DOI QR코드

DOI QR Code

An Analysis of Filter Bubble Phenomenon on YouTube Recommendation Algorithm Using Text Mining

텍스트 마이닝 기법을 이용한 유튜브 추천 알고리즘의 필터버블 현상 분석

  • Shin, Yoo Jin ;
  • Lee, Sang Woo
  • 신유진 (LGU+) ;
  • 이상우 (연세대 정보대학원)
  • Received : 2021.01.27
  • Accepted : 2021.04.01

Abstract

This study empirically confirmed 'the political bias of the YouTube recommendation algorithm' and 'the selective exposure of user' to verify the Filter Bubble phenomenon of YouTube. For the experiment, two new YouTube accounts were opened and each account was trained simultaneously in a conservative and a liberal account for a week, and the "Recommended" videos were collected from each account every two days. Subsequently, through the text mining method, the goal of the research was to investigate whether conservative videos are more recommended in a righties account or lefties videos are more recommended in a lefties account. And then, this study examined if users who consumed political news videos via YouTube showed "selective exposure" received selected information according to their political orientation through a survey. As a result of the Text Mining, conservative videos are more recommended in the righties account, and liberal videos are more recommended in the lefties account. Additionally, most of the videos recommended in the righties/lefties account dealt with politically biased topics, and the topics covered in each account showed markedly definitive differences. And about 77% of the respondents showed selective exposure.

이 연구에서는 필터버블 현상의 주요 요인인 추천 알고리즘의 정치적 편향성(추천 알고리즘이 이용자가 선호하는 정치 성향의 영상을 제한적으로 제공하는 것)과, 이용자들의 선택적 노출(이용자가 자신이 선호하는 정치 성향의 영상을 자발적으로 선택하는 것)을 실증적으로 검증하고자 하였다. 이를 위해 새로운 유튜브 계정 2개를 개설하여 각각의 계정을 보수/진보 계정으로 일주일 동안 훈련시켰고, 각 계정에서 추천받은 영상들은 이틀 간격으로 수집하였다. 텍스트 마이닝(Text Mining) 방법을 통해 보수 계정에서는 보수 성향의 영상이 더욱 추천되는지, 진보 계정에서는 진보 성향의 영상이 더욱 추천되는지를 알아보았다. 또한 각각의 계정에서 정치적으로 편향된 주제들이 다뤄지고 있는지를 관찰하였다. 설문조사를 통해 유튜브로 정치 및 뉴스 영상을 소비하는 이용자들에게 보수/진보 계정에서 6일째에 추천된 영상 리스트를 제공하여 이용자들이 선택적 노출을 보이는지를 알아보았다. 연구결과, 시간이 지날수록 보수 계정에서는 보수 성향의 영상과 채널이 더욱 추천되고, 진보 계정에서는 진보 성향의 영상과 채널이 더욱 추천되었으며, 보수 계정과 진보 계정에서 추천된 영상들은 대부분 정치적으로 편향된 주제를 다루고 있는 것으로 나타났다. 응답자들의 약 77%는 자신이 선호하는 정치 성향의 영상에 선택적으로 노출되어 보이는 것으로 나타났다.

References

  1. 김선호, 김위근, 디지털 뉴스 리포트 2019 한국, 한국언론진흥재단 - 로이더저널리즘연구소, pp.13-28, 2019.
  2. http://www.koreanclick.com/insights/newsletter_view.html?code=topic&id=552&page=1, 2019. 11.26.
  3. E. Pariser, The fiter bubble: How the news personalized web is changing what we read and how we think, Penguin Books, 2012.
  4. 오세욱, 송해엽, "유튜브 추천 알고리즘과 저널리즘," 한국언론진흥재단, 정보통신정책연구, 제19권, 제2호, pp.69-92, 2019.
  5. 정철운, "가짜뉴스 유튜브 극우보수와 저널리즘," 인물과사상, 제247호, pp.168-183, 2018.
  6. 전준영, 황소윤, 윤영미, "개인화 알고리즘으로 필터 버블이 형성되는 과정에 대한 검증," 멀티미디어학회논문지, 제21권, 제3호, pp.369-381, 2018.
  7. M. Haim, A. Graefe, and H. B. Brosius, "Burst of the filter bubble? Effects of personalization on the diversity of Google News," Digital Journalism, Vol.6, No.3, pp.330-343, 2018.
  8. E. Nechushtai and S. C. Lewis, "What kind of news gatekeepers do we want machines to be? Filter bubbles, fragmentation, and the normative dimensions of algorithmic recommendations," Computers in Human Behavior, Vol.90, pp.298-307, 2019.
  9. P. Covington, J. Adams, and E. Sargin, "Deep neural networks for youtube recommendations," Proceedings of the 10th ACM Conference on Recommender Systems, pp.191-198, 2016.
  10. https://www.tubefilter.com/2016/06/23/reverse-engineering-youtube-algorithm/, 2016.6.23.
  11. https://www.nytimes.com/2019/03/29/technology/youtube-online-extremism.html, 2019.3.29.
  12. 강준만, "SNS 모바일 유튜브 시대의 언론," 인물과사상, 제251호, pp.47-84, 2019.
  13. 양선희, "유튜브 저널리즘의 시대, 전통적 저널리즘의 대응현황과 과제," 사회과학연구, 제31권, 제1호, pp.245-262, 2020.
  14. A. J. Schiffer, "Assessing partisan bias in political news: The case(s) of local senate election coverage," Political Communication, Vol.23, No.1, pp.23-39, 2006.
  15. E. Bakshy, S. Messing, and L. Adamic, "Exposure to ideologically diverse news and opinion on Facebook," Science, Vol.348, No.6239, pp.1130-1132, 2015.
  16. Z. Zhao, L. Hong, L. Wei, J. Chen, A. Nath, S. Andrews, A. Kumthekar, M. Sathiamoorthy. X. Yi, and E. Chi, "Recommending what video to watch next: a multitask ranking system," In Proceedings of the 13th ACM Conference on Recommender Systems, pp.43-51, 2019.
  17. S. M. Weiss, M. Indurkhya, and T. Zhang, "Fundamentals of predictive text mining," Springer, p.41, 2010.
  18. URL:https://zdnet.co.kr/view/?no=20190326173948, 2019.03.27.
  19. 최선규, 유수정, 양성은, "뉴스 시장의 경쟁과 미디어 편향성: 취재원 인용을 중심으로," 정보통신정책연구, 제19권, 제2호, pp.69-92, 2012.
  20. S. W. Lee, "Comparison of Initial Seeds Methods for K-Means Clustering," Journal of Korean Society for Internet Information, Vol.13, No.6, pp.1-8, 2012.
  21. A. K. Jain, "Data Clustering: 50 years beyond K-means," Pattern Recognition Letters, Vol.31, No.8, pp.651-666, 2010,