구조적 토픽 모델링을 적용한 모빌리티 서비스 앱 사용자 경험 분석: 차량 공유 서비스를 중심으로

Ⅰ. 서 론

기존의 모빌리티 시장은 자동차나 오토바이 등 교통수단의 개인 ‘소유’를 기반으로 성장해왔으나, 점차 ‘필요한 때 필요만큼’ 이용할 수 있는 접근성(accessibility)에 중점을 두는 방향으로 전환되고 있다[1]. 이는 이동 자체가 목적이기보다는, 사람들이 원하는 서비스·활동·장소에 얼마나 쉽게 접근할 수 있는지가 더욱 중요한 가치로 부상했음을 의미한다. 이러한 변화는 도시 교통 환경뿐만 아니라 소비자의 이동 방식까지 변화시키기 시작했다. 대표적으로 차량 공유 서비스는 전통적인 대중교통과 개인 차량 소유의 한계를 보완하는 새로운 교통수단 대안으로 자리 잡으며 빠르게 성장하고 있다. 국내 차량 공유 서비스 시장은 2009년 GCAR(이하 G카)가 처음 서비스를 시작하면서 형성되었다. SOCAR(이하 쏘카)는 2011년에 후발주자로 시작했지만, 2014년에 스마트폰 보급을 계기로 기술적 우위를 활용해 급성장하며 2024년에는 시장 점유율 80% 이상을 기록하고 있다[2]. 이렇듯 공유 경제가 자리를 잡아가는 변화 속에서, 차량 공유 서비스 이용자들의 실제 경험과 행동 양상이 어떻게 변화해 왔는지 실증적으로 규명하는 것은 중요한 연구 과제라 할 수 있다.

차량 공유 서비스에서 모바일 애플리케이션(이하 앱)은 사용자와 서비스 간 핵심 접점이 된다. 차량 예약, 결제, 인수 및 반납, 고객지원에 이르는 모든 과정이 모바일 앱을 통해 이루어지기 때문에 앱의 사용성, 기능성, 접근성은 사용자 만족도와 서비스 경쟁력을 결정짓는 핵심 요소가 된다. 따라서 차량 공유 서비스 업계는 모바일 앱에서의 사용자 경험(User eXperience, UX)을 적절히 관리할 필요가 있다. 하지만 실제로 구글 플레이스토어에는 앱의 속도 지연, 로그인 오류, 차량 검색 불편, 보험 안내 부족, 고객센터 대응 미흡 등 다양한 불편 사항이 앱 리뷰를 통해 지속적으로 제기되고 있다. 예를 들어 “예약이 완료된 차량이 실제로는 없다는 연락을 받았다”, “앱이 멈춰 차량을 인수하지 못했다”는 구체적인 불만 사례가 다수 존재한다. 이러한 사용자 불만 사례들은 단순한 기능적 문제를 넘어 전반적인 사용자 경험 개선의 필요성을 시사한다. 특히 모든 서비스 접점이 모바일을 통해 이루어지는 차량 공유 서비스의 특성상, 앱의 사용자 경험은 서비스 전체의 품질을 좌우하는 핵심 요소가 된다. 따라서 기술적 기능성뿐만 아니라 사용자의 감정적, 인지적 경험을 포괄하는 총체적 UX 관점에서의 분석이 필요하다.

그러나 차량 공유 서비스에 대한 기존 연구는 대부분 설문조사를 통해 지속 사용 의도, 서비스 품질, 만족도 결정 요인 등을 탐색하는 데 집중되어 왔다[3],[4]. 이러한 연구는 연구 설계상 가상의 시나리오에 기반하거나 실제 이용 경험을 일반화하여 측정하기 때문에, 실제 사용자들의 경험을 포착하기 어렵다. 반면, 앱 리뷰는 실제 사용자가 경험한 문제와 만족 요인을 토대로 기록한다는 점에서 실제 사용자의 총체적 UX 관점을 포착하는 데 훨씬 유리하다. 이러한 맥락에서 헬스케어, 대중교통, 공공서비스를 비롯한 다양한 도메인에서 앱 리뷰 데이터를 활용한 체계적인 UX 이슈 분석 연구가 진행되어 왔다[5],[6]. 이러한 방법론적 가능성과 성과에도 불구하고, 차량 공유 서비스 분야에서는 앱 리뷰를 체계적으로 분석한 연구가 현저히 부족한 실정이다. 이는 급성장하는 차량 공유 시장의 중요성을 고려할 때 주목할 만한 연구 공백이다. 따라서 이 연구는 대규모 앱 리뷰 데이터를 바탕으로 연구를 수행하여 기존 차량 공유 서비스 UX 연구의 새로운 방향성을 제시하고자 한다.

일반적으로 리뷰 데이터는 비정형 데이터이므로 Latent Dirichlet Allocation(LDA) 기법으로 주제를 도출해 왔으나, LDA는 ‘무엇이 언급되었는가’에 그쳐 주제 출현의 구조적 맥락을 설명하지 못한다. 이에 따라 이 연구는 2015년부터 2025년까지 약 10년 간의 국내 대표 차량 공유 서비스인 쏘카와 G카의 모바일 앱 리뷰를 수집·분석하고, 기존의 LDA 분석이 아닌 구조적 토픽 모델링(Structural Topic Modeling, STM)을 적용하여 사용자 경험의 핵심 특성과 변화를 규명하고자 한다. STM은 리뷰 작성 시점, 평점, 서비스 종류와 같은 메타데이터를 토픽 추정 과정에 동시에 반영함으로써 평점별 주제 분포, 시간에 따른 추세, 서비스 간 반응 차이를 정량적으로 비교할 수 있다는 장점이 있다[7]. 즉, 구조적 토픽 모델링은 평점의 차이와 시간의 흐름에 따라 각 토픽들이 출현하는 변화를 살펴볼 수 있다. 이러한 분석을 통해 차량 공유 서비스 이용자들이 만족하고 있는 사용자 경험과 불만족하고 있는 사용자 경험을 분류할 수 있으며 시간의 흐름에 따른 변화 추세는 차량 공유 서비스에서 어떠한 사용자 경험이 더 강조되기 시작하는지를 살펴볼 수 있다.

이러한 접근은 궁극적으로 사용자 경험 개선 전략과 산업 전반의 경쟁 구도를 이해하는 데 실질적 시사점을 제공하며, 이에 기반한 구체적 연구 질문을 다음과 같다.

첫째, 국내 주요 차량 공유 서비스 앱 리뷰에서 드러나는 주요 사용자 경험 토픽은 무엇인가?

둘째, 평점 수준(긍정/부정)에 따라 사용자 경험 토픽의 차이는 무엇인가?

셋째, 시간의 흐름에 따라 사용자 경험 토픽의 변화 추세는 어떠한가?

이 연구를 통해 구조적 토픽 모델링을 통한 앱 리뷰 연구의 가능성을 모색하고, 빠르게 성장하는 차량 공유 서비스 시장에서 앱 리뷰를 통해 사용자 경험에 기반한 실질적 경쟁력 강화를 지원하는 방법을 강구할 수 있으리라 기대한다.

Ⅱ. 모빌리티 사용자 경험과 구조적 토픽 모델링

2-2 앱 리뷰와 구조적 토픽 모델링

앱 리뷰는 사용자가 자발적으로 생성한 데이터로서, 인위적인 실험 환경이나 설문조사와 달리 사용자의 실제 경험과 인식을 직접적으로 반영한다는 독보적인 장점이 있다. 특히 앱 리뷰는 기능 요청, 버그 리포트, 사용자 피드백의 중요한 원천으로 작동할 수 있으며 이를 소프트웨어 진화 과정에 체계적으로 활용할 수 있다는 점에서 사용자 경험이 실제 서비스에 어떻게 반영될 수 있는지 보여줄 수 있는 좋은 지표가 된다[15]. 이와 같은 맥락에서 앱 리뷰에서 주요 이슈를 자동으로 추출하여 개발자에게 제공하는 WisCom 시스템을 개발하여 앱 리뷰가 사용자 경험 개선과 서비스 발전에 직접적으로 기여하기도 하였다[16].

앱 리뷰는 비구조화된 데이터이기 때문에 이를 분석하기 위해 다양한 텍스트 마이닝 기법이 적용되어 왔다. 특히 토픽 모델링은 대량의 앱 리뷰에서 잠재적 주제와 패턴을 효과적으로 추출하는 방법으로 주목받고 있다. 대표적으로 토픽 모델링 기법을 활용하여 앱 리뷰에서 사용자 피드백의 주요 주제를 추출하고, 이를 감성 분석과 결합함으로써 각 주제에 대한 사용자 만족도를 정량적으로 평가했다[17]. 또한 앱 리뷰를 정보성 리뷰와 비정보성 리뷰로 분류하고, 정보성 리뷰에서 주요 주제를 추출하는 체계적인 프레임워크가 제안되기도 하였다[18]. 이러한 연구들은 앱 리뷰에 내재된 사용자 요구와 경험 패턴을 발견하는 데 방법론적으로 기여했다.

그러나 기존의 앱 리뷰 분석 연구들은 대부분 초기의 토픽 모델링에 의존하여, 리뷰 작성 시점, 평점, 서비스 유형 등 맥락적 메타데이터와 토픽 간의 관계를 체계적으로 분석하는 데 한계를 보였다. 이로 인해 시간에 따른 사용자 관심사의 변화, 평점에 따른 토픽 분포의 차이, 서비스 유형별 특성 등 다차원적 분석이 제한적이었다. 이 연구는 구조적 토픽 모델링을 통해 이러한 한계를 극복하고자 한다. 이 방법론은 토픽 모델링에 문서의 메타데이터를 통합함으로써, 차량 공유 서비스 앱 리뷰의 토픽과 다양한 맥락 변수(서비스 유형, 평점, 시간 등) 간의 관계를 종합적으로 분석할 수 있게 한다. 이를 통해 모빌리티 서비스 앱 사용자 경험의 다차원적 특성을 더욱 정교하게 규명하고, 서비스 개선을 위한 실증적 근거를 제공하고자 한다.

초기 토픽 모델링 기법인 LDA는 하나의 문서가 여러 토픽들이 섞여서 만들어지고, 각 토픽은 특정 단어들이 나타날 확률로 정의된다고 가정한다[19]. 반면 구조적 토픽 모델링은 기존 LDA 모델을 확장하여 문서의 메타데이터가 토픽 분포에 미치는 영향을 모델링할 수 있게 했다[7]. 구체적으로 그림 1에서 알 수 있듯이 기존의 LDA와 구조적 토픽 모델링은 문서-토픽 비율인 θ, 단어별 토픽을 할당하는 z, 실제 텍스트에 등장한 단어인 w, 토픽-단어 분포인 β는 토픽 모델링을 할 때 동일하게 활용된다. 하지만 LDA가 ‘α(Dirichlet) → θ → z → w’로 이어지는 간단한 생성 구조를 가지고 있는 반면, 구조적 토픽 모델링(STM)은 기존 LDA 모델을 확장한 것으로, 문서(document)의 메타데이터를 공변량(covariate)으로 활용하여 토픽의 분포에 영향을 미치는 구조를 통계적으로 모델링한다. 특히 STM에서 토픽 출현(Topic Prevalence)은 문서의 메타데이터가 특정 토픽의 등장 확률에 미치는 영향을 모델링한다. 문서 d에서 토픽 k의 토픽 비율(θ_{d, k})은 해당 문서의 메타데이터 벡터(평점, 작성 연도, 서비스 종류) X_d와 회귀 계수(각 메타데이터가 토픽 비율에 미치는 영향의 크기와 방향) γ, 토픽 간의 상관관계를 모델링하는 공분산 행렬 Σ의 함수로 결정된다. 이를 수식으로 표현하면 다음과 같다.

$\[ {\theta }_{d, k}\left|X_d, \gamma , \text{Σ}\sim LogisticNormal\left(X_d\gamma , \text{Σ}\right)\right. \]$

(1)

Fig. 1.

A graphical illustration of the structural topic model

이 모델을 통해 ‘평점이 낮을수록 특정 토픽이 더 자주 나타난다’ 또는 ‘시간이 흐를수록 특정 토픽의 비중이 증가한다’와 같은 가설을 정량적으로 검증하는 것이 가능하다. 즉, STM은 ‘무엇이 언급되었는가’를 넘어 ‘어떤 맥락(평점, 시간)에서, 어떤 주제가, 어떻게 다르게 이야기되는가’를 심층적으로 분석할 수 있는 강력한 분석 프레임워크를 제공한다.

실제 STM을 활용한 연구를 살펴보면 공공데이터 수요의 양상을 구조적 토픽 모델링을 활용하여 분석하였으며, 교통, 부동산, 의료·복지와 같은 토픽의 출현이 지속적으로 증가하고 있는 것으로 찾아냈다[20]. 또한 스마트시티 주요 연구 토픽 중에 기계학습 및 사물인터넷(Internet of Things, IoT)과 같은 연구 분야 토픽들은 시간이 흐름에 따라 증가하였으나 소셜미디어 및 지리 정보(Geographic Information System, GIS)와 같은 연구 분야 토픽들은 시간이 흐름에 따라 감소하는 것을 찾아냈다. 이처럼 구조적 토픽 모델링 분석은 기존의 LDA 토픽 모델링 분석이 찾아내지 못했던 시간의 흐름에 따른 토픽의 출현 추세를 보여줄 수 있다는 장점이 있다[21].

이러한 기존 연구들은 주로 시간적 추세 분석에 집중하였다. 그러나 구조적 토픽 모델링의 진정한 강점은 다양한 메타데이터를 동시에 활용할 수 있다는 점이다. 특히 앱 리뷰 데이터의 경우 평점, 작성 시점, 서비스 유형 등 풍부한 메타데이터를 포함하고 있어, 단순한 시계열 분석을 넘어 다차원적 분석이 가능하다. 모빌리티 서비스 앱 분야는 이러한 구조적 토픽 모델링의 장점을 최대한 활용할 수 있는 영역임에도 불구하고, 아직까지 이를 적용한 연구는 찾아보기 어렵다. 이 연구는 구조적 토픽 모델링을 모빌리티 서비스 앱 리뷰 분석에 최초로 적용하여, 평점별·시간별·서비스별 사용자 경험의 다층적 구조를 종합적으로 규명하고자 한다.

Ⅲ. 구조적 토픽 모델링 기반의 연구 방법

Ⅳ. 분석 결과

4-1 토픽 도출

1) 최적 토픽 개수 도출

구조적 토픽 모델링에서 적절한 토픽 수(K)를 결정하는 것은 분석의 타당성과 해석 가능성을 좌우하는 중요한 과정이다. 이 연구에서는 R의 ‘stm’ 패키지를 활용하여 K=5부터 K=15까지 순차적으로 모델을 진단하고, 네 가지 핵심 진단 지표(Held-Out Likelihood, Residuals, Semantic coherence, Lower Bound)를 통해 최적의 토픽 수를 결정하였다. 우선, Held-Out Likelihood는 모델 학습에 사용되지 않은 검증(held-out) 문서에 대해 모델이 부여하는 로그 가능도를 의미한다. 값이 높을수록(0에 가까울수록) 관측되지 않은 데이터에 대한 예측력이 우수하다는 뜻이다. 둘째, Residuals는 각 문서-단어 셀에서 관측 빈도와 모델이 예측한 기대 빈도의 차이를 제곱해 합산한 잔차 제곱합이다. 값이 낮을수록 데이터 적합도가 높다는 점을 시사한다. 셋째, Semantic Coherence는 하나의 토픽 안에서 상위 단어들이 실제 문서 내에서 함께 등장하는 빈도를 계량화한 의미적 응집성 지표이며, 값이 높으면 토픽 내부 단어들 간 개념적 일관성이 크다는 뜻이므로 연구자가 토픽을 해석하기 용이하다. 마지막으로, Lower Bound는 변분 추론 과정에서 계산되는 데이터 로그 가능도의 하한값으로, 모델 수렴 안정성을 나타낸다. 값이 높을수록(음수이며, 절댓값이 작아질수록) 변분 근사가 잘 수렴했음을 의미하므로, 토픽 수 증가에 따른 Lower Bound 개선 폭을 함께 고려해 최적 K를 판단한다.

그림 2를 통해 그 결과를 살펴보면, Held-Out Likelihood는 K=5에서 최고치에 도달한 뒤 K=6~10 구간에서 거의 변동 없이 안정적인 수준을 유지한다. 그러나 K=12에서 그 값이 급락하고, K=13과 14에서 부분적으로 회복되나 최초 수준에는 미치지 못한다. 이는 소수 토픽(5·6개)이 예측력 면에서는 우수하지만 해상도가 부족하며, 12개 이상으로 복잡도가 급격히 증가하면 예측력이 크게 저하될 수 있다고 볼 수 있다. Residuals는 K=7에서 15.25까지 떨어진 뒤 일시적으로 상승(K=8)했다가 K=9부터 12에서 다시 15.115.3 수준으로 최소값을 유지한다. 데이터 적합도만 보면 9~12개 토픽이 가장 양호하다고 볼 수 있다. Semantic Coherence는 K=5에서 -162.8로 최고, K=6·7에서 완만히 감소하다가, K≥12부터 급격히 감소하면서 -221까지 떨어진다. 즉, 토픽 수가 늘어날수록 주제는 세분화되지만 개념적 응집도는 희석되는 패턴임을 시사한다. Lower Bound는 K=5에서 11까지 꾸준히 개선된 뒤 K=12에서 다시 감소한다. 이는 모델 복잡도가 약 K=11을 넘어서면 추정 안정성의 한계가 드러난다는 의미로 해석할 수 있다. 따라서 전반적인 진단 지표의 결과를 고려했을 때 이 연구에서는 K=10이 가장 안정적이라 판단하였고, K=10을 잠재적 토픽 수로 설정하였다.

Fig. 2.

Diagnostic results for optimal number of topics

2) 토픽 해석 및 레이블 부여

K=10으로 설정하여 도출된 토픽들의 주요 단어와 의미를 분석한 결과는 아래 표 1과 같다. 각 토픽은 출현 빈도가 높은 키워드를 중심으로 토픽의 본질을 파악하고 기존의 사용자 경험 연구 사례들을 참고하여 저자들이 각 토픽별 이름을 부여하였다.

Table 1.

Topics and major terms derived from structural topic modeling

토픽 1(차량 상태 불만족)은 ‘쓰레기’, ‘더럽다’, ‘냄새’ 등의 키워드가 공통적으로 차량 내부 청결 문제를 지적한다. 이들 단어가 하나의 토픽으로 묶인 것은 실제 리뷰에서 “차 안에 쓰레기가 있고 담배 냄새가 심했다”와 같이 복합적 불쾌 경험이 동시에 언급되기 때문이다. 토픽 2(차량 품질·서비스 만족)는 토픽 1과 대조적으로 ‘깨끗’, ‘쾌적’, ‘감사’ 등 긍정적 평가를 나타낸다. 특히 ‘감사’라는 감정 표현이 주요 키워드로 등장한 것은 차량 상태가 기대 이상일 때 나타나는 한국 문화권 특유의 감사 표현을 반영한다. 청결한 차량이 전체 서비스 만족도로 연결되는 후광효과를 보여준다.

토픽 3(픽업·반납 흐름 서비스)의 ‘대여’, ‘주차장’, ‘느리다’, ‘전화’ 등은 차량 인수와 반납 과정의 마찰을 나타낸다. ‘주차장’과 ‘위치’가 함께 등장하는 것은 차량 찾기의 어려움을, ‘전화’의 빈출은 디지털 정보만으로 해결되지 않아 유선 문의가 필요한 상황을 의미한다. 이는 O2O 서비스의 전형적인 온-오프라인 연결 지점의 문제를 보여준다. 토픽 4(고객지원 인터랙션 품질)는 ‘문의’, ‘상담원’, ‘전화’, ‘반복’ 등 고객 서비스 접점과 관련된다. ‘반복’과 ‘질문’이 함께 나타나는 것은 문제 해결까지 여러 차례 접촉이 필요함을 시사하며, 이는 일차적 해결률(First Call Resolution)이 낮음을 암시한다.

토픽 5(온보딩·인증 마찰)의 ‘로그인’, ‘끊김’, ‘안됨’은 앱 진입 단계의 기술적 장애를 나타낸다. 이들 키워드가 높은 출현 빈도를 보이는 것은 인증 시스템이 사용자 여정의 주요 이탈 지점임을 의미한다. 특히 모빌리티 서비스의 즉시성 요구와 복잡한 인증 절차 간 충돌이 나타날 때 자주 나타나는 현상이다. 토픽 6(가격·보험료 가치 인식)은 ‘LPG’, ‘보험료’, ‘저렴’, ‘비싸다’ 등 비용 관련 양가적 평가를 포함한다. 동일 토픽 내에 ‘저렴’과 ‘비싸다’가 공존하는 것은 사용자별 준거가격(reference price)의 차이를 반영하며, 가격이 절대적 기준이 아닌 상대적 가치로 평가됨을 보여준다.

토픽 7(정책·보상 불투명성 불만)의 ‘소비자’, ‘묵살’, ‘지연’은 분쟁 해결 과정의 불공정성을 나타낸다. 특히 ‘묵살’이라는 강한 감정적 표현은 단순 불만을 넘어 무력감을 나타내며, 플랫폼 경제에서 나타나는 사용자-제공자 간 힘의 불균형을 반영한다. 토픽 8(시스템 사용성 및 장거리 시스템 불편)은 ‘불편’, ‘시스템’, ‘장거리’가 연결되어 특정 이용 상황(장거리)에서의 시스템적 제약을 나타낸다. 이는 서비스가 단거리 이용에 최적화되어 있으며, 장거리 이용 시 요금 체계나 시스템 제약이 존재함을 시사한다.

토픽 9(편리성·가성비 만족 경험)는 ‘편리’, ‘저렴’, ‘만족’, ‘유용’ 등 서비스의 핵심 가치 제안과 일치하는 긍정 평가다. 이들 키워드의 높은 응집도는 차량 공유 서비스의 본질적 가치(편리성과 경제성)가 성공적으로 전달될 때 나타나는 만족 패턴을 보여준다. 토픽 10(업데이트 안정성)의 ‘업데이트’, ‘삭제’, ‘날아감’, ‘초기화’는 앱 갱신 후 데이터 손실 문제를 나타낸다. ‘비밀번호’가 함께 등장하는 것은 주로 인증 정보가 초기화되는 문제를 의미하며, 이는 업데이트와 사용 연속성 간 기술적 딜레마를 보여준다.

도출된 토픽들은 차량 공유 서비스 앱 사용자 경험의 다양한 측면을 포괄하고 있으며 크게 4가지 차원으로 분류할 수 있다. 먼저 토픽 1과 2는 차량 상태와 관련된 차원으로, 대체로 상반된 감정을 반영한다.

Table 2.

Dimensions and topics

도출된 토픽들은 차량 공유 서비스 앱 사용자 경험의 다양한 측면을 포괄하고 있으며 크게 4가지 차원으로 분류할 수 있다. 먼저 토픽 1과 2는 차량 상태와 관련된 차원으로, 대체로 상반된 감정을 반영한다. 토픽 1은 ‘차량 상태 불만족’으로 이전 사용자가 남긴 쓰레기, 담배 냄새 등 차량의 청결 문제에 대한 불만을 담고 있다. 반면 토픽 2는 ‘차량 품질·서비스 만족’으로 깨끗하고 쾌적한 차량 상태와 전반적인 서비스 만족에 대한 내용이다. 토픽 3, 6, 7은 서비스 흐름과 정책적 측면에 초점을 맞추고 있다. 토픽 3은 ‘픽업·반납 흐름 서비스’로, 차량 대여 과정에서의 주차장 접근성, 차량 찾기, 반납 과정의 효율성에 대한 내용이다. 토픽 6은 ‘가격·보험료 가치 인식’으로 서비스 이용 비용의 합리성에 대한 평가를 담고 있다. 토픽 7은 ‘정책·보상 불투명성 불만’으로 취소, 환불, 약관 등 서비스 정책의 명확성과 공정성에 대한 불만을 반영한다. 토픽 5, 8, 10은 앱과 시스템 측면의 사용자 경험을 다루고 있다. 토픽 5는 ‘온보딩·인증 마찰’로 회원가입, 로그인, 인증 과정에서 발생하는 문제를, 토픽 8은 ‘시스템 사용성 및 장거리 시스템 불편’으로 전반적인 앱 사용성과 특히 장거리 이용 시 겪는 시스템적 불편함을 다룬다. 토픽 10은 ‘업데이트 안정성’으로 앱 업데이트 후 발생하는 오류와 안정성 문제를 반영한다. 토픽 4와 9는 각각 ‘고객지원 인터랙션 품질’과 ‘편리성·가성비 만족 경험’으로, 사용자와 서비스 제공자 간의 상호작용 및 전반적인 가치 평가를 담고 있다.

이 결과는 모빌리티 서비스 앱 사용자 경험이 다층적이며, 디지털 인터페이스 내에서의 사용자 경험뿐만 아니라 차량과 서비스 정책이 통합된 총체적 경험임을 보여준다.

4-2 구조적 토픽 모델링 결과

1) 평점별 토픽 분포 비교

이 연구에서는 평점에 따른 토픽 출현 확률의 변화를 분석하기 위해 그림 3과 같이 1점과 5점의 극단 평점을 비교하는 접근법을 채택하였다. 연속형 평점(1-5점) 전체를 분석하는 대신 극단값 비교를 선택한 이유는 다음과 같다.

Fig. 3.

Topic difference by rating

첫째, 극단 평점은 사용자의 명확한 감정 상태와 경험을 반영한다. 1점 리뷰는 강한 불만족을, 5점 리뷰는 높은 만족을 나타내므로, 각 토픽이 긍정/부정 경험과 어떻게 연관되는지를 명확히 파악할 수 있다. 둘째, 중간 평점(2-4점)은 복합적이고 모호한 감정을 담고 있어 토픽과 사용자 경험 간의 관계를 희석시킬 수 있다. 셋째, 극단값 비교는 토픽별 감정 극성(sentiment polarity)을 효과적으로 포착하여, 어떤 토픽이 불만족 경험과 강하게 연관되고 어떤 토픽이 만족 경험과 연관되는지를 명확히 구분할 수 있게 한다.

분석 결과는 그림 3을 통해서 파악할 수 있다. 그림 3을 살펴보면 y축이 Topic prevalence로 토픽 출현 빈도를 의미한다. 이러한 토픽 출현빈도의 값이 양수이면 리뷰 평점이 5점일수록 토픽이 출현할 빈도가 올라가게 된다는 의미이며, 값이 음수라면 반대로 리뷰 평점이 1점일수록 토픽의 출현할 빈도가 올라가게 된다는 뜻이다. 따라서 Y축의 값이 양수일수록 긍정적으로 인식될 때 자주 등장하는 토픽, Y축 값이 음수일수록 부정적으로 인식될 때 자주 등장하는 토픽으로 이해할 수 있으며 Y축 값이 0에 가까우면 평점에 상관없이 등장하는 중립적 토픽들로 이해할 수 있다. 즉, 각 토픽은 평점과의 관계에 따라 크게 세 그룹(긍정적, 중립적, 부정적)으로 구분할 수 있다.

먼저, 긍정적 토픽은 토픽 2(차량 품질·서비스 만족)와 토픽 9(편리성·가성비 만족 경험)이다. 특히 토픽 9의 경우 평점 5점에서 출현 확률이 가장 높게 나타났다. 이는 높은 평점을 부여하는 사용자들이 주로 서비스의 편리성, 가성비, 차량 품질에 대한 만족감을 표현한다는 것을 의미한다.

중립적 토픽은 토픽 6(가격·보험료 가치 인식)과 토픽 8(시스템 사용성 및 장거리 시스템 불편)이다. 이는 가격 정책이나 시스템 사용성에 대한 언급이 긍정적 평가와 부정적 평가 모두에서 비슷한 빈도로 나타남을 시사한다. 특히 토픽 6의 경우, 보험료나 가격에 대한 언급이 만족 표현(예: 합리적인 가격)과 불만 표현(예: 비싼 보험료) 모두에서 나타나는 양면성을 보였다.

부정적 토픽은 토픽 1(차량 상태 불만족), 토픽 3(픽업·반납 흐름 서비스), 토픽 4(고객지원 인터랙션 품질), 토픽 5(온보딩·인증 마찰), 토픽 7(정책·보상 불투명성 불만), 토픽 10(업데이트 안정성)이다. 특히 토픽 10의 경우 평점 1점에서의 출현 확률이 가장 높게 나타났다. 이는 앱 업데이트 후 발생하는 기술적 오류와 안정성 문제가 극도의 불만족을 유발하는 주요 요인임을 보여준다.

평점별 토픽 분포 분석은 차량 공유 서비스 앱의 사용자 만족도에 영향을 미치는 주요 요인들을 파악하는 데 중요한 시사점을 제공한다. 특히 부정적 평가(1-2점)에서 주로 언급되는 토픽들(업데이트 안정성, 온보딩·인증 마찰, 고객지원 인터랙션 품질)은 서비스 개선의 우선순위를 설정하는 데 중요한 지표가 될 수 있다.

주목할 만한 점은 차량 공유 서비스의 핵심 가치로 여겨지는 ‘편리성’과 ‘가성비’(토픽 9)가 가장 높은 만족도와 강한 연관성을 보인다는 것이다. 반면, 기술적 안정성과 관련된 토픽들(토픽 5, 10)이 극도의 불만족(1점)과 강한 연관성을 보이는 점은 디지털 기반 모빌리티 서비스에서 기술적 안정성이 사용자 경험에서 매우 중요하다는 것을 파악할 수 있다.

3) 서비스별 토픽 분포 비교

그림 4의 서비스별 토픽 분포를 살펴보면 쏘카와 G카 간의 토픽 출현 빈도가 거의 동일하게 나타나, 두 서비스의 사용자 경험 구조가 사실상 거의 동일하다는 것을 알 수 있다. 이는 다음과 같은 세 가지 측면에서 해석할 수 있다.

Fig. 4.

Topic difference by service

첫째, 서비스 동질화 현상이다. 차량 공유 서비스 시장이 성숙하면서 주요 서비스 제공업체들이 서로의 장점을 벤치마킹하고 유사한 기능과 서비스를 제공하게 되었을 가능성이 있다. 쏘카가 80% 이상의 시장 점유율을 차지하는 상황에서[2], 후발 주자인 G카는 선도 기업의 서비스 모델을 참조했을 가능성이 높다. 이는 혁신 확산 이론에서 제시한 ‘모방을 통한 혁신의 확산’ 과정으로 이해할 수 있다[22].

둘째, 사용자 기대 수준의 표준화다. 사용자들이 차량 공유 서비스에 대해 갖는 기대와 평가 기준이 서비스와 관계없이 유사하게 형성되었을 수 있다. 이는 서비스 품질 기대 형성 과정에서, 산업 내 경험이 축적되면서 일종의 ‘규범적 기대(normative expectations)’가 형성되었음을 시사한다[23]. 즉, 사용자들이 어떤 서비스를 이용하든 유사한 기대와 경험 기준을 적용한다는 것이다.

셋째, 앱 리뷰의 특성에서 기인할 수 있다. 앱 리뷰는 주로 극단적인 만족 또는 불만족을 경험한 사용자들이 작성하는 경향이 있으며[14], 이러한 극단적 경험은 특정 서비스의 차별적 특성보다는 차량 공유 서비스의 보편적 특성에서 기인할 가능성이 높다. 즉, 차량 청결도 문제, 기술적 오류, 가격 정책 등에 대한 반응이 서비스별로 크게 다르지 않다는 것이다.

이러한 서비스 간 경험의 수렴은 차량 공유 서비스 시장에서 진정한 차별화가 쉽지 않으며, 경쟁 우위를 확보하기 위해서는 새로운 혁신 요소가 필요함을 시사한다. 특히 차원별 분석에서도 모든 차원에서 두 서비스가 유사한 패턴을 보이는 것은, 단순한 기능적 개선이나 부분적 서비스 향상으로는 차별화가 어려움을 보여준다.

4) 시간에 따른 토픽 변화 분석

2015년부터 2025년까지 약 10년에 걸친 시간의 흐름에 따른 토픽 출현 확률 변화를 분석한 결과, 토픽별로 상이한 변화 패턴을 살펴볼 수 있었다. 이는 차량 공유 서비스 앱의 발전과 사용자 경험의 변화를 반영한다. 앞서 언급했듯이 구조적 토픽 모델링에는 앱 리뷰의 시점을 메타데이터로 활용하고 있기 때문에 시점별로 어떠한 토픽들이 더 많이 등장할 수 있는지를 추정할 수 있다. 따라서 시간의 흐름에 따라 토픽이 출현하는 빈도의 변화를 추적할 수 있다는 장점이 존재한다. 이 연구는 2015년부터 2025년까지 약 10년 간의 변화 추세를 살펴보고 있다.

그림 5를 살펴보면 X축은 시간 변수이고, Y축은 Expected Topic propotion으로 예상되는 토픽 출현 분포이다. 따라서 Y축의 값이 커질수록 토픽이 등장할 확률이 증가하는 것으로 이해할 수 있다. 이러한 논리에 의해서 시간 변화에 따른 토픽 출현 패턴은 크게 세 그룹(증가, 유지, 감소)로 구분할 수 있다.

Fig. 5.

Trends in topic prevalence over time(increasing: topic 1, 2; stable: topic 3, 4, 9, 10; decreasing: topic 5, 6, 7, 8)

먼저, 증가하는 토픽은 토픽 1(차량 상태 불만족)과 토픽 2(차량 품질·서비스 만족)이다. 특히 토픽 1의 증가는 서비스 규모가 확대됨에 따라 차량 관리 및 청결 유지의 어려움이 증가했다고 볼 수 있다. 토픽 2의 증가 또한 차량 상태에 대한 전반적인 관심 증가를 반영하며, 이는 서비스 이용이 일상화되면서 차량 품질에 대한 사용자 기대가 높아졌음을 의미할 수 있다. 특히, 토픽 2의 증가 추세는 토픽 1보다 훨씬 가파른 모습이 나타나고 있는데, 이는 토픽 2가 시간의 흐를수록 더 많이 쟁점이 되고 있는 것으로 이해할 수 있다.

유지하는 토픽은 토픽 3(픽업·반납 흐름 서비스), 토픽 4(고객지원 인터랙션 품질), 토픽 9(편리성·가성비 만족 경험), 토픽 10(업데이트 안정성)이다. 이 토픽들은 시간 경과에 따른 유의미한 변화가 관찰되지 않았다. 그러나 이러한 변화가 해당 토픽이 사용자 경험에 중요하지 않다는 뜻이 아니다. 오히려 이는 해당 요소들이 차량 공유 서비스 앱의 핵심적이고 지속적인 사용자 경험 요소임을 시사한다. 특히 토픽 4(고객지원 인터랙션 품질)과 토픽 10(업데이트 안정성)에 변동이 거의 없다는 것은 해당 토픽들이 차량 공유 서비스의 사용자 경험에 본질적 가치와 직결되어 있음을 보여준다. 특히 고객지원 인터랙션 품질은 모바일 앱 서비스에서 사용자 신뢰와 만족도를 좌우하는 핵심 요소로, 시간이 지나도 그 중요성이 변하지 않는다는 점에서 서비스 운영자들이 지속적으로 관심을 기울여야 할 영역임을 확인할 수 있다.

마지막으로 시간에 따라 감소하는 토픽은 토픽 5(온보딩·인증 마찰), 토픽 6(가격·보험료 가치 인식), 토픽 7(정책·보상 불투명성 불만), 토픽 8(시스템 사용성 및 장거리 시스템 불편)이다. 특히 토픽 5, 7, 8의 감소는 차량 공유 서비스 앱의 기술적, 정책적 성숙도가 향상되었음을 알 수 있다. 온보딩·인증 과정의 개선, 정책 투명성 강화, 시스템 사용성 향상 등 서비스의 기초적인 문제들이 점차 해결되고 있음을 반영한다. 토픽 6(가격·보험료 가치 인식)의 감소는 가격 정책이 안정화되고 사용자들이 이에 적응했다고 볼 수 있다.

또한 주목할 점은 COVID-19 팬데믹이 시작된 2020년 전후에도 토픽 분포에 뚜렷한 변화가 관찰되지 않았다는 것이다. 이는 차량 공유 서비스가 팬데믹 상황에서도 사용자 경험의 본질적 측면을 유지하며 비교적 안정적으로 운영되었음을 시사한다. 이는 차량 공유가 대중교통에 비해 개인 이동 수단으로 사회적 거리두기에 적합했기 때문으로 해석할 수 있다. 실제로 팬데믹 기간 동안 차량 공유 서비스는 대중교통의 대안으로 급속히 성장하였으며, 사용자들의 이동 수단 선택 기준 또한 ‘접근성’과 ‘안전성’을 중심으로 재편되었다. 이에 따라 차량 공유 서비스에 대한 수요는 꾸준히 유지되거나 오히려 증가하는 경향을 보였으며[24], [25], 이러한 흐름은 팬데믹 전후 시기에도 토픽의 본질적인 변화가 나타나지 않은 이유를 설명해준다.

시간에 따른 토픽 변화 분석은 모빌리티 서비스의 성숙 과정을 실증적으로 보여주는데, 초기에는 기술적 안정성, 사용성, 정책 투명성 등 기본적인 문제들이 주요 관심사였으나, 서비스가 성숙함에 따라 차량 상태와 같은 물리적 경험 요소의 중요성이 부각되고 있음을 확인할 수 있다.

차원별 종합 분석을 통해 차량 공유 서비스의 진화 경로를 더욱 명확히 파악할 수 있다. 첫째, 차량 관련 차원(토픽 1, 2)은 유일하게 모든 토픽이 증가하는 차원으로, 이는 서비스 경쟁의 본질적 변화를 시사한다. 초기에는 주변적 요소였던 차량 상태가 시간이 지나면서 핵심 경쟁 요소로 부상한 것이다. 특히 토픽 1(차량 상태 불만족)과 토픽 2(차량 품질 만족)가 동시에 증가하는 것은 사용자들의 차량 품질에 대한 민감도가 전반적으로 높아졌음을 의미한다. 이는 디지털 서비스가 물리적 경험으로 확장되는 과정을 보여준다.

둘째, 서비스 흐름과 정책 차원(토픽 3, 6, 7)은 성숙기 서비스의 전형적 패턴을 보인다. 토픽 3(픽업·반납 흐름)이 일정하게 유지되는 것은 핵심 서비스 프로세스가 표준화되어 더 이상 차별화 요소가 아님을 의미한다. 반면 토픽 6(가격·보험료)과 토픽 7(정책 투명성)의 감소는 초기의 정책적 혼란이 해결되고 시장이 안정화되었음을 보여준다.

셋째, 앱/시스템 차원(토픽 5, 8, 10)의 혼재된 패턴은 기술 관리의 복잡성을 반영한다. 토픽 5(온보딩·인증)와 토픽 8(시스템 사용성)의 감소는 UI/UX 개선과 사용자 학습 효과를 보여주지만, 토픽 10(업데이트 안정성)이 일정하게 유지되는 것은 주목할 만하다. 즉, 기술적 기반은 개선되었지만 지속적인 업데이트에 따른 불안정성은 디지털 서비스의 숙명적 과제로 남아있다.

넷째, 상호작용 차원(토픽 4, 9)의 안정적 유지는 서비스의 본질적 가치를 드러낸다. 고객지원(토픽 4)과 편리성·가성비(토픽 9)가 시간에 관계없이 일정한 것은 이들이 서비스의 핵심 가치 제안(value proposition)임을 의미한다. 앞선 디지털 서비스의 숙명적 과제와 마찬가지로 상호작용은 모빌리티 서비스의 핵심적 숙명 과제라 할 수 있다.

마지막으로 차원 간 변화 양상에 주목할 필요가 있는데 기술적 문제(앱/시스템 차원)가 감소하면서 사용자의 관심이 물리적 경험(차량 차원)으로 이동하는 모습이 나타난다. 이는 서비스 품질 관리의 초점이 시간에 따라 어떻게 이동해야 하는지를 명확히 보여준다. 결과적으로, 차원별 시간 변화 분석은 차량 공유 서비스가 '기술 중심 → 운영 중심 → 경험 중심'의 진화 경로를 따르고 있음을 보여준다. 서비스가 기능적 충족을 넘어 감성적 만족을 추구하는 단계로 진화하고 있음을 의미한다. 이러한 통찰은 향후 모빌리티 서비스의 혁신 방향이 기술적 우위보다는 총체적 경험 설계에 있음을 시사한다.

Ⅴ. 결 론

이 연구는 구조적 토픽 모델링을 활용하여 2015년부터 2025년까지 국내 주요 차량 공유 서비스 앱(쏘카, G카)의 사용자 경험을 종합적으로 분석하였다. 구조적 토픽 모델링의 가장 큰 강점은 단순한 주제 추출을 넘어 평점, 시간, 서비스 유형 등의 메타데이터를 토픽 분석 과정에 직접 통합함으로써 사용자 경험의 다차원적 구조를 밝힐 수 있다는 점이다. 이를 통해 다음과 같은 주요 발견을 도출하였다.

첫째, 구조적 토픽 모델링을 통해 차량 공유 서비스 앱 사용자 경험을 구성하는 10개의 핵심 토픽을 도출하고, 이를 4차원 구조로 체계화하였다. 차량 상태(토픽 1, 2), 서비스 흐름과 정책(토픽 3, 6, 7), 앱/시스템(토픽 5, 8, 10), 상호작용(토픽 4, 9)이라는 네 가지 차원의 발견은 모빌리티 서비스 사용자 경험이 디지털 인터페이스를 넘어 물리적 자산과 서비스 운영까지 포괄하는 총체적 현상임을 실증적으로 보여준다. 특히 K=10이 최적 토픽 수로 도출된 것은 사용자 경험의 복잡성과 다양성을 적절히 포착하면서도 해석 가능성을 유지한 균형점임을 의미한다.

둘째, 평점별 토픽 분포 분석을 통해 사용자 만족과 불만족을 결정하는 핵심 요인들을 규명하였다. 5점 평점에서는 편리성·가성비(토픽 9)와 차량 품질·서비스 만족(토픽 2)이 두드러지게 나타난 반면, 1점 평점에서는 업데이트 안정성(토픽 10), 온보딩·인증 마찰(토픽 5), 정책·보상 불투명성(토픽 7) 등 기술적·정책적 문제가 집중적으로 출현하였다. 특히 토픽 10(업데이트 안정성)이 극단적 불만족과 가장 강한 연관성을 보인 것은 디지털 기반 모빌리티 서비스에서 기술적 안정성이 사용자 경험의 결정적 요소임을 시사한다.

셋째, 서비스별 토픽 분포 비교에서 쏘카와 G카 서비스 간 동질성을 발견하였다. 두 서비스의 토픽 출현 빈도가 거의 동일하게 나타난 것은 차량 공유 서비스 시장이 이미 성숙 단계에 진입하여 서비스 간 기능적 차별화가 어려워졌음을 의미한다. 이는 시장 점유율 80%를 차지하는 쏘카의 서비스 모델이 사실상 업계 표준으로 자리 잡았으며, 후발 주자들이 이를 벤치마킹하는 과정에서 나타난 서비스 수렴 현상으로 해석된다.

넷째, 10년간의 시간 변화 분석을 통해 차량 공유 서비스의 경쟁 축이 '기능'에서 '품질'로 명확히 이동했음을 포착하였다. 차량 관련 토픽(토픽 1, 2)은 유일하게 지속적으로 증가한 반면, 기술적·정책적 이슈(토픽 5, 6, 7, 8)는 감소하는 추세를 보였다. 특히 차량 상태 불만족(토픽 1)과 차량 품질 만족(토픽 2)이 동시에 증가한 것은 사용자들의 차량 품질에 대한 민감도와 기대 수준이 전반적으로 높아졌음을 의미한다. 이는 서비스가 “기술 중심 → 운영 중심 → 경험 중심”의 진화 경로를 따르고 있음을 명확히 보여준다.

이 연구의 가장 중요한 학술적 기여는 구조적 토픽 모델링을 국내 모빌리티 서비스 앱 리뷰 분석에 적용했다는 점이다. 기존 연구들이 주로 LDA 기반의 단순 토픽 추출에 머물렀던 것과 달리, 이 연구는 메타데이터를 활용한 다차원적 분석을 통해 사용자 경험의 맥락적 패턴과 동적 변화를 종합적으로 규명할 수 있었다. 특히 10년이라는 장기간에 걸친 시계열 분석과 평점별, 서비스별 비교 분석을 동시에 수행함으로써 사용자 리뷰 연구 방법을 확장했다는 의의가 있다.

또한 이 연구는 디지털 서비스 사용자 경험의 다층적 구조와 차별적 진화 패턴을 실증적으로 밝혀냈다. 10년간의 종단 분석을 통해 UX 요소들이 지속적 본질 요소, 성숙과 함께 해결되는 초기 문제, 새롭게 부상하는 품질 이슈로 분화됨을 발견한 것은 서비스 진화 과정을 이해하는 데 중요한 이론적 토대를 제공한다.

나아가 이 연구는 서비스 산업의 성숙 과정에서 나타나는 경쟁 축의 이동과 사용자 기대의 변화를 실증적으로 규명함으로써, 디지털 서비스 맥락에서의 산업 진화 이론을 확장하는 데 기여하였다. 특히 기능 중심에서 품질 중심으로의 경쟁 축 이동은 성숙한 디지털 서비스 시장의 보편적 특성을 보여주는 중요한 발견이다.

이 연구의 결과는 차량 공유 서비스 운영자에게도 중요한 전략적 방향을 제시한다. 서비스 동질화가 진행된 현재 시장에서는 기존 방식의 기능 경쟁으로는 차별화가 어렵다. 산업이 품질 경쟁 단계로 진입한 만큼, 차량 상태 관리가 핵심 경쟁 요소가 되었다. 이는 단순한 청결 관리를 넘어 IoT 기반 실시간 모니터링, AI 예측 유지보수, 사용자 참여형 품질 관리 시스템 등 혁신적 접근이 필요함을 시사한다. 또한 사용자 기대 수준의 상승과 평가의 양극화에 대응하기 위해서는 ‘무결점 서비스’ 전략이 필요하다. 기본적인 서비스 품질이 당연시되는 상황에서는 작은 실수도 극단적 부정 평가로 이어질 수 있으므로, 전 접점에서의 일관된 품질 관리가 중요하다. 특히 고객지원과 업데이트 안정성처럼 시간이 지나도 지속적으로 나타나는 문제들에 대해서는 근본적 해결책이 필요하며, 이는 단순한 대응을 넘어 시스템적 개선과 조직 문화 차원의 변화가 요구됨을 의미한다.

다만 이 연구는 몇 가지 한계를 지닌다. 첫째, 안드로이드 플랫폼만을 대상으로 하여 iOS 사용자 경험이 제외되었다. 둘째, 앱 리뷰 데이터의 특성상 극단적 경험에 편향되었을 가능성이 있으며, 이는 서비스 간 차이를 희석시켰을 수 있다. 셋째, 텍스트 데이터만으로는 실제 이용 맥락과 행동을 완전히 파악하기 어렵다. 향후 연구에서는 멀티모달 분석을 통해 텍스트, 이미지, 이용 로그를 통합 분석하고, 타 모빌리티 서비스로 범위를 확대하여 MaaS 생태계 전반의 사용자 경험을 비교 분석할 필요가 있다. 또한 서비스 간 미묘한 차이를 포착하기 위해 더 정교한 분석 기법의 개발도 요구된다.

결론적으로, 이 연구는 구조적 토픽 모델링이 복잡한 사용자 경험의 다차원적 구조와 동적 변화를 포착하는 강력한 도구임을 실증하였다. 특히 산업 성숙에 따른 서비스 동질화와 경쟁 축의 이동, 사용자 기대 수준의 상승이라는 중요한 발견은 성숙한 모빌리티 서비스 시장에서 새로운 혁신과 차별화 전략의 필요성을 제기한다. 차원별 시간 변화 분석이 보여주듯, 차량 공유 서비스는 단순한 기능 제공을 넘어 총체적 경험 관리로 패러다임이 전환되고 있으며, 이는 향후 서비스 혁신이 개별 기능의 개선보다는 차원 간 시너지 창출과 새로운 경험 가치 창조에 초점을 맞춰야 함을 의미한다. 이 연구가 제시한 분석 프레임워크와 발견은 급변하는 모빌리티 환경에서 지속가능한 경쟁 우위를 확보하기 위한 학술적 토대와 실무적 지침을 제공한다.

References

• J. Zhu, N. Xie, Z. Cai, W. Tang, and X. Chen, “A Comprehensive Review of Shared Mobility for Sustainable Transportation Systems,” International Journal of Sustainable Transportation, Vol. 17, No. 5, pp. 527-551, 2022. [https://doi.org/10.1080/15568318.2022.2054390]
• KED Aicel. Socar: Update on the South Korean Car Sharing Service Market [Internet]. Available: https://www.aiceltech.com/insights/socar-update-2024-south-korean-car-sharing-market, .
• K. C. Park and I.-K. Song, “A Study of Perceived Value and Intention to Use for Car Sharing Service: Based on User Experiences Serviced by Seoul Car Sharing,” Journal of Internet Computing & Services, Vol. 20, No. 2, pp. 109-118, 2019. [https://doi.org/10.7472/jksii.2019.20.2.109]
• J. Kim and I. Han, “The Case Study on the Success Factors of Korean Car Sharing Business,” Knowledge Management Research, Vol. 21, No. 3, pp. 1-25, 2020. [https://doi.org/10.15813/kmr.2020.21.3.001]
• O. Haggag, J. Grundy, M. Abdelrazek, and S. Haggag, “A Large Scale Analysis of mHealth App User Reviews,” Empirical Software Engineering, Vol. 27, 196, 2022. [https://doi.org/10.1007/s10664-022-10222-6]
• N. Arambepola, W. L. Wimalasena, and L. Munasinghe, “From Conventional Methods to Large Language Models: A Systematic Review of Techniques in Mobile App Review Analysis,” Interdisciplinary Journal of Information, Knowledge, and Management, Vol. 20, 2025. [https://doi.org/10.28945/5491]
• M. E. Roberts, B. M. Stewart, and E. M. Airoldi, “A Model of Text for Experimentation in the Social Sciences,” Journal of the American Statistical Association, Vol. 111, No. 515, pp. 988-1003, 2016. [https://doi.org/10.1080/01621459.2016.1141684]
• F. Sprei, “Disrupting Mobility,” Energy Research & Social Science, Vol. 37, pp. 238-242, 2018. [https://doi.org/10.1016/j.erss.2017.10.029]
• S. A. Shaheen and A. P. Cohen, “Carsharing and Personal Vehicle Services: Worldwide Market Developments and Emerging Trends,” International Journal of Sustainable Transportation, Vol. 7, No. 1, pp. 5-34, 2013. [https://doi.org/10.1080/15568318.2012.660103]
• F. Bardhi and G. M. Eckhardt, “Access-Based Consumption: The Case of Car Sharing,” Journal of Consumer Research, Vol. 39, No. 4, pp. 881-898, 2012. [https://doi.org/10.1086/666376]
• A. M. Daniela, G. P. Juan Carlos, and G. Javier, “On the Path to Mobility as a Service: A MaaS-Checklist for Assessing Existing MaaS-Like Schemes,” Transportation Letters, Vol. 15, No. 2, pp. 142-151, 2023. [https://doi.org/10.1080/19427867.2022.2038987]
• A. Degbelo, J. Kruse, and M. Pfeiffer, “Interactive Maps, Productivity and User Experience: A User Study in the E‐Mobility Domain,” Transactions in GIS, Vol. 23, No. 6, pp. 1352-1373, 2019. [https://doi.org/10.1111/tgis.12576]
• D. A. Hensher and H. Xi, “Mobility as a Service (MaaS): Are Effort and Seamlessness the Keys to MaaS Uptake?,” Transport Reviews, Vol. 42, No. 3, pp. 269-272, 2022. [https://doi.org/10.1080/01441647.2022.2044590]
• J. Sochor, I. C. M. Karlsson, and H. Strömberg, “Trying Out Mobility as a Service: Experiences from a Field Trial and Implications for Understanding Demand,” Transportation Research Record, Vol. 2542, No. 1, pp. 57-64, 2016. [https://doi.org/10.3141/2542-07]
• Y. He and C. Csiszár, “Quality Assessment Method for Mobility as a Service,” Promet-Traffic & Transportation, Vol. 32, No. 5, pp. 611-624, 2020. [https://doi.org/10.7307/ptt.v32i5.3374]
• D. Pagano and W. Maalej, “User Feedback in the Appstore: an Empirical Study,” in Proceedings of the 21st IEEE International Requirements Engineering Conference (RE), Rio de Janeiro: Brazil, pp. 125-134, July 2013. [https://doi.org/10.1109/RE.2013.6636712]
• B. Fu, J. Lin, L. Li, C. Faloutsos, J. Hong, and N. Sadeh, “Why People Hate Your App: Making Sense of User Feedback in a Mobile App Store,” in Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Chicago: IL, pp. 1276-1284, August 2013. [https://doi.org/10.1145/2487575.2488202]
• E. Guzman and W. Maalej, “How Do Users Like This Feature? A Fine Grained Sentiment Analysis of App Reviews,” in Proceedings of the 22nd IEEE International Requirements Engineering Conference (RE), Karlskrona: Sweden, pp. 153-162, August 2014. [https://doi.org/10.1109/RE.2014.6912257]
• D. M. Blei, A. Y. Ng, and M. I. Jordan, “Latent Dirichlet Allocation,” Journal of Machine Learning Research, Vol. 3, pp. 993-1022, January 2003.
• S. B. Cho and S. H. Ha, “Analysis of Open Government Data Demand Using Structural Topic Modeling,” Journal of Information Technology and Architecture, Vol. 17, No. 2, pp. 103-118, 2020. [https://doi.org/10.22865/jita.2020.17.2.103]
• H. Park, D. H. Kim, and S. Chang, “Research Trend Analysis on Smart City Based on Structural Topic Modeling (STM),” Journal of Digital Contents Society, Vol. 20, No. 9, pp. 1839-1846, 2019. [https://doi.org/10.9728/dcs.2019.20.9.1839]
• M. E. Roberts, B. M. Stewart, and D. Tingley, “STM: An R Package for Structural Topic Models,” Journal of Statistical Software, Vol. 91, No. 2, pp. 1-40, 2019. [https://doi.org/10.18637/jss.v091.i02]
• E. M. Rogers, A. Singhal, and M. M. Quinlan, “Diffusion of Innovations,” in An Integrated Approach to Communication Theory and Research, 2nd ed. Abingdon, UK: Routledge, pp. 432-448, 2014.
• V. A. Zeithaml, A. Parasuraman, and L. L. Berry, Delivering Quality Service: Balancing Customer Perceptions and Expectations, New York, NY: Simon and Schuster, 1990.
• J. F. Teixeira, C. Silva, and F. Moura e Sá, “Potential of Bike Sharing During Disruptive Public Health Crises: A Review of COVID-19 Impacts,” Transportation Research Record, Vol. 2678, No. 12, pp. 480-492, 2024. [https://doi.org/10.1177/03611981231160537]