일반적으로 우리는 "서로 다른 의견을 가진 사람들이 댓글을 달면 서로 대화하고 이해하게 될 것"이라고 생각합니다. 하지만 연구 결과는 정반대였습니다.
연구자들은 **'당파 전사 (Partisan Warrior)'**라는 새로운 용어를 만들었습니다. 이는 마치 적진 (敵陣) 으로 침투한 특수부대와 같습니다.
보통의 댓글: 내 편이 모인 방 (채널) 에서 내 편을 응원하거나, 내 편을 비판하는 사람.
당파 전사:적의 진영 (상대방이 좋아하는 유튜브 채널) 으로 직접 가서, 상대방을 모욕하고 공격하는 사람.
이들은 단순히 토론하러 온 게 아니라, 적을 혼내주기 위해 침투한 '공격자'입니다.
🔍 연구의 4 가지 주요 발견 (비유로 설명)
1. "적진에 가면 더 예의 바르게 행동할까?" (RQ1)
일반적인 생각: "아마도 적진에 가면 상대방을 존중하려고 더 조심할 거야."
실제 결과:아닙니다. 적진 (상대방 채널) 에 가서 댓글을 단 사람들도, 자기 편 채널에 있는 사람들과 똑같이 거칠고 독설을 퍼부었습니다.
비유: 적진에 침투한 특수부대원들이 적의 얼굴을 때리며 "너희는 쓰레기야!"라고 외치는 것과, 우리 진영에서 "너희는 쓰레기야!"라고 외치는 것이 소리의 크기와 폭력성은 똑같습니다. 오히려 보수 (공화당) 채널에 있는 사람들이 진보 (민주당) 채널 사람들보다 조금 더 조용했지만, 전체적으로 '예의'는 찾아볼 수 없었습니다.
2. "누가 박수를 보내는가?" (RQ2)
발견: 댓글을 읽는 관객들의 반응이 완전히 달랐습니다.
보수 (공화당) 채널: 상대방 (민주당/해리스) 을 공격하는 댓글을 보면 "좋아요 (Like)"를 엄청나게 눌러주었습니다. 마치 "잘했다! 저 녀석을 혼내줘!"라고 응원하는 분위기입니다.
진보 (민주당) 채널: 상대방 (공화당/트럼프) 을 공격하는 댓글을 보면 좋아요를 거의 눌러주지 않았습니다. 오히려 "그렇게까지 욕할 필요 있니?"라는 반응이었습니다.
비유: 보수 채널은 '폭력적인 스포츠 경기' 같습니다. 상대팀 선수를 때리면 관중들이 박수를 치고 환호합니다. 반면 진보 채널은 '조용한 독서실' 같습니다. 누가 소란을 피우면 사람들이 눈치를 보거나 싫어합니다.
결론: 보수 진영에서는 상대방을 공격하는 것이 '영웅'이 되는 길이고, 진보 진영에서는 그렇지 않다는 것입니다.
3. "누가 전사가 될 확률이 높은가?" (RQ3)
발견:보수 진영의 댓글 작성자들이 '당파 전사'가 될 확률이 훨씬 높았습니다.
보수 채널만 다니는 사람들 중 27% 가 적진에 가서 공격했습니다.
반면 진보 채널만 다니는 사람들 중 6% 만이 적진에 가서 공격했습니다.
그리고 **양쪽 채널을 오가는 사람들 (Cross-cutting)**은 거의 100% 가 당파 전사였습니다.
비유: 보수 진영은 '전투 훈련이 잘 된 병영' 같습니다. 그곳에 있는 사람들이 자연스럽게 적진을 찾아다니며 싸우는 습관이 생겼습니다. 반면 진보 진영은 '평화로운 마을' 같아서, 마을 사람들이 밖으로 나가서 싸우는 경우는 드뭅니다.
4. "왜 싸움이 일어날까? (환경의 영향)" (RQ4)
발견: 유튜브 영상의 제목이 거칠고 독설적일수록 사람들이 더 많이 싸울까?
처음에는 제목이 독할수록 싸움이 더 난다고 생각했지만, 자세히 보니 그건 착각이었습니다.
진짜 이유는 **'채널의 분위기 (생태계)'**였습니다. 특정 채널 자체가 싸움을 부추기는 분위기를 가지고 있으면, 그 채널에 들어온 사람들은 제목이 어떻든 상관없이 싸우게 됩니다.
비유: 어떤 식당 (채널) 이 이미 "싸움바탕"으로 유명하다면, 메뉴판 (영상 제목) 이 뭐라고 적혀 있든 사람들은 서로 싸우게 됩니다. 반면 평화로운 식당에서는 메뉴판이 거칠어도 사람들은 조용히 밥을 먹습니다. 즉, 제목의 문제라기보다 그 공간 자체가 가진 '분위기'가 사람들을 전쟁터로 이끕니다.
💡 결론: 이 연구가 우리에게 주는 메시지
이 연구는 **"인터넷의 악성 댓글은 단순히 나쁜 사람들이 많아서가 아니라, 그 공간이 만들어낸 '인센티브 (보상)' 시스템 때문"**이라고 말합니다.
보수 채널은 상대방을 공격하면 '좋아요'라는 보상을 받기 때문에, 사람들이 계속 적진을 침범하며 싸우게 됩니다.
진보 채널은 그런 공격을 보상하지 않기 때문에, 사람들이 적진을 침범할 동기가 적습니다.
유튜브 같은 플랫폼은 **"누가 싸우게 만드는가?"**를 고민해야 합니다. 단순히 나쁜 댓글을 삭제하는 것만으로는 부족하고, "상대방을 공격했을 때 보상을 주는 시스템 (좋아요, 추천 알고리즘 등)"을 고쳐야 전쟁이 멈출 수 있습니다.
한 줄 요약:
"유튜브 댓글 전쟁은 '예의'의 문제가 아니라, **'누가 적을 때렸을 때 박수를 보내주는가'**에 따라 결정되는 생태계의 문제입니다. 보수 진영은 적을 때리면 박수받고, 진보 진영은 그렇지 않아서 전쟁의 양상이 완전히 다릅니다."
논문 개요
이 연구는 2024 년 미국 대통령 선거 토론을 둘러싼 유튜브 댓글 데이터 (약 185 만 건) 를 분석하여, **파벌 전사 (Partisan Warriors, PW)**의 행태와 이를 조장하는 플랫폼의 구조적 메커니즘을 규명합니다. 저자들은 단순히 '비매너'의 유무를 넘어, 상대 진영을 공격하기 위해 의도적으로 이념적 경계를 넘나드는 사용자의 존재와 그 비대칭적인 동역학을 밝혀냈습니다.
1. 연구 문제 (Problem)
기존의 통념과 현실의 괴리: 소셜 미디어에서의 '이념 간 교차적 접촉 (Cross-cutting exposure)'은 종종 숙의 (deliberation) 와 타협으로 이어질 것이라는 이상적인 관점이 지배적이었습니다. 그러나 현실에서는 오히려 적대감과 비매너가 심화되는 경우가 많습니다.
연구의 공백: 기존 연구는 댓글의 '독성 (toxicity) 수준'에 집중했으나, **공격 대상 (Target)**과 수용자의 반응 (Audience Reward), 그리고 **구조적 동인 (Structural Drivers)**을 체계적으로 연결하여 분석한 연구는 부족했습니다.
핵심 질문: 이념을 초월하여 상대 진영을 공격하는 '파벌 전사'는 누구이며, 그들의 행동은 어떻게 유지되고 강화되는가?
2. 방법론 (Methodology)
데이터 수집 및 전처리
데이터 소스: 2024 년 9 월 미국 대통령 후보 토론 (트럼프 vs 해리스) 직후 2 주간의 유튜브 댓글 데이터.
채널 선정: Media Bias/Fact Check(MBFC) 를 기준으로 분류된 160 개 채널 (진보 86 개, 보수 74 개) 의 2,920 개 영상.
규모: 총 1,854,320 개의 댓글 (677,238 명의 고유 사용자).
필터링:
독성 필터링: Perspective API 를 사용하여 독성 점수가 상위 10% (≥0.578) 인 댓글만 선별.
활동성 필터링: 독성 기준을 충족하는 댓글을 3 개 이상 작성한 '활발한 사용자'만 분석 대상에 포함 (62,598 개 댓글).
파벌 전사 (Partisan Warrior, PW) 의 정의 및 식별
개념: 이념적으로 반대되는 채널 (예: 보수 사용자가 진보 채널) 에 접속하여, 해당 진영의 인물이나 지지자를 공격하는 비매너 댓글을 작성하는 사용자.
LLM 활용 (GPT-4.1):
공격 대상 분류: 18 가지 범주 (정치인, 지지자, 미디어 등) 로 공격 대상을 자동 분류.
입장 (Stance) 추론: 사용자의 공격 패턴을 기반으로 '반-진보 (Anti-Liberal)' 또는 '반-보수 (Anti-Conservative)' 입장을 산출.
PW 분류 기준:
단일 채널 사용자: 자신의 이념과 반대되는 채널에서 적대적 공격을 한 경우.
교차적 사용자 (Cross-cutting): 양쪽 채널에서 활동하며 명확한 적대적 입장을 가진 경우.
검증: 인간 코더와의 비교를 통해 Jaccard 유사도 0.724 이상의 높은 일치도를 확인.
분석 모델
RQ1 (비매너 수준): 크루스칼 - 월리스 검정 (Kruskal-Wallis) 을 통한 그룹 간 독성 점수 비교.
RQ2 (수용자 보상): 음이항 회귀 (Negative Binomial Regression) 를 통해 공격 대상과 채널 성향에 따른 '좋아요 (Likes)' 수 분석.
RQ3 (PW prevalence): 카이제곱 검정과 로지스틱 회귀를 통해 사용자 유형별 PW 비율 분석.
RQ4 (환경적 유발 요인): 다층 모델링 (GLMM) 을 통해 영상 제목의 독성이 PW 참여에 미치는 영향을 분석 (채널 수준의 랜덤 효과 통제).
3. 주요 결과 (Key Results)
RQ1: 교차적 사용자의 비매너 수준
교차적 사용자 (Cross-cutting commenters) 는 진보 채널 전용 사용자보다 더 비매너하지 않았습니다.
비대칭적 발견: 교차적 사용자와 진보 전용 사용자의 독성 수준은 유사했으나, 보수 전용 사용자는 이 두 그룹보다 통계적으로 유의미하게 낮은 독성 점수를 보였습니다. 즉, 교차적 공격이 항상 더 격렬한 것은 아니며, 진보 진영 내부의 비매너도 매우 높았습니다.
RQ2: 수용자의 보상 메커니즘 (비대칭적 인센티브)
보수 채널: 상대 진영 (해리스 및 지지자) 에 대한 비매너 공격은 약 2.7 배 더 많은 좋아요를 받았습니다. 반면, 아군 (트럼프 지지자) 에 대한 공격은 제재받았습니다.
진보 채널: 상대 진영 (트럼프) 에 대한 공격은 추가적인 보상을 받지 못했으며, 아군에 대한 공격은 오히려 제재받았습니다.
결론: 보수 진영에서는 '상대 진영 공격'이 사회적 보상을 받는 반면, 진보 진영에서는 그렇지 않아 보수 채널이 파벌 전사를 양산하는 생태계임을 시사합니다.
RQ3: 파벌 전사의 분포
교차적 사용자: 전체 교차적 사용자의 **93.6%**가 파벌 전사로 분류되었습니다.
단일 채널 사용자 간 격차:
보수 전용 사용자: 27.3% 가 파벌 전사.
진보 전용 사용자: 6.6% 만이 파벌 전사.
의미: 보수 채널에 머무는 사용자들조차 진보 채널 사용자들보다 4 배 이상 높은 확률로 파벌 전사 행위를 합니다. 이는 파벌 전사 현상이 이념 전체가 아니라 **특정 채널 생태계 (보수 진영)**에 집중되어 있음을 보여줍니다.
RQ4: 환경적 유발 요인 (영상 제목의 독성)
초기 분석에서는 독성 있는 제목이 보수 채널에서 PW 참여를 증가시키는 것처럼 보였습니다.
강건성 검증 (Robustness Check): 채널 수준의 고정 효과 (Channel-level heterogeneity) 를 통제하자, 영상 제목의 독성과 PW 참여 간의 인과적 관계는 사라졌습니다.
결론: PW 의 행동은 개별 영상의 자극 (제목 등) 에 의한 일시적 반응이 아니라, **채널이 가진 고유의 규범과 생태계 (Channel Ecosystem)**에 의해 결정되는 구조적 현상입니다.
4. 주요 기여 (Key Contributions)
개념적 혁신: 단순한 '비매너'를 넘어, **상대 진영을 표적으로 삼는 '파벌 전사 (Partisan Warriors)'**라는 새로운 개념을 정립하고 이를 LLM 을 통해 대규모로 식별했습니다.
비대칭적 동역학 규명: 이념 간 교차 접촉이 항상 더 폭력적인 것은 아니며, 보수 진영이 진보 진영보다 파벌 전사 행위를 더 많이 수행하고, 이를 수용자가 더 많이 보상한다는 비대칭적 구조를 실증했습니다.
생태계적 관점의 전환: 비매너가 개별 콘텐츠 (영상 제목) 의 문제라기보다, **채널 수준의 생태계 (규범, 보상 구조)**에 의해 유지된다는 점을 밝혔습니다. 이는 플랫폼 정책이 개별 콘텐츠 삭제보다 채널 생태계 개입에 초점을 맞춰야 함을 시사합니다.
5. 의의 및 시사점 (Significance)
플랫폼 거버넌스: 알고리즘이 '상대 진영 공격' 댓글을 강화하여 파벌 전사를 양산하는 '보상 고리 (Reward Loop)'를 깨뜨려야 함을 제안합니다. 단순히 독성 콘텐츠를 삭제하는 것을 넘어, 특정 채널의 생태계적 규범을 변화시키는 개입이 필요합니다.
이론적 확장: 소셜 미디어에서의 정치적 갈등이 단순한 '이념 차이'가 아니라, 특정 환경 (채널) 에서의 보상 구조에 의해 유지되는 행동 양식임을 보여줍니다.
방법론적 진보: 대규모 LLM 을 활용하여 공격 대상과 맥락을 정교하게 분석함으로써, 기존 텍스트 분류기 (Toxicity Classifier) 가 놓칠 수 있는 '적대적 의도'를 포착하는 새로운 분석 프레임워크를 제시했습니다.
이 연구는 온라인 정치적 혐오가 무작위적으로 발생하는 것이 아니라, 특정 플랫폼 생태계와 보상 체계에 의해 구조화되고 유지되는 현상임을 명확히 보여주었습니다.