[논문 리뷰] Temporal Analysis of Literary and Programming Prose

Brian Michalski, Mukkai S. Krishnamoorthy외 1명|arXiv (Cornell University)|2012. 02. 09.

Advanced Text Analysis Techniques참고 문헌 1인용 수 5

한 줄 요약

이 논문은 구글 Ngram 뷰어와 커밋 로그를 사용하여 문학적 글쓰기와 프로그래밍 글쓰기의 시간적 패턴을 비교하는 시간 분석 프레임워크를 제안한다. 이는 양 분야에서 시간 참조가 균일하지 않은 패턴을 보이며, 예를 들어 문학에서 '일요일'의 비정상적인 사용이나 소프트웨어 프로젝트에서 커밋 분포의 불균형을 드러내며, 이는 행동적 및 문화적 경향을 시사한다. 연구는 구조적 차이가 있음에도 불구하고 두 분야 모두 유사한 통계적 방법으로 분석 가능하다는 것을 입증한다.

ABSTRACT

Literary works reference a variety of globally shared themes including well-known people, events, and time periods. It is particularly interesting to locate patterns that are either invariant across time or exhibit a characteristic change across time, as they could imply something important about society that those works record. This paper suggests the use of Google n-gram viewer as a fast prototyping method for examining time-based properties over a rich sample of literary prose. Using this method, we find that some repeating periods of time, like Sunday, are referenced disproportionally, allowing us to pose questions such as why a day like Thursday is so unpopular. Furthermore, by treating software as a work of prose, we can apply a similar analysis to open-source software repositories and explore time-based relations in commit logs. Doing a simple statistical analysis on a few temporal keywords in the log records, we reinforce and weaken a few beliefs on how college students approach open source software. Finally, we help readers working on their own temporal analysis by comparing the fundamental differences between literary works and code repositories, and suggest blog or wiki as recently-emerging works.

연구 동기 및 목표

• 구글 Ngram 뷰어와 같은 널리 이용 가능한 디지털 도구를 사용하여 문학적 글쓰기의 시간 패턴을 조사하기 위해.
• 시간 기반 참조와 커밋 활동에 중점을 두어 문학 작품과 소프트웨어 저장소 간의 시간적 행동을 비교하기 위해.
• 마감일 이전에 작업이 집중되는가 같은 소프트웨어 개발의 인간 행동에 대한 가설을 검증하기 위해.
• 버전 관리와 시간 메타데이터 측면에서 문학 텍스트 분석과 소프트웨어 저장소 분석 간의 방법론적 차이를 규명하기 위해.
• 블로그와 위키와 같은 하이브리드 형태가 문학과 코드 사이의 중간 사례로서 기능할 수 있는지 탐색하기 위해.

제안 방법

• 1800년에서 2000년 사이에 출판된 디지털화된 책에서 시간적 n-그램(예: 요일)의 상대 빈도를 추출하기 위해 구글 Ngram 뷰어를 사용하였다.
• 소프트웨어 커밋 로그를 시간적 글쓰기로 간주하여 시점(timestamp)을 추출하여 매일의 커밋 분포를 분석하였다.
• 관측된 균일 분포에서의 편차가 통계적으로 유의미한지 평가하기 위해 기본 통계 분석(예: z-검정, 신뢰구간)을 적용하였다.
• 시간적으로 가까운 커밋들을 군집화하여 연속적인 프로그래밍 세션의 길이를 추정하였다.
• 매일의 커밋 비율을 요약하기 위해 평균과 표준편차를 사용하였으며, 이는 기대되는 균일 분포인 14.29%와 비교하였다.
• 마감일 관련 군집화를 탐지하기 위해 여덟 개의 오픈소스 학생 프로젝트에 대한 프로젝트별 커밋 패턴을 평가하였다.

실험 결과

연구 질문

• RQ1 예를 들어 일요일과 같이 특정 요일이 문학적 글쓰기에서 균일한 비율을 초과하여 자주 언급되는가? 이러한 패턴의 이유는 무엇인가?
• RQ2 소프트웨어 개발자가 마감일을 고려할 때, 특히 프로젝트 제출 일정에 따라 커밋 행동이 비균일하게 나타나는가?
• RQ3 문학 작품과 소프트웨어 저장소의 시간 참조 빈도와 구조 측면에서 시간 패턴은 어떻게 비교되는가?
• RQ4 오픈소스 프로젝트의 커밋 로그는 주간 주기나 세션 지속 시간과 같은 예측 가능한 행동 리듬을 어느 정도 반영하는가?
• RQ5 블로그와 위키가 텍스트와 수정 이력의 하이브리드 성격을 지니고 있기 때문에, 문학적 분석과 소프트웨어 분석 사이의 다리 역할을 할 수 있는가?

주요 결과

• 문학 작품에서 '일요일'이 다른 요일보다 유의미하게 더 자주 언급되며, 이는 순수한 시간 기록을 넘어서 문화적 또는 서사적 의미를 지닌다는 것을 시사한다.
• 학생 프로젝트에서 금요일과 토요일의 커밋 비율이 기대되는 균일 분포인 14.29%보다 높게 나타나, 마감일에 따른 작업 패턴이 있을 가능성이 있다.
• 여덟 개의 프로젝트에서 어떤 요일의 분포에 대해서도 통계적으로 유의미한 편차가 발견되지 않았으며, 모든 95% 신뢰구간이 0을 포함하였다.
• 프로젝트 전체 평균 프로그래밍 세션 길이는 약 4.5시간이었으며, 일부 프로젝트는 특히 RPIDirectory의 경우 7시간 29분으로 뚜렷이 긴 세션을 보였다.
• 문학 작품의 여러 판을 분석한 결과, 샘플링된 1,000권의 책 중 단 40권만이 한 번 이상의 수정을 거친 것으로 밝혀져 종단적 문학 분석의 범위가 제한되었다.
• 소프트웨어 저장소의 커밋 로그는 문학 텍스트보다 더 풍부한 시간 메타데이터를 제공하여 개발 행동의 더 세밀하고 의미 있는 시간 분석이 가능하다.