코워드 분석: 단어의 동시 출현으로 텍스트 뭉치 속 지식구조 읽어내기
코워드 분석의 동시출현행렬·근접성 지수 계산 원리, 학술·특허·소셜미디어 분야 응용 사례와 도구, 방법론적 한계를 정리한다.
2026-08-13 · 최초 발행 2025-05-23
함께 나타나는 단어에는 이유가 있다
같은 문서나 문단 안에서 반복해서 함께 등장하는 두 단어는 우연이 아니라 의미적 연관성을 반영한다는 가정에서 출발하는 분석법이 코워드 분석(Co-Word Analysis)이다. 1980년대 프랑스의 Michel Callon과 동료들이 개발했고, 초기에는 과학 분야의 연구 동향을 파악하는 데 쓰였다. 빅데이터 시대에 접어들면서는 대량의 텍스트에서 숨겨진 패턴과 관계를 발견하는 도구로 활용 범위가 넓어졌다.
근접성을 수치로 바꾸는 절차
코워드 분석의 핵심은 두 가지 계산이다. 하나는 동시출현(Co-occurrence) 측정으로, 동일 문서나 문맥 안에서 두 단어가 함께 등장하는 빈도를 세는 것이다. 다른 하나는 근접성 지수(Proximity Index) 산출로, 그 빈도를 바탕으로 단어 간 연관 강도를 수치화하는 과정이다. 근접성 지수를 구할 때 쓰이는 지표는 여러 가지다.
- 자카드 계수(Jaccard Coefficient): 두 단어 집합의 유사성을 공통 요소 대비 전체 요소 비율로 측정
- 코사인 유사도(Cosine Similarity): 벡터 공간 모델에서 두 단어 벡터 간 각도의 코사인 값
- 상호정보량(Mutual Information): 두 단어 간의 통계적 의존성 측정
이렇게 계산된 값들은 단어들 간의 동시출현 빈도를 표현하는 정방행렬인 동시출현행렬(Co-occurrence Matrix)로 정리된다.
데이터 수집부터 네트워크 시각화까지
분석은 논문, 특허, 뉴스기사, SNS 데이터 등 분석 대상 텍스트 자료를 수집하는 데서 시작한다. 불용어(stopwords) 제거, 어간 추출(stemming), 품사 태깅(POS tagging)으로 텍스트를 정제한 뒤, TF-IDF나 TextRank 같은 알고리즘으로 주요 키워드를 추출한다.
추출된 키워드들 간의 동시출현 빈도는 일반적으로 대칭행렬(symmetric matrix) 형태로 구성된다. 행렬의 각 요소 값은 두 키워드가 동일 문서·문단·문장에서 함께 출현한 횟수다.
동시출현행렬 예시:
| 빅데이터 | 인공지능 | 머신러닝 | 클라우드 |
-------|---------|---------|---------|---------|
빅데이터 | - | 12 | 8 | 5 |
인공지능 | 12 | - | 15 | 3 |
머신러닝 | 8 | 15 | - | 2 |
클라우드 | 5 | 3 | 2 | - |
이 행렬을 자카드 계수·코사인 유사도·상호정보량 등으로 정규화하면 네트워크 분석에 쓸 가중치가 된다. 단어를 노드(node), 연관관계를 엣지(edge)로 표현하는 네트워크를 구성한 뒤에는 연결 중심성·매개 중심성·근접 중심성 같은 중심성(centrality) 분석과, 모듈성(modularity) 기반 커뮤니티 탐지·CONCOR 분석 같은 클러스터링을 수행한다. 결과는 다차원척도법(MDS)이나 네트워크 그래프로 시각화한다.
학술 동향부터 여론 분석까지, 이 지도를 쓰는 곳들
학술 연구 동향 분석에서는 특정 분야의 지적 구조와 발전 패턴을 파악하고 핵심 연구 주제·신흥 연구 영역을 식별하며 학제 간 연구 영역을 매핑하는 데 쓰인다. 기술 트렌드 모니터링에서는 특허 데이터 분석을 통해 기술 발전 동향을 추적하고, 산업별 핵심 기술 요소와 기술 로드맵을 구성하며, 경쟁사의 기술 개발 방향을 예측하는 데 활용된다.
마케팅·소비자 인사이트 영역에서는 소셜 미디어 데이터에서 소비자 관심사와 의견 구조를 파악하고, 브랜드 연관 키워드 분석으로 브랜드 포지셔닝 전략을 세우며, 제품 리뷰 분석으로 소비자 만족·불만족 요인을 찾아낸다. 정책·여론 분석에서는 뉴스 기사에서 이슈의 프레임 구조를 파악하고, 정책 문서에서 정책 의제 설정 과정을 이해하며, 공공 의견 수렴 과정의 주요 쟁점과 이해관계 구조를 분석한다.
무엇으로 계산하는가
일반 통계·데이터 분석 도구로는 R의 tm·igraph·biblionetR 패키지, Python의 NLTK·NetworkX·scikit-learn 라이브러리, SPSS Text Analytics의 텍스트 분석 모듈이 쓰인다. 전문 네트워크 분석 도구로는 계량서지학적 네트워크 시각화에 특화된 프리웨어 VOSviewer, 오픈소스 플랫폼 Gephi, 사회 네트워크 분석용 상용 소프트웨어 UCINET, 과학 문헌의 지식 영역을 시각화하는 CiteSpace가 있다. 텍스트 마이닝과 네트워크 분석을 결합한 상용 솔루션 NetMiner, 일본에서 개발된 무료 텍스트 마이닝 소프트웨어 KH Coder, 코워드 분석을 지원하는 텍스트 분석 전문 소프트웨어 T-LAB도 이 분야에서 쓰인다.
COVID-19부터 스마트시티까지, 실제로 그려진 지도
2020~2022년 발표된 COVID-19 관련 논문 초록을 대상으로 한 코워드 분석은 '백신', '변이', '면역', '중증도' 등의 키워드 클러스터를 드러냈다. 시간이 지나며 연구 초점이 '감염경로' → '치료법' → '백신' → '장기효과' 순으로 이동한 것도 확인됐고, 의학·생물학·사회학·경제학에 걸친 다학제적 연구 현황도 파악됐다.
글로벌 스마트시티 관련 특허 데이터를 분석한 사례에서는 '교통관리', '에너지효율', '보안시스템', '데이터플랫폼'이 주요 기술 클러스터로 나타났다. 기업별로는 삼성이 IoT 인프라, IBM이 데이터 분석, 지멘스가 에너지 관리에 집중했고, 국가별로는 미국이 소프트웨어 중심, 중국이 하드웨어 중심의 특허 출원 패턴을 보였다.
화장품 관련 인스타그램 게시물의 해시태그를 분석한 사례에서는 '성분', '효과', '지속성', '브랜드', '가치(친환경/비건)'가 주요 연관 클러스터로 나타났다. 연령대별로 10대는 '트렌드', 20대는 '가성비', 30~40대는 '효능'에 관심 키워드가 몰렸고, 계절별로는 겨울에 보습, 여름에 자외선 차단 관련 관심사가 두드러졌다.
이 분석이 놓치는 것들
단어의 의미적 맥락을 충분히 고려하지 못한다는 점이 방법론적 한계로 꼽힌다. 동일 단어도 문맥에 따라 의미가 달라질 수 있고, 같은 개념을 다른 용어로 표현하는 동의어·이형태 문제는 연결성을 떨어뜨린다. 어떤 단위(문서·문단·문장)로 동시출현을 측정할지 정하는 것도 쉽지 않고, 의미적으로 중요하지 않은 노이즈 단어가 높은 빈도로 나타나는 경우도 있다.
해석 단계에서도 주의할 점이 있다. 함께 등장하는 단어가 반드시 인과관계를 의미하지는 않으며, 정적인 단면 분석만으로는 진화하는 지식구조를 온전히 포착하기 어렵다. 같은 개념도 학문 분야에 따라 다른 용어로 표현될 수 있고, 네트워크 시각화 결과는 연구자의 주관적 해석에 좌우될 위험도 있다.
이런 한계를 보완하는 방향으로는 단어 임베딩(Word Embedding)·토픽 모델링과의 결합, 시간 경과에 따른 코워드 네트워크 변화를 추적하는 동적 분석, 온톨로지·시소러스를 활용한 의미론적 분석 강화, 논문·특허·뉴스·소셜미디어 등 다중 데이터 소스 통합이 시도되고 있다.
딥러닝과 만나는 다음 단계
BERT·GPT 같은 언어 모델을 접목한 딥러닝 기반 의미 분석과의 결합, 텍스트와 이미지·오디오 데이터를 통합하는 멀티모달 코워드 분석, 스트리밍 데이터에 대한 실시간 트렌드 모니터링, 사용자가 직접 탐색할 수 있는 인터랙티브 시각화, 코워드 패턴을 기반으로 한 예측 모델링과의 연계가 이 기법이 향하고 있는 방향이다.
코워드 분석은 방대한 텍스트 데이터에서 숨겨진 패턴과 구조를 발견하는 도구로서, 학술 연구·기술 동향 분석·마케팅·정책 분석 등 다양한 분야에서 활용 가치를 인정받고 있다. 자연어 처리 기술의 발전과 결합하며 더 정교한 지식구조 분석이 가능해지고 있고, 앞으로는 더 다양한 데이터 유형을 통합해 분석하는 방향으로 나아갈 것으로 전망된다.