[논문 리뷰] What a Nasty day: Exploring Mood-Weather Relationship from Twitter

Jiwei Li, Xun Wang외 1명|arXiv (Cornell University)|2014. 10. 30.

Climate Change Communication and Perception참고 문헌 44인용 수 17

한 줄 요약

이 연구는 두 해에 걸친 트위터 데이터셋과 정교한 기계학습 파이프라인을 활용하여 명시적인 기분 표현을 식별하고 공공 이벤트 및 혼란 요인의 잡음을 걸러내어 기분-기상 관계를 조사한다. 연구 결과, 고온은 분노를 증가시키며, 눈은 우울과 관련이 있으며, 전체적인 기상 조건이 다차원적 기분 상태에 유의미한 영향을 미친다는 것이 확인되었다. 이는 전통적인 심리학적 설문 조사의 대체 가능한 확장 가능한 방법을 제공한다.

ABSTRACT

While it has long been believed in psychology that weather somehow influences human's mood, the debates have been going on for decades about how they are correlated. In this paper, we try to study this long-lasting topic by harnessing a new source of data compared from traditional psychological researches: Twitter. We analyze 2 years' twitter data collected by twitter API which amounts to $10\%$ of all postings and try to reveal the correlations between multiple dimensional structure of human mood with meteorological effects. Some of our findings confirm existing hypotheses, while others contradict them. We are hopeful that our approach, along with the new data source, can shed on the long-going debates on weather-mood correlation.

연구 동기 및 목표

• 대규모 실시간 소셜미디어 데이터를 활용하여 기상 조건과 다차원적 인간의 기분 간 상관관계를 조사하는 것.
• 작은 표본 크기, 높은 비용, 개인적 편향에 취약한 전통적 심리학 설문 조사의 한계를 극복하기 위해 트위터의 광범위하고 지속적인 사용자 생성 콘텐츠를 활용하는 것.
• 공공 이벤트나 언어적 모호성과 같은 비기분 관련 요소를 걸러내면서도 명시적인 기분 표현을 식별할 수 있는 강력한 기계학습 파이프라인을 개발하는 것.
• 기온, 강수량, 기압과 같은 기상 변수가 분노, 슬픔, 행복과 같은 집단적 기분 변화와 상관관계가 있는지 조사하는 것.
• 기존의 일상적 또는 설문 기반 연구를 뛰어넘는 경험적 통찰을 제공하는, 확장 가능한 데이터 기반 접근 방식을 제안하여 오랫동안 이어져 온 기상-기분 관계 논의에 기여하는 것.

제안 방법

• 트위터 API를 통해 수집한 두 해 분량의 트위터 데이터셋(모든 트윗의 10%)을 활용하여 기상 조건과 지역 기반 기분 표현을 연결하기 위해 지리적 태그가 부여된 메시지에 집중했다.
• 명시적인 기분 표현을 탐지하기 위한 기계학습 파이프라인을 개발하여, 일반적인 표현이나 否정문(예: '행복하지 않다')과 진정한 정서 상태를 구분했다.
• 분노, 슬픔, 행복과 같은 다차원적 정서 상태를 식별하도록 훈련된 감성 및 기분 분류 모델을 적용했다.
• 공공 이벤트(예: 마이클 잭슨의 사망, 아이티 지진)와 같은 혼란 요인의 영향을 최소화하기 위해 통계적 보정 조치를 시행했다.
• 기상 변수들 간의 다중공선성(예: 기온, 습도, 기압) 문제를 해결하고 모델의 강건성을 향상시키기 위해 상호작용 항목을 포함한 회귀 모델을 구현했다.
• 모델 성능을 평가하기 위해 분산 설명률(44.2%)을 사용하였으며, 혼합 모델 기준선(30.8%)과 비교하여 개선된 적합도와 신뢰성을 확인했다.

실험 결과

연구 질문

• RQ1 고온은 트위터 사용자들 사이에서 분노 표현의 증가와 상관관계가 있는가?
• RQ2 눈이 내리거나 추운 날씨는 소셜미디어 게시물에서 슬픔 또는 우울 정서 수준의 상승과 관련이 있는가?
• RQ3 일광, 기압과 같은 특정 기상 조건이 집단적 기분의 긍정적 또는 부정적 정서와 유의미한 상관관계가 있는가?
• RQ4 공공 이벤트나 기상 외 요인은 소셜미디어 데이터에서 관찰된 기분-기상 관계를 얼마나 심각하게 왜곡하는가?
• RQ5 기계학습 파이프라인이 트위터 데이터에서 언어적 잡음과 일반적인 표현들 사이에서 진정한 기분 표현을 효과적으로 분리할 수 있는가?

주요 결과

• 고온은 분노 표현의 증가와 유의미하게 관련되어 있으며, 고온에 따른 공격성에 대한 오랜 가설을 확인한다.
• 눈이 내리는 것은 슬픔과 우울 정서 수준의 상승과 관련되어 있으며, 겨울 기상 조건과 계절적 정서장애 간의 연관성을 지지한다.
• 모델은 기분 변동의 44.2%의 분산을 설명하며, 기준선 혼합 모델(30.8%)을 능가하여 강력한 통계적 적합도와 신뢰성을 보여준다.
• 대기 오염이나 사건 기반 기분 변화와 같은 도전 과제에도 불구하고, 집계 분석을 통해 기상 관련 기분 패턴이 성공적으로 분리되었다.
• 이 연구는 기온, 강수량, 기압과 같은 기상 변수들이 트위터에서 표현된 집단적 기분에 측정 가능한 다차원적 영향을 미친다는 것을 확인한다.
• 기존의 전통적 심리학 연구에서의 모순된 결과들은 대규모 실시간 트위터 데이터의 특성 덕분에 부분적으로 해소되며, 개인적 편향이 감소하고 통계적 검정력이 향상된다.