숏폼 콘텐츠의 감성·행동 지표 분석을 통한 몰입 및 집중 패턴 도출 연구

1-1 연구 배경 및 목적

최근 5년간 동영상 시장을 주도한 핵심 트렌드는 숏폼(Short-form)콘텐츠이다. 틱톡(TikTok), 유튜브 쇼츠(Youtube Shorts), 릴스(Instagram Reels) 등이 대표적이며, 짧은 시간 안에 다양한 영상을 소비·전환할 수 있도록 설계되었다. 젊은 층을 중심으로 전 세계적으로 확산되며 소셜 미디어 성장의 동력이 되었고, 단순한 유행을 넘어 현대인의 정보 소비와 미디어 이용 방식을 변화시켰다[1],[2]. 숏폼은 짧은 시간 내 감정적 반응을 유도하고 즉각적 몰입·반복 시청을 이끌어 주의 지속 시간 감소와 밀접히 연결된다. 또한 청소년과 MZ세대는 숏폼을 통해 정체성 표현과 사회적 관계 형성 방식까지 변화시키고 있다[3]. 이에 숏폼이 사용자와 상호작용해 인지·정서적 반응을 유도하는 메커니즘, 나아가 콘텐츠 특성과 반응 간 관계를 실증적으로 규명할 필요가 있다.

기존 숏폼 연구는 플랫폼의 환경과 구조를 다룬 일부 사례[4]–[6],[12],[15]를 제외하면, 주로 이용 동기, 중독성, 지각된 몰입 효과 등을 자기보고식 설문·인터뷰·실험실 연구에 의존해 왔다[1],[2],[7]–[11]. 그러나 이러한 접근은 실제 소비 과정에서 나타나는 몰입(Engagement)과 집중(Attention)과 같은 인지적 반응을 정밀하게 포착하기 어렵다. 몰입과 집중은 자각적 응답보다 비의식적이고 행동 기반의 반응을 통해 더 정확히 추정될 수 있기 때문이다. 이에 본 연구는 틱톡 로그 데이터(19,084개 영상)을 활용하여 몰입과 집중을 ⋯/view, ⋯/sec 등 정규화 지표와 댓글 길이로 조작화하였다. 이를 통해 단순 총량이나 인기도가 아닌 노출 보정된 반응 효율을 분석 단위로 삼아, 기존의 지각 중심접근을 행동 중심으로 보완하고자 한다.

구체적 목적은 다음과 같다.

첫째, 사용자 행동 로그(시청 지속, 반복, 이탈)를 통해 몰입·집중을 정량 추정한다. 둘째, 자막·댓글·해시태그의 감성 분석으로 감정적 특성을 파악한다. 셋째, 행동·감성 데이터를 통합해 몰입·집중을 유도하는 핵심요인을 도출한다. 넷째, 이를 콘텐츠 기획, 플랫폼 UX 개선, 디지털 리터러시 교육에 활용할 수 있는 시사점을 제시한다.

2-1 숏폼 콘텐츠의 개념과 확산

2-2 몰입도 및 집중도의 인지심리학적 개념

앞서 정의한 숏폼의 구조적 특성은 사용자의 주의 분배와 단기 몰입 반복을 전제한다. 이에 본 절은 몰입(Flow)·주의 지속 시간(Attention Span)·디지털 몰입(Digital Immersion)의 관점에서 숏폼 소비의 인지·정서 메커니즘을 정리하고, 3장의 행동 대리지표 설계로 연결한다. 몰입, 주의지속시간, 디지털 몰입은 숏폼의 짧고 자극적 특성과 사용자 반응을 이해하는 핵심 이론이다.

3-1 데이터셋 설명 및 변수 정의

본 연구는 숏폼 콘텐츠가 사용자 몰입도와 집중도에 미치는 영향을 실증적으로 분석하기 위해 Kaggle의 공개 데이터 셋을 활용하였다[24],[25]. 총 19,084개의 영상에는 영상 길이, 조회수, 좋아요 수, 댓글, 공유 수, 그리고 전사 텍스트 등 메타데이터가 포함되어 있어 설문·인터뷰 기반 연구와 차별된다. 분석 대상의 평균 길이는 약 32초(표준편차 16.2초)로, 5초~ 60초 범위에 분포해 숏폼의 1분 이하 구조와 부합한다. 평균 조회수는 약 25만, 좋아요 8.4만, 댓글 350, 공유 1.6만 건으로 큰 변동성을 보여 일부 콘텐츠의 폭발적 반응을 시사한다.

3-2 데이터 전처리 및 지표 설계

데이터 전처리 과정에서 결측치를 포함한 샘플을 모두 제거해 최종 19,084개 영상을 확보하였으며, 변수명은 소문자로 표준화하고 공백·특수 문자를 제거해 정합성과 재현성을 확보하였다.

본 연구는 사용자의 반응을 몰입도와 집중도로 구분해 측정하였다. 몰입도는 정서적·행동적 참여의 깊이, 집중도는 주의 지속성을 의미하며, 기존 설문 기반 연구와 달리 실제 로그 데이터를 통해 정량화했다. 몰입도 변수는 engagement index, engagement_per_view, engagement_per_sec이며, 집중도는 like_per_sec, comment_per_sec, comment_length로 추정하였다. 이 변수들은 후속 분석에서 독립·종속 변수로 활용되어 콘텐츠 특성과 사용자 반응 관계를 규명하는 기반이 되었다.

1) 몰입도의 정의와 지표 구성

몰입도란 사용자가 콘텐츠에 대해 정서적·심리적으로 얼마나 깊이 반응하였는가를 나타내는 지표이다. 일반적으로 몰입은 사용자의 감정적 반응, 참여도, 자발적인 반응에서 추론될 수 있으며, 다음과 같은 행동 지표들이 이를 반영한다고 본다.

특히 like/view 또는 comment/view와 같이 정규화된 지표는 단순 조회수 인기와는 별개로 콘텐츠당 몰입도, 효율성을 판단하는 데 유용하다. 몰입도는 다음과 같은 가중합 수식으로 계산된 engagement index를 핵심 지표로 사용하였다.

$\[ "\text{Engagement Index}"=\begin{array}{l}0.5\times "\text{Like Count}" \hfill \\ +1.0\times "\text{Comment Count}"\hfill \\ +1.5\times "\text{Share Count}"\hfill \end{array} \]$

이를 기반으로 조회수 대비 몰입도를 나타내는 정규화 지표(engagement_per_view)와, 영상 길이를 고려한 몰입도 속도 지표(engagement_per_sec)를 추가적으로 산출하였다. 이러한 지표는 단순 인기 척도가 아니라, 콘텐츠별 몰입 효율성을 평가할 수 있다는 점에서 의의가 있다.

Table 1.

Proxy indicators for measuring user engagement

3-3 텍스트 감성 분석 및 구간 구분

본 연구는 숏폼 영상의 정서적 특성이 몰입·집중 반응에 미치는 영향을 검증하기 위해 Python의 NLTK 의 VADER알고리즘을 활용하였다. VADER는 소셜 미디어나 리뷰 데이터 등 짧고 비구조적인 텍스트에 특화된 규칙 기반 감성 분석 도구로 긍정, 중립, 부정의 감성 점수를 포함한 네 가지 점수(Compound, Pos, Neu, Neg)를 산출한다. 분석에 앞서, 영상 전사 텍스트는 문자열(str) 형태로 일괄 변환하고 불용어 및 특수 문자 등의 노이즈를 제거하였다. 이후 SentimentIntensityAnalyzer 객체를 생성하여 각 텍스트에 대한 감성 점수를 계산하였다.

Table 2.

Proxy indicators for estimating viewer attention

특히, 본 연구에서는 네 가지 점수 중 총합적인 정서 강도를 나타내는 compound score를 사용하였다. Compound Score는 –1(매우 부정적)부터 +1(매우 긍정적)까지의 연속 값을 가지며, 본 연구에서는 다음과 같은 기준으로 감성 레이블을 부여하였다.

• • 긍정: compound score ≥ 0.05
• • 중립: –0.05 < compound score < 0.05
• • 부정: compound score ≤ –0.05

이러한 기준은 VADER 개발 문서 및 선행 연구(Hutto & Gilbert, 2014)에 근거하여 설정되었다. 이 임계치는 소셜 미디어와 같은 짧고 비정형 텍스트의 잡음을 흡수하기 위한 대칭 중립 구간(−0.05~+0.05)을 전제로 한다. 아울러 본 연구의 주요 해석은 연속형 compound와 정규화된 반응 효율 지표에 기반 하기 때문에 임계치 선택의 영향은 제한적이며, ±0.03/±0.07로 조정해도 결론적 방향은 동일하다. 감성 점수는 앞서 정의된 지표를 기반으로 몰입·집중 지표와 함께 회귀 분석의 독립 변수로 활용되었으며, 감성 그룹 간 반응 차이를 비교 분석하는 데 사용되었다.

텍스트 감성 분석의 결과, 전체 영상 중 약 38%는 긍정, 45%는 중립, 17%가 부정으로 분류되었다. 이러한 분포는 숏폼이 대체로 긍정적인 정서를 중심으로 구성되지만, 상당 비율의 중립과 부정 콘텐츠도 포함하고 있음을 시사한다. 특히, 긍정 콘텐츠는 즉각적인 좋아요와 공유를, 부정 콘텐츠는 더 긴 댓글이나 비판적 의견을 유도하는 경향을 나타냈다. 이는 본 연구에서 몰입과 집중 반응을 감성에 따라 세분화하여 분석하는 기초 자료로 활용되었다.

또한, 영상 길이를 기준으로 0~15초, 15~30초, 30~60초, 60초 이상 네 개의 구간으로 분류하였다. 이는 숏폼의 특성상 영상 길이에 따라 반응 속도와 유형이 달라질 가능성이 있다는 가설을 검증하기 위한 설계였다. 각 구간별 몰입도· 집중도 지표의 평균값과 분산을 비교함으로써, 짧은 영상이 즉각적 반응을 더 많이 유도하는지, 긴 영상이 보다 심층적인 개입을 촉발하는지를 다층적으로 평가할 수 있었다.

영상 길이 구간과 감성 라벨은 상호 독립적으로 분석될 뿐만 아니라, 상호작용 효과를 검증하기 위한 분석 모형에도 포함되었다. 이를 통해 예를 들어 ‘긍정-짧은 영상’, ‘부정-긴 영상’과 같은 결합 조건에서 사용자 반응 패턴을 비교하고, 다양한 콘텐츠 기획 및 타깃 전략 수립에 활용할 수 있는 실증적 근거를 마련하였다.

3-4 분석 설계 개요 및 통계 기법

본 연구의 분석 설계는 데이터 기반의 정량적 검증과 콘텐츠 전략적 해석을 동시에 목표로 한다. 분석은 크게 세 가지 단계(기술 통계 및 그룹 비교, 회귀 분석, 군집 분석)로 진행되었다. 이 단계적 접근은 단순 지표 비교를 넘어 콘텐츠 특성과 사용자 반응의 다층적 구조를 규명하기 위함이다.

첫째, 기초 통계와 그룹 비교로 데이터의 분포와 패턴을 파악하였다. 주요 몰입도·집중도 지표(engagement index, engagement_per_view, engagement_per_sec, like_per_sec, comment_per_sec, comment_length)에 대해 평균, 표준편차, 분위 수 등을 산출하고 히스토그램 및 KDE 그래프로 분포 특성을 시각화하였다.

둘째, 다중 선형 회귀 분석(OLS; Ordinary Least Squares)를 통해 반응 지표(5개)와 독립 변수(video_duration_sec, sentiment_score, comment_length)의 관계를 검증하였다. 분석은 Python Statsmodels로 수행되었으며, R², 회귀 계수, 표준오차, t·p값 등 통계량을 제시하였다. 결과적으로 영상 길이는 시간 기반 지표에 음의 영향을, 댓글 길이는 대부분 지표에 긍정적 영향을 주었고, 감성 점수는 제한적 영향을 보였다.

셋째, K-means 군집 분석으로 여섯 개 핵심 지표를 기반으로 반응 유형을 네 가지(고 몰입-고 집중형, 고 몰입-저 집중형, 저 몰입-고 집중형, 저 몰입-저 집중형)로 분류하였다. 예컨대 고 몰입-고 집중형은 짧은 영상과 높은 댓글 밀도로 즉각적·심층적 참여를 유발하였다.

마지막으로, 군집 별로 engagement index가 가장 높은 상위 3개 콘텐츠를 추출하여 실제 기획·마케팅 전략에 적용 가능한 시사점을 도출하였다. 이 단계적 설계는 통계적 엄밀성과 실무적 활용성을 동시에 충족시킨다.

4-1 몰입도 및 집중도 지표의 기술 통계와 분포

본 연구는 틱톡 숏폼을 대상으로 몰입도·집중도 지표의 분포와 기초 통계를 분석하였다. 이는 데이터의 전반적 구조를 이해하고, 후속 감성·회귀·군집 분석의 기초 자료를 제공하기 위함이다. 몰입도는 engagement Index, engagement_per_view, engagement_per_sec로, 집중도는 like_per_sec, comment_per_sec, comment_length로 추정하였다.

기술 통계를 통해 평균, 표준편차, 최소·중앙·최대값을 산출하고, 분포의 편향성과 극단값을 확인하였다. 이는 극도로 높은 engagement index나 comment_per_sec사례를 포함한 분포 특성을 명확히 하여 후속 분석의 변수 선택과 해석 기반을 제공한다.

표 3은 주요 대리지표의 통계량을 종합 제시한다.

Table 3.

Descriptive statistics of key variables in the TikTok dataset

영상 길이는 평균 32.4초(표준편차 16.2초)로 숏폼의 특성과 부합했다. 조회 수는 평균 약 25만 회로 큰 분산을 보여 일부 콘텐츠가 폭발적 반응을 유발함을 확인했다. 좋아요와 댓글은 평균 8.4만 개, 349개였으며, 공유는 평균 1.7만 건으로 숏폼의 바이럴 확산 가능성을 시사한다. Engagement Index는 평균 67,604(표준편차 110,327)로, 소수 콘텐츠가 매우 높은 몰입도를 기록했다. Engagement_per_view는 평균 0.22로 효율적 반응을 보여준다. 집중도 지표로는 like_per_sec 3,872건, comment_per_sec 16건, engagement_per_sec 3,099가 확인되었으며, comment_length는 평균 89자로 상당수 사용자가 장문의 의견을 남김을 보여준다. 이는 숏폼이 단순 소비를 넘어 인지적 개입을 유발함을 시사한다.

그림 1은 engagement index와 engagement_per_sec의 분포를 시각화한 것이다. 두 지표 모두 대다수는 낮은 값, 일부는 극도로 높은 값을 보여 강한 롱테일 구조를 보였다. 이는 숏폼이 일부 영상 중심으로 폭발적 반응을 이끌어내는 특성을 반영하며, 후속 분석에서 로그 변환 등 보정이 필요함을 시사한다. 또한, 분포의 비대칭성은 평균값 해석의 한계를 시사하며, 중앙값과 분위수를 병행 검토하는 것이 타당하다.

Fig. 1.

Distribution of engagement index and engagement per second(19,084 videos)

4-2 감성 유형 및 영상 길이에 따른 반응 차이

사용자 반응은 콘텐츠의 감성적 특성과 영상의 길이에 따라 달라질 수 있다. 본 절에서는 콘텐츠의 긍정 및 부정 감성에 따른 몰입도와 집중도 지표의 차이를 분석하고, 추가적으로 영상 길이 구간별 사용자 반응 패턴을 비교하였다. 이를 통해 숏폼 콘텐츠에서 감성적 메시지와 물리적 구성이 어떻게 상호작용하며 몰입과 집중을 유발하는지를 구체적으로 탐색하고자 하였다.

감성 분석은 VADER 알고리즘을 기반으로 수행되었으며, 영상 전사 텍스트의 compound score를 기준으로 긍정(≥ 0.05), 중립(–0.05 ~ 0.05), 부정(≤ –0.05)으로 분류되었다.

그림 1은 두 지표 모두 강한 롱테일을 보여 소수 상위 콘텐츠에 집중됨을 시사한다. 상단의 engagement index는 총량, 하단의 engagement per second는 노출시간을 보정한 효율 분포를 나타내며, 하단에서도 꼬리가 유지되어 짧은 시간에도 비정상적으로 높은 반응 밀도가 발생하는 사례가 있음을 보여준다.

분석은 감성 유형(긍정·부정)과 영상 길이(0–15초, 15–30초, 30–60초, 60초 이상)를 기준으로 몰입도·집중도 지표의 평균값 차이를 검증하였다. 긍정 콘텐츠는 좋아요·공유를, 부정 콘텐츠는 긴 댓글을 통한 심층 개입을 유도하는 경향이 있었다. 짧은 영상은 즉각적 반응을, 긴 영상은 보다 심층적 몰입과 후기형 피드백을 촉발하는 조건을 제공하는 것으로 나타났다. 따라서 감성과 길이에 따른 반응 패턴을 종합 검토하는 것은 숏폼 기획과 타깃팅 전략에 중요한 근거가 된다.

표 4는 긍정·부정 그룹 간 몰입도와 집중도 지표 평균을 비교한 결과를 제시한다. 긍정 콘텐츠의 engagement_per_sec(2,878.68±6,929.93)와 like_per_sec(3,603.85±8,462.31)는 부정 콘텐츠(각각 2,813.63±6,445.79, 3,533.66±8,317.78)보다 소폭 높았다. 다만 두 그룹 모두 표준편차가 커 단순 평균 차이는 신중히 해석해야 한다.

Table 4.

Comparison of engagement and attention indicators by sentiment category

반면 engagement_index는 긍정 콘텐츠(62,065.00 ± 107,946)보다 부정 콘텐츠(63,576 ± 103,593)에서 다소 높게 나타나, 긍정 감성이 반드시 전체 몰입도를 높이는 것은 아님을 보여준다.

Comment_length 역시 부정 콘텐츠가 평균 97.46자(±23.67)로 긍정 콘텐츠(91.79 ± 21.72)보다 더 길어, 부정 감성이 더 심층적인 의견을 유도할 가능성을 보여준다. 로그 변환 지표는 극단 값을 보정해 감성 간 차이가 줄어들었으며, engagement_per_view는 양 그룹 간 큰 차이가 없어 감성이 조회수 대비 반응 비율에는 제한적 영향을 갖는 것으로 나타났다.

표 5는 영상 길이 구간(0–15초, 15–30초, 30–60초, 60초 이상)에 따른 주요 지표의 평균값을 비교한 결과이다. 각 구간은 숏폼의 시간적 특성이 반응 패턴에 미치는 영향을 검증하기 위해 설정되었으며, engagement index, 시간당 반응 지표, 댓글 길이 차이를 구체적으로 보여준다. 분석 결과, 0~15초 구간의 engagement_per_sec(7,555.12)와 like_per_sec(9,479.19)는 모든 구간 중 가장 높아 짧은 영상이 즉각적 반응을 유도하는 데 효과적임을 보여준다. 반면 engagement_index는 60초 이상 구간에서 평균 75,240.40으로 가장 높아, 긴 영상이 더 깊은 몰입을 유도할 수 있음을 시사한다. 정규화 후에도 짧은 영상의 시간당 반응 밀도는 일관되게 높아, 단순 분모 효과를 넘어 구조적 차이가 존재함을 보여준다.

Table 5.

Engagement and attention metrics by video duration group

또한, engagement_per_view는 전체적으로 0.22~0.23 범위에 머물러 있어, 구간 간 큰 차이는 관찰되지 않았다. comment_per_sec 역시 짧은 영상에서 가장 높은 값(38.88)을 나타냈으며, 긴 영상으로 갈수록 점진적으로 감소하였다. 흥미롭게도, 댓글 길이는 구간별 큰 변동 없이 84~88자 수준을 유지하였다. 이는 영상 길이와 무관하게 사용자가 댓글에 담는 정보의 심층성은 일정 수준으로 유지됨을 나타낸다.

4-3 회귀 분석 결과: 결정요인과 영향력 검증

본 절에서는 몰입도·집중도 지표의 결정요인을 규명하기 위해 다중 선형 회귀 분석을 수행하였다.

종속 변수는 engagement index, engagement_per_view, engagement_per_sec, like_per_sec, comment_per_sec 등 다섯 가지 이며, 독립 변수는 영상 길이, 감성 점수, 댓글 길이를 포함하였다. 이는 물리적 특성(영상 길이), 정서적 특성(감성), 사용자 개입 수준(댓글 길이)이 반응 패턴에 어떻게 기여하는지를 검증하기 위한 것이다. 분석 결과는 회귀 계수, 표준오차, t·p값으로 요약되어 각 요인의 영향 방향과 크기를 제시한다. 특히 시간 기반 지표(engagement_per_sec, like_per_sec, comment_per_sec)와 총량 지표 간 차이를 비교해, 단순 조회가 아닌 질적 몰입 수준을 파악할 수 있도록 하였다. 표 6은 몰입도·집중도 지표를 종속 변수로 한 다중 선형 회귀 분석 결과로, 영상 길이, 감성 점수, 댓글 길이를 독립 변수로 포함하며 계수, 표준오차, t값, p값을 함께 제시하였다.

Table 6.

Regression results on engagement and attention metrics

분석 결과, 댓글 길이는 몰입도·집중도 지표에 일관되게 정(+)의 영향을 미쳤다(p < 0.001). 즉, 댓글이 길수록 해당 콘텐츠에 대한 몰입과 인지적 집중도가 높았다. 영상 길이는 시간 기반 지표(engagement_per_sec, like_per_sec, comment_per_sec)에서 모두 부(–)의 계수를 보여(p < 0.001), 길이가 늘어날수록 단위 시간당 즉각적 반응은 줄어들었다. 반면 총 몰입도를 나타내는 engagement_index에서는 계수가 유의수준 0.1 근방(p = 0.085)에 머물러, 전체 몰입도에는 제한적 영향을 준 것으로 해석된다. 감성 점수(sentiment_score)는 다수 지표에서 부(–)의 영향을 보였으며, 특히 engagement_index와 engagement_per_view에서 두드러졌다(p < 0.001). 이는 부정적·중립적 감성이 긍정적 콘텐츠보다 총체적 반응 유도에 더 효과적일 수 있음을 시사한다.

4-4 사용자 반응 패턴의 군집 분석 및 대표 사례

본 절에서는 몰입도·집중도 지표를 기반으로 K-means 군집 분석을 수행하여 사용자 반응 패턴을 유형화하였다. 분석 변수는 engagement index, engagement_per_view, engagement_per_sec, like_per_sec, comment_per_sec, comment_length 등 여섯 가지 핵심 지표였다. 군집 분석의 목적은 다차원 반응 데이터를 통해 유사 패턴의 콘텐츠 집단을 식별하고, 각 군집의 특성을 비교해 마케팅 및 콘텐츠 전략에 활용할 근거를 제시하는 것이다.

군집 수(k)는 실루엣 점수를 기준으로 평가하였다. 점수는 k=2에서 0.5402로 가장 높았고, 이후 k가 증가할수록 감소해(3: 0.4645, 4: 0.3017, 5: 0.2773) 분리도가 약화됨을 보였다. 따라서 k=2가 최적의 군집 수로 선정되었다.

표 7은 K-means 결과로 도출된 군집별 반응 지표 평균과 샘플 수를 제시한다. 분석 결과, 군집 2는 engagement index(335,962.36)와 주요 지표에서 가장 높은 값을 보이며 강한 즉각 반응과 몰입을 나타냈다. 다만 샘플 수는 344개로 극소수의 고반응 그룹이었다. 군집 0도 높은 engagement index(244,119.43)와 시간당 반응을 보여 몰입형 집단으로, 샘플 수는 3,439개였다.

Table 7.

Cluster-wise comparison of average engagement metrics and sample size

군집 1은 낮은 engagement index(33,401.23)와 engagement_per_sec(1,222.29)을 보였지만, comment_length(109.96)가 가장 길어 심층 피드백 형으로 해석된다. 군집 3은 모든 지표가 낮고 샘플 수가 9,713개로 가장 많아 다수가 ‘저반응-저몰입형’임을 시사한다. 영상 길이 측면에서 군집 2는 평균 8.95초로 가장 짧아 초단편 콘텐츠가 극단적 반응을 유발함을 보여준다. 감성 점수는 대체로 유사했으나 군집 1에서 다소 높아 긴 댓글 참여와 연관 가능성을 보였다.

표 8은 각 군집별 대표 콘텐츠 사례를 제시해 영상 길이, 감성 점수, 댓글 길이, 전사 텍스트와 함께 반응 패턴을 비교한다. 군집 0과 2의 대표 콘텐츠는 짧은 길이(7~46초)와 높은 engagement index(60만 이상)를 특징으로 하여 강한 주제 집중성과 바이럴 잠재력을 가진다. 반면 군집 3과 일부 사례는 댓글이 길고 감성 점수가 높아 심층 피드백과 토론을 유도해 장기적 몰입 전략과 연결된다.

Table 8.

Representative content characteristics and example texts by cluster

콘텐츠 주제는 과학, 스포츠, 사회·문화 정보부터 대중적 호기심을 자극하는 이야기까지 다양했으며, 군집별 선호 유형 차이를 뚜렷하게 보여준다.