Integrating Social Network Analysis and Topic Modeling in Social Media Research: A Systematic Literature Review of Open-Access Scopus Studies (2016-2026)

소셜 미디어는 우리가 스크롤하거나, 게시물을 올리거나, 공유할 때마다 두 가지 뚜렷한 종류의 발자국을 남깁니다. 하나는 콘텐츠 그 자체입니다. 즉, 우리가 입력하는 단어, 목소리를 내는 의견, 그리고 우리가 들려주는 이야기들입니다. 다른 하나는 연결입니다. 리트윗하거나, 답글을 달거나, 누군가를 팔로우하는 행위는 누가 누구의 말을 듣고 있는지, 그리고 아이디어가 사람들 사이에서 어떻게 이동하는지를 드러냅니다. 수년 동안 연구자들은 이 발자국들을 별개로 연구해 왔습니다. 어떤 팀들은 공동체가 어떻게 형성되고 영향력이 어떻게 확산되는지 보기 위해 연결 관계를 지도화했고, 다른 팀들은 사람들이 실제로 무엇을 말하고 있는지를 이해하기 위해 텍스트를 분석했습니다. 하지만 디지털 세계를 진정으로 이해하려면, 관계의 지도와 대화의 지도를 동시에 보아야 합니다. 문제는 이 두 가지 서로 다른 지도를 세부 사항을 놓치지 않으면서 어떻게 하나로 엮어낼 것인가였습니다.

브라위자야 대학교의 연구자인 드위 자야 사푸트라(Dwi Jaya Saputra)의 최근 체계적 문헌 고찰은 과학자들이 지난 10년 동안 이 두 가지 방법을 결합하기 위해 어떻게 시도해 왔는지를 포괄적으로 살펴봅니다. 이 연구는 소셜 네트워크 분석과 토픽 모델링을 결합하려고 시도한 2016년부터 2026년 사이의 공개 액세스 연구 논문 194편을 조사했습니다. 목표는 단순히 존재하는 연구의 수를 세는 것이 아니라, 그것들이 어떻게 구축되었는지, 무엇을 발견했는지, 그리고 이 분야가 어디로 향하고 있는지를 이해하는 것이었습니다. 이 검토 결과는 이 분야가 급격히 성장하고 있지만, 종종 두 가지 분석을 하나의 깊은 이해로 엮기보다는 단순히 두 가지 별개의 분석을 나란히 실행하는 수준인 표면적인 단계에 머물러 있음을 보여줍니다.

연구는 주요 학술 데이터베이스에서 소셜 미디어 데이터에 네트워크 분석과 토픽 모델링을 모두 사용한 연구를 검색하며 시작되었습니다. 자유롭게 이용 가능한 영어 논문으로 필터링한 후, 연구진은 560개의 잠재적 논문 목록을 엄격한 기준을 충족하는 194개로 좁혔습니다. 이 연구들은 건강 토론과 정치적 논쟁부터 비즈니스 트렌드와 환경 문제에 이르기까지 광범위한 주제를 다루었습니다. 데이터는 다양한 플랫폼에서 왔지만, 한 플랫폼인 X(구 트위터)가 전체 연구의 절반 이상을 제공했습니다. Reddit, YouTube, Weibo와 같은 다른 플랫폼의 사용이 증가하고 있는데, 이는 연구의 지평이 단일 소스를 넘어 확장되고 있음을 시사합니다.

연구진이 이러한 연구들이 어떻게 수행되었는지 살펴보았을 때, 두 방법이 결합되는 방식에서 명확한 패턴을 발견했습니다. 대다수의 경우, 약 71%에서 연구자들은 "병렬적(parallel)" 접근 방식을 사용했습니다. 이는 사람들이 무엇에 대해 이야기하는지 보기 위해 토픽 분석을 실행하고, 누가 연결되어 있는지 보기 위해 네트워크 분석을 실행한 다음, 단순히 두 결과를 비교하는 것을 의미합니다. 이것은 도시의 도로 지도와 인기 있는 상점 목록을 각각 따로 본 다음, 도로가 상점으로 이어지는 과정을 실제로 추적하지 않은 채 그 둘이 겹치는 것 같다고 언급하는 것과 같습니다. 이 방법은 일반적인 개요를 얻는 데 유용하고 흔히 쓰이지만, 이번 검토에서는 두 가지 사이의 연결이 실제인지 아니면 단순한 우연인지를 거의 테스트하지 못했다는 점을 발견했습니다.

단 9%의 아주 적은 비율만이 네트워크와 텍�를 단일 수학적 프레임워크 안에서 함께 분석하는 "결합된(joint)" 접근 방식을 시도했습니다. 이 연구들은 커뮤니티의 구조와 대화의 내용을 동시에 추정하려 하기 때문에 더 복잡합니다. 또 다른 그룹의 연구들은 "네트워크-투-토픽(network-to-topic)" 접근 방식을 사용했는데, 이는 먼저 사람들의 집단을 식별한 다음 그 특정 집단이 무엇을 말하고 있는지를 분석하는 방식입니다. 네 번째 그룹은 5% 미만으로 매우 드물게 나타났는데, 이들은 사람들이 논의하는 토픽의 유사성을 바탕으로 사람들 사이의 연결을 구축하는 "토픽-투-네트워크(topic-to-network)" 접근 방식을 사용했습니다. 이 검토는 분야가 더 정교한 방법론을 향해 움직이고 있음에도 불구하고, 단순한 병렬적 접근 방식이 여전히 대부분의 연구자에게 기본값으로 남아 있음을 시사합니다.

텍스트를 분석하는 도구 또한 진화해 왔습니다. 오랫동안 대규모 텍ست 집단에서 숨겨진 주제를 찾는 표준은 잠재 디리클레 할당(Latent Dirichlet Allocation, LDA)이라 불리는 방법이었습니다. 이는 검토된 연구의 약 3분의 1에 등장했습니다. 그러나 최근 몇 년 사이에는 BERTopic와 같이 고급 언어 이해를 사용하는 새로운 방법들이 더 빈번하게 등장하기 시작했습니다. 이러한 기술적 변화에도 불구하고, 연구진은 투명성 측면에서 상당한 격차를 발견했습니다. 연구의 절반가량이 초록(abstract)에서 구체적인 알고리즘을 명시하지 않았습니다. 더욱이, 자신의 발견의 정확성을 어떻게 확인했는지에 대한 명확한 설명이 포함된 연구는 매우 적었습니다. 대부분의 초록은 연구자들이 다른 설정이나 다른 도구를 사용했을 때 결과가 변하는지를 테스트했는지 여부를 언급하지 않았습니다.

연구진은 이 두 가지 방법을 결합하는 것이 이제 소셜 미디어 연구의 일상적인 부분이 되었지만, 그 통합은 종종 피상적이라고 결론지었습니다. 이 분야는 2016년 단 1편의 논문에서 2025년 36편의 논문으로 증가하며 관심의 가속화를 보여주었습니다. 그러나 연구 설계 방식은 이러한 성장의 속도를 따라잡지 못했습니다. 이 검토는 과학자들이 단순히 두 가지 별개의 분석을 실행하는 것을 넘어, 네트워크와 텍스트가 어떻게 상호작용하는지에 대한 구체적인 경로를 선택하도록 권장하는 새로운 연구 프레임워크를 제안합니다. 대신, 그들은 네트워크와 텍스트가 어떻게 상호작용하는지에 대한 특정 경로를 선택해야 합니다. 결정적으로, 저자는 연구자들이 결합된 발견을 검증해야 하며, 사람과 단어 사이의 연결이 다른 조건에서도 유지되는지를 테스트해야 한다고 주장합니다.

앞을 내다보며, 이 검토는 향별 10년 동안의 연구 과제를 제시합니다. 현재 과소 대표되고 있는 비디오 기반 사이트와 메시징 앱을 포함하여, X 이외의 플랫폼에 대한 더 많은 연구를 촉구합니다. 또한 연구자들이 미국과 중국의 지배력을 넘어, 그동안 크게 소외되었던 언어와 지역으로 연구 범위를 확장할 것을 촉구합니다. 마지막으로, 이 검토는 가장 유망한 길은 네트워크의 구조와 대화의 내용을 하나의 상호 연결된 시스템으로 취급하는 모델을 개발하는 데 있다고 제안합니다. 그렇게 함으로써, 연구자들은 소셜 미디어에서 일어나고 있는 일을 단순히 묘사하는 것을 넘어, 사람들 사이의 연결이 그들이 공유하는 아이디어를 어떻게 형성하는지를 진정으로 이해할 수 있게 될 것입니다.