Journal Archive

초기 딥페이크 기술의 경우, 오토인코더(Autoencoder) 기술을 기반으로 원본(source)의 특정 부분을 단순히 바꿔 합성한다는 개념에 그쳐 다소 부자연스러운 결과물이 구현되었으나, 최근 적대적 생성 신경망(GANs, Generative Adversarial Neworks) 기술이 접목됨에 따라 더욱 고도화된 결과물을 구현할 수 있게 되었다[10]. GANs 기술은 인공신경망(Artificial Neural Network) 내에 다른 목적을 지닌 두 네트워크(Generator&Discriminator)를 위치 시켜, 각 모델이 학습을 반복하며 최종적인 결과물을 생성해내는 기술이다. 즉, 생성모델(generator)은 주어진 원본값을 토대로 진짜 같은 가짜 영상을 지속해서 생성하며, 분류모델(discriminator)은 생성모델이 전달하는 영상에 대한 진짜와 가짜 유무를 판독하며 서로 상호 발전하게 된다. 따라서 결론적으로 생성모델은 실제와 매우 유사한 영상을 생성하게 되며, 분류모델이 가짜 영상임을 인식하지 못할 때 최종적인 결과물이 생성되는 방식이다[11]. 이후, 지속 개발·보완된 딥페이크 기술은, AI가 여러 원본 소스를 학습하여 완전히 새로운 가상의 영상(image)을 생성하고, 영상의 심층적인 조작(표정, 입 모양 등)을 가능하게 하는 StyleGAN(Style Generative Adversarial Networks) 기술로까지 발전을 거듭한 상황이다[12].

점차 딥페이크 기술이 고도화됨에 따라 딥페이크 기술이 방송·미디어 콘텐츠 산업에 접목되는 사례가 빈번해지고 있다. 딥페이크 기술은 방송·미디어 산업에서 제작자의 시간·비용·기술적 제약을 보완함과 동시에 완성도를 높이고 배우가 소화 가능한 연기의 범위를 확장하고 있다. 최근 tvN에서 방영된 드라마 <나빌레라>는 배우가 소화할 수 없는 장면에 대역을 활용해 AI로 하여금 대역의 동작을 학습시키고, 이후 편집과정에서 배우의 얼굴을 합성시키는 페이스 에디팅 기술을 활용하였으며[13], Mnet의 <AI 음악프로젝트 다시 한 번>은 과거 영상·음성 자료를 바탕으로 페이스에디팅 기술과 AI 음성복원 기술을 융합하여 사망한 가수의 무대를 새롭게 재현하였다[14-15]. 이어서, TvN의 예능 <불꽃미남>에서는 디에이징 기술을 활용해 출연진들의 얼굴을 20대 시절의 외모로 변환하여 송출하고, <강식당>에서는 객체 제거 기술을 활용하여 브랜드 로고와 방송 카메라 등을 화면에서 제거하여 시청자들의 몰입도를 높였다[16]. 또한 영화 <Avengers: Endgame(2019)>와 <The Irishman(2019)>, 그리고 <Gemini Man(2019)>에서는 페이스 디에이징 기술이 중년 배우들의 다양한 연령대의 연기를 구사하기 위한 수단으로 활용되기도 하였다[17-18].

딥페이크의 활용성은 방송·미디어 산업에서만 국한되지는 않는다. 최근 3D 모델링을 통해 형성된 디지털 휴먼(Digital Human)은 딥페이크 기술을 응용하여 실시간으로 다양한 언어(언어적 표현 및 비언어적 표현)를 구사할 수 있도록 발전하고 있으며, 이는 엔터테인먼트, 마케팅, 교육 등과 같은 부문에서 활용되고 있다[19]. 또한, 독일 뤼벡대학교의 의료정보학연구소는 딥페이크 기술을 응용하여 촬영된 CT, MRI, X-Ray 자료를 바탕으로 암의 징후와 이상 신호 등을 검출하는 기술을 개발하는 등[20] 딥페이크 기술은 매우 다양한 사례에서 긍정적으로 활용되고 있다.

딥페이크 기술은 2017년 12월 해외 유명 커뮤니티 사이트 레딧(Reddit)에 'deepfakes'라는 ID를 가진 한 사용자가 음란물에 해외 유명 여배우의 얼굴을 합성한 게시물을 업로드하면서부터 대중적으로 알려지기 시작했다[21]. 이후 유명 개발자 커뮤니티(TenseorFow, OpenCV, Reddit 등)에 바로 구현 가능한 무료 API/SDK(Application Programing Interface/Software Development Kit)가 공유되고, 딥페이크 제작 애플리케이션과 웹사이트 등이 생겨나면서 누구나 쉽게 딥페이크 동영상을 이용할 수 있게 되었고 딥페이크 기술을 악용하는 사례도 증가했다 [21-23]. 유명인과 일반인을 대상으로 합성된 가짜 영상물이 제작·유포되는 사례가 잇따라 등장하고 있으며[24-25], 2019년 기준 딥페이크 영상 총 14,678건 중 약 96%가 음란물로 확인된다는 연구 결과가 나올 정도로 불법 동영상이 증가했다[26].

나아가, 제공되는 미디어 콘텐츠에 대해 비판적으로 수용하고 대응할 수 있는 '비판적 소비 능력'이 부족한 상황 속에서 증가하는 딥페이크 기술의 활용은 '가짜뉴스'의 생산에 힘을 실어주게 되는 것이며[27], 생산된 '가짜뉴스'는 소셜미디어(social media) 환경을 통해 급속도로 확산될 가능성이 높다[22]. 즉, 기본적으로 인간의 일반적인 감각으로는 구별 불가한 딥페이크 정보가 가짜뉴스에 포함될 시, 정보를 수동적(passive)으로 받아들이는 수용자(대중)는 해당 정보를 그대로 받아들이게 되며 이를 타인과 공유하여 전파의 확산을 높일 수 있다는 것이다. 더군다나, 디지털 디바이스의 보편화로 이용자들이 시·공간 제약 없이 소셜네트워크서비스(Social Network Service)상에서 딥페이크 정보를 바탕으로 잘못된 여론을 단기간에 형성할 수 있기에, 그 점 또한 우려되는 상황이다[28].

딥페이크 기술은 긍정적인 활용 측면과 부정적인 활용 측면을 동시에 지니고 있지만, 딥페이크를 향한 사회적 인식은 부정적인 면이 크다. 이러한 상황에서, 현재 딥페이크에 관련된 연구들은 기술의 부작용과 우려를 예방하기 위한 '기술 개발'의 관점과 '사회·법/제도' 관점에서 이루어지고 있다. 우선, 딥페이크 기술과 관련된 연구의 경우 '딥페이크 생성 기술'과 '딥페이크 탐지 기술'로 나뉘어 진행되고 있는데[29], 최근 들어 기술에 대한 사회적 우려가 높아짐에 따라 '딥페이크 탐지 기술'에 관련된 연구가 주로 이루어지고 있는 상황이다. 이에 따라, 박준 외(2019); 김정호 외(2020); 손석빈 외(2021)는 현재 국내외에서 개발된 딥페이크 탐지 기술 동향을 바탕으로 비교 및 검증을 실시하여 기술적 보완을 위한 제언을 제시하였다[10, 23, 29]. '사회·법/제도' 관점에서 이루어진 연구의 경우, 앞서 나타난 딥페이크 부작용 사례를 바탕으로 사회적으로 정비되어야 할 법/제도의 마련과 대응 방안에 대한 함의를 도출하였다. 최근에는 딥페이크 기술이 적용된 애플리케이션을 활용해 초등학생들을 대상으로 윤리교육을 실시하여 유의미한 성과를 나타낸 연구도 있다[30]. 최순옥 외(2019)와 이민영(2020)은 딥페이크가 사회적 여론 과정에서 초래할 수 있는 역기능에 대하여 사회 구조적 맹점과 법/제도적 대응에 대한 논제를 제시하였으며, 올바른 규제의 방향성과 입법 정책적 과제를 제안하였다[21-22]. 그리고 홍태석(2020)은 딥페이크 악용 사례에 대한 해외 판례를 중심으로 새로운 유형의 범죄에 대한 필요성을 주장하며 사회적 차원에서 고려되어야 할 법·제 대응 방안을 제시한 바 있다[31].

다양한 분야에서 딥페이크 기술의 발전 방향에 대한 연구가 이루어지고 있지만, 언론의 담론은 사건⋅사고에 집중되어 있다. 국내 언론은 주로 딥페이크 기술을 악용한 사건이나 부작용 및 우려에 초점을 맞추고 있으며, 그 외 기술의 다양한 활용 및 해결해야 할 과제 등에 대한 담론은 부족하다[32]. 이러한 제한적이고 부정적인 담론은 대중들이 담론의 대상에 대해 부정적 인식을 형성하는 데 영향을 미치게 된다[33-35].

Westerlund (2019)은 구글에서 검색된 84개의 신문 기사 분석을 통하여 딥페이크 기술 활용의 예, 이점과 위협, 그것에 대응하는 방법에 대해서 연구하였다[36]. Westerlund의 연구에서는 딥페이크가 정치 시스템이나 경제활동에 위협적인 면도 있지만 입법이나 교육 등을 통해 극복될 수 있음을 설명하고 있다. 이는 국내 언론이 딥페이크를 범죄 사건과 연결 지어 사건 중심의 기사를 주로 내보낸 것과는 차이가 있는 부분이다. 하지만 Westerlund (2019)의 연구는 구글 검색을 통해 소수의 기사만을 분석하였고 분석 기간도 제한적이어서 한국의 경우와 직접적인 비교를 하기에는 무리가 있다. 이에 본 연구는 국내 신문 기사와 국외 신문 기사를 비교함으로써 딥페이크기술에 대해 국내와 국외 언론이 기술의 활용 양상 및 논란, 또는 논란에 대한 대안 및 발전 방향 등에 대해서 각기 어떠한 토픽을 형성하여 보도하였는지 비교하여 분석해보고자 한다. 이를 통해 동일한 기술에 대한 사회적 이해가 국내외적으로 어떻게 다른지를 살펴 볼 수 있을 것으로 생각된다.

본 연구는 언론이 딥페이크 기술을 보도함에 있어 국내와 국외에서 어떠한 차이를 나타내는지 살펴보고자, 기사의 내용에 대한 요약 및 논점이 드러나는 '기사 제목'을 바탕으로[37] 국내와 국외의 보도 경향을 비교분석하였다. 국내 언론보도 기사 제목 데이터는 한국언론진흥재단의 '빅카인즈'를 통해 수집하였다. 국외 언론보도 기사 데이터 수집은 LexisNexis 사의 'Lexis+®'를 활용하였다. LexisNexis 사는 자체 구축한 데이터베이스를 전 세계 주요 언론사에서 수집된 뉴스(신문, 잡지, 통신, 기사 등), 법률 및 국가에 관한 자료 등을 제공하는 기업이다[38-40].

데이터를 수집하기 위해 키워드는 국내의 경우 "딥페이크," 국외의 경우 "deepfake"를 사용하여 검색되는 신문 기사를 수집하였다. 데이터 검색 기간은 2000년 1월 1일부터 2021년 11월 23일로 설정하였다. 빅카인즈를 통해 수집된 국내 언론보도 기사 제목은 1,625건으로 중복 및 관련 없는 기사 49건을 제외하고, 총 1,576건의 기사를 수집하였다. Lexis+® 를 통해 수집된 국외 기사 제목은 2,546건으로 중복 및 관련 없는 기사(단순히 단어 'deep'과 'fake'가 포함된 기사) 439건을 제외하고 총 2,107건의 기사를 수집하였다. 본 연구를 위하여 'Lexis+®'로 검색되는 기사들 가운데 영어로 작성된 기사만을 선택하였다.

수집된 국내외 신문 기사의 추이를 살펴보고자 연도 및 분기별 기사량 추이를 도출하였으며, 키워드 빈도분석과 토픽모델링, 그리고 키워드 네트워크 분석을 위해 R을 이용하였다. 토픽모델링은 LDA(Latent Dirichlet Allocation) 방법을 활용하였으며, FindTopicNumbers 함수를 통하여 Griffiths2004, CaoJuan2009, Arun2010, Deveaud2014 등 4개의 지수값을 기준으로 최적의 토픽 개수를 결정하였다<부록 1, 2>. 이어서 키워드 네트워크 분석을 위해 ‘ggraph’ 함수를 활용하여 연결 중심성(degree centrality)을 중심으로 네트워크를 형성하였다. 네트워크 분석은 검색어인 딥페이크(deepfake)는 제외한 경우와 제외하지 않은 경우를 분리하여 분석을 실시하였고, 이를 통해 키워드와 다른 단어 간의 연관성을 살펴보았다.

본 연구를 위해 수집된 비정형 데이터의 전처리를 위해 다음과 같이 전처리 작업을 진행하였다. 데이터의 전처리는 R의 'tm', 'KoNLP', 'dplyr', 'stringr', 'textclean', 'tidytext', 'tidyr' 등과 같은 패키지를 활용하여 진행하였다. 국내 기사의 경우 불필요한 단어처리의 용이성을 위하여 우선 'n번방'과 'n 번방'과 같은 주요 동의어를 '엔번방'으로 우선 변환하여, 한 글자 삭제 등과 같은 기타 전처리 작업 후 다시 ‘n번방’으로 변환하는 작업을 진행하였다. 영어 기사의 경우 artificial intelligence와 같이 두 단어 이상으로 이루어진 하나의 키워드가 두 가지 키워드로 분리되는 것을 최소화하기 위하여 명사 추출 전 같은 의미의 한 단어 키워드로 변형시켰다. ‘Daily news’ 나 ‘Today’s news’와 같은 신문 섹션 정보와 날짜도 불용어로 처리하였다. 명사 추출 후 동의어, 축약어 및 불용어에 대한 추가적인 전처리를 실시하여 'facebook's, facebook과 같이 동일하게 처리할 수 있는 단어들은 같은 단어로 변환하였으며, 무의미한 숫자 및 기호(구두점, 괄호 등)도 제거하였다. 이러한 과정을 거쳐 최종적으로 8,824개(국내), 14,763개(국외)의 명사 키워드를 추출하였다.

국내와 국외 언론의 딥페이크 관련 보도는 년도 및 분기별로 상이한 기사량을 나타내고 있다[그림 1]. 2017년도부터 2021년 11월 23일까지 분기별 딥페이크 관련 보도량(기사량)을 분석해본 결과, 딥페이크와 관련된 국내 언론보도는 2017년도부터 차츰 이루어지기 시작하였으며 2020년 1-2분기, 2021년 1분기와 같이 특정 시점에만 급증하는 양상을 보였다. 반면, 국외의 언론보도는 2018년부터 관련 기사가 나타나다가 2019년 1분기를 기점으로 2020년 1분기까지 보도량이 늘어났으나, 이후 점차 줄어드는 추세를 나타내고 있다. 2017년 12월, 해외 유명 커뮤니티 사이트에서 연예인 얼굴을 합성한 가짜 동영상이 등장한 직후부터 딥페이크란 용어가 등장하였음에도 불구하고[5] 2017년에는 국외 신문 기사 데이터를 수집할 수 없었는데, 이는 당시 이슈가 된 가짜 동영상에 대한 기사를 보도한 언론사가 데이터 수집을 위해 활용된 Lexis+®에서 수집되지 않는 인터넷 언론사였기 때문이다.

Fig. 1. 
Comparison of articles related to deepfake

국내외 언론의 주요 키워드 차이를 좀 더 세부적으로 살펴보고자 연도별 키워드 빈도분석을 실시하였다. 빈도수는 각각 검색어인 딥페이크와 ‘deepfake’를 제외한 후 계산되었다. 2019년까지는 국내외 언론이 동일하게 딥페이크 기술의 악용 사례(가짜 뉴스, 음란물 등)에 대한 키워드가 주로 나타났으나, 2020년을 기점으로 점차 달라지기 시작하였다. <표2>에 나타난 국내기사 키워드를 보면, 2020년 초 국내에서 일어난 ‘n 번방’사건을 기점으로 디지털 성범죄, n 번방 가해자(강훈, 부따, 박사, 조주빈 등), 가해자 처벌 등과 같은 키워드가 주로 나타났으며, 2021년 초 ‘제2 n 번방’사건이 조명됨에 따라 알페스와 연예인(아이돌) 성 착취물 제작·유포를 중점으로 키워드가 나타나고 있다. 즉, 딥페이크와 관련된 국내 언론 보도의 경우 특정 성범죄 사건을 중심으로 기사가 보도되었음을 볼 수 있다.

반면, 국외의 경우 딥페이크와 키워드가 범죄 사건에 국한되지 않고 좀 더 다양하게 나타나고 있었다. 딥페이크와 관련된 기사량이 가장 높게 나타난 시점인 2019년과 2020년의 키워드 빈도분석 결과를 보면 을 실시한 결과 소셜 미디어 플랫폼이나 관련회사와 관련된 키워드(facebook, twitter, youtube, microsoft 등), 선거, 가짜 동영상 등의 키워드가 나타나고 있다. 이는 2020년 11월 미 대통령 선거를 전후하여 정치적 캠페인과 관련하여 정치인 가짜 동영상과 이에 대응하는 소셜 미디어에 관련된 기사가 많이 보도되었음을 유추할 수 있다. 또한 영국의 한 방송사(Channel4)가 조작된 정보 유포의 위험성을 알리기 위해 기획한 '딥페이크 엘리자베스 여왕의 연설'이 이슈가 되었는데, 이에 대한 기사들에서 여왕이라는 키워드도 추출된 것을 볼 수 있다. 이후 2021년부터는 AI, technology, woman, life 등과 같이 키워드의 종류가 다양해지는 것을 볼 수 있다. 이는 딥페이크 기술과 관련하여 사회적 논의점을 확장하는 기사들이 보도되고 있음을 유추해 볼 수 있다. 전반적으로 국내 기사에 비해 국외 기사에서 더 다양한 키워드들이 나타나고 있음을 볼 수 있는데, 이는 전체 기간을 대상으로 수집한 주요 키워드의 순서를 보면 더욱 명확하다. <표 3>을 보면 국내 언론보도에서 가장 많이 언급된 키워드는 'n번방', '디지털', '성범죄', '가짜', '영상', '합성', '착취물', '처벌', '사진'의 순이였으며, 국외 언론보도에서 가장 많이 언급된 키워드는 'videos', 'fake', 'technology', 'facebook', 'AI', 'news', 'election', 'Trump', 'porn', 'ban'의 순으로 나타났다.

빈도분석 결과를 보면 국내 신문 기사 제목에서 나타나는 키워드는 주로 딥페이크를 활용한 성범죄 사건 및 범죄자에 대한 키워드가 많으며, 국외의 경우는 소셜 미디어 게시물, 기술, 정치, 가짜와 관련된 키워드들이 나타나고 있다.

국내외 언론들이 다루는 주요 토픽을 살펴보기 위하여 언론 기사 제목을 바탕으로 토픽모델링을 실시하였다. 딥페이크와 관련된 국내외 기사 제목에 대한 토픽 수는 동일하게 7개로 도출되었으며 도출된 토픽별 상위 10개의 키워드는 <표 4>과 <표 5>와 같다. 이때, 도출된 토픽별로 나열된 키워드의 beta값은 각 토픽에 해당 키워드가 나타날 확률값을 의미한다[41].

도출된 토픽에 따른 토픽 명을 결정하기 위하여 각 키워드를 참고함과 동시에 각 토픽을 높은 확률로 보여주는 신문 기사를 무작위로 선정하여 본문을 검토한 후, 각 토픽을 가장 포괄적으로 설명할 수 있는 토픽 명을 정하였다.

국내 언론보도 기사의 토픽 1에 나타난 키워드는 가짜, 영상, 뉴스, 사진, 음란물, 진짜 등으로, 각종 매체를 통해 전파되는 가짜뉴스와 이를 대응하기 위한 각종 대응 방안에 관련된 내용이 포함되어있어 '가짜뉴스 대응 강화'로 명명하였다. 토픽 2의 경우 n번방의 beta 값이 눈에 띄게 높게 나타났으며 이어서 'n번방' 방지법과 관련된 키워드 불법, 국회, 촬영, 영상 등이 나타나 'n번방 방지법'으로 명명하였고, 토픽 3은 착취물, 유포, 경찰, 기술, 수사, 피해자, 공개 등의 키워드의 비중이 높게 나타나 '국내 최대 딥페이크 범죄 사건'으로 명명하였다. 그리고, 토픽 4는 디지털과 성범죄 키워드의 비중이 확연히 높게 나타났으며 이어서 텔레그램, 범죄, 처벌 등의 키워드가 등장해 '디지털 성범죄 대응 대책'으로 명명하였으며, 토픽 5에서는 알페스, 처벌, 청원, 디스코드, 포르노 등의 키워드와 같이 사회적으로 제2 'n번방' 사건으로 논란이 된 내용이 주로 담겨있어 '제2 n번방 사건'으로 명명하였다.

나아가, 토픽 6은 얼굴, 합성, 연예인, 제작 등과 함께 징역 등의 키워드가 등장하여 '디지털 성범죄의 처벌 기준 확대'로 명명하였으며, 토픽 7은 강훈, 부따에 이서 박사방, 범죄단체, 조주빈, 조직, 공범 등의 키워드가 함께 나열되어 '국내 최대 딥페이크 범죄단체의 검거 및 구속 소식'으로 명명하였다.

이어서 국외 언론보도 기사의 토픽 1에 나타난 키워드는 fake, news, videos, create, real 등으로 가짜뉴스의 전파와 경고에 관련된 내용으로 '가짜뉴스의 전파와 경고'로 명명하였다. 토픽 2는 election, threat, app, disinformation, doctored 등의 키워드가 나타나, 정교한 딥페이크 기술 및 사건을 바탕으로 발생 가능한 사회적 우려에 대한 내용이 포함되어 '딥페이크 기술의 정교함과 사회적 우려'로 명명하였다. 토픽 3의 경우 technology, ai, future, digital, media의 키워드와 함께 voice, deep 등의 키워드가 등장하며 딥페이크 기술 자체의 활용 및 범용성에 대한 내용이 포함되어 '딥페이크 기술의 성장'으로 명명하였다. 그리고, 토픽 4에서는 videos, facebook, nancypelosi, expert, markzuckererg, tomcruise, star 등의 키워드가 연이어 등장하여 페이스북에 업로드된 조작된 게시물의 유형과 이에 대한 페이스북의 대응에 관한 내용으로 '조작된 게시물과 페이스북의 대응'과 같이 명명하였으며, 토픽 5에서는 ban, facebook, twitter, political, socialmedia, ad, fight, race 등의 키워드가 연이어 등장해 'SNS 플랫폼의 대응책 마련'으로 명명하였다.

마지막으로, 토픽 6에서는 porn, women, online, image, life, law, revenge 등의 키워드가 주로 나타나 '성범죄 피해자와 성범죄 유형'으로 명명하였고, 토픽 7에서는 trump, qeen, misinformation, reality, manipulated, danger 등의 키워드가 등장하며 '조작된 정보에 대한 정부의 경고'로 명명하였다.

토픽모델링 분석은 키워드 중심으로 토픽을 추출하여 비정형화된 텍스트 데이터 내에서 구조화된 맥락적 정보를 추출하기 어렵다는 단점을 지닌다[42].

이에 따라 본 연구는 도출된 특정 키워드의 동시출현관계(co-occurrence relationships)를 바탕으로 키워드 네트워크를 형성하여, 제시된 키워드 간의 맥락적 정보와 그 의미를 파악하고자 하였다[43-44].

국내 언론보도 기사 제목을 바탕으로 형성된 키워드 네트워크는 <그림 2>와 같이 크게 4개의 컴포넌트(component)와 3개의 독립 컴포넌트(isolated component)로 분할되어 형성되어 있다. 각 컴포넌트는 앞서 제시된 토픽모델링 결과와 매우 유사하게 형성되어 있으며, 국내에서 논란이 된 사건을 중심으로 형성되어있음을 찾아볼 수 있다. 먼저, 가장 크게 나타나는 컴포넌트의 경우 'n번방' 사건을 중심으로 '디지털 성범죄'와 'n번방 방지법' 관련 키워드가 나타나고 있고, 이어서 알페스 및 디스코드를 통해 추가로 제기된 디지털 성범죄를 중심으로 클러스터(cluster)와 별도의 컴포넌트가 형성되었음을 살펴볼 수 있다. 다음으로, 키워드 네트워크 좌측에 위치한 컴포넌트의 경우 강한 연결 중심성을 가진 노드들을 중심으로 컴포넌트가 형성되었는데, 이는 곧 'n번방' 범죄단체의 검거와 관련된 내용의 기사에서 제시된 키워드로 유추할 수 있다.

Fig. 2. 
Keyword network on S. Korea articles

키워드 네트워크 하단에 위치한 컴포넌트의 경우 합성, 연예인, 얼굴, 음란물, 사진, 영상 등의 키워드와 함께 가짜, 뉴스, 진짜의 키워드가 도출되었는데, 이는 국내에서 발생한 딥페이크 범죄의 유형에 관한 기사가 다수 보도되었음을 내포

한다. 이와 더불어, 키워드 네트워크에서 나타난 독립 컴포넌트의 경우 두 개의 키워드(최대-징역, 이낙연-이재명, 인공지능-윤리) 외에는 별도의 연결성이 없는 것으로 나타났다. 따라서 두 키워드는 딥페이크 기술에 대한 내용이 포함된 기사에서, 단순히 제목 구성을 위해 높은 비중으로 함께 사용되었음을 확인할 수 있다.

반면 국외 언론보도 기사 제목을 바탕으로 형성된 키워드 네트워크는 <그림 3>과 같이 키워드 'videos'를 중심으로 다양한 방면에서 기사가 다루어졌음을 확인할 수 있다. 특히 국내 언론보도의 결과와는 달리, 딥페이크 기술의 악용에 대한 플랫폼 기업의 대응(facebook, markzuckerberg, twitter, ban 등)에 관한 내용이 다루어졌으며, 기술적인 주제(AI, voice, technology 등)를 바탕으로 기사가 보도되기도 하였다. 그리고 중심 키워드 'videos'를 중심으로, 딥페이크 기술이 활용된 결과물들에 대한 유형(nancypelosi, tomcruise 등) 및 특성(doctored, clips, socialmedia, realistic, danger 등)이 나열되었고, 키워드 'fake'와 연결되어 가짜뉴스(fake, news, threat 등) 및 음란물(porn, revenge, law, image 등)에 관련된 기사가 다수 보도되었음을 살펴볼 수 있다. 나아가 상단에 위치한 별도의 컴포넌트는 조작된 정보의 위험성을 알리기 위해 기획된 내용으로, 기존의 기사들과 달리 기획성을 지니고 있었음을 감안하면 분석 결과의 추출은 잘 이루어진 것으로 확인된다.

Fig. 3. 
Keyword network on overseas articles

이를 바탕으로 국내외 키워드 네트워크 분석 결과를 비교하였을 때, 국내 언론은 국내에서 발생한 특정 사건을 토대로 의제를 형성하여 사건에 대한 단편적인 내용을 다룬 반면, 국외 언론은 키워드 'videos'를 중심으로 다양한 의제를 확장하여 기사를 보도하고 보다 심층적인 논의를 이루고 있음이 확인되는 바이다. 이러한 양상은 검색 키워드 "딥페이크"와 "deepfake"가 포함된 키워드 네트워크 <그림 4>를 통해 더욱 뚜렷이 나타나게 된다. 검색 키워드 "딥페이크"가 포함된 국내 키워드 네트워크(좌)에 형성된 군집을 살펴보면 제시된 대부분의 키워드가 딥페이크나 N번방을 중심으로 연결된 반면, "deepfake"가 포함된 국외 키워드 네트워크(우)에 제시된 키워드는 “deepfake”와 “videos”를 중심으로, 페이스북, 가짜 정치 등 딥페이크 기술 및 활용에 대한 키워드들이 나타나고 있다.

Fig. 4. 
Keyword network including search keyword of S.Korea(left) and overseas(right)