부동층 분석을 위한 PCG 모형
Q. 기존 여론조사 예측이 부정확한 이유?
∙기존 조사방식은 후보자·정당에 대한 선호도(지지도)와 최종선택 간 긍정적인 ‘상관관계의 함정’에 빠지기 때문에 발생
- "여론조사에서 지지 의사를 표명하면 대체로 투표장에서도 그 후보를 선택할 것이다"
∙여론조사 응답자와 조사에 응하지 않았던 응답 거부자의 행동예측 문제의 간과가 주요인
- 지지 여부가 약한(“대체로 지지함”, “대체로 지지하지 않음”) 응답자는 여론조사 특성상 ‘바람직한 대안 선택’이라는 함정에 빠지지만,
실제 투표장에서 다른 선택을 할 가능성을 간과
- 부동층(“모르겠음” 혹은 “없음”) 응답자의 실제 투표장에서 선택가능성을 예측할 어떠한 근거도 파악하고 있지 못하기 때문
⇒ 기존 여론조사는 부동층과 응답 거부자의 최종선택을 예측하지 못함
Q. 미디어리서치 예측모형의 핵심은?
∙의사결정모형에서 대안평가 결과(지지 혹은 선호)가 최종후보 선택으로 전환되는데 미치는 결정적 영향요인을 반영
- 이성적 요인(정책, 신념, 실현가능성 등)에 의해 후보자·정당에 대한 대안평가를 실시하고 결과적으로 호감 혹은 선호도가 형성되지만,
최종선택에 따른 행동(투표, 정책지지 등)은 감정적 요인에 의해 영향을 받게 됨
- 일반적으로 의사결정을 할 때 80~90%가 무의식적으로 감정적인 요인에 영향을 받음
(뉴로마케팅 전문가인 제널드 잘트만 교수의 ZMet 연구결과가 대표적)
⇒ 여론조사 예측성을 높이기 위해 부동층과 응답거부자의 ‘선택에 따른 심리적 요인’ 반영
Q. 선호-선택 차이 모형(Preference-Choice Gap Model: PCG Model)이란?
∙미디어리서치 예측모형(PCG Model)은 선호와 선택간의 차이를 분석하기 위하여 의사결정과정에서 선택 심리를 반영한
감성적 판단지표를 개발하여 접목한 모형
특징1: PCG Model은 ‘부동층, 무응답층’에 대한 행동예측을 효율적으로 실시하도록 설계된 모형
특징2: PCG Model의 ‘Gap 분석’은 선거여론조사, 정책이슈조사 등 주관적이고 경험적인 공감 정도를 평가하기 위한 심리지표 적용
특징3: PCG Model은 정형·비정형 데이터 분석을 위한 머신러닝 기반 데이터 마이닝을 위해 최적화된 모형
∙PCG Model의 선택심리 요인은 정서적, 감성적 공감척도를 사용하여 측정함
① 인지적 공감 : 인식 정도, 이해 정도, 숙지 정도에 따른 공감으로 높을수록 선호하는 대안을 최종 선택할 가능성이 높음
“나에게 적합한 정책이다”, “지인들에게 추천하고 싶다”, “정책에 호감을 갖게 한다”
② 정서적 공감 : 믿음 정도, 좋아하거나 싫어하는 정도, 혐오하거나
기피하는 정도로 높을수록 선호하는 대안을 최종 선택할
가능성이 높음
“믿을 수 있다”, “진실한 정보이다”, “객관적인 정보이다”,
“전문적인 정보이다”
③ 사회관계적 공감: 평소 정치·사회적 성향으로 진보나 보수성향이
강할수록 선호대안에 대한 선택으로 이어질 긍정적 상관관계가
높아질 가능성이 높음
“국민이 관심을 가져야 할 정책이다”,
“사회적으로 바람직한 정책이다”, “나는 진보적이다”
[선호-선택 차이 모형(Preference-Choice Gap Model: PCG Model)]
Gap 분석
이성적 평가 후 선택
∙실제적 가치를 기준으로 객관적인 이해관계 평가
∙긴급재난기금, 원전 해체 등
∙보상적 판단모형, 비보상적 판단모형
감성적 평가 후 선택
∙국가·사회·지역과 관련 주관적인 공감 관계 평가
∙선거·정당여론조사, 정책 이슈조사 등
∙경험적 모형, 휴리스틱 판단모형
Q. PCG Model의 통계적 모형은 어떻게 구성되었는가?
∙PCG Model을 적용하기 위한 data structure는 평가질문, 분류척도, 인구통계질문 등으로 구성됨
- 평가질문은 궁극적인 지지 혹은 선도항목으로 측정하여 집단 분류코드로 사용되며, 유동층(대체로 지지 혹은 대체로 지지 않음,
없음, 무응답 등)에 대해 재질문을 실시
- 분류척도는 선택심리를 파악하기 위한 공감척도로 인지적 공감, 정서적 공감 그리고 사회관계적 공감으로 구성
- 인구통계 질문은 기본적으로 성별, 연령 그리고 지역별 측정
- 분류결과는 기본 자료를 활용하여 새롭게 산출한 지지 혹은 선호도 예측값을 의미
[PCG Model의 data structure]
| id | 평가질문 | 분류척도 | 인구통계질문 | 분류결과 |
|---|
| 지지/선호 | 재질문(무응답) | 인지공감 | 정서공감 | 사회관계공감 | 성별 | 연령 | 지역 | 예측 | 변경 |
| | | | | | | | | | |
| | | | | | | | | | |
| | | | | | | | | | |
| | | | | | | | | | |
| | | | | | | | | | |
∙분류분석(Classification Analysis)
- Big data 분석을 위한 정형data 분석기법 중에서 분류척도를 이용하여 평가질문항에 대한 예측과 변경에 대한
분류결과를 산출
▶ A후보 지지자에 대한 분류척도상 개인 특성치를 반영하여 향후 선택결과를 예측
▶ 국정운영에 대한 평가(긍정-부정 등)에 대해 개인 특성치를 반영하여 향후 평가결과를 예측
[PCG Model을 활용한 부동층에 대한 예측결과(예제)]
| 예측결과 | 계
(지지율) |
|---|
| A후보 | B후보 | C후보 | 없음 |
| 조사결과 | A후보 | 33% | 1% | | 1% | 35% |
| B후보 | | 28% | | 2% | 30% |
| C후보 | 5% | | 10% | 5% | 20% |
| D후보 | 8% | 2% | 1% | 4% | 15% |
| 계(예측지지율) | 46% | 31% | 11% | 12% | 100% |
∙군집분석(Cluster Analysis)
- 분류분석 예측결과를 2-Mode network기법으로 집단별 profile(성별, 연령, 지역별)에 대해 시각화 함으로써 효율적인
집단특성 파악이 가능하도록 함
▶ A후보 지지층에 대한 성별, 연령별, 지역별 그리고 예측변화 유무별로 시각화
▶ 부동층에 대한 집단을 시각화 처리하여 집단구성원의 Profile을 시각화
▶ 집단에 대한 다층적인 이해를 할 수 있도록 시각화 함으로써 전략구상에 활용
소셜 네트워크 분석을 위한 Topic 모형
Q. 미디어리서치는 시시각각 빠르게 변화하는 이슈를 파악할 수 있는가?
∙기존 여론조사방법은 시시각각 빠르게 변화하는 이슈를 파악하고 대응하는데 한계가 있음
∙미디어리서치는 정형∙비정형 데이터를 통합하여 수집, 분류, 분석할 수 있는 국내 유일한 조사전문기관임
- 정형화된 자료를 데이터 마이닝 기법인 PCG Model을 이용하여 응답자, 특히 부동층의 선택심리의 변화를 정확히 예측
- 정형 데이터에서 찾기 어려운 여론 형성 이슈 혹은 토픽을 언론, 블로그, SNS 등 비정형 데이터를 기반으로 ‘소셜
네트워크 분석(SNA)’을 실시하여 여론 추이에 대해 효율적으로 예측
Q. 미디어리서치의 소셜 네트워크 분석(SNA) 기법은?
∙‘어떤 이슈가 있는가’ 보다 ‘누가 이슈를 만드는가’, ‘이슈가 어떻게 전파, 확산되어 가는가?’가 중요
- 사람과 사람을 통한 정보의 전파와 확산을 분석하고, 파악하는 것이 소셜 네트워크 분석에 기반한 소셜 미디어 분석의
핵심
- 시시각각 빠르게 변화하는 온라인 이슈의 중심에 있는 인물, 미디어, 컨텐츠를 파악하여 기업 및 기관의 홍보, 마케팅
전략의 타겟 포인트를 발굴
워드 클라우드(Word cloud) 분석
- 여론조사 실시 전후 일정 시점을 기준으로 여론형성 및
여론변화를 이끄는 핵심이슈를 찾아내어 시각화
▶ 현 시점에서의 핵심이슈 파악이 가능함
▶ 시기별 추이에 따른 핵심이슈의 변화 파악이 가능함
▶ 여론조사의 수치(정형) 자료에 숨어있는 응답자들의
심리 파악이 가능함
∙토픽 모델링 분석(Topic modeling analysis)
- 개체와 개체 간의 관계를 분석해, 내재되어 있는 연결구조,
중심 구조, 응집 구조, 역할 구조를 분석
▶어떤 키워드가 얼마나 많이 등장했느냐 보다 그 키워드가
어떻게 생산되고 어떤 경로로 확산되는지가 더 중요
※자료 출처
김대은 2020 『정책과정의 참여자로서 언론의 역할에 관한
연구』 건국대학교 안보재난학과 박사학위 논문
