전자상거래 위기 상황에서의 소비자 집단담론의 변화: 오픈채팅 기반 토픽, 감정 분석

텍스트 마이닝 기법은 대규모 텍스트 데이터로부터 잠재된 주제 구조와 담론의 흐름을 파악하는 강력한 도구로 자리 잡았다. LDA(Latent Dirichlet Allocation)는 가장 널리 활용되는 토픽모델링 기법으로, 문서 집합에서 통계적으로 유의미한 주제를 추출할 수 있다[8].

김갑수 외[9]은 Facebook과 Instagram 데이터를 활용하여 LDA 토픽모델링을 통해 AI 분야 연구 동향을 분석하였다. 이들은 소셜미디어상의 담론이 학술 논의와는 다른 양상을 보이며, 대중의 관심사가 시간에 따라 변화함을 확인하였다. 기록관리학 분야에서도 Twitter 데이터를 활용한 토픽모델링 연구가 활발히 이루어졌다. 2012년 대선 관련 트윗을 LDA로 분석하여 정치 담론의 주제 구조를 파악하였고[10], 정보보안 키워드를 중심으로 Twitter 데이터에 LDA와 HDP(Hierarchical Dirichlet Process)를 적용하여 보안 이슈의 동향을 추적한 사례도 존재한다[11].

대부분의 연구는 뉴스 기사나 공개 SNS 데이터를 대상으로 하였으며, 익명 메신저 공간에서의 담론 구조 분석은 드물다.

감정분석은 텍스트에 담긴 정서를 자동으로 분류하는 기술로, 위기 상황에서 집단 정서를 파악하는 데 유용하다. 초기 연구는 주로 긍정/부정의 이진 분류에 집중하였다. 영화 리뷰 데이터를 다층 감정 분류기로 분석하거나[12], OTT 서비스 리뷰를 텍스트 마이닝하여 경쟁 우위 요인을 도출하였다[13]. 두 연구 모두 이진 분류(긍정 및 부정)를 기반으로 하였으나, 복잡한 감정의 뉘앙스를 포착하는 데는 한계가 있었다.

이에 따라 다중 감정 분류 연구가 등장하였다. Strapparava & Mihalcea[14]는 6개 기본 감정(Anger, Disgust, Fear, Joy, Sadness, Surprise)을 분류하는 과제를 제안하였고, Bouazizi & Ohtsuki[15]는 Twitter 데이터를 대상으로 다중 감정 분류의 성능과 도전과제를 분석하였다. 이들은 짧은 텍스트와 비표준 언어 사용이 분류 정확도를 저하시킨다고 보고하였다.

한국어 감정분석은 BERT 기반 모델의 등장으로 비약적으로 발전하였다. KoBERT는 한국어 특화 사전학습 모델로, 감정 분류 과제에서 높은 성능을 보인다. 그러나 대부분의 연구는 상품 리뷰나 뉴스 댓글을 대상으로 하였으며, 위기 상황의 오픈채팅 메시지와 같은 구어체 중심의 실시간 대화 데이터에 대한 분석은 부족하다.

본 연구는 위기 상황에서 나타나는 담론의 변화를 정밀하게 파악하기 위하여, 두 가지 토픽 모델링 접근법을 병행하였다. 동적 토픽 모델링 연구에서는 시간 구간별로 독립적인 모델을 구축하는 방법과, 전체 코퍼스에서 일관된 토픽을 먼저 도출한 후 시간별 분포를 추적하는 방법이 사용된다[22]. 두 접근법은 각각 장단점을 지니므로, 본 연구는 이를 상호보완적으로 결합하였다.

첫째, 전체 데이터 기반 토픽 모델링(Primary Analysis)을 수행하였다. 수집된 전체 코퍼스를 대상으로 LDA 토픽모델링을 실시하여 토픽 구조를 산출하였다. 이는 동일한 분석 프레임 내에서 토픽의 해석적 일관성을 확보하기 위함이며, 시간 구간별로 독립 모델을 구축할 경우 발생하는 토픽 간 대응 관계(topic alignment) 문제를 방지할 수 있다[8]. 이후 시계열 분석에서 각 토픽의 상대적 증감 추이를 직접적으로 비교할 수 있도록 하는 기반이 된다.

전체 데이터 기반 접근법의 장점은 위기 전 기간에 걸쳐 지속적으로 논의된 핵심 주제를 안정적으로 포착하면서도, 일별 토픽 분포 계산을 통해 각 주제의 상대적 중요도가 시간에 따라 어떻게 변화하는지를 정량적으로 추적할 수 있다는 점이다. 이는 위기 담론의 구조적 안정성과 동적 변화를 동시에 이해하는 데 유리하다. 본 연구는 토픽 수(k)의 선정 과정에서 5~20개 구간을 탐색하여 LDA 토픽모델링을 반복 실행하였다. 각 모형에 대해 Coherence, Perplexity, Topic Diversity를 산출하고, 지표 값이 상대적으로 우수하면서 동시에 해석 가능성이 확보되는 범위를 후보로 설정하였다[23],[24]. 그 결과, Coherence와 Diversity가 안정적으로유지되면서 Perplexity가 과도하게 증가하지 않는 k=13 근처가 최적 범주로 확인되었다.

둘째, 주 단위 보조 토픽 모델링(Supplementary Analysis)을 수행하였다. 전체 데이터 기반 분석의 한계는 특정 시점에서만 나타나는 단기적(ephemeral) 토픽이 상대적으로 희석될 수 있다는 점이다[25]. 이를 보완하기 위해, 분석 기간을 일주일씩 총 12개 구간으로 구분하여 각 구간별로 독립적인 토픽모델링을 재수행하였다. 이를 통해 전체 모델링에서 포착되지 않았던 새로운 토픽의 출현을 확인할 수 있었다.

결과적으로, 본 연구는 전체 기반 토픽 정의를 통한 안정적 추적과 시기별 보조 분석을 통한 새로운 토픽 탐지라는 두 가지 접근을 결합함으로써, 위기 담론의 연속성과 변화를 모두 포착하고자 하였다.

감정 분류에는 한국어에 특화된 사전 학습 BERT 모델인 KoBERT를 활용하였다. 본 연구에서는 KoBERT를 기반으로, AI Hub에서 제공되었던 “한국어 감정 정보가 포함된 단발성 대화 데이터셋”을 이용해 미세조정(fine-tuning)을 수행하였다. 해당 데이터셋은 총 38,594개 문장으로 구성되어 있으며, 7개 감정 범주(Fear, Surprise, Anger, Sadness, Neutral, Happiness, Disgust)에 균형적으로 분포되어 있다. 구체적으로는 공포 5,468건, 놀람 5,898건, 분노 5,665건, 슬픔 5,267건, 중립 4,830건, 행복 6,037건, 혐오 5,429건이 포함되었다.

모델 학습 과정에서 입력 문장은 KoBERT 토크나이저를 통해 토큰화 및 인코딩되었으며, 이후 BERT 계층을 거쳐 CLS 토큰 벡터를 분류기 레이어(linear classifier)에 입력하였다. 분류기는 각 감정 클래스에 대한 logits을 산출하였으며, softmax 함수를 통해 확률 벡터를 출력하였다. 최종 감정 레이블은 확률 벡터에서 가장 높은 확률을 갖는 결과를 선택하는 방식으로 결정하였다. 이와 같이 구축된 모델은 한국어 대화문에서 감정을 7개 범주로 자동 분류할 수 있으며, 본 연구의 메시지 분석 과정에 적용되었다.

메시지 단위의 분류값을 시간축으로 집계하기 위해, 분석 기간을 일 단위로 분할하고 해당 날짜 t의 전체 메시지 수를 N_t, 감정 c로 분류된 메시지 수를 n_c,t로 두었다. 단순 건수는 일별 발화량 변화의 영향을 크게 받으므로, 메시지 볼륨 효과를 통제하기 위해 일별 감정 구성비 p_c,t=n_c,t/N_t를 기본 지표로 사용하였다[26]. 소표본일의 변동성을 완화하기 위해 이동평균을 적용하였으며[27], 일별 데이터의 단기 변동을 완화하면서도 위기 담론의 빠른 변화에 민감하게 반응할 수 있는 3일로 설정하였다.

본 연구에서는 일 단위로 산출된 상대적인 토픽 비율과 감정 비율 간의 상관관계를 분석하여, 특정 주제의 등장 빈도와 참여자들의 정서적 반응이 어떠한 방식으로 연결되는지를 탐색하고자 하였다. 이는 단순히 토픽과 감정을 개별적으로 기술하는 수준을 넘어, 두 요소가 시간의 흐름 속에서 어떠한 동반적 패턴을 보이는지를 규명함으로써 대화의 맥락적 의미를 심층적으로 이해하는 데 목적이 있다.

토픽과 감정은 모두 하루 단위로 집계된 상대적 비율 값으로 정의된다. 이러한 비율 데이터는 0과 1 사이의 범위에 제한되어 있으며, 정규성을 가정하기 어렵고 이상치에 민감할 수 있다. 또한, 토픽과 감정의 변화가 반드시 선형적일 것이라는 보장이 없으므로, 본 연구에서는 스피어만(Spearman) 순위상관계수를 주요 분석 지표로 활용하였다[28]. 스피어만 상관계수는 변수 값의 절대 크기보다는 순위(rank)에 기반하여 계산되므로, 두 변수가 단조적으로 함께 증가하거나 감소하는 경향성을 효과적으로 포착할 수 있다. 이는 특정 사건 발생일에 값이 급격히 변하거나 비선형적 관계가 나타나는 경우에도 보다 안정적인 해석을 가능하게 한다.

토픽 및 감정 비율 시계열에서 급격한 변화를 탐지하기 위하여, 두 가지 단순하면서도 강건한 방법을 병행하였다. 첫째, 롤링 z-점수(rolling z-score)를 적용하였다. 구체적으로는 7일 중심 이동평균과 이동표준편차를 기준으로 각 시점의 편차를 표준화하였으며, 그 값이 평균 ±1.5 표준편차 범위를 벗어나는 경우를 급변 구간 후보로 지정하였다. 이 방법은 단기적 변동에 대한 상대적 크기를 직관적으로 평가할 수 있다는 장점이 있다[29].

둘째, Hampel 필터(Median Absolute Deviation, MAD)를 적용하였다. Hampel 필터는 각 창 구간 내 중앙값과 MAD를 기반으로 이상치를 판별하는 기법으로, 표준편차에 비해 이상치에 덜 민감하다[30]. 본 연구에서는 7일 창에서 중앙값 대비 3·MAD를 초과하는 값을 급변 후보로 설정하였다.

최종적으로, 롤링 z-점수(±1.5σ)와 Hampel 필터(3·MAD) 모두에서 급변으로 판정된 날짜만을 이벤트 발생일로 정의하였다. 이렇게 교집합을 기준으로 삼음으로써, 과도한 탐지(false positive)를 줄이고 실제로 의미 있는 변화만을 포착하도록 하였다. 탐지된 이벤트 발생일은 이후 ±2~3일의 분석 윈도우를 설정하여 외부 기사 보도를 참고함으로써, 해당 구간에서 관찰된 토픽 및 감정의 급격한 변동이 어떤 사회적 맥락과 시점을 공유하는지 확인할 수 있도록 하였다.

LDA 토픽모델링 결과, 총 13개의 주요 토픽이 도출되었다. 각 토픽은 키워드 집합과 대화 맥락을 기반으로 해석되었으며, 피해 유형, 대응 행위, 감정 및 소통 방식 등 세 가지 차원으로 분류 가능하였다. 즉, 토픽은 (1) 환불 및 정산 피해, (2) 대응 행동, (3) 감정 및 커뮤니티라는 세 가지 메타 그룹으로 구조화되었다.

• 환불 및 정산 피해

환불 및 정산 피해 그룹은 전체 토픽 중 가장 큰 비중을 차지하며, 소비자들이 위기 상황에서 직면한 직접적이고 실질적인 금전 손실을 반영한다. 이 그룹에는 내부 직원 및 판매자에게 정산이 이루어지지 않는 문제(Topic 1; T1), 카드와 PG사 결제를 통한 환불 갈등(T2), 소비자 분쟁 조정 및 재예약 시도(T3), 여행사 환불 거부 및 포인트 대체(T4, T7), 구체적인 환불 신청 절차 공유(T9), 그리고 간편결제 및 카드사 항변권 활용(T12)과 같은 다양한 세부 주제가 포함되었다.

내부 정산 미지급 관련 토픽(T1)에서는 “직원, 본부장, 소송, 사기꾼”과 같은 단어들이 집중되었으며, 판매자와 내부 직원이 임금과 정산을 받지 못한 상황에서 책임자를 추궁하거나 법적 대응을 모색하는 과정이 두드러졌다. 카드 및 PG사를 둘러싼 환불 갈등 토픽(T2)에서는 “PG, 수수료, 이의신청” 등이 반복적으로 등장하여, 결제대행 구조의 불투명성과 이로 인해 소비자들이 행정적 절차를 거쳐야만 하는 어려움이 드러났다. 소비자 분쟁 조정과 재예약과 관련된 담론(T3)에서는 “분쟁, 조정, 예약, 다시”와 같은 표현이 확인되었으며, 한국소비자원과 같은 중재 기구를 통한 해결 시도와 함께 이미 결제한 여행 상품을 재예약하거나 일정 변경으로 문제를 해결하려는 노력이 나타났다.

여행사 환불 및 포인트 전환 문제(T4, T7)에서는 대형 여행사 이름과 함께 “포인트, 환급, 보상”과 같은 단어들이 결합되었는데, 이는 환불 거부 대신 포인트나 상품권으로 대체하려는 사례와 피해자들의 불만이 공유된 양상을 보여준다. 환불 신청과 절차 경험 공유(T9)에서는 “신청, 접수, 계좌, 문자, 서류”와 같은 구체적인 단어들이 집중되었으며, 피해자들이 절차적 단계를 상세히 기록하고 서로에게 정보를 제공하는 과정이 확인되었다. 마지막으로, 간편결제 수단과 카드사 항변권을 활용한 환불 시도 관련 토픽(T12)에서는 “토스, 카카오, 네이버, 신한카드, 국민카드, 항변권”과 같은 단어가 나타났으며, 다양한 결제 채널에서 발생한 피해와 이를 구제하기 위한 제도적 권리 활용이 동시에 논의되었다.

이와 같이 환불 및 정산 피해 그룹은 위기 담론에서 가장 중심적인 위치를 차지하였으며, 소비자들이 위기 상황을 경험하면서 가장 먼저 체감하는 직접적 금전 손실이 담론의 출발점이자 핵심 축이었음을 보여준다.

• 대응 행동

대응 행동 그룹은 위기 상황에서 소비자들이 단순히 불만을 표출하는 차원을 넘어, 적극적이고 제도적인 행동으로 문제 해결을 모색하는 과정을 보여준다. 이 그룹에는 언론 보도 및 기업 공지 공유(T5), 고객센터와의 소통 실패(T8), 집단행동과 내용증명을 통한 법적 대응(T10), 정부 및 공공기관 민원 제기(T11)와 같은 주제가 포함된다.

뉴스와 공지를 공유하는 토픽(T5)에서는 “언론, 공지, 인터파크, 죄송합니다”와 같은 단어들이 중심을 이루었으며, 피해자들이 언론 보도나 기업의 공지문을 서로 전달하고 이에 대해 반응하는 모습이 관찰되었다. 특히 보도가 나올 때마다 피해자들은 이를 증거로 삼거나 여론 형성의 계기로 활용하였으며, 동시에 분노와 실망을 표출하였다. 고객센터 불통 문제(T8)에서는 “전화, 센터, 상담, 연결, 욕” 등의 표현이 나타났는데, 이는 기업의 공식 고객 응대 창구가 작동하지 않거나 무책임한 대응을 보여주었다는 피해자들의 경험을 반영한다. 이러한 상황은 소비자 불신을 강화시키고 사태 해결의 어려움을 가중시켰다.

집단행동과 법적 대응을 중심으로 한 토픽(T10)에서는 “집회, 내용증명, 이행”과 같은 단어들이 확인되었다. 피해자들은 집회를 조직하거나 내용증명을 발송하는 등 공식적이고 집단적인 행동을 통해 권리 구제를 시도하였으며, 이 과정에서 서로 간의 연대감이 강조되었다. 정부와 공공기관을 대상으로 한 민원 제기(T11)에서는 “금감원, 민원, 채권, 정부, 회생, 소비자원” 등이 반복적으로 등장하였고, 이는 소비자들이 금융감독원, 소비자원, 법원과 같은 제도적 기구를 통해 문제를 해결하려는 노력이 본격화되었음을 보여준다.

결국 대응 행동 그룹은 피해 경험이 개인적 차원의 불만을 넘어 사회적 이슈로 확산되는 과정을 나타내며, 위기가 단순한 소비자-기업 간의 갈등이 아니라 사회적, 제도적 차원의 문제로 전환되는 양상을 드러낸다.

• 감정 및 커뮤니티

감정 및 커뮤니티 그룹은 환불과 대응 행동이라는 실질적 문제 해결 과정 속에서 피해자들의 정서적 반응과 공동체적 유대가 어떻게 형성되었는지를 보여준다. 이 그룹에는 체념과 불만의 정서가 중심이 된 대화(T6)와, 피해자들 간의 경험 공유 및 공동체적 결속을 드러내는 토픽(T13)이 포함되었다.

체념과 불만이 중심이 된 담론(T6)에서는 “그냥, 어디, 마음, 걱정”와 같은 단어들이 나타나면서, 피해자들이 현실적 해결 가능성이 낮다고 판단하며 무력감을 토로하는 장면이 확인되었다. 이 과정에서 기업의 책임을 지적하면서도 실질적인 해결 방안이 없다는 체념이 두드러졌다.

공동체적 공유와 연대의 토픽(T13)에서는 “현장, 가신분, 상담사, 댓글, 기사, 링크”와 같은 단어들이 중심이 되었으며, 피해자들이 현장에서의 상황을 사진이나 기사 링크를 통해 인증하거나 댓글과 이모티콘으로 반응하는 모습이 나타났다. 이는 단순히 사실 확인을 넘어 피해자들 간의 정서적 유대와 상호 지지가 중요한 역할을 했음을 보여준다.

감정 및 커뮤니티 그룹은 위기 상황에서 소비자 담론이 정보 교환과 문제 해결을 넘어, 감정을 토로하고 상호 지지를 나누는 장으로 확장되었음을 시사한다. 피해자들은 집단적 연대를 통해 심리적 안정과 소속감을 확보하였으며, 이는 위기 담론의 정서적 기반을 형성하는 중요한 요소로 작동하였다.

단기적으로 출현했다가 빠르게 사라질 수 있는 주제를 포착하기 위해서 일주일 단위로 토픽모델링을 재수행한 결과, 전체 기반 분석에서는 부각되지 않았던 새로운 담론의 층위가 드러났다.

첫째, 주 단위 분석에서는 알리미나 봇을 통해 제공되는 비사건성 정보 스트림이 독립적인 주제(5주차 T6, 11주차 T1)로 나타났다. 이 토픽은 ‘날씨, 미세먼지, 체감온도, 운세, 속보’와 같은 단어가 결집하면서, 실제 위기 담론과 무관한 배경 잡음을 형성하였다. 이는 오픈채팅방에 상시로 작동하는 자동 알림 봇이 투입되면서 기상 정보나 일상적 속보를 반복적으로 제공했기 때문으로 해석된다. 이러한 토픽은 위기 분석 자체와는 직접적인 연관이 없으므로, 분석 과정에서는 ‘info-bot’과 같은 레이어로 별도 마스킹하거나 비사건성 데이터로 구분할 필요가 있다.

둘째, 기존의 환불 및 대응 중심의 주제 외에 이모티콘, 캐릭터, 밈을 통한 결속과 응원 문화(7주차 T1)가 뚜렷하게 나타났다. ‘이모티콘, 좋아요, 화이팅, 카카오프렌즈 캐릭터 이름’ 등이 주요 단어로 확인되었으며, 이는 위기 상황 속에서 참여자들이 감정을 환기하거나 연대감을 표현하기 위해 밈과 스티커를 빈번하게 사용했음을 보여준다. 본 연구 맥락에서는 텍스트 기반 분석의 노이즈로 취급될 수도 있으나, 동시에 감정 분석에서 중요한 보조 지표(예: 응원, 격려 빈도)로 활용될 가능성도 제기된다.

셋째, 집회와 관련된 동원 소통의 구체적 양상이 새로운 토픽(3주차 T2)으로 부상하였다. 기존 전체 분석에서는 집회와 내용증명이 하나의 토픽으로 묶여 있었으나, 주 단위 분석에서는 ‘정류장, 버스, 링크 공유, 참석, 포기, 동의’와 같은 단어들이 중심을 이루며 집회 참여 여부와 이동 경로를 조율하는 실무적 커뮤니케이션이 뚜렷하게 드러났다. 이는 집단행동 담론이 단순한 요구와 항의의 표현을 넘어, 실제 참여를 조직하는 생활밀착형 소통으로 확장되었음을 보여준다. 또한 4주차에는 T1과 T2에는 ‘검은’, ‘우산’과 같은 특정 상징적 표현이 관찰되었다. 본 사안과 직접적으로 연관된 ‘검은 우산 집회’ 및 ‘검은 우산 비대위’가 실제로 조직되었다는 점을 고려할 때, 이는 단순한 기상 맥락을 넘어 피해자들의 집단 정체성과 연대 의식을 표상하는 상징적 기호로 기능했음을 파악할 수 있다.

본 연구에서 도출된 세 가지 메타 그룹(환불·정산 피해, 대응 행동, 감정·커뮤니티)은 소비자 위기 상황이 단순한 금전적 갈등에 머무르지 않고, 사회적, 정서적 층위로 확장된다는 점을 보여준다. 특히 환불·정산 피해가 담론의 출발점이었다면, 대응 행동은 이를 제도적·집단적 문제로 전환하는 과정이었고, 감정·커뮤니티는 피해자들이 심리적 균형을 회복하고 연대감을 강화하는 장치로 작동하였다. 이는 위기 담론이 다차원적 층위를 지닌 복합적 현상임을 시사한다.

감정 분석은 위기 국면에서의 정서가 단일한 방향으로 수렴하지 않고, 사건 전개와 외부 자극에 따라 역동적으로 변화함을 보여주었다. 초기의 공포는 불확실성에 대한 즉각적 반응이었으나, 환불 성공 사례와 축하 메시지를 매개로 행복이 부상하였고, 이후 제도적 불확실성이 재부각되면서 분노가 전면에 등장하였다. 이러한 흐름은 위기 속 집단 정서가 단순한 반응이 아니라, 기대와 좌절, 연대와 분열이 반복되는 순환적 과정이라는 점을 드러낸다.

토픽–감정 상관관계 분석은 위기 담론 속에서 특정 주제가 특정 정서와 구조적으로 결합한다는 사실을 보여주었다. 공포는 환불 절차의 불확실성과 직접적으로 연결되었고, 행복은 환불 성공과 이를 축하하는 상호작용 및 커뮤니티적 결속과 밀접하게 맞물려 있었다. 분노는 카드사나 여행사와의 환불 갈등, 정부 및 공공기관과의 제도적 문제 제기와 강하게 결합되었다. 이러한 결과는 위기 상황에서 주제가 단순히 어떤 빈도로 등장했는가를 넘어, 어떤 정서와 함께 출현했는지가 담론의 색채를 규정한다는 점을 보여준다. 이는 향후 위기 커뮤니케이션 연구에서 주제별 감정 지도를 구성하는 새로운 방법론적 가능성을 제시한다.

이벤트 탐지와 언론 보도의 대조 결과는 집단 담론의 급격한 변동이 외부 사건과 긴밀히 연결되어 있음을 확인시켜준다. 예컨대 7월 26일의 환불 대란, 8월 18일의 검은 우산 집회, 9월 1일의 자율구조조정 중단, 9월 28일의 집단분쟁조정 개시, 10월 7일의 경영진 수사 본격화와 같은 시점은 모두 알고리즘 기반 이벤트 탐지에서 포착된 변동 구간과 일치하였다. 이는 담론의 급격한 변화가 내부적으로 자발적으로만 발생하는 것이 아니라, 언론 보도와 제도적 조치라는 외부 자극과 상호작용하면서 발생한다는 점을 잘 보여준다. 다시 말해, 위기 담론은 소비자–기업–언론이 얽힌 삼자적 역동 속에서 구성된다는 사실을 실증적으로 제시하며, 집단 정서를 재구성하는 핵심 요인으로 작동한다는 점은 향후 연구와 정책 논의에서 주목할 필요가 있다.

기존 위기 커뮤니케이션 연구는 주로 Twitter, Facebook 등 공개 플랫폼을 중심으로 이루어져 왔으며[4],[5], 익명성과 폐쇄성이 결합된 오픈채팅방과 같은 메신저 공간의 담론 구조는 거의 분석되지 않았다. 본 연구는 오픈채팅방이라는 새로운 커뮤니케이션 공간을 분석 대상으로 삼아, 위기 상황에서 소비자들이 자발적으로 형성한 집단담론의 구조와 전개 양상을 실증적으로 규명하였다. 이는 위기 커뮤니케이션 연구의 지평을 공개 플랫폼에서 익명 메신저 공간으로 확장하는 데 기여한다.

기존 연구는 토픽 분석과 감정 분석을 각각 수행하는 경우가 많았으나[9],[12],[13], 본 연구는 토픽과 감정을 시계열상에서 결합하고, 이를 이벤트 탐지 및 언론 보도와 대조하는 통합적 분석 프레임워크를 제시하였다. 특히 토픽-감정 상관관계 분석을 통해 특정 주제가 특정 정서와 구조적으로 결합한다는 점을 규명함으로써, 위기 담론의 정서적 색채가 어떻게 형성되는지를 이해하는 새로운 방법론적 틀을 제공한다.

본 연구는 위기 상황에서 집단 정서가 공포 → 행복 → 분노로 순환하는 동학을 실증적으로 보여주었다. 기존 연구들이 주로 단일 감정(공포, 분노 등)의 변화를 추적하는 데 그쳤다면[14],[15], 본 연구는 다중 감정 간 전환과 순환 패턴을 규명함으로써, 위기 속 집단 정서가 기대와 좌절, 연대와 분열이 반복되는 복잡한 과정임을 밝혔다. 이는 위기 정서 연구의 이론적 깊이를 더하는 데 기여한다.

본 연구 결과는 전자상거래 플랫폼과 정책 당국이 위기 대응 전략을 수립할 때, 금전적 보상만으로는 불충분하다는 점을 시사한다. 소비자들은 환불 절차의 투명성(공포 완화), 성공 사례 공유와 커뮤니티 지지(행복 증진), 제도적 대응의 실효성(분노 억제)을 동시에 요구한다. 따라서 효과적인 위기 관리를 위해서는 정보 투명성 제고, 감정적 지원, 커뮤니티 참여 촉진을 포괄하는 다층적 접근이 필요하다.

오픈채팅방은 소비자들이 공식 채널을 우회하여 자발적으로 모이는 비공식 소통 공간이다. 본 연구는 이러한 공간에서 형성된 담론이 공포에서 행복으로, 다시 분노로 순환하며, 외부 사건(언론 보도, 제도적 조치)과 긴밀히 상호작용한다는 점을 보여주었다. 따라서 기업과 정책 당국은 공식 채널뿐만 아니라 오픈채팅방과 같은 비공식 소통 공간을 실시간 모니터링하고, 담론의 흐름과 감정 변화를 파악하여 선제적으로 대응할 필요가 있다.

본 연구에서 확인된 '감정 및 커뮤니티' 토픽 그룹은 피해자들이 환불 성공 사례를 축하하고, 서로를 격려하며, 집단 정체성을 형성하는 과정을 보여준다. 이는 위기 상황에서도 소비자들 간 긍정적 연대와 상호 지지가 가능함을 시사한다. 기업은 이러한 커뮤니티 연대를 적대시하거나 무시하기보다는, 투명한 정보 제공과 진정성 있는 소통을 통해 신뢰를 회복하고, 커뮤니티를 위기 해결의 협력 파트너로 활용하는 전략을 고려해야 한다.