Article Review

[LLM/정치학] Zeng et al (2025) 트럼프 암살 시도 이후, 온라인 여론은 어떻게 변했을까?

Dr. Julia 2025. 2. 15. 02:45

트럼프 암살 시도 이후, 온라인 여론은 어떻게 변했을까?

– 소셜미디어 데이터를 활용한 정밀 분석

2024년 7월 13일, 도널드 트럼프 전 미국 대통령이 펜실베이니아 유세 중 암살 시도를 당하는 충격적인 사건이 발생했습니다. 정치적 분열이 극심한 미국에서, 이런 급격한 사건이 대중 여론과 정치적 담론에 어떤 영향을 미칠까요?

이 연구는 X(구 트위터)에서의 온라인 담론 변화를 추적하여, 이 사건이 사람들의 트럼프에 대한 태도에 어떤 영향을 주었는지 분석합니다. 연구진은 자연어 처리(NLP) 기법과 경제학적 인과 추론 방법(차이-차이 분석, Difference-in-Differences, DiD) 을 결합해 사건 전후 여론 변화와 주요 논의 주제의 변화를 정밀하게 측정했습니다.

그 결과, 예상과 달리 트럼프에 대한 대중 반응은 극단적인 분열(Polarization)보다는 ‘동정(Sympathy)’이 더 두드러졌다는 점이 확인되었습니다. 특히 공화당 성향이 강한 ‘레드 스테이트(Red States)’뿐만 아니라 민주당 성향의 ‘블루 스테이트(Blue States)’에서도 부정적인 감정이 감소하는 경향을 보였다는 점이 흥미롭습니다.

지금부터 이 연구의 핵심 내용을 하나씩 짚어보겠습니다.


🔎 연구의 핵심 질문

연구진은 소셜미디어 데이터를 활용해 세 가지 핵심 질문을 탐구했습니다.

1️⃣ 시간 흐름과 지역에 따라 트럼프에 대한 대중 정서(Sentiment)는 어떻게 변했는가?
2️⃣ 이 사건이 정치적 성향과 관계없이 대중의 태도에 유의미한 영향을 미쳤는가?
3️⃣ 사건 전후로 사람들이 이야기한 주요 주제(Topic)는 어떻게 달라졌는가?

이 질문을 검증하기 위해, 연구진은 대형 언어 모델(LLM) 기반 감성 분석, 차이-차이 분석(DiD), 토픽 모델링(Topic Modeling) 을 결합해 보다 정밀한 분석을 수행했습니다.


  • 📊 데이터 수집 및 분석 방법각 단계별 데이터 수집 및 분석 방법을 상세히 설명하겠습니다.
    1️⃣ 데이터 수집: X(구 트위터)에서 게시물 확보🔍 데이터 수집 과정
    검색어(Keyword): "Trump"
    수집 기간:
    • 사건 발생 1주일 전(7월 7일~7월 12일)
    • 사건 발생 당일(7월 13일)
    • 사건 발생 1주일 후(7월 14일~7월 20일)
      수집된 게시물 수:122,526개
      언어 필터: 영어(English)로 작성된 게시물만 포함
      위치(Geolocation) 필터:
    • 미국 내에서 작성된 게시물만 포함
    • 주(State) 단위의 위치 정보가 없는 게시물은 제외
    💡 데이터 수집 전략:
    • ‘Trump’라는 단일 키워드를 사용한 이유는, 다양한 정치적 맥락에서 트럼프에 대한 언급을 포함할 수 있기 때문입니다.
    • 특정 해시태그나 문구(ex. #Trump2024, #MAGA)는 사용하지 않았으며, 편향된 데이터 수집을 방지하기 위해 보편적인 검색어를 활용했습니다.
    • 수집된 데이터에서 비정치적 트윗(예: 스포츠, 엔터테인먼트 관련 트윗에서 트럼프가 언급된 경우) 도 포함될 가능성이 있기 때문에, 이후 텍스트 전처리 과정에서 불필요한 데이터를 필터링했습니다.

    2️⃣ 감성 분석 (Sentiment Analysis): 트윗의 감정 파악🔍 감성 분석 과정
    모델 선정: 여러 개의 LLM을 테스트한 결과, GPT-4o-Mini가 가장 높은 성능을 보였음
    분류 기준:
    • 긍정(Positive): 트럼프를 지지하거나 응원하는 내용
    • 부정(Negative): 트럼프를 비판하거나 부정적인 감정을 표현하는 내용
    • 중립(Neutral): 긍정도 부정도 아닌 정보 전달성 게시물 또는 감정이 모호한 경우
      성능 평가:
    • 300개의 트윗을 사람이 직접 레이블링하여 모델 성능 비교
    • Precision, Recall, F1-score를 기반으로 모델 성능 측정
    • GPT-4o-Mini가 85% 이상의 F1-score를 기록하며 최고 성능을 보임
    💡 왜 기존 감성 분석 모델이 아닌 LLM을 사용했을까?
    • 기존 감성 분석 모델(ex. VADER, RoBERTa 기반 모델)은 짧고 문맥이 명확한 문장에서 강점을 보이지만, 은유적 표현, 반어법(아이러니), 정치적 맥락이 강한 문장 해석에는 한계를 가짐
    • LLM을 활용하면 보다 정교한 문맥 분석이 가능하며, 단순한 키워드 매칭 방식보다 높은 정확도를 제공

    3️⃣ 차이-차이 분석 (Difference-in-Differences, DiD): 감성 변화의 원인 분석🔍 차이-차이 분석 방법
    비교 그룹 설정:
    • 레드 스테이트(Red States, 공화당 우세 지역) vs 블루 스테이트(Blue States, 민주당 우세 지역)
    • 스윙 스테이트(Swing States, 경합 지역) vs 레드 스테이트
    • 스윙 스테이트 vs 블루 스테이트
      독립 변수:
    • Group(정치 성향에 따른 그룹 구분, 0=블루, 1=레드/스윙)
    • Event(사건 발생 전=0, 사건 발생 후=1)
    • Group × Event (상호작용 효과 분석, 사건의 영향을 그룹별로 비교하기 위한 변수)
      종속 변수: 트럼프에 대한 감성 점수(긍정: +1, 중립: 0, 부정: -1)
    💡 분석의 의미:
    • 만약 Group × Event 변수의 계수가 유의미하게 크다면, 사건이 특정 정치 성향 그룹에 더 큰 영향을 미쳤다는 의미
    • 계수가 유의미하지 않다면, 사건의 영향이 정치적 성향과 무관하게 전반적으로 동일하게 나타났다는 의미

    4️⃣ 토픽 모델링 (Topic Modeling): 논의 주제 변화 분석🔍 토픽 모델링 과정
    텍스트 임베딩: Sentence Transformer 모델 (all-MiniLM-L6-v2) 활용
    차원 축소: UMAP(Uniform Manifold Approximation and Projection) 사용
    클러스터링: HDBSCAN(Hierarchical Density-Based Spatial Clustering) 적용
    주요 토픽 개수 선정: 엘보우 기법(Elbow Method)을 활용하여 최적의 토픽 개수(50개) 결정
    토픽 명칭 부여: GPT-4o를 활용하여 각 토픽의 대표 키워드와 내용을 기반으로 자동 요약토픽사건 전후 변화
    암살 시도 급증 📈
    트럼프에 대한 기도(Pray for Trump) 급증 📈
    트럼프 논란(Trump Controversies) 감소 📉
    공화당 선거 관련 논의 증가 📈
    민주당 선거 관련 논의 유지
    MAGA 관련 담론 유지
    미디어 보도 반응 유지
    국제 정치 관련 논의 유지
    사회적 이슈(인종, 이민 등) 유지
    일반 선거 관련 논의 감소 📉
    💡 결과 해석:
    • 사건 이후 트럼프에 대한 논란(비판적 논의)은 줄어들고, 기도와 걱정과 같은 감성적인 반응이 증가
    • 선거와 관련된 논의도 일부 변화했으며, 공화당 내 정치적 논의가 활발해지는 패턴을 보임
  • 📌 결과: 주요 토픽 10개
  • 사건 전후 소셜미디어에서 논의된 주요 주제(Topic)가 어떻게 변화했는지 분석하기 위해 BERTopic 모델을 활용했습니다.
  • 단순한 시간 흐름에 따른 감성 변화가 아닌, 암살 시도 사건이 실제로 감성 변화에 미친 영향을 분석하기 위해 차이-차이 분석(DiD)을 수행했습니다.
  • X(구 트위터) 게시물에서 트럼프에 대한 긍정적/부정적 감정이 어떻게 변화했는지 분석하기 위해, 대형 언어 모델(LLM) 기반 감성 분석을 수행했습니다.
  • 연구진은 Brandwatch라는 소셜미디어 분석 도구를 사용하여 2024년 7월 7일부터 7월 20일까지의 X(구 트위터) 게시물을 수집했습니다.
  • 이번 연구에서는 소셜미디어 데이터를 활용하여 트럼프 암살 시도 이후 대중 여론의 변화를 분석했습니다. 이를 위해 X(구 트위터)에서 수집한 게시물 데이터를 기반으로 감성 분석(Sentiment Analysis), 차이-차이 분석(Difference-in-Differences, DiD), 그리고 토픽 모델링(Topic Modeling)을 수행했습니다.

🔥 연구 결과

1️⃣ 사건 이후, 트럼프에 대한 여론은 어떻게 변했을까?

📌 사건 전후 트럼프에 대한 평균 감성 점수(Sentiment Score)를 보면:

  • 사건 전: 평균 감성 점수 -0.55 (부정적)
  • 사건 발생 직후: -0.20으로 급상승 (부정 감소)
  • 사건 후 1주일: -0.35에서 안정화

👉 즉, 트럼프에 대한 대중의 부정적 감정이 사건 이후 줄어들었으며, 단기적으로 동정심이 강하게 작용했다는 것을 의미합니다.

💡 정치적 성향에 따른 차이는?

  • 레드 스테이트(Red States): 사건 후 감성 점수 상승폭이 가장 큼
  • 블루 스테이트(Blue States): 사건 후 감성 개선이 있었지만 상대적으로 적음
  • 스윙 스테이트(Swing States): 블루 스테이트와 유사한 패턴을 보임

📢 중요한 점:

  • 사건 이후 트럼프에 대한 감정이 긍정적으로 변했지만, 특정 정당 지지층이 더 강한 반응을 보이거나 극단적인 분열이 발생하지 않았다.
  • 이는 기존의 정치적 양극화(Popularization) 가설보다는 **‘동정(Sympathy) 가설’**이 더 타당함을 시사합니다.

2️⃣ 사건이 정치적 성향과 관계없이 감성 변화에 영향을 미쳤는가?

📌 차이-차이(DiD) 분석 결과

  • 사건 이후 감성 점수는 모든 주에서 상승했으며,
  • 레드 스테이트와 블루 스테이트 간 감성 변화 차이는 통계적으로 유의미하지 않음
    즉, 정치적 성향과 관계없이 전반적인 감성 변화가 나타남.
  • 위약(Placebo) 테스트에서도 비슷한 결과가 나왔으며, 이 감성 변화가 단순한 시간적 트렌드가 아니라 암살 시도 사건에 의한 직접적인 효과라는 점을 확인할 수 있었습니다.

📢 결론:
✅ 트럼프에 대한 여론 변화는 특정 정치 세력만의 반응이 아닌, 보다 보편적인 반응이었다.
✅ 이는 미국 정치의 분열이 이번 사건에서는 크게 작용하지 않았다는 것을 시사한다.


3️⃣ 사람들은 사건 전후로 어떤 주제를 이야기했을까?

📌 가장 많이 논의된 10개 주제 (주제별 게시물 수)

  1. 암살 시도(23,330)
  2. 트럼프 관련 기도(2,924)
  3. 트럼프 논란(21,723) – 사건 후 감소
  4. 공화당 선거 관련 논의(6,265) – 사건 후 증가
  5. 민주당 선거 관련 논의(11,954)
  6. MAGA(20,377)
  7. 미디어 반응(4,900)
  8. 국제 정치(2,777)
  9. 사회 문제(3,228)
  10. 일반적인 선거 이야기(16,458)

👉 특이점
✔️ 트럼프 논란(비판) 관련 게시물은 급감
✔️ "Pray for Trump" 관련 게시물 급증 → 감성적으로 응원하는 분위기 증가

📢 결론
트럼프에 대한 비판이 줄어들고, 개인적인 동정과 지지가 늘어남
감정적 담론(기도, 걱정)이 급증하며, 정치적 논쟁이 일시적으로 줄어드는 경향


🎯 최종 결론

🔹 트럼프 암살 시도 이후, 여론은 ‘양극화’가 아니라 ‘동정’으로 변화했다.
🔹 사건 후 트럼프에 대한 부정적 감정이 감소하며, 정치적 성향과 무관하게 비슷한 패턴을 보였다.
🔹 토픽 모델링 분석 결과, 사건 이후 트럼프 논란이 줄어들고 응원과 기도가 급증했다.

👉 결국, 이 사건은 트럼프에 대한 대중 정서를 통합하는 방향으로 작용했다.