[논문 리뷰] Dissecting the Meme Magic: Understanding Indicators of Virality in Image Memes

Chen Ling, Ihab AbuHilal외 4명|arXiv (Cornell University)|2021. 01. 16.

Humor Studies and Applications참고 문헌 82인용 수 9

한 줄 요약

이 논문은 4chan의 /pol/에서 수집한 100개의 이미지 멤에 대해 구성, 주제, 대상 청중을 분석함으로써 시각적 요소가 멤의 확산성에 어떻게 기여하는지 다룬다. 혼합 방법론을 활용하여 시각적 주석을 위한 코드북을 개발하고, 기계학습 모델을 훈련시켜 AUC 0.866의 성능을 달성하여 확산 가능성을 예측하였다. 이러한 발견은 트위터와 레딧의 확산 멤에 일반화 가능하다.

ABSTRACT

Despite the increasingly important role played by image memes, we do not yet have a solid understanding of the elements that might make a meme go viral on social media. In this paper, we investigate what visual elements distinguish image memes that are highly viral on social media from those that do not get re-shared, across three dimensions: composition, subjects, and target audience. Drawing from research in art theory, psychology, marketing, and neuroscience, we develop a codebook to characterize image memes, and use it to annotate a set of 100 image memes collected from 4chan's Politically Incorrect Board (/pol/). On the one hand, we find that highly viral memes are more likely to use a close-up scale, contain characters, and include positive or negative emotions. On the other hand, image memes that do not present a clear subject the viewer can focus attention on, or that include long text are not likely to be re-shared by users. We train machine learning models to distinguish between image memes that are likely to go viral and those that are unlikely to be re-shared, obtaining an AUC of 0.866 on our dataset. We also show that the indicators of virality identified by our model can help characterize the most viral memes posted on mainstream online social networks too, as our classifiers are able to predict 19 out of the 20 most popular image memes posted on Twitter and Reddit between 2016 and 2018. Overall, our analysis sheds light on what indicators characterize viral and non-viral visual content online, and set the basis for developing better techniques to create or moderate content that is more likely to catch the viewer's attention.

연구 동기 및 목표

• 소셜 미디어에서 매우 확산되는 이미지 멤과 그렇지 않은 멤을 구분하는 데 시각적 요소가 어떻게 작용하는지 이해하기 위해.
• 구성, 묘사된 주제, 대상 청중이 멤의 확산 가능성에 어떻게 영향을 미치는지 조사하기 위해.
• 다학제적 연구를 바탕으로 시각적 기능을 체계적으로 주석화하기 위한 코드북을 개발하기 위해.
• 시각적 신호를 사용하여 확산 가능성을 예측하는 기계학습 모델을 훈련하고, 주류 플랫폼으로의 일반화 성능을 평가하기 위해.
• 콘텐츠 제작, 모더레이션, 그리고 가짜 정보 캠페인에서의 확산 예측 기술 오용 가능성을 고려하기 위해.

제안 방법

• 확산 빈도에 따라 선택된 100개의 이미지 멤을 4chan의 /pol/ 게시판에서 수집하여, 확산성의 극단을 대표하는 멤을 확보하였다.
• 예술 이론, 심리학, 신경과학, 마케팅을 기반으로 한 코드북을 개발하여 구성, 주제 유형, 정서적 내용과 같은 시각적 요소를 특성화하였다.
• 스케일(예: 근접 촬영), 캐릭터 존재 여부, 텍스트 길이, 정서적 분위기 등 9개의 시각적 기능을 코드북에 따라 멤을 주석화하였다.
• 주석화된 시각적 기능을 기반으로 기계학습 모델(예: XGBoost)을 훈련시어 멤을 확산성 여부로 분류하도록 하였다.
• /pol/ 데이터셋에서 모델 성능을 AUC로 평가하고, 트위터와 레딧의 2016~2018년도 최고 인기 멤 20개에 대해 일반화 성능을 테스트하였다.
• 다른 플랫폼 간 비교를 통해, /pol/에서 도출된 지표가 소규모 커뮤니티를 넘어 주류 소셜 네트워크로도 일반화됨을 검증하였다.

실험 결과

연구 질문

• RQ1 프레임, 대비, 텍스트 배치 등 시각적 구성 요소 중 어떤 것이 멤의 확산 가능성에 가장 예측력이 있는가?
• RQ2 특히 인간 얼굴이나 캐릭터의 존재 및 유형이 멤의 재공유 가능성에 어떤 영향을 미치는가?
• RQ3 청중이 문화적 또는 맥락적 참조에 얼마나 익숙한지가 멤의 확산 가능성에 어느 정도 기여하는가?
• RQ4 소규모 플랫폼인 /pol/에서 도출된 확산 가능성의 시각적 지표가 트위터나 레딧과 같은 주류 플랫폼으로 일반화 가능한가?
• RQ5 이러한 발견은 콘텐츠 모더레이션, 운동 활동, 그리고 가짜 정보 캠페인에서의 확산 예측 기술 오용에 어떤 함의를 갖는가?

주요 결과

• 매우 확산되는 멤은 근접 촬영 구성, 명확한 캐릭터, 강한 긍정적 또는 부정적 정서를 포함할 가능성이 높다.
• 명확한 초점 주제가 없거나 긴 텍스트를 포함한 멤은 재공유 가능성이 낮아지며, 이는 주목을 끌 능력이 떨어짐을 시사한다.
• 기계학습 모델은 /pol/ 데이터셋에서 확산 멤과 비확산 멤을 구분하는 데 AUC 0.866의 성능을 달성하여 강력한 예측 능력을 보였다.
• 트위터와 레딧에서 2016~2018년도 최고 인기 멤 20개 중 19개의 확산 가능성을 성공적으로 예측하여 강력한 일반화 능력을 입증하였다.
• 구성 및 정서의 성향과 같은 시각적 특성은 특정 콘텐츠 참조보다 더 예측력이 높아, 확산의 안정적인 구성 요소로 작용함을 시사한다.
• 확산은 전적으로 소규모 문화 지식에 의해 결정되는 것이 아니라, 주로 시각적 빛나는 요소와 정서적 공명에 의해 영향을 받으며, 청중의 익숙함 역시 여전히 영향을 미친다.