[논문 리뷰] Behind the Mask: A Computational Study of Anonymous' Presence on Twitter

Keenan Jones, Jason R. C. Nurse외 1명|arXiv (Cornell University)|2020. 06. 15.

Misinformation and Its Impacts인용 수 6

한 줄 요약

이 계산 기반 연구는 2008–2019년 동안 20,000개 이상의 트위터 계정을 분석하여 익명성(Anonymous)으로 자처한 계정들을 기계학습, 사회망 분석(SNA), 토픽 모델링을 사용한다. 연구 결과, 지도자가 없는 구조가 아니며 소수의 영향력 있는 핵심 계정이 존재하고, 2013년 이후 네트워크 활동이 감소하며 주요 영향력 있는 계정들 사이에 일관된 주제적 내용이 존재하는 것으로 나타났다. 이는 익명성의 주장하는 분산 구조와 모순되며, 대규모 실증적 증거로 정성적 연구 결과를 뒷받침한다.

ABSTRACT

The hacktivist group Anonymous is unusual in its public-facing nature. Unlike other cybercriminal groups, which rely on secrecy and privacy for protection, Anonymous is prevalent on the social media site, Twitter. In this paper we re-examine some key findings reported in previous small-scale qualitative studies of the group using a large-scale computational analysis of Anonymous' presence on Twitter. We specifically refer to reports which reject the group's claims of leaderlessness, and indicate a fracturing of the group after the arrests of prominent members in 2011-2013. In our research, we present the first attempts to use machine learning to identify and analyse the presence of a network of over 20,000 Anonymous accounts spanning from 2008-2019 on the Twitter platform. In turn, this research utilises social network analysis (SNA) and centrality measures to examine the distribution of influence within this large network, identifying the presence of a small number of highly influential accounts. Moreover, we present the first study of tweets from some of the identified key influencer accounts and, through the use of topic modelling, demonstrate a similarity in overarching subjects of discussion between these prominent accounts. These findings provide robust, quantitative evidence to support the claims of smaller-scale, qualitative studies of the Anonymous collective.

연구 동기 및 목표

• 대규모 계산 방법을 사용하여 트위터에서 익명성의 구조적 및 행동적 특성에 대해 연구한다.
• 익명성이 실제로 지도자가 없는지에 대한 정성적 주장의 타당성을 검증하며, 주요 체포 사건(2011–2013) 이후 분열되었는지 확인한다.
• 기계학습 및 사회망 분석을 사용하여 자가 식별된 익명성 트위터 계정 네트워크를 식별하고 분석한다.
• 주요 역사적 사건(예: 주요 구성원의 체포)과 관련하여 시간에 따라 콘텐츠 및 영향력의 변화를 분석한다.
• 토픽 모델링을 사용하여 주요 영향력 계정 간의 주제적 콘텐츠를 비교하여 네트워크 전반에서의 이데올로기 일관성을 평가한다.

제안 방법

• 자기 식별된 익명성 트위터 계정 네트워크를 식별하고 확장하기 위해 이중 단계의 스노우볼 샘플링 방법을 사용한다.
• 프로필 내용, 사용자명, 트윗 패턴을 기반으로 익명성 소속 계정을 탐지하기 위해 기계학습 분류기 적용한다.
• 식별된 네트워크에 대해 사회망 분석(SNA)을 수행하여 관계를 맵핑하고 중심성 지표(예: 차수 중심성, 간섭 중심성, 고유벡터 중심성)를 사용해 영향력을 측정한다.
• 트위터 트윗의 주제적 콘텐츠를 분석하고 비교하기 위해 토픽 모델링(LDA)을 사용한다.
• 2008년에서 2019년 사이에 네트워크 규모, 계정 비활성화, 신규 계정 생성의 시간적 변화를 추적하여 네트워크의 진화를 평가한다.
• 정성적 연구 및 공개 보고서와의 비교를 통해 계산 결과를 기존의 사회학적 이해와 맥락화한다.

실험 결과

연구 질문

• RQ1 정성적 연구에서 제기된 바와 같이, 익명성이 주장하는 분산 구조와는 다르게 트위터에서 익명성 네트워크는 비지도적(비지배적)인가?
• RQ2 2011–2013년 주요 구성원 체포 이후 익명성 트위터 네트워크 내에서 영향력 분포는 어떻게 변화했는가?
• RQ3 익명성 네트워크의 주요 영향력 계정들이 트윗에서 유사한 주제적 콘텐츠를 얼마나 공유하고 있는가?
• RQ4 네트워크 활동(예: 신규 계정 생성, 비활성화)과 익명성의 주요 온라인 작전 및 체포 이력 간의 관계는 어떠한가?
• RQ5 계산 결과는 익명성의 구조 및 유대감에 대한 정성적 기록과 어떻게 비교되는가?

주요 결과

• 연구는 2008년에서 2019년 사이에 활동한 20,000개 이상의 자가 식별된 익명성 트위터 계정 네트워크를 식별하여 그룹의 온라인 존재의 규모를 입증한다.
• 차수 중심성, 간섭 중심성, 고유벡터 중심성을 측정한 결과, 소수의 매우 중심적인 계정들이 네트워크를 지배하고 있어 비평등하고 계층적인 영향력 구조임을 시사한다.
• 2013년 이후 매년 신규 익명성 계정 생성 수가 크게 감소하여 주요 구성원 체포 시기와 겹치며 네트워크 분열을 시사한다.
• 약 30% 이상의 계정이 비활성화된 흔적을 보이며, 2013년 이후 지속적인 참여 감소를 나타낸다.
• 토픽 모델링을 통해 주요 6개 영향력 계정 간에 강한 주제 유사성이 확인되었으며, 주로 정치적 활동, 정보 공유, 제도 비판이 중심 주제로 나타났다.
• 주요 영향력 계정의 트윗에서 'Ops'(작전)라는 단어가 두드러지게 부재해 활동적 캠페인 참여 감소를 시사하며, 유대감 및 활동성 감소 주장에 뒷받침된다.