사회네트워크분석 (Social Network Analysis, SNA)

사람이나 조직 사이의 관계가 어떤 구조를 이루고, 그 구조 안에서 누가 어떤 위치에 있는가?

← 나의 연구목적에 맞는 분석방법 알아보기
언제 쓰나요?
  • 개인의 속성보다 사람과 사람(또는 조직·키워드) 사이의 ‘관계’를 분석 단위로 삼을 때 사용합니다.
  • 누가 누구와 지식을 나누고 협업하는지, 누가 연결의 중심이나 다리 역할을 하는지, 어떤 하위집단이 형성되는지를 숫자와 그림으로 보여 줍니다.
  • 관계 자료는 서로 독립이 아니므로 일반 회귀의 가정을 쓰지 않고 QAP·ERGM처럼 네트워크 의존성을 반영하는 검정을 사용합니다.
  • 사회적 관계뿐 아니라 논문의 키워드 동시출현처럼 텍스트에서 만든 연결 구조도 같은 방법으로 분석합니다.
예를 들면
  • 팀장과 팀원 전체에게 ‘업무 노하우를 자주 구하는 동료 3명’을 명부에서 고르게 합니다. 사람이 노드, 선택한 관계가 연결입니다.
  • 연결이 많은 사람과 서로 다른 팀을 이어 주는 사람, 고립된 사람을 지표와 그림으로 찾습니다.
  • 같은 팀끼리 연결될 가능성이 더 높은지 ERGM으로 검정해 연결 형성의 규칙을 제시합니다.
선택할 때 확인할 점
  • 관계의 정의(누구와 무엇을 주고받는가)를 먼저 정해야 합니다.
  • 네트워크 그림에서 노드의 위치는 레이아웃이 만든 것이므로 지표와 함께 해석하세요.
사회네트워크분석 (Social Network Analysis, SNA)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

노드와 연결(엣지)
노드는 네트워크의 구성 요소(사람·조직·키워드)이고 연결(엣지)은 노드 사이의 관계입니다. 연결에 방향이 있으면 유향, 없으면 무향 네트워크입니다.
전체 네트워크와 자아중심 네트워크
전체 네트워크는 경계 안의 모든 노드 사이의 관계를 보는 것이고, 자아중심 네트워크는 한 사람(ego)과 그가 연결된 사람들만 봅니다.
1-모드와 2-모드 네트워크
1-모드는 사람–사람처럼 한 종류의 노드를, 2-모드는 사람–활동이나 논문–키워드처럼 두 종류의 노드를 잇습니다.

2. 설계와 절차

명명자 생성자와 명부(roster) 방식
관계를 묻는 두 가지 방식입니다. 명명자 생성자는 ‘도움을 구하는 동료 3명을 쓰세요’처럼 자유롭게 적게 하고, 명부 방식은 구성원 목록에서 고르게 합니다.
경계 설정과 응답률
누구를 네트워크에 포함할지의 기준이 경계입니다. 응답하지 않은 사람이 많으면 중심성 등 구조 지표가 크게 왜곡될 수 있습니다.
엣지 리스트와 인접행렬
엣지 리스트는 ‘보내는 사람–받는 사람(–강도)’를 한 줄씩 적은 표이고, 인접행렬은 모든 노드 쌍의 연결을 행렬로 나타낸 것입니다.

3. 분석과 결과

밀도
실제 연결 수를 가능한 연결 수로 나눈 비율입니다. 네트워크 크기가 커지면 밀도가 낮아지는 경향이 있어 크기가 다른 네트워크를 직접 비교할 때 주의합니다.
중심성(연결·매개·근접·고유벡터)
연결도는 직접 연결의 수, 매개 중심성은 다른 노드 사이의 최단 경로에 놓이는 정도, 근접 중심성은 모든 노드에 가까운 정도, 고유벡터 중심성은 영향력 있는 이웃과 연결된 정도입니다.
구조적 구멍과 제약도
서로 직접 연결되지 않은 집단 사이를 잇는 위치가 구조적 구멍입니다. Burt의 제약도가 낮을수록 서로 다른 집단을 잇는 다리 위치에 가깝습니다.
QAP·MRQAP와 ERGM
관계 자료는 서로 독립이 아니므로 순열로 p값을 구하는 QAP/MRQAP, 연결 형성 확률을 모형화하는 지수족 랜덤 그래프 모형(ERGM)을 사용합니다.

4. 해석과 보고

동질성(호모필리)
같은 속성(같은 부서, 같은 직급)을 가진 사람끼리 더 많이 연결되는 경향입니다. ERGM의 속성 일치(nodematch) 항이나 동질성 지수로 확인합니다.
상호성과 전이성
상호성은 A가 B를 선택하면 B도 A를 선택하는 경향, 전이성은 친구의 친구가 서로 연결되는 경향(삼각형)입니다. 연결이 생기는 규칙을 설명합니다.
커뮤니티와 모듈성
커뮤니티는 내부 연결이 촘촘하고 외부와는 덜 연결된 하위집단입니다. 모듈성(Q)이 대략 .30 이상이면 뚜렷한 군집 구조로 보는 관행이 있습니다.

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

01 · 목적

언제, 어떤 목적으로 선택하나요?

‘누가 어떤 사람인가’가 아니라 ‘누가 누구와 어떻게 연결되어 있는가’가 궁금하다면 사회네트워크분석을 검토합니다. 개인의 속성만으로는 설명되지 않는 연결 구조 자체가 연구 질문일 때 선택합니다.

이 방법으로 답하는 연구 목적

조직 안의 지식공유·협업·조언 관계, 온라인 토론의 상호작용, 연구 동향의 키워드 연결처럼 ‘연결’ 자체가 연구 질문일 때 씁니다. 연결의 밀도, 개인의 중심성, 하위집단, 연결이 생기는 이유를 해석합니다.

대표 연구 질문

사람이나 조직 사이의 관계가 어떤 구조를 이루고, 그 구조 안에서 누가 어떤 위치에 있는가?

필요한 변수·자료의 형태

  • 분석 단위는 노드(사람·조직)와 노드 사이의 연결입니다. 연결은 있음/없음(이진) 또는 강도(가중)로, 방향이 있는지(보낸다/받는다)를 정합니다.
  • 한 종류의 노드만 있으면 1-모드(사람–사람), 두 종류(사람–활동, 논문–키워드)이면 2-모드 네트워크입니다. 2-모드는 필요하면 1-모드로 변환합니다.
  • 노드 속성(부서·직급)과 네트워크 수준 속성을 구분하고, 속성이 연결에 영향을 주는지는 ERGM·MRQAP로 검정합니다.

분석에서는 무엇을 하나요?

  • 네트워크 수준에서 밀도·성분·평균 경로 길이·상호성·군집계수를 계산하고, 노드 수준에서 연결도·매개·근접·고유벡터 중심성과 구조적 구멍(제약도)을 계산합니다.
  • 하위집단은 커뮤니티 탐지(모듈성 최대화)나 클리크로 찾고, 같은 속성끼리 연결되는 경향(동질성)을 지표로 확인합니다.
  • 연결의 비독립성 때문에 QAP/MRQAP(순열 검정)이나 ERGM, 종단 자료에는 SAOM을 사용해 가설을 검정합니다.

결과를 어떻게 해석하나요?

  • 네트워크 경계와 관계 정의, 응답률, 밀도, 주요 중심성 지표, 하위집단 구조, 검정 결과를 함께 보고합니다.
  • 중심성은 구조적 위치이며 영향력이나 능력을 뜻하지 않습니다. 인과로 읽지 말고 연결 구조의 기술과 연결 형성 경향으로 해석합니다.
  • 표본·경계·관계 정의에 따라 구조가 달라질 수 있으므로 일반화 범위를 해당 네트워크로 한정합니다.

이런 상황이면 이 분석을 고려하세요

1. 관계가 분석 단위인 질문

지식공유·협업·조언·신뢰 같은 관계, 또는 논문 키워드의 동시출현 같은 연결이 연구 질문의 중심인 경우입니다.

2. 구조 위치(중심성)에 관심

누가 정보의 중심이거나 서로 다른 집단을 잇는 다리인지, 어떤 하위집단이 형성되는지를 알고 싶은 경우입니다.

3. 연결 형성의 이유를 검정

같은 부서끼리, 상호적으로, 친구의 친구끼리 연결되는 경향이 있는지처럼 연결이 생기는 규칙을 통계적으로 검정하려는 경우입니다(ERGM·QAP).

4. 경계와 응답률을 확보할 수 있음

전체 네트워크 연구에서는 조직·학급처럼 경계가 분명하고 대부분이 응답해야 합니다. 일부만 응답하는 상황에서는 자아중심 네트워크나 다른 설계를 고려합니다.

어떤 질문이면 다른 방법을 비교해야 하나요?

다중회귀분석 (Multiple Regression)
관계가 아니라 개인의 속성(점수) 사이의 관련을 알고 싶으면 회귀분석이 더 직접적입니다. 중심성을 변수로 쓸 때만 네트워크 분석과 결합합니다.
자기회귀교차지연모형 (Autoregressive Cross-Lagged Panel Model, ARCL)
같은 사람의 점수가 시간에 따라 서로를 예측하는지가 핵심이면 교차지연모형을, 관계 구조 자체가 핵심이면 네트워크 분석을 선택합니다.

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

02 · 자료와 분석 구조

어떤 자료와 변수로, 어떤 구조를 분석하나요?

노드(사람·조직·키워드)와 노드 사이의 관계(연결)를 분석 단위로 삼아 네트워크의 구조(밀도·중심성·하위집단)를 기술하고, 연결이 생기는 규칙은 QAP·ERGM 같은 네트워크 전용 검정으로 확인하는 구조입니다.

분석 구조 한눈에 보기

노드 A ──지식공유(→)──→ 노드 B  (보낸 사람 → 받은 사람)
엣지 리스트 + 노드 속성표 → 네트워크 그래프
→ 네트워크 지표(밀도·중심성·커뮤니티) → 연결 형성 검정(QAP·ERGM)

식으로 보면

  • 밀도 = 실제 연결 수 ÷ 가능한 연결 수, 연결도 중심성 = 한 노드의 직접 연결 수
  • ERGM: log[P(연결)/(1−P(연결))] = θ1·edges + θ2·mutual + θ3·gwesp + θ4·nodematch(부서) + …

필요한 변수와 역할

역할무엇인가요예시형태
노드(행위자)관계를 맺는 대상. 분석의 기본 단위구성원 A01~A30ID(고유 코드)
연결(엣지)노드 사이의 관계 한 건. 방향·강도를 가질 수 있음A01이 A05에게 노하우를 구함이진(0/1) 또는 강도(1~5)
노드 속성노드의 특성. 연결 형성의 설명변수로 사용부서, 직급, 성별범주 또는 연속형
네트워크 지표구조를 요약한 값(밀도, 중심성, 모듈성 등)연결도 중심성 = 7숫자

분석용 자료 파일은 이렇게 만듭니다

보내는 사람(source)받는 사람(target)연결 강도(weight)관계 유형
A01A054노하우 요청
A01A122노하우 요청
A05A013노하우 요청

예시 값입니다(실제 자료가 아님). 한 행은 한 사람의 응답입니다.

자료 파일을 만들 때 지킬 규칙

  • 연결 자료는 ‘보내는 사람–받는 사람(–강도)’를 한 줄씩 적은 엣지 리스트로 만들고, 별도 노드 속성표(ID, 부서, 직급)를 ID로 맞춥니다.
  • ID는 두 표에서 정확히 일치해야 하고, 자기 자신과의 연결(A01→A01)과 중복 줄을 제거합니다.
  • 방향이 있는 자료를 무향으로 바꿀 때(대칭화)는 ‘한쪽만 있어도 연결’인지 ‘서로 선택해야 연결’인지 규칙을 정해 기록합니다.
  • 응답하지 않은 사람은 노드 속성표에는 두되 ‘응답 여부’ 열을 만들어 표시합니다. 무응답을 연결 없음(0)으로 처리하지 않습니다.
  • 2-모드 자료(사람–활동, 논문–키워드)는 사람×활동 행렬로 만든 뒤 필요하면 1-모드로 변환합니다.

분석 프로그램에서 이렇게 설정합니다

  • Gephi/UCINET: 엣지 리스트(CSV)와 노드 속성표를 불러와 방향 여부를 설정하고 밀도·중심성·모듈성을 계산합니다.
  • R: library(igraph); g <- graph_from_data_frame(edges, directed = TRUE, vertices = nodes); edge_density(g); degree(g, mode = "in"); betweenness(g); cluster_louvain(as.undirected(g))
  • 연결 형성 검정(R statnet): library(ergm); ergm(net ~ edges + mutual + gwesp(0.25, fixed = TRUE) + nodematch("dept") + absdiff("grade")) 후 mcmc.diagnostics()와 gof()를 확인합니다.
  • 두 네트워크의 관련은 R sna::qaptest(), 속성 유사성 회귀는 netlm()으로 MRQAP를 수행합니다.

자료 조건과 주의점

  • 누가 누구와 어떤 관계를 맺는지의 목록(엣지 리스트) 또는 행렬(인접행렬). 필요하면 노드(사람)의 속성(부서·직급·성별)을 별도 표로 둡니다.
  • 전체 네트워크 연구는 조직·학급 같은 경계 안의 모든 구성원을 대상으로 하므로 응답률이 낮으면 중심성이 크게 왜곡됩니다.
  • 관계의 종류(조언, 협업, 신뢰), 방향(보낸다/받는다), 강도(횟수·정도)를 연구 질문에 맞춰 정의합니다.
  • 관계 자료는 서로 독립이 아니어서 일반 회귀의 p값을 그대로 쓰지 않습니다. 노드 수(수십~수백)와 관계 밀도를 고려해 검정 방법을 정합니다.
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. 네트워크 위치가 결과를 설명하는 모형 (중심성 → 성과)

연구문제 예 지식공유 네트워크에서 연결이 많거나 다리 역할을 하는 구성원일수록 지식공유 성과가 높은가?

네트워크 위치가 결과를 설명하는 모형 (중심성 → 성과)연결도 중심성, 매개 중심성, 구조적 구멍이 지식공유 성과를 설명하는 네트워크 위치 모형연결도 중심성독립변수 (X1)매개 중심성독립변수 (X2)구조적 구멍 (제약도)독립변수 (X3)근속연수통제변수 (C)지식공유 성과종속변수 (Y)H1 β=.31***H2 β=.18*H3 β=−.22**통제 β=.05 n.s.R² = .34 (순열 검정 p < .001)중심성은 네트워크에서 계산한 노드 수준 변수이므로 p값은 순열 검정으로 구합니다.
  • 통제변수 (C)
  • 독립변수 (X1)
  • 독립변수 (X2)
  • 독립변수 (X3)
  • 종속변수 (Y)

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: 연결도 중심성이 높을수록 지식공유 성과가 높을 것이다.
  • H2: 매개 중심성이 높을수록 지식공유 성과가 높을 것이다.
  • H3: 구조적 제약이 낮을수록(구조적 구멍이 많을수록) 지식공유 성과가 높을 것이다.

예시 분석 결과 읽기

  • H1 지지(p < .001), H2 지지(p < .05), H3 지지(제약도 계수가 음수 = 구조적 구멍이 많을수록 성과가 높음, p < .01).
  • 근속연수(통제)는 유의하지 않습니다(점선).
  • 해석 주의: 성과가 높은 사람이 더 많은 연결을 얻는 선택 효과일 수도 있으므로 인과로 단정하지 않습니다.

이렇게 읽습니다 먼저 관계 자료에서 노드별 중심성 지표를 계산해 변수로 만들고, 이 변수들이 성과를 설명하는지 회귀로 검정합니다. 노드가 서로 연결되어 있어 오차가 독립이 아니므로 p값은 순열 검정이나 군집 표준오차로 구합니다.

모형 2. 연결이 형성되는 규칙을 검정하는 모형 (ERGM)

연구문제 예 구성원 사이의 협업 연결은 상호성, 전이성, 같은 부서, 직급 차이에 의해 우연보다 더 자주 생기는가?

연결이 형성되는 규칙을 검정하는 모형 (ERGM)상호성, 전이성, 부서 동질성 등이 협업 연결의 형성을 설명하는 ERGM 모형협업 연결 형성종속 네트워크 (Y)상호성 (mutual)구조 항H1 θ=1.84***전이성 (gwesp)구조 항H2 θ=0.72***같은 부서 (nodematch)속성 항 · 동질성H3 θ=0.65***직급 차이 (absdiff)속성 항H4 θ=−0.18*AI 활용 수준 유사성속성 항H5 θ=0.09 n.s.exp(θ) = 오즈비적합도(GOF): 연결도·공유 파트너·최단 경로 분포가 관측 네트워크와 유사, MCMC 수렴 양호
  • 속성 항
  • 속성 항 · 동질성
  • 구조 항
  • 종속 네트워크 (Y)

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: 상호 협업 관계가 우연보다 많을 것이다(상호성).
  • H2: 협업 상대의 협업 상대와도 협업하는 경향이 있을 것이다(전이성).
  • H3: 같은 부서끼리 협업할 가능성이 높을 것이다(동질성).
  • H4: 직급 차이가 클수록 협업 연결이 적을 것이다.
  • H5: AI 활용 수준이 비슷한 사람끼리 협업할 가능성이 높을 것이다.

예시 분석 결과 읽기

  • H1~H3 지지: θ가 양수이고 유의합니다. exp(1.84) ≈ 6.3이므로 상호 연결이 생길 오즈가 다른 조건이 같을 때 약 6.3배 높습니다(상호성). 같은 부서(exp(.65) ≈ 1.9배)도 연결 오즈가 높습니다.
  • H4 지지(p < .05): 직급 차이가 1단계 커질수록 연결 오즈가 약 17% 낮아집니다(exp(−.18) ≈ .84).
  • H5 기각(점선): AI 활용 수준 유사성은 연결 형성과 관련 없습니다. MCMC 수렴과 GOF를 확인해야 결과를 신뢰할 수 있습니다.

이렇게 읽습니다 종속변수가 사람의 점수가 아니라 ‘두 사람 사이에 연결이 있는가(0/1)’입니다. 구조 항(상호성·전이성)은 네트워크 자체의 규칙, 속성 항은 사람의 속성이 연결에 미치는 영향입니다.

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: Martínez, A., Dimitriadis, Y., Rubia, B., Gómez, E., & de la Fuente, P. (2003).

04 · 제시하고 싶은 결과

분석 후 무엇을 보여 줄 수 있나요?

  1. 누가 누구와 연결되어 있는지를 네트워크 그림으로 보여 주고, 밀도·중심성 같은 지표로 연결 구조의 특징을 표로 제시합니다.
  2. 연결도·매개·근접 중심성: 누가 연결의 중심이나 다리 역할을 하는가
  3. 연결 형성 모형(ERGM)과 QAP 결과: 같은 부서, 같은 직급, 상호성이 연결 가능성에 영향을 주는가

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. 네트워크 시각화 (소시오그램)

노드는 구성원, 선은 협업 관계입니다. 노드 크기는 연결도 중심성, 색은 커뮤니티를 뜻하고 오른쪽 상자에 네트워크 전체 지표를 제시합니다.

예시 소시오그램노드 크기가 연결도 중심성, 색이 커뮤니티를 나타내는 협업 네트워크 그림A07A02A05A09A11B03B06B08B01C04C02C09C06D01Z01A07: 연결도 중심(허브)D01: 집단 사이의 다리 (매개 중심성 최고)Z01: 고립노드15연결21밀도0.20커뮤니티3 (고립 제외)모듈성 Q0.48커뮤니티 1커뮤니티 2커뮤니티 3노드 크기 = 연결도 중심성, 선 = 협업 관계

이렇게 읽습니다 허브 A07은 직접 연결이 가장 많은 사람, D01은 서로 다른 커뮤니티를 잇는 다리, Z01은 연결이 없는 고립 노드입니다. 노드의 위치는 그림을 그리는 알고리즘이 정한 것이므로 거리 자체에는 의미를 두지 않고 지표와 함께 해석합니다.

결과 그림 2. 중심성 상위 노드

연결도 중심성과 매개 중심성이 높은 상위 5명을 막대로 나타낸 표입니다(위 예시 네트워크에서 직접 계산한 값).

예시 중심성 표연결도 중심성과 매개 중심성 상위 5개 노드의 막대 그래프연결도 중심성 (직접 연결 수)A075B034D014A093A113매개 중심성 (최단 경로 위에 놓인 정도)D0142C0230A0724B0817B0312허브 A07은 연결도가, 집단을 잇는 다리 D01은 매개 중심성이 가장 높습니다.

이렇게 읽습니다 두 중심성이 서로 다른 사람을 가리킬 수 있습니다. 연결이 많은 사람(허브)과 집단을 잇는 사람(다리)을 구분해 서술하고, 중심성이 높다고 영향력이 크다고 해석하지 않습니다.

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

05 · 궁극적으로 밝힐 것

내가 끝까지 답하고 싶은 질문과 맞나요?

“사람이나 조직이 서로 어떻게 연결되어 있고, 그 연결 구조 안에서의 위치와 연결 형성의 이유를 알고 싶다.”

이 질문에 답하는 분석 구조

사람(노드)과 관계(연결)를 네트워크로 나타내고, 밀도·중심성·하위집단 같은 구조 지표를 계산하며, 연결이 생기는 규칙은 QAP·ERGM으로 검정합니다.

왜 하나요? ‘누가 누구와 어떻게 연결되어 있고 그 구조에서의 위치가 어떤가’를 알고 싶을 때. 개인 속성만으로는 보이지 않는 관계 구조를 드러내기 위해 합니다.

알고 싶은 내용이 다르다면, 아래 방법은 이렇게 다른 질문에 답합니다

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.
자기회귀교차지연모형 (Autoregressive Cross-Lagged Panel Model, ARCL)
분석 구조 같은 사람을 여러 시점에 측정해 각 변수의 자기회귀 경로와 X(t)→Y(t+1), Y(t)→X(t+1) 교차지연 경로를 한 모형에서 추정하고 서로 비교합니다.이럴 때 선택 ‘두 변수 중 무엇이 먼저 다음 시점의 다른 변수를 예측하는가’를 알고 싶을 때. 시간 순서에 따른 선행관계와 서로 영향을 주는 방향을 확인하기 위해 합니다.
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.
06 · 분석 순서

분석은 어떤 순서로 진행하나요?

사용 도구 UCINET·NetDraw, Gephi, R(igraph·sna·statnet·ergm·RSiena), Python(NetworkX), 엑셀(엣지 리스트 작성) 기준.

기준의 출처 Wasserman·Faust(1994), Borgatti·Everett·Johnson(2018), Robins 외(2007), Lusher·Koskinen·Robins(2013), Freeman(1978), Burt(1992), Hanneman·Riddle(2005), Newman(2018), Snijders 외(2010), Krackhardt(1987).

  1. 연구 질문과 네트워크 정의

    어떻게 하나요
    어떤 관계(조언·협업·신뢰·답글·키워드 동시출현)를 볼지, 노드는 누구(개인·조직·키워드)인지, 연결이 방향이나 강도를 가지는지, 전체 네트워크인지 자아중심 네트워크인지, 경계(누구를 포함하는가)를 문서로 정합니다.
    확인할 값과 해석 기준
    관계의 정의는 응답자가 같은 의미로 이해할 수 있게 구체적이어야 합니다(예: ‘최근 3개월간 업무 문제를 상의한 동료’). 경계는 연구 질문에 맞게 정당화합니다(부서 전체, 한 학기 수강생 전체 등).
    왜 하고, 무엇을 알 수 있나요
    무엇을 연결로 볼지 정해야 지표와 검정의 의미도 정해집니다.

  2. 이론과 가설 정하기

    어떻게 하나요
    구조가 결과를 설명하는 질문(예: 네트워크 위치 → 성과)인지, 속성이 구조를 만드는 질문(예: 같은 부서일수록 연결)인지 구분하고 가설을 씁니다.
    확인할 값과 해석 기준
    중심성·구조적 구멍 같은 위치 지표를 쓸 때는 어떤 이론(약한 연결의 힘, 구조적 구멍, 사회적 자본)이 근거인지 밝힙니다.
    왜 하고, 무엇을 알 수 있나요
    분석할 지표와 검정 방법을 이론에서 끌어냅니다.

  3. 표본·응답률과 자료 수집 방법 정하기

    어떻게 하나요
    전체 네트워크라면 경계 안 모든 구성원에게 설문을 하고, 관계 문항은 명부 방식(목록에서 선택)이나 명명자 생성자(자유 기술)로 설계합니다. 로그 자료(이메일, 협업 도구, LMS 토론)를 쓸 때는 접근 권한과 개인정보를 확인합니다.
    확인할 값과 해석 기준
    전체 네트워크의 응답률은 높을수록 좋고 흔히 70~80% 이상을 권고합니다. 선택 가능한 연결 수를 제한하면(예: 3명) 응답자 간 비교가 어려워지므로 제한 여부를 밝힙니다. 노드가 수십~수백 개인 네트워크가 흔하며, ERGM은 너무 작은 네트워크에서는 추정이 불안정합니다.
    왜 하고, 무엇을 알 수 있나요
    쓸 만한 관계 자료를 모을 수 있도록 수집 전에 준비합니다.

  4. 연구윤리 승인과 익명성 보호

    어떻게 하나요
    기관생명윤리위원회 심의를 받고, 설명문·동의서에 ‘관계 정보가 연구자에게는 이름과 함께 수집되나 결과에는 가명으로만 제시된다’는 점을 밝힙니다.
    확인할 값과 해석 기준
    관계 자료는 본인뿐 아니라 지목된 타인에 대한 정보이므로 보고서의 그림·표에서 개인이 식별되지 않게 가명 처리합니다. 소규모 조직에서는 직급·부서 조합으로 식별될 수 있으므로 주의합니다.
    왜 하고, 무엇을 알 수 있나요
    참여자와 지목된 사람을 모두 보호합니다.

  5. 자료 파일 정리: 엣지 리스트와 노드 속성표

    어떻게 하나요
    연결 자료는 ‘보내는 사람, 받는 사람, 강도’ 형식의 엣지 리스트로, 노드 속성은 ‘ID, 부서, 직급, …’ 표로 만들어 ID로 연결합니다. 2-모드 자료는 사람–활동 행렬로 만든 뒤 필요하면 1-모드로 투영합니다.
    확인할 값과 해석 기준
    ID가 두 표에서 정확히 일치하는지, 자기 자신과의 연결(자기 루프)과 중복 연결이 없는지, 방향이 올바른지 확인합니다. 방향 자료를 무향으로 바꿀 때(대칭화)는 ‘한쪽만 있어도 연결’인지 ‘상호 응답만 연결’인지 규칙을 정해 보고합니다.
    왜 하고, 무엇을 알 수 있나요
    자료를 깔끔하게 정리해 두어야 소프트웨어에서 같은 네트워크를 재현할 수 있습니다.

  6. 결측과 비응답 처리

    어떻게 하나요
    응답하지 않은 노드를 확인하고 그들이 받은 연결(다른 사람이 지목한 것)만 남아 있는지 점검합니다.
    확인할 값과 해석 기준
    비응답 노드의 ‘보낸 연결’은 알 수 없으므로 이를 0으로 보지 않습니다. 비응답을 제외하거나, 받은 연결을 상호 연결로 가정(대칭화)하는 등 규칙을 정하고 민감도를 확인합니다. 응답률과 비응답 처리 방법을 반드시 보고합니다.
    왜 하고, 무엇을 알 수 있나요
    비응답 때문에 중심성과 밀도 지표가 얼마나 왜곡될지 가늠합니다.

  7. 네트워크 시각화와 전체 네트워크 지표

    어떻게 하나요
    소프트웨어에서 네트워크를 그리고(노드 크기=중심성, 색=속성 등) 노드 수, 연결 수, 밀도, 성분(분리된 덩어리) 수, 고립 노드, 평균 경로 길이·지름, 상호성, 전이성(군집계수)을 계산합니다.
    확인할 값과 해석 기준
    밀도 = 실제 연결 수 ÷ 가능한 연결 수(무향 n(n−1)/2, 유향 n(n−1))입니다. 크기가 다른 네트워크의 밀도는 직접 비교하기 어렵습니다. 노드 배치(Fruchterman–Reingold 등)는 보기 좋게 만드는 알고리즘일 뿐 거리가 의미를 갖지 않습니다.
    왜 하고, 무엇을 알 수 있나요
    연결이 촘촘한지 성긴지, 한 덩어리인지 여러 조각인지 전체 모습이 보입니다.

  8. 노드 수준 분석: 중심성

    어떻게 하나요
    연결도(유향이면 내향·외향), 매개 중심성, 근접 중심성, 고유벡터 중심성을 계산하고 네트워크 크기로 정규화한 값도 구합니다. 상위 노드를 표로 정리합니다.
    확인할 값과 해석 기준
    연결도는 직접 연결의 수, 매개 중심성은 다른 노드 쌍의 최단 경로에 놓이는 정도입니다. 네트워크가 여러 덩어리로 끊어져 있으면 근접 중심성이 정의되지 않으니 조화 근접 중심성(harmonic)을 쓰거나 성분별로 계산합니다. 중심성은 구조 위치를 나타낼 뿐 영향력이나 우수성을 뜻하지 않습니다.
    왜 하고, 무엇을 알 수 있나요
    누가 연결의 중심, 다리, 고립에 놓이는지 봅니다.

  9. 구조적 구멍과 중개 위치

    어떻게 하나요
    Burt의 유효 크기(effective size)와 제약도(constraint)를 계산합니다.
    확인할 값과 해석 기준
    제약도가 낮고 유효 크기가 클수록 서로 연결되지 않은 집단을 잇는 다리 위치입니다. 이 위치가 정보 이점이나 성과와 관련된다는 것은 이론과 자료로 검증해야 하며 위치 자체가 이점을 뜻하지는 않습니다.
    왜 하고, 무엇을 알 수 있나요
    서로 다른 집단 사이에서 정보를 중개하는 사람을 찾습니다.

  10. 하위집단(커뮤니티) 탐지와 핵심–주변 구조

    어떻게 하나요
    Louvain 등 모듈성을 최대화하는 알고리즘으로 커뮤니티를 찾고 클리크, k-core, 핵심–주변 구조도 점검합니다.
    확인할 값과 해석 기준
    모듈성(Q)이 대략 .30 이상이면 뚜렷한 군집 구조라고 보는 관행이 있습니다. 알고리즘과 해상도 설정에 따라 결과가 달라질 수 있으므로 여러 알고리즘이나 시드로 안정성을 확인하고 해석 가능성을 검토합니다.
    왜 하고, 무엇을 알 수 있나요
    어떤 하위집단이 있고 집단 사이의 연결이 얼마나 약한지 봅니다.

  11. 동질성(속성에 따른 연결 경향) 확인

    어떻게 하나요
    같은 속성끼리 연결되는 정도를 동질성 지수(E–I 지수, 속성 assortativity)로 계산하고 순열 검정으로 우연보다 큰지 확인합니다.
    확인할 값과 해석 기준
    E–I 지수는 −1(내부 연결만)에서 +1(외부 연결만)까지이며 음수일수록 동질성이 높습니다. 기대값은 집단 크기에 따라 달라지므로 순열 분포와 비교해 해석합니다.
    왜 하고, 무엇을 알 수 있나요
    같은 부서나 직급끼리만 연결되는 칸막이 현상이 있는지 봅니다.

  12. 가설 검정: QAP·MRQAP

    어떻게 하나요
    두 네트워크(예: 협업 네트워크와 조언 네트워크) 사이의 관련이나, 속성의 유사성이 연결 강도를 설명하는지를 QAP 상관·MRQAP 회귀로 검정합니다. 순열 횟수는 1,000~5,000회 이상으로 합니다.
    확인할 값과 해석 기준
    행렬의 행·열을 같은 방식으로 섞는 순열 검정이므로 네트워크 의존성을 반영한 p값을 얻습니다. 일반 회귀의 p값을 관계 자료에 그대로 쓰지 않습니다. 결과는 계수와 순열 p값(또는 신뢰구간)으로 보고합니다.
    왜 하고, 무엇을 알 수 있나요
    두 관계(또는 속성 유사성과 관계)가 우연보다 강하게 관련되는지 답합니다.

  13. 가설 검정: ERGM (연결 형성 모형)

    어떻게 하나요
    연결의 존재(0/1)를 종속변수로 두고 구조 항(edges, 상호성 mutual, 전이성 gwesp)과 속성 항(nodematch: 같은 부서, absdiff: 직급 차이, nodecov: 개인 속성)을 넣어 추정합니다.
    확인할 값과 해석 기준
    계수는 로그 오즈이므로 exp(θ)를 오즈비로 해석합니다(다른 조건이 같을 때 연결이 생길 오즈의 변화). 삼각형 항을 그대로 넣으면 모형이 퇴행(degeneracy)하기 쉬우므로 gwesp 같은 기하 가중 항을 씁니다. MCMC 수렴 진단(trace plot)과 적합도(GOF: 연결도, 공유 파트너, 최단 경로 분포)를 반드시 확인합니다.
    왜 하고, 무엇을 알 수 있나요
    연결이 생기는 규칙(상호성, 전이성, 동질성)이 우연보다 강한지 검정합니다.

  14. 노드 수준 변수로 쓸 때의 추론 주의

    어떻게 하나요
    중심성을 독립변수로 성과를 예측하는 회귀를 할 때는 노드가 서로 연결되어 있어 오차가 독립이 아님을 고려해 순열 검정이나 군집 표준오차를 씁니다.
    확인할 값과 해석 기준
    중심성과 성과의 상관은 선택 효과(성과가 좋은 사람이 연결을 얻음) 때문일 수 있으므로 인과로 해석하지 않습니다. 네트워크 크기와 중심성은 구조적으로 얽혀 있어 크기가 다른 네트워크는 정규화합니다.
    왜 하고, 무엇을 알 수 있나요
    구조 위치가 결과와 관련되는지 더 정직하게 검정합니다.

  15. 종단 네트워크 (시간에 따른 변화)

    어떻게 하나요
    같은 네트워크를 여러 시점에 측정했다면 SAOM(RSiena)으로 연결이 어떻게 생기고 사라지는지 분석합니다. 선택(속성이 연결에 영향)과 영향(연결이 속성에 영향)을 나눠서 봅니다.
    확인할 값과 해석 기준
    측정 간격과 각 시점의 응답률이 비슷해야 하며 전환 비율(rate)과 수렴 t비율(|t| < .10)을 확인합니다.
    왜 하고, 무엇을 알 수 있나요
    연결이 시간에 따라 어떻게 변하는지, 속성과 연결이 서로 영향을 주는지 답합니다.

  16. 결과 정리와 보고

    어떻게 하나요
    평균·표준편차·신뢰도·상관 표, 모형 계수·신뢰구간·효과 크기 표와 그림을 만듭니다. 소프트웨어와 버전, 옵션, 표본 수, 결측·이상값 처리, 가정 점검 결과도 빠짐없이 적습니다. 노드·연결 정의, 경계, 응답률, 비응답 처리, 지표 계산 방법(소프트웨어·패키지 버전, 알고리즘), 시각화 방식을 모두 적고 네트워크 그림에는 범례를 붙입니다.
    확인할 값과 해석 기준
    APA 보고 지침(JARS)을 따라 정확한 p값(p < .001은 이렇게 표기), 효과 크기, 신뢰구간을 함께 제시합니다. 설문처럼 한 시점의 자료는 ‘관련된다’까지만 말하고 인과를 단정하지 않으며, 표집 방법·표본 특성·측정의 한계를 적습니다.
    왜 하고, 무엇을 알 수 있나요
    독자가 결과를 재현해 보고 한계를 스스로 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 · 조직행동

부서 간 지식공유 네트워크

연구목적
누가 지식공유의 중심이고 어떤 부서가 연결되지 않는지 알아봅니다.
알고 싶은 것
전사 구성원의 지식공유 관계는 어떤 구조를 이루며, 연결 정도가 높은 사람은 누구인가?
사용할 자료
  • 구성원 각자가 노하우를 구하는 동료를 선택한 관계 응답
  • 부서·직급 속성
방법을 적용하는 방식
엣지 리스트를 만들어 밀도·중심성·하위집단을 계산하고, 같은 부서끼리 연결될 확률이 높은지 ERGM으로 검정합니다.
제시할 결과
  • 네트워크 그림
  • 밀도·상호성·군집계수 표
  • 연결도·매개 중심성 상위자 표
  • 동일 부서 효과(ERGM)
이 사례에서 밝힐 수 있는 것
응답률이 낮으면 중심성이 왜곡됩니다. 고립된 사람은 정말 연결이 없는지 응답하지 않은 것인지 구분해야 합니다.
사례 2 · 학습분석

온라인 토론의 상호작용 구조

연구목적
토론 참여자 사이에서 누가 대화를 이끄는지, 소외된 학습자는 누구인지 파악합니다.
알고 싶은 것
온라인 토론에서 댓글·답글 관계는 어떤 구조를 이루며, 구조 위치가 토론 기여와 관련되는가?
사용할 자료
  • 학습자별 답글 대상 기록
  • 학습자 속성
방법을 적용하는 방식
답글 관계를 방향이 있는 네트워크로 만들고 연결도·매개 중심성을 계산한 뒤 학습 성과와의 관련은 순열 검정으로 확인합니다.
제시할 결과
  • 토론 네트워크 그림
  • 학습자별 중심성 표
  • 하위집단(커뮤니티) 구성
  • 중심성과 성과 관계의 순열 검정 결과
이 사례에서 밝힐 수 있는 것
답글 수가 많다고 좋은 토론인 것은 아닙니다. 내용의 질은 별도 분석이 필요합니다.
08 · 해석 범위

이 결과로 어디까지 말할 수 있을까요?

  • 네트워크 그림에서 노드의 위치는 레이아웃 알고리즘이 정한 것이어서 거리나 위치 자체에 의미를 부여하지 않습니다.
  • 중심성이 높다는 것은 연결이 많거나 중간에 있다는 뜻이지 영향력이 크거나 우수하다는 뜻이 아닙니다.
  • 응답하지 않은 사람이 많으면 그 사람이 받은 연결은 보이지만 보낸 연결은 보이지 않아 구조가 왜곡됩니다.
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.

1. 분석 단위가 개인의 속성이 아니라 사람 사이의 관계인가요?
2. 네트워크의 경계(누구를 포함할지)와 관계의 정의를 정했나요?
3. 관계 자료의 비독립성을 반영하는 검정 방법을 쓸 계획인가요?

함께 비교하면 좋은 방법

다중회귀분석 (Multiple Regression)다른 요인들도 함께 고려했을 때, 어떤 요인이 결과와 관련되는가?자기회귀교차지연모형 (Autoregressive Cross-Lagged Panel Model, ARCL)두 특성은 시간이 지나면서 서로의 다음 변화를 예측하는가?토픽모델링 (Topic Modeling)많은 글(논문 초록, 면담 전사, 댓글, 서술형 응답)에는 어떤 주제가 있고, 시간이나 집단에 따라 어떻게 다른가?

이 방법을 이해하는 추천 연구논문

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

  1. 방법 설명SSCI

    Robins, G., Pattison, P., Kalish, Y., & Lusher, D. (2007). An introduction to exponential random graph (p*) models for social networks. Social Networks, 29(2), 173-191.

    읽을 초점 연결이 생기는 규칙(상호성·전이성·동질성)을 ERGM 모형에 어떻게 넣고 해석하는지 읽어 보세요.

    DOI: 10.1016/j.socnet.2006.08.002 · ISSN: 0378-8733 / 1879-2111
  2. 교수님 Research listKCI

    윤희제, 이상림, 송지훈 (2021). 네트워크 분석을 이용한 병원 간호사의 조직몰입 연구 동향 분석. 의료경영학연구, 15(2), 55-74. https://doi.org/10.18014/hsmr.2021.15.2.55

    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
  3. 적용 논문KCI

    Suh, W., & Shin, W. S. (2012). An analysis of discussion environment and group size in online discussion activities using Social Networking Analysis. 교육공학연구, 28(4), 757-779.

    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: 10.17232/kset.28.4.757 · Crossref 인용 수 4회 (2026-11-02 확인)
  4. 적용 논문SSCI

    Martínez, A., Dimitriadis, Y., Rubia, B., Gómez, E., & de la Fuente, P. (2003). Combining qualitative evaluation and social network analysis for the study of classroom social interactions. Computers & Education, 41(4), 353-368.

    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.2003.06.001 · Crossref 인용 수 247회 (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 살펴보기나의 연구 발전시키기(실습) →