내용분석 (Content Analysis)
쉽게 풀면
신문 기사, SNS 게시글, 인터뷰 녹취록처럼 방대한 글 자료를 그냥 읽고 느낌만으로 판단하지 않고, 미리 정한 기준(범주)에 따라 하나하나 분류하고 세는 방법입니다. 예를 들어 "이 기사가 정부 정책을 긍정/중립/부정 중 어느 쪽으로 다뤘는가"를 기사 100개에 각각 표시하고 그 비율을 계산하는 식입니다. 이렇게 하면 "느낌상 부정적인 기사가 많았다"가 아니라 "부정적 기사가 62%였다"처럼 구체적인 근거를 댈 수 있습니다.
왜 중요한가
언론, SNS, 정책 문서, 광고처럼 사람이 만든 방대한 텍스트·이미지 자료를 다루는 분야에서는 "무엇이 얼마나 자주, 어떤 방식으로 다뤄졌는가"를 객관적으로 보여줄 수 있어야 주장에 설득력이 생깁니다. 내용분석은 이런 자료를 체계적인 절차로 계량화함으로써 연구자의 주관적 인상을 넘어선 근거를 제공하기 때문에, 언론학·정치커뮤니케이션·마케팅·보건홍보 등 다양한 분야에서 여론 형성, 프레임 변화, 캠페인 효과를 다루는 연구의 기초 방법으로 자주 채택됩니다. 최근에는 텍스트 마이닝이나 자동화된 분류 기법과 결합되면서 대규모 데이터에도 적용 범위가 넓어지고 있습니다.
논문에서는 이렇게 쓰입니다
기사 500개를 미리 정한 분류 기준에 따라 하나씩 나누고 세어서, 언론이 기후위기를 어떤 관점으로 주로 다루는지 통계적으로 정리했다는 뜻입니다.
SNS에 달린 댓글들을 정해진 분류 기준에 따라 나눠 세어서, 소비자 반응이 어떤 감정 쪽으로 치우쳐 있고 어떤 단어가 자주 등장하는지 정리했다는 뜻입니다.
공공기관이 낸 보도자료들을 일정 기간에 걸쳐 분류·집계함으로써, 어떤 정책 의제가 언제 더 강조되었는지를 데이터로 보여주었다는 뜻입니다.
조금 더 깊게 보면
내용분석 논문을 읽을 때는 '코딩체계(coding scheme)'가 어떻게 구성되었는지를 눈여겨봐야 합니다. 이는 자료를 어떤 범주로 나눌지 미리 정의한 기준표로, 연구의 타당성을 좌우합니다. 또한 여러 명이 같은 자료를 독립적으로 분류했을 때 결과가 얼마나 일치하는지를 나타내는 코더 간 신뢰도 지표(예: 카파 계수 등)가 함께 보고되는지도 중요한 확인 포인트입니다. 최근 연구에서는 사람이 직접 분류하는 전통적 방식 외에, 텍스트 마이닝이나 자동화된 분류 알고리즘을 활용해 대량의 자료를 처리하는 방식도 함께 쓰이며, 이 경우 자동 분류 결과와 사람 분류 결과 간의 일치도를 검증하는 절차가 추가되기도 합니다.
주의할 점
분류 기준이 모호하면 분석자마다 다르게 분류할 위험이 있습니다. 그래서 여러 명이 독립적으로 분류한 뒤 얼마나 일치하는지(코더 간 신뢰도)를 함께 보고하는 것이 좋은 관행으로 여겨집니다.