2.1 감성사전 기반(Dictionary-based)

타겟 텍스트가 일차적으로 만들어지고 나면(916개 문장) 이를 대상으로 감성사전(KnuSentiLex)2 기반 감성분석3을 진행한다. KoNLPy의 Okt(Open Korean Text)와 Mecab을 이용해서 토큰화와 형태소 분석을 진행하며 파이썬 re 모듈 내 re.sub method를 통해 (re.sub('[^\s\d\w]',", sentence)) 분석에 방해가 되는 문자 외의 표기를 없애는 정제작업을 다시한번 거친다. mecab.morphs method를 통해 문장을 형태소 단위로 쪼개고 나면 반복(iteration)을 거치 면서 형태소 단위 단어에 감성사전에 해당하는 단어가 있는 경우 그것이 긍정 단어에 해당할 때 마다 +1, 부정 단어에 해당할 때마다 -1로 문장 별로 값을 단순 산술한다. 즉, 어휘의 긍/부정 정도에 대한 가중치는 따로 반영되지 않았기 때문에 주관성의 오류를 범하지 않는 가장 단순한 방법임과 동시에 실제적 섬세함이 떨어진다는 단점이 있다. 산술된 값이 각 문장 옆에 출력되어 저장될 수 있도록 코드를 구성하고 나면 0 (중립)을 기점으로 긍정(+)과 부정(-)의 정도를 해석할 수 있다. 결과값의 범위는 -4~+6으로 관찰된다.

2.2 RNN 기반4

다음으로 인경신경망 RNN 기반4으로 감성분석을 진행하였다. 감성점수가 표기(라벨링)된 네이버 영화 리뷰 코퍼스(NSMC: Naver Sentiment Movie Corpus) 데이터로 훈련을 거친 모델을 활용하여 분석하고자 하는 타겟 텍스트의 각 문장에 대한 예측 값을 최종적으로 ~% 확률로 긍정/부정과 같이 추출할 수 있다. 한국어 기반 훈련데이터로 활용할 수 있는 감성점수 태깅 자료는 AlHub출처 감성 대화 말뭉치, 국립국어원의 한국어감성분석(KOSAC: Korean Sentiment Analysis), 네이버 영화리뷰 코퍼스(NSMC: Naver Sentiment Movie Corpus) 등으로 작품 텍스트 분석을 위한 훈련 데이터로서 문장의 어휘, 구조적 난도 측면에서 적합하지 않을 수 있다. 그러나 문학 데이터에 대한 별도의 라벨링 작업과 데이터 구축은 시간과 비용 면에서 한계가 있다. 무엇보다 본 연구는 문학 텍스트 자체의 감성 분석이 목적이 아니라, 이를 일반 담화 코퍼스의 예시로 삼아 격식 있는 문어체를 사용하는 화자의 언어를 표본으로 분석의 타당성과 오류 정도를 측정하는 데 목적이 있다. 이에 따라, 일상적이며 담화적 특성을 지닌 문어체인 리뷰 데이터를 훈련 자료로 사용하는 것이 연구 목적에 더 부합한다고 판단하였다.

다음의 과정은 구체적 기술을 위해 자연어처리 코드에 관한 기본 설명을 포함하고 있다. 감성 사전 기반과 동일한 방식으로 한국어 자연어처리를 위한 konlpy 패키지가 설치된 상태에서 형태 소 분석 모듈 Okt 와 Mecab를, 그리고 필요한 pandas, numpy, tensorflow, re 등의 추가 라이브러 리를 미리 불러온다. 앞서 언급한 훈련데이터를 pandas frame으로 불러온 상태에서 리뷰가 담긴 ‘document’ 열에 정규식을 이용해 필요한 문자만 남길 수 있도록 전처리를 진행한다. 또한, 빈 문자열의 경우 Nan 값으로 대체되게 하여 Dataframe에서 삭제시킨다. 모델 성능(performance)을 확 인하기 위해 필요한 테스트 데이터(NSMC중 split 된 부분)에 대해서도 같은 방식으로 데이터 내에 중복되는 행이 있는 경우 삭제하고 ‘document’ 열에 대한 기호, Nan값 제거를 진행한다. 다음으로 전처리의 연장선에서 Tokenizer는 훈련데이터에서 ‘document’ 열의 텍스트를 작은 단위로 쪼개어 빈도 상위 5000개의 단어에 대해 빈도정보를 반영한다(더 보편적인 단어일수록 낮은 정수 값을 부여받는다.). 정수를 부여하여 텍스트가 일련의 정수(sequences of integers)로 표현되게끔 한 다. 상위 5000개로 개수를 한정하는 이유는 dimensionality를 통제함으로써 과정의 효율성을 유지하기 위함이며 (text_to_sequences())는 원데이터(raw data)가 머신러닝 모델로 처리될 수 있는 형식이 되게 하기 위함이다. 다음으로 Padding and Truncating Sequences 과정을 통해 정수로 변환된 텍스트의 길이를 맞춰주는 작업을 진행한다. 정수의 개수가 부족한 경우 비어있는 자리에 0을 채워주고, 오히려 길이가 넘는 경우 뒷부분을 잘라준다. 또한 label열의 값이 숫자가 아닌 경우 NumPy array 변환이 필요하지만 이미 주어진 데이터의 label은 0(부정), 1(긍정)으로 변환된 상태이다. 테스트데이터에 대해서도 같은 전처리 과정이 진행되지만 중요한 점은 훈련데이터에 fit된 Tokenizer를 그대로 사용함으로써 word mapping의 일관성을 유지해야 한다. 다음으로, model architecture 설정에 관해서는 sequential model에 임베딩 층(embedding layer)을 추가해주며 이때 이전에 정수로 인코딩된 단어가 벡터로 변환된다. 벡터 표상은 단어의 의미와 문맥을 포착하게 되며 단어를 벡터로 맵핑(mapping) 함으로써, 임베딩 층은 신경망이 단어들 사이의 유사성과 긴밀한 관계를 인지하고 이해할 수 있게끔 한다. 이 부분이 단순 단어사전 기반 감성분석을 진행하는 것과 가장 큰 차이가 생기는 이유이다. 모델에 양방향 LSTM(Long-Short Term Memory / RNN의 종류)층을 64단위로 쌓아주게 되면 해당 층의 결과가 다음 층으로 전달되며, 추가로 32단위의 LSTM을 쌓아5 비교적 모델을 단순화하되 주요패턴 정보를 더 파악하여 결과도출로 이어질 수 있도록 구성하며 이는 계열 의존성에 대한 정보를 포착하는 과정이다. 임베딩 dimension(=128) 과 LSTM 단위(unit) 설정은 모델의 성능 효율성과 overfitting 가능성을 줄일 수 있는 보편적 구성으로 선택을 하였다. 마지막으로 Dense 층의 추가에 대한 언급을 할 수 있다. Dense 층의 각 뉴런은 이전 층에 존재하는 모든 뉴런과 연결되어 있으며 한개의 단위로 존재하여 이분지 분류 (binary classification task)에 적합하다. 시그모이드 함수를 활성화함수로 사용하여 긍정 혹은 부정으로(1 or 0)에 분류될 가능성을 측정하도록 한다. 추가로, 가장 대중적인 adam optimizer를, 손실함수는 이분적 분류에 적합한 binary_crossentropy 로 환경설정을 한다. Earlystopping 설정을 통해 더 이상 loss 가 향상되지 않으면 훈련이 중지되도록 한다(patience=3). batch_size=64, epoch=2를 최종 조건으로 Test Accuracy: 0.7738122344017029 결과를 얻은 모델로 햄릿 데이터 대상으로 분석을 진행한다.

3.1 감성사전 기반 정확도 우위의 예문 (표 3 참조)

감성분석 결과가 어떤 쪽에 치우치지 않는 중립적 예문에 대해서는 감성사전 기반이 정확도 우위에 있음을 확인할 수 있다. 대표적으로 ‘(6)소신을 프랑스로 돌아가게 하여 주옵소서’ 와 ‘(11)아 벌써 날이 새는구나’와 같은 예문에서 RNN기반 감성분석은 90.33% 확률의 긍정으로 도출하고 있으며 특히 길이가 짧고 감성적으로 중립적인 문장에 한해서는, 문맥과 구문 구조를 감성 반영하는 것이 오히려 결과의 오류 편향, 특히 긍정적인 방향으로의 과잉 일반화를 유발할 수 있다는 점이 확인된다. 이러한 결과는, 문맥 정보가 감정적으로 애매한 문장의 의미를 보완하는 데 도움을 준다는 일반적인 기대와는 상반되는 현상이다. 일반적으로 문맥은 의미의 공백을 메워주는 도구로 작용하지만, 중립적이고 단서가 적은 짧은 문장에서는 오히려 그 문맥 정보가 의도하지 않은 방향으로 감성 판단을 유도할 수 있다. 이는 모델이 불확실성을 해소하려는 과정에서, 데이터상 빈도적으로 더 자주 등장하고 정서적으로 더 명확한 긍정적 표현을 우선시하도록 학습되어 있기 때문이다. 실제로 He와 Garcia(2009)는 감성 분석을 포함한 분류 작업에서 데이터의 클래스 불균형 (positive > negative > neutral)이 존재할 경우, 신경망 기반 모델이 중립적이거나 부정적인 표현을 과소 인식하고, 모호하거나 불확실한 경우 빈도수가 많은 긍정 클래스로 분류하는 경향을 보인다고 보고하였다. 이와 유사하게, Dixon et al.(2018)은 감성 분류 모델이 감정적으로 불확실하거나 애매한 입력에 대해, 학습 과정에서 더 많이 노출된 감성 클래스(주로 긍정)나 표현 강도가 뚜렷한 감성 범주에 편향되는 경향이 있다고 지적한다. 이는 단지 모델의 구조적 한계가 아니라, 실제 데이터 구성과 표현 빈도에 따라 학습된 감성 분포 자체가 판단의 편향을 구조화하고 있음을 시사한다.

이러한 현상은 나아가 애매한 감정 표현을 해석하는 데 있어 문맥보다는 특정 어휘의 선택 자 체가 더 중요한 단서로 작용할 수 있음을 시사한다. 이때 모델은 상대적으로 더 명시적이거나 학 습 빈도가 높은 감성 단어의 영향력에 크게 좌우된다. 이는 애매한 감정이 문장 구조보다 어휘 조합에 의해 형성되는 경향이 크다는 점과도 연결되며, 어휘 중심적 접근이 감정 해석의 정확도를 높이는데 더 실질적인 역할을 할 수 있음을 시사한다.

실제로 Swinney(1979)는 인간 언어 처리 과정에서 모호한 단어의 모든 의미가 문맥과 무관하게 일시적으로 활성화되는 현상을 관찰하였으며, 이는 문맥보다 어휘 자체의 의미 활성화가 초기 해석에 있어 핵심적인 역할을 수행함을 보여준다. 또한 Word Sense Disambiguation for Lexicon-Based Sentiment Analysis (2017)는 감성 분석에서 의미 중의성 해결이 중요한 과제임을 지적하며, 문맥 정보보다는 단어 수준에서의 의미 명확화가 결과에 직접적인 영향을 미친다고 강조한 바 있다. 따라서 감정적으로 모호한 문장을 해석할 때, 문맥은 때로는 의미의 불확실성을 증폭시키는 요인으로 작용할 수 있으며, 이에 비해 핵심 어휘의 조합은 감성 추론을 위한 보다 결정적인 실마리가 될 수 있다. 또한, (2)의 ‘창백’ ‘허깨비’ (4)의 ‘불안’ ‘대관절’ (5)의 ‘무서운’ ‘당한’ ‘죄인’ (7)의 ‘기특’ ‘축하’ ‘축연’ ‘베풀다’ ‘축포’ ‘축배’ (8)의 ‘업화’ ‘지옥’ (9)의 ‘독사’ ‘물리다’ ‘죽다’ ‘거짓’ ‘사인’ ‘속이다’ (10)의 ‘독사’ ‘죽이다’ (12)의 ‘실성’ (13)‘반갑다’ (14) ‘금지옥엽’ ‘귀 하다’ ‘애지중지’부터 (15)~(23) 등의 의미편향이 명시적인 어휘들이 분명히 있음에도 RNN기반 결과가 굳이 반대로 도출되는 점은 정확도와 별개로 어휘 외의 요소들이 RNN 기반 감성분석에 상당히 반영되고 있음을 알 수 있다. 문학적 표현이나 구어체를 포함하는 적절한 훈련 데이터가 충분히 확보되지 않은 상황에서는, 감성 분석 과정에서 특정 표현 유형에 대한 패턴 분석이 불가 능해지며 이에 따른 오류 발생 가능성이 존재한다고 추정할 수 있다. 그러나 동일한 조건하에서 도 RNN 기반 모델이 상대적으로 안정적인 예측을 보이는 사례와 비교해 볼 때, 이러한 오류 양 상을 전적으로 데이터 부족에 기인한 것으로 단정짓기는 어려울 것으로 보인다.

추가로 문장의 길이와 감성사전 / RNN 기반의 정확도 우위의 상관관계는 유의미하게 발견되지 않는다. 다만, 3-2)RNN 기반 정확도 우위에 속하는 부정감성의 예문에 비해서 3-1)감성사전 기반 정확도 우위의 부정감성 예문의 경우 같은 부정성을 함축하고 있음에도 문장 말미의 구조가 긍정+부정을 포함하거나 의문문을 포괄하는 등 의미+구조 조합이 분명하지 않거나 긍정적 어휘가 쓰이게 될 경우: (2)‘허깨비는 아니지요’ (4)‘엄하게 할까요’ (8)‘또 가까워 왔다’ (9)‘속이고 있지만 여봐라’ (10)‘왕관을 쓰고 있다’ (12)‘분명하오이다’ (16)‘내가 계승할 왕위를’ RNN 기반 분석 상의 오류가 빈번히 발생하는 경우를 볼 수 있다. 실제로, 이와 같은 분석적 관찰은 기존 연구들에 의해 뒷받침된다. Maheswaranathan & Sussillo(2020)는 RNN이 문맥 정보를 처리하는 방식에 대한 분석을 통해, 해당 모델이 문장의 시작과 끝 구간을 상이하게 처리하며, 특히 문장 말미에 등장하는 긍정적 어휘가 전체 감성 판단에 과도한 영향을 미치는 경향이 있음을 밝혀냈다. 이러한 결과는 RNN이 문장의 전반적인 의미 흐름보다는 마지막에 위치한 단어의 정서적 극성에 지나치게 의존할 수 있음을 시사하며, 감성 판단의 오류 원인을 구조적으로 설명하는 데 기여한다. 유사한 맥락에서, Barnes et al.(2019)은 부정 표현의 범위(scope)를 명확히 식별하지 못할 경우, 감성 분석 모델이 감정 판단에 오류를 범할 수 있음을 지적하였다. 이들은 특히 부정 표현이 문장 후반부에 위치하거나 긍정 어휘와 결합되어 나타날 경우, RNN 기반 모델이 이러한 복합 구조를 효과적으로 해석하지 못하는 문제점을 강조한다. 이는 부정문에 있어 문맥정보가 문장 전체에 걸쳐 정확히 반영되고 있지 않을 수 있음을 시사한다.

3.2 RNN 기반 정확도 우위의 예문

감성사전 기반 감성분석이 우세하게 나타난 예문의 긍/부정 비율에 큰 차이가 없었다면, RNN의 경우 다소 편향되어 나타나는 점을 발견할 수 있다. 아래 표를 참고하면 4개의 예문을 제외하고 RNN이 정확하게 예측하고 있는 예문은 모두 부정예문에 해당한다.

즉, 부정 예문을 부정으로 정확하게 판단하는데 있어 RNN기반 감성분석이 더욱 특화된 성능을 구현하는 것으로 보이며 감성사전 기반과 다르게 구조와 문맥정보를 통합적으로 활용하는 RNN의 분석 요인 특성을 고려하면 부정감성 예문의 경우 단순 어휘 조합보다 구조와 문맥정보 조합을 통해 의미를 구성하고 있는 것을 역으로 추론할 수 있다. 또한, 해당 분석에서 80% 이상 부정 감성으로 분류된 예문들이 다수 확인되었다는 점은, 단순히 추상적인 경향이 아닌, 상당히 섬세 한 정서 인식 결과로 해석할 수 있다. 특히 극단적인 부정 감정을 담고 있는 텍스트의 경우, 감성 사전 기반 분석에서는 오히려 0(중립)으로 판단되는 사례가 반복적으로 나타났다. 3-1)의 경우로 감성사전이 정확히 분석했던 극단 부정의 예문(ex:(22), (23)) 과 3-2)의 RNN우위 극단 부정 예문의 비교해 볼 수 있다. (1-22) (1-23)의 경우 ‘독’ ‘칼’ ‘독약’등의 명시적인 어휘가 부정적 의미를 중심에서 형성하고 있다면 (2-10) ‘두 사람은 놀라 사시나무 떨듯 떨기만 하고 아무 말도 건네 보지 못하였다는군요 / 그리고서야 겨우 손목을 놔주시더니 어깨 너머로 곧장 제 얼굴을 보시면서 문밖으로 나가셨어요’에서와 같이 어휘가 아닌 문맥 정보를 주로 부정적 의미가 형성되고 있는 것을 확인할 수 있다. 이를 통해, 인간 언어에서 의미는 때로 어휘 중심, 또는 문맥과 구조 중심이라는 서로 다른 방식에 치우쳐 구성되고 전달될 수 있으며, 극단적인 부정 정서를 담은 문장일지라도 반드시 강한 부정 어휘가 사용되어야 하는 것은 아님을 시사한다. 3-1)의 예문과 3-2)의 예문들의 평균길이에 있어 전자는 30.19 후자는 28.67 로 유의미한 차이가 발견되지는 않았으며 이는 구조 와 문맥 힌트가 반드시 긴 문장을 통해 발생하고 있지는 않음을 제시한다. 그러나 특히 짧고 의미 가 중립적인 예문에서 감성 사전 기반의 어휘 위주 분석이 상대적으로 우위를 보이고, 길고 중립 적인 문장에서는 RNN 기반 분석이 더 높은 정확도를 보이는 양상이 뚜렷하게 관찰되었다는 점은 중요하다. 이는, 애매한 의미를 담은 단문에서는 어휘의 정서적 극성이 상대적으로 강한 영향을 미치는 반면, 장문의 경우에는 의미의 흐름, 전환 구조, 구문적 기대 등 문맥 기반 정보가 해석의 핵심 단서로 작용한다는 점을 시사한다. 이러한 경향은 전산언어처리 뿐 아닌 인지심리학 분야에 서도 유사하게 제기된 바 있으며, 대표적으로 garden-path sentence 연구들은 문장의 구조적 복잡 성으로 인해 독자가 초기 해석 단계에서 혼동을 겪는 현상을 설명하며, 문맥과 구문 구조의 통합적 처리가 특히 긴 문장에서 더 중요한 역할을 한다는 점을 보여준다.