국문장편소설의 감정에 대한 정성적·정량적 연구 시론 -<창선감의록>과 <소현성록>을 중심으로- = Qualitative and quantitative research on emotions in Korean full-length novels - Focusing on Changseongamuirok and Sohyeonseongrok -

국문 초록 (Abstract)

본 연구는 인문학의 정성적 연구와 디지털인문학의 정량적 연구를 융합하여 국문장편소설의 감정을 연구하는 새로운 방법론 마련을 목적한다. 본 연구의 프로세스는 데이터 수집 및 구축, 딥러닝 감정 예측 모델생성 및 감정 예측, 감정 예측 결과 비교 검증의 3단계로 구성하였다. 이를 통해 ‘KOTE모델’(44분류), ‘강우규모델(v.1.1.0.)’(18분류), ‘강우규 모델(v.1.1.1.)’(18분류)를 구축하였다. 그리고 <창선감의록>과 <소현성록>에 대한 세 모델의 감정 예측 결과를 비교하여 그 성능을 검증하였다. 결과적으로 강우규모델(v.1.1.1.)이 가장 높은 정확도를 보여주었다. 이는 강우규모델(v.1.1.1.)이 연구자가 <창선감의록>의 감정을 정성적으로 식별한 데이터를 학습하였기 때문이다. 따라서 문학 연구자가 적극적으로 개입한 강우규모델(v.1.1.1.)의 활용은 국문장편소설의 감정을 비교적 정확하게 예측하여 연구자의 시간과 비용을 절감시켜줄 수 있는 방안이 될 수 있을 것이다. 또한, 동일 대상에 대해서 연구자 혹은 연구 그룹의 목적과 필요 및 생각에 따라서 서로 다른 감정 분류 체계를 설정하고, 각자의 딥러닝 감정 예측 모델을 생성하는 단초를 제공함으로써, 문학연구의 다층적이고 다양한 사유와 성과가 디지털(딥러닝)과 융합하는 계기가 될 것이라 생각한다.

다국어 초록 (Multilingual Abstract)

This study aims to establish a new methodology for studying emotions in Korean novels by combining qualitative research in humanities and quantitative research in digital humanities. The process of this study consisted of three stages: data collection and construction, deep learning emotion prediction model creation and emotion prediction, and comparison and verification of emotion prediction results. Through this, the ‘KOTE model’(44 categories), ‘Kang woo-kyu model(v.1.1.0.)’(18 categories), and ‘Kang Woo-kyu model(v.1.1.1.)’(18 categories) were constructed. In addition, the emotion prediction results of the three models for Changseongamuirok and Sohyeonseongrok were compared to verify their performance. As a result, the ‘Kang woo-kyu model(v.1.1.1.)’ showed the highest accuracy. This is because the ‘Kang woo-kyu model(v.1.1.1.)’ learned data in which the researcher qualitatively identified the emotions of Changseongamuirok. Therefore, the use of the ‘Kang woo-kyu model(v.1.1.1.)’ can be a way to save time and cost for researchers by predicting the emotions of Korean full-length novels relatively accurately. In addition, by setting different emotion classification systems for the same subject according to the purpose, needs, and thoughts of researchers or research groups and providing a starting point for creating each deep learning emotion prediction model, I believe that this will be an opportunity to merge the multi-layered and diverse thoughts and achievements of literary research with digital (deep learning).