PyTorchKR Papers

최신 논문

총 7편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.05626v2cs.CL

ADHD 또는 ASD를 자가 보고한 트위터 사용자의 DSM-5 우울 증상 언어에 대한 인구 수준 프로파일링: 자연어 처리와 통계 분석을 활용한 탐색적 연구

Population-Level Profiling of DSM-5 Depressive Symptom Language Among Twitter Users With Self-Reported ADHD or ASD: Exploratory Study Using Natural Language Processing and Statistical Analysis

우울증은 주의력결핍 과잉행동장애(ADHD) 및 자폐스펙트럼장애(ASD)와 자주 동반되지만, 이러한 상태를 가진 사람들이 우울 증상을 어떻게 표현하는지는 충분히 연구되지 않았다. 본 연구는 ADHD 또는 ASD를 자가 보고한 트위터 사용자들이 DSM-5의 아홉 가지 우울 증상과 관련된 언어에서 차이를 보이는지 조사하였다. 792명의 사용자가 작성한 트윗 1,282,437건(2020-2021년)을 분석하였다. 트윗은 제로샷 분류기와 로컬에서 실행한 대규모 언어 모델(Qwen3-8B)을 결합하여 우울 관련성을 선별하였고, ReDSM5 코퍼스로 미세 조정한 MentalRoBERTa를 통해 아홉 가지 증상으로 분류하였다. 파이프라인은 500건씩의 층화 표본 두 개로 조정하였으며, 이 중 150건의 트윗에 대해 사람이 판정한 레이블과 비교하여 내부 검증하였다. 사용자 수준 프로파일(582명)은 L1 규제 로지스틱 회귀, 중첩 교차 검증, 부트스트랩 안정성 분석, 증상별 효과 크기, 동시 발생 분석으로 비교하였다. 자연어 추론 필터를 사용한 기준 파이프라인의 정밀도는 0.09-0.13에 그친 반면, 최종 파이프라인은 정밀도 0.48-0.59, F1 0.55-0.68에 도달하였다. 집단 간 판별력은 보통 수준이었다(중첩 ROC-AUC 0.60-0.62). 자살 사고 관련 언어는 ASD 사용자에게서, 인지 문제 관련 언어는 ADHD 사용자에게서 더 빈번하였으며, 두 차이 모두 크기는 작았으나 민감도 분석 전반에서 견고하였다. 이러한 탐색적 결과는 우울 증상이 온라인에서 어떻게 표현되는지를 기술한 것이며, 임상적 유병률을 나타내는 것은 아니다.

arXiv:2609.35821v2cs.CL

CrisisFake: 재난 소셜 센싱을 위한 AI 생성 텍스트 탐지의 벤치마크 유효성 평가

CrisisFake: Benchmark Validity of AI-Generated Text Detection for Disaster Social Sensing

재난 소셜 센싱은 대중의 소셜 미디어 게시물을 상황 인지 및 인도주의적 대응을 위한 근거로 변환하지만, 그럴듯한 대규모 언어 모델(LLM) 생성 게시물은 이러한 정보 흐름을 오염시키고 피해, 요구사항, 자원 우선순위 평가를 왜곡할 수 있습니다. 본 연구는 텍스트 기반 탐지기가 사람이 작성한 재난 게시물과 LLM이 생성한 재난 게시물을 구별할 수 있는지, 그리고 그 판단의 기반이 되는 텍스트 단서가 무엇인지를 실증적으로 조사합니다. 우리는 9개 재난 사건에서 수집한 3,000개의 매칭된 시맨틱 단위로 구성된 12,000개 텍스트 규모의 Qwen2.5-7B 기반 데이터셋인 CrisisFake를 구축했습니다. 각 단위는 사람이 작성한 원본 게시물, LLM이 최소한으로 교정한 게시물, LoRA를 사용해 사실을 보존하며 생성한 LLM 게시물, 그리고 해당 인공 게시물의 정서적 프레임을 재구성한 버전으로 구성됩니다. 모델 선택 및 임계값 캘리브레이션을 지원하기 위해 42개 재난 사건에 걸친 6,000개 텍스트 규모의 별도 말뭉치도 독립적으로 구축되었습니다. 우리는 5개 모델 계열에 걸쳐 OSM-Det, Fast-DetectGPT, Binoculars 및 직접적인 LLM 판별기를 평가하고, 재난 도메인 캘리브레이션과 리트윗 마커, 사용자 멘션, 해시태그, URL, 구두점, 텍스트 길이와 같은 표면적 언어적 단서가 탐지기 성능에 어떤 영향을 미치는지 추가로 조사합니다. 14개의 고정(frozen) 구성 전반에서 AUROC는 0.402에서 0.517 사이에 머물렀으며, 캘리브레이션을 통해 도출한 낮은 위양성(false-positive) 동작 지점에서의 최고 예측 재현율은 3.6%에 불과해 무작위 추측에 가까운 구별 능력을 보였습니다. OSM-Det의 경우 재난 도메인에 캘리브레이션된 선형 헤드를 적용하면 AUROC가 0.817로 향상되지만, 7개 특징(feature)만을 사용한 텍스트 분류기만으로도 원본 대 사실적 LLM 생성 대조군에서 AUROC 0.784에 도달하며, 확인된 표면적 비대칭성을 중립화하면 해당 선형 헤드의 AUROC는 0.733에서 0.594로 떨어집니다. 이러한 결과는 LLM 생성 텍스트 탐지가 주로 언어적 단서에 의해 유도되며, 단문 형태의 재난 소셜 미디어에 적용하기에는 여전히 충분히 강건하지 않다는 실증적 근거를 제시합니다.

arXiv:2602.09270v2physics.soc-ph

AI 에이전트의 집단 행동: Moltbook 사례 연구

Collective Behavior of AI Agents: the Case of Moltbook

본 논문에서는 AI 에이전트들로만 구성된 레딧(Reddit) 스타일의 소셜 미디어 플랫폼인 Moltbook에 대한 대규모 데이터 분석을 제시합니다. 약 185,000개의 활성 에이전트가 작성한 400만 개 이상의 게시물과 1,900만 개 이상의 댓글을 분석한 결과, AI의 집단 행동이 인간 온라인 커뮤니티에서 관찰되는 여러 통계적 규칙성을 동일하게 보임을 발견했습니다. 여기에는 활동의 꼬리가 두꺼운 분포(heavy-tailed distribution), 인기도 지표의 거듭제곱 법칙 스케일링(power-law scaling), 제한된 주의력 역학과 일치하는 시간적 감쇠 패턴 등이 포함됩니다. 그러나 인간의 행동과 대조되는 추천 수(upvotes)와 토론 규모 간의 서브리니어(sublinear) 관계 등 주요 차이점 또한 확인했습니다. 이러한 결과는 개별 AI 에이전트가 인간과 근본적으로 다를 수 있음에도 불구하고, 이들의 창발적(emergent) 집단 역학은 인간 사회 시스템과 구조적 유사성을 공유함을 시사합니다.

arXiv:2607.04962v2cs.CL

배후는 누구인가? 독일어 텔레그램 게시물에서 음모론적 행위자 어노테이션 및 추출

Who's Behind It? Annotating and Extracting Conspiratorial Actors from German Telegram Posts

음모론은 흔히 중요한 사건을 강력하고 비밀스러운 행위자의 행동 탓으로 돌립니다. 계산적 연구는 주로 음모론에 대한 문서 수준의 분석에 집중해 온 반면, 이러한 서사를 이끄는 행위자를 식별하는 데는 상대적으로 덜 주목해 왔습니다. 본 연구에서는 음모론적 행위자에 대한 어노테이션 가이드라인을 개발하고, 스팬(span) 어노테이션이 적용된 독일어 텔레그램 게시물 코퍼스를 제시하며, 트랜스포머(transformer) 기반 모델을 사용한 자동 추출을 조사합니다. 나아가 도출된 모델을 독일어 음모론 관련 텔레그램 채널의 대규모 아카이브인 Schwurbelarchiv에 적용합니다. 실험 결과는 음모론 담화의 언어적 복잡성에도 불구하고 음모론적 행위자를 유의미한 일치도로 어노테이션할 수 있으며 합리적인 정확도로 추출할 수 있음을 보여주어, 음모론 서사에서 행위자 표현에 대한 대규모 분석을 가능하게 합니다.

arXiv:2510.18908v2cs.CL

재구성을 활용한 소셜 미디어 단문 토픽 모델링 개선: COVID-19 관련 트윗 사례 연구

Improving Topic Modeling of Social Media Short Texts with Rephrasing: A Case Study of COVID-19 Related Tweets

Twitter(현 X)와 같은 소셜 미디어 플랫폼은 특히 COVID-19 팬데믹과 같은 위기 상황에서 공공 담론 분석을 위한 풍부한 데이터를 제공한다. 그러나 소셜 미디어 단문의 간결성, 비격식성, 노이즈는 전통적인 토픽 모델링의 효과를 저해하는 경우가 많아, 해석하기 어려운 비일관적이거나 중복된 토픽을 생성한다. 이러한 문제를 해결하기 위해 우리는 대규모 언어 모델(LLM)을 활용하여 토픽 모델링 이전에 원시 트윗을 보다 표준화되고 격식체인 언어로 재구성하는 모델 비종속적 프레임워크인 TM-Rephrase를 개발하였다. 25,027개의 COVID-19 관련 Twitter 게시물로 구성된 데이터셋을 사용하여, 일반적 재구성과 구어체-격식체 재구성의 두 가지 재구성 전략이 다양한 토픽 모델링 방법에 미치는 영향을 분석하였다. 실험 결과, TM-Rephrase는 토픽 모델링 성능을 측정하는 세 가지 지표(토픽 일관성, 토픽 고유성, 토픽 다양성)를 개선하는 동시에 대부분의 토픽 모델링 알고리즘에서 토픽 중복성을 감소시키는 것으로 나타났으며, 구어체-격식체 전략이 가장 큰 성능 향상을 보였고 특히 잠재 디리클레 할당(LDA) 알고리즘에서 두드러졌다. 본 연구는 공중 보건 관련 소셜 미디어 분석에서 토픽 모델링을 향상시키는 모델 비종속적 접근법에 기여하며, 건강 위기 및 기타 중요한 분야에서 공공 담론에 대한 이해를 개선하는 데 광범위한 함의를 제공한다.

arXiv:2607.04566v1cs.CL

Reddit에서의 청소년 약물 사용 논의의 시간적·감정적·사회적 패턴 특성 규명

Characterizing the Temporal, Emotional, and Social Patterns of Adolescent Substance Use Discussions on Reddit

청소년기는 고조된 감정적 민감성, 사회적 스트레스, 약물 사용 취약성이 두드러지는 중요한 발달 단계이다. 그러나 전통적인 연구 방법은 청소년들의 실제 경험에 대한 접근이 제한적이어서, 근거 기반 예방 및 개입 전략 개발 노력을 저해한다. 소셜 미디어는 청소년들의 약물 사용에 관한 자연 발생적 논의를 관찰할 수 있는 독특한 기회를 제공하며, 조기 예방 및 개입 전략 수립에 활용 가능한 청소년들의 의견, 감정, 실제 경험에 대한 귀중한 통찰을 제공한다. 본 연구에서는 2018년부터 2023년 사이 청소년들의 약물 사용과 관련된 Reddit의 대규모 논의를 분석한다. 시간대별 시계열 분석, 감성 및 감정 분류(classification), 트랜스포머(transformer) 기반 토픽 모델링(BERTopic)을 활용하여, 청소년 약물 사용 담론에서 시간, 감정, 의미론적 내용 간의 상호작용을 탐구한다. 연구 결과, 약물 관련 논의에서 주말 및 심야 시간대의 뚜렷한 피크, 슬픔과 공포와 같은 부정적 감정의 지배적 양상, 그리고 또래 관계, 가족 갈등, 감정적 고통, 약물별 경험을 중심으로 한 뚜렷한 의미론적 토픽들이 나타났다. 이러한 연구 결과는 자연스러운 온라인 환경에서의 청소년 약물 사용에 대한 이해를 심화시키고, 더욱 시의적절하고 표적화된 근거 기반 예방 및 개입 전략 개발을 뒷받침하는 실증적 증거를 제공한다.

arXiv:2606.30957v1cs.CL

소셜 미디어에서의 언어적 거리두기: 연령대에 따른 감정 조절 지표

Linguistic Distancing on Social Media: Indicators of Emotion Regulation Across Age Groups

소셜 미디어 텍스트를 대규모로 분석해 언어적 거리두기(linguistic distancing)—사회적 거리두기, 시간적 거리두기, 추상성, 수동태를 포함—가 연령대에 따라 어떻게 변화하는지 체계적으로 탐구하였다. 나이가 들수록 언어적 거리두기가 더 높은 비율로 나타난다는 가설을 뒷받침하는 근거를 제시하며, 이는 고령일수록 감정 조절 능력이 향상되고 웰빙이 증가한다는 심리학 선행 연구와 일치한다.