A Lightweight Approach to Twitter Bot Detection Using User Profile and Behavioral Metadata

트위터와 같은 사회관계망서비스(SNS)에서 자동화 계정(소셜 봇)은 정보 확산과 여론 형성에 영향을 미친다. 본 연구는 텍스트 본문과 그래프 정보를 전혀 사용하지 않고, 사용자 프로필·행동 메타데이터와 저비용 n-gram 구조 신호만으로 경량 봇 탐지의 성능 한계와 정책 효율을 정량적으로 검증하였다. Kaggle 공개 데이터(계정 50,000개, 봇 비율 π≈0.50)를 대상으로 메타 전용 로지스틱 회귀와 단어 1–2그램 TF-IDF + SGD 모델을 동일한 70/15/15 층화 분할에서 비교한 결과, PR-AUC는 0.4937→0.5062로 무작위선(≈0.5004) 대비 소폭의 면적 이득만 확인되었다. 그러나 재현율 0.15에서 n-gram 모델은 메타 전용 대비 거짓양성률을 0.1553→0.1369(−1.84%p)로 줄여, 테스트 음성 3,747건 중 오탐 69건(약 11.9%)을 감소시켰다. 이는 텍스트 의미를 해석하지 않는 구조 신호만으로도 프라이버시 제약 환경의 초기 triage 단계에서 일정 수준의 비용 절감 효과를 얻을 수 있음을 시사하는 동시에, 메타·구조 신호만으로는 전집 기준에서 무작위 수준을 크게 상회하기 어렵다는 현실적 하한을 보여준다.