Core Concepts
양극성 데이터 구조를 고려하여 응답자들의 의견 유사성을 더 정확하게 파악할 수 있는 새로운 클러스터링 방법론 제안
Abstract
이 연구는 양극성 데이터 구조를 효과적으로 활용할 수 있는 새로운 클러스터링 방법론인 Bipolar Class Analysis (BCA)를 소개한다. 기존의 Relational Class Analysis (RCA)와 Correlational Class Analysis (CCA) 방법은 양극성 데이터의 특성을 충분히 반영하지 못하여 응답자들의 의견 유사성을 정확하게 파악하지 못하는 한계가 있다.
BCA는 응답자들이 동의와 반대 영역 사이를 이동하는 양상을 분석하여 의견 유사성을 측정한다. 이를 위해 BCA는 극성 함수와 강도 함수를 도입하였다. 극성 함수는 응답자들이 동의와 반대 영역 사이를 이동하는 방향을 파악하고, 강도 함수는 이러한 이동의 정도를 측정한다.
시뮬레이션 분석 결과, BCA는 RCA와 CCA에 비해 더 정확하게 응답자들의 클러스터 소속을 파악하고 클러스터의 수를 추정하는 것으로 나타났다. 또한 BCA는 실제 데이터에 적용했을 때 RCA와 CCA와 다른 결과를 도출하였다. 이는 BCA가 양극성 데이터의 특성을 보다 잘 반영하여 응답자들의 의견 유사성을 더 정확하게 파악할 수 있음을 시사한다.
Stats
응답자들이 동의와 반대 영역 사이를 이동하는 양상은 의견 유사성을 파악하는 데 중요한 정보를 제공한다.
설문 문항별로 제공되는 응답 옵션의 수 차이는 기존 방법론의 거리 계산에 문제를 야기할 수 있다.
Quotes
"양극성 데이터 구조를 고려하여 응답자들의 의견 유사성을 더 정확하게 파악할 수 있는 새로운 클러스터링 방법론 제안"
"BCA는 응답자들이 동의와 반대 영역 사이를 이동하는 양상을 분석하여 의견 유사성을 측정한다."