전산문학분석 (Computational Literary Analysis)
쉽게 풀면
컴퓨터로 문장의 특징을 숫자로 계산해서 누가 썼는지, 어떤 장르인지 등을 밝히는 연구예요.
왜 중요한가
전산 문학 분석은 계량문체론에 의한 저자 판별, 토픽 모델링을 통한 주제 변화 추적, 감성 분석으로 그린 플롯 곡선처럼 텍스트를 계량화해 문학사적 질문에 답하는 방법으로, 모레티의 원거리 읽기와 디지털 인문학의 기술적 실체입니다.
테드 언더우드의 『먼 지평』처럼 장르의 인식이 한 세기 넘게 안정적이었음을 보이는 연구는 계량 분석이 기존 문학사 서술을 검증하거나 뒤집을 수 있음을 보여 줍니다.
저자 판별에서는 기능어(전치사, 접속사 등 내용과 무관한 단어)의 사용 빈도가 오히려 문체 지문으로 더 신뢰할 수 있는 지표로 쓰이는데, 이는 작가가 의식적으로 통제하기 어려운 무의식적 습관을 반영하기 때문이다.
어떤 절차인가
- 코퍼스 구성: 분석할 작품을 고르고 디지털화(스캔·OCR·교정)하며 저자, 연대, 장르, 판본 같은 메타데이터를 붙입니다. 무엇을 포함하고 무엇을 뺐는지가 결과를 좌우합니다.
- 전처리: 토큰화, 정규화, 불용어 처리를 합니다. 한국어는 조사·어미가 붙어 있어 형태소 분석이 필요하며, 어떤 분석기를 썼는지에 따라 결과가 달라질 수 있습니다.
- 특징 추출: 가장 자주 쓰이는 단어(MFW)의 상대 빈도, 기능어, n-gram, 품사 분포, 토픽 분포 등을 수치로 바꿉니다.
- 모형·통계: 거리 기반 방법(Burrows의 Delta는 MFW의 z점수 차이의 절댓값 평균), 군집·분류 모형, 토픽모델링(Blei 등, 2003의 LDA), 감성 점수를 이용한 플롯 곡선 등을 적용합니다.
- 해석과 검증: 수치 패턴을 작품 읽기로 되돌리고, 저자가 알려진 자료로 방법을 시험하거나 교차검증을 합니다.
언제 쓰고 무엇을 얻나
- 언제: 저자 판별, 장르 분류, 시기별 문체와 주제의 변화, 대규모 코퍼스의 경향을 보고 싶을 때 씁니다. 개별 작품을 깊이 읽는 정독과 달리 원거리읽기에 가깝습니다.
- 얻는 것: 유사도, 분류 확률, 어휘·주제의 시계열 같은 계량적 근거입니다. 이는 확률적 근사이며 확정적 증명이 아닙니다.
- 강점: 저자 판별에서는 내용과 무관한 기능어 빈도가 작가가 의식적으로 통제하기 어려운 습관을 반영해 자주 쓰입니다(문체계량학).
- 한계: 디지털화된 텍스트가 정전과 영어에 쏠려 있으면 일반화가 어렵고, 같은 코퍼스에도 전처리를 달리하면 결과가 바뀔 수 있습니다. 토픽은 사람이 이름을 붙이는 해석 단계에서 선입견이 들어갈 수 있습니다. Da(2019)는 이 분야의 통계적 검증이 충분하지 않다고 비판했고, 이에 대한 반론도 활발합니다.
논문에는 이렇게 적는다
- 코퍼스 구성표: 작품·저자 수, 연대, 판본, 선정 기준과 제외 기준.
- 전처리 규칙: 토큰화 방식, 형태소 분석기의 이름과 버전, 불용어 목록.
- 특징과 파라미터: MFW 개수, n-gram 길이, 토픽 수(k), 난수 시드.
- 소프트웨어와 도구(예: R의 stylo 패키지; Eder 등, 2016).
- 검증 방법과 결과: 저자가 알려진 자료에 대한 정확도, 교차검증.
- 가능하면 코드와 데이터 공개 여부.
논문에서는 이렇게 쓰입니다
실제 논문에서
이 용어를 직접 쓴 국내 논문 문장을 아직 수집하지 못했습니다. 수집되는 대로 출처와 함께 싣겠습니다.
예시 문장
아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.
작가가 누군지 모르는 옛날 소설을, 문장 스타일을 숫자로 비교해서 저자를 추정해 봤다는 뜻이에요.
정량적 방법으로 문체를 분석하는 전산문학분석의 특징을 보여주는 사례이다.
조금 더 깊게 보면
계량 결과는 코퍼스가 무엇을 포함하고 배제했는지에 결정적으로 좌우되므로, 디지털화된 텍스트가 정전과 영어에 편중되어 있다는 점을 밝히지 않은 일반화는 신뢰하기 어렵습니다.
또 낸 다의 비판처럼 통계적 유의성과 문학적 의의는 별개여서, 모델이 찾아낸 패턴을 해석으로 옮기는 단계에서 다시 정밀 읽기가 필요하다는 것이 분야 내부의 합의에 가깝습니다.
토픽 모델링은 잠재적 주제 분포를 확률적으로 추정하는 비지도학습 기법이어서 결과 토픽에 사람이 사후적으로 이름을 붙이는 해석 단계가 필수적이며, 이 해석 단계에서 연구자의 선입견이 개입할 여지가 크다는 점이 방법론적 한계로 지적된다.
주의할 점
전산문학분석의 결과는 확률적 근사치이지 확정적 증명이 아니다. 통계적 유사성을 문학적 해석의 최종 근거로 오해해서는 안 된다.
동일한 코퍼스에 다른 전처리(토큰화, 불용어 제거 기준)를 적용하면 저자 판별 결과가 달라질 수 있어, 재현성 확보를 위해 전처리 절차를 논문에 상세히 기록하는 것이 최근 관행으로 자리 잡고 있다.
헷갈리기 쉬운 용어
이름이 비슷한 방법론이 겹쳐 쓰입니다.
| 용어 | 무엇인가 | 관계 |
|---|---|---|
| 전산문학분석 | 통계·자연어처리로 문학적 특징을 계량적으로 분석하는 분야 | 상위 분야 |
| 원거리읽기 | 대규모 텍스트를 통계적으로 처리해 문학사의 경향을 보는 접근(모레티) | 접근 방식 |
| 문체계량학 | 어휘·문장·기능어 빈도로 저자나 문체를 판별 | 주요 하위 기법 |
| 토픽모델링 | 문헌에서 잠재 주제를 확률적으로 추출 | 주요 하위 기법 |
| 디지털휴머니티 | 디지털 방법을 인문학 연구에 접목하는 더 넓은 영역 | 상위 영역 |
참고 문헌
- Burrows, J. (2002). ‘Delta’: A measure of stylistic difference and a guide to likely authorship. Literary and Linguistic Computing, 17(3), 267–287.
- Moretti, F. (2013). Distant Reading. Verso.
- Jockers, M. L. (2013). Macroanalysis: Digital Methods and Literary History. University of Illinois Press.
- Underwood, T. (2019). Distant Horizons: Digital Evidence and Literary Change. University of Chicago Press.
- Eder, M., Rybicki, J., & Kestemont, M. (2016). Stylometry with R: A package for computational text analysis. The R Journal, 8(1), 107–121.
- Da, N. Z. (2019). The computational case against computational literary studies. Critical Inquiry, 45(3), 601–639.
- Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent Dirichlet allocation. Journal of Machine Learning Research, 3, 993–1022.
표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.