로 용인된 정치적 표현으로 격상시켰습니다.
문화적 맥락의 중요성: 동일한 플랫폼 affordance(기능) 가 국가별 문화적 전통 (인도의 높은 조롱 문화 vs 서구의 도덕적 분노 문화) 과 결합하여 서로 다른 정서적 양상을 만들어냅니다.
정책 및 미래 연구: 온라인 혐오 표현과 정서적 양극화를 완화하기 위해서는 단순한 콘텐츠 삭제보다는, 악의적 기쁨이 작동하는 권력 역학과 이념적 맥락을 이해하는 접근이 필요함을 시사합니다.
이 연구는 악의적 기쁨이 디지털 공론장에서 우연적 현상이 아니라, 맥락 의존적 (context-dependent) 이고 구조화된 (structured) 감정적 참여 방식임을 입증했다는 점에서 중요한 학술적 의의를 가집니다.