Classification of Public Opinion on the Free Nutritional Meal Program on YouTube Media Using the LSTM Method

"유튜브 미디어에서 LSTM 방법을 활용한 무료 영양 식사 프로그램에 대한 여론 분류"에 대한 상세한 기술적 요약은 다음과 같습니다.

1. 문제 제기

이 연구는 인도네시아의 아동 영양 개선 정책인 **무료 영양 식사 프로그램 (MBG)**에 대한 대중의 인식을 효율적으로 분석하는 과제를 다룹니다. 유튜브와 같은 소셜 미디어 플랫폼은 여론을 반영하는 방대한 양의 실시간 텍스트 데이터를 생성하지만, 이러한 댓글을 수동으로 분석하는 것은 데이터의 양과 비정형적인 특성으로 인해 실현 불가능합니다.

• 핵심 문제: 정책 수용성을 평가하기 위해 감정 (긍정, 부정, 중립) 을 분류할 수 있는 자동화된 데이터 기반 접근법이 필요합니다.
• 구체적 과제: 데이터셋은 심각한 클래스 불균형을 보이며, 부정적 감정이 데이터의 87.7% 를 차지합니다. 이는 일반적으로 머신러닝 모델에 편향을 초래하고 소수 클래스 (긍정적 감정) 의 검출을 방해합니다.

2. 방법론

이 연구는 **자연어 처리 (NLP)**와 딥러닝을 활용한 정량적 접근법을 사용합니다. 워크플로우는 다음과 같은 단계로 구성됩니다.

A. 데이터 수집

• 출처: MBG 프로그램에 대해 논의하는 두 개의 유튜브 채널에서 크롤링된 댓글.
• 규모: 총 7,733 개의 댓글이 수집되었습니다.
• 분포: 부정적 댓글 5,629 개 (87.7%) 및 긍정적 댓글 790 개 (12.3%). 참고: 이 연구는 이진 분류 (긍정 vs 부정) 에 초점을 맞춥니다.

B. 전처리 파이프라인

원시 텍스트는 모델링을 준비하기 위해 엄격한 정제 과정을 거쳤습니다.

1. Case Folding: 소문자 변환.
2. 정제: URL, 언급, 해시태그, 숫자, 특수 문자 제거.
3. 정규화: 은어 및 비표준 인도네시아어 단어의 표준화.
4. 토큰화: 텍스트를 개별 단어로 분할.
5. 불용어 제거: NLTK 라이브러리를 사용하여 의미 없는 단어 제거.
6. Stemming: Sastrawi 라이브러리 (인도네시아어 전용) 를 사용하여 단어를 어근 형태로 축소.

C. 특징 표현

• 토큰화 및 패딩: 텍스트를 정수 인덱스로 변환했습니다. 배치 처리를 위해 시퀀스를 패딩하여 일관된 길이를 확보했습니다.
• 임베딩: 단어를 128 차원 벡터로 매핑했습니다.

D. 모델 아키텍처

이 연구는 텍스트의 장기 의존성과 순차적 맥락을 포착하는 능력이 뛰어나고 기존 RNN 보다 성능이 우수한 Long Short-Term Memory (LSTM) 네트워크를 활용했습니다.

• 아키텍처:
  • 임베딩 레이어: 128 차원.
  • LSTM 레이어: 은닉 차원 128, 드롭아웃 비율 0.3.
  • 드롭아웃 레이어: 과적합 방지를 위한 0.5 비율.
  • 완전 연결 (FC) 레이어: 2 개의 출력 뉴런.
  • 출력 레이어: 이진 분류를 위한 Softmax 활성화 함수.
• 하이퍼파라미터:
  • 옵티마이저: Adam (학습률: 0.0005).
  • 손실 함수: CrossEntropyLoss.
  • 학습: 20 에포크, 배치 크기 16.
  • 총 파라미터: 약 223 만 개.
• 베이스라인 비교: LSTM 모델은 SVM, 로지스틱 회귀, 나이브 베이즈와 같은 기존 머신러닝 알고리즘과 비교되었습니다.

E. 평가 지표

성능은 혼동 행렬과 다음 지표를 사용하여 평가되었습니다.

• 정확도 (Accuracy): 전체 정확성.
• 정밀도 (Precision), 재현율 (Recall), F1-점수: 클래스 불균형 문제를 해결하기 위해 특별히 분석되었습니다.

3. 주요 결과

LSTM 모델은 전반적으로 강력한 성능을 보였으나, 데이터 불균형으로 인해 클래스 간 상당한 격차가 드러났습니다.

• 전체 정확도: 테스트 세트 (963 개 샘플) 에서 89%.
• 부정 클래스 성능 (다수 클래스):
  • F1-점수: 0.94
  • 정밀도: 0.94
  • 재현율: 0.93
  • 해석: 모델은 부정적 감정을 식별하는 데 매우 효과적입니다.
• 긍정 클래스 성능 (소수 클래스):
  • F1-점수: 0.55
  • 정밀도: 0.54
  • 재현율: 0.57
  • 해석: 모델은 긍정적 감정을 탐지하는 데 어려움을 겪으며, 종종 이를 부정으로 잘못 분류합니다 (False Negatives).
• 학습 역동성: 모델은 98.26% 의 학습 정확도와 88.99% 의 검증 정확도를 달성했으며, 손실은 20 에포크 동안 0.68 에서 0.1225 로 꾸준히 감소했습니다.

4. 주요 기여

1. 정책 평가 프레임워크: 소셜 미디어 데이터를 활용하여 인도네시아 정부가 MBG 프로그램에 대한 대중의 수용성을 평가할 수 있는 확장 가능한 자동화 프레임워크를 제공합니다.
2. 인도네시아어 텍스트에 대한 LSTM 효과성: LSTM 아키텍처가 인도네시아어 감정 분석, 특히 비공식적인 소셜 미디어 댓글의 맥락을 포착하는 데 매우 효과적임을 검증했습니다.
3. 불균형 영향에 대한 실증적 증거: 이 연구는 심각한 클래스 불균형 (87.7% 부정) 이 소수 클래스에 대한 딥러닝 모델의 성능을 어떻게 저하시키는지 명시적으로 계량화하여, 향후 감정 분석 프로젝트에 대한 경계 사례를 제시합니다.
4. 비교 분석: 데이터 불균형에도 불구하고 딥러닝 (LSTM) 이 소셜 미디어 텍스트의 순차적 특성을 처리하는 데 있어 기존 방법 (SVM, 나이브 베이즈) 보다 우수함을 확인했습니다.

5. 중요성과 향후 방향

• 중요성: 이 연구는 딥러닝이 강력하지만 불균형 데이터셋에 대한 만능 해결책 ("은탄환") 은 아님을 강조합니다. 높은 정확도 (89%) 는 균형 잡힌 정책 평가를 위해 필수적인 대중의 "긍정적 목소리"를 모델이 듣지 못한다는 사실을 가립니다.
• 한계: 주요 한계는 데이터 불균형으로, 부정 클래스에 대한 편향을 초래합니다.
• 향후 권장 사항:
  • 데이터 균형 조정: 학습 중 SMOTE(Synthetic Minority Over-sampling Technique) 나 클래스 가중치와 같은 기법을 적용합니다.
  • 데이터 수집: 데이터셋을 균형 있게 만들기 위해 더 많은 긍정적 감정 데이터를 적극적으로 확보합니다.
  • 아키텍처 업그레이드: 특징 추출 및 소수 클래스 검출을 더욱 개선하기 위해 Bi-LSTM(양방향 LSTM) 이나 하이브리드 CNN-LSTM 모델과 같은 고급 아키텍처를 탐구합니다.

결론적으로, 이 논문은 인도네시아어 감정 분석을 위한 LSTM 의 유용성을 성공적으로 입증했으나, 공정하고 포괄적인 여론 모니터링을 보장하기 위해 데이터 불균형 문제를 해결하는 것이 시급함을 강조합니다.