기술 요약: 교차 플랫폼 분석을 위한 정치적 당파성 정량화

문제 정의

소셜 미디어의 정치적 양극화에 대한 연구는 당파성을 일반화할 수 있는 방식으로 신뢰성 있게 측정할 수 없다는 점 때문에 어려움을 겪고 있다. 기존 방법론은 일반적으로 플랫폼 특유의 구조적 어포던스(예: 레딧의 서브레딧 시스템, 트위터의 리트윗 그래프)나 언어적 관습(예: 특정 해시태그나 속어)과 같이 플랫폼에 특화된 속성에 맞춰져 있다. 소셜 미디어 생태계가 파편화되고 메인스트림 플랫폼과 함께 "알트테크(alt-tech)" 플랫폼(예: Truth Social, Bluesky)이 등장함에 따라, 이러한 플랫폼 특정적 접근 방식은 비교 가능한 지표를 제공하지 못한다. 이러한 한계는 특히 이념적으로 비대칭적인 환경을 비교할 때, 양극화, 에코 체임버(echo chambers), 급진화를 분석하는 엄격한 교차 플랫폼 분석을 저해한다.

방법론

저자들은 팔로워 그래프, 커뮤니티 구조 또는 플랫폼 특유의 관습에 의존하지 않고, 오직 게시물 텍스트와 외부 미디어 편향성 등급만을 활용하는 텍스트 기반의 플랫폼 이식 가능한 방법론을 제안한다. 파이프라인은 다음 네 단계로 구성된다:

1. 데이터 수집 및 전처리:

   • 코퍼스: 2024년 미국 대선 전 6개월간인 2024년 5월 1일부터 10월 31일 사이에 수집된 Bluesky 및 Truth Social의 게시물 약 130만 개.
   • 정제: 게시물을 중복 제거(유사한 내용의 콘텐츠 제거)하고, URL/해시태그를 제거한 후 실질적인 텍스트(최소 3개 토큰)가 남도록 필터링하며, HTML/이모지를 제거함.
   • 임베딩: 정제된 게시물을 트랜스포머 기반 문장 인코더(qwen3-embedding:8b)를 사용하여 임베딩하여 128차원 벡터를 생성함. 이후 L2 정규화를 수행하고 분산의 95%를 유지하도록 주성분 분석(PCA)을 통해 차원을 축소함.

2. 교차 플랫폼 클러스터링 및 레이블링:

   • 클러스터링: 두 플랫폼의 게시물을 MiniBatch k-means ($k=36$)를 사용하여 공동으로 클러스터링함.
   • 외부 신호를 통한 레이블링: 게시물에서 URL을 추출하여 뉴스 도메인에 매핑함. AllSides 미디어 편향성 등급( -2 [극좌]에서 +2 [극우]까지의 5단계 척도)을 사용하여 각 클러스터 내 인용된 도메인의 편향 점수를 집계함.
   • 안정화: 소수의 인용 사례가 있는 클러스터를 처리하기 위해, 원시 평균 편향 점수에 **경험적 베이즈 수축(Empirical Bayes shrinkage)**을 적용하여 이를 글로벌 사전 평균(global prior mean)으로 수렴시킴. 클러스터는 좌편향($\le -0.5$), 우편향($\ge 0.5$), 중립, 또는 신호 없음으로 레이블링됨.

3. 사회적 차원 구축:

   • 시드 쌍 선택: 저자들은 코사인 유사도가 높은 대립하는 클러스터 쌍(좌 vs 우) 4개를 알고리즘적으로 선택하였으며, 이는 해당 쌍들이 주제 측면보다는 주로 당파성 차원에서 차이가 나도록 보장함.
   • 축 정의: 당파성 축($\mathbf{d}$)은 이들 대립하는 시드 쌍의 L2 정규화된 중심점(centroid) 간의 평균 벡터 차이로 정의됨: $\mathbf{d} = \frac{1}{n} \sum (\hat{\mathbf{r}}_i - \hat{\mathbf{l}}_i)$.
   • 스코어링: 개별 게시물은 이 축 위로 임베딩을 투영함으로써 점수가 매겨짐. 점수는 z-score로 표준화되며, 양수 값은 우편향 정렬을, 음수 값은 좌편향 정렬을 나타냄.

4. 검증:

   • 내부 분포(In-Distribution): 시드 클러스터에는 포함되지 않았으나 뉴스 소스를 인용한 Bluesky 및 Truth Social의 홀드아웃(held-out) 게시물로 테스트함.
   • 외부 분포(Out-of-Distribution): 축 구축에 사용되지 않은 동일한 선거 기간의 독립적인 X (Twitter) 코퍼스로 테스트함.
   • 민감도 분석: 선택된 시드 쌍의 성능을 630개의 가능한 모든 클러스터 쌍과 비교하여, 신호가 임의적인 선택의 결과물이 아님을 확인함.

주요 결과

• 교차 플랫폼 상관관계: 구축된 당파성 축은 두 평가 세트 모두에서 인용된 뉴스 소스의 AllSides 편향 점수와 유의미한 양의 상관관계를 보임:
  • Bluesky/Truth Social (내부 분포): $r = 0.365$ ($p < 0.001$).
  • X (외부 분포): $r = 0.193$ ($p < 0.001$).
  • 축 구축 과정에서 본 적 없는 플랫폼인 X에서도 양의 상관관계가 지속된다는 점은, 이 방법이 플랫폼 특유의 노이즈가 아닌 일반적인 당파성 신호를 포착함을 입증함.
• 민감도 분석: 저자들이 선택한 시드 쌍으로부터 도출된 축은 다른 모든 가능한 클러스터 쌍보다 뛰어난 성능을 보임. 이 축은 내부 분포 성능에서 상위 100백분위에 해당했으며, 외부 분포(X) 성능에서는 상위 99.5백분위에 해당하여 시드 선택 절차의 견고함을 확인시켜 줌.
• 역동적 당파성 추세: 이 방법은 플랫폼 정체성만으로는 설명할 수 없는 플랫폼 내 역동성을 성공적으로 복구함:
  • (좌편향 경향이 있는) Bluesky에서, **바이든(Biden)**을 언급하는 게시물은 그의 7월 사퇴 이후 중립/좌측에서 뚜렷한 우측(비판적)으로 이동한 반면, **카멀라 해리스(Kamala Harris)**를 언급하는 게시물은 첫 대통령 토론을 기점으로 정점을 찍으며 점점 더 좌편향됨.
  • Truth Social에서, 바이든과 해리스에 대한 언급은 7월에 우측으로 급증하며 후보 교체에 대한 공화당의 반응을 반영함.
• 언어적 비대칭성: 질적 분석 결과, 강력한 좌편향 게시물은 특정 후보(바이든, 해리스, 트럼프)를 참조한 반면, 강력한 우편향 게시물은 시민적 및 도덕적 어휘(예: "사람들", "신", "국가", "미국")에 의해 지배됨을 드러냄.

핵심 기여

1. 이식 가능한 측정 방법: 외부 미디어 편향성 등급에 기반하여 검증되었으며, 세 가지 서로 다른 플랫폼(Bluesky, Truth Social, X) 간에 비교 가능한 점수를 생성하는 텍스트 기반 당파성 지표.
2. 최초의 교차 플랫폼 비교: 2024년 미국 대선 기간 동안 Bluesky와 Truth Social의 정치적 담론을 비교한 최초의 분석으로, "알트테크" 플랫폼에 관한 문헌의 공백을 메움.
3. 역동적 감성의 실증적 증거: 플랫폼 정체성 자체만으로는 설명할 수 없는 변화하는 당파성 역동성(예: Bluesky에서의 바이든 지지율 하락)을 포착할 수 있음을 입과함.

의의 및 주장

본 논문은 주요 기여가 정치적 당파성을 엄격하게 비교할 수 있게 하는 방법론적 프레임워크를 제공하는 것이라고 주장한다. 외부의 일관된 편향성 등급(AllSides)에 근거를 두고 텍스트 임베딩만을 활용함으로써, 이 방법은 기존 연구의 일반화 한계를 극복한다.

저자들은 이 접근 방식이 연구자들에게 다음과 같은 기회를 제공한다고 단언한다:

• 서로 다른 플랫폼이 동일한 정치적 사건에 어떻게 반응하는지 조사함.
• 플랫폼 내부 및 플랫폼 간에 당파적 관심이 시간이 지남에 따라 어떻게 변화하는지 추적함.
• 이념적으로 대립하는 플랫폼에서 동일한 콘텐츠가 어떻게 해석되는지 분석함.

논문은 결론적으로, 이 방법이 현재(AllSides 등급에 대한 의존성 때문에) 미국 중심적이고 클러스터링 선택에 민감하지만, 시간적 양극화 역동성, 교차 플랫폼 정보 흐름, 그리고 파편화된 소셜 미디어 생태계 내의 플랫폼 동기적 급진화를 연구하기 위한 기초적인 도구를 제공한다고 밝힌다.