리뷰 텍스트마이닝 분석은 많다. 그중 실제로 논문 심사를 통과해 학술지에 게재된 분석은 드물다. 지역 문화관광시설 방문객 리뷰를 데이터 수집부터 KCI 등재지 게재까지 전 과정을 한 사람이 수행한 연구 프로젝트다.
무엇을 분석했나
구글맵과 네이버지도에 축적된 방문객 리뷰 약 2,300건을 직접 크롤링했다. 형태소 분석·불용어 제거·유사어 통합의 전처리를 거쳐 유효 문서 N=951, 고유 어휘 1,285개의 분석 코퍼스를 구축했다.
핵심 분석은 구조적 토픽모델(STM, Structural Topic Model)이다. 일반 LDA가 문서 내용만 보는 것과 달리, STM은 각 리뷰의 메타데이터(수집 플랫폼, 코로나 전·중·후 시기)를 토픽 추정에 직접 공변량으로 반영하는 기법이다. K=5~12 범위를 Coherence 지표로 탐색해 K=7을 확정했다(Coherence 0.546). 7개 토픽 각각의 비중이 플랫폼과 시기에 따라 어떻게 달라지는지를 통계적으로 추정했다.
무엇이 나왔나
STM의 공변량 설계 덕분에 두 가지를 통계적으로 포착할 수 있었다. 첫째, 플랫폼 간 토픽 비중의 유의한 차이다. 구글맵과 네이버지도 이용자가 남기는 리뷰의 주제 구성이 같지 않다는 것을 단순 빈도 비교가 아니라 공변량 추정으로 확인했다.
둘째, 코로나 시기별 관심사 이동이다. 코로나 전·중·후 세 구간에서 7개 토픽의 비중이 시계열로 어떻게 이동하는지를 STM 프레임 안에서 함께 추정했다. 플랫폼 차이와 시기 변화를 각각 별도 분석으로 쪼개지 않고 하나의 모델에서 동시에 다뤘다는 점이 이 분석의 뼈대다.
심사위원이라면 여기를 본다
포인트 1 — 토픽 수의 근거. K=7은 임의로 정한 값이 아니다. K=5~12 구간을 Coherence 지표로 탐색한 결과(Coherence 0.546)이므로, "왜 7개인가"에 수치로 답할 수 있다.
포인트 2 — LDA가 아니라 STM을 쓴 이유. 플랫폼·시기라는 메타데이터가 토픽 구성에 영향을 준다는 가설을 검증하려면, 문서 내용만 보는 LDA로는 부족하다. STM의 공변량 구조를 선택한 이유가 연구 질문과 직접 맞물려 있다.
포인트 3 — 실제 게재를 통과한 설계. 이 분석은 이론적 배경 서술, 인용검증, 심사의견 대응까지 이어져 학술지에 게재 완료됐다. 분석 설계와 해석이 심사자의 반박을 실제로 방어했다는 뜻이다.
마치며
리뷰 수집부터 전처리, 모델링, 심사 대응까지 한 사람이 끝까지 책임진 분석은 어느 한 단계도 허투루 넘어갈 수 없다. 그 전 과정이 게재라는 형태로 검증된 사례다.
비슷한 학술 논문용 텍스트마이닝 분석이 필요하다면 텍스트마이닝 분석 페이지에서 진행 방식을 확인할 수 있다. 분석 설계 노하우는 뉴스레터 「강의실의 AI」 구독 시 받아볼 수 있다.