Construction and utilization of emotion data based on Korean popular narratives Exploring the Use of Emotional Deep Learning Models in Literary Research -

본 연구는 한국 대중 서사 기반의 감정 데이터를 활용하여 한국 문학의 감정을 연구할 가능성을 모색해보고자 하였다. 이에 중앙대학교 인문콘텐츠연구소에서 구축한 문학과 콘텐츠 감정 데이터를 소개하고, 이를 활용하여 ‘문학’, ‘콘텐츠’, ‘문학+콘텐츠’의 데이터별 LSTM 및 BERT 2분류(긍정·부정) 모델 총 6개, LSTM 3분류(분노·슬픔·즐거움) 모델 1개를 구축하였다. LSTM 및 BERT 2분류 모델은 80~87%의 감정 예측 정확도를 보여주었고, 긍정보다는 부정을 더욱 정확하게 예측하였다. 학습 방법별로 LSTM보다 BERT가 예측 정확도가 높았다. 감정 데이터별로는 ‘문학+콘텐츠’ 모델이 예측 정확도가 높았다. 이러한 결과는 정보공학의 측면에서 학습한 데이터 총량의 문제와 연관되는 것으로 파악되지만, 인문학적으로 볼 때 토대 데이터의 성격 즉 소설과 드라마의 성격 차이에 따른 감정 양상의 차이에서 비롯되는 것으로 파악된다. 이후 <구운몽>을 대상으로 한 ‘감정 딥러닝 모델의 감정 판단 데이터’와 ‘주석자 감정 판단 데이터’의 비교 검증을 진행하였는데, 감정 수치가 높은 긍정, 부정 범주의 판단 사례가 대체로 일치하는 결과를 보여주었다. 즉 감정 딥러닝 모델이 문학 연구에 활용될 가능성을 보여준 것이다.

In this study, we explore the possibility of studying emotions expressed in Korean literature by using emotion data based on Korean popular narratives. Accordingly, we introduce literature and content evaluation data collected by Chung-Ang University's Humanities Contents Research Institute, and utilize it to develop long short-term memory (LSTM) and Bidirectional Encoder Representations from Transformers (BERT) model trained to perform binary classification (positive/negative) for each data sample of several categories including “Literature,” “Content,” and ”Literature+Content.” A three-class LSTM 3 classification model was also constructed to distinguish anger, sadness, and joy. The two-class LSTM and BERT models showed an accuracy in predicting emotions of 80-87%, and predicted negative emotions more accurately than positive emotions. Based on its learning method, the BERT model exhibited higher prediction accuracy than the LSTM. For each emotion data sample, the “Literature+Content” model showed high predictive accuracy. These results are identified as related to the the total amount of data learned from the perspective of information engineering. However, from the perspective of the humanities, the results are identified as originating from the differences in emotional aspects according to the characteristics of the basic data, that is, the differences between novels and dramas. Subsequently, using the emotional deep learning model, the data for judging the emotions of The Cloud Dream of the Nine and the manual emotion input data of The Cloud Dream of the Nine were compared and verified. Thus, this work shows how an emotional deep learning model can be used in literary research.