Temporal Narrative Monitoring in Dynamic Information Environments

1. 문제 정의 (Problem Statement)

위기 상황 (Crisis events) 에서의 정보 환경 (Information Environment, IE) 을 이해하는 것은 급변하는 속도와 추상적인 특성으로 인해 매우 어렵습니다. 기존의 분석 방법론들은 주로 다음과 같은 한계를 가지고 있습니다:

• 고정된 분류 (Classification-based): 사전에 정의된 라벨을 필요로 하며, narratives(내러티브) 가 빠르게 진화하고 변형되는 동적 환경에서는 적절한 범주를 사전에 정의하기 어렵습니다.
• 네트워크 분석 (Network-based): 사용자 간 상호작용 구조에 초점을 맞추어 정보 흐름은 파악할 수 있으나, 내러티브의 의미 (Semantic meaning) 가 시간에 따라 어떻게 진화하는지에 대한 통찰력이 부족합니다.
• 단편적 스냅샷: 기존 시계열 모델들은 독립적인 시간 단위의 스냅샷을 생성할 뿐, 내러티브가 시간 창을 넘어 지속적이고 연속적인 개체로 어떻게 연결되는지를 추적하지 못합니다.

따라서, 사전 라벨링 없이 내러티브를 시간에 따라 진화하는 시맨틱 구조 (temporally evolving semantic structures) 로 모델링하고, 이를 통해 상황 인식 (Situational Awareness) 을 지원하는 새로운 시스템이 필요합니다.

2. 방법론 (Methodology)

이 논문은 상황 인식 이론 (Situational Awareness Theory, Endsley 의 3 단계 모델) 을 기반으로 한 시스템 지향적 프레임워크를 제안합니다. 주요 기술적 구성 요소는 다음과 같습니다:

A. 시스템 아키텍처

• 공유 시맨틱 공간 (Shared Semantic Space): 모든 소셜 미디어 게시물은 Sentence Transformer 모델 (all-mpnet-base-v2) 을 사용하여 임베딩됩니다. 이는 일관된 시맨틱 공간에서 기존 데이터와 새로운 데이터를 비교할 수 있게 합니다.
• 롤링 시간 창 (Rolling Temporal Windows): 데이터를 고정된 시간 창 (예: 4 시간 간격, 12 시간 윈도우) 으로 나누어 처리합니다. 새로운 데이터가 유입됨에 따라 클러스터가 진화하도록 설계되었습니다.
• 시간적 클러스터링 (Temporal Clustering):
  • HDBSCAN 알고리즘을 사용하여 밀도 기반 클러스터링을 수행합니다. 이는 강제로 클러스터를 할당하지 않고, 관련성이 낮거나 희소한 콘텐츠는 '노이즈 (Noise)'로 처리할 수 있게 합니다.
  • 클러스터 연결 (Linkage): 이전 시간 창과 현재 시간 창 사이의 클러스터 중심점 (Centroid) 코사인 유사도가 0.85 이상일 경우, 내러티브가 지속된 것으로 간주하고 연결합니다. 유사도가 낮으면 새로운 내러티브로 생성되거나 기존 내러티브가 소멸한 것으로 간주합니다.
• 대표성 있는 게시물 선별 및 요약:
  • 각 클러스터의 중심점에 가장 가까운 게시물들을 대표성 있게 선별합니다 (중복 제거를 위해 시맨틱 거리 제약 적용).
  • 선별된 게시물들을 생성형 AI (GPT-4.1-mini 등) 에 입력하여 클러스터 수준의 요약 (Summary) 과 주제 라벨 (Thematic Label) 을 생성합니다. 이는 분석가의 인지 부하를 줄이고 해석을 돕습니다.

B. 데이터셋

• 사건: 2026 년 1 월 3 일, 미국이 니콜라스 마두로 (Nicolás Maduro) 를 체포했다는 가상의/실제 사건 (논문에 명시된 날짜 기준) 에 관한 논의.
• 데이터: 2026 년 1 월 2 일~7 일 사이, X(트위터) 플랫폼에서 수집된 9,914 개의 게시물 (3,799 명의 사용자).
• 샘플링: 'maduro' 또는 'venezuela' 키워드와 재게시 (Re-post) 횟수 50 회 이상을 기준으로 한 고영향력 게시물 위주.

3. 주요 기여 (Key Contributions)

1. 확장 가능한 NLP 시스템: 사전 라벨링 없이 비정상적 (Non-stationary) 소셜 미디어 스트림에서 내러티브를 탐지하고 추적하는 시스템 설계.
2. 클러스터 기반 시간 모델링: 내러티브의 등장 (Emergence), 이동 (Drift), 소멸 (Dissipation) 을 측정할 수 있는 방법론 제시.
3. 실증적 평가: 베네수엘라 위기 사건에 대한 실제 적용을 통해 시스템의 거동을 검증하고, 내러티브 수명 주기와 이질성을 분석함.

4. 결과 (Results)

시스템은 베네수엘라 관련 사건 데이터를 통해 다음과 같은 성과를 보였습니다:

• 클러스터 일관성 (Coherence):
  • 인간이 레이블링한 1,033 개의 게시물 샘플에서 91% 가 적절한 클러스터에 할당되었습니다.
  • 클러스터 중심점 (Centroid) 에 가까운 게시물일수록 주제 일치도가 높았으며, 클러스터 크기가 클수록 내부 주제 일관성이 높았습니다.
• 내러티브 드리프트 (Drift) 및 수명 주기:
  • 이질적인 수명 주기: 대부분의 내러티브는 짧게 지속되었으나 (중앙값 2 시간 창, 8 시간), 소수의 내러티브는 매우 오래 지속되었습니다 (최대 22 시간 창, 88 시간).
  • 드리프트 분포: 내러티브의 의미적 변화 (Cosine drift) 는 다양하게 나타났습니다. 25% 는 거의 변화가 없었으나 (안정적), 상위 10% 는 급격한 구조적 재편 (0.50 이상의 거리) 을 보였습니다.
• 구조적 진화:
  • 사건 초기에는 콘텐츠의 49% 가 '노이즈'로 분류되었으나, 시간이 지남에 따라 내러티브가 정립되면서 노이즈 비율은 감소하고 클러스터 수는 증가했습니다. 이는 시스템이 내러티브의 형성, 분열, 재결합을 유연하게 추적함을 보여줍니다.

5. 의의 및 결론 (Significance & Conclusion)

• 상황 인식 지원: 이 프레임워크는 분석가가 원시 데이터 스트림에 직접 개입하지 않고도, 내러티브가 어떻게 등장하고 진화하며 소멸하는지를 시각화 가능한 시스템 상태로 관찰할 수 있게 합니다. 이는 Endsley 의 상황 인식 모델 중 1 단계 (지각) 와 2 단계 (이해) 를 강력하게 지원합니다.
• 동적 환경 대응: 고정된 분류 체계나 네트워크 구조 분석의 한계를 넘어, 의미적 진화를 추적함으로써 급변하는 위기 상황에서의 의사결정을 지원합니다.
• 인지 부하 감소: 생성형 AI 를 통한 자동 요약과 클러스터 기반 필터링을 통해 방대한 정보량을 관리 가능한 단위로 축소하여, 분석가의 인지 부하를 줄이고 신뢰도 평가 (Centroid proximity) 를 가능하게 합니다.

한계점:

• 시간 창 크기와 유사도 임계값과 같은 매개변수는 사전에 설정해야 하며, 사건 특성에 따라 결과가 달라질 수 있습니다.
• 거시적 구조에 초점을 맞추다 보니 미시적 내러티브의 뉘앙스는 놓칠 수 있습니다.
• 비지도 학습 기반이므로 클러스터의 의미 해석은 여전히 인간의 개입이 필요합니다.

이 연구는 동적 정보 환경을 모니터링하기 위해 시맨틱 임베딩, 밀도 기반 클러스터링, 시간적 링크를 통합한 새로운 패러다임을 제시하며, 위기 관리 및 정보 분석 분야에서 중요한 도구로 활용될 수 있음을 시사합니다.