본문 바로가기
KERD
논문KCI 등재

초기 시청자 반응과 드라마 평균 시청률 사이의 관계: 토픽 모델링 측면에서

The Relation between Early Viewer Response and Average TV Ratings with a Topic Modeling Analysis

김혜진|배기웅
한국방송공사|2019.06|방송문화연구|제31권 제1호|pp. 103-138|DOI 10.22854/sbc.2019.31.1.103

0

조회

0

다운로드

4

인용

0

참고문헌

키워드

토픽 모델링LDAonline reviewstopic modeling온라인 리뷰잠재 디리클레 할당텔레비전 평균 시청률TV ratings
주제분류신문방송학

초록

텔레비전 드라마의 초기 에피소드에 대한 시청자의 온라인 리뷰는 미래 시청률의 방향을 확인할 수 있는 중요한 데이터 중 하나이다. 리뷰를 분석하는 전통적인 방법으로 양이나 긍/부정의 방향성을 분석하는 방법이 있으나, 이 중 양과 방향성만을 분석하는 것은 텍스트 데이터를 일차원적인 수치로 변환하므로 한계가 존재한다. 이에 반해, 토픽 모델링은 분석을 깊이를 증대시키고 주제별로 상세하게 분석을 수행할 수 있다는 장점이 존재한다. 본 연구에서는 초기 드라마 에피소드에 대한 시청자 의견이 드라마의 평균 시청률에 끼치는 영향을 토픽 모델링의 잠재 디리클레 할당으로 분석하였다. 본 연구에서는 국내에서 방영된 135개의 드라마에서 초기 에피소드의 댓글 118,641개를 15개의 주제로 분류하였고, 회귀분석을 통하여 각각의 주제가 평균 시청률에 끼치는 영향을 분석하였다. 그 결과, 비속어와 자극적인 댓글, 드라마 외적인 관점의 단어를 사용한 댓글, 연기에 대한 약한 평가의 경우 평균 시청률에 악영향을 끼쳤다. 이에 반해, 외모, 표정 등에 대한 찬사 및 내용에 대한 비판이 주제로 등장할 경우 평균 시청률에는 긍정적인 영향을 끼쳤다. 본 연구는 방송사와 드라마 제작사 입장에서 온라인 구전의 방향성 접근 외에 드라마 시청률의 추이를 미리 파악할 수 있는 방법을 제시했다는 점에서 의의가 있다.

Abstract

Viewers' online reviews of the early episodes of TV shows are one of the most important sources of information for predicting future audience ratings. The marketing literature has analyzed the volume and valence of reviews to predict market outcome. However, valence analysis has a limitation, as it converts text data into a one-dimensional numerical value. On the other hand, topic modeling has the advantage of increasing the depth of the analysis and performing detailed analysis on a topicby-topic basis. In this study, we aim to use topic modeling to predict the average ratings of TV episodes by analyzing viewers’ online comments about early episodes. For this purpose, we collected 118,641 online comments on early episodes of 135 TV dramas broadcast domestically in South Korea and classified each comment into one of 15 topics using latent Dirichlet allocation (LDA). We then analyzed whether there was any statistical association between the proportion of a specific topic and average audience ratings. Results show that topics containing slang and provocative words, those that mention “acting,” “story,” and “director,” and those with weak criticism were negatively associated with average ratings. On the other hand, topics that include praise and those that criticize the content were positively associated with average ratings. This study provides decision makers in the TV industry with a tool for predicting future TV ratings through analysis of early viewer reviews.

참고문헌 (44)

  1. 강수연, "국내 드라마 시청률 예측 및 영향요인 분석", 응용통계연구, 28(5), pp.933~949 (2015), 한국통계학회
  2. 박은정, "<KoNLPy: 쉽고 간결한 한국어 정보처리 파이썬 패키지>", 제26회 한글 및 한국어 정보처리 학술대회 논문집 (2014)
  3. "케이블 드라마, 지상파에 여전히 역부족" (2017)[URL]
  4. "11번가 따라잡은 네이버쇼핑, 온라인유통 ‘태풍의 눈’" (2018)[URL]
  5. 이혜갑, "텔레비전 프로그램 시청률 예측 가능성 연구. <방송광고연구총서>" (1994), 한국방송광고공사
  6. 이화진, "TV드라마 시청률에 영향을 미치는 요인내용변인을 중심으로", 한국방송학보, 21(6), pp.492~535 (2007), 한국방송학회
  7. 조정식, "다매체 환경에서의 TV 광고 노출 효과 변화 2000년부터 2015년까지의 기간을 중심으로", 한국광고홍보학보, 19(1), pp.136~179 (2017), 한국광고홍보학회[DOI]
  8. 최현종, "데이터 마이닝을 통한 지상파 드라마 첫 회 시청률 예측 모형 연구", 한국정보기술학회논문지, 15(1), pp.1~10 (2017), 한국정보기술학회[DOI]
  9. Blal, I., "The differential effects of the quality and quantity of online reviews on hotel room sales", Cornell Hospitality Quarterly, 55(4), pp.365~375 (2014)
  10. Blei, D. M., "Latent Dirichlet allocation", Journal of Machine Learning Research, 3, pp.993~1022 (2003)
  11. Blei, D. M., "Topic Models" (2009), Chapman and Hall
  12. Buschken, J., "Sentence-based text analysis for customer reviews", Marketing Science, 35(6), pp.953~975 (2016)
  13. Chen, P. Y., "The impact of online recommendations and consumer feedback on sales", ICIS 2004 Proceedings, pp.58~ (2004)
  14. Chevalier, J. A., "The effect of word of mouth on sales: Online book reviews", Journal of Marketing Research, 43(3), pp.345~354 (2006)
  15. Chintagunta, P. K., "The effects of online user reviews on movie box office performance: Accounting for sequential rollout and aggregation across local markets", Marketing Science, 29(5), pp.944~957 (2010)
  16. Danaher, P., "Using a nested logit model to forecast television ratings", International Journal of Forecasting, 28(3), pp.607~622 (2012)
  17. Darmon, R. Y., "Determinants of TV viewing", Journal of Advertising Research, 16(6), pp.17~20 (1976)
  18. Decker, R., "Estimating aggregate consumer preferences from online product reviews", International Journal of Research in Marketing, 27(4), pp.293~307 (2010)
  19. Ghose, A., "Designing ranking systems for hotels on travel search engines by mining user-generated and crowdsourced content", Marketing Science, 31(3), pp.493~520 (2012)
  20. Godes, D., "Using online conversations to study word-of-mouth communication", Marketing Science, 23(4), pp.545~560 (2004)
  21. Gong, S., "Tweeting as a marketing tool: A field experiment in the TV industry", Journal of Marketing Research, 54(6), pp.833~850 (2017)
  22. Griffiths, T. L., "Finding scientific topics", Proceedings of the National Academy of Sciences, 101(suppl 1), pp.5228~5523 (2004)
  23. Jacobs, B. J., "Model-based purchase predictions for large assortments", Marketing Science, 35(3), pp.389~404 (2016)
  24. Kelton, C. M., "Optimal television schedules in alternative competitive environments", European Journal of Operational Research, 104(3), pp.451~473 (1998)
  25. Kirsch, A. D., "Program types defined by factor-analysis", Journal of Advertising Research, 2(3), pp.29~31 (1962)
  26. Koltsova, O., "Mapping the public agenda with topic modeling: The case of the Russian livejournal", Policy & Internet, 5(2), pp.207~227 (2013)
  27. Lee, T. Y., "Automated marketing research using online customer reviews", Journal of Marketing Research, 48(5), pp.881~894 (2011)
  28. Li, X., "Self-selection and information role of online product reviews", Information Systems Research, 19(4), pp.456~474 (2008)
  29. Liu, X., "A structured analysis of unstructured big data by leveraging cloud computing", Marketing Science, 35(3), pp.363~388 (2016)
  30. Liu, Y., "Word of mouth for movies: Its dynamics and impact on box office revenue", Journal of Marketing, 70(3), pp.74~89 (2006)
  31. Mankad, S., "Understanding online hotel reviews through automated text analysis", Service Science, 8(2), pp.124~138 (2016)
  32. Manning, C. D., "Foundations of Statistical Natural Language Processing" (1999), The MIT Press
  33. Mimno, D., "Sparse stochastic inference for latent Dirichlet allocation", arXiv preprint arXiv:1206.6425, ~ (2012)
  34. Napoli, P. M., "The unpredictable audience: An exploratory analysis of forecasting error for new prime-time network television programs", Journal of Advertising, 30(2), pp.53~60 (2001)
  35. Netzer, O., "Mine your own business: Market-structure surveillance through text mining", Marketing Science, 31(3), pp.521~543 (2012)
  36. Patelis, A., "FORTV: decision support system for forecasting television viewership", Journal of Computer Information Systems, 43(4), pp.100~107 (2003)
  37. Puranam, D., "The effect of calorie posting regulation on consumer opinion: A flexible latent Dirichlet allocation model with informative priors", Marketing Science, 36(5), pp.726~746 (2017)
  38. Ramage, D., "Characterizing microblogs with topic models", ICWSM, 10, pp.1~1 (2010)
  39. Shachar, R., "Cast demographics, unobserved segments, and heterogeneous switching costs in a television viewing choice model", Journal of Marketing Research, 37(2), pp.173~186 (2000)
  40. Tavakoli, M., "Modelling television viewing patterns", Journal of Advertising, 25(4), pp.71~86 (1996)
  41. Tirunillai, S., "Mining marketing meaning from online chatter: Strategic brand analysis of big data using latent Dirichlet allocation", Journal of Marketing Research, 51(4), pp.463~479 (2014)
  42. Webster, J., "Ratings analysis: The Theory and Practice of Audience research" (2000), Lawrence Erlbaum Associates
  43. Yang, S., "Estimating the interdependence of television program viewership between spouses: A Bayesian simultaneous equation model", Marketing Science, 25(4), pp.336~349 (2006)
  44. Yoo, C. Y., "An analysis of prediction error for new primetime television programmes: a comparative study between the USA and Korea", International Journal of Advertising, 21(4), pp.525~546 (2002)

관련 논문AI추천

빅데이터를 통해 살펴본 영화평과 영화 평점 - 영화평의 주요 특징과 흥행 성적과의 관계를 중심으로 -전호성한국소비문화학회 · 소비문화연구2022 · 제25권 제1호영화평 작성시기가 영화의 주별 흥행에 미치는 영향에 관한 연구이호, 김경규, 김현구, 백영석한국지식경영학회 · 지식경영연구2015 · 제16권 제2호Research on the Movie Reviews Regarded as Unsuccessful in Box Office Outcomes in Korea: Based on Big Data Posted on Naver Movie Portal전호성경영경제연구소 · 아태비즈니스연구2021 · 제12권 제3호리뷰의 의미적 토픽 분류를 적용한 감성 분석 모델김판구, 신주현, 임명진(사)한국스마트미디어학회 · 스마트미디어저널2020 · 제9권 제2호온라인 구전량 및 평점과 시기별 영화 흥행과의 관계장리, 이재영, 최강준한국지식경영학회 · 지식경영연구2017 · 제18권 제2호온라인 리뷰의 토픽유형이 소비자가 지각하는 리뷰 유용성에 미치는 영향 연구김형준, 황용석언론정보연구소 · 언론정보연구2023 · 제60권 제4호

이 간행물의 다른 논문 (2건)

뉴스가치의 개념, 유형, 작동 기제 및 규범에 대한 종합 고찰: ‘뉴스가치 통합 모형’의 제안이종혁pp. 7-45팩트체크 뉴스와 한국 방송 저널리즘의 신뢰 회복: 방송 기자들의 팩트체크 뉴스 양식과 뉴스가치에 대한 인식을 중심으로정은령pp. 47-101
원문 보기