코로나 백신으로 본 소셜미디어의 정치 양극화: 트위터 메세지의 단어 네트워크 분석과 토픽 모델링을 중심으로

1. 서 론

2020년 이후 우리의 삶을 가장 많이 바꾼 사건을 들라 하면 무엇보다도 코로나-19 바이러스(이하 코로나)의 확산을 들 수 있을 것이다. 2021년 들어 백신의 개발과 접종이 시작되면서 이 사태도 곧 마무리될 거란 희망이 생겨났지만, 델타와 람다 등 각종 변이 바이러스의 등장에 백신 효과에 대한 논란까지 가중되면서 2021년이 마무리되어가는 현재까지도 코로나 팬데믹(pandemic)은 좀처럼 끝날 기미를 보이지 않고 있다. 이러한 가운데 코로나에 대한 대응을 둘러싸고 집단마다 의견 차이를 보이고 있다. 코로나의 위험성 정도, 사회적 거리두기와 마스크 강제 착용과 같은 정부의 정책, 그리고 최근에는 백신 접종까지 코로나를 둘러싼 많은 이슈에 대해 각자 가진 이념과 당파적 성향에 따라 그 입장이 나뉘고 있다. 본질적으로 비정치적(apolitical) 이슈라 할 수 있는 코로나가 정치화(politicization)되고 있는 것이다(Druckman et al., 2020; Gilardi et al., 2021; Hart et al., 2020).

그렇다면 한국 사회에서 코로나 이슈는 어떻게 정치화되고 있는가? 정치 양극화는 오늘날 정치학계에서 뜨겁게 논의되고 있는 주제 중 하나이다. 크게 ‘쟁점에 대한 입장’과 ‘상대 집단에 대한 감정’의 영역에서 관찰되는 정치 양극화는, 서로 다른 이념적 혹은 당파적 집단 간에 이러한 입장과 감정의 골이 깊어지는 것이다(장승진, 서정규, 2019; 정동준, 2018; Abramowitz & Webster, 2016; Bafumi & Shapiro, 2009; Iyengar et al., 2012; Mason, 2015). 특히 시민 차원에서 나타나는 정치 양극화의 원인으로는 많은 대내외적 요인이 있지만, 그 중에서 오늘날의 변화된 디지털 환경을 빼놓을 수 없다(김기동, 이재묵, 2021; 장승진, 서정규, 2019; Iandoli et al., 2021). 특히 인터넷의 발달과 소셜미디어의 등장으로 자신들과 비슷한 입장을 가진 사람들과 활발하게 교류함에 따라 자신과 다른 의견은 차단하고 비슷한 의견만을 공유하는 ‘선택적 노출’과 ‘필터링’ 현상이 나타나고 있다(Asher et al., 2019; Bessi et al., 2016; Bozdag, 2020; Freden et al., 2020; Hameleers, 2020). 여기에 소셜미디어 특유의 ‘필터 버블’(filter bubble) 알고리즘까지 더해짐으로써 내집단의 응집력은 강화되고 외집단과의 거리는 멀어지는 양극화가 일어나게 된 것이다(Pariser, 2011).

이렇듯 요즘 정치학계의 주요 화두는 크게 코로나, 정치 양극화, 그리고 디지털화(digitalization)로 압축해 볼 수 있다. 본 논문은 이러한 화두에 맞추어 오늘날 한국의 시민들이 코로나, 그 중에서도 가장 최근 이슈인 코로나 백신과 관련한 시민들의 의견이 온라인 상에서 어떻게 양극화되어 있는지를 살펴보고자 한다. 특히 본 논문은 대표적인 소셜미디어 플랫폼 중 하나인 트위터(Twitter) 공간에 주목한다. 트위터는 특히 극단적이고 포퓰리스트적인 견해가 활발하게 표출되고 공유되는 소셜미디어로(Tien et al., 2020), 트위터 상의 논의를 곧 시민 전체의 여론으로 볼 수는 없다. 하지만 트위터에서 인기를 얻은 게시물이 곧 다른 미디어에도 확산되고, 이러한 포퓰리스트적 담론이 주류 언론의 기사와 여론의 형성에도 영향을 미친다는 점에서(Hameleers, 2020; Mudde, 2016; Tufekci, 2014) 면밀한 관찰이 요구된다. 본 논문은 이념과 당파 집단 간에 트위터 메시지의 단어 네트워크(word network)와 세부 주제(topic)가 어떻게 다르게 나타나는지를 중심성 분석과 토픽 모델링(topic modeling)을 통해 살펴보겠다. 이를 통해 온라인 정치 공간에서 한국 시민들의 양극화에 대한 현주소를 진단해보고자 한다.

이를 통해 본 논문이 기여하고자 하는 바는 다음과 같다. 첫째, 코로나 백신에 대한 시민들의 논의가 집단별로 어떻게 다르게 나타나는지를 살펴봄으로써 한국 사회에서 코로나 백신 이슈가 어떻게 정치화되어 나타나는지에 대한 실증 분석을 제공하고자 한다. 코로나 백신이 서로 다른 정치적 집단에서 어떻게 논의되고 있는지는 아직 많은 분석이 이루어지지 않았고, 특히 이에 대한 국내 연구는 거의 찾아보기 어렵다. 본 분석은 코로나의 정치화에 대한 연구에 이론적, 실증적 기여를 할 수 있을 것이다. 둘째, 트위터 메시지 분석을 통해 소셜미디어의 정치적 구조와 특성을 탐색해보고자 한다. 트위터와 같은 소셜미디어는 최근 학계의 주목을 받으며 활발히 연구되고 있으나 소셜미디어 콘텐츠 자체를 이념적·당파적 집단에 따라 비교하는 국내 연구는 아직까지 많지 않다. 마지막으로, 이러한 분석을 통하여 한국 시민들의 정치 양극화가 현재 어떠한 양상으로 나타나고 있는지를 파악하고자 한다. 코로나 백신이란 이슈에 대해 서로 다른 정치 집단이 얼마나 분극화된(polarized) 목소리를 내고 있는지를 살펴봄으로써 정치 양극화의 현주소를 진단하고자 한다.

2. 이론적 논의

3. 자료와 방법

코로나 백신을 둘러싼 트위터 메시지 분석을 위해 본 연구가 사용할 방법은 텍스트 네트워크 분석(text network analysis)이다. 텍스트 네트워크 분석은 사회연결망 분석(social network analysis)의 일종으로, 텍스트를 단어들 간의 네트워크로 보고 이러한 단어들의 출현 빈도, 위치, 거리, 연결 패턴 등의 형식적 요인을 통하여 텍스트의 구조와 내용을 분석하는 방법이다(Hunter, 2014). 텍스트 네트워크 분석은 크게 인접한 단어 간에 네트워크를 구성하여 그 구조를 분석하는 ‘구조중심적(structure-based) 분석’과 네트워크의 내용과 의미를 분석하는 ‘내용중심적(content-based) 분석’으로 나누어 볼 수 있다(Sebei et al., 2018). 본 연구에서는 두 가지 방식을 모두 사용하고자 한다. 먼저 트위터 메시지 상 인접한 단어들 간에 네트워크를 구성한 후, 해당 네트워크의 중심성(centrality) 분석을 통해 메시지의 핵심을 이루는 키워드가 무엇인지 파악한다. 다음으로 토픽 모델 분석을 통해 어떠한 코로나 백신 관련 토픽들이 트위터 논의의 주를 이루었는지 살펴보도록 하겠다. 두 분석 모두, 이념과 당파에 따라 트위터 계정을 분류한 후 각 집단별로 분석을 진행하겠다.

1) 자료 수집 및 전처리

분석 자료는 트위터 측에서 제공하는 개방 API⁴⁾를 통해 수집하였다.⁵⁾ 자료 수집 및 전처리와 분석에는 NetMiner 프로그램(ver. 4.4.3.g)을 사용하였다. 수집 기간은 문재인 대통령이 방미를 통해 바이든(Joe Biden) 미(美)대통령과 한미 백신 파트너십 구축에 협의(한국시간 2021년 5월 22일 오전)한 이후 일주일 기간인 5월 21일부터 28일까지로, 백신을 둘러싼 논의가 활발히 일어난 시기 중 하나였다.⁶⁾ 특히 문대통령의 성과를 놓고 이념과 당파 간에 서로 다른 의견이 활발히 오갔다는 점에서 트위터의 양극화 현상을 관찰하려는 본 분석에 적절한 시기라 할 수 있다.⁷⁾ 분석 대상 트위터 메시지를 추리기 위해 ‘백신, 코로나 백신, 화이자, 아스트라제네카, 아스트라, 모더나, 얀센, 접종’ 중 하나가 포함된 메시지를 수집하였고, 담론 형성에 보다 큰 영향력을 미칠 것으로 여겨지는 팔로워 1,000명 이상의 계정에서 작성된 메시지만을 분석 대상으로 한정하였다. 이렇게 수집된 트위터 메시지는(최초로 생성된 트윗과 이 트윗에 대한 답변을 포함)⁸⁾ 총 11,198개이고, 여기에서 NetMiner의 자동 형태소분석 프로그램을 통해 명사만을 추출하였다.⁹⁾ 이렇게 하여 1차로 추출된 단어(명사)의 개수는 총 9,214개이다. 네트워크 분석에서 보다 직관적이고 의미있는 분석을 하기 위해서는 노드(node), 즉 단어와 링크(link)의 개수를 적절하게 제한할 필요가 있다. 이에 따라 수집된 단어 중 전체 문서(즉, 트위터 메시지)에서 최소 50번 이상 등장한 단어만을 대상으로 삼았다. 검색 키워드 자신, 조사와 같이 특별한 뜻이 없거나 분절되어 잘못 수집된 단어들 역시 분석에서 제외하였다.¹⁰⁾ 이러한 과정을 통해 최종 분석 대상이 된 단어는 총 209개이다.

다음으로 중요한 과정은 트위터 계정을 이념과 당파에 따라 분류하는 일이다. 이념 성향과 당파성은 높은 상관관계를 가지지만 동일한 개념은 아니다(정동준, 2018; Mason, 2015). 우리나라의 경우에도 진보 정당이 정권을 잡고 있는 시기에 코로나 사태가 발생하였고, 백신을 포함한 여러 정책이 진보 여당에 의해 주도되었다는 점에서 양자 간의 개념 구분이 필요하다. 즉, 기존 연구에 따르면 일반적으로 진보 집단은 보수에 비해 코로나의 위험에 더 민감하고 따라서 백신 접종에 보다 긍정적 태도를 가질 것으로 예상된다. 하지만 코로나 백신은 이념에 따라 정치화된 이슈이기도 하지만 동시에 매우 당파적인 이슈이다. 같은 진보라 하더라도 현 정부와 여당을 지지하지 않거나 반대하는 사람이라면, 정부가 주도하는 백신 정책에 반대하고 백신 접종에 보다 부정적 입장을 가질 수 있다. 반대로 보수라 하더라도 현 정부를 긍정적으로 평가하고 있다면 백신에 대해서도 긍정적 입장을 가질 수 있다. 밀로쉬 외(Milosh et al., 2021)는 최근 연구에서 당파성이 코로나 공공정책에 대한 미국 시민들의 태도를 결정하는 가장 중요한 요인임을 밝히기도 하였다. 본 연구는 이러한 점을 고려하여 이념 성향과 별도로 당파에 따라서도 집단을 분류하였다. 특정 정당에 대한 입장이 명확히 알기 힘든 트위터 메시지의 특성상 정당별로 당파성을 측정하기에는 무리가 있다. 이에 따라 정부와 여당인 더불어민주당에 대해 긍정적 입장을 가지는 집단(친(親)여당), 중도적 입장을 가지거나 정부와 여당에 특별한 입장을 보이지 않는 집단(중도), 그리고 정부와 여당에 반감을 표시하는 집단(반(反)여당)으로 분류하였다.

계정의 이념적, 당파적 성향을 판단하는 방법으로는 팔로잉 관계를 보거나, 계정 생성 시 등록한 사용자의 사회배경 정보를 보거나, 계정의 메시지를 직접 보고 평가하는 방법 등이 있다. 첫 번째의 경우, 팔로우하는 정당이나 정치인의 이념적, 당파적 성향이나(한규섭 외, 2013; Urman, 2019) 혹은 팔로우하는 언론의 정파적, 이념적 성향(Tien et al., 2020)를 통해 계정의 성향을 판단한다. 두 번째의 경우, 계정 생성 시 입력하는 지역(location)과 같은 사회배경 정보를 근거로 판단하는 방법이다(Jiang et al., 2020). 두 방법은 분류가 간편하고 객관적 정보를 분류의 기준으로 삼는다는 장점이 있다. 하지만 특정 계정의 팔로워나 특정 사회배경 출신이 아닌, 일반적인 트위터리안을 대상으로 하는 본 연구에서 두 방법은 표본 편향의 문제를 야기할 수 있다. 또한 팔로잉 관계와 사회배경 정보가 직접적으로 계정의 이념적, 당파적 입장을 나타낸다 보기도 어렵다. 따라서 본 연구에서는 분석 대상 트위터 계정 1,575개의 타임라인에 있는 메시지의 내용을 질적으로 판단, 코딩하여¹¹⁾ 이념과 당파 집단을 분류하였다(정효정 외, 2016).¹²⁾

비공개이거나 폐쇄된 계정, 혹은 지나치게 상업적이거나 부적절한 계정 79개를 제외한 나머지 1,496개 계정의 이념과 당파 집단 분류는 아래 <표 1>과 같다.¹³⁾ 표에서 나타난 바와 같이 진보와 친여당 성향의 사용자가 그렇지 않은 사용자에 비해 훨씬 더 많은 것으로 조사되었다. 우리나라에서 트위터가 주로 진보의 정치 공간으로 사용되고 있다는 기존의 연구결과(장우영, 2013; 황유선, 2013)가 본 분석 표본을 통해서도 나타난 것이다.¹⁴⁾

<표 1>

집단별 분석 대상 트위터 계정 개수(개)

4. 분석 결과

1) 단어 네트워크 중심성 분석

먼저 집단별 단어 네트워크에 대해 아이겐벡터 중심성 분석을 수행하였다. 단어 네트워크에서 노드 간의 과도한 연결로 인한 시각적 혼동을 줄이고자 각 집단에 맞게 링크의 개수를 조절하였다.¹⁶⁾ 분석 결과는 직관적 해석을 위해 스프링 맵(spring map) 방식으로 시각화하였다.¹⁷⁾ 시각화 맵에서 개별 노드의 크기는 해당 단어의 중심성 수치에 비례하는 것으로, 크기가 클수록 네트워크 상에서 보다 중요하고 핵심적인 단어라 할 수 있다. 지면의 제약으로 중심성 수치가 큰 단어들을 중심으로 끊어지지 않고 서로 직간접적으로 연결된 컴포넌트(components)만을 추려 집단별로 <그림 1>과 <그림 2>에 제시하였다.¹⁸⁾

<그림 1>

이념 성향에 따른 단어 네트워크

<그림 2>

당파성에 따른 단어 네트워크

먼저 <그림 1-1>부터 <그림 1-3>은 이념 집단별 결과이다. 진보 집단의 분석 결과인 <그림 1-1>의 경우, ‘뉴스’, ‘다음’, ‘네이버’, ‘종합’, ‘카카오톡’, ‘출처’ 순으로 중심성 수치가 높게 나타났고, 이들은 트윗 메시지에 같이 등장하며 나란히 연결된 구조를 보였다. 이 밖에 ‘앱’, ‘잔여’, ‘동네’, ‘병원’ 등의 단어도 비교적 높은 중심성 수치를 보이며 서로 연결되어 있었다. 진보 집단에서는 백신 관련 뉴스, 잔여 백신에 대한 접종, 그리고 이러한 접종을 할 수 있는 앱(application)과 동네 병원에 관한 정보가 가장 많이 논의되고 있는 것이다. ‘걱정’과 같은 부정적 단어도 함께 등장하긴 하였으나 그 중심성 수치가 상대적으로 낮고, 단어 구조 상 ‘잔여’와 연결되어 있는 것으로 볼 때 백신 부작용에 대한 걱정보다는 백신의 공급 부족으로 쉽게 예약하지 못하는 상황에 대한 걱정으로 보인다. 즉, 진보 집단에서는 백신 관련 정보에 대한 메시지들이 주로 트윗되고 있고, 백신에 대한 부정적 우려나 정부에 대한 불신과 같은 비판적 메시지는 상대적으로 적은 것으로 나타났다. 이러한 양상은 중도 집단 결과인 <그림 1-2>에서도 비슷하게 관찰되었다. ‘카카오톡’, ‘네이버’, ‘앱’, ‘잔여’ 순으로 높은 중심성 수치를 보여 백신 접종 정보와 예약 방법에 대한 논의가 가장 많은 것으로 나타났다. 하지만 중도에서는 ‘먹통’, ‘물량’, ‘실패’와 같은 부정적 단어들도 상대적으로 높은 중심성 수치를 보여, 당시의 백신 공급 상황에 대한 불편과 염려가 어느 정도 거론되고 있는 것으로 나타났다.

이에 반해 보수 집단 결과인 <그림 1-3>에서 가장 핵심적으로 논의된 키워드는 백신 접종의 부작용에 관한 것이었다. ‘부작용’, ‘혈전’, ‘원인’ 순으로 가장 높은 중심성 수치를 보여, 당시 아스트라제네카 백신의 부작용으로 지목된 혈전 문제가 보수 집단 내에서 가장 활발히 논의된 주제로 나타났다. 뒤이어 ‘면역’, ‘집단’, ‘가능’, ‘효과’가 높은 중심성 수치로 연결되어 있어, 백신 접종을 통한 집단 면역이 가능한지, 그 효과에 대한 메시지가 많이 트윗되고 있음을 알 수 있었다. 또한 진보나 중도 집단과 달리 ‘정부’, ‘국제’, ‘사회’, ‘협력’, ‘공급’과 같은 단어의 중심성 수치가 상대적으로 높게 나타났는데, 이는 보수 집단이 백신 공급에 대한 정부의 역할과 국제 사회의 협력에 보다 관심이 많음을 보여준다고 할 수 있다. 정리하면, 진보 및 중도 집단에서는 백신 예약과 정보와 관련된 논의가 트윗의 주요 메시지를 이루고 있는 반면, 보수에서는 백신 부작용 문제와 효과, 정부와 국제 사회의 역할에 대한 논의가 핵심을 이루고 있었다.

이러한 결과는 당파성을 중심으로 집단을 구분한 결과에서도 비슷하게 나타났다. 친여당 집단의 분석 결과인 <그림 2-1>과 중도 집단의 결과인 <그림 2-2>를 보면, 이념적 진보·중도와 마찬가지로 잔여 백신 접종, 예약 관련 정보, 그리고 이러한 정보의 공급원이자 예약처인 포털사이트·앱에 대한 논의가 중심을 이루었다. 하지만 반여당의 경우에는 보수 집단과 조금 다른 결과가 나타났다. 백신 부작용 문제와 원인에 대한 트윗이 수위를 차지했던 보수와 달리, 반여당인 <그림 2-3>에서는 ‘뉴스’, ‘네이버’, ‘다음’, ‘카카오톡’이 가장 높은 중심성 수치를 보여 다른 두 집단과 마찬가지로 백신 관련 뉴스와 예약 정보에 대한 논의가 가장 활발하게 나타난 것이다. 특이한 점은 ‘경제’가 바로 다음으로 높은 중심성을 보였다는 점이다. 코로나와 백신으로 인한 경제적 상황이 이들의 주된 관심사로 나타난 것이다. ‘부작용’, ‘혈전’, ‘원인’에 대한 트윗이 그 뒤를 이으며 하나의 컴포넌트를 이루었고, ‘국제’, ‘사회’, ‘협력’과 ‘정부’, ‘대한민국’, ‘대통령’ 등도 활발히 논의된 주제였다.

보수 집단과 반여당 집단 사이의 이 같은 차이는 기존 연구로 어느 정도 설명할 수 있다. 보수 집단에서 백신의 부작용 문제가 가장 핵심적으로 거론되고 있다는 것은, 보수일수록 코로나의 위험성이 과장된 것으로 보고 코로나 관련 여러 사회보건 정책에 반대하는 경향이 강하다는 기존의 연구 결과(Calvillo et al., 2020; Clarke et al., 2021; Kerr et al., 2021; Mallinas et al., 2021; Pennycook et al., 2021)와 일맥상통한다. 코로나가 그다지 위험한 질병이 아니며 오히려 백신으로 인한 부작용과 위험이 문제라는 쪽으로 논의가 흐르고 있는 것이다. 반면, 당파성은 정부에 대한 신뢰 및 평가와 연관된 개념이다(길정아, 강원택, 2020; 박선경, 신진욱, 2021; Jiang et al., 2020; Klein & Robison, 2020). 즉, 여당에 부정적인 사람은 백신 자체의 문제보다도 그로 인한 경제 상황과 정부의 대응에 초점을 두고 이에 대한 부정적 평가를 내리려는 경향이 강하기에, ‘경제’, ‘정부’, ‘대한민국’, ‘대통령’과 같은 단어가 중요한 키워드로 나타난 것이다.

2) 토픽 모델 분석

지금까지 단어 네트워크 중심성 분석을 통해 어떤 단어가 핵심 단어인지를 알아보았다면, 이제 이러한 단어들이 어떠한 토픽들을 중심으로 문서, 즉 트위터 메시지를 이루고 있는지를 살펴보겠다. 토픽 모델링에서 중요한 것은 해당 문서들이 몇 개의 토픽으로 구성되어 있는지를 정하는 일이다. 적정 토픽 개수에 대한 합의된 기준은 현재까지 없고, 토픽들의 내용이 서로 중복되지 않을 정도로 적고, 같은 토픽 내에 지나치게 다양한 주제의 단어들이 포함되지 않을 정도로 많은 수준에서 연구자의 재량에 의해 결정된다(이수상, 2016). 혼잡도(perplexity)와 응집도(coherence) 같이 잠재된 토픽의 개수를 확률적으로 추정하는 방식도 있으나 이 또한 각각의 한계를 가지고 있고(이대영, 이현숙, 2021), 본 분석에서 사용한 넷마이너 프로그램이 이를 추출하는 패키지를 현재로서는 제공하고 있지 않다.¹⁹⁾ 따라서 본 분석에서는 각 집단별로 토픽의 개수를 5개로 할 때 범주화가 가장 잘 이루어진다고 보았다. 분석에 필요한 기타 값들은 선행 연구를 참고하였다.²⁰⁾ <표 2>～<표 7>은 집단별 분석 결과에 따라 연구자가 주관적으로 부여한 ‘토픽 라벨(label)’과 각 토픽을 구성하고 있는 주요 ‘키워드’²¹⁾를, 토픽에서 각 키워드가 차지하는 비중이라 할 수 있는 키워드별 ‘확률’과 함께 제시하였다.

<표 2>

이념적 진보 집단 트윗의 주요 토픽

먼저 이념 집단 별 결과를 보면, <표 2>의 진보 집단에서는 ‘백신 관련 뉴스’를 토픽으로 다룬 문서가 가장 많은 것으로 확인되었다. 전체 3,022개의 트윗 중 26.7%에 해당하는 808개의 문서가 ‘뉴스’와 ‘다음’ 등의 키워드를 중심으로 한 백신 관련 정보와 관련된 트윗이었다. 물론 ‘이상’, ‘하루’, ‘국민’ 등의 키워드도 있으나 상대적 분포 확률이 높지 않고 의미의 연관성이 낮았다. 다음으로는 ‘대한민국 국가와 정부’, ‘백신 부작용과 이상’, 그리고 ‘잔여 백신이 있는 동네 병원’과 ‘예약 방법(앱)’의 주제가 그 뒤를 이었다. 중도 집단은 다른 집단에 비해 토픽의 범주화가 분명하지 않게 나타났다. <표 3>에 따르면 ‘사람’, ‘마스크’, ‘생각’과 같은 다소 추상적이고 일관성 없는 키워드로 구성된 토픽이 가장 많은 비중(전체 트윗 중 40.2%)을 이루었고, 뒤를 이어 ‘예약 가능 잔여 백신’, ‘부작용 문제와 뉴스’, ‘잔여 백신 예약 방법’과 ‘백신 이상과 코로나 예방’ 등의 주제가 높은 비중을 차지하였다.

<표 3>

이념적 중도 집단 트윗의 주요 토픽

보수 집단 분석 결과인 <표 4>의 가장 두드러진 특징은 ‘혈전 등 백신 부작용’에 관한 트윗이 가장 많은 비중을 차지하고 있다는 점이다. 전체 218개의 문서 중 23.9%에 해당하는 52개의 문서가 해당 주제를 담고 있었다. 물론 다른 집단에서도 ‘부작용’과 같은 키워드가 발견되었지만 보수 집단과 같이 ‘혈전’ 등 구체적인 부작용 증상에 대해 활발한 논의가 이루어지지는 않았다. 기타 ‘백신 관련 뉴스’, ‘대한민국과 각국의 백신 상황’, ‘코로나 바이러스 집단 면역’, ‘잔여 백신 예약 방법’에 관한 주제도 높은 비중을 보였다. 특히 ‘미국’, ‘중국’과 같은 다른 나라들의 코로나 상황에 대한 논의는 다른 집단에서는 발견되지 않는 특징이었다.

<표 4>

이념적 보수 집단 트윗의 주요 토픽

정리하면 진보 집단에서는 백신 관련 뉴스와 관련 정보의 검색이 가장 활발히 논의된 토픽이었던 반면, 보수 집단에서는 혈전 등 백신 부작용과 관련된 토픽이 가장 많이 비중을 차지한 것으로 나타났다. 중도 집단에서는 상대적으로 토픽이 명확히 구별되지 않았다. 이 같은 결과는 위의 단어 네트워크 중심성 분석 결과와도 일맥상통한다. 진보에서는 백신 관련 뉴스와 예약 방법이, 보수에서는 혈전 등 백신 부작용 문제와 원인이 가장 핵심적인 단어로 연결되었던 앞선 분석과 유사한 결과가 토픽 분석에서도 발견된 것이다.

당파 집단에 따른 토픽 모델 결과 역시 앞선 단어 네트워크 분석과 비슷하게 나타났다. <표 5>에 따르면 친여당 집단에서는 진보와 마찬가지로 ‘잔여 백신 병원 예약’, ‘잔여 백신 예약 방법’, ‘백신 관련 뉴스와 불안’과 같은 정보성 토픽이 가장 활발하게 논의된 가운데, ‘백신 이상과 코로나 예방’, 그리고 ‘대한민국 국가와 정부’의 역할에 대한 논의가 뒤를 이었다. 당파적 중도 집단인 <표 6>에서도 마찬가지로 ‘백신 관련 정보’와 ‘예약 방법’에 대한 주제가 주를 이루었으나, 이념적 중도 집단과 마찬가지로 같은 토픽 아래 다양한 주제의 키워드들이 섞여 있어 토픽의 범주화가 명료하게 이루어지지 못했다.

<표 5>

친여당 집단 트윗의 주요 토픽

<표 6>

당파적 중도 집단 트윗의 주요 토픽

반여당 집단의 경우에도 보수 집단과 비슷하게 ‘혈전 등 백신 부작용’ 주제가 가장 많은 비중을 차지하였다. <표 7>에 의하면 해당 토픽이 나타난 문서의 비중은 24.1%로 보수 집단에 비해서도 소폭이나마 높았고, ‘부작용’, ‘혈전’의 분포 확률은 더욱 높게 나타났다. 이 외 반여당에서 두드러지게 나타난 토픽은 두 번째로 많은 비중을 차지한 ‘정부의 백신 확보’와 다섯번째인 ‘백신 이상 반응과 국가 정책’이었다. 이는 보수 집단의 트윗 문서에서는 등장하지 않은 토픽들로, 이러한 차이는 앞서 언급한 바와 같이 두 집단이 가진 특징에서 기인한다 볼 수 있다. 즉, 보수 집단은 백신의 부작용 문제를 민감하게 인식하는 반면, 반여당 집단은 이에 대한 정부의 역할과 대응에 보다 큰 관심을 갖는 것이 이러한 차이로 이어진 것이다.

<표 7>

반여당 집단 트윗의 주요 토픽

5. 결론 및 함의

본 논문에서는 코로나 백신을 중심으로 한 소셜미디어의 논의가 이념적, 당파적으로 어떻게 다르게 나타나는지를 트위터 메시지를 중심으로 분석하였다. 분석 결과, 코로나 백신을 둘러싼 트위터 메시지는 이념과 당파에 따라 서로 다른 단어 구조와 주제를 갖는 것으로 나타났다. 먼저 단어 네트워크 중심성 분석 결과, 진보적 성향을 가진 집단의 트윗은 백신 관련 뉴스, 잔여 백신 확인과 예약 방법 등 백신에 관한 정보를 공유하는 단어들이 핵심을 이뤄 연결되어 있었다. 반면 보수 집단의 트윗에서는 백신의 부작용과 원인에 대한 단어들이 높은 중심성 수치를 보이며 연결되어 있었다. 당파를 중심으로 집단을 나눈 경우, 친여당 집단은 진보 집단과 마찬가지로 백신 관련 뉴스와 예약 방법에 대한 단어들이 핵심 단어를 구성하고 있었다. 반여당의 경우에는 보수 집단과 조금 다른 결과가 나왔는데, 백신 부작용과 원인에 대한 단어가 중요한 단어 구조를 이루고 있는 것은 동일하나 그 중심성 수치가 상대적으로 낮게 나왔고, 대신 경제 문제나 국제사회의 협력, 정부와 국가의 역할에 대한 단어들이 핵심적인 키워드를 구성하고 있는 것으로 나타났다.

이 같은 결과는 이어진 토픽 모델 분석에서도 유사하게 나타났다. 진보 집단의 트윗에서 가장 활발히 논의된 토픽은 백신 관련 뉴스였던 반면, 보수에서 가장 많이 논의된 주제는 혈전 등 백신 부작용에 관한 것이었다. 당파에 따른 분석에서도, 친여당은 잔여 백신의 예약과 백신 관련 뉴스가 토픽의 수위를 차지한 반면, 반여당의 경우에는 혈전 등 부작용이 가장 자주 논의되는 주제로 나타났다. 토픽 분석에서도 반여당과 보수 집단 사이에 약간의 차이가 관찰되었는데, 반여당에서는 보수에서 관찰되지 않던 각국의 백신 상황과 정부의 역할, 그리고 정부의 백신 정책에 대한 논의들이 주요 토픽을 이루고 있었다.

이러한 결과는 기존의 코로나 정치화와 관련된 연구와 일맥상통한다. 이념적으로 보수일수록 코로나의 위험성이 과장되었다 여기고 이에 대한 정부의 정책과 백신 접종에 부정적 입장을 가진다는 기존의 연구결과가 본 분석에서도 일부나마 재현된 것이다. 진보의 경우 반대로 백신의 위험성을 비교적 사실에 근거하여 인식함으로 이에 대한 조치와 백신 접종에 보다 협조적이란 결과 역시 본 분석을 통해 확인할 수 있었다. 이념적 입장과 정부 여당에 대한 입장이 다를 수 있다는 점에서 실시한 당파에 따른 분석도 전반적으로 비슷한 결과를 보였으나, 보수와 반여당 집단 사이에 약간의 차이가 발견되었다. 백신의 부작용 문제에 중점을 둔 보수와 달리, 반여당 집단에서는 정부의 역할과 정책에 대한 논의가 보다 활발히 이루어진 것이다. 이러한 결과 역시, 정부와 여당에 대한 평가가 당파적 입장의 형성에 영향을 미친다는 기존의 연구 결과로 설명될 수 있다.

정치 양극화가 오늘날 민주주의의 위기를 가져오고 있는 주된 요인으로 지목되는 상황에서 이러한 결과는 의미하는 바가 크다. 코로나와 같은 비정치적 이슈마저도 이에 대한 인식과 대처에 있어 이념과 당파에 따라 입장이 다르게 나타나는 양극화 경향이 우리나라에서도 관찰되고 있는 것이다. 비록 우리나라에서는 아직까지 미국이나 프랑스 등 서구 민주주의와 같이 코로나를 둘러싼 폭력 시위까지는 발발하고 있지는 않지만, 정치적 담론 형성에 중요한 매개체 역할을 하는 소셜미디어 상에서 이렇게 이념적, 당파적으로 분열된 모습이 나타나고 있는 것은 언제든 그러한 사태가 일어날 수 있는 불씨가 있음을 보여준다. 실제로 온라인에서의 갈등이 오프라인 공간에서의 갈등으로 번질 수 있음이 앞선 연구를 통해 밝혀지기도 했다(Gallacher et al., 2021). 특히 2022년 대선을 앞두고 주요 후보들이 백신 이슈를 더욱 정치적으로 이용할 수 있다는 점에서 이러한 양극화에 대한 지속적인 관찰과 주의가 요구된다.

본 연구는 이러한 코로나 백신의 정치화에 대한 한국 사례의 분석을 통해 학계의 논의에 이론적, 실증적으로 기여하였다는 데 의의가 있다. 특히 이러한 정치화가 디지털 시대에 주목받고 있는 온라인 정치 공간에서 어떠한 양상으로 나타나는지를 살펴봄으로써, 현재 우리나라 정치 양극화의 현주소를 부분적으로나마 파악할 수 있었다. 이러한 의의에도 불구하고 본 연구는 다음과 같은 한계를 지닌다. 먼저 첫째로, 본 분석이 이념과 당파에 따른 코로나 백신에 대한 입장 차이를 밝혀내긴 하였으나 이것을 곧 양자 간의 인과관계로 보기는 어렵다. 이는 무엇보다도 계정, 즉 사용자(user)의 성별, 나이, 소득, 교육수준 등 사회배경 변수나 코로나 백신에 대한 태도에 영향을 미칠 만한 제3의 요인들이 통제되어 있지 않기 때문이다. 공개 API를 통해 얻은 자료만으로는 이러한 요인들에 대한 정보를 알 수 없었다. 이 같은 문제는 서베이 등을 통해 사용자에 대한 다양한 정보를 얻고, 이를 바탕으로 집단을 구분하여 집단 간 메시지를 비교 분석함으로써 해결될 수 있을 것이다. 즉, 실제 사용자에 대한 설문과 그들이 작성한 메시지에 대한 내용 분석, 이 둘을 혼합해야 하는데 그 방법의 어려움으로 본 연구를 포함한 대부분의 연구에서 둘 중 한 방법만을 사용하고 있다. 따라서 본 논문은 소셜미디어 상의 정치 양극화에 대한 탐색적(exploratory) 연구의 하나로 볼 수 있고, 보다 엄정한 인과관계는 향후 연구 방법의 보완을 통해 밝혀낼 수 있을 것이다.

또한 본 연구는 여러 소셜미디어 플랫폼 중 트위터만을 분석함으로써 편향된 표본을 사용하였다는 한계가 있다. 주지하듯이 트위터는 극단주의적 견해가 많이 표현되는 공간이고, 이는 다른 소셜미디어와 비교하더라도 그렇다는 것이 기존 연구의 공통적 견해이다. 이에 더하여 본 분석에서는 전체 표본 중 진보 집단이 차지하는 비중이 보수에 비해 압도적으로 높았다. 물론 본 연구의 목적이 전체에서 각 집단이 차지하는 비중을 비교하는 것이 아닌, 각 집단 내 수행된 분석 결과를 서로 비교한다는 점에서 그 자체로 문제라 할 수는 없다. 또한 아무리 치우쳤다 하더라도 이러한 논의가 결국 다른 소셜미디어와 온라인 공간으로 확산되고 이것이 전반적인 정치 담론에 영향을 미친다는 점에서 충분히 분석할만한 가치를 지닌다. 그럼에도 트위터 자료만이 갖는 편향된 특징을 보완하기 위해서는 향후 다른 소셜미디어 플랫폼 및 온라인 공간에 대한 분석이 동반되어야 할 것이다.

Acknowledgments

이 논문은 2020년 대한민국 교육부와 한국연구재단의 지원을 받아 수행된 연구임 (NRF-2020S1A5A8045323).

References

• 가상준 (2016). 정책영역별로 본 국회 양극화. <OUGHTOPIA>, 31(1), 327-354.
• 강원택 (2012). 제19대 국회의원의 이념 성향과 정책 태도. <의정연구>, 18(2), 5-38.
• 곽수정·김현희 (2019). 텍스트 마이닝과 토픽 모델링을 기반으로 한 트위터에 나타난 사회적 이슈의 키워드 및 주제 분석. <KTSDE>, 8(1), 13-18.
• 길정아·강원택 (2020). 제21대 국회의원선거에서의 회고적 투표: 대통령의 코로나 대응 평가와 당파적 편향. <한국정당학회보>, 19(4), 101-140.
• 길정아·하상응 (2019). 당파적 편향에 따른 책임 귀속: 여야간 갈등인식과 정당 호감도를 중심으로. <의정연구>, 25(1), 46-78.
• 김기동·이재묵 (2021). 한국 유권자의 당파적 정체성과 정서적 양극화. <한국정치학회보>, 55(2), 57-87.
• 김용학·김영진 (2019). <사회 연결망 분석>. 제4판 중판. 박영사.
• 남현주·김하나 (2014). 연구논문: 정치적 소통도구로써의 SNS 활용: 제18대 대선후보자를 중심으로. <공공정책과 국정관리>, 8(1), 31-68.
• 노예영·김기한 (2020). 트위터에 반영된 2018 평창 동계올림픽의 사회적 시청 이슈 분석: 구조적 주제 모형(Structural Topic Modeling)의 적용. <한국스포츠산업·경영학회지>, 25(6), 1-17.
• 박선경·신진욱 (2021). 코로나19와 국가역할 확대에 대한 국민 인식: 이념성향, 재난피해, 정부대응, 재난지원금의 영향. <한국과 국제정치>, 37(1), 153-189.
• 박종희·박은정·조동준 (2015). 북한 신년사(1946-2015)에 대한 자동화된 텍스트 분석. <한국정치학회보>, 49(2), 27-62.
• 박주현 (2020). 언론의 이념성향에 따른 ‘코로나19’ 보도 프레임 비교 연구. <한국언론학보>, 64(4), 40-85.
• 박지영 (2020). 빅데이터 분석을 통해 살펴본 미디어의 정치적 편향성 및 선택적 미디어 노출로 인한 정치적 양극화: ‘검찰개혁’을 바라보는 상반된 인식을 중심으로. <한국정치연구>, 29(3), 213-243.
• 설선미·배정아 (2018). 민선 7기 지방선거과정에 나타난 정책이슈의 역동성 분석: 정당별 보도 자료 및 트위터(Twitter)의 연결망 분석을 중심으로. <지방행정연구>, 32(3), 35-63.
• 송진미 (2020). 재난 상황에서의 이슈 선점과 정당 지지: 코로나19 발생 전·후 패널데이터 분석을 중심으로. <한국조사연구학회 조사연구>, 21(4), 63-91.
• 신정섭 (2020). 코로나19가 제21대 국회의원 선거 투표선택에 미친 영향: 정부대응 평가와 개인피해를 중심으로. <한국정치연구>, 29(3), 155-182.
• 이소영 (2012). 4.11 총선과 소셜 네트워크 정치캠페인: 총선 후보자의 트위터 선거캠페인을 중심으로. <21세기정치학회보>, 22(3), 287-312.
• 이수상 (2016). 독후감 텍스트의 토픽모델링 적용에 관한 탐색적 연구. <한국도서관·정보학회지>, 47(4), 1-18.
• 이종임·홍주현·설진아 (2019). 트위터에 나타난 미투(＃Me Too)운동과 젠더 갈등이슈 분석: 네트워크 분석과 의미분석을 중심으로. <미디어, 젠더&문화>, 34(2), 99-146.
• 장승진·서정규 (2019). 당파적 양극화의 이원적 구조: 정치적 정체성, 정책선호, 그리고 정치적 세련도. <한국정당학회보>, 18(3), 5-29.
• 장승진·장한일 (2020). 당파적 양극화의 비정치적 효과. <한국정치학회보>, 54(5), 153-175.
• 장우영 (2013). 트위터스피어의 선거 이슈와 동원: 19대 총선을 사례로. <21세기정치학회보>, 23(3), 247-268.
• 장우영 (2019). 소셜미디어 선거캠페인 연구 동향과 쟁점. <정보화정책>, 26(1), 3-24.
• 장우영, 김석주 (2014). 트위터 선거캠페인과 정치동원: 2011년 서울시장 재보궐선거 사례를 중심으로. <한국지역정보화학회지>, 17(1), 93-123.
• 장우영, 이관률 (2017). SNS 활용과 선거캠페인 효과. <연구방법논총>, 2(1), 53-78.
• 정동준 (2017). 한국 정치공간의 시민과 대표 간 이념적 일치: 개념화와 측정. <의정연구>, 23(2), 67-108.
• 정동준 (2018). 2018년 지방선거 이후 유권자들의 정치 양극화: 당파적 배열과 부정적 당파성을 중심으로. <오토피아>, 33(3), 143-180.
• 정효정·배정환·홍수린·박찬웅·송민 (2016). 정치적 이념에 따른 트위터 공간에서의 집단 간 의견차이 분석: 세월호사건을 중심으로. <한국언론학보>, 60(2), 269-302.
• 한규섭·박주용·이덕재·이혜림 (2013). 트위터 팔로잉 관계에 대한 대표성과 양극화에 대한 논의 검증: 한국과 미국의 의회구성원들의 트위터 팔로워들 네트워크 비교 연구. <사이버커뮤니케이션학보>, 30(1), 295-336.
• 황유선 (2013). 진보적 정치 성향과 정치 지식은 정치 대화를 촉진하는가?: 트위터 매개 정치 대화와 트위터연계 정치 대화에 관한 영향력 탐색. <한국언론학보>, 57(3), 221-248.
• Abramowitz, A. I., & Webster, S. (2016). The rise of negative partisanship and the nationalization of U.S. elections in the 21st century. Electoral Studies, 41, 12-22. [https://doi.org/10.1016/j.electstud.2015.11.001]
• Asher, M., Leston‐Bandeira, C., & Spaiser, V. (2019). Do Parliamentary Debates of e‐Petitions Enhance Public Engagement With Parliament? An Analysis of Twitter Conversations. Policy & Internet, 11(2), 149-171. [https://doi.org/10.1002/poi3.194]
• Bafumi, J., & Shapiro, R. Y. (2009). A New Partisan Voter. Journal of Politics, 71(1), 1-24. [https://doi.org/10.1017/S0022381608090014]
• Beam, M. A., Hutchens, M. J., & Hmielowski, J. D. (2018). Facebook news and (de)polarization: reinforcing spirals in the 2016 US election. Information, Communication and Society, 21(7), 940-958. [https://doi.org/10.1080/1369118X.2018.1444783]
• Bessi, A., Petroni, F., Vicario, M. D., Zollo, F., Anagnostopoulos, A., Scala, A., Caldarelli, G., & Quattrociocchi, W. (2016). Homophily and polarization in the age of misinformation. The European Physical Journal, 225, 2047-2059. [https://doi.org/10.1140/epjst/e2015-50319-0]
• Blei, D. M. (2012). Probabilistic Topic Models. Communications of the ACM, 55(4), 77-84. [https://doi.org/10.1145/2133806.2133826]
• Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet Allocation. Journal of Machine Learning Research, 3, 993-1022.
• Bozdag, C. (2020). Managing Diverse Online Networks in the Context of Polarization: Understanding How We Grow Apart on and through Social Media. Studier i Modern Språkvetenskap, 6(4). [https://doi.org/10.1177/2056305120975713]
• Bracciale, R., Andretta, M., & Martella, A. (2021). Does populism go viral? How Italian leaders engage citizens through social media. Innovation: The European Journal of Social Science Research. [https://doi.org/10.1080/1369118X.2021.1874472]
• Buchi, M., & Vogler, F. (2017). Testing a Digital Inequality Model for Online Political Participation. Socius: Sociological Research for a Dynamic World, 3, 1-13. [https://doi.org/10.1177/2378023117733903]
• Buder, J., Rabl, L., Feiks, M., Badermann, M., & Zurstiege, G. (2020). Does Negatively Toned Language Use on Social Media Lead to Attitude Polarization?. PsyArXiv, October 22. [https://doi.org/10.31234/osf.io/dx9ws]
• Calvillo, D. P., Ross, B. J., Garcia, R. J. B., Smelter, T. J., & Rutchick, A. M. (2020). Political Ideology Predicts Perceptions of the Threat of COVID-19 (and Susceptibility to Fake News About It). Social Psychological and Personality Science, 11(8), 1119-1128. [https://doi.org/10.1177/1948550620940539]
• Chang, E. Y. (2011). Foundations of Large-Scale Multimedia Information Management and Retrieval: Mathematics of Perception, Springer Science & Business Media. [https://doi.org/10.1007/978-3-642-20429-6]
• Clarke, E. J., Anna, R. K., & Dyos, E. (2021). The role of ideological attitudes in responses to COVID-19 threat and government restrictions in Australia. Personality and Individual Differences, 175. [https://doi.org/10.1016/j.paid.2021.110734]
• Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 20(1), 37-46. [https://doi.org/10.1177/001316446002000104]
• Cole, A. (2005). Old Right or New Right? The Ideological Positioning of Parties of the Far Right. European Journal of Political Research, 44, 203-30. [https://doi.org/10.1111/j.1475-6765.2005.00224.x]
• Dalton, R. J. (2007). Partisan Mobilization, Cognitive Mobilization and the Changing American Electorate. Electoral Studies, 26, 274-86. [https://doi.org/10.1016/j.electstud.2006.04.009]
• Davis, T., Frost. M., & Cohen, R. (2014). The Partisan Divide: Congress in Crisis. Campbell, CA: Premiere.
• De Arruda, Henrique Ferraz., Felipe Maciel Cardoso., Guilherme Ferraz de Arruda., Alexis R. Hernández., Luciano da Fontoura Costa., & Yamir Moreno (2021) Modelling how social network algorithms can influence opinion polarization. Information Sciences, 588, 265-278. [https://doi.org/10.1016/j.ins.2021.12.069]
• Dinkelberg, Alejandro., Caoimhe O’Reilly., Pádraig MacCarron., Paul J. Maher., & Michael Quayle. (2021). Multidimensional polarization dynamics in US election data in the long term (2012-2020) and in the 2020 election cycle. Analyses of Social Issues and Public Policy, 21(1), 284-311. [https://doi.org/10.1111/asap.12278]
• Druckman, J. N., Klar, S., Krupnikov, Y., Levendusky, M., & Ryan, J. B. (2020). How Affective Polarization Shapes Americans’ Political Beliefs: A Study of Response to the COVID-19 Pandemic. Journal of Experimental Political Science. [https://doi.org/10.1017/XPS.2020.28]
• Feezell, J. T., Wagne, J. K., & Conroy, M. (2021). Exploring the effects of algorithm-driven news sources on political behavior and polarization. Computers in Human Behavior, 116. [https://doi.org/10.1016/j.chb.2020.106626]
• Fiorina, M. (2017). Unstable Majorities: Polarization, Party Sorting, and Political Stalemate, Stanford: Hoover Press.
• Fredén, A., Rheault, L., & Indridason, I. H. (2020). Betting on the underdog: the influence of social networks on vote choice. Political Science Research and Methods, 1-8. [https://doi.org/10.1017/psrm.2020.21]
• Gallacher, J. D., Heerdink, M. W., & Hewstone, M. (2021). Online Engagement Between Opposing Political Protest Groups via Social Media is Linked to Physical Violence of Offline Encounters. Social Media + Society. [https://doi.org/10.1177/2056305120984445]
• Gilardi, F., Gessler, T., Kubli, M., & Müller, S. (2021). Social Media and Policy Responses to the COVID-19 Pandemic in Switzerland. Swiss Political Science Review, 27(2), 243-256. [https://doi.org/10.1111/spsr.12458]
• Gruzd, A., & Roy, J. (2014). Investigating Political Polarization on Twitter: A Canadian Perspective. Policy & Internet, 6(1), 28-45. [https://doi.org/10.1002/1944-2866.POI354]
• Grzymala-Busse, A. (2019). The Failure of Europe's Mainstream Parties. Journal of Democracy, 30(4), 35-47. [https://doi.org/10.1353/jod.2019.0067]
• Hameleers, M. (2020). Augmenting polarization via social media? A comparative analysis of Trump’s and Wilders’ online populist communication and the electorate’s interpretations surrounding the elections. Acta Politica, 55, 331-350. [https://doi.org/10.1057/s41269-018-0119-8]
• Hameleers, M., Schmuck, D., Bos, L., & Ecklebe, S. (2020). Interacting with the ordinary people: How populist messages and styles communicated by politicians trigger users’ behaviour on social media in a comparative context. European Journal of Communication, 36(3), 238-253. [https://doi.org/10.1177/0267323120978723]
• Hart, P. S., Chinn, S., & Soroka, S. (2020). Politicization and Polarization in COVID-19 News Coverage. Science Communication, 42(5), 679-697. [https://doi.org/10.1177/1075547020950735]
• Harteveld, Eelco (2021). Fragmented foes: Affective polarization in the multiparty context of the Netherlands. Electoral Studies, 71. [https://doi.org/10.1016/j.electstud.2021.102332]
• Harteveld, Eelco., Philipp Mendoza, & Matthijs Rooduijn (2021). Affective Polarization and the Populist Radical Right: Creating the Hating?. Government and Opposition. [https://doi.org/10.1017/gov.2021.31]
• Hayes, A. F., & Krippendorff, K. (2007). Answering the call for a standard reliability measure for coding data. Communication Methods and Measures, 1(1), 77-89. [https://doi.org/10.1080/19312450709336664]
• Hunter, S. (2014). A Novel Method of Network Text Analysis. Open Journal of Modern Linguistics, 4, 350-366. [https://doi.org/10.4236/ojml.2014.42028]
• Iandoli, L., Primario, S., & Zollo, G. (2021). The impact of group polarization on the quality of online debate in social media: A systematic literature review. Technological Forecasting & Social Change, 170. [https://doi.org/10.1016/j.techfore.2021.120924]
• Iyengar, S., Lelkes, Y., Levendusky, M., Malhotra, N., & Westwood, J. S. (2019). The origins and consequences of affective polarization in the United States. Annual Review of Political Science, 22, 129-146. [https://doi.org/10.1146/annurev-polisci-051117-073034]
• Iyengar, S., Sood, G., & Lelkes, Y. (2012). Affect, Not Ideology: A Social Identity Perspective on Polarization. Public Opinion Quarterly, 76(3), 405-31. [https://doi.org/10.1093/poq/nfs038]
• Jiang, J., Chen, E., Yan, S., Lerman, K., & Ferrara, E. (2020). Political polarization drives online conversations about COVID-19 in the United States. Human Behavior and Emerging Technologies, 2(3), 200-211. [https://doi.org/10.1002/hbe2.202]
• Jones, D. R. (2010). Partisan Polarization and Congressional Accountability in House Elections. American Journal of Political Science, 54(2), 323-37. [https://doi.org/10.1111/j.1540-5907.2010.00433.x]
• Karpf, D. (2020). Two provocations for the study of digital politics in time. Journal of Information Technology & Politics, 17(2), 87-96. [https://doi.org/10.1080/19331681.2019.1705222]
• Kerr, J., Panagopoulos, C., & Linden, S. V. D. (2021). Political polarization on COVID-19 pandemic response in the United States. Personality and Individual Differences, 179. [https://doi.org/10.1016/j.paid.2021.110892]
• Kevins, A., & Soroka, S. N. (2018). Growing Apart? Partisan Sorting in Canada, 1992-2015. Canadian Journal of Political Science, 51(1), 103-133. [https://doi.org/10.1017/S0008423917000713]
• Klein, E., & Robison, J. (2020). Like, Post, and Distrust? How Social Media Use Affects Trust in Government. Political Communication, 37(1), 46-64. [https://doi.org/10.1080/10584609.2019.1661891]
• Kubin, Emily, & Christian von Sikorski (2021). The role of (social) media in political polarization: a systematic review. Annals of the International Communication Association, 45(3), 188-206. [https://doi.org/10.1080/23808985.2021.1976070]
• Lau, R. R., Andersen, D. J., Ditonto, T. M., Kleinberg, M. S., & Redlawsk, D. P. (2017). Effect of Media Environment Diversity and Advertising Tone on Information Search, Selective Exposure, and Affective Polarization. Political Behavior, 39(1), 231-255. [https://doi.org/10.1007/s11109-016-9354-8]
• Lee, C., Shin, J., & Hong, A. (2018). Does social media use really make people politically polarized? Direct and indirect effects of social media use on political polarization in South Korea. Telematics and Informatics, 35(1), 245-254. [https://doi.org/10.1016/j.tele.2017.11.005]
• Lee, F. (2018). Impact of social media on opinion polarization in varying times. Communication and the Public, 1(1), 56-71. [https://doi.org/10.1177/2057047315617763]
• Levendusky, M. (2009). The Partisan Sort: How Liberals Became Democrats and Conservatives Became Republicans, Chicago, IL: University of Chicago Press. [https://doi.org/10.7208/chicago/9780226473673.001.0001]
• Levitsky, S., & Ziblatt, D. (2018). How Democracies Die, New York: Crown.
• Mallinas, S. R., Maner, J. K., & Plant, E. A. (2021). What factors underlie attitudes regarding protective mask use during the COVID-19 pandemic?. Personality and Individual Differences, 181. [https://doi.org/10.1016/j.paid.2021.111038]
• Marchal, Nahema (2021) “Be Nice or Leave Me Alone”: An Intergroup Perspective on Affective Polarization in Online Political Discussions. Communication Research. [https://doi.org/10.1177/00936502211042516]
• Mason, L. (2015). “I Disrespectfully Agree”: The Differential Effects of Partisan Sorting On Social and Issue Polarization. American Journal of Political Science, 59(1), 128-45. [https://doi.org/10.1111/ajps.12089]
• Medeiros, M., & Noёl, A. (2014). the Forgotten Side of Partisanship: Negative Party Identification in Four Anglo-American Democracies. Comparative Political Studies, 47(7), 1022-46. [https://doi.org/10.1177/0010414013488560]
• Mehta, V., Caceres, R. S., & CarterEvaluating, K. M. (2014). Topic Quality using Model Clustering. In 2014 IEEE Symposium on Computational Intelligence and Data Mining (CIDM), IEEE, 178-185. [https://doi.org/10.1109/CIDM.2014.7008665]
• Milosh, Maria., Marcus Painter., Konstantin Sonin., David Van Dijcke., & Austin L. Wright (2021). Unmasking partisanship: Polarization undermines public response to collective risk. Journal of Public Economics, 204. [https://doi.org/10.1016/j.jpubeco.2021.104538]
• Mudde, C. (2016). On Extremism and Democracy in Europe. New York, NY: Routledge. [https://doi.org/10.4324/9781315622170]
• Mudde, C. (2019). The 2019 EU Elections: Moving the Center. Journal of Democracy, 30(4), 20-34. [https://doi.org/10.1353/jod.2019.0066]
• Naili, M., Chaibi, A., & Ghezala, H. (2017). Arabic topic identification based on empirical studies of topic models. ARIMA Journal, 27, 45-59. [https://doi.org/10.46298/arima.3102]
• Nelson, J. L., Lewis, D. A., & Lei, R. (2017). Digital Democracy in America: A Look at Civic Engagement in an Internet Age. Journalism & Mass Communication Quarterly, 94(1), 318-334. [https://doi.org/10.1177/1077699016681969]
• Nordbrandt, Maria (2021). Affective polarization in the digital age: Testing the direction of the relationship between social media and users’ feelings for out-group parties. new media & society, 1-20. [https://doi.org/10.1177/14614448211044393]
• Pariser, E. (2011). The Filter Bubble: What the Internet is Hiding from You. Penguin UK. [https://doi.org/10.3139/9783446431164]
• Paz, María Antonia., Ana Mayagoitia-Soria., & Juan-Manuel González-Aguilar (2021) From Polarization to Hate: Portrait of the Spanish Political Meme. Social Media + Society. [https://doi.org/10.1177/20563051211062920]
• Pennycook, G., McPhetres, J., Bago, B., & Rand, D. G. (2021). Beliefs About COVID-19 in Canada, the United Kingdom, and the United States: A Novel Test of Political Polarization and Motivated Reasoning. Personality and Social Psychology Bulletin, 1-16. [https://doi.org/10.31234/osf.io/zhjkp]
• Prasetya, H. A., & Murata, T. (2020). A model of opinion and propagation structure polarization in social media. Computational Social Networks. [https://doi.org/10.1186/s40649-019-0076-z]
• Roberts, Kenneth M. (2021). Populism and Polarization in Comparative Perspective: Constitutive, Spatial and Institutional Dimensions. Government and Opposition. [https://doi.org/10.1017/gov.2021.14]
• Sebei, H., Taieb, M. A. H., Aouicha, M. B. (2018). Review of social media analytics process and Big Data pipeline. Social Network Analysis and Mining, 8(30). [https://doi.org/10.1007/s13278-018-0507-0]
• Tien, J. H., Eisenberg, M. C., Cherng, S. T., & Porter, M. A. (2020). Online reactions to the 2017 ‘Unite the right’ rally in Charlottesville: measuring polarization in Twitter networks using media followership. Applied Network Science, 5(10). [https://doi.org/10.1007/s41109-019-0223-3]
• Tufekci, Z. (2014). Big questions for social media big data: Representativeness, validity and other methodological pitfalls. In Proceedings of the Eighth International AAAI Conference on Weblogs and Social Media (ICWSM 2014), 505-514.
• Urman, A. (2019). Context matters: political polarization on Twitter from a comparative perspective. Media, Culture & Society, 42(6), 857-879. [https://doi.org/10.1177/0163443719876541]
• Van Hiel, Alain., Jasper Van Assche., Tessa Haesevoets., David De Cremer., & Gordon Hodson (2021). A Radical Vision of Radicalism: Political Cynicism, not Incrementally Stronger Partisan Positions, Explains Political Radicalization. Political Psychology. [https://doi.org/10.1111/pops.12785]
• Weber, Till (2021). Negative voting and party polarization: A classic tragedy. Electoral Studies, 71. [https://doi.org/10.1016/j.electstud.2021.102335]
• Weil, Audrey M., & Christopher R. Wolfe (2021). Individual differences in risk perception and misperception of COVID-19 in the context of political ideology. Applied cognitive psychology, 36(1), 19-31. [https://doi.org/10.1002/acp.3894]
• Yang, J. H., Barnidge, M., & Rojas, H. (2017). The politics of “Unfriending”: User filtration in response to political disagreement on social media. Computers in Human Behavior, 70, 22-29. [https://doi.org/10.1016/j.chb.2016.12.079]
• Yarchi, M, Baden, C., & Kligler-Vilenchik, N. (2020). Political Polarization on the Digital Sphere: A Cross-platform, Over-time Analysis of Interactional, Positional, and Affective Polarization on Social Media. Political Communication, 38(1-2), 98-139. [https://doi.org/10.1080/10584609.2020.1785067]
• Zhu, A. Y. F., Chan, A. L. S., & Chou, K. L. (2019). Creative social media use and political participation in young people: The moderation and mediation role of online political expression. Journal of Adolescence, 77, 108-117. [https://doi.org/10.1016/j.adolescence.2019.10.010]