[Survey 정치학] Kiesel and Amlani (2025) 정서적 양극화를 포착하는 새로운 서베이 문항 방법

 

한 단어로 보는 정당 감정 분열: 감정적 양극화를 측정하는 새로운 방법

정당에 대한 감정적 반응(Affective Polarization)은 현대 정치에서 중요한 연구 주제입니다. 사람들이 자신의 정당(집단)에는 호감을 느끼고, 반대 정당(집단)에는 강한 반감을 가지는 현상은 정치적 갈등을 심화시키고, 민주적 협력을 약화시키는 요인이 될 수 있습니다. 기존 연구들은 이 현상을 측정하기 위해 감정 온도계(Feeling Thermometers), 후보 평가(Candidate Evaluations), 사회적 거리 측정(Social Distance Measures) 등의 방법을 사용해 왔습니다. 그러나 이러한 방법은 정당에 대한 감정의 강도(intensity)를 측정하는 데는 유용하지만, 사람들이 왜 그렇게 느끼는지에 대한 정보를 제공하는 데 한계가 있습니다.

이에 대해 Kiesel & Amlani(2025)는 새로운 감정 측정 방식을 제안합니다. 기존의 폐쇄형 질문(숫자 척도) 방식이 아닌, 응답자 스스로 자신의 감정을 한 단어로 표현하게 하고, 그 단어의 감정적 강도를 직접 코딩하게 하는 방식입니다. 이 방법을 통해 연구자들은 양적(숫자) 데이터뿐만 아니라 질적(언어적) 데이터도 확보할 수 있습니다.

 

새로운 감정 측정 방법: 한 단어 평가(Self-Coded One-Word Evaluation)

기존 감정적 양극화(Affective Polarization) 연구에서는 감정을 측정하기 위해 감정 온도계(Feeling Thermometer), 후보 평가(Candidate Evaluations), 사회적 거리 측정(Social Distance Measures) 등의 방법을 사용해 왔습니다. 그러나 이러한 방법은 대부분 폐쇄형 질문(closed-ended questions)을 기반으로 하며, 응답자들이 자신의 감정을 숫자로 표현하도록 강제합니다. 이는 다음과 같은 한계를 가집니다.

✅ 감정의 동기를 알기 어렵다:

• 예를 들어, 응답자가 민주당(혹은 공화당)에 대해 40점을 부여했다고 해도, 그 점수가 정책적 불일치 때문인지, 정당 지지자들의 태도가 마음에 안 들어서인지, 혹은 특정 정치인의 이미지 때문인지 알 수 없습니다.
• 숫자로 표현된 감정 점수는 감정의 **근본적인 이유(motivations)**를 드러내지 못합니다.

✅ 응답자의 감정을 인위적인 척도로 제한한다:

• 0~100점 감정 온도계의 경우, 응답자가 감정을 표현하는 방식이 제한적이며, 응답자들이 스스로 감정을 표현할 수 있는 기회가 부족합니다.
• 또한, 숫자 응답 방식은 사람마다 온도계 척도를 해석하는 방식이 다를 수 있어 해석의 차이를 유발할 가능성이 있습니다.

✅ 설문 응답자의 상태(state of mind)를 직접적으로 포착하지 못한다:

• 응답자들이 특정 정당을 떠올릴 때 가장 먼저 드는 직관적인 느낌(Top-of-Mind Considerations)을 측정하지 못합니다.
• 즉, 감정적 반응이 아니라 단순한 정당 지지도나 평가처럼 해석될 위험이 있습니다.

이러한 한계를 극복하기 위해 Kiesel & Amlani(2025)는 "한 단어 평가(Self-Coded One-Word Evaluation)"라는 새로운 방법을 제안했습니다. 이 방법은 크게 **두 가지 핵심 요소(① 한 단어 평가, ② 자기 코딩 방식)**로 구성됩니다.

---

① 한 단어 평가(One-Word Evaluation): 감정을 직관적으로 표현하는 방법

응답자들은 다음과 같은 방식으로 질문을 받습니다.

Q1. 당신과 동일한 정당을 지지하는 사람들을 한 단어로 표현하세요.
Q2. 당신과 반대 정당을 지지하는 사람들을 한 단어로 표현하세요.

즉, 기존의 감정 온도계처럼 숫자로 정당에 대한 평가를 하도록 요구하는 것이 아니라, 응답자가 가장 직관적으로 떠오르는 단어를 입력하도록 유도합니다.

✅ 이 방식의 장점:

• 응답자들이 자신이 느끼는 감정을 직접적으로 표현할 수 있음.
• 정치적 성향과 무관하게 감정을 더 솔직하게 드러낼 가능성이 높음.
• 연구자가 사전에 감정을 평가하는 기준을 정하지 않기 때문에 질적 데이터(qualitative data)와 양적 데이터(quantitative data)를 동시에 확보할 수 있음.

예를 들어, 한 응답자가 공화당 지지자를 묘사할 때 **"보수적인(Conservative)"**이라는 단어를 사용했다면, 이는 단순한 정치적 정체성을 나타낼 수 있습니다. 그러나 **"멍청한(Stupid)"**이라는 단어를 선택했다면, 이는 강한 부정적 감정을 나타내는 것입니다. 이처럼 응답자가 선택한 단어만으로도 감정적 양극화의 정도를 보다 명확히 측정할 수 있습니다.

---

② 자기 코딩 방식(Self-Coded Sentiment Rating): 감정의 강도를 스스로 평가

한 단어 평가 방식은 응답자들이 자유롭게 감정을 표현할 수 있도록 하지만, 연구자가 응답자의 감정을 주관적으로 해석하는 문제를 방지하기 위해, 응답자가 자신의 단어에 대한 감정적 강도를 직접 평가하도록 설계되었습니다.

✅ 설문 응답 방식:

• 응답자는 자신이 선택한 단어에 대해 7점 척도(극단적 부정 ~ 극단적 긍정)를 기준으로 직접 평가합니다.

Q3. 위에서 입력한 단어의 감정적 강도를 평가하세요.
(7점 척도)
-3 (매우 부정적)
-2 (부정적)
-1 (약간 부정적)
0 (중립)
+1 (약간 긍정적)
+2 (긍정적)
+3 (매우 긍정적)

예를 들어, 응답자가 반대 정당을 "멍청한(Stupid)"이라고 표현했다면, 감정 강도를 -3(매우 부정적)로 평가할 수 있습니다. 반면, 같은 단어라도 -1(약간 부정적)로 평가할 수도 있습니다.

✅ 이 방식의 장점:

• 응답자 본인이 직접 감정의 강도를 평가하기 때문에 연구자의 주관적 해석 개입이 줄어듦.
• 감정 점수(숫자)와 감정의 이유(단어)를 동시에 제공하여 양적 분석과 질적 분석을 동시에 수행할 수 있음.
• 감정 온도계보다 더 직관적인 감정 측정 방식을 제공.

---

새로운 방법론이 감정적 양극화 연구에 미치는 영향

Kiesel & Amlani(2025)가 제안한 한 단어 평가 + 자기 코딩 방식은 기존 연구에서 놓쳤던 감정적 요소들을 더욱 정밀하게 측정할 수 있는 혁신적인 방법론입니다.

✅ 기존 방식(감정 온도계)과의 차별점:

기존 감정 온도계한 단어 평가

숫자로 감정을 표현	단어로 감정을 표현
감정의 강도만 측정	감정의 원인과 강도를 함께 측정
연구자가 미리 설정한 척도 사용	응답자가 직접 표현한 자연어(natural language) 사용
폐쇄형 응답(수치로 제한)	개방형 응답(언어적 표현 허용)

이 방법은 단순히 "누가 더 정당을 좋아하거나 싫어하는가"를 측정하는 것이 아니라, 어떤 이유로 정당에 대한 감정이 형성되었는지를 분석하는 데 중요한 역할을 합니다.

향후 연구에서의 활용 가능성

Kiesel & Amlani(2025)의 방법론은 감정적 양극화뿐만 아니라, 다양한 사회적 그룹 간의 정서적 갈등을 측정하는 데 활용될 수 있습니다.

• 정당 외에도 인종, 성별, 종교, 이념, 정책 이슈 등에 대한 감정적 태도를 분석할 수 있음.
• 자연어 처리(NLP) 기술과 결합하면 대규모 텍스트 데이터를 분석하는 강력한 도구로 활용 가능.
• 미국 정치뿐만 아니라, 다른 국가의 정치 문화에서도 감정적 양극화 연구에 적용 가능.

결과적으로, "한 단어 평가(Self-Coded One-Word Evaluation)"는 감정적 양극화를 보다 정밀하게 분석할 수 있는 강력한 측정 도구이며, 앞으로 여론조사, 소셜 미디어 분석, 정치 커뮤니케이션 연구에서도 적극적으로 활용될 가능성이 큽니다. 🚀

 

연구 방법론: 데이터 수집과 분석

Kiesel & Amlani(2025)의 연구는 기존 감정적 양극화 측정 방식이 응답자의 감정적 동기와 태도의 근본적인 원인을 포착하는 데 한계가 있다는 문제의식에서 출발했습니다. 연구진은 이 문제를 해결하기 위해 한 단어 응답(Self-Coded One-Word Evaluation)이라는 새로운 측정 방법을 개발하고, 이를 실험적으로 검증했습니다. 본 연구는 크게 (1) 데이터 수집 과정, (2) 측정 방법 설계, (3) 데이터 분석 방법, (4) 타당성 검증 및 비교 분석의 네 단계로 진행되었습니다.

---

1. 데이터 수집: 전국 대표 표본(Nationally Representative Sample)

연구진은 Lucid의 설문조사 플랫폼을 사용하여 미국 성인 1,300명 이상을 대상으로 온라인 설문을 실시했습니다. Lucid는 다양한 연구에서 사용되는 온라인 패널 서비스로, 연구 설계에 맞게 샘플을 추출할 수 있는 특징이 있습니다. 연구진은 미국의 인구 통계를 반영한 대표성을 확보하기 위해 성별, 연령, 인종, 교육 수준 등을 기준으로 표본을 할당(stratified sampling)하는 방식으로 응답자를 모집했습니다.

• 설문 대상자: 18세 이상의 미국 성인
• 표본 크기: 약 1,300명
• 모집 방식: Lucid 패널을 활용한 온라인 설문
• 표본 대표성: 성별, 연령, 인종, 교육 수준을 기준으로 할당

---

2. 측정 방법 설계: 한 단어 응답과 자기 코딩(Self-Coded One-Word Evaluation)

기존의 감정 온도계(feeling thermometer)나 후보 평가(candidate evaluation)는 주어진 숫자 척도에서 응답자가 감정을 선택하는 방식이지만, 연구진은 더욱 직관적이고 감정의 동기를 반영할 수 있는 방법을 개발하고자 했습니다.

✅ 한 단어 응답 방식 (One-Word Evaluation)

설문에서 응답자는 두 개의 질문을 받았습니다.

1. "당신과 동일한 정당을 지지하는 사람들을 한 단어로 표현하세요."
2. "당신과 반대 정당을 지지하는 사람들을 한 단어로 표현하세요."

이 과정에서 응답자들은 폐쇄형 응답(예: 0~100점 감정 온도계) 대신, 가장 직관적으로 떠오르는 단어를 자유롭게 입력할 수 있었습니다. 이를 통해 감정의 근본적인 원인을 보다 자연스럽게 드러낼 수 있도록 했습니다.

✅ 자기 코딩 방식(Self-Coded Sentiment Rating)

응답자가 제시한 단어가 어떤 감정적 강도를 가지는지 평가하기 위해, 연구진은 응답자들에게 스스로 감정적 강도를 코딩하도록 유도하는 7점 척도를 제공했습니다.

• 감정 강도 척도:
  • -3 (매우 부정적)
  • -2 (부정적)
  • -1 (약간 부정적)
  • 0 (중립)
  • +1 (약간 긍정적)
  • +2 (긍정적)
  • +3 (매우 긍정적)

예를 들어, 어떤 응답자가 "바보(Stupid)"라는 단어를 입력했다면, 스스로 이를 -3(매우 부정적)으로 평가할 수 있습니다. 반면, "애국자(Patriotic)"라고 입력한 경우, 이를 +3(매우 긍정적)으로 평가할 수 있습니다.

이 방식은 연구자들이 주관적으로 응답자의 단어를 해석하지 않도록 하면서도, 개방형 응답이 제공하는 질적 정보와 수치화된 양적 데이터를 동시에 확보할 수 있도록 설계되었습니다.

---

3. 데이터 분석 방법: 질적 분석 + 양적 분석의 결합

연구진은 수집된 데이터를 (1) 단어 분석, (2) 감정 점수 분석, (3) 기존 방법과의 비교 분석의 세 가지 방식으로 분석했습니다.

✅ (1) 단어 분석: 어떤 단어가 가장 많이 사용되었는가?

• 연구진은 빈도 분석(Frequency Analysis)을 통해 가장 많이 사용된 단어들을 정리했습니다.
• 또한, 워드 클라우드(Word Cloud) 시각화를 사용해 응답자들이 각 정당을 어떻게 표현하는지 명확히 보여주었습니다.

예를 들어, 민주당 응답자들은 공화당 지지자를 "인종차별주의자(Racist)", "멍청한(Stupid)" 등으로 묘사하는 경우가 많았으며, 공화당 응답자들은 민주당 지지자를 "사회주의자(Socialist)", "세뇌된(Sheeple)" 등으로 표현하는 경향이 있었습니다.

✅ (2) 감정 점수 분석: 정량적 감정 평가 비교

• 연구진은 응답자들이 직접 코딩한 감정 점수를 분석하여, 각 정당에 대한 평균 감정 점수와 분포를 비교했습니다.
• 예를 들어, 민주당 응답자들의 감정 평균 점수:
  • 자신의 정당: +1.9
  • 반대 정당: -1.1
• 공화당 응답자들의 감정 평균 점수:
  • 자신의 정당: +1.8
  • 반대 정당: -1.2

이러한 결과는 정당 간 감정적 양극화가 뚜렷하게 존재하며, 반대 정당을 긍정적으로 평가하는 응답자는 거의 없다는 점을 보여줍니다.

✅ (3) 기존 방법과의 비교 분석: 감정 온도계 및 후보 평가와 비교

• 연구진은 새로운 한 단어 응답 방식과 기존의 감정 온도계, 후보 평가 방식 간의 상관관계를 분석했습니다.
• 감정 온도계 점수와 한 단어 평가 점수 간의 상관계수(correlation coefficient)는 0.76~0.77로 강한 연관성을 보였지만, 완전히 동일하지 않았습니다.
• 즉, 새로운 방식이 기존 방식과 비슷한 패턴을 보여주면서도, 추가적인 정성적 정보를 제공하는 독립적인 가치를 지닌다는 점을 입증했습니다.

---

4. 타당성 검증: 새로운 측정 방식의 신뢰도 평가

연구진은 새로운 방법론이 실제로 내적 타당성(internal validity)과 외적 타당성(external validity)을 갖추었는지 검증했습니다.

✅ 내적 타당성(Internal Validity) 검증

• 응답자들이 제출한 단어와 감정 점수가 일관성(consistency)을 갖는지 분석했습니다.
• 예를 들어, 공화당 응답자들이 민주당을 묘사할 때 "사회주의자(Socialist)"라는 단어를 가장 많이 사용했고, 이를 대체로 -2 또는 -3으로 코딩했다는 점은 이 방법이 응답자의 감정적 태도를 신뢰성 있게 반영한다는 것을 보여줍니다.

✅ 외적 타당성(External Validity) 검증

• 연구진은 감정 온도계, 후보 평가, 사회적 거리 측정 등 기존 연구에서 사용된 다른 감정 측정 방식과 비교하여, 새로운 방법이 비슷한 패턴을 포착하면서도 추가적인 정성적 정보를 제공한다는 점을 입증했습니다.
• 또한, 기존 연구 결과와 비교하여 감정적 양극화의 경향이 일관되게 나타나는지를 분석했습니다.

 

핵심 연구 결과: 감정적 양극화의 심화

1. 집단 내(in-group)와 집단 외(out-group) 평가의 차이

• 응답자들은 자신의 정당에 대해 긍정적인 단어를 사용하고 높은 점수를 부여함
  • 민주당 지지자: "스마트한(Smart)", "자비로운(Compassionate)", "선한(Good)"
  • 공화당 지지자: "애국적인(Patriotic)", "보수적인(Conservative)", "미국적인(American)"
• 반대 정당에 대해서는 부정적인 단어를 사용하며 낮은 점수를 부여함
  • 민주당 응답자: "멍청한(Stupid)", "인종차별적인(Racist)", "자기중심적인(Selfish)"
  • 공화당 응답자: "세뇌된(Sheeple)", "사회주의적인(Socialist)", "혼란스러운(Confused)"

2. 기존 감정 측정 방식과 비교한 결과

연구진은 새로운 한 단어 감정 측정 방법이 기존의 감정 온도계, 후보 평가, 사회적 거리 측정 방식과 **강한 상관관계(correlation)**를 가지면서도, 완전히 동일하지 않다는 점을 발견했습니다. 즉, 새로운 측정 방식이 기존 방식이 놓치는 감정적 요소를 포착할 수 있다는 점을 입증한 것입니다.

3. 감정적 양극화의 원인은 정책보다 "성격(character) 평가"

특히, 연구진은 감정적 양극화가 단순한 정책 차이 때문이 아니라 정당 지지자들 간의 성격 평가(valence evaluation)가 중요한 요인임을 발견했습니다.

• 정책적 차이(예: "사회주의자(Socialist)", "보수적인(Conservative)")보다는
• 성격에 대한 부정적 평가(예: "멍청한(Stupid)", "사악한(Evil)")가 감정적 양극화를 더욱 심화시킴
• 즉, 사람들은 반대 정당을 단순한 이념적 반대자로 보기보다 도덕적으로 열등하거나 부정직한 집단으로 인식

연구의 의의와 한계점

연구의 강점

✅ 기존 감정 온도계보다 정확한 감정적 동기를 측정할 수 있음
✅ 개방형 질문을 사용하면서도 응답자 스스로 코딩하여 분석 가능
✅ 감정적 양극화의 질적 특성을 파악할 수 있음

한계점

❌ 대형 국가 설문(예: ANES, CCES)에서 쉽게 적용되기 어려움
❌ 한 단어 응답이 응답자의 감정을 완벽히 포착한다고 보기 어려움
❌ 설문 시간이 기존 방식보다 길어질 가능성이 있음

결론: 감정적 양극화를 더 깊이 이해하기 위한 새로운 접근법

Kiesel & Amlani(2025)의 연구는 단어 기반 감정 측정을 통해 기존의 감정적 양극화 연구가 간과했던 요소들을 밝혀냈습니다. 단순히 정당을 좋아하고 싫어하는 수준을 넘어, 사람들이 왜 그렇게 생각하는지를 파악하는 것이 핵심입니다.

이 연구는 앞으로 감정적 양극화 연구뿐만 아니라, 여론 조사, 소셜 미디어 분석, 정치 커뮤니케이션 연구에도 적용될 수 있는 중요한 방법론적 기여를 합니다. 특히, 인공지능 기반 텍스트 분석(NLP)과 결합하면 더욱 강력한 분석 도구로 활용될 가능성이 큽니다.

앞으로의 연구에서는 이러한 측정 방식을 국제 비교 연구에 적용하거나, 응답자들이 감정적 반응을 보다 깊이 설명할 수 있도록 확장하는 것도 가능할 것입니다. 감정적 양극화가 민주주의에 미치는 영향을 보다 정확히 이해하기 위한 중요한 첫걸음이 될 것으로 보입니다. 🚀