Discovering Conceptual Metaphors Across Topics and Media Types

인간의 사고는 종종 비교라는 숨겨진 비계(scaffolding)에 의존합니다. 우리는 잘 알고 있는 단순하고 물리적인 경험에 복잡하고 추상적인 아이디어를 투영함으로써 이를 이해합니다. 이것이 개념 은유 이론(Conceptual Metaphor Theory)의 핵심으로, 우리가 '세금을 내는 것'이나 '정치 캠페인'에 대해 말할 때, 그것이 단지 화려한 수사를 사용하는 것이 아니라, 우리가 세상을 이해하기 위해 물리적 대상, 여정, 또는 전투의 논리를 무의식적으로 빌려오고 있다는 틀을 제시합니다. 만약 화자가 세금을 자신이 짊어져야 할 무거운 짐이라고 묘사한다면, 그들은 이 문제를 물리적인 무게로 프레이밍하는 것이며, 이는 자연스럽게 그것을 내려놓고 싶다는 욕구로 이어집니다. 반면, 동일한 세금을 공동체를 위한 투자라고 묘사한다면, 그 논리는 성장과 미래의 수익이라는 개념으로 완전히 바뀝니다. 이러한 기저의 정신적 지도는 사람들이 추론하고, 논쟁하며, 현실을 인식하는 방식을 형성하지만, 일상적인 언어 아래에 묻혀 있기 때문에 직접적으로 관찰하기는 어렵습니다.

콜로라도 대학교 볼더 캠퍼스의 연구진은 인간의 개입 없이 수천 개의 구어 및 문어 단어를 분석하여 이러한 보이지 않는 지도를 밝혀내는 새로운 방법을 개발했습니다. 연구진은 사람들에게 의미를 묻는 대신, 방대한 텍의 집합을 읽고, 은유적으로 사용된 특정 단어들을 식별한 뒤, 그들이 공유하는 더 깊은 논리에 따라 이들을 그룹화하는 컴퓨터 시스템을 구축했습니다. 이 시스템은 먼저 동사가 비유적인 방식으로 사용된 단어 쌍을 찾습니다. 예를 들어 정치인이 권력을 '휘두르다(wielding)'라거나 경제가 '폭락하다(crashing)'와 같은 표현입니다. 그다음, 이 구절들이 문제, 원인, 그리고 해결책에 대해 무엇을 암시하는지 설명하도록 거대 언어 모델(LLM)에게 요청하여, 은유를 화자의 관점을 명확하게 나타내는 진술로 번역합니다. 마지막으로, 시스템은 이러한 해석들을 클러스터로 분류하는데, 이때 엄격한 규칙을 적용합니다. 즉, 동일한 주제를 다루더라도 근본적으로 다른 물리적 행동을 묘사한다면 은유들을 함께 그룹화하는 것을 거부합니다. 이는 결과물로 도출된 그룹이 단순히 선택한 단어의 표면적인 유사성이 아니라, 사람들이 생각하는 방식의 진정한 유사성을 반영하도록 보장하기 위함입니다.

연구진이 이 방법을 대규모 정치 팟캐스트 전사 데이터에 적용했을 때, 좌파 성향과 우파 성향의 화자들이 세상을 프레이밍하는 방식에서 뚜렷한 패턴을 발견했습니다. 분석 결과, 좌파 성향의 진행자들은 정보, 미디어 이야기, 그리고 정치적 권력을 무기로 자주 개념화한다는 사실이 드러났습니다. 그들은 이러한 힘이 서로를 공격하기 위해 어떻게 사용되는지를 묘 وصف하기 위해 '짓누르다(crush)', '휘두르다(wield)', '장악하다(seize)'와 같은 동사를 자주 사용합니다. 반면, 우파 성향의 소스들은 경제 문제를 수직적 변화의 대상인 체계로 논하는 경향이 훨씬 강했으며, 무언가가 상승하거나 하락하거나, 혹은 경제가 구축되거나 허물어질 수 있는 구조물임을 시사하는 언어를 사용했습니다. 또한 연구는 좌파 성향의 화자들이 은유적 언어를 통해 정치적 폭력을 논하는 데 더 능숙한 반면, 우파 성향의 화자들은 경제적 주제에 더 집중한다는 점을 보여주었습니다.

연구팀은 잘 알려진 사고 패턴을 복구할 수 있는지 확인하기 위해 이 방법론을 이민, 총기 규제, 낙태를 포함한 다른 주제에도 테스트했습니다. 이민 데이터에서 시스템은 이민자를 기생충이나 자연재해로 묘사하는 오래된 은유를 성공적으로 식별해냈으며, 국경을 '범람(flooding)'하거나 자원을 '고갈(draining)'하는 것에 관한 구절들을 함께 묶었습니다. 또한 우파 성향의 소스들이 이민을 능동적인 침입이나 전투 중인 위기로 프레이밍하는 경우가 많다는 것을 발견한 반면, 좌파 성향의 소스들은 동일한 사건을 묘사하기 위해 다른 은유를 사용했습니다. 연구진은 이러한 그룹화가 무작위가 아님을 확인했습니다. 은유 클러스터의 빈도를 사용하여 팟캐스트 에피소드의 정치적 편향을 예측했을 때, 시스템은 좌파와 우파 소스를 정확하게 구별해 낼 수 있었습니다. 이는 사람들이 은유를 선택하는 방식이 그들의 기저에 깔린 이데올로기적 틀을 나타내는 신뢰할 수 있는 신호임을 시사합니다.

이 연구는 미디어 편향 문제를 해결했다거나 존재하는 모든 은유를 찾아냈다고 주장하지 않습니다. 연구진은 자신들의 방법론이 은유적 단어를 일반적인 단어로 오인하거나 구절을 잘못된 범주에 할당하는 등의 실수를 할 수 있는 자동화된 도구에 의존하고 있음을 인정합니다. 또한 분석 대상인 팟캐스트가 특정 채널과 제한된 기간을 다루고 있으므로, 연구 결과가 모든 미디어 형식이나 화자에게 적용되지 않을 수 있다고 언급합니다. 그러나 결과는 비지도 학습(unsupervised machine learning)을 사용하여 공적 담론을 안내하는 개념적 구조를 지도화하는 것이 가능하다는 것을 입증합니다. 서로 다른 집단이 추상적인 쟁점들을 프레이밍하기 위해 물리적 대상, 힘, 그리고 여정의 논리를 사용하는 방식을 밝힘으로써, 이 접근법은 언어가 우리의 정치적 현실을 형성하는 미묘하고도 종종 무의식적인 방식들을 이해하는 새로운 길을 제시합니다.