Machine Learning Analysis of User Sentiments in Tinnitus Management Apps

본 연구는 2015 년부터 2025 년까지 84 개 이명 관리 앱의 34 만여 건의 리뷰를 그래프 신경망 기반의 감성 분석 모델로 분석하여 치료 기능에 대한 긍정적 평가와 가격, 광고, 기술적 안정성에 대한 부정적 피드백을 규명함으로써 개발자와 임상가에게 앱 개선 및 추천을 위한 실용적 통찰을 제공했습니다.

핵심

귀울림 앱의 '숨은 목소리'를 듣다: 34 만 개의 리뷰를 분석한 인공지능 연구

이 논문은 **귀울림 (이명, Tinnitus)**을 겪는 사람들이 스마트폰 앱에서 어떤 경험을 하고 있는지, 그리고 그 앱들이 실제로 얼마나 도움이 되는지를 분석한 흥미로운 연구입니다.

연구진들은 단순히 "앱이 좋아요/나빠요"라는 별점 5 개를 보는 것을 넘어, 34 만 2,520 개의 실제 사용자 리뷰를 인공지능 (AI) 으로 꼼꼼히 읽어보았습니다. 마치 거대한 도서관에서 10 년 치의 독서 감상문을 모두 읽어내어, 책의 어떤 부분이 가장 감동적이고 어떤 부분이 지루한지 찾아낸 것과 같습니다.

이 연구의 핵심 내용을 쉬운 비유와 함께 설명해 드리겠습니다.

---

1. 왜 이 연구를 했을까요? (배경)

귀울림은 전 세계 인구의 10~15% 가 겪는 고통스러운 증상입니다. 소음이나 링링거리는 소리가 들리는 이 증상은 수면과 정신 건강을 해칩니다.

과거에는 전문가들이 앱을 직접 써보며 점수를 매기거나 (MARS 점수), 소수의 환자를 대상으로 임상 시험을 했습니다. 하지만 이는 전문가의 시선일 뿐, 실제 10 만 명의 사용자가 매일 겪는 '진짜 이야기'를 놓치고 있었습니다.

• 비유: 마치 미식가 (전문가) 가 식당의 맛을 평가하는 것과, 실제로 배고픈 손님들 (사용자) 이 "소스는 맛있는데 접시가 너무 뜨거워서 먹기 힘들다"라고 외치는 소리를 듣는 것의 차이입니다. 연구진은 후자의 목소리에 집중했습니다.

2. 어떻게 분석했나요? (방법론)

연구진은 2015 년부터 2025 년까지 10 년간 앱스토어에 올라온 34 만 개의 리뷰를 모았습니다. 그리고 **그래프 신경망 (GNN)**이라는 최신 AI 기술을 사용했습니다.

• GNN 이란 무엇일까요?
  일반적인 AI 는 문장을 줄줄이 나열된 단어의 나열로 봅니다. 하지만 GNN은 문장을 **연결된 네트워크 (그물망)**로 봅니다.
  • 비유: 문장을 한 줄의 줄거리가 아니라, 사람들과의 관계도 (소셜 네트워크) 로 생각해보세요. "소리는 좋지만 (긍정), 앱이 자꾸 꺼져서 (부정)"라는 문장에서, '소리'와 '앱 꺼짐'은 서로 다른 관계에 있습니다. GNN 은 이 관계망을 통해 "소리는 좋지만, 앱이 꺼지는 건 싫다"는 복합적인 감정을 정확히 분리해냅니다.

이 기술 덕분에 연구진은 "전체 앱이 나쁘다"가 아니라, **"소리 치료 기능은 훌륭하지만, 광고가 너무 심하다"**처럼 **기능별 (Aspect-based)**로 감정을 분석할 수 있었습니다.

3. 무엇을 발견했나요? (결과)

34 만 개의 리뷰를 분석한 결과, 사용자들의 감정은 기능마다 완전히 달랐습니다.

✅ 칭찬받은 부분 (긍정적 감정)

• 소리 치료 (Sound Therapy): 귀울림을 가려주는 백색 소음이나 자연의 소리 기능은 대부분 "좋다", "잠이 온다"는 칭찬을 받았습니다.
• 수면 지원: 잠들기 어려운 환자에게 큰 도움이 된다는 평이 많았습니다.
• 비유: 앱의 '심장'이나 '영혼'은 매우 훌륭했습니다. 치료의 본질은 훌륭하다는 뜻입니다.

❌ 불만족스러운 부분 (부정적/중립적 감정)

• 광고와 가격: "치료는 좋은데, 광고가 너무 자주 나와서 집중이 안 된다", "구독비가 비싸다"는 불만이 가장 컸습니다.
• 기술적 안정성: "화면을 잠그면 소리가 끊긴다", "앱이 자주 튕긴다"는 불만이 많았습니다.
• 비유: 앱의 '심장'은 뛰고 있지만, '신경계' (기술) 가 고장 나거나 '옷장' (광고/가격) 이 너무 시끄러워서 환자가 앱을 쓰지 못하게 만든 것입니다.

4. 이 연구의 의미는 무엇인가요? (결론)

이 연구는 사용자들의 진짜 목소리를 통해 앱 개발자와 의사들에게 중요한 메시지를 줍니다.

1. 개발자에게: "치료 기능은 이미 훌륭합니다. 이제 광고를 줄이고, 앱이 꺼지지 않게 기술적 안정성을 높이면 사용자들은 훨씬 만족할 것입니다."
2. 의사에게: "환자에게 앱을 추천할 때, 전체 별점만 보지 마세요. '수면 지원' 기능이 좋은 앱은 추천하되, '광고'가 많은 앱은 피하게 하세요."
3. 사용자에게: "앱을 고를 때, 전체 평점보다 '내 필요 (예: 수면, 스트레스 해소)'에 맞는 기능이 잘 작동하는지 리뷰를 확인하세요."

🌟 한 줄 요약

이 연구는 **"앱의 치료 효과는 훌륭하지만, 기술적 결함과 광고가 사용자를 떠나보내고 있다"**는 사실을, 34 만 개의 리뷰를 AI 가 분석하여 밝혀냈습니다. 마치 훌륭한 요리 (치료) 가 있지만, 식당이 너무 시끄럽고 (광고) 의자가 불편해서 (기술적 결함) 손님이 다시 오지 않는 상황을 정확히 진단한 것입니다.

이제 개발자들은 이 '진단 결과'를 바탕으로, 치료 효과는 유지하면서 사용자를 괴롭히는 부분들을 고쳐, 더 나은 디지털 건강 도구를 만들 수 있게 되었습니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 이명 (Tinnitus) 의 심각성: 전 세계 인구의 10~15% 가 이명을 겪으며, 이는 수면 장애, 우울증, 불안 등을 유발하는 만성 질환입니다.
• 기존 평가 방법의 한계:
  • 임상 시험 (RCT): 소규모 샘플 (42~198 명) 과 통제된 환경에서 진행되어 실제 사용 환경에서의 장기적 참여도나 구체적인 기능에 대한 피드백을 포착하지 못함.
  • 전문가 평가 (MARS 등): 전문가의 주관적 점수 위주로, 실제 사용자의 불만족 요소나 세부 기능별 문제점을 파악하는 데 한계가 있음.
  • 설문 조사: 표본 크기가 작고 편향될 수 있으며, 실시간 대규모 데이터를 반영하지 못함.
• 연구 격차: 수백만 건의 앱 스토어 리뷰를 활용하여 기능 단위 (Feature-level) 로 사용자의 감성 (Sentiment) 을 분석하고, 이를 머신러닝으로 자동화한 대규모 연구가 부재함.

2. 연구 방법론 (Methodology)

이 연구는 2015 년부터 2025 년까지 수집된 84 개 이명 관련 앱 (iOS 및 Android) 의 342,520 건의 영어 리뷰를 분석했습니다.

2.1 데이터 수집 및 전처리

• 데이터 소스: Apple App Store 및 Google Play Store 의 15 개 영어권 지역 (미국, 영국, 인도 등) 에서 크롤링.
• 전처리 과정:
  • 중복 제거: 정밀한 중복 제거 (Exact & Near-duplicate) 를 통해 548 만 건의 원본 데이터에서 342,520 건의 고유 리뷰로 정제.
  • 문장 분할: 리뷰를 개별 문단 (Sentence) 단위로 분할하여 총 785,184 개의 문장 생성.
  • VADER 기반 라벨링: VADER (Valence Aware Dictionary and sEntiment Reasoner) 를 활용하여 각 문장의 감성 (긍정, 부정, 중립) 을 초기 라벨로 할당.

2.2 제안된 모델: GNN-ABSA (Graph Neural Network-based Aspect-Based Sentiment Analysis)

기존의 문서 단위 감성 분석을 넘어, 기능 단위 (Aspect-level) 로 감성을 분류하기 위해 그래프 신경망 (GNN) 을 도입했습니다.

• 그래프 구성: 각 문장을 그래프로 변환. 단어는 노드 (Node), 문법적 의존 관계는 엣지 (Edge) 로 표현.
• 모델 아키텍처:
  • Graph Attention Network (GAT): PyTorch Geometric 라이브러리 사용. 2 개의 GAT 레이어와 4 개의 어텐션 헤드를 적용하여 단어 간의 장기 의존성 (Long-range dependencies) 과 부정 (Negation, 예: "NOT effective") 을 정확히 파악.
  • Aspect Masking: 감성 예측 시 특정 기능 (Aspect) 과 관련된 노드에만 집중하도록 마스크를 적용하여 노이즈 제거.
• 분석 대상 기능 (Aspects): 사운드 치료 (Sound therapy), 수면 지원 (Sleep support), 가격/광고 (Pricing/Ads), 안정성 (Stability), 사용자 인터페이스 (UI) 등 10 가지 주요 카테고리.
• 학습 환경: GPU 없이 CPU 만으로 30 만 개의 그래프를 학습 (300k training, 57k testing).

3. 주요 결과 (Key Results)

• 모델 성능:
  • 정확도 (Accuracy): 84.4%
  • Macro F1 Score: 0.829
  • 성능 특징: 부정적 감성 (Negative) 과 중립적 감성 (Neutral) 을 구분하는 데 높은 정확도를 보였으며, 특히 긍정과 부정을 혼동하는 심각한 오류는 5% 미만으로 낮음.
• 기능별 감성 분석 인사이트:
  • 긍정적 감성: 사운드 마스킹 (Sound masking), 수면 지원, 이완 기능 등 치료적 기능에 대한 평가가 대체로 긍정적임.
  • 부정적/중립적 감성: 가격 정책, 광고, 배경 재생 (Background playback) 중단, 앱 불안정성 (Crash) 등 기술적/비즈니스적 요소에서 강한 부정적 감성이 발견됨.
  • 중립 감성의 의미: "조금 도움은 되지만..."과 같은 혼합된 감정으로, 치료 효과는 인정하지만 기술적 결함으로 인해 앱 사용을 중단할 가능성이 높음을 시사.

4. 주요 기여 (Key Contributions)

1. 대규모 데이터 기반 분석: 기존 연구 (소규모 임상 시험, 전문가 평가) 와 달리, 10 년 간의 34 만 건 이상의 실제 사용자 리뷰를 분석하여 실세계 (Real-world) 통찰 제공.
2. 기능 단위 (Aspect-level) 정밀 분석: 앱 전체의 평점이 아닌, 구체적인 기능 (예: 광고, 배터리 소모, 사운드 품질) 별 감성을 분리하여 개발자에게 구체적인 개선 방향 제시.
3. GNN 기반 접근법 도입: 텍스트를 단순 시퀀스가 아닌 의존성 그래프로 모델링하여 복잡한 문맥 (부정, 반전, 혼합 감성) 을 정확히 해석하는 새로운 방법론 제시.
4. 설명 가능한 AI (XAI) 적용: 그래프 구조를 통해 모델이 어떤 단어와 관계를 기반으로 감성을 판단했는지 추적 가능하게 하여 의료/헬스케어 분야에서의 신뢰성 확보.

5. 의의 및 시사점 (Significance)

• 개발자를 위한 가이드: 치료적 효과는 입증되었으나, 광고, 구독 정책, 배경 재생 안정성 등의 기술적/디자인적 결함이 사용자 이탈의 주원인임을 규명. 개발자는 치료 기능 유지와 함께 이러한 '실행 실패 (Implementation failures)'를 해결해야 함.
• 임상가 및 환자 지원: 임상 시험 결과만으로는 앱의 실제 사용성을 판단하기 어렵다. 본 연구는 환자가 어떤 기능에 만족하고 어떤 이유로 앱을 포기하는지 구체적인 데이터를 제공하여, 더 적합한 앱 추천과 기대치 관리에 기여.
• 디지털 헬스 평가 패러다임 전환: 전문가 평가나 임상 시험을 대체하는 것이 아니라, 이를 보완 (Complement) 하는 대규모 사용자 중심 평가 체계의 필요성을 입증.

결론

본 연구는 그래프 신경망 (GNN) 과 기능 단위 감성 분석 (ABSA) 을 결합하여 이명 관리 앱의 사용자 경험을 심층적으로 분석했습니다. 결과는 치료적 가치 자체는 높게 평가받지만, 기술적 안정성과 비즈니스 모델 (광고/가격) 이 사용자 만족도를 결정하는 핵심 변수임을 보여주었습니다. 이는 향후 디지털 헬스 앱 개발이 '치료 기능'뿐만 아니라 '사용자 경험 (UX) 과 기술적 신뢰성'에 중점을 두어야 함을 시사합니다.