A Structured Clustering Approach for Inducing Media Narratives

이 논문은 기존 방법론의 한계를 극복하고 대규모 코퍼스를 자동으로 분석하여 설명 가능한 서사 스키마를 유도하는 구조화된 클러스터링 프레임워크를 제안합니다.

핵심

이 논문은 **"뉴스가 어떻게 우리를 속이거나 설득하는지"**를 컴퓨터가 자동으로 찾아내는 새로운 방법을 소개합니다.

기존의 컴퓨터 프로그램들은 뉴스를 단순히 "정치 뉴스", "경제 뉴스"처럼 큰 카테고리만 분류했습니다. 하지만 실제 뉴스는 훨씬 더 복잡합니다. 같은 사건을 두고도 "A 는 영웅이고 B 는 악당이다"라고 말하거나, "이 정책은 구원이다"라고 말하기도 하고, 반대로 "이 정책은 재앙이다"라고 말하기도 하죠.

이 연구팀은 이 복잡한 **'이야기 구조 (서사)'**를 자동으로 찾아내는 시스템을 만들었습니다. 이를 이해하기 쉽게 세 가지 비유로 설명해 드리겠습니다.

---

1. 문제: 거친 모래알과 정교한 모자이크

기존의 뉴스 분석 프로그램은 뉴스를 거친 모래알처럼만 보았습니다. "아, 이건 이민 관련 모래알이네", "아, 총기 관련 모래알이네"라고 분류만 했을 뿐, 그 모래알들이 어떻게 쌓여 어떤 그림을 이루는지는 보지 못했습니다.

하지만 진짜 뉴스는 정교한 모자이크입니다. 같은 '이민'이라는 주제라도, 어떤 뉴스는 이민자를 '희생자'로, 경찰을 '악당'으로 그려내어 동정을 이끌어내고, 다른 뉴스는 이민자를 '위협'으로, 경찰을 '영웅'으로 그려내어 경각심을 줍니다. 이 연구팀은 이 **모자이크의 패턴 (누가 영웅이고, 누가 악당인지, 어떤 갈등이 있는지)**을 컴퓨터가 스스로 찾아내게 했습니다.

2. 해결책: '캐릭터 카드'를 활용한 이야기 분류

연구팀은 뉴스를 분석할 때 두 가지 단계를 거칩니다.

• 1 단계: 사건의 줄기 찾기 (나비 효과 추적)
  뉴스 속 사건들을 연결합니다. "A 가 B 를 했다" -> "그래서 C 가 일어났다"처럼 인과관계를 찾아 이야기의 줄기를 만듭니다.
• 2 단계: 캐릭터 역할 부여 (드라마 캐스팅)
  이 줄기 속에 등장하는 사람이나 단체에 역할을 부여합니다.
  • 영웅 (Hero): 문제를 해결하려는 사람 (예: 이민자를 돕는 활동가)
  • 악당 (Threat): 문제를 일으키는 사람 (예: 불법 이민을 조장하는 조직)
  • 희생자 (Victim): 피해를 입은 사람 (예: 실업에 시달리는 현지 노동자)

이제 컴퓨터는 단순히 "이민 뉴스"라고 분류하는 게 아니라, **"이민자=희생자, 경찰=악당"**이라는 역할을 가진 이야기 A 와, **"이민자=악당, 경찰=영웅"**이라는 역할을 가진 이야기 B 로 구분합니다.

3. 핵심 기술: "서로 다른 역할은 섞지 마!" (구조적 클러스터링)

여기서 가장 재미있는 부분이 나옵니다. 보통 컴퓨터는 비슷한 단어가 많이 나오는 글을 한데 묶습니다 (예: '이민'이라는 단어가 자주 나오면 다 묶음).

하지만 이 연구팀은 **"역할이 다르면 무조건 갈라놓아!"**라는 규칙을 세웠습니다.

• 같은 '이민' 주제라도, 한쪽은 이민자를 '희생자'로 보고, 다른 쪽은 '위협'으로 본다면?
• 이 두 이야기는 표면적으로는 비슷해 보이지만, 전혀 다른 메시지를 전달하므로 절대 묶어서는 안 된다는 것입니다.

이를 통해 컴퓨터는 표면적인 단어의 유사함을 넘어, **뉴스가 전달하려는 진짜 의도 (프레임)**를 찾아내어 그룹화합니다. 마치 같은 '사랑'이라는 주제를 다루더라도, '비극적인 사랑'과 '해피엔딩 사랑'을 구분하듯이요.

4. 결과: 왜 이 기술이 중요한가요?

이 시스템을 통해 우리는 다음과 같은 것을 알 수 있게 됩니다.

• 뉴스의 숨은 의도 파악: 특정 정치 세력이 어떤 이야기를 반복해서 퍼뜨려 여론을 어떻게 조작하는지 파악할 수 있습니다.
• 편향성 발견: 같은 사건을 보도할 때, 어떤 매체는 '영웅'을 내세우고 어떤 매체는 '악당'을 내세우는지 한눈에 볼 수 있습니다.
• 대규모 분석: 사람이 일일이 읽을 수 없는 수만 건의 뉴스를 컴퓨터가 자동으로 읽어보고, 어떤 이야기들이 주류가 되고 있는지 찾아냅니다.

요약

이 논문은 **"뉴스는 단순한 사실 나열이 아니라, 영웅과 악당을 배치한 드라마"**라는 점을 컴퓨터가 이해하게 만든 연구입니다.

기존의 컴퓨터는 뉴스를 제목만 보고 분류했다면, 이 새로운 방법은 뉴스를 영화의 줄거리와 등장인물의 성격까지 분석하여, **"이 뉴스는 어떤 메시지를 전하려는 드라마인가?"**를 찾아냅니다. 이를 통해 우리는 미디어가 우리를 어떻게 설득하려는지 더 명확하게 볼 수 있게 됩니다.

기술 요약

1. 문제 정의 (Problem)

미디어 내러티브는 대중의 여론 형성에 막대한 영향을 미치지만, 기존의 계산적 접근법 (NLP) 은 다음과 같은 한계를 가지고 있습니다:

• 과도한 단순화: 기존 방법론은 당파성 (좌/우) 이나 거시적 주제 (정치, 경제 등) 와 같은 coarse-grained(거친 입자) 라벨에 의존하여, 커뮤니케이션 이론에서 강조하는 미묘한 내러티브 구조와 서사적 뉘앙스를 놓치고 있습니다.
• 확장성 부족: 특정 도메인 (이민, 경제 등) 에 맞춘 수동적 분류 체계 (taxonomy) 는 세부적인 이데올로기와 문화적 뉘앙스를 포착할 수 있지만, 다른 도메인으로의 확장성이 떨어지고 대규모 코퍼스 적용에 한계가 있습니다.
• 이론과 기술의 괴리: 커뮤니케이션 이론은 내러티브를 '의미 구성을 위한 공유된 스키마'로 보지만, NLP 는 주로 추출 가능한 단위 (사건, 역할) 를 하향식 (bottom-up) 으로 결합하는 데 그쳐, 내러티브의 평가적 및 이데올로기적 차원을 충분히 반영하지 못합니다.

2. 방법론 (Methodology)

저자들은 대규모 뉴스 코퍼스에서 풍부한 내러티브 스키마 (narrative schemas) 를 유도하기 위해 구조적 클러스터링 (Structured Clustering) 프레임워크를 제안합니다. 이 프로세스는 다음과 같은 다단계 파이프라인으로 구성됩니다:

2.1. 내러티브 체인 구축 (Constructing Narrative Chains)

• 사건 추출: 텍스트에서 동사 (predicate) 와 목적어 (object) 를 튜플 (verb, object) 형태로 추출하여 사건 (event) 을 정의합니다.
• 인과 관계 추출: DAPrompt 기법을 활용하여 두 사건 간의 인과적 연결을 식별합니다. (LLM 을 통해 학습된 은은한 라벨링을 사용하여 효율성을 높임).
• 구어화 (Verbalization): 추출된 사건 쌍과 인과 관계를 바탕으로, 관련 등장인물을 포함하여 자연스러운 문장 형태의 '인과 내러티브 체인'을 생성합니다.

2.2. 등장인물 및 역할 추출 (Character & Role Extraction)

• 등장인물 그룹화: 뉴스 기사에서 주요 등장인물을 식별하고, 이를 '이민자', '법 집행 기관', '정치인' 등 도메인별 의미 있는 그룹으로 클러스터링합니다.
• 내러티브 역할 부여: 커뮤니케이션 이론 (Shanahan et al., 2011) 에 기반하여 각 등장인물 그룹을 영웅 (Hero), 위협 (Threat), 희생자 (Victim) 로 분류합니다. 이는 내러티브의 도덕적 및 기능적 위치를 파악하는 핵심 요소입니다.

2.3. 제약 조건이 있는 구조적 클러스터링 (Structured Clustering)

• 기존 클러스터링의 한계 극복: 단순 텍스트 유사도만으로는 표면적으로 비슷하지만 내러티브 구조 (예: 이민자를 '희생자'로 보는가 '위협'으로 보는가) 가 완전히 다른 내러티브가 같은 군집에 묶일 수 있습니다.
• 제약 조건 (Constraints): 등장인물 그룹과 그들의 역할 (Hero/Threat/Victim) 이 상충되는 경우 (예: 같은 '이민자' 그룹이 한 체인에서는 '희생자'이고 다른 체인에서는 '위협'인 경우) 에 Cannot-Link(연결 금지) 제약 조건을 생성합니다.
• 알고리즘: 이러한 제약 조건을 고려하여 k-means++ 초기화 및 목적 함수 최적화를 수행하는 제약 기반 클러스터링 알고리즘을 적용합니다. 이를 통해 표면적 유사성을 넘어선 의미론적으로 일관된 내러티브 군집을 형성합니다.

2.4. 내러티브 스키마 귀속 (Schema Attribution)

• 생성된 각 군집 (Cluster) 에 대해 LLM 을 사용하여 고수준의 내러티브 스키마를 자동 생성합니다.
• 생성된 스키마는 Entman (1993) 의 프레이밍 이론에 따라 문제 (Issue), 평가 (Evaluation), 해결책 (Resolution) 요소를 포함하도록 유도됩니다.

3. 주요 기여 (Key Contributions)

1. 이론과 NLP 의 통합: 커뮤니케이션 이론의 '내러티브 스키마' 개념과 NLP 의 '사건/등장인물 모델링'을 결합하여, 도메인에 구애받지 않고 대규모로 내러티브를 유도할 수 있는 최초의 계산적 프레임워크를 제시했습니다.
2. 구조적 클러스터링 기법: 등장인물의 역할 (Role) 정보를 클러스터링 제약 조건으로 활용함으로써, 표면적으로 유사하지만 이데올로기적 프레이밍이 다른 내러티브를 성공적으로 분리해냅니다.
3. 해석 가능성 (Explainability): 생성된 내러티브 스키마가 블랙박스 모델의 임베딩보다 더 투명하며, 프레이밍 요소 (Issue, Evaluation, Resolution) 를 명시적으로 포착하여 인간 연구자가 분석하기 쉬운 구조를 제공합니다.

4. 실험 결과 (Results)

• 데이터셋: 이민 (Immigration) 과 총기 통제 (Gun Control) 라는 두 가지 정책 도메인의 뉴스 코퍼스 (Media Frames Corpus 기반) 를 사용했습니다.
• 성능 평가:
  • 클러스터 순도 (Purity): 제안된 구조적 클러스터링은 기존 k-means 대비 Exact Match Purity (약 57%p 향상) 와 Role Purity (약 12%p 향상) 에서 우수한 성능을 보였습니다.
  • 프레임 예측: 생성된 내러티브 군집을 특징으로 사용하여 미디어 프레임을 예측한 결과, 기존 k-means 보다 F1 점수가 3~4%p 향상되었습니다.
  • 침입자 탐지 (Intrusion Test): 군집의 일관성을 평가하는 침입자 탐지 작업에서 총기 통제 도메인에서 유의미한 성능 향상을 보였습니다.
• 해석 가능성 분석 (SHAP): 생성된 내러티브 특징 (군집 및 역할 빈도) 이 RoBERTa 와 같은 텍스트 임베딩 모델과 유사한 예측력을 가지면서도, 어떤 내러티브 패턴이 특정 프레임을 결정하는지 명확하게 설명할 수 있음을 입증했습니다.

5. 의의 및 결론 (Significance)

이 연구는 미디어 분석 분야에서 다음과 같은 중요한 의의를 가집니다:

• 규모와 깊이의 균형: 대규모 데이터에서 수동 주석 없이도 커뮤니케이션 이론에 부합하는 심층적인 내러티브 구조를 자동으로 유도할 수 있음을 증명했습니다.
• 이데올로기적 뉘앙스 포착: 등장인물의 역할 (영웅/위협/희생자) 을 구조적 제약으로 활용함으로써, 단순한 주제 분류를 넘어선 이데올로기적 프레이밍의 미묘한 차이를 포착할 수 있습니다.
• 미래 연구 방향: 이 프레임워크는 사회적 논쟁, 선전 (propaganda), 그리고 미디어가 어떻게 공공 담론을 형성하는지를 연구하는 데 강력한 도구가 될 수 있으며, 향후 다국어 및 시계열적 내러티브 분석으로 확장될 가능성을 제시합니다.

요약하자면, 이 논문은 사건, 인과 관계, 등장인물 역할을 통합적으로 모델링하고 이를 제약 조건이 있는 클러스터링에 적용함으로써, 기존 NLP 가 놓치고 있던 미디어 내러티브의 복잡한 이데올로기적 구조를 체계적이고 확장 가능하게 분석하는 새로운 패러다임을 제시했습니다.