감성분석 (Sentiment Analysis)

언제 쓰나요?

서술형 강의평가, 교육 후기, 직원 리뷰, 온라인 댓글처럼 글로 남긴 평가에서 긍정·부정·중립의 정도를 점수나 범주로 바꿔 분석할 때 사용합니다.
감성 사전(긍정·부정 단어 목록)으로 점수를 매기는 방법, 사람이 붙인 정답으로 분류 모델을 학습시키는 기계학습 방법, BERT 같은 사전학습 언어모델을 미세조정하는 방법이 있습니다.
문서 전체의 감성뿐 아니라 ‘강사는 좋았지만 운영은 불편했다’처럼 속성(aspect)별 감성을 따로 볼 수도 있습니다.
만들어진 감성 점수는 하나의 변수가 되어 집단 비교, 시기별 추세, 리커트 만족도와의 상관·회귀 분석에 다시 쓰입니다.

예를 들면

사내 교육 12개 과정에서 받은 서술형 후기 3,000건을 모으고, 그중 500건은 연구자 두 명이 긍정·중립·부정을 직접 판정합니다.
직접 판정한 자료로 한국어 언어모델을 학습시켜 나머지 후기에 감성 점수를 붙이고 정확도(F1)를 확인합니다.
과정 유형별 긍정·부정 비율과, 감성 점수와 리커트 만족도의 상관을 제시하고 점수와 후기가 어긋나는 사례를 읽습니다.

선택할 때 확인할 점

자동으로 나온 감성 점수를 바로 믿지 말고, 사람이 직접 판정한 표본과 비교해 정확도를 먼저 확인하세요.
‘무엇에 대한’ 감성인지가 중요하면 문서 전체 점수보다 속성별 감성을 검토하세요.

감성분석 (Sentiment Analysis)에서 처음 볼 용어를 확인하세요 (절차·분석·해석)

먼저 질문과 핵심 개념을 확인하고, 설계·절차에서 분석과 결과 해석으로 이어서 읽어 보세요. 이 방법의 주요 용어를 이해하고 연구문제에 맞는 선택을 돕는 학습 안내입니다. 아래 분석 순서와 점검표도 함께 확인하세요.

1. 질문과 핵심 개념

감성(극성): 글에 드러난 평가의 방향과 강도입니다. 보통 긍정·중립·부정의 범주나 −1~+1 같은 연속 점수로 나타냅니다. 글쓴이의 실제 감정과는 구별합니다.
문서 수준·문장 수준·속성 수준 감성: 글 전체에 하나의 감성을 붙일 수도, 문장마다 붙일 수도, ‘강사’·‘운영’처럼 평가 대상(속성)마다 따로 붙일 수도 있습니다. 연구 질문에 맞는 수준을 먼저 정합니다.

2. 설계와 절차

감성 사전(lexicon): 긍정·부정 단어와 그 점수를 모은 목록입니다. 단어 점수를 더해 문서 점수를 만들므로 이해하기 쉽지만, 맥락과 반어를 잘 반영하지 못하고 분야에 따라 맞지 않는 단어가 생깁니다.
사람 코딩과 코더 간 일치도: 연구자가 직접 감성을 판정한 기준 자료입니다. 코더 두 명 이상이 같은 문서를 판정하고 Cohen의 κ 같은 일치도를 보고해 기준의 신뢰성을 보입니다.
부정어·강조어 처리: ‘좋지 않다’, ‘별로 안 어렵다’처럼 부정어가 극성을 뒤집거나 ‘매우’처럼 강도를 바꾸는 표현입니다. 한국어는 어미와 조사 때문에 형태소 분석 뒤 규칙을 따로 다듬어야 합니다.

3. 분석과 결과

기계학습 분류기: 사람이 감성을 붙인 문서로 학습해 새 문서의 감성을 맞히는 모델(로지스틱 회귀, SVM 등)입니다. 학습 자료와 검증 자료를 나눠 성능을 확인합니다.
사전학습 언어모델(BERT 계열)과 미세조정: 대량의 글로 미리 학습된 언어모델에 연구 자료의 감성 라벨을 추가로 학습시키는 방식입니다. 맥락을 잘 반영해 정확도가 높은 편이지만 판정 이유를 설명하기 어렵습니다.
정확도·정밀도·재현율·F1: 정확도는 전체 중 맞힌 비율, 정밀도는 ‘부정’으로 판정한 것 중 실제 부정의 비율, 재현율은 실제 부정 중 찾아낸 비율, F1은 정밀도와 재현율의 조화평균입니다. 범주 비율이 치우치면 F1을 함께 봅니다.
혼동행렬: 실제 범주와 모델이 판정한 범주를 교차한 표입니다. 어떤 범주를 어떤 범주로 잘못 판정하는지(예: 중립을 부정으로) 보여 줍니다.

4. 해석과 보고

감성 점수의 타당성: 감성 점수가 연구하려는 개념(만족, 불만)을 제대로 반영하는지에 대한 근거입니다. 사람 코딩과의 일치, 만족도 같은 관련 변수와의 상관으로 확인합니다.
응답 편향: 글을 남기는 사람이 특정 성향(강한 불만이나 강한 만족)에 치우쳐 있을 수 있다는 점입니다. 감성 비율을 전체 학습자의 평가로 일반화하기 전에 응답률을 확인합니다.
오분류 사례 분석: 모델이 틀린 문서를 직접 읽어 반어, 복합 감성, 분야 특유 표현 같은 원인을 정리하는 과정입니다. 결과의 한계를 설명하는 근거가 됩니다.

이 용어를 각 방법의 연구 맥락에서 더 확인하려면 해당 방법론 논문을 보세요: 추천논문 1 · 추천논문 2.

01 · 목적

언제, 어떤 목적으로 선택하나요?

서술형 응답이나 후기가 많아 일일이 읽기 어렵고, 그 글들이 얼마나 긍정적·부정적인지를 수치로 바꿔 집단·시기별로 비교하거나 만족도와 연결하고 싶다면 감성분석을 검토합니다.

이 방법으로 답하는 연구 목적

서술형 응답·후기·댓글이 많을 때 글쓴이의 평가가 얼마나 긍정적·부정적인지 측정하고, 그 감성이 과정 유형·시기·집단에 따라 어떻게 다른지, 만족도 점수 같은 다른 지표와 어떻게 관련되는지 분석하는 데 씁니다.

대표 연구 질문

서술형 응답·후기·댓글에 담긴 평가는 긍정적인가 부정적인가, 그 감성은 집단·시기·속성에 따라 어떻게 다르고 다른 지표와 어떻게 관련되는가?

필요한 변수·자료의 형태

분석 단위는 문서(응답 1건, 후기 1건)이며, 결과로 문서별 감성 점수(예: −1~+1)나 범주(긍정·중립·부정)가 만들어집니다. 이 점수가 이후 분석의 변수가 됩니다.
집단·시기·과정 유형 같은 문서 속성과, 같은 응답자의 리커트 만족도처럼 연결할 변수를 문서와 같은 행에 둡니다.
검증을 위해 사람이 판정한 감성 열(코더 2명 이상, 일치도 보고)을 일부 문서에 붙여 둡니다.

분석에서는 무엇을 하나요?

감성 사전, 기계학습 분류기, 사전학습 언어모델(BERT 계열) 중 자료에 맞는 방법을 고르고, 사람 코딩 자료로 정확도·정밀도·재현율·F1을 확인합니다.
문서별 감성 점수의 분포를 집단·시기별로 요약하고, 만족도 등 다른 변수와의 상관·회귀로 관계를 검정합니다.
속성(aspect)별 감성이 필요하면 문장마다 속성을 먼저 분류한 뒤 속성별 긍정·부정 비율을 비교하고, 오분류 사례를 읽어 한계를 정리합니다.

결과를 어떻게 해석하나요?

분류 방법과 정확도, 감성 점수의 분포, 집단·시기별 차이, 다른 변수와의 관계, 대표 문서와 오분류 사례를 함께 보고합니다.
감성 점수는 글에 드러난 표현의 극성입니다. ‘부정 감성이 높다’를 곧바로 ‘만족도가 낮다’나 ‘불만이 크다’로 바꿔 말하지 않습니다.
글을 쓴 사람만의 결과이므로 응답하지 않은 사람까지 일반화하지 않고, 응답률과 응답 편향 가능성을 함께 밝힙니다.

이런 상황이면 이 분석을 고려하세요

1. 평가가 담긴 텍스트가 많음

서술형 강의평가, 교육 후기, 직원 리뷰, 댓글처럼 글쓴이의 평가나 의견이 담긴 문서가 수백 건 이상인 경우입니다.

2. 긍정·부정의 정도가 관심

어떤 주제가 있는지보다 그 글이 얼마나 긍정적이거나 부정적인지, 또는 어떤 속성에 대해 긍정·부정인지가 연구 질문의 핵심일 때 씁니다.

3. 다른 변수와 연결하려 함

감성 점수를 집단·시기별로 비교하거나 만족도·이수율·이직의도 같은 변수와의 관계를 분석하려는 계획이 있을 때 유용합니다.

4. 정확도를 검증할 수 있음

사람이 직접 감성을 판정한 표본을 만들어 자동 분류의 정확도를 확인할 수 있어야 결과를 믿을 수 있습니다.

어떤 질문이면 다른 방법을 비교해야 하나요?

토픽모델링 (Topic Modeling): 글에 어떤 주제가 있고 그 비중이 어떻게 변하는지가 궁금하면 토픽모델링을, 글이 얼마나 긍정적·부정적인지가 궁금하면 감성분석을 선택합니다. 둘을 함께 써서 주제별 감성을 볼 수도 있습니다.
주제분석 (Thematic Analysis): 응답 수가 적고 그 안에 담긴 의미를 연구자가 깊이 해석하려면 주제분석을, 많은 응답의 긍정·부정 정도를 수치로 비교하려면 감성분석을 선택합니다.

선택 기준의 방법론 근거: 추천 논문 1 · 추천 논문 2. 아래 자료·해석 범위까지 확인해 최종 방법을 정하세요.

02 · 자료와 분석 구조

어떤 자료와 변수로, 어떤 구조를 분석하나요?

텍스트를 정제한 뒤 감성 사전이나 학습된 분류 모델로 문서별 감성 점수를 만들고, 사람이 판정한 기준 자료로 정확도를 확인한 다음, 그 점수를 집단·시기·만족도 같은 변수와 연결해 분석하는 구조입니다.

분석 구조 한눈에 보기

서술형 텍스트 ──[정제·형태소 분석(부정어 유지)]──→ 감성 사전 / 분류 모델 / 언어모델
                                              ↓              ↑ 사람 코딩으로 정확도 확인
문서별 감성 점수(−1~+1) → 집단·시기 비교 · 만족도와의 상관·회귀 · 속성별 긍정 비율

식으로 보면

사전 방식: 감성 점수(d) = Σ 단어 점수(w) ÷ 감성 단어 수 (부정어 뒤 단어는 부호를 뒤집음)
관계 분석: 만족도 = b0 + b1 × 감성 점수 + b2 × 과정 유형 + e

필요한 변수와 역할

역할	무엇인가요	예시	형태
문서	감성을 판정하는 기본 단위(글 1건)	후기 1건	텍스트
사람 코딩	연구자가 직접 붙인 감성(검증 기준)	긍정·중립·부정	범주
감성 점수	모델이 낸 문서별 감성	−0.62	−1~+1 연속 또는 범주
속성(필요 시)	무엇에 대한 평가인지	강사, 내용, 운영	범주
문서 속성	감성을 비교할 집단·시기	과정 유형, 학기	범주
연결 변수	감성과 관계를 볼 다른 지표	리커트 만족도	연속형

분석용 자료 파일은 이렇게 만듭니다

doc_id	과정 유형	후기 텍스트	사람 코딩	감성 점수	만족도(5점)
R001	온라인	내용은 유익했지만 접속 오류가 잦아 집중하기 어려웠어요.	부정	−0.31	3
R002	집합	실습 위주라 바로 업무에 써먹을 수 있었습니다.	긍정	0.78	5
R003	온라인	무난했습니다.	(미코딩)	0.05	4

예시 값입니다(실제 자료가 아님). 한 행은 문서 1건이며, 사람 코딩은 일부 문서에만 있습니다.

자료 파일을 만들 때 지킬 규칙

문서마다 한 행으로 doc_id, 텍스트, 집단·시기 열을 두고 doc_id는 고유하게 만듭니다. 빈 텍스트와 중복 문서를 제거합니다.
원문 텍스트 열은 그대로 두고, 전처리한 텍스트 열과 모델이 낸 감성 점수 열을 따로 둡니다.
사람 코딩 열에는 코더별 판정과 확정 판정을 함께 남기고, 학습용·검증용 구분 열을 둡니다.
같은 사람이 여러 글을 썼다면 응답자 id 열을 두어 사람 단위 분석이 가능하게 합니다.
식별 정보는 지우고 사전 파일, 모델 이름·버전, 판정 기준을 별도 파일로 기록합니다.

분석 프로그램에서 이렇게 설정합니다

사전 방식: 형태소 분석 뒤 감성 사전과 부정어 규칙으로 문서 점수를 계산합니다(R tidytext의 inner_join(lexicon), Python에서는 사전 딕셔너리 합산).
기계학습: scikit-learn의 TfidfVectorizer와 LogisticRegression으로 학습용 자료에서 학습하고 classification_report(y_test, pred)로 정밀도·재현율·F1을 확인합니다.
언어모델: Hugging Face transformers에서 한국어 BERT 계열 모델을 불러와 AutoModelForSequenceClassification으로 미세조정하고 검증용 자료로 평가합니다.
후속 분석: 감성 점수를 저장한 파일을 R·SPSS로 불러와 집단 비교(t 검정·ANOVA), 상관·회귀분석을 합니다.

자료 조건과 주의점

문서 단위(응답 1건, 후기 1건, 댓글 1건)로 나눈 텍스트와 집단·시기·평점 같은 속성.
사람이 직접 감성을 붙인 검증용 표본(보통 수백 건 이상)이 있어야 자동 분류의 정확도를 확인할 수 있습니다.
한국어는 형태소 분석과 부정어(‘안’, ‘못’, ‘않다’) 처리가 필요하고, 교육·HRD 맥락에 맞는 감성 사전이나 학습 자료를 준비해야 합니다.
짧은 글, 반어·비꼬기, 이모티콘, 맞춤법이 틀린 글은 오분류가 많으므로 오분류 사례를 따로 점검합니다.

03 · 예시 연구모형

이런 연구모형으로 분석합니다

연구모형은 연구에서 다룰 변수와 변수 사이의 가설 관계를 그림으로 나타낸 것입니다. 아래 예시에서 변수의 역할(독립·매개·조절·종속·외생·내생 등)과 화살표의 방향을 읽어 본 뒤, 내 연구의 변수를 같은 방식으로 배치해 보세요. 그 구조가 이 방법과 맞는지 보면 알맞은 분석 방법을 고를 수 있습니다.

모형 1. 감성 점수를 만들고 다른 변수와 연결하는 모형

연구문제 예 기업교육 서술형 후기의 감성은 과정 유형에 따라 다르며, 리커트 만족도와 일치하는가?

관측 자료
분류 모델·감성 점수
검증 기준
비교 집단
연결 변수

그림 속 숫자는 이해를 돕기 위한 예시 값입니다. * p < .05 · ** p < .01 · *** p < .001 · n.s. = 유의하지 않음(점선 경로). 실선 경로는 유의한 경로입니다.

가설

H1: 집합 과정의 후기는 온라인 과정보다 감성 점수가 높다.
H2: 후기의 감성 점수는 같은 응답자의 리커트 만족도와 정적 상관이 있다.

예시 분석 결과 읽기

예시 결과: 검증 자료 500건에서 모델의 F1은 .86, 사람 코더 간 일치도는 κ = .81이었습니다.
과정 유형이 감성 점수에 미치는 효과는 β = .21(p < .01)로, 집합 과정의 후기가 더 긍정적이었습니다.
감성 점수와 만족도의 상관은 r = .58(p < .001)로 높지만 같지 않습니다. 만족도는 높은데 후기가 부정적인 사례를 읽으면 점수가 놓친 불만 요인을 찾을 수 있습니다.

이렇게 읽습니다 왼쪽 위에서 후기 텍스트가 분류 모델을 거쳐 문서별 감성 점수가 됩니다. 점선은 사람이 판정한 검증 자료로 모델의 정확도를 확인하는 과정입니다. 감성 점수가 만들어진 뒤에는 일반 변수처럼 과정 유형과의 관계(β)와 만족도와의 상관(r)을 검정합니다.

변수, 가설, 계수는 이해를 돕기 위해 교육·HRD 맥락으로 만든 학습용 예시이며 실제 연구 결과가 아닙니다. 특정 논문의 모형을 옮긴 것은 아닙니다. 이 방법을 실제로 쓴 논문의 예: Li, L., Johnson, J., Aarhus, W., & Shah, D. (2022).

04 · 제시하고 싶은 결과

분석 후 무엇을 보여 줄 수 있나요?

문서별 감성 점수(또는 긍정·중립·부정 범주)와 그 분포를 집단·시기별로 표와 그림으로 보여 줍니다.
감성 분류의 정확도: 사람 코딩과 얼마나 일치하는가
감성 점수와 다른 지표(만족도, 이수 여부)의 관계, 속성별 긍정·부정 비율

유의한 결과나 높은 적합도를 얻는 것 자체가 연구의 목적은 아닙니다. 결과가 연구문제에 어떤 답을 주는지, 무엇이 아직 불확실한지 함께 설명해야 합니다.

결과는 이렇게 제시합니다 (예시)

결과 그림 1. 과정 유형별 감성 비율

과정 유형별로 긍정·중립·부정으로 판정된 후기의 비율을 누적 막대로 제시합니다.

이렇게 읽습니다 막대의 세 구간은 왼쪽부터 긍정·중립·부정 비율입니다. 집단 간 차이는 카이제곱 검정이나 감성 점수의 평균 비교로 검정하고, 모델의 정확도(F1)를 함께 보고해야 이 비율을 믿을 수 있습니다.

결과 그림 2. 속성별 언급 수와 부정 비율

서술형 강의평가 문장을 속성별로 나누고, 속성마다 언급 수와 부정 평가 비율을 함께 제시합니다.

이렇게 읽습니다 언급이 많으면서 부정 비율이 높은 속성(예시에서는 운영·시스템)이 우선 개선 대상입니다. 언급 수가 적은 속성은 비율이 쉽게 흔들리므로 두 값을 함께 읽습니다. 수치는 학습용 예시입니다.

그림의 값은 이해를 돕기 위해 만든 예시이며 실제 연구 결과가 아닙니다.

05 · 궁극적으로 밝힐 것

내가 끝까지 답하고 싶은 질문과 맞나요?

“많은 사람이 글로 남긴 평가가 얼마나 긍정적·부정적인지, 그 감성이 누구에게서, 언제, 무엇에 대해 달라지는지 알고 싶다.”

이 질문에 답하는 분석 구조

텍스트를 감성 사전이나 학습된 분류 모델에 넣어 문서별 감성 점수를 만들고, 사람 코딩으로 정확도를 확인한 뒤, 그 점수를 집단·시기·다른 변수와 연결해 분석합니다.

왜 하나요? ‘사람들이 글로 남긴 평가가 얼마나 긍정적·부정적이며, 누구에게서 언제 무엇에 대해 달라지는가’를 알고 싶을 때. 사람이 다 읽기 어려운 많은 평가를 일관된 기준으로 측정하기 위해 합니다.

알고 싶은 내용이 다르다면, 아래 방법은 이렇게 다른 질문에 답합니다

토픽모델링 (Topic Modeling): 분석 구조 문서를 여러 토픽이 섞인 것으로, 토픽을 단어의 확률분포로 보고 문서-단어 행렬에서 토픽 구조를 추정합니다(LDA). 연도·집단 같은 속성이 토픽 비율에 미치는 영향은 STM으로 검정합니다.이럴 때 선택 ‘이 많은 글에 어떤 주제가 있고, 시간이나 집단에 따라 어떻게 다른가’를 알고 싶을 때. 사람이 다 읽기 어려운 텍스트에서 주제를 체계적으로 찾기 위해 합니다.
다중회귀분석 (Multiple Regression): 분석 구조 결과변수(Y) 하나를 여러 설명변수(X1, X2, X3…)와 통제변수로 동시에 설명하는 회귀모형 Y = b0 + b1X1 + b2X2 + …을 추정하고, 각 X의 고유한 회귀계수와 모형의 설명력(R²)을 봅니다.이럴 때 선택 ‘여러 요인 중 무엇이 결과와 따로 관련되는가’를 알고 싶을 때. 요인끼리 서로 겹치는 부분을 통제하고 각 요인의 고유한 관련을 나누어 보기 위해 합니다.
주제분석 (Thematic Analysis): 분석 구조 통계 모형 없이 자료 → 코드 → 후보 주제 → 검토된 주제 → 주제 지도와 해석의 순서로, 단계 사이를 오가며 의미의 패턴을 만듭니다.이럴 때 선택 ‘사람들이 말과 글로 표현한 경험과 생각에서 연구 질문에 답하는 의미의 패턴은 무엇인가’를 알고 싶을 때. 특정 철학 전통 없이도 질적 자료를 체계적으로 해석하기 위해 합니다.

06 · 분석 순서

분석은 어떤 순서로 진행하나요?

사용 도구 Python(KoNLPy·Mecab, scikit-learn, Hugging Face transformers의 한국어 BERT 계열 모델), R(tidytext·quanteda·KoNLP), 엑셀(사람 코딩), 통계 분석은 R·SPSS 기준.

기준의 출처 Hartmann 외(2023), Kobayashi 외(2018), Thelwall 외(2010), Taboada 외(2011), Cohen(1960).

연구 질문과 감성의 수준 정하기
어떻게 하나요
무엇에 대한 감성을 볼지(과정 전체, 강사, 운영 등)와 문서·문장·속성 중 어느 수준에서 판정할지, 범주(긍정·중립·부정)로 볼지 연속 점수로 볼지 정합니다.
확인할 값과 해석 기준
‘만족도를 측정한다’가 목표라면 감성 점수가 만족을 얼마나 잘 대신하는지 검증 계획까지 세워야 합니다. 속성 수준이 필요하면 속성 목록을 미리 정합니다.
왜 하고, 무엇을 알 수 있나요
측정하려는 것이 무엇인지 분명히 해 결과 해석의 범위를 정합니다.
자료 수집과 연구윤리 점검
어떻게 하나요
서술형 응답·후기·댓글을 수집하고, 설문·교육 자료는 동의 범위와 기관 승인을, 온라인 자료는 약관과 저작권을 확인합니다.
확인할 값과 해석 기준
이름·연락처·사번 같은 식별 정보는 지웁니다. 수집 기간, 출처, 검색어, 필터를 모두 기록합니다. 중복 응답을 제거합니다.
왜 하고, 무엇을 알 수 있나요
재현할 수 있고 합법적인 분석 자료를 마련합니다.
텍스트 정제와 형태소 분석
어떻게 하나요
특수문자·URL을 정리하고 한국어는 형태소 분석으로 단어를 나눕니다. 부정어와 강조어는 지우지 않고 남겨 둡니다.
확인할 값과 해석 기준
토픽모델링과 달리 ‘안’, ‘못’, ‘않다’, ‘별로’ 같은 단어는 감성을 뒤집으므로 불용어로 지우면 안 됩니다. 이모티콘과 맞춤법 오류 처리 규칙도 정합니다.
왜 하고, 무엇을 알 수 있나요
감성을 판단할 표현을 잃지 않도록 전처리합니다.
사람 코딩 기준 자료 만들기
어떻게 하나요
무작위로 뽑은 문서(수백 건)에 코더 두 명이 독립적으로 감성을 붙이고, 판정 기준표(예시 문장 포함)를 만듭니다.
확인할 값과 해석 기준
코더 간 일치도(Cohen의 κ)를 보고하고 불일치는 논의로 확정합니다. 기준 자료는 학습용과 검증용으로 나누어 검증용은 끝까지 따로 둡니다.
왜 하고, 무엇을 알 수 있나요
자동 분류를 평가할 정답 기준을 만듭니다.
분석 방법 선택
어떻게 하나요
감성 사전, 기계학습 분류기, 사전학습 언어모델 중 자료 양과 목적에 맞는 방법을 고릅니다. 판정 이유를 설명해야 하면 사전 방식을, 정확도가 중요하면 언어모델을 우선 검토합니다.
확인할 값과 해석 기준
다른 분야(상품 리뷰)나 영어로 만든 사전·모델을 그대로 쓰지 않습니다. 교육·HRD 표현에 맞게 사전을 보완하거나 연구 자료로 추가 학습합니다.
왜 하고, 무엇을 알 수 있나요
자료와 목적에 맞는 측정 도구를 고릅니다.
모델 적용과 정확도 확인
어떻게 하나요
검증용 자료에서 정확도, 정밀도, 재현율, F1과 혼동행렬을 계산하고, 필요하면 여러 방법을 비교합니다.
확인할 값과 해석 기준
부정 후기가 적으면 정확도만 높게 나올 수 있으므로 범주별 F1을 함께 봅니다. 기준을 정하지 않고 결과를 보며 모델을 바꾸지 않습니다.
왜 하고, 무엇을 알 수 있나요
자동으로 만든 감성 점수를 믿을 수 있는지 판단합니다.
오분류 사례 읽기
어떻게 하나요
모델이 틀린 문서를 직접 읽고 반어, 복합 감성, 분야 특유 표현 등 원인을 분류합니다.
확인할 값과 해석 기준
오분류가 특정 집단(예: 온라인 과정 후기)에 몰려 있으면 집단 비교 결과가 왜곡될 수 있습니다.
왜 하고, 무엇을 알 수 있나요
측정의 한계와 결과 해석의 주의점을 찾습니다.
전체 문서에 감성 점수 부여
어떻게 하나요
확정한 방법으로 모든 문서의 감성 점수나 범주를 만들고 원문과 같은 행에 저장합니다.
확인할 값과 해석 기준
모델 이름·버전, 사전 파일, 판정 기준(예: 0.5 이상 긍정)을 기록해 결과를 재현할 수 있게 합니다.
왜 하고, 무엇을 알 수 있나요
후속 분석에 쓸 감성 변수를 만듭니다.
집단·시기별 비교와 관계 분석
어떻게 하나요
집단·시기별 긍정·부정 비율과 평균 점수를 비교하고, 감성 점수와 만족도 등 다른 변수의 상관·회귀를 분석합니다.
확인할 값과 해석 기준
같은 사람이 여러 글을 썼다면 문서가 독립이 아니므로 사람 단위로 묶거나 다층 모형을 검토합니다. 효과 크기와 신뢰구간을 함께 보고합니다.
왜 하고, 무엇을 알 수 있나요
감성이 누구에게서 언제 달라지는지 검정합니다.
속성별 감성 분석(필요한 경우)
어떻게 하나요
문장마다 강의 내용·교수 방법·평가·운영 같은 속성을 분류한 뒤 속성별 언급 수와 긍정 비율을 비교합니다.
확인할 값과 해석 기준
언급 수가 적은 속성의 비율은 불안정하므로 언급 수와 함께 제시합니다.
왜 하고, 무엇을 알 수 있나요
무엇에 대한 평가가 긍정적·부정적인지 구체적으로 봅니다.
결과 보고
어떻게 하나요
분류 방법, 기준 자료와 일치도, 정확도, 감성 분포, 집단·시기 차이, 다른 변수와의 관계, 대표 문서와 오분류 사례를 보고합니다.
확인할 값과 해석 기준
감성 점수를 만족도나 실제 감정과 같은 것으로 쓰지 않았는지, 응답 편향을 언급했는지 점검합니다.
왜 하고, 무엇을 알 수 있나요
독자가 측정의 신뢰성과 결과의 범위를 판단할 수 있게 합니다.

방법 선택을 위한 안내입니다. 실제 실행에서는 해당 방법의 원문과 교과서, 소프트웨어 문서를 함께 확인하세요.

07 · 사례

사례를 통해 내 연구에 어떻게 적용할지 살펴보세요

학습용 연구설계 사례입니다. 실제 논문의 연구 결과나 수집된 자료를 재현한 것이 아닙니다. 분석 방법의 근거는 아래 추천 문헌에서 확인할 수 있습니다.

사례 1 · HRD · 교육성과

기업교육 서술형 후기와 만족도 점수

연구목적

리커트 만족도 점수만으로는 보이지 않는 학습자의 평가를 서술형 후기의 감성으로 확인합니다.

알고 싶은 것

서술형 후기의 감성 점수는 리커트 만족도와 얼마나 일치하며, 과정 유형(집합·온라인)에 따라 달라지는가?

사용할 자료

과정 종료 후 수집한 서술형 후기 텍스트
같은 응답자의 리커트 만족도 점수와 과정 유형

방법을 적용하는 방식

사람이 코딩한 500건으로 한국어 사전학습 모델을 미세조정해 문서별 감성 점수를 만들고, 만족도와의 상관과 과정 유형별 차이를 분석합니다.

제시할 결과

모델 정확도(F1)와 사람 코딩과의 일치도
감성 점수와 만족도의 상관
과정 유형별 긍정·부정 비율
불일치 사례의 대표 인용

이 사례에서 밝힐 수 있는 것

점수는 높지만 후기는 부정적인 사례를 따로 읽으면 리커트 문항이 놓친 불만 요인을 찾을 수 있습니다.

사례 2 · 학습분석 · 강의평가

속성별 감성으로 본 강의 개선 우선순위

연구목적

서술형 강의평가에서 강의 속성별로 긍정·부정 평가를 나눠 개선할 속성을 찾습니다.

알고 싶은 것

학생들은 강의 내용·교수 방법·평가·운영 중 어떤 속성을 부정적으로 평가하는가?

사용할 자료

학기별 서술형 강의평가 문장
교과목 유형·학년 정보

방법을 적용하는 방식

문장마다 속성을 분류하고 속성별 감성을 판정한 뒤, 속성별 언급 빈도와 긍정 비율을 함께 비교합니다.

제시할 결과

속성별 언급 수와 긍정·부정 비율
개선 우선순위 그림
속성별 대표 문장

이 사례에서 밝힐 수 있는 것

많이 언급되면서 부정 비율이 높은 속성이 우선 개선 대상입니다. 언급 수가 적은 속성의 비율은 불안정합니다.

08 · 해석 범위

이 결과로 어디까지 말할 수 있을까요?

감성 점수는 글에 드러난 표현의 극성이지 글쓴이의 실제 감정이나 만족 그 자체가 아닙니다. 측정의 타당성을 따로 확인해야 합니다.
영어로 만든 감성 사전이나 다른 분야(상품 리뷰)에서 학습한 모델을 교육 자료에 그대로 쓰면 정확도가 크게 떨어질 수 있습니다.
부정적 후기가 많다는 결과는 불만이 많다는 뜻일 수도 있지만, 불만이 있는 사람이 더 많이 글을 쓴 결과일 수도 있습니다(응답 편향).

09 · 나의 연구에 대입하기

이 방법의 선택 조건을 스스로 확인해 보세요

자신의 연구목적과 자료를 떠올리며 답해 보세요. 세 조건이 모두 맞더라도 실제 연구를 시작하기 전에는 표집·측정·윤리·분석 가정을 구체적으로 검토해야 합니다.

함께 비교하면 좋은 방법

이 방법을 이해하는 추천 연구논문

아래 논문에서 방법의 논리와 실제 연구에 적용하는 방식을 확인할 수 있습니다. 읽을 초점을 따라 연구목적·자료·결과를 비교해 보세요.

방법 설명SSCI
Hartmann, J., Heitmann, M., Siebert, C., & Schamp, C. (2023). More than a Feeling: Accuracy and Application of Sentiment Analysis. International Journal of Research in Marketing, 40(1), 75-87.
읽을 초점 사전 기반 방법과 기계학습·전이학습 모델의 정확도를 여러 자료로 비교한 부분을 읽고, 내 자료에 어떤 방식이 맞는지 판단하는 기준을 확인하세요.
DOI: 10.1016/j.ijresmar.2022.05.005 · ISSN: 0167-8116 /
방법 설명SSCI
Kobayashi, V. B., Mol, S. T., Berkers, H. A., Kismihók, G., & Den Hartog, D. N. (2018). Text Mining in Organizational Research. Organizational Research Methods, 21(3), 733-765.
읽을 초점 조직 연구에서 텍스트를 수집·전처리·분석·타당화하는 전체 흐름을 읽고, 감성분석이 그 안에서 어디에 놓이는지 확인하세요.
DOI: 10.1177/1094428117722619 · ISSN: 1094-4281 / 1552-7425
교수님 Research listSCOPUSESCI
Lee, J., & Song, J. H. (2024). How does algorithm-based HR predict employees' sentiment? Developing an employee experience model through sentiment analysis. Industrial and Commercial Training, 56(4), 273-289. https://doi.org/10.1108/ict-08-2023-0060
읽을 초점 연구실의 관련 연구가 이 방법을 어떤 목적으로 사용했는지 읽어 보세요. 제목과 서지에서 방법과의 관련성을 확인한 논문이며, 구체적인 표집·분석 절차·결과는 원문에서 확인해야 합니다.
논문 찾아보기 ↗ · 교수님 목록 확인
적용 논문KCI
Hong, H., Leem, B., & Kim, S. (2023). Quality Improvement through Sentiment-Performance Analysis of Educational Quality Attributes. 한국콘텐츠학회논문지, 23(11), 205-215.
읽을 초점 이 방법을 어떤 연구문제와 자료에 적용했고, 결과를 어떻게 보고했는지 읽어 보세요. 제목이나 초록에서 방법을 확인한 논문을 골랐으며, 구체적인 절차와 결과는 원문에서 확인해야 합니다.
DOI: 10.5392/jkca.2023.23.11.205 · Crossref 인용 수 0회 (2026-11-02 확인)
적용 논문SSCI
Li, L., Johnson, J., Aarhus, W., & Shah, D. (2022). Key factors in MOOC pedagogy based on NLP sentiment analysis of learner reviews: What makes a hit. Computers & Education, 176, 104354.
읽을 초점 이 방법을 어떤 연구문제와 자료에 적용했고, 결과를 어떻게 보고했는지 읽어 보세요. 제목이나 초록에서 방법을 확인한 논문을 골랐으며, 구체적인 절차와 결과는 원문에서 확인해야 합니다.
DOI: 10.1016/j.compedu.2021.104354 · Crossref 인용 수 92회 (2026-11-02 확인)

확인일 2026-11-02 · ‘방법 설명’ 논문의 SSCI 표시는 확보한 학술지 목록의 ISSN 대조 결과입니다. 다만 일부 문헌은 이 목록으로 대조하지 못했으니 Clarivate Master Journal List에서 다시 확인해 주세요. 표시는 현재나 출판 당시의 등재를 보증하지 않습니다. ‘적용 논문’은 Crossref 서지로 확인했고, SSCI·KCI 표시는 학술지 기준이며 목록과 전수 대조하지 않았습니다.

← 연구 고민 다시 살펴보기 나의 연구 발전시키기(실습) →