Analysis of Emotional Framing in Election Coverage News Using a Large-Scale Language Model-Based News Sentiment Model

현재 대규모 데이터와 자연어 처리 모델을 활용한 뉴스 감정 분석 기술은 큰 진전을 이루었으나, 분야 간 및 언어 간 감정 모델 전이 테스트의 실용화는 아직 초기 단계에 있다. 본 연구는 9,788개의 경제 뉴스 데이터 세트를 활용하여 다양한 언어에 적합한 뉴스 감정 분류 모델(중립, 긍정, 부정)을 개발했다. 다섯 가지 다국어 대규모 언어 모델을 사용하여 경제 뉴스 감정 분류 모델을 훈련하고 최적의 모델을 선정하였다. 뉴스 프레임 이론을 적용하여 200개의 정치선거 뉴스를 분석하고, 경제 뉴스 감정 분류 모델을 사용하여 200개의 정치 뉴스를 감정 분류하여 전이 테스트 능력을 평가하였다. 분석 결과, XLM-Roberta(cross-lingual language model - roberta) 모델이 최적의 경제 뉴스 감정 분류 모델로 선정되었으며, 정확도는 89%에 달했다. 정치 선거 뉴스의 50.5%가 부정적인 내용을 포함했으며 경제 뉴스모델을 사용한 정치 뉴스의 감정 분류 정확도는 중립 85.25%, 긍정 78.95%, 부정 86.14%였다. 이러한 결과는 경제 및 정치 분야 뉴스의 감정 분류가 다른 분야 뉴스로 확장될 수 있는 가능성을 보여주며, 뉴스 감정 분석의 시간과 비용을 절감하고 감정 분류의 주관성을 줄일 수 있음을 시사한다.