OTT는 분석하고 지상파는 감상한다: 드라마 ‘무빙’의 유튜브 요약형 파생 콘텐츠로 본 콘텐츠 반응의 차이

2-1 방송 매체와 콘텐츠 트렌드 변화

1990년대 이후 방송 매체의 발전은 5단계로 구분된다. 1단계인 도입기는 1990년부터 2010년으로 지상파 방송의 전성시대이며, 2단계는 2011년부터 2016년으로 케이블TV와 종합편성채널의 등장 시기다. 이후 OTT가 등장하여 3단계인 2016년부터 2019년은 넷플릭스의 한국 진출 단계, 4단계인 2020년부터 2021년은 콘텐츠가 OTT, 지상파, 케이블TV를 통해 동시 방영되고, OTT 오리지널 시리즈가 제공되는 특징이 있다. 5단계는 2021년 이후 넷플릭스 이외에 디즈니+, 티빙 등 OTT 플랫폼이 무한 경쟁 시대에 돌입한 시기다[9].

OTT 플랫폼이 무한 경쟁을 시작한 5단계 이후에는 유료 OTT 이용자 수가 증가하는 반면 케이블TV, IPTV 등 기존 미디어의 유료 가입자 증가율이 감소하여 OTT 서비스가 주요 방송 매체로 전환되었다[10]. 한국콘텐츠진흥원의 ‘2023 OTT 이용행태 조사’에 따르면 조사 대상의 86.5%는 OTT를 이용하고 있으며, 55.2%는 비용을 지불하고 OTT를 이용하고 있다고 응답했다. 이용하는 OTT는 무료의 경우 유튜브(77.9%), 아프리카TV(1.7%), 카카오TV(1.7%) 순으로, 유료의 경우 넷플릭스(50.0%), 티빙(13.2%), 쿠팡플레이(10.9%), 디즈니+(8.8%), 웨이브(8.6%), 왓챠(3.0%) 순으로 이용하여 다른 OTT에 비해 유튜브와 넷플릭스 이용 편중이 큰 것으로 나타났다[11].

높은 점유율의 넷플릭스는 콘텐츠 트렌드를 선도하고 있다. 2023년에 유료 OTT 서비스 이용자는 ‘더 글로리(넷플릭스 방영)’, ‘D.P.(넷플릭스)’, ‘킹더랜드(넷플릭스, 티빙, 유플러스 모바일 TV)’, ‘오징어게임(넷플릭스)’, ‘경이로운 소문(넷플릭스, 티빙)’ 순으로 즐겨 시청한 것으로 나타났다[11]. 순위 상위권에 있는 모든 콘텐츠는 넷플릭스에서 방영 중이며, 특히 인기 콘텐츠 상위 다섯 편 중 세 편(더 글로리, D.P., 오징어게임)은 넷플릭스 오리지널 시리즈로 넷플릭스를 구독한 이용자만 시청할 수 있다. 순위권 상위에 있는 콘텐츠는 넷플릭스 오리지널 시리즈이거나 넷플릭스 동시 방영 콘텐츠로, 콘텐츠 소비에서 넷플릭스의 영향력이 크게 나타나고 있는 것을 확인할 수 있다[12].

OTT 플랫폼은 이용자의 기대 요인, 시청 콘텐츠 유형 등을 기준으로 넷플릭스와 넷플릭스 이외의 플랫폼으로 구분하여 볼 수 있다. 첫 번째, 기대 요인의 경우 넷플릭스는 다른 플랫폼에서 볼 수 없는 오리지널 콘텐츠와 콘텐츠 독창성이 OTT 이용률에 중요한 역할을 하는 반면, 티빙과 웨이브는 콘텐츠의 양, 다양성, 최신성 등의 여러 요소가 OTT 이용률에 복합적인 영향을 주고 있다[13]. 두 번째, 시청 콘텐츠 유형의 경우 넷플릭스는 해외 드라마나 오리지널 콘텐츠를 시청하고, 넷플릭스 이외의 플랫폼의 경우 국내 방영 TV 드라마나 예능을 보는 것으로 나타났다[14].

디즈니+는 제공하는 콘텐츠의 성격은 넷플릭스와 유사하지만, OTT 이용률은 넷플릭스 이외의 플랫폼과 비슷한 규모인 양가적 특성을 가지고 있다. 오리지널 콘텐츠에 대한 콘텐츠 지식재산권(IP, Intellectual Property) 확대를 정책으로 하는 넷플릭스와 마찬가지로 디즈니+도 오리지널 콘텐츠의 세계관을 바탕으로 하는 팬덤 플랫폼 전략을 펼치고 있다[15]. 디즈니+가 ‘월트디즈니 컴퍼니 코리아’와 같이 현지화를 하는 경우에도 기존의 디즈니 작품과 형식과 성격을 유지하는 콘텐츠를 제작하는 것이다. 하지만 2025년 1월 OTT 사용 시간 점유율에 따르면 시청자는 넷플릭스(61.1%), 티빙(16.5%), 쿠팡플레이(10.2%), 웨이브(9.0%), 디즈니+(2.5%), 왓챠(0.7%) 순으로 이용하여 디즈니+ 이용률은 국내 OTT 플랫폼보다 낮은 것으로 나타났다[16]. 오리지널 콘텐츠를 주요 정책으로 내세우고 있지만 OTT 플랫폼 이용률이 높지 않기 때문에 디즈니+ 오리지널 시리즈가 인기를 얻게 되면 사회적 트렌드에서 배제되는 경험을 하는 사람들이 많아지는 상황이 발생한다.

2-2 사회적 소속감을 위한 유튜브 콘텐츠의 활용

OTT 오리지널 시리즈가 콘텐츠 트렌드의 중심이 되면서 원 콘텐츠에 대한 리뷰, 감상 등의 파생 콘텐츠도 증가하고 있다. 유튜브에 업로드 된 파생 콘텐츠는 드라마나 영화의 원본 영상을 짧은 분량으로 편집하고, 이해를 돕기 위한 부가 설명과 자막이 추가되어 원본에 변형이 발생한 콘텐츠다[17]. 유튜브에 업로드된 OTT 오리지널 콘텐츠 관련 영상은 OTT 콘텐츠를 요약하거나 설명하는 파생형 콘텐츠와 OTT 콘텐츠에 대한 감상을 공유하는 반응형 콘텐츠로 구분할 수 있다[18]. 유튜브 파생형 콘텐츠는 누구나 무료로 시청할 수 있기 때문에 OTT를 구독하지 않은 사람도 OTT 오리지널 시리즈에 대한 정보를 얻을 수 있다.

파생형 콘텐츠 중 드라마의 줄거리를 요약하여 제공하는 요약형 파생 콘텐츠는 줄거리의 서사 구조, 등장인물의 성격, 등장인물 간의 관계 등을 분석하는 정보 제공과 통찰을 목적으로 한 콘텐츠다[19]. 요약형 파생 콘텐츠는 원 드라마를 시청한 사람과 시청하지 않고 파생 콘텐츠를 접하는 사람으로 구분된다. 드라마를 시청한 사람은 유튜브 크리에이터의 설명을 듣고 드라마에 대한 추가 정보를 얻어 정보적 요구를 충족하고, 드라마를 시청하지 않은 사람은 크리에이터의 설명이 덧붙여진 정보를 통해 드라마를 처음 접하게 된다. 정보성의 성격을 가진 요약형 파생 콘텐츠를 통해 시청자는 드라마에 대한 주관적이고 다양한 해석의 틀을 알게 된다. 크리에이터의 주관적인 해석의 틀과 다른 시청자들이 올린 의견을 통해 드라마에 대해 사회적으로 공유된 인식을 확인하는 것이다[19]. 이때 시청자가 얻은 정보는 파생 콘텐츠의 내용, 다른 사람들이 누른 ‘좋아요’ 수, 게시된 댓글 등의 상호작용을 종합하여 획득한 정보다[20]. 요약형 파생 콘텐츠 시청자는 크리에이터의 해석과 다른 시청자의 반응을 바탕으로 드라마에 대한 자신의 생각을 구조화된 형태로 정리하여 드라마에 대한 논의를 이어가는 사회적 상호작용을 한다[19].

요약형 파생 콘텐츠는 좋아요 등 이용자의 소극적 인게이지먼트를 증가시켜 요약 내용이 제공하는 줄거리의 핵심 포인트를 통해 시청자의 반응을 유도한다[18]. 콘텐츠를 보면서 줄거리를 체계적으로 이해하게 되고, 캐릭터와 서사 구조에 대한 통찰을 제공하여 콘텐츠를 통한 문화적 교류와 사회적 상호작용을 하는 것이다[19]. 사회적 배제를 경험해 본 강도가 높은 사람일수록 요약형 파생 콘텐츠에 의존하는 정도가 강하고, 시청 횟수도 많다[6],[21]. 또한 파생 콘텐츠를 시청하는 사람일수록 복수의 OTT 플랫폼을 동시에 구독하고 있어 파생 콘텐츠가 사회적 소속감을 유지하는 하나의 요소로 작용하고 있는 것으로 나타났다[22].

2-3 유튜브 댓글의 특성

유튜브 콘텐츠가 이용자에게 미치는 영향을 분석하는 방법으로 콘텐츠의 메타데이터인 조회수, ‘좋아요’ 수, 댓글의 개수, 댓글 내용 등 다른 이용자들과 함께 만들어낸 복합적인 상호작용의 기록의 분석하는 방법이 있다[23]. 특히 동영상 메타데이터 중 댓글은 동영상 확산과 소비 네트워크를 형성하는 역할을 한다. 특정 이용자가 댓글을 게시하는 콘텐츠 간에는 네트워크가 형성되며, 네트워크 안에 있는 동영상의 내용, 메타데이터, 이용자 현황 등을 토대로 네트워크의 공통 분모가 만들어지는 것이다[24]. 사람들이 유튜브 콘텐츠 네트워크 안에서 콘텐츠에 대한 이야기를 나눌수록 OTT 콘텐츠를 소비하는 것으로 나타났다. 콘텐츠 관련 댓글에는 콘텐츠를 시청한 즐거움과 흥미 등의 감정을 이야기하는 유희성과, 댓글의 콘텐츠에 대한 긍정적인 분석과 부정적인 분석이 모두 있는 중립성이 있는데, 네트워크를 통해 공유하는 OTT 콘텐츠 관련 유희적인 댓글과 중립성의 댓글 모두 OTT 콘텐츠 시청에 영향을 주었다. 특히 유희성 댓글은 중립성 댓글보다 OTT 소비와 높은 연관성을 가져 OTT 소비를 촉진하는데 유희성 댓글이 중요한 요소로 나타났다[25]. 이에 본 연구는 유튜브의 메타데이터 중 댓글 분석을 통해 디즈니+ 독점 공개 시기와 지상파 방영 시기에 콘텐츠를 소비하는 방식을 알아보고자 했다.

댓글 데이터의 전처리 과정을 위해 악성 댓글의 특성을 정리하였다. 악성 댓글 판별 모델 성능 평가에 대한 연구에 따르면 명사만 추출했을 때 보다 명사-형용사 조합으로 추출한 경우 높은 정확도를 보였으며, 동사를 제거하는 경우 모델 성능이 올라가 최적의 댓글 정제 방식을 ‘명사+형용사-동사’로 제안했다[26]. 형태소 분석에 따른 악성 댓글의 특성에 대한 연구에 따르면 악성 댓글에는 형태소가 아닌 이모지(Emoji), 단순한 자음과 모음의 나열, 특수문자, 숫자 등이 포함되었다[27].

댓글의 내용 관련한 연구는 댓글 길이, 응집도, 어조 등으로 정리할 수 있다. 일반적으로 댓글의 길이가 길어질수록 비속어가 많이 포함되어 댓글의 건전함의 정도가 낮아져 댓글의 길이와 내용의 건전함이 반비례인 것으로 나타났다[27]. 아름답다, 멋있다 등의 외모에 대한 평가를 하는 단어는 이모지, 느낌표, 대문자, 말을 길게 늘어뜨리는 문법 파괴 등 의미를 증폭시키고 강화하는 표현과 함께 등장했다. 특히 외모와 관련된 댓글은 짧은 시간 안에 연달아 게시되면서 시각적으로 밀집되고 응집된 댓글로 보이도록 하고, 이러한 시각적 효과는 보는 사람으로 하여금 댓글의 의미를 강하게 느끼게끔 한다[28]. 댓글의 어조에 대한 연구에 따르면 공격적인 단어로 글을 남기는 것이 콘텐츠에 대한 비난을 의미하지는 않는 것으로 나타났다. 공격적인 단어는 시선을 끌기 위해 사용되기도 하며, 오히려 우호적이고 부드러운 어조의 댓글에 대상에 대한 비난이나 비판이 담기는 경향이 있다[29].

유튜브 패러디 영상에 나타난 댓글 분석에 따르면 동영상에 대한 감사의 표현, 패러디 내용에 대해 긍정적으로 댓글, 느낌표와 ‘하하하’와 같은 웃음 표현은 콘텐츠에 대한 ‘정서적 동조’를 의미한다[28]. 이러한 댓글은 콘텐츠에서 제시한 감정과 관점에 공감하는 유형의 댓글로 볼 수 있다. 드라마 리뷰와 시청률과의 상관관계에 대한 연구에 따르면 비속어와 자극적인 댓글, 대사나 연기 등 드라마 외적인 의견 표명, 배우의 외모, 표정, 눈빛 등에 대한 칭찬, 연기력에 대한 평가, 드라마 내용에 대한 비판이 시청률과 유의미한 상관관계가 있다고 한다[30]. 이 중에서 배우의 외모, 표정, 눈빛 등에 대한 칭찬을 하는 댓글과 드라마 내용에 대한 비판의 댓글의 경우 시청률이 상승하는 것으로 나타나 배우에 대해 애정을 가지고 있거나 줄거리가 자극성이 높은 경우 시청자가 계속해서 원 콘텐츠를 시청하는 것으로 나타났다.

3-1 데이터 수집 및 전처리

본 연구는 OTT 오리지널 시리즈의 공개 방식에 따른 유튜브 요약형 파생 콘텐츠 소비 양상을 분석하기 위하여 디즈니+‘무빙’의 요약형 파생 콘텐츠를 연구 대상으로 선정하였다. 연구 대상은 ‘이 영상은 디즈니+의 저작권 허가를 받고 제작되었습니다’, ‘본 영상은 유노북스의 지원으로 제작되었습니다’ 등 저작권 관련 문구를 게재한 영상 3건, ‘드라마 무빙은 디즈니+를 통해 시청 가능합니다’, 디즈니플러스 해시태그 등 드라마 ‘무빙’에 대한 문구를 게재한 영상 4건, 저작권과 디즈니+에 대한 문구가 없는 영상 3건으로 구성되어 있다.

Python3.9를 활용하여 ‘무빙’ 관련 유튜브 콘텐츠의 제목, 조회수, 댓글 수, 재생 시간 및 업로드를 웹스크래핑 방식으로 수집했다. 요약형 파생 콘텐츠만 수집하기 위해 동영상 재생 시간은 10분 이상인 동영상만 필터링하도록 선정하고, 조회 수가 높은 순으로 정렬되도록 했다. 이후 조회수가 100,000회 이상인 동영상 10건에 대해 LangDetect, Requests, BeautifulSoup, Pandas 등의 라이브러리를 활용하여 한국어 댓글과 댓글 작성 날짜를 선별하여 수집하는 과정을 거쳤다. 수집된 원본 댓글 3,312개 중 중복 작성과 결측치를 제거한 3,296개에 대한 전처리 과정을 진행했다.

Table 1.

Summary-type derivative contents of drama ‘Moving’

데이터 전처리를 위해 이모지, URL(Uniform Resource Locator), 타임스탬프(Time stamp), 특수문자, 불필요한 공백을 제거하고, 배우 이름, 등장인물, 장소 등의 명칭이 띄어쓰기 보정 과정에서 분리되지 않도록 고유명사 보호 설정을 하였다. 보호된 고유명사는 ‘봉석’, ‘조인성’, ‘고윤정’, ‘구룡포’ 등 인물과 장소에 관련된 명사 뿐만 아니라 ‘번개맨’, ‘초능력’, ‘세계관’ 등 드라마 줄거리와 관련된 단어들 중 토큰화 과정에서 분리가 되는 단어도 포함하였다. 고유명사 보호 후 띄어쓰기를 보정하고, KoNLPy를 실행하여 형태소 단위로 토큰화를 진행하여 조사나 어미 등의 불필요한 토큰과 불용어를 제거하였다. 이후 동사와 형용사 형태를 ‘~다’로 정리하고, 유의어 처리를 마치고 고유명사 보호를 해제한 토큰에 대해 Okt 라이브러리를 사용하여 품사를 태그하였다. 전처리 과정 후 남은 댓글 3,136개에 대한 분석을 진행하였다.

3-2 디즈니+ 독점 공개와 MBC 방영 시기에 따른 댓글 분류

디즈니+에서 ‘무빙’을 독점 공개하던 시기에 요약형 파생 콘텐츠에 대한 이용자 반응과 지상파에서 무료로 방송이 된 시기의 반응을 비교하기 위하여 댓글을 작성 시기에 따라 두 개의 그룹으로 분류하였다. 이에 MBC 방영일인 2024년 12월 22일 이전에 작성된 댓글을 Group 1으로, 2024년 12월 22일 이후에 작성된 댓글을 Group 2로 분류하기 위해 댓글 작성 시기를 정리하였다. 유튜브는 정확한 댓글 작성 날짜를 표시하지 않고 ‘1년 전’, ‘6개월 전’, ‘1일 전’ 등의 시기만 표시하고 있기 때문에 데이터 수집을 진행한 2025년 2월 27일 기준으로 ‘2개월 전’보다 오래 전에 작성된 댓글을 디즈니+ 독점 공개 당시 작성한 댓글로 구분하였다.

댓글 3,136개 중 디즈니+독점 공개 시기에 작성된 댓글은 2,494개, MBC 방영 이후 작성된 댓글은 642개였다. 댓글에 대한 기초 통계 검증 결과 댓글 3,136개는 평균 9.41단어, 중앙값 6단어, 최대값 164단어, 최소값 1단어, 표준편차 11.37로 Shapiro-Wilk Test p-value 0.0, Kolmogorov-Smirnov Test p-value 0.0으로 p-value가 너무 작아 정규성을 따르지 않는 것으로 나타났다. 정규성이 기각되어 본 연구에서는 정규 분포를 가정하지 않는 Mann-Whitney U test를 진행했다. 검정 결과 디즈니+ 독점 공개 시기 평균 댓글 단어 수 10.07개, MBC 공개 이후 평균 댓글 단어 수 6.84개, u-test 965950.00, p-value 0.0으로 두 그룹 간 댓글의 기초 통계가 유의미한 차이가 있는 것으로 나타났다.

3-3 TF-IDF 분석, 키워드 네트워크 분석 및 토픽 모델링

댓글 작성 시기에 따라 댓글에 나타난 단어의 분포를 보기 위하여 TF-IDF 분석을 시행하였다. TF-IDF는 단어의 빈도(Term Frequency)와 단어의 역문서 빈도(Inverse Document Frequency)를 곱해서 해당 단어가 데이터에서 얼마나 중요한 단어인지를 수치로 나타내는 것이다. IDF는 전체 댓글 단어들 중에서 특정 단어가 얼마나 희귀한지를 판단하는 수치로, 자주 등장하는 단어는 중요도가 낮고 드물게 등장하는 단어를 데이터의 특징을 나타내는 것으로 보는 것으로 핵심 키워드 추출, 댓글 분석 등에 활용되고 있다. TF-IDF는 ‘ㅋㅋㅋ’, ‘ㅠㅠ’ 등의 감정 표현을 포함한 전체 토큰을 대상으로 TF-IDF를 진행하여 두 그룹에서 가장 중요한 단어를 비교하였다. 분석을 위해 Pandas, NumPy 등의 라이브러리를 활용하여 TF-IDF를 벡터화하고, 두 그룹별 평균 TF-IDF 계산 후 t-value를 추출하고, p-value가 0.05 보다 낮은 결과만 도출하였다.

댓글에 나타난 키워드 간의 구조적 패턴을 파악하기 위하여 키워드 네트워크 분석을 시행하였다. 분석을 위해 ‘ㅋㅋㅋ’, ‘ㅠㅠ’ 등의 감정 표현을 제거하고 품사를 정제한 명사, 형용사 토큰에 대해서 빈도수가 높은 키워드 중 threshold가 15회 이상인 단어 50개를 네트워크로 구성하였다. 키워드가 네트워크 중심에서 얼마나 가까운지 알아보기 위해 연결 중심성(Degree Centrality), 매개 중심성(Betweenness Centrality), 근접 중심성(Closeness Centrality)의 평균을 계산하여 평균 중심성 값 구축하였다. 연결 중심성이 높으면 연결된 키워드의 수가 많으며, 매개 중심성이 높으면 네트워크 안에서 다른 키워드를 이어주는 경로로 자주 등장을 하며, 근접 중심성이 높으면 키워드가 중요한 키워드와 연결되어 있음을 의미한다. 키워드 간 연결이 거의 없어 degree가 1 이하인 노드는 의미 있는 네트워크 관계를 형성하지 않기 때문에 제외했다. 네트워크 양상을 보기 위해 Matplotlib 등의 라이브러리를 활용하여 두 시기에 모두 핵심 키워드로 등장한 키워드, 디즈니+ 독점 공개 시기에만 상위 키워드로 등장한 키워드, MBC 방영 이후에만 상위 키워드로 등장한 키워드, 어느 시기에도 상위 키워드로 분류되지 않는 키워드 등 네 개의 그룹으로 구분하여 시각화하였다.

댓글 작성 시기에 따른 주요 댓글 토픽을 분석하기 위해 LDA(Latent Dirichlet Allocation) 알고리즘을 적용한 토픽 모델링을 시행하였다. 디즈니+ 독점 공개 시기와 MBC 방영 이후 시기의 최적의 토픽 개수를 계산하기 위해 전처리된 토큰으로 단어 사전을 만들어 서로 다른 수를 가진 LDA 모델을 학습시켰다. 모델의 일관성 점수(Coherence score), 혼란도(Perplexity), 토픽 간 중복도(Jaccard similarity, Cosine similarity)에 따라 그룹별 최적의 토픽 개수를 확인하고, 이를 바탕으로 토픽별 댓글 내용을 정리하였다.

4-1 디즈니+ 독점 공개 시기와 MBC 방영 이후 등장 단어 비교

댓글 작성 시기에 따라 댓글에 나타나는 단어의 빈도수와 중요도를 파악하기 위해 TF-IDF 분석을 시행하였다. 감정 표현을 포함한 전처리된 데이터 전체에 대하여 디즈니+ 독점 공개 시기에 작성한 댓글의 TF-IDF, MBC 방영 이후 작성한 댓글의 TF-IDF 값을 계산하여 워드 클라우드로 단어 분포를 시각화하였다. 그룹별 의미 있게 등장한 단어를 보기 위해 두 그룹 간 차이가 통계적으로 유의미하고 비모수 검정으로 두 그룹의 분포 차이가 통계적으로 유의미한 단어를 산출하였다.

분석 결과, ‘한효주’, ‘조인성’, ‘드라마’, ‘디즈니’, ‘브릿지’는 디즈니+ 독점 공개 시기에 특징적으로 나타났으며, ‘감사’, ‘희수’, ‘봉석’, ‘편집’은 MBC 방영 이후 유의미하게 높은 반응이 나왔다. ‘한효주’의 TF-IDF는 디즈니+ 독점 공개 시기 0.02577, MBC 방영 이후 0.00735이며 t-value가 5.68로 디즈니+에서 독점 공개한 시기에 자주 등장했다. ‘조인성’의 TF-IDF도 디즈니+ 독점 공개 시기 0.02114, MBC 방영 이후 0.00636, t-value 5.60으로 ‘한효주’와 같은 결과가 나와 드라마가 처음 공개된 시기에는 등장하는 배우에 대한 언급이 많았던 것을 확인할 수 있었다. ‘드라마’의 디즈니+ 독점 공개 시기의 TF-IDF는 0.02469로 MBC 방영 이후 TF-IDF인 0.01172와 유의미한 차이를 보이며 방영 초반 댓글에 더 많이 등장했다. ‘디즈니’의 TF-IDF는 디즈니+ 독점 공개 시기 0.01374, MBC 방영 이후 0.00481로 디즈니+에서 독점 공개한 시기에 유의미하게 많이 등장했다. 반면 ‘MBC’의 디즈니+ 독점 시기와 MBC 방영 이후의 TF-IDF가 각각 0.00000, 0.00294로 MBC 방영 이후 처음 등장한 단어이지만 p-value값이 0.092로 두 그룹 간 차이가 유의미하지 않은 것으로 나타나 방영 매체가 OTT인 경우 매체에 대한 언급이 유의미하게 많은 것을 확인할 수 있었다. ‘브릿지’는 무빙의 후속작 제목으로 디즈니+ 독점 공개 시기의 TF-IDF는 0.01168, MBC 공개 이후 0.00300으로 드라마 공개 초반에 후속작과 드라마 줄거리에 대한 댓글이 많은 것으로 나타났다.

디즈니+ 독점 공개 시기에는 ‘한효주’, ‘조인성’ 등 배우 본명이 많이 등장한 반면, MBC 방영 이후에는 ‘희수’, ‘봉석’과 같은 극중 이름이 많이 등장했다. ‘희수’의 TF-IDF는 디즈니+ 독점 공개 시기 0.00906, MBC 방영 이후 0.01871, t-value -2.29로 MBC 방영 이후의 시기에 자주 등장했다. ‘봉석’의 TF-IDF는 디즈니+ 독점 공개 시기와 MBC 방영 이후 각각 0.010096, 0.02058이고 t-value –2.23으로 지상파 방영 이후 시기에 유의미하게 언급된 단어로 해석된다. 키워드 ‘감사’는 TF-IDF 디즈니+ 독점 공개 시기 0.01195, MBC 방영 이후 0.02489로 MBC 방영 이후 등장 빈도가 더 높았다. 댓글의 ‘감사’는 “와 너무 재밌습니다. 감사합니다. 많이 울었습니다.”, “와~이리 긴 영상을 편하게 잘 봤습니다 감사합니다”, “감사히 잘 봤습니다 ㅎㅎ” 등 요약형 파생 콘텐츠 업로더에 대한 감사의 표현에 등장한 단어다. ‘무빙’은 지상파에서 방영되면서 수위가 높은 액션신이나 잔인한 장면이 블러 처리되고 욕설이 무음 처리되는 등 방송심의에 관한 규정에 따른 추가 편집이 발생했다. 반면 유튜브의 파생 콘텐츠는 디즈니+원본으로 만든 영상이 그대로 올라와 있어 시청자가 댓글을 통해 이에 대한 감사를 표현한 이용자의 반응으로 볼 수 있다. 이러한 반응은 키워드 ‘편집’에서도 나타났는데, ‘편집’의 TF-IDF는 디즈니+ 독점 공개 시기 0.00457, MBC 방영 이후 0.01407이며 t-value –2.62로 MBC 방영 이후 ‘편집’이 더 많이 등장한다. 댓글에서 등장한 ‘편집’은 요약형 파생 콘텐츠의 편집에 대하여 “편집과 해설이 최고에요”, “편집 무한 감사”, “편집을 잘한건지 너무 재밌게 봤네 그동안 봐왔던 짤들이 무빙이었구나 이제 알았네” 등으로 언급됐다. 재미에 대한 감정 표현인 ‘ㅋㅋㅋ’의 TF-IDF는 두 시기 간 차이가 존재하지만 그 차이가 유의미하지 않은 것으로 나타났다.

Fig. 1.

Word cloud analysis of TF-IDF for comments written when ‘Moving’ was only available on Disney+*The data was collected from Korean content, so the words in the word cloud are Korean

Fig. 2.

Word cloud analysis of TF-IDF for comments written when ‘Moving’ was broadcast on terrestrial television*The data was collected from Korean content, so the words in the word cloud are Korean

4-2 키워드 중심성과 연결 구조 분석

댓글에 출현 빈도가 높은 단어들의 연관 구조를 알아보기 위해 키워드 네트워크를 분석하고 시각화하였다. 시각화된 키워드의 원의 크기가 클수록 출현 빈도가 높고 네트워크 중심에 가까우며, 키워드와 키워드 간 거리가 가까울수록 같은 댓글에서 함께 자주 등장한다. 그림 3은 모든 시기에 주요 키워드로 제시된 단어, 디즈니+ 독점 공개 시기의 주요 키워드, MBC 방영 이후 주요 키워드, 기타(어느 시기에도 상위 키워드가 아닌 단어)로 구분하여 시각화하였다. 모든 시기에 키워 중심성이 높았던 단어와 디즈니+ 독점 공개 시기에 중심성이 높았던 단어는 네트워크의 중심에 위치해 있어 댓글에서 해당 키워드가 전반적인 이야기의 중심축 역할을 하고 있음을 알 수 있다. 반면 MBC 방영 이후 댓글에 나타난 주요 키워드는 네트워크의 주변부에 위치하여 다른 키워드들과 연결도가 낮고, 한정된 맥락에만 등장한다.

Fig. 3.

Keyword network analysis for comments during all periods*The data was collected from Korean content, so the words in the keyword network are Korean

키워드 분석 결과를 연결 중심성, 매개 중심성, 근접 중심성의 수치로 정리하면 ‘재미’(연결 중심성 0.5455, 매개 중심성 0.2857, 근접 중심성 0.6475)가 중심성이 가장 높은 키워드였다. ‘재미’ 다음으로 ‘무빙’(0.500, 0.2374, 0.6162), ‘드라마’(0.5227, 0.2035, 0.6263), ‘진짜’(0.3409, 0.0965, 0.5537), ‘연기’(0.1932, 0.0454, 0.4994) 등이 네트워크에서 중심성이 높은 키워드로 파악되었다. 중심성이 높은 상위 5개의 키워드는 두 시기 모두 중심 키워드였으며, 디즈니+ 독점 공개 시기에 중심성이 높았던 단어는 ‘강풀’(0.1932, 0.0274, 0.4867)이었다. ‘강풀’ 다음으로 ‘느낌’(0.1136, 0.0312, 0.4659), ‘디즈니’(0.1023, 0.0254, 0.4548), ‘원작’(0.1136, 0.0031, 0.4631), ‘브릿지’(0.1250, 0.0046, 0.4495)가 디즈니+ 독점 공개 시기에 중심 키워드로 나타났다. MBC 방영 이후 중심성이 가장 높았던 단어는 ‘내용’(0.0568, 0.0000, 0.4317)이며, 이어서 ‘마지막’(0.0455, 0.0001, 0.4064), ‘최고’(0.0341, 0.0000, 0.4153), ‘감사’(0.0227, 0.0212, 0.3879)가 중심 키워드인 것으로 파악되었다.

키워드 ‘재미’, ‘무빙’, ‘드라마’는 연결 중심성, 매개 중심성, 근접 중심성이 높은 것으로 나타났다. 이는 연결 중심성이 50% 이상으로 다양한 키워드가 연결되어 있고, 매개 중심성이 20% 이상으로 이 키워드를 거쳐가는 키워드가 20% 정도이며, 근접 중심성이 60% 이상으로 대부분의 키워드들과 가까운 거리에 위치하여 댓글의 핵심 키워드인 것으로 나타났다.

중심성 수치 중에서 매개 중심성 수치가 가장 낮았으며 상위 50개 키워드 중에서 매개 중심성 수치가 0.0인 키워드가 19개로, 네트워크의 중심 역할을 하는 키워드는 특정 주제에 집중적으로 나타나며, 다른 주제를 연결하여 주제 흐름을 매개하지는 않은 것으로 나타났다. 특히 MBC 방영 이후 중심성이 높았던 ‘내용’, ‘최고’ 등의 매개 중심성은 0.0으로 MBC 방영 이후 게시된 댓글의 핵심 키워드는 여러 댓글에 자주 등장하지만 네트워크의 중심에 위치하지 않는 것으로 나타났다.

4-3 디즈니+ 독점 공개 시기와 MBC 방영 이후 토픽 비교

댓글 시기에 따른 주요 주제를 알아보기 위해 디즈니+ 독점 공개 시기와 MBC 방영 이후 댓글의 일관성 점수, 모델의 혼란도, 토픽 간 중복도를 계산하여 시기별 최적의 토픽 수를 산출하였다. 디즈니+ 독점 공개 시기의 최적의 토픽 수는 2개, MBC 방영 이후 최적의 토픽 수는 4개로 토픽별 주요 키워드를 정리하였다.

토픽 모델링으로 디즈니+ 독점 공개 시기의 댓글을 분석한 결과, 2~10개의 토픽 수를 가진 모델 중에서 2개 토픽을 가진 모델이 일관성 점수 0.4394로 가장 높은 일관성을 나타냈다. 모델의 혼란도는 토픽이 2개일 때 –7.51에서 점차 감소하여 토픽이 10개일 때 –8.65로 점진적 감소를 보였다. 토픽 수 2개에 대한 중복도를 계산한 결과 Jaccard similarity와 Cosine similarity 모두 0.0으로 토픽 간 겹치는 단어가 없고 단어 분포가 완전히 다른 것으로 나타나 디즈니+ 독점 공개 시기의 댓글 토픽 수를 2개로 정했다. 첫 번째 토픽은 ‘능력, 정말, 감사, 빌드업, 드라마, 영화, 하나, 진짜, 사람, 초능력’의 단어로 구성되어 있으며, 주인공의 능력과 초능력이 빌드업되는 드라마 줄거리에 대한 반응을 나타낸다. 두 번째 토픽은 ‘재미, 무빙, 진짜, 드라마, 연기, 고윤정, 차태현, 디즈니, 생각, 느낌’의 단어로 구성되어 있으며, 배우의 연기에 대한 감상평과 웹툰 원작과의 드라마를 비교한 리뷰 등 드라마에 대한 평가로 구성되어 있다.

MBC 방영 이후 댓글의 토픽 모델링 결과 8개 토픽 모델이 일관성 점수 0.6085로 가장 높은 일관성을 나타냈다. 그러나 토픽이 4개인 모델의 일관성 점수도 0.6067로 상대적으로 높은 일관성 점수를 보였기 때문에 혼란도와 토픽 간 중복도를 종합하여 토픽 수를 정했다. 모델의 혼란도는 토픽이 4개일 때 –7.37, 8개일 때 –7.63으로 큰 차이가 없어 토픽을 4개에 대한 중복도를 계산했다. 토픽 수 4개에 대한 중복도를 계산한 결과 Jaccard similarity는 0.0 또는 0.052로 약간의 단어가 중복되고, Cosine similarity는 0.0 또는 0.1로 단어 분포가 약간 유사한 것으로 나타나 MBC 방영 이후의 댓글 토픽 수를 4개로 정했다. 첫 번째 토픽은 ‘희수, 봉석, 고윤정, 버스, 무빙, 영화, 마지막, 장면, 드라마, 작품’의 단어로 구성되어 있으며, 주인공 이름과 드라마 장면에 대한 감상평으로 구성되어 있다. 두 번째 토픽은 ‘진짜, 능력, 연기, 무빙, 한효주, 이쁘다, 우리, 얼굴, 조인성, 고윤정’의 단어로 구성되어 있으며, 배우의 연기와 외모에 대한 평가로 구성되어 있다. 세 번째 토픽은 ‘재미, 감사, 영상, 시간, 진짜, 편집, 정말, 무빙, 배우, 덕분’으로 구성되어 있으며, 요약 파생 콘텐츠에 대한 감상 의견으로 구성되어 있다. 네 번째 토픽은 ‘무빙, 시즌, 사람, 진짜, 드라마, 최고, 재미, 슬프다, 생각, 시간’으로 드라마 줄거리에 대한 감상평으로 구성되어 있다.

Fig. 4.

Topic coherence score