[논문 리뷰] Deep Feelings: A Massive Cross-Lingual Study on the Relation between Emotions and Virality

Marco Guerini, Jacopo Staiano|arXiv (Cornell University)|2015. 03. 16.

Misinformation and Its Impacts참고 문헌 32인용 수 16

한 줄 요약

이 연구는 영어 및 이탈리아어 소셜미디어 플랫폼에서 뉴스 기사가 유도하는 정서와 그들의 확산성 간의 관계를 다루며, 150만 건의 커뮤니티 기반 정서 애너테이션을 포함한 거대한 데이터셋을 사용한다. 연구 결과, 문화적 차이가 특정 정서에 영향을 미치지만, Valence-Arousal-Dominance(VAD) 원형모델은 확산성에 대한 일관되고 다국어적 프레임워크를 제공하며, 높은 각성도는 좁은 범위의 확산(narrowcasting)과 연결되고, 높은 지배도는 넓은 범위의 확산(broadcasting)과 관련이 있음을 밝혀냈다.

ABSTRACT

This article provides a comprehensive investigation on the relations between virality of news articles and the emotions they are found to evoke. Virality, in our view, is a phenomenon with many facets, i.e. under this generic term several different effects of persuasive communication are comprised. By exploiting a high-coverage and bilingual corpus of documents containing metrics of their spread on social networks as well as a massive affective annotation provided by readers, we present a thorough analysis of the interplay between evoked emotions and viral facets. We highlight and discuss our findings in light of a cross-lingual approach: while we discover differences in evoked emotions and corresponding viral effects, we provide preliminary evidence of a generalized explanatory model rooted in the deep structure of emotions: the Valence-Arousal-Dominance (VAD) circumplex. We find that viral facets appear to be consistently affected by particular VAD configurations, and these configurations indicate a clear connection with distinct phenomena underlying persuasive communication.

연구 동기 및 목표

• 다국어 뉴스 기사에서 정서가 확산성의 다양한 측면에 미치는 영향을 조사하기 위해.
• 정서의 특정 유형과 그 깊은 정서적 구성요소(정서의 정서성, 각성도, 지배도)가 확산성 지표에 미치는 영향을 비교하기 위해.
• VAD 원형모델 기반의 일반화된 언어에 관계없는 모델이 문화 간 확산성을 설명할 수 있는지 테스트하기 위해.
• 정서 기반 모델과 VAD 기반 모델 간의 설명력 비교를 통해 확산성을 예측하는 데 있어 어느 모델이 더 효과적인지 평가하기 위해.
• 콘텐츠 마케팅 및 네이티브 광고에 대한 함의를 탐색하기 위해 정서-확산성 패턴을 식별하기 위해.

제안 방법

• Rappler(영어)와 Corriere della Sera(이탈리아어)에서 수집한 65,000건의 이중어 뉴스 기사 코퍼스를 확보하고, 독자에게 유도된 정서를 애너테이션 처리함.
• 커뮤니티 기반 정서 피드백(mood tags)을 활용해 각 기사의 정서 점수와 VAD(정서성-각성도-지배도) 점수를 유도함.
• Google+ 공유, 트윗, 이메일 공유(G+, Tweets, Emails)를 포함한 다중 지표를 통해 확산성 측정.
• 평균 + 표준편차 기반 임계값을 사용해 확산성 지표를 이진화하여 극도로 확산된 기사 식별.
• 정서 유형과 VAD 차원을 예측변수로 사용해 확산성을 예측하기 위해 로지스틱 회귀 모델 적용.
• 교차 언어 비교 및 모델 일반화를 가능하게 하기 위해 기존 자원을 활용해 정서 레이블을 VAD 값으로 매핑함.

실험 결과

연구 질문

• RQ1 특정 정서는 영어 및 이탈리아어 뉴스 콘텐츠에서 Google+ 공유, 트윗, 이메일 공유 등 다양한 확산 측면과 어떻게 관련되어 있는가?
• RQ2 정서 반응의 문화적 차이가 정서와 확산성 간 관계에 얼마나 영향을 미치는가?
• RQ3 정서성-각성도-지배도(VAD) 원형모델이 일반화된 다국어적 프레임워크로서 확산성을 설명하는 데 유용한가?
• RQ4 정서 기반 모델과 VAD 기반 모델 간의 설명력은 확산성 예측에서 어떻게 비교되는가?
• RQ5 정서는 좁은 범위의 확산(예: 이메일 공유)과 넓은 범위의 확산(예: 소셜미디어 공유)에 대해 각각 어떤 영향을 미치는가?

주요 결과

• VAD 원형모델은 높은 각성도가 좁은 범위의 확산과 연결되고, 높은 지배도가 넓은 범위의 확산 현상과 연결되는 일관되고 다국어적 확산성 설명을 제공한다.
• 특히 영어 데이터셋과 이탈리아어 데이터셋 간 정서 반응의 문화적 차이가 존재하나(예: 슬픔의 영향이 상반됨), VAD 모델은 두 언어 모두에서 강력한 설명력을 유지한다.
• VAD 기반 모델은 Corriere.it에서 최대 McFadden’s R² 0.0840, Rappler.com에서 0.0569의 점수를 기록하여 정서 기반 모델과 베르거 등(2012)의 최고 성능 모델(R² 0.0700)을 초월했다.
• 연구 결과, 정서는 넓은 범위의 확산(예: 소셜미디어 공유)보다 좁은 범위의 확산(예: 이메일 공유)에 더 큰 영향을 미치며, 이 패턴은 두 언어 모두에서 일관되게 나타났다.
• 정서를 VAD 차원으로 매핑한 후에도 모델의 설명력이 강하게 유지되었으며, 이는 VAD가 확산성의 핵심 정서적 구조를 잘 포착하고 있음을 시사한다.
• 결과는 VAD 구성, 특히 지배도와 각성도의 번갈아 가는 패턴이 확산성의 뒤에 있는 체계적인 설득적 커unikation 현상과 유사하게 연결되어 있음을 시사한다.