본 연구는 물리학의 퍼콜레이션(percolation)이론에 기반하여 왜 몇몇 확산 현상은 순식간에 여론을 장악하는 소셜 빅뱅[즉, 퍼콜레이션 효율(percolation efficiency)이 높은 상태] 현상으로 연결되지만, 다른 확산현상들은 소셜 네트워크 상에서 파편화되어 소셜 빅뱅에 ...

본 연구는 물리학의 퍼콜레이션(percolation)이론에 기반하여 왜 몇몇 확산 현상은 순식간에 여론을 장악하는 소셜 빅뱅[즉, 퍼콜레이션 효율(percolation efficiency)이 높은 상태] 현상으로 연결되지만, 다른 확산현상들은 소셜 네트워크 상에서 파편화되어 소셜 빅뱅에 이르지 못하고 퍼콜레이션 효율이 낮은 상태에서 끝나게 되는지에 대해 고찰하고 있다. 구체적으로, 본 연구는 다양한 특성을 가진 소셜 네트워크 상에서의 사용자들(예. 영향력 있는 인물, 숨은 실세, 보통의 인물, 전달자, 주변인 등)과 그들이 주고 받는 서로간의 관계(예. 들어오는 관계, 나가는 관계, 가교 관계, 중복 관계 등)가 어떻게 퍼콜레이션 효율에 영향을 주는지에 대해 관찰하였다. 그에 더해 우리는 본 연구를 통해 이러한 관계들이 크게 사회적 이슈와 산업에 관련된 이슈로 구분되는 온라인 상에서의 이슈에 대해 어떻게 다르게 나타나는지에 대해 고찰하였다.
이러한 현상의 온라인 소셜 네트워크 환경에서의 실증적 분석을 위하여, 우리는 먼저 산업 관련 이슈와 사회적 이슈에 대해 연구 기간 중 가장 대중적인 이슈를 각각 19개와 8개를 선정하였다. 이후 이렇게 선정된 27개의 이슈에 대한 실제 트위터(Twitter) 데이터를 다음소프트에서 운영하던 사회적 트렌드에 대해 분석하는 기업인 소셜메트릭스(SocialMetrics)로부터 제공받았다. 이러한 실제 트위터 데이터를 사용하여 사용자들의 트위터 상에서 리트윗(Rewteet) 행태를 바탕으로 각각의 이슈에 대해 일별 네트워크를 구성하였다. 이후 우리는 각각의 네트워크의 퍼콜레이션 효율을 각각의 네트워크의 사용자 특성과 사용자 관계 특성을 사용해 모형화 하였다. 이러한 과정 속에서 퍼콜레이션 효율을 측정하고 각각의 사용자 특성과 사용자 관계 특성이 퍼콜레이션 효율에 미치는 영향을 확인하기 위해 두 단계 자료 포락 분석법(two-stage data envelopment analysis) 기법을 사용하였다. 이에 더해 사회적 이슈와 산업 관련 이슈의 차이를 비교 분석하기 위해 이슈의 종류를 사용하여 서브샘플 분석 기법을 사용하였다. 결과적으로 본 연구를 통해 1,052,619개의 리트윗 빅데이터를 분석하였으며, 이를 사용해 서로 다른 네트워크간의 퍼콜레이션 효율을 측정하였다. 이를 통해 (1) 퍼콜레이션 현상(즉, 소셜 빅뱅 현상)은 사회적 이슈와 산업 관련 이슈에서 크게 다르게 나타남을 확인하였으며, (2) 사용자 관계는 그 특성에 따라 퍼콜레이션 현상에 긍정적 영향을 미치기도 하지만 부정적 영향 역시 미칠 수 있음을 확인하였다. 구체적으로 가교 관계(bridging)와 들어오는 관계(incoming)/나가는 관계(outgoing)는 퍼콜레이션 현상을 촉진시키지만, 중복 관계(overlap) 및 추가 관계(adding)는 퍼콜레이션 현상에 영향을 주지 못하는 것으로 나타났다. (3) 사용자 특성 역시 마찬가지였으며 대표적 결과로는 주변인(peripherals)이 영향력 있는 인물(influential)보다 퍼콜레이션에 미치는 영향이 큰 것을 확인했다. (4) 또한 이러한 사용자 및 사용자 관계의 영향이 사회적 이슈보다 산업 관련이슈에서 더 뚜렷하게 나타남을 확인했다. 이러한 새로운 이론적 관점 위에서 본 연구는 정보 확산 및 구전 효과 연구를 확장하고, 효과적인 소셜미디어 마케팅 기법뿐만 아니라 여론 형성 과정에 대해 유용한 시사점을 제시하고 있다. 본 연구는 고려대와 카이스트 경영대학을 포함한 다양한 대학교에서 발표되고 논의 되었으며, 일본의 오사카에서 2016년 7월 22일부터 24일까지 개최된 국제 학회 International Conference on Internet Studies (NETs)에 발표되었다.

Drawing on percolation theory from physics, we assess why some diffusion trajectories produce social big bangs (i.e., high percolation efficiency), while others generate highly fragmented social networks (i.e. low percolation efficiency). Specifically ...

Drawing on percolation theory from physics, we assess why some diffusion trajectories produce social big bangs (i.e., high percolation efficiency), while others generate highly fragmented social networks (i.e. low percolation efficiency). Specifically, we examine how different characteristics of nodes (i.e., users in an online social network, e.g., influential, hidden influential, broadcasters, and peripherals) and links (e.g., interactions among the users, e.g., incoming/outgoing, bridging, overlap) moderate percolation efficiency. Moreover, we identify different effects of each node and link types on the percolation efficiency for social and business issues.
For the empirical analysis in social network environments, we first select 19 and 8 most popular issues in business and social contexts respectively. Then, Twitter data for the 27 selected issues was provided by SocialMetrics which is a social trend exploration service operated by Daumsoft. Using the data, we construct networks for each issue on each day on the basis of each user’s retweet behavior. Then we model percolation efficiencies of networks as a function of their node and link characteristics. To operationalize the measurements of percolation efficiency and identify the effects of different node and link types, the two-stage data envelopment analysis (DEA) approach is adopted. In addition, we conduct subsample analyses to identify the differences between social and business issues. We analyze 1,052,619 retweet messages to measure the variation of percolation efficiencies across networks. The key findings suggest that (1) percolation varies significantly on message-based networks, for example, social and business threads; (2) bridge and incoming/outgoing links increase the efficiency of percolation, but overlap and adding links have no observable effect; (3) peripherals play a more significant role in percolation than influentials; (4) the moderating effects of links and nodes are more pronounced for business threads than social threads. On the basis of a new theoretical perspective, this study extends research on information diffusion and word-of-mouth and provide stylized insights into effective social media targeting, advertising and public opinion formation. The research was presented and discussed at various seminars at Korea University and KAIST Business school. It was also presented at International Conference on Internet Studies (NETs) which was held in Osaka, Japan from July 22 to 24, 2016.

본 연구는 물리학의 퍼콜레이션(percolation)이론에 기반하여 왜 몇몇 확산 현상은 순식간에 여론을 장악하는 소셜 빅뱅[즉, 퍼콜레이션 효율(percolation efficiency)이 높은 상태] 현상으로 연결되지만, 다른 확산현상들은 소셜 네트워크 상에서 파편화되어 소셜 빅뱅에 ...

본 연구는 물리학의 퍼콜레이션(percolation)이론에 기반하여 왜 몇몇 확산 현상은 순식간에 여론을 장악하는 소셜 빅뱅[즉, 퍼콜레이션 효율(percolation efficiency)이 높은 상태] 현상으로 연결되지만, 다른 확산현상들은 소셜 네트워크 상에서 파편화되어 소셜 빅뱅에 이르지 못하고 퍼콜레이션 효율이 낮은 상태에서 끝나게 되는지에 대해 고찰하고 있다. 구체적으로, 본 연구는 다양한 특성을 가진 소셜 네트워크 상에서의 사용자들(예. 영향력 있는 인물, 숨은 실세, 보통의 인물, 전달자, 주변인 등)과 그들이 주고 받는 서로간의 관계(예. 들어오는 관계, 나가는 관계, 가교 관계, 중복 관계 등)가 어떻게 소셜 빅뱅 정도(즉, 퍼콜레이션 효율)에 영향을 주는지에 대해 관찰하였다. 그에 더해 우리는 본 연구를 통해 이러한 관계들이 크게 사회적 이슈와 산업에 관련된 이슈로 구분되는 온라인 상에서의 이슈에 대해 어떻게 다르게 나타나는지에 대해 고찰하였다.
이러한 현상의 온라인 소셜 네트워크 환경에서의 실증적 분석을 위하여, 우리는 먼저 산업 관련 이슈와 사회적 이슈에 대해 연구 기간 중 가장 대중적인 이슈를 각각 19개와 8개를 선정하였다. 이후 이렇게 선정된 27개의 이슈에 대한 실제 트위터(Twitter) 데이터를 다음소프트에서 운영하던 사회적 트렌드에 대해 분석하는 기업인 소셜메트릭스(SocialMetrics)로부터 제공받았다. 이러한 실제 트위터 데이터를 사용하여 사용자들의 트위터 상에서 리트윗(Rewteet) 행태를 바탕으로 각각의 이슈에 대해 일별 네트워크를 구성하였다. 이후 우리는 각각의 네트워크의 소셜 빅뱅 정도를 나타내는 퍼콜레이션 효율을 각각의 네트워크의 사용자 특성과 사용자 관계 특성을 사용해 모형화 하였다. 이러한 과정 속에서 퍼콜레이션 효율을 측정하고 각각의 사용자 특성과 사용자 관계 특성이 퍼콜레이션 효율에 미치는 영향을 확인하기 위해 두 단계 자료 포락 분석법(two-stage data envelopment analysis) 기법을 사용하였다. 이러한 두 단계 자료 포락 분석법은 효율을 의미하는 종속변수를 첫 단계에서 우선적으로 계산한 뒤, 이러한 종속변수에 영향을 미치는 요소들을 독립변수로 사용하여 두 번째 단계에서 모형화하는 기법이다. 이에 더해 사회적 이슈와 산업 관련 이슈의 차이를 비교 분석하기 위해 이슈의 종류를 사용하여 서브샘플 분석 기법을 사용하였다. 다시 말해, 동일한 분석 방식을 사회적 이슈와 산업 관련 이슈에 적용하여 결과의 차이를 비교 분석하였다. 결과적으로 본 연구를 통해 트위터 상에 존재하는 1,052,619개의 리트윗 빅데이터를 분석하였으며, 이를 사용해 서로 다른 네트워크간의 퍼콜레이션 효율을 측정하였다. 이를 통해 (1) 퍼콜레이션 현상(즉, 소셜 빅뱅 현상)은 사회적 이슈와 산업 관련 이슈에서 크게 다르게 나타남을 확인하였으며, (2) 사용자 관계는 그 특성에 따라 퍼콜레이션 현상에 긍정적 영향을 미치기도 하지만 부정적 영향 역시 미칠 수 있음을 확인하였다. 구체적으로 서로 다른 사용자 무리(cluster)간의 리트윗을 의미하는 가교 관계(bridging)와, 사용자 무리에 속한 사람이 무리 밖 사람을 리트윗 하거나 그 반대의 경우를 의미하는 들어오는 관계(incoming)/나가는 관계(outgoing)는 퍼콜레이션 현상을 촉진시키지만, 이미 리트윗이 일어난 관계에서 또 한번 리트윗이 일어나는 중복 관계(overlap) 및 이미 존재하는 사용자 무리 내에서의 리트윗을 의미하는 추가 관계(adding)는 퍼콜레이션 현상에 영향을 주지 못하는 것으로 나타났다. (3) 사용자 특성 역시 마찬가지였으며 대표적 결과로는 리트윗 한 횟수가 리트윗 당한 횟수보다 많은 전달자(broadcaster) 형태의 사용자가 리트윗을 당한 횟수가 더 많은 영향력 있는 인물(influential) 형태의 사용자보다 퍼콜레이션에 미치는 긍정적 영향이 큰 것을 확인했다. (4) 또한 이러한 사용자 및 사용자 관계의 영향이 사회적 이슈보다 산업 관련이슈에서 더 뚜렷하게 나타남을 확인했다. 이러한 새로운 이론적 관점 위에서 본 연구는 정보 확산 및 구전 효과 연구를 확장하고, 효과적인 소셜미디어 마케팅 기법뿐만 아니라 사회적 이슈에 대한 여론 형성 과정에 대해 유용한 시사점을 제시하고 있다.

본 연구를 통해 1,052,619개의 리트윗에 대한 빅데이터를 분석하였으며, 이를 사용해 서로 다른 네트워크간의 퍼콜레이션 효율을 측정하였다. 이를 통해 퍼콜레이션 현상(즉, 소셜 빅뱅 현상)은 사회적 이슈와 산업 관련 이슈에서 크게 다르게 나타남을 확인하였다. 또한 ...

본 연구를 통해 1,052,619개의 리트윗에 대한 빅데이터를 분석하였으며, 이를 사용해 서로 다른 네트워크간의 퍼콜레이션 효율을 측정하였다. 이를 통해 퍼콜레이션 현상(즉, 소셜 빅뱅 현상)은 사회적 이슈와 산업 관련 이슈에서 크게 다르게 나타남을 확인하였다. 또한 다양한 특성을 가진 소셜 네트워크 상에서의 사용자들(예. 영향력 있는 인물, 숨은 실세, 보통의 인물, 전달자, 주변인 등)과 그들이 맺고 있는 서로간의 관계(예. 들어오는 관계, 나가는 관계, 가교 관계, 중복 관계 등)가 어떻게 퍼콜레이션 효율에 영향을 주는지에 대해 확인하였으며, 그 결과 사용자와 사용자 관계 모두 그 특성에 따라 퍼콜레이션 현상에 긍정적 영향을 미치기도 하지만 부정적 영향 역시 미칠 수 있음을 확인하였다. 구체적으로 사용자 관계 특성의 영향에 대해서는 가교 관계(bridging)와 들어오는 관계(incoming)/나가는 관계(outgoing)는 퍼콜레이션 현상을 촉진시키지만, 중복 관계(overlap) 및 추가 관계(adding)는 퍼콜레이션 현상에 영향을 주지 못하는 것으로 나타났다. 반면 새로운 사용자를 연결해주는 새 관계(new channel)는 오히려 퍼콜레이션 현상에 부정적인 영향을 미치는 것을 확인할 수 있었다. 또한 사용자 특성의 영향에 대해서는 영향력 있는 인물(influential)과 전달자(broadcaster) 모두 소셜 빅뱅 현상을 촉진시키는 것으로 나타났으며, 전달자의 영향이 영향력 있는 인물의 영향보다 큰 것을 확인할 수 있었다. 반면 보통의 인물(common user)의 경우는 오히려 소셜 빅뱅의 발생을 저해하는 것을 확인할 수 있었으며, 숨은 실세(hidden influential)의 영향은 관찰 할 수 없었다. 마지막으로 이러한 사용자 및 사용자 관계의 영향이 사회적 이슈보다 산업 관련이슈에서 더 뚜렷하게 나타남을 확인했다.
본 연구는 경영학, 물리학, 그리고 컴퓨터과학을 융합하여 새로운 학문적 분야를 도모하고 있다. 다학제간 연구를 통한 융합이 사회국가적으로 요구되어 왔지만 학과 중심의 폐쇄적 문화를 극복하지 못하고 학문 분야 간 지적교류는 거의 정체되어 있는 상태이다. 무엇보다 다양한 학문 배경을 가진 연구자들 간의 소통이 전제되어야 한다는 믿음으로 연구팀을 경영학, 경영공학, 물리학, 컴퓨터과학 전공자 등으로 다양하게 구성하였다. 서로 분야별 보완적 관계를 최대한 활용하여 소셜네트워크 상에서의 여론형성 관련한 새로운 프레임워크를 개발하고 이러한 융합 프레임워크를 바탕으로 그 동안 이론적으로나 방법론적으로 정체되어 왔던 네트워크 연구를 한 단계 발전시킴으로써 사회과학과 자연과학 연구자들에게 새로운 시각을 제시하고 있다. 특히, 물리학의 거시적 관점과, 사회 과학의 미시적 방법론을 효율적으로 융합하고 이를 통하여 사회현상을 이해하는 방식을 제공하여 네트워크 연구의 새로운 방향을 제시함으로써 다양한 연구분야에서 네트워크 연구에 활용될 수 있다. 본 연구는 또한 온라인상에서 여론형성 과정의 모든 단계들을 면밀히 고찰함으로써 정책 수립자나 언론인 또는 사업가들에게 다양한 사회적 의미를 제공하고 있다. 즉 여론의 배양, 성장, 확산 과정에 대한 통찰을 통해 여론의 급격한 생성과 소멸의 역학적 관계 등 소셜 빅뱅에 대한 구체적이고 전문적인 지식을 제공하고 있는 것이다. 이를 통해 사회여론이 어떻게 흡수, 통합되며 또는 분열되는지, 또 더 나아가서 어떠한 정책이나 전략이 사회구성원들을 좀 더 효과적으로 단결시키게 할 수 있는지에 대한 해법을 제공하고 있다. 이를 통해 악의적 여론몰이 등 소셜네트워크 오용의 부정적 효과를 감소시킬 수 있다.