📄 사회과학

Understanding Public Opinion Evolution in Extreme Rainstorm Disasters for Resilient Governance: A BERTopic-Based Event Logic Graph Approach

본 연구는 BERTopic 기반의 이벤트 로직 그래프 접근법을 활용하여 '23·7' 베이징 폭우에 관한 다중 플랫폼 소셜 미디어 데이터를 분석하였으며, 대중의 관심이 재난의 영향과 비상 대응에 집중되어 있는 반면 경보, 대비 및 회복에 관한 핵심 정보는 여전히 과소 대표되고 있음을 밝힘으로써, 회복력 있는 거버넌스를 강화하기 위한 전 주기적 리스크 커뮤니케이션 전략의 필요성을 강조한다.

원저자: Qiaoyan Ding, Cui Li, Qiyu Tian

게시일 2026-09-15

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Qiaoyan Ding, Cui Li, Qiyu Tian

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

도시가 갑작스럽고 격렬한 폭풍에 직면했을 때, 물리적 피해는 이야기의 절반에 불과합니다. 나머지 절반은 수백만 명의 사람들이 두려움을 공유하고, 도움을 요청하며, 답을 요구하는 디지털 공간에서 펼쳐집니다. 이 디지털상의 소음은 단순한 잡음이 아닙니다. 그것은 사회가 위험을 어떻게 이해하고 반응하는지를 보여주는 복잡하고 살아있는 지도입니다. 재난 관리자와 정부 관계자들에게 이 지도를 읽는 것은 필수적입니다. 사람들이 경보를 듣는 것에서부터 피해를 목격하는 것, 그리고 마지막으로 구조를 요청하는 단계로 어떻게 이동하는지를 이해할 수 있다면, 그들은 더 효과적으로 소통하고 더 많은 생명을 구할 수 있습니다. 문제는 정보의 엄청난 양과 속도에 있습니다. 소셜 미디어 게시물은 짧고, 무질서하며, 매 순간 변합니다. 전통적인 분석 방식은 종종 이러한 게시물들을 특정 순간에 "비"나 "구조"에 대해 얼마나 많은 사람이 이야기하는지를 세는 정적인 스냅샷처럼 취급합니다. 하지만 이는 가장 중요한 부분, 즉 '이야기'를 놓치게 됩니다. 하나의 사건이 어떻게 다른 사건으로 이어지는지, 경보가 어떻게 위기로 변하는지, 그리고 구조 노력이 어떻게 대중적 감정의 물결을 일으키는지에 대한 맥락을 놓치는 것입니다.

이를 해결하기 위해 연구자 댜오옌 딩(Qiaoyan Ding), 츠이 리(Cui Li), 치위 티안(Qiyu Tian)은 재난의 온라인 생애를 추적하는 새로운 방법을 개발했습니다. 그들은 2023년 7월 말 베이징과 주변 지역을 강타한 극심한 폭우, 즉 "23·7" 폭우 사건에 주목했습니다. 단순히 단어를 세는 대신, 그들은 서로 다른 유형의 게시물 사이의 점들을 연결하는 동적인 모델을 구축했습니다. 그들은 웨이보(Weibo), 도인(Douyin), 지후(Zhihu), 샤오홍슈(Xiaohongshu) 등 네 개의 주요 중국 소셜 미디어 플랫폼에서 거의 97,000개의 메시지를 수집했습니다. 이 플랫폼들은 실시간 도움 요청이 오가는 웨이보부터 감정적인 영상이 올라오는 도인, 기술적인 토론이 이루어지는 지후에 이르기까지 다양한 목소리를 대변합니다. 연구팀은 정교한 컴퓨터 프로그램을 사용하여 이러한 게시물들을 읽고 "폭우가 쏟아짐", "열차가 고립됨", "구조대가 도착함"과 같은 구체적인 사건들을 식별했습니다. 그런 다음 그들은 "경보가 홍수보다 먼저 왔는가?", "구조 노력이 고립된 사람들에 대한 보고 이후에 뒤따랐는가?"와 같은 질문을 던지며 이 사건들을 묶어주는 논리적 실타래를 찾았습니다. 이 사건들을 특정 순서로 연결함으로써, 그들은 폭풍의 시작부터 여파에 이르기까지 대중의 관심이 어떻게 흐르는지를 보여주는 시각적 네트워크를 만들어냈습니다.

이 분석의 결과는 위기 상황에서 대중의 마음이 어떻게 작동하는지에 대한 명확한 그림을 보여줍니다. 연구진은 관심이 두 가지 특정 단계에 집중되어 있다는 것을 발견했습니다. 바로 재난의 즉각적인 충격과 비상 대응 단계입니다. 비가 내릴 때, 대중은 침수된 거리, 파손된 건물, 그리고 약 천 명의 사람들이 갇혔던 유명한 K396 열차 사건과 같이 피해 상황에 강렬하게 집중했습니다. 피해가 명확해지자 대화는 급격히 구조 단계로 전환되었으며, 생명을 구하고 물자를 전달하기 위해 노력하는 팀들에 대한 엄청난 관심이 쏟아졌습니다. 그러나 이 연구는 대화의 상당한 공백을 드러냈습니다. 조기 경보 및 안전 수칙과 같은 '준비'에 관한 정보와, 주거지 재건 및 서비스 복구와 같은 '복구'에 관한 정보는 훨씬 적은 관심을 받았습니다. 대중의 서사는 "중간은 무겁고 양 끝은 가벼운" 형태였습니다. 사람들은 위기가 발생하는 동안에는 깊이 몰입했지만, 이를 예방하기 위한 조치나 긴 복구 과정에는 관심을 덜 두었습니다.

이러한 불균형은 사람들이 예방이나 복구에 관심이 없기 때문이라기보다, 정보가 흐르는 방식의 문제를 반영합니다. 연구는 현재의 커뮤니케이션 시스템이 재난 관리의 전체 주기에 대해 대중의 참여를 유지하는 데 종종 실패하고 있음을 시사합니다. "양 끝이 가볍다"는 패턴은 경보가 실제 피해가 눈에 보일 때까지 무시되거나, 구조 작업이 일단락되면 복구 노력이 간과된다는 것을 의미합니다. 연구진은 네트워크 내에서 "베이징 폭우 경보"나 "베이징 폭우 직격탄"과 같은 핵심 주제들이 물리적 재난과 사회적 반응을 연결하는 가교 역할을 하는 특정 '허브(hub)' 노드임을 확인했습니다. 이러한 허브들은 정보의 흐름을 제어하기 때문에 매우 중요합니다. 만약 경보가 명확하지 않거나 경보와 실제 위험 사이의 연결 고리가 끊어진다면, 대중의 이해라는 전체 사슬이 흔들릴 수 있습니다.

이 연구는 비상 관리를 위한 실질적인 경로를 제시합니다. 이러한 논리적 연결을 매핑함으로써, 관리자들은 대중의 관심이 다음에 어디로 향할지를 정확히 알 수 있습니다. 위기가 전개될 때까지 기다렸다가 반응하는 대신, 그들은 이 지도를 사용하여 선제적으로 대화를 유도할 수 있습니다. 예를 들어, 경보가 발령될 때 당국은 단순히 비가 올 것이라고 말하는 데 그치지 않고, 즉시 구체적이고 실행 가능한 행동 지침을 연결하여 제공할 수 있습니다. 마찬가지로, 복구 단계에서는 재건과 복구에 관한 이야기를 적극적으로 강조함으로써 대중의 참여와 신뢰를 유지할 수 있습니다. 연구진은 대중의 의견을 정적인 주제 목록이 아니라 인과관계가 있는 흐르는 이야기로 다룸으로써, 정부가 더욱 회복력 있는 공동체를 구축할 수 있다고 제안합니다. 이 접근 방식은 단순히 관리자가 위기를 관리하도록 돕는 것을 넘어, 인간이 겪는 위기의 경험을 이해하게 함으로써 첫 빗방울이 떨어지는 순간부터 마지막 정리 단계까지 적절한 정보가 적절한 사람들에게 전달되도록 보장합니다.

기술 요약: 회복력 있는 거버넌스를 위한 극한 호우 재난 시 공론(Public Opinion) 진화의 이해

문제 제‧계 (Problem Statement)
효과적인 리스크 커뮤니케이션과 회복력 있는 비상 거버넌스를 위해서는 소셜 미디어 전반에 걸쳐 재난 관련 커뮤니케이션이 어떻게 구조화되는지에 대한 깊은 이해가 필요하다. 기존 문헌들은 재난 분석을 위해 자연어 처리(NLP)를 활용하고 있으나, 현재의 접근 방식들은 상당한 한계에 직면해 있다. 전통적인 감성 분석(Sentiment Analysis)은 감정적 극성을 포착하지만, 이러한 감정을 특정 토픽과 연결하거나 반응의 '이유'를 설명하는 데 실패한다. 반대로, 잠재 디리클레 할당(LDA)과 같은 토픽 모델링 기법은 짧은 소셜 미디어 텍스트의 의미적 희소성 문제를 해결하기 어렵고, 토픽 간의 동적인 진화나 논리적 관계를 밝혀내지 못한다. BERTopic과 같은 고급 모델은 의미적 클러스터링을 개선하지만, 단일 시점의 토픽 분포에 대한 정적인 '스냅샷'만을 생성할 뿐, 시간적 순서나 인과 관계를 모델링하는 능력이 부족하다. 또한, 기존의 이벤트 로직 그래프(ELG) 구축 방법은 수작업으로 제작된 규칙에 의존하는 경우가 많아, 다중 플랫폼 소셜 미디어 텍스트의 비형식적이고 모호하며 노이즈가 많은 특성을 처리하는 데 어려움을 겪는다. 결과적으로, 재난의 전체 생애주기 동안 공론의 진화 경로를 추적하기 위해 의미적 일반화와 이벤트 수준의 논리적 표현을 통합할 수 있는 프레임워크의 부재라는 격차가 존재한다.

방법론 (Methodology)
본 연구는 "23·7" 베이징 호우 재난의 소셜 미디어 데이터를 활용하여 이벤트 수준의 관계를 재구성하기 위해 BERTopic과 이벤트 로직 그래프(ELG)를 결합한 하이브리드 프레임워크를 제안한다. 워크플로우는 다음 네 가지 주요 단계로 구성된다:

데이터 수집 및 전처리: 2023년 7월 28일부터 8월 15일 사이의 4개 주요 중국 플랫폼(웨이보, 도우인, 지후, 샤오홍슈)에서 96,785개의 게시물을 수집하였다. 데이터 정제 과정에서는 간섭 요소(URL, 이모지, 해시태그)를 제거하였으며, 베이징-천진-허베이 지역 특유의 구어체 표현을 처리하기 위해 방언 매핑 사전을 활용하였다.
이벤트 쌍 추출: 이벤트 간의 네 가지 특정 관계 유형인 **인과(causal), 계승(succession), 상호 참조(co-reference), 하위 이벤트(sub-event)**를 식별하기 위한 규칙 기반 추출 시스템을 개발하였다. 이 과정은 중국어 논리 접속사와 트리거 단어(예: "때문에", "그다음에", "그리고")를 기반으로 한 20개의 구문 패턴 및 규칙 템플릿 라이브러리를 사용하여 이벤트 범위를 추출하고 엣지의 방향을 결정하였다. 이를 통해 39,310개의 이벤트와 21,578개의 이벤트 쌍을 얻었다.
BERTopic을 통한 이벤트 일반화: 구조적 중복성을 해결하고 해석력을 높이기 위해, 추출된 특정 이벤트들을 주제적 노드로 일반화하였다. 이 과정은 다음과 같다:
- 임베딩(Embedding): 사전 학습된 BERT 모델을 사용하여 이벤트 텍스트를 고차원 벡터로 변환한다.
- 차원 축소(Dimensionality Reduction): UMAP을 사용하여 벡터를 저차원 공간으로 매핑한다.
- 클러스터링(Clustering): 노이즈를 필터링하고 클러스터를 식별하기 위해 HDBSCAN을 사용하여 의미적으로 유사한 이벤트를 그룹화한다.
- 토픽 레이블링(Topic Labeling): c-TF-IDF 가중치 산정 방식을 사용하여 각 클러스터에 대한 대표 레이블을 생성한다.
  이 단계를 통해 원래의 이벤트들을 138개의 주제적 노드로 축소하였다.
그래프 구축 및 시각화: 일반화된 주제적 이벤트들은 유향 가중 그래프의 노드로 기능한다. 엣지의 가중치는 추출된 논리적 관계의 빈도에 기초하여 전이 확률( $P(e_j|e_i)$ )로 계산되었다. 결과물인 그래프(138개 노드, 331개 엣지)는 Fruchterman-Reingold 레이아웃 알고리즘을 사용하여 Gephi로 시각화되었으며, 여기서 노드 크기는 차수 중심성(degree centrality)을, 엣지 두께는 전이 확률을 나타낸다.

주요 결과 (Key Results)
이 프레임워크를 "23·7" 베이징 호우 재난에 적용한 결과, 공론의 뚜렷한 구조적 및 진화적 특성이 드러났다:

노드 분포 및 불균형: 네트워크는 영향-결과(Impact-Consequence)(49.3%)와 대응(Response)(20.3%) 노드에 의해 크게 지배된다. 반면, 예방-준비(Prevention-Preparedness)(11.6%), 복구(Recovery)(8.7%), 원인-배경(Cause-Background)(5.8%) 카테고리는 현저히 과소 표집되어 있다.
허브 노드: "폭우를 맞은 베이징(Beijing Hit by Heavy Rain)" 및 "현장에 투입된 구조대(Rescue Teams in Action)"와 같이 차수 중심성이 높은 노드들이 절대적인 핵심 역할을 한다. "베이징 호우 경보(Beijing Rainstorm Warning)"는 물리적 위험 시퀀스와 사회적 대응 경로를 연결하는 중요한 가교 역할을 한다.
진화 경로: 두 가지 주요 진화 패턴이 확인되었다:
1. 재난 체인 물리적 진화: "경보 → 재난 상황 → 결과 → 대응"의 순서를 따르는 선형 경로.
2. 사회적 연쇄 반응: 사회적 상호작용, 감정 표현, 미디어의 집중(예: "고립된 열차 승객 → 승무원 인터뷰 → 대중의 기도 → 핫 서치/실시간 검색어")에 의해 주도되는 복잡한 네트워크 경로.
위상 구조: 공론의 진화는 "양 끝은 가볍고 중간에 집중된" 패턴을 보인다. 대중의 관심은 즉각적인 영향과 구조 단계에 집중되어 있는 반면, 경보/준비 정보는 지속적인 관심을 얻는 데 어려움을 겪고 있으며, 복구 관련 토픽은 주류 확산 경로에 거의 진입하지 못한다.

의의 및 기여 (Significance and Contributions)
본 논문은 두 가지 주요 기여를 주장한다:

방법론적 혁신: 본 연구는 고급 토픽 모델링(BERTopic)과 이벤트 로직 그래프 구축을 통합한다. 이 접근 방식은 정적인 토픽 모델의 한계와 비효적인 규칙 기반 ELG 구축의 한계를 극복하여, 의미적 일관성과 시간적 논리 관계를 모두 포착하는 동적 공론 분석의 새로운 패러다임을 제공한다.
회복력 있는 거버넌스를 위한 실용적 효용: 구축된 ELG는 의사 결정자가 공론 리스크를 예측할 수 있는 시각적 및 분석적 도구를 제공한다. 높은 중심성을 가진 노드와 핵심적인 진화 경로를 식별함으로써, 본 프레임워크는 대응 전략 최적화를 지원한다. 특히, 예방 및 복구 단계의 정보 격차를 선제적으로 다룸으로써 "사후 대응"에서 "전 주기적 리스크 관리"로 전환해야 할 필요성을 강조한다.

한계 및 향후 과제 (Limitations and Future Work)
저자들은 현재의 규칙 기반 추출 방식이 신조어나 매우 구어적인 표현을 놓칠 수 있음을 인정하며, 엔드 투 엔드(end-to-end) 추출을 위해 대규모 언어 모델(LLM)의 통합을 제안한다. 또한, 본 연구는 텍텍스트 데이터에 국한되어 있으므로, 감정적 충격을 더 잘 포착하기 위해 멀티모달 데이터(이미지, 영상)를 포함하는 향후 연구를 목표로 한다. 마지막으로, 현재의 검증은 단일 사례 연구에 기반하고 있으므로, 이 방법론의 다른 재난 유형 및 지역에 대한 일반화 가능성을 확인하기 위한 추가 테스트가 필요하다.

유사한 논문