Neural Networks Measure Peace Levels from News Data similar to Peace Indices

논문 기술 요약: 신경망을 활용한 뉴스 데이터를 통한 평화 수준 측정

1. 연구 배경 및 문제 제기 (Problem)

• 기존 방법의 한계: 국가별 평화 수준을 측정하는 전통적인 방법은 주로 사회경제적 지표나 분쟁 발생 빈도 (객관적 데이터) 에 의존합니다. 이는 공개된 담론 (public discourse) 에 내재된 미묘한 신호를 간과하는 경향이 있습니다.
• 연구의 필요성: "평화"는 단순히 폭력의 부재가 아니라, 사회적 안정을 유지하는 긍정적인 요소들을 포함합니다. 기존 연구는 '혐오 발언'과 같은 부정적 언어에 집중했으나, 평화로운 사회를 유지하는 '평화적 언어 (peace speech)'의 구조적, 양식적 특징을 분석하는 연구는 부족했습니다.
• 핵심 가설: 뉴스 텍스트의 **내용 (What)**뿐만 아니라, 전달 방식 (How) 즉, 언어적 구조와 스타일적 특징 (문장 복잡성, 어휘 다양성, 수사적 장치 등) 을 분석하면 해당 국가의 평화 지수를 정량적으로 추정할 수 있다.

2. 방법론 (Methodology)

• 데이터 수집 및 전처리:

  • 데이터원: 20 개 국가의 뉴스 기사를 포함하는 'News on the Web (NOW)' 코퍼스 사용 (국가당 약 1,000 건).
  • 레이블링: 글로벌 평화 지수 (GPI) 와 긍정적 평화 지수 (PPI) 를 기반으로 평화 수준을 수치화하여 데이터셋에 통합.
  • 전처리: 원문의 진정성을 유지하기 위해 불용어 제거, 소문자 변환, 어근 추출 (lemmatization) 등을 수행하지 않음. 불필요한 줄바꿈만 제거하여 텍스트의 구조적 특징을 보존.

• 임베딩 모델 (Word Embeddings):

  • 비교 대상: 표준적인 Doc2Vec 모델 vs. ChromaDB 를 통해 관리된 고급 임베딩 모델 (기본적으로 all-MiniLM-L6-v2 사용, 차원 384).
  • 목적: 텍스트의 맥락적 의미와 구조적 특징을 고차원 벡터로 변환하여 평화/비평화 패턴을 포착.

• 신경망 아키텍처 (1D CNN):

  • 모델 구조:
    1. Conv1D: 필터 64 개, 커널 크기 3, ReLU 활성화 함수 (특징 추출).
    2. MaxPooling1D: 풀링 크기 2 (차원 축소).
    3. Flatten: 다차원 벡터를 1 차원으로 변환.
    4. Dense Layer 1 & 2: 각각 128 개 및 64 개의 뉴런, ReLU 활성화 함수.
    5. Output Layer: 1 개의 뉴런, Sigmoid 활성화 함수 (이진 분류 또는 회귀 출력).
  • 학습: Adam 옵티마이저, 이진 교차 엔트로피 손실 함수 사용.

• 비교 모델:

  • Baseline: k-Nearest Neighbors (k-NN) 분류기.
  • 평가 방식: 분류 정확도 (Accuracy, F1-score 등) 와 평화 지수의 연속적인 순위 관계 (Ordinality) 보존 능력을 비교.

3. 주요 결과 (Results)

• 임베딩 성능 비교:
  • Doc2Vec 은 데이터의 명확한 분리를 이루지 못했으나, ChromaDB 기반 임베딩은 텍스트의 극성 (polarity) 특징을 훨씬 명확하고 깔끔하게 군집화하여 분류 성능을 크게 향상시켰습니다.
• 모델 성능 비교 (k-NN vs. CNN):
  • k-NN: 이진 분류 (평화/비평화) 에서는 양호한 성능을 보였으나, 평화의 **연속적인 순위 관계 (rank-order)**를 포착하는 데 실패했습니다. 즉, "어느 나라가 얼마나 더 평화로운가"를 구분하지 못했습니다.
  • CNN (제안 모델):
    • 모든 분류 지표에서 k-NN 보다 우수한 성능을 보였습니다.
    • 가장 중요한 성과: 모델의 예측값과 2023 년 긍정적 평화 지수 (PPI) 간의 강한 음의 상관관계를 입증했습니다.
      • 피어슨 상관계수: $r = -0.7754$
      • 스피어만 순위 상관계수: $\rho = -0.8618$ (매우 강력함, $p \approx 0.0004$)
      • 참고: 부호가 음수인 것은 PPI 점수가 높을수록 평화도가 낮음을 의미하는 지표 체계와 모델의 출력 방향 차이 때문입니다.
    • 오차: 평균 절대 오차 (MAE) 0.0391, 제곱근 평균 제곱 오차 (RMSE) 0.0485 로 매우 낮아 예측의 정확성이 높음을 입증.
• 일반화 능력 (Generalization):
  • 학습 세트에 포함되지 않은 국가 (Out-of-sample) 에 대해서도 모델이 높은 일반화 능력을 보였으며, 예측된 평화 순위가 기존 지수들과 잘 일치했습니다.
• 샘플링의 중요성:
  • 단일 샘플로는 신뢰할 수 있는 결과가 나오지 않았으며, 리샘플링 (Resampling) 기법을 통해 여러 샘플을 반복 평가함으로써 더 견고하고 일관된 평화 수준 추정치를 도출할 수 있었습니다.

4. 주요 기여 (Key Contributions)

1. 새로운 평화 측정 패러다임: 평화 수준을 측정할 때 텍스트의 '내용'뿐만 아니라 **'전달 방식 (스타일, 구조)'**이 핵심 지표임을 입증했습니다. 이는 평화 연구에 언어학적 관점을 도입한 혁신적인 접근입니다.
2. 순서성 (Ordinality) 보존: 기존의 이진 분류 모델 (k-NN 등) 과 달리, 신경망 (CNN) 은 국가 간 평화 수준의 미묘한 차이와 순위 관계를 연속적인 값으로 보존하여 정량적 비교를 가능하게 했습니다.
3. 고급 임베딩의 효과: 단순한 단어 빈도나 표준 임베딩보다 ChromaDB 와 같은 고급 벡터 데이터베이스와 임베딩 모델이 사회적 맥락과 구조적 특징을 포착하는 데 훨씬 효과적임을 증명했습니다.
4. 비침습적 실시간 모니터링 도구: 대규모 뉴스 데이터를 분석하여 사회적 불안의 조기 경보 신호를 포착할 수 있는 확장 가능한 프레임워크를 제시했습니다.

5. 의의 및 시사점 (Significance)

• 이론적 의의: 평화를 단순한 '전쟁의 부재'가 아닌, 복잡한 적응 시스템 (Complex Adaptive System) 으로 이해하는 데 언어적 증거를 제공했습니다. 사회적 안정은 거시적 수준에서 수많은 미시적 언어 상호작용의 결과로 나타남을 보여줍니다.
• 실무적 응용:
  • 실시간 모니터링: 정부, NGO, 국제 기구가 공공 담론의 변화를 실시간으로 추적하여 사회적 갈등이나 분열의 조짐을 사전에 감지할 수 있습니다.
  • 미디어 분석: 뉴스 매체가 평화 촉진 또는 갈등 조장 언어를 어떻게 사용하는지 체계적으로 분석하여 책임 있는 저널리즘 전략 수립에 기여합니다.
  • 정책 지원: 평화 구축 노력의 효과를 평가하고, 타겟팅된 소통 전략을 개발하는 데 데이터 기반의 근거를 제공합니다.
• 향후 과제: 다양한 언어 및 문화적 맥락에서의 검증, 어텐션 메커니즘을 활용한 모델 해석성 향상, 텍스트뿐만 아니라 이미지/동영상 등 멀티모달 데이터 통합이 필요하다고 제안합니다.

결론적으로, 이 연구는 신경망과 고급 임베딩 기술을 활용하여 뉴스 텍스트의 구조적 특징에서 '평화 신호'를 추출하고 정량화하는 새로운 방법론을 성공적으로 제시했습니다.