토픽모델링 (Topic Modeling)

많은 글(논문 초록, 면담 전사, 댓글, 서술형 응답)에는 어떤 주제가 있고, 시간이나 집단에 따라 어떻게 다른가?

← 나의 연구목적에 맞는 분석방법 알아보기
언제 쓰나요?
  • 수백~수천 개의 문서를 사람이 일일이 읽지 않고도 문서에 숨어 있는 주제(토픽)를 컴퓨터로 찾아낼 때 사용합니다.
  • 각 토픽은 함께 자주 나타나는 단어들의 묶음이고, 각 문서는 여러 토픽이 섞인 것으로 봅니다(LDA). 문서에 연도·집단 같은 정보를 함께 쓰는 구조적 토픽모델(STM)도 있습니다.
  • 연구자는 토픽 수를 정하고, 결과로 나온 상위 단어와 대표 문서를 읽어 토픽의 의미를 해석하고 이름을 붙입니다. 토픽은 자동으로 의미가 정해지지 않습니다.
  • 연구동향 분석, 서술형 설문 응답 분석, 온라인 토론·후기 분석처럼 텍스트가 많은 자료에 적합합니다.
예를 들면
  • 국내 학술지의 논문 초록 600편을 모아 형태소 분석을 하고 불용어를 제거해 문서-단어 행렬을 만듭니다.
  • 토픽 수를 5~20개로 바꿔 가며 추정하고 일관성이 높고 해석이 되는 토픽 수를 고릅니다.
  • 토픽별 상위 단어와 대표 논문을 읽고 이름을 붙인 뒤 연도별 토픽 비율의 변화를 그림으로 제시합니다.
선택할 때 확인할 점
  • 토픽의 의미는 상위 단어만이 아니라 대표 문서를 읽어서 확인하세요.
  • 토픽 수는 정답이 없으므로 여러 값을 비교하고 근거를 보고하세요.
토픽모델링 (Topic Modeling)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

말뭉치(코퍼스)와 문서
분석 대상이 되는 텍스트 전체가 말뭉치이고, 이를 나눈 기본 단위(논문 초록 1편, 응답 1건)가 문서입니다. 문서를 어떻게 나누느냐에 따라 토픽이 달라집니다.
토픽
함께 자주 나타나는 단어들의 묶음(단어의 확률분포)입니다. 토픽의 의미는 연구자가 상위 단어와 대표 문서를 읽고 해석해 부여합니다.
문서-토픽 분포와 토픽-단어 분포
각 문서는 여러 토픽을 서로 다른 비율로 가지고(문서-토픽 분포), 각 토픽은 단어들을 서로 다른 확률로 포함합니다(토픽-단어 분포).

2. 설계와 절차

형태소 분석과 불용어
한국어는 조사·어미를 떼고 의미 있는 품사(명사·형용사)만 남기는 형태소 분석이 필요합니다. 불용어는 분석에서 제외하는 흔한 단어(‘연구’, ‘대하여’ 등)입니다.
문서-단어 행렬(DTM)
행은 문서, 열은 단어, 값은 단어 빈도인 행렬입니다. 너무 드문 단어와 거의 모든 문서에 나오는 단어를 걸러 만듭니다.
토픽 수(K)와 하이퍼파라미터(α, β)
연구자가 정하는 토픽의 개수가 K입니다. α는 문서가 몇 개의 토픽을 가질지, β는 토픽이 몇 개의 단어를 가질지에 관한 사전 가정입니다.

3. 분석과 결과

LDA와 STM
LDA는 문서가 여러 토픽의 혼합이라고 가정하는 기본 모형이고, 구조적 토픽모델(STM)은 연도·집단 같은 공변량이 토픽 비율이나 내용에 미치는 영향을 함께 추정합니다.
일관성(coherence)과 held-out 우도
일관성은 한 토픽의 상위 단어가 서로 얼마나 의미적으로 함께 나타나는지를 나타내며 높을수록 해석하기 좋은 토픽입니다. held-out 우도는 학습에 쓰지 않은 문서에 대한 모형의 설명력입니다.
배타성(exclusivity)
한 토픽의 단어가 다른 토픽에서는 잘 나타나지 않는 정도입니다. 일관성과 함께 높을수록 서로 구별되는 토픽입니다.

4. 해석과 보고

상위 단어와 대표 문서
각 토픽의 확률이 높은 단어(상위 단어)와 그 토픽 비율이 가장 높은 문서(대표 문서)입니다. 둘을 함께 읽어야 토픽의 의미를 정확히 해석할 수 있습니다.
토픽 라벨링과 토픽 침입 검사
토픽에 이름을 붙이는 작업을 토픽 라벨링이라 하며, 둘 이상의 연구자가 합의합니다. 토픽 침입 검사는 토픽 단어 중 엉뚱한 단어를 사람이 찾아내게 해 토픽의 해석 가능성을 평가합니다.
토픽 비율의 추세
연도별·집단별로 토픽이 차지하는 평균 비율을 비교합니다. 비율의 변화는 해당 단어 패턴의 사용 증가를 뜻하며 주제의 중요도를 직접 의미하지는 않습니다.

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

01 · 목적

언제, 어떤 목적으로 선택하나요?

읽어야 할 글이 너무 많아서 사람이 모두 읽고 분류하기 어렵다면, 또는 서술 응답·논문 초록에서 주요 주제와 그 변화를 보고 싶다면 토픽모델링을 검토합니다.

이 방법으로 답하는 연구 목적

연구 논문, 개방형 설문 응답, 온라인 토론·후기, 면담 전사처럼 텍스트가 많을 때 주요 주제와 비중, 시간에 따른 변화나 집단 차이를 보는 데 씁니다. 토픽별 상위 단어, 대표 문서, 토픽 비율의 추세를 해석합니다.

대표 연구 질문

많은 글(논문 초록, 면담 전사, 댓글, 서술형 응답)에는 어떤 주제가 있고, 시간이나 집단에 따라 어떻게 다른가?

필요한 변수·자료의 형태

  • 분석 단위는 문서이며 각 문서는 단어(용어)의 빈도로 나타납니다(문서-단어 행렬). 연도·집단 같은 문서 속성은 공변량으로 사용합니다.
  • 한국어는 형태소 분석(명사·형용사 추출)과 불용어·동의어·복합어 처리가 필수이고, 영어는 소문자화·표제어 추출과 불용어 제거를 합니다.
  • 토픽 수(K)와 하이퍼파라미터(α, β), 반복 횟수, 시드를 기록해야 결과를 재현할 수 있습니다.

분석에서는 무엇을 하나요?

  • 토픽 수 후보를 정해 모형을 추정하고 일관성(coherence), held-out 우도, 배타성, 해석 가능성을 비교해 토픽 수를 결정합니다.
  • 토픽별 상위 단어와 대표 문서를 읽어 토픽을 해석·명명하고, 토픽 비율을 시간·집단별로 요약하거나 STM의 효과 추정으로 검정합니다.
  • 여러 시드·전처리 대안으로 안정성을 확인하고 사람 평가(토픽 침입 검사)나 수작업 코딩과 비교해 타당화합니다.

결과를 어떻게 해석하나요?

  • 토픽 수 선정 근거, 토픽별 상위 단어·명칭·비율, 대표 문서, 시간·집단별 변화와 타당화 결과를 함께 보고합니다.
  • 토픽은 통계적 패턴이며 이름은 연구자의 해석입니다. 토픽 비율의 증가는 그 주제가 더 중요해졌다는 뜻이 아니라 그 단어 패턴이 더 자주 나타났다는 뜻입니다.
  • 문서 구성·전처리·토픽 수에 따라 달라질 수 있으므로 결과를 해당 말뭉치에 한정해 일반화합니다.

이런 상황이면 이 분석을 고려하세요

1. 대량의 텍스트가 자료

논문 초록, 개방형 설문 응답, 온라인 토론·후기, 면담 전사처럼 문서가 수백 건 이상인 텍스트 자료가 있는 경우입니다.

2. 주제의 발견과 비중이 목적

미리 정한 범주로 분류하지 않고, 자료에서 어떤 주제가 있는지 탐색하고 그 비중과 변화를 보려 할 때 씁니다.

3. 시간·집단에 따른 비교

연도별 연구동향, 집단별 응답 차이처럼 토픽 비율이 속성에 따라 달라지는지 보려면 STM처럼 공변량을 넣는 방법이 유용합니다.

4. 해석과 타당화를 병행

토픽의 상위 단어와 대표 문서를 읽고 의미를 부여하며, 일관성 지표와 사람 평가로 타당성을 확인하는 과정을 계획해야 합니다.

어떤 질문이면 다른 방법을 비교해야 하나요?

사회네트워크분석 (Social Network Analysis, SNA)
단어나 키워드가 서로 어떻게 연결되는지(동시출현 구조)를 보려면 네트워크 분석이, 문서가 어떤 주제들의 혼합인지를 보려면 토픽모델링이 적합합니다.
스코핑 리뷰
연구의 대상·개념·방법을 사람이 읽고 체계적으로 분류하려면 스코핑 리뷰를, 대량의 초록에서 주제를 자동으로 탐색하려면 토픽모델링을 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?

각 문서를 여러 토픽이 섞인 것으로, 각 토픽을 단어의 확률분포로 보고, 문서-단어 행렬에서 토픽 구조를 추정하는 구조입니다. 연도·집단 같은 문서 속성이 토픽 비율에 영향을 주는지는 STM으로 함께 검정합니다.

분석 구조 한눈에 보기

말뭉치(문서 × 단어 빈도) ──[LDA/STM]──→ 문서-토픽 비율(θ) + 토픽-단어 확률(φ)
                                      ↓
토픽별 상위 단어·대표 문서 읽기 → 토픽 이름 → 연도·집단별 토픽 비율 비교

식으로 보면

  • 각 단어 w: P(w | 문서 d) = Σ_k θ(d,k) × φ(k,w) (θ: 문서-토픽 비율, φ: 토픽-단어 확률)
  • STM: 토픽 비율 θ ~ 공변량(연도, 집단)을 설명변수로 한 회귀 구조

필요한 변수와 역할

역할무엇인가요예시형태
문서분석의 기본 단위(글 1건)논문 초록 1편텍스트
단어(용어)문서를 이루는 분석 단위(전처리 후)학습, 몰입, 조직빈도(count)
토픽 수(K)연구자가 정하는 토픽의 개수K = 8정수(후보를 비교)
문서-토픽 비율(θ)각 문서가 각 토픽을 가진 비율. 합이 1문서 D001: 토픽3 62%0~1
토픽-단어 확률(φ)각 토픽에서 단어가 나올 확률. 토픽 해석에 사용토픽3: 몰입 .04, 열의 .030~1
문서 속성(공변량)토픽 비율의 차이를 설명하는 변수발행 연도, 집단연속형·범주

분석용 자료 파일은 이렇게 만듭니다

doc_id연도텍스트(초록)집단(학술지)
D0012021직무열의와 조직몰입의 관계를 …HRD연구
D0022023생성형 AI 활용 학습에서 …교육공학연구
D0032024조직 구성원의 학습 전이 …기업교육과인재연구

예시 값입니다(실제 자료가 아님). 한 행은 한 사람의 응답입니다.

자료 파일을 만들 때 지킬 규칙

  • 문서마다 한 행으로 doc_id, 텍스트, 연도, 집단 열을 둡니다. doc_id는 고유해야 하고 빈 텍스트와 중복 문서를 제거합니다.
  • 텍스트 열은 원문을 그대로 두고, 전처리한 단어 열(형태소 분석 후 단어를 공백으로 이은 열)을 따로 만들어 원문과 비교할 수 있게 합니다.
  • 연도·집단 같은 공변량의 결측은 확인합니다(STM에서 해당 문서가 제외될 수 있음).
  • 한국어는 형태소 분석기 이름·버전과 불용어·동의어 사전을 별도 파일로 보관합니다.
  • 개인 식별 정보(이름·연락처)는 제거하고, 수집 일자와 검색식·출처를 기록합니다.

분석 프로그램에서 이렇게 설정합니다

  • R stm: processed <- textProcessor(docs$text, metadata = docs); prep <- prepDocuments(processed$documents, processed$vocab, processed$meta, lower.thresh = 5); searchK(prep$documents, prep$vocab, K = c(6, 8, 10, 12), prevalence = ~ s(year), data = prep$meta); fit <- stm(prep$documents, prep$vocab, K = 8, prevalence = ~ s(year), data = prep$meta, init.type = "Spectral")
  • 토픽 해석: labelTopics(fit, n = 10)으로 상위 단어(Prob·FREX)를, findThoughts(fit, texts = docs$text, topics = 3, n = 5)로 대표 문서를 읽습니다. 공변량 효과는 estimateEffect(1:8 ~ s(year), fit, meta = prep$meta)로 추정합니다.
  • Python gensim: LdaModel(corpus, id2word = dictionary, num_topics = 8, passes = 10, alpha = "auto", random_state = 42); CoherenceModel(model = lda, texts = tokens, dictionary = dictionary, coherence = "c_v")로 일관성을 확인합니다.
  • 한국어 전처리는 KoNLPy(Mecab·Okt) 등으로 형태소를 분석해 명사·형용사만 남기고 사전을 적용합니다.

자료 조건과 주의점

  • 문서 단위(논문 1편의 초록, 응답자 1명의 서술 응답, 댓글 1건)로 나눈 텍스트와 연도·집단 같은 속성(공변량).
  • 문서 수가 적거나(수십 건) 문서가 매우 짧으면 토픽이 불안정합니다. 문서가 수백~수천 건 이상이면 더 안정적입니다.
  • 한국어는 조사·어미를 분리하는 형태소 분석이 필요하고, 분석 목적에 맞는 불용어·동의어·복합어 사전을 만듭니다.
  • 토픽 수, 전처리 규칙, 초기값(시드)에 따라 결과가 달라지므로 여러 번 반복하고 해석 가능성과 안정성으로 판단합니다.
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. LDA 토픽모델링의 구조 (문서 → 토픽 → 단어)

연구문제 예 논문 초록 600편의 단어 사용에서 어떤 숨은 토픽들을 찾을 수 있는가?

LDA 토픽모델링의 구조 (문서 → 토픽 → 단어)LDA의 생성 구조: 사전분포가 문서-토픽 비율과 토픽-단어 확률을 정하고 단어가 생성되는 과정문서 d = 1 … D 마다 반복α사전 가정 (문서-토픽)문서-토픽 비율 (θ)문서별 토픽 비율단어의 토픽 (z)단어마다 숨은 토픽관측 단어 (w)문서 안의 실제 단어토픽-단어 확률 (φ)토픽 k = 1 … Kβ (η)사전 가정 (토픽-단어)사전분포선택생성사전분포연구자가 정하는 것: 토픽 수 K, α, β / 자료에서 추정하는 것: θ(문서-토픽), φ(토픽-단어)관측되는 것은 단어(w)뿐이며 토픽은 단어 패턴에서 추정합니다.
  • 사전 가정 (문서-토픽)
  • 사전 가정 (토픽-단어)
  • 문서별 토픽 비율
  • 토픽 k = 1 … K
  • 단어마다 숨은 토픽
  • 문서 안의 실제 단어

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: 말뭉치의 단어 사용 패턴은 K개의 토픽으로 요약될 수 있다.
  • H2: 각 문서는 여러 토픽이 서로 다른 비율로 섞인 것으로 설명된다.
  • H3: 각 토픽은 의미적으로 해석 가능한 상위 단어 집합을 가진다.

예시 분석 결과 읽기

  • 예시 결과(K = 8): 일관성(C_v)이 K = 8에서 가장 높았고(.52), 상위 단어와 대표 문서를 읽었을 때 8개 토픽이 모두 해석되었습니다.
  • 문서당 평균 지배 토픽 비율 .61로, 대부분의 문서가 하나의 주요 토픽과 일부 보조 토픽을 가집니다(θ의 해석).
  • 토픽 이름은 연구자가 붙이며 자동으로 정해지지 않습니다. 같은 자료에서 K와 시드를 바꾸면 결과가 달라질 수 있어 안정성을 확인합니다.

이렇게 읽습니다 이 그림은 통계 모형이 문서를 ‘어떻게 만들어졌다고 가정하는지’ 보여 줍니다. 문서마다 토픽 비율(θ)이 있고, 단어마다 그 비율에 따라 토픽(z)이 정해지며, 그 토픽의 단어 확률(φ)에서 실제 단어(w)가 나온다고 봅니다. 관측되는 것은 단어뿐입니다.

모형 2. 토픽 비율이 연도에 따라 달라지는지 검정하는 모형 (STM)

연구문제 예 연도가 지나면서 어떤 연구 주제의 비중이 늘고 줄었는가?

토픽 비율이 연도에 따라 달라지는지 검정하는 모형 (STM)발행 연도가 네 개의 토픽 비율에 미치는 영향을 추정하는 구조적 토픽모델발행 연도공변량 (독립변수)토픽 1: AI 활용 학습토픽 비율 (종속)H1 β=+.021***토픽 2: 온라인 수업토픽 비율 (종속)H2 β=−.015**토픽 3: 학습분석토픽 비율 (종속)H3 β=+.008 n.s.토픽 4: 역량 개발토픽 비율 (종속)H4 β=−.004 n.s.estimateEffect(): 연도가 1년 늘 때 토픽 비율이 얼마나 변하는가 (회귀계수)
  • 공변량 (독립변수)
  • 토픽 비율 (종속)

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: 시간이 지날수록 ‘AI 활용 학습’ 토픽의 비율이 늘 것이다.
  • H2: 시간이 지날수록 ‘온라인 수업’ 토픽의 비율이 줄 것이다.
  • H3·H4: ‘학습분석’과 ‘역량 개발’ 토픽의 비율은 연도에 따라 변하지 않을 것이다.

예시 분석 결과 읽기

  • H1 지지: 해마다 AI 활용 학습 토픽의 비율이 약 2.1%p 늘어납니다(p < .001).
  • H2 지지: 온라인 수업 토픽은 해마다 약 1.5%p 줄어듭니다(p < .01).
  • H3·H4 변화 없음(점선): 학습분석·역량 개발 토픽의 변화는 유의하지 않습니다. 여러 토픽을 동시에 검정하므로 다중비교도 고려합니다.

이렇게 읽습니다 구조적 토픽모델(STM)은 문서 속성(연도, 집단)이 토픽 비율에 미치는 영향을 토픽모델과 함께 추정합니다. 각 토픽의 비율을 종속변수로 놓고 속성을 설명변수로 놓은 회귀와 같은 구조입니다.

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: Chen, X., Zou, D., Cheng, G., & Xie, H. (2020).

04 · 제시하고 싶은 결과

분석 후 무엇을 보여 줄 수 있나요?

  1. 텍스트에서 찾은 주제(토픽)별 상위 단어와 이름, 각 토픽이 전체에서 차지하는 비율을 표와 그림으로 보여 줍니다.
  2. 토픽별 상위 단어·대표 문서: 각 토픽이 무엇에 관한 글인가
  3. 시간·집단에 따른 토픽 비율의 변화: 어떤 주제가 늘거나 줄었는가

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. 토픽 요약표

토픽별 이름, 상위 단어, 전체 문서에서의 비율을 한 표로 제시합니다.

예시 토픽 표토픽별 이름, 상위 단어, 전체 비율을 보여 주는 표토픽이름 (연구자가 부여)상위 단어 (확률 높은 순)전체 문서에서의 비율T1AI 활용 학습생성형 · AI · 학습 · 활용 · 역량24%T2조직학습·지식경영조직 · 학습 · 지식 · 공유 · 문화21%T3리더십과 몰입리더십 · 몰입 · 직무 · 만족 · 구성원17%T4온라인 교육 설계온라인 · 수업 · 설계 · 원격 · 콘텐츠14%T5경력개발과 역량경력 · 역량 · 개발 · 직무 · 성장13%T6학습 전이와 성과전이 · 교육 · 훈련 · 성과 · 효과11%K = 6, 문서 600편. 토픽 비율의 합은 100%이며 이름은 상위 단어와 대표 문서를 읽고 연구자가 붙입니다.

이렇게 읽습니다 상위 단어는 그 토픽에서 나올 확률이 높은 단어이고, 이름은 대표 문서까지 읽은 연구자가 붙입니다. 비율이 높다고 중요한 주제라는 뜻이 아니라 그 단어 패턴이 말뭉치에서 더 자주 나타난다는 뜻입니다.

결과 그림 2. 연도별 토픽 비율 추세

연도별 문서의 평균 토픽 비율을 선으로 나타내 어떤 주제가 늘고 줄었는지 보여 줍니다.

예시 토픽 비율 추세연도별 세 토픽의 평균 비율 추세를 보여 주는 선 그래프0%10%20%30%40%20182019202020212022202320242025T1 AI 활용 학습T2 조직학습·지식경영T4 온라인 교육 설계연도별 평균 토픽 비율. AI 활용 학습은 증가, 온라인 교육 설계는 2021년 정점 후 감소 (STM 추정, 예시)

이렇게 읽습니다 AI 활용 학습은 해마다 늘고, 온라인 교육 설계는 2021년에 정점을 찍은 뒤 줄었습니다. STM을 쓰면 연도의 효과를 계수와 신뢰구간으로 검정할 수 있습니다(예시 값).

결과 그림 3. 토픽 수(K) 선택

토픽 수를 4~12로 바꾸며 계산한 일관성 지표의 변화입니다.

예시 토픽 수 선택 그림토픽 수별 일관성 지표의 변화0.400.450.500.55456789101112K = 7에서 일관성 최고 (.52)가로축 = 토픽 수 K, 세로축 = 일관성(C_v). 지표가 가장 높아도 상위 단어와 대표 문서를 읽어 해석 가능한 K를 최종 선택합니다.

이렇게 읽습니다 일관성이 가장 높은 K를 후보로 삼되 최종 K는 상위 단어와 대표 문서를 읽어 해석할 수 있는지로 정합니다. 지표만으로 K를 정하지 않습니다.

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

05 · 궁극적으로 밝힐 것

내가 끝까지 답하고 싶은 질문과 맞나요?

“방대한 텍스트에 담긴 주요 주제와 그 비중, 시간·집단에 따른 변화를 알고 싶다.”

이 질문에 답하는 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.

왜 하나요? ‘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.

알고 싶은 내용이 다르다면, 아래 방법은 이렇게 다른 질문에 답합니다

사회네트워크분석 (Social Network Analysis, SNA)
분석 구조 사람(노드)과 관계(연결)를 네트워크로 나타내고, 밀도·중심성·하위집단 같은 구조 지표를 계산하며, 연결이 생기는 규칙은 QAP·ERGM으로 검정합니다.이럴 때 선택 ‘누가 누구와 어떻게 연결되어 있고 그 구조에서의 위치가 어떤가’를 알고 싶을 때. 개인 속성만으로는 보이지 않는 관계 구조를 드러내기 위해 합니다.
스코핑 리뷰
분석 구조 정해 둔 검색식으로 문헌을 모아 선별하고, 대상·개념·방법별 건수와 분포를 표로 정리해 연구 지형과 공백을 지도화합니다.이럴 때 선택 ‘이 주제에 대해 어떤 연구들이 있고 무엇이 비어 있는가’를 알고 싶을 때. 효과의 크기를 합치지 않고 연구의 범위를 파악하기 위해 합니다.
잠재계층분석 (Latent Class Analysis, LCA)
분석 구조 여러 범주형(예/아니오 등) 응답의 조합으로 사람들을 숨은 유형으로 나누고, 유형별 응답확률과 유형 비율을 추정합니다.이럴 때 선택 ‘어떤 경험·행동의 조합을 가진 사람 유형이 있는가’를 알고 싶을 때. 범주형 응답에서 숨은 유형을 찾기 위해 합니다.
06 · 분석 순서

분석은 어떤 순서로 진행하나요?

사용 도구 R(stm·topicmodels·tidytext·quanteda), Python(gensim·scikit-learn·BERTopic·KoNLPy·Mecab), 한국어 형태소 분석기 기준.

기준의 출처 Blei·Ng·Jordan(2003), Blei(2012), Griffiths·Steyvers(2004), Chang 외(2009), Roberts·Stewart·Tingley(2019), Roberts 외(2014), Mimno 외(2011), Maier 외(2018), DiMaggio·Nag·Blei(2013), Hannigan 외(2019).

  1. 연구 질문과 분석 단위(문서) 정하기

    어떻게 하나요
    무엇을 알고 싶은지(연구동향, 응답의 주제, 후기의 불만 요인)와 문서의 단위(논문 초록 1편, 응답자 1명의 서술 전체, 댓글 1건)를 정합니다.
    확인할 값과 해석 기준
    문서가 너무 짧으면(수 단어) 토픽이 불안정하므로 같은 사용자의 글을 묶거나 짧은 글용 방법(BTM 등)을 고려합니다. 문서가 너무 길면 한 문서에 토픽이 지나치게 섞입니다.
    왜 하고, 무엇을 알 수 있나요
    결과의 의미를 좌우하는 문서 단위를 근거를 갖춰 정합니다.

  2. 연구설계와 표본 크기(검정력) 계획

    어떻게 하나요
    자료를 모으기 전에 분석 모형, 넣을 변수 수, 기대하는 효과 크기를 정해 필요한 표본 수를 계산합니다. G*Power(F 검정, 선형 다중회귀 등)나 해당 방법의 시뮬레이션 지침을 사용합니다. 토픽모델링에서는 문서 수, 문서 길이, 토픽 수가 안정성을 좌우합니다.
    확인할 값과 해석 기준
    보통 유의수준 α = .05, 검정력 .80 이상으로 잡습니다. 효과 크기는 Cohen(1988)의 참고치(회귀 f² = .02 작음·.15 중간·.35 큼, 상관 r = .10·.30·.50, 평균차 d = .20·.50·.80)나 선행연구에서 가져옵니다. 기대하는 효과가 작을수록 표본이 많이 필요합니다. 정해진 최소 표본은 없으나 문서가 수백~수천 건 이상이면 안정적이고 수십 건이면 토픽이 불안정하다고 봅니다. 문서가 짧을수록 더 많은 문서가 필요합니다.
    왜 하고, 무엇을 알 수 있나요
    표본이 충분한지는 자료를 모으기 전에 따져 봐야 합니다. 표본이 부족하면 실제 효과가 있어도 유의하지 않게 나올 수 있고(제2종 오류), 나중에 표본 수를 끼워 맞추면 결과를 믿기 어렵습니다.

  3. 말뭉치 수집과 연구윤리·저작권 점검

    어떻게 하나요
    논문 초록은 Scopus·KCI·RISS 같은 데이터베이스에서 내려받고, 댓글·후기는 API나 서비스 약관이 허용하는 방식으로 수집합니다. 설문·면담 텍스트는 윤리 승인과 동의 범위를 확인합니다.
    확인할 값과 해석 기준
    크롤링은 사이트 약관과 저작권을 확인해야 하고 개인정보(이름·연락처)는 제거합니다. 수집 일자, 데이터베이스, 검색식·키워드, 필터를 모두 기록해 재현 가능하게 합니다. 한 문서가 중복되어 들어가지 않았는지 확인합니다.
    왜 하고, 무엇을 알 수 있나요
    재현할 수 있고 합법적인 말뭉치를 마련합니다.

  4. 자료 파일 정리와 결측 확인

    어떻게 하나요
    문서마다 한 행으로 doc_id, 텍스트, 연도, 집단 같은 속성을 둔 표를 만들고 빈 텍스트와 중복 문서를 점검합니다.
    확인할 값과 해석 기준
    doc_id는 고유해야 하고 공변량(연도·집단) 결측은 STM 등에서 문서가 제외될 수 있으므로 확인합니다. 영어와 한국어가 섞인 문서는 언어별로 처리 규칙을 정합니다.
    왜 하고, 무엇을 알 수 있나요
    소프트웨어가 읽을 수 있는 형태로 분석 파일을 정리합니다.

  5. 텍스트 전처리: 정제·형태소 분석·불용어

    어떻게 하나요
    특수문자·URL·숫자를 정리하고, 한국어는 형태소 분석기(Mecab·Okt·Kkma 등)로 명사·형용사 중심의 단어를 추출합니다. 영어는 소문자화·표제어 추출(lemmatization)을 합니다. 불용어·동의어·복합어 사전을 만들어 적용합니다.
    확인할 값과 해석 기준
    분석 목적에 맞게 품사를 정합니다(주제 파악에는 보통 명사). 전처리 규칙에 따라 결과가 크게 달라지므로 불용어 목록, 형태소 분석기와 버전, 동의어 처리 규칙을 모두 기록합니다. 처리 전후의 문서를 샘플로 확인합니다.
    왜 하고, 무엇을 알 수 있나요
    단어 형태가 바뀌어도 흔들리지 않게, 의미 있는 단어만 남깁니다.

  6. 문서-단어 행렬(DTM) 만들기와 어휘 필터링

    어떻게 하나요
    전처리한 단어로 문서-단어 행렬을 만들고 너무 드문 단어(예: 전체 문서의 1% 미만 또는 5개 미만)와 거의 모든 문서에 나오는 단어(예: 50% 초과)를 제거합니다. LDA에는 빈도(count)를 그대로 쓰고 TF-IDF 가중치는 LDA에는 보통 쓰지 않습니다.
    확인할 값과 해석 기준
    기준값은 말뭉치 크기에 따라 달라지므로 필터링 전후의 어휘 수를 기록합니다. 단어가 모두 제거되어 빈 문서가 된 경우는 제외합니다.
    왜 하고, 무엇을 알 수 있나요
    모형이 학습할 입력 자료의 구조와 크기를 정합니다.

  7. 토픽 수(K) 후보 정하고 모형 선택

    어떻게 하나요
    K 후보(예: 5~30)를 정해 모형을 추정하고 일관성(C_v, UMass), STM의 searchK(held-out 우도·의미 일관성·배타성·잔차)를 비교합니다.
    확인할 값과 해석 기준
    일관성은 값이 클수록 좋고 절대 기준이 없어 K별로 비교합니다. 퍼플렉서티(held-out)가 좋아도 사람이 보기에는 해석이 어려운 토픽이 나올 수 있어(Chang et al., 2009) 지표만으로 정하지 않고 상위 단어를 읽어 보며 최종 K를 정합니다. 후보 K 2~3개의 결과를 모두 읽어 비교합니다.
    왜 하고, 무엇을 알 수 있나요
    자료에 맞는 토픽 수의 범위를 좁히고 고른 근거를 남깁니다.

  8. 하이퍼파라미터·반복 횟수·시드 설정

    어떻게 하나요
    LDA의 α(문서-토픽 사전)와 β 또는 η(토픽-단어 사전), 반복 횟수(깁스 샘플링 1,000회 이상)를 설정합니다. 기본값으로 α = 50/K, β = 0.01을 쓰는 경우가 많고(Griffiths & Steyvers, 2004), α를 자료에서 최적화하는 방법도 있습니다.
    확인할 값과 해석 기준
    서로 다른 시드로 여러 번(예: 10회 이상) 추정해 토픽이 비슷하게 재현되는지 확인합니다. 재현이 안 되면 K를 줄이거나 전처리를 개선합니다. 사용한 시드와 패키지 버전을 기록합니다.
    왜 하고, 무엇을 알 수 있나요
    결과가 우연한 초기값 때문인지 자료의 구조인지 확인합니다.

  9. 모형 추정과 수렴 확인

    어떻게 하나요
    선택한 K로 최종 모형을 추정합니다. STM은 spectral 초기화와 수렴 확인(ELBO)을 확인하고 LDA는 로그우도 수렴을 확인합니다.
    확인할 값과 해석 기준
    수렴하지 않았거나 일부 토픽이 한두 개 문서에만 나오면 결과가 불안정합니다. 문서당 토픽 비율의 분포도 살펴봅니다.
    왜 하고, 무엇을 알 수 있나요
    추정이 안정적으로 끝났는지 점검합니다.

  10. 토픽 해석: 상위 단어와 대표 문서 읽기

    어떻게 하나요
    각 토픽의 상위 단어(보통 10~20개; STM은 빈도·배타성을 함께 보는 FREX 단어)를 표로 정리하고 토픽 비율이 가장 높은 대표 문서 5~10건을 직접 읽습니다.
    확인할 값과 해석 기준
    상위 단어만 보고 이름을 붙이지 마세요. 한 토픽이 서로 다른 두 주제를 섞고 있거나(K가 작음), 같은 주제가 둘로 나뉘면(K가 큼) K를 다시 봅니다. 의미가 불분명한 토픽(잡음 토픽)은 이유를 적어 제외하거나 그대로 보고합니다.
    왜 하고, 무엇을 알 수 있나요
    토픽이 실제로 무엇에 관한 글인지 근거를 갖고 말할 수 있습니다.

  11. 토픽 라벨링과 병합·제외 결정

    어떻게 하나요
    둘 이상의 연구자가 독립적으로 토픽에 이름을 붙이고 합의합니다. 의미가 겹치는 토픽을 병합하거나 해석 불가능한 토픽을 제외할 때는 기준과 사유를 기록합니다.
    확인할 값과 해석 기준
    명칭은 상위 단어와 대표 문서의 내용에 모두 부합해야 합니다. 라벨링 일치도(예: 합의 전 일치 비율)를 보고하면 신뢰성이 높아집니다.
    왜 하고, 무엇을 알 수 있나요
    해석을 믿을 수 있게 만듭니다.

  12. 토픽 비율 분석: 시간·집단 비교

    어떻게 하나요
    문서-토픽 비율 θ를 말뭉치 전체와 연도·집단별로 평균해 표와 그림(추세선, 누적 막대)으로 제시합니다. STM에서는 estimateEffect()로 공변량(연도, 집단)이 각 토픽 비율에 미치는 효과의 계수와 신뢰구간을 구합니다.
    확인할 값과 해석 기준
    여러 토픽을 동시에 검정하면 우연히 유의한 결과가 나올 수 있어 다중비교를 고려합니다. 시간에 따른 비율 변화는 문서 수가 해마다 다르면 비율로 정규화해 비교합니다. 비율의 증가를 주제의 중요도 증가로 해석하지 않습니다.
    왜 하고, 무엇을 알 수 있나요
    어떤 주제가 늘거나 줄었는지, 집단마다 어떻게 다른지 답합니다.

  13. 타당화: 사람 평가·민감도·외부 근거

    어떻게 하나요
    토픽 침입 검사(토픽 단어 속 엉뚱한 단어 찾기)나 단어 침입 검사로 사람이 보기에 해석 가능한지 평가하고, 소규모 수작업 코딩(예: 100~200건)과 토픽 결과를 비교합니다. 전처리·K·시드를 바꾼 대안 결과와 비교합니다.
    확인할 값과 해석 기준
    민감도 분석에서 주요 결과가 유지되는지 봅니다. 외부 지표(관련 변수·전문가 평가)와의 관련도 점검합니다. 타당화를 하지 않은 토픽 결과는 탐색적 결과로만 제시하세요.
    왜 하고, 무엇을 알 수 있나요
    토픽 결과가 연구자의 해석에 우연히 맞춘 것이 아님을 보여 줍니다.

  14. 토픽 간 관계 시각화

    어떻게 하나요
    LDAvis 같은 도구로 토픽 간 거리를 보고, 토픽 상관 네트워크나 계층적 군집으로 토픽을 묶어 상위 주제를 정리합니다.
    확인할 값과 해석 기준
    그림은 보조 자료입니다. 거리의 크기는 2차원 투영에서 왜곡될 수 있으니 상위 단어와 대표 문서 해석을 대신할 수 없습니다.
    왜 하고, 무엇을 알 수 있나요
    여러 토픽을 더 큰 주제 영역으로 묶어 볼 수 있습니다.

  15. 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. 전처리 규칙(형태소 분석기·불용어·사전), 어휘 필터링, 토픽 수 선정 근거, 하이퍼파라미터·시드, 소프트웨어·버전을 모두 적고 분석 코드와 불용어 목록을 공개하는 것을 권장합니다.
    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 · HRD 연구동향

소명의식 연구의 주제 변화

연구목적
국내 연구의 주요 주제와 시기별 변화를 파악합니다.
알고 싶은 것
국내 소명의식 논문의 초록에는 어떤 토픽이 있고 시기에 따라 비중이 어떻게 달라지는가?
사용할 자료
  • 논문 초록 텍스트
  • 발행 연도·학술지 정보
방법을 적용하는 방식
초록을 형태소 분석해 토픽 수를 비교하고 LDA/STM으로 추정한 뒤, 토픽 비율의 연도별 추세를 분석합니다.
제시할 결과
  • 토픽별 상위 단어와 이름
  • 토픽 비율표
  • 연도별 토픽 추세 그림
  • 대표 논문 목록
이 사례에서 밝힐 수 있는 것
토픽 수에 따라 결과가 달라지므로 일관성 지표와 해석 가능성, 여러 시드의 안정성을 함께 제시해야 합니다.
사례 2 · 학습분석

서술형 교육 후기의 주제

연구목적
수강 후기의 주요 주제와 만족·불만 요인을 파악합니다.
알고 싶은 것
수강생들이 쓴 서술형 후기에는 어떤 주제가 있으며 과정 유형별로 어떻게 다른가?
사용할 자료
  • 수강생별 서술형 후기 텍스트
  • 과정 유형·만족도 점수
방법을 적용하는 방식
후기를 정제해 STM으로 추정하고 과정 유형이 토픽 비율에 미치는 영향을 회귀로 검정합니다.
제시할 결과
  • 토픽 라벨과 상위 단어
  • 토픽 비율
  • 과정 유형별 토픽 비율 차이와 신뢰구간
  • 대표 후기 인용
이 사례에서 밝힐 수 있는 것
짧은 후기는 토픽이 불안정하므로 후기를 묶거나 짧은 글용 모형을 고려해야 합니다.
08 · 해석 범위

이 결과로 어디까지 말할 수 있을까요?

  • 토픽은 ‘주제’ 그 자체가 아니라 단어가 함께 나타나는 통계적 패턴입니다. 의미는 연구자가 해석해서 부여합니다.
  • 같은 자료도 토픽 수·전처리·시드에 따라 결과가 달라질 수 있으므로 하나의 결과만 보고하지 않습니다.
  • 단어의 순서와 문맥을 보지 않는 모형(bag-of-words)이어서 비꼬는 말이나 부정 표현을 구별하지 못합니다.
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. 분석할 자료가 많은 양의 텍스트(문서 수백 건 이상)인가요?
2. 문서 단위와 전처리(형태소 분석·불용어) 규칙을 정했나요?
3. 토픽 수와 결과의 타당성을 확인할 계획(일관성·사람 평가)이 있나요?

함께 비교하면 좋은 방법

사회네트워크분석 (Social Network Analysis, SNA)사람이나 조직 사이의 관계가 어떤 구조를 이루고, 그 구조 안에서 누가 어떤 위치에 있는가?스코핑 리뷰이 주제는 지금까지 누가, 무엇을, 어떤 방법으로 연구했는가?잠재계층분석 (Latent Class Analysis, LCA)예·아니요와 같은 응답 조합을 보면 어떤 사람 유형이 나타나는가?

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

    Maier, D., Waldherr, A., Miltner, P., Wiedemann, G., Niekler, A., Keinert, A., Pfetsch, B., Heyer, G., Reber, U., Häussler, T., Schmid-Petri, H., & Adam, S. (2018). Applying LDA Topic Modeling in Communication Research: Toward a Valid and Reliable Methodology. Communication Methods and Measures, 12(2-3), 93-118.

    읽을 초점 전처리, 토픽 수 선정, 해석, 타당화까지 토픽모델링의 타당성과 신뢰성을 높이는 절차와 권고를 읽어 보세요.

    DOI: 10.1080/19312458.2018.1430754 · ISSN: 1931-2458 / 1931-2466
  2. 교수님 Research listKCI

    김춘주, 박성경, 오선빈, 송지훈 (2026). 토픽모델링을 활용한 국내 소명의식 연구동향 분석. 기업교육과 인재연구, 28(1), 109-150. https://doi.org/10.46260/kslp.28.1.4

    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

    Lim, J., Hong, J. P., Park, J., & Ahn, M.-L. (2022). Educational Use of Metaverse and Virtual Worlds From 2010 to 2021: An Analysis of Research Trends Using LDA-based Topic Modeling and Time Series Regression. 교육정보미디어연구, 28(2), 187-214.

    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: 10.15833/kafeiam.28.2.187 · Crossref 인용 수 4회 (2026-11-02 확인)
  4. 적용 논문SSCI

    Chen, X., Zou, D., Cheng, G., & Xie, H. (2020). Detecting latent topics and trends in educational technologies over four decades using structural topic modeling: A retrospective of all volumes of Computers & Education. Computers & Education, 151, 103855.

    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.2020.103855 · Crossref 인용 수 361회 (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) →