토픽 모델링과 의미망 분석을 활용한 땅밀림 관련 뉴스 기사와 연구 논문의 동향 분석

토픽 모델링은 문서를 다양한 주제의 확률적 혼합체로 표현하는 분석 방법으로서, 문서 내 숨겨진 주제를 발견하는 데 중점을 둔다. 이 기법은 문서에서 각 주제(topic)를 단어의 분포로 모델링하고, 통계적 추론을 통해 잠재적 주제를 추출한다. 주로 언론 보도나 문서에서 특정 이슈를 식별하는 데 사용되며, 문서 내 단어 출현 빈도를 바탕으로 주제를 추출하는데 집중한다(Blei, 2012).

과거에는 주로 LSA(Latent Semantic Analysis)이나 pLSA(Probabilistic Latent Semantic Analysis) 기반 토픽 모델링을 활용하였으나, 최근에는 기존 LSA 및 pLSA의 한계점을 개선하여 문서 내 숨겨진 주제를 효과적으로 발견하는 방법으로 LDA(Latent Dirichlet Allocation)가 널리 활용되고 있다(Blei et al., 2003). LSA는 문서 내 단어들의 잠재적 주제를 추출하기 위해 특잇값 분해(singular value decomposition)를 사용하는 방법인데(Landauer et al., 1998), 문서 내 단어 분포가 가우시안 분포(Gaussian distribution)를 따른다는 가정이 실제 텍스트 데이터의 특성과 일치하지 않을 수 있다는 한계점이 있다. 또한, pLSA는 단어 빈도 대신 단어 출현 확률을 바탕으로 분석함으로써 LSA의 한계점을 어느 정도 극복할 수는 있으나(Hofmann, 1999), 문서 수준에서 확률 생성 모델을 제공하지 못하는 한계가 있다. 반면에 LDA는 문서 내 숨겨진 주제를 추출하는 생성 모델로서 pLSA보다 더 복잡한 구조를 가지고 있으나, 과적합(overfitting)의 위험이 적고 일반화 성능은 더 뛰어나다. LDA는 문서 작성 과정을 모델링하며, 각 문서에 포함될 주제와 단어를 선택하는 매개변수(parameter)를 설정함으로써, 관찰된 변수인 문서와 단어를 통해서 보이지 않는 변수인 주제와 그 비율을 추론할 수 있다. 즉, LDA는 대규모 비정형 텍스트 데이터에서 주요 주제를 효과적으로 추출하고, 각 주제에 대한 단어 분포를 확률적으로 파악하여 분석 결과의 해석 가능성이 높다는 장점이 있다. LDA의 확률 분포는 다음과 같이 정의된다.

여기서, θ=문서의 토픽 분포, Z=단어의 토픽 할당, W=관측된 단어, α, β=사전 매개변수이다. 식 (1)은 사전 매개변수 α, β를 기반으로 문서의 토픽 분포(θ), 단어들의 토픽 할당(Z) 및 관측된 단어(W)의 각 확률을 결합확률로 계산하는 것을 의미한다. 구체적으로 식 (1)의 첫 번째 항 p(θ|α)는 문서별 토픽 분포 θ에 대한 사전 확률로서 이는 디리클레 분포(Dirichlet distribution)를 따른다. 두 번째 항 ${\displaystyle \prod _{n=1}^{N}p\left(Z_n|\theta \right)}$ 각 단어가 특정 토픽에 할당될 확률을 의미하며, 문서의 토픽 분포()에 의존한다. 마지막 항 ${\displaystyle \prod _{n=1}^{N}p\left(W_n|Z_n,\beta \right)}$ 는 특정 토픽에 의해 단어가 생성될 확률로서, 이는 토픽의 단어 분포()에 의해 결정된다.

Figure 1은 LDA 연산 과정을 그래프 모델로 표현한 그림으로서, 문서 생성 과정을 시각적으로 설명한다(Blei et al., 2003). Figure 1은 LDA 연산 과정을 나타내는 그래프 모델이다. 이 모델에서 상자는 반복적인 과정을 나타내며, D는 문서의 수, N은 각 문서의 단어 수, K는 토픽 수를 의미한다. 연산 과정은 사전 매개변수 α와 η를 기반으로 각 문서의 토픽 분포 θ_d와 토픽의 단어 분포 β_k를 샘플링하는 것으로 시작한다. 이어서 각 단어 W_d,n에 대해 토픽 Z_d,n을 문서의 토픽 분포 θ_d에서 샘플링하고, 선택된 토픽 Z_d,n에 따라 단어 W_d,n을 ${\beta }_{z_{d,n}}$에서 생성하는 과정을 반복한다(Park and Song, 2013). 최종적으로 깁스 샘플링을 활용하여 θ, Z, β를 각각 추정하며, 이를 통해 문서의 잠재적인 토픽 구조를 이해하고 추출할 수 있다.

Figure 1. The graph model of LDA.

Download Original Figure

의미망 분석은 개념이나 단어 간의 관계를 네트워크 형태로 표현하고 분석하는 방법이다(Sowa, 1984). 이 분석 기법은 개념 간의 상호작용과 관계를 시각적으로 표현함으로써, 복잡한 정보나 지식 구조를 보다 명확하게 이해하는데 활용될 수 있다. 의미망 분석은 주로 시맨틱 네트워크(semantic network)와 개념적 그래프(conceptual graph)와 같은 구조를 통해 개념 간의 연결을 시각화하여, 개념의 관계를 추론하고 새로운 정보나 지식을 발견하는 데 유용하다. 궁극적으로 특정 주제나 도메인 내에서 중요한 개념들이 어떻게 연결되는지 파악할 수 있다. 또한, 네트워크 중심성과 연결 강도를 평가하는 기법을 통해 주요 개념을 식별하고, 그들의 상호작용을 보다 체계적으로 분석할 수 있다(Borgatti et al., 2009).

이 연구에서는 의미망 분석 기법 중 엔그램(N-gram) 방법을 적용하였다. 이것은 텍스트 데이터를 연속된 n개의 단어로 묶어 의미 있는 패턴을 추출하는 기법이다(Shannon, 1948). 이 방법은 텍스트 내에서 자주 등장하는 단어 쌍(2-그램), 세 개의 단어(3-그램), 또는 더 긴 연속적인 단어들의 패턴을 파악하는 데 사용된다. 엔그램 모델은 자연어 처리에서 특히 중요한 역할을 하며, 단어 간의 순서와 상호 연관성을 고려하는 통계적 방법을 사용한다. 엔그램 방법은 최초 개발 당시에는 자연어 처리에 주로 활용되었지만, 점차 활용성이 확대되어서 자동 번역, 텍스트 요약, 감정 분석 등 다양한 응용 분야에서도 활용되고 있다(Manning et al., 1999). 특히, 엔그램 기반의 언어 모델은 특정 단어가 주어진 문맥에서 등장할 확률을 예측할 수 있어, 문장 구조와 의미를 더 정확하게 모델링한다. 본 연구는 N=2인 바이그램을 이용하였다.

토픽 모델링의 결과는 사용자에 의해 설정되는 토픽 수(K)에 민감하게 영향을 받는다. K가 지나치게 작으면 하나의 토픽에 여러 개의 상이한 주제가 섞여서, 결과의 해석이 어렵고

분석의 유용성이 떨어진다. 반대로 K가 너무 크면 유사한 주제들이 불필요하게 세분화되어, 결과의 간결성과 효율성이 저하된다. 따라서 K는 주제 간의 경계를 명확히 구분하면서도, 각 토픽이 충분히 해석 가능한 수준에서 결정되어야 한다. 최적의 K를 결정하기 위하여 LDA 모델에서 토픽 수(K)를 바꿔가며 모델 성능을 평가하기 위해 사용하는 지표를 LDA 튜닝 지표(LDA tunning index)라고 하며, 현재까지 다양한 방법의 튜닝 지표가 제안되어 왔다. 대표적으로 CaoJuan 지표(Cao et al., 2009), Arun 지표(Arun et al., 2010), Griffiths 지표(Griffiths and Steyvers, 2004), 그리고 Deveaud 지표 (Deveaud et al., 2014)가 있다. 이 중 CaoJuan 지표와 Arun 지표는 그 값이 작을수록, 반면에 Griffiths 지표와 Deveaud 지표는 그 값이 커질수록 최적의 K를 찾게 된다. 본 연구는 R 4.3.2의 ‘ldatuning’ 패키지를 활용하여 토픽 수의 범위를 2부터 15까지로 설정하고, 상기 4개의 평가 지표를 고려하여 최적의 토픽 수를 결정하고자 하였다(Nikita and Chaney, 2016).

네 가지 LDA 튜닝 지표를 종합적으로 검토한 결과, 뉴스 기사 데이터의 최적 토픽 수를 6개로 결정하였다(Figure 4). CaoJuan 지표 자체로만 보았을 때 5개 토픽에서 중복성과 혼잡도가 가장 낮게 나타났으나, Griffiths와 Deveaud 지표가 6개 부근에서 토픽의 설명력과 내부 응집력이 유의하게 증가하는 경향을 보였다. 또한, 뉴스 기사 수가 증가함에 따라 주제의 세분화가 필요하고 트렌드 파악의 정밀성이 중요하다는 도메인적 특성을 고려하여, 토픽 수를 한 단계 확장함으로써 토픽의 분해능(resolution)과 의미적 응집도를 높이는 방향을 우선시하였다. 연구 논문 데이터의 경우에는 CaoJuan 지표가 5개에서 국소적 최소값을 나타내며, Griffiths 지표 또한 이 지점에서 국소적 정점을 보이고 이후 토픽 수 증가에 따른 유의미한 설명력 향상이 관찰되지 않았다(Figure 5). 더욱이 Deveaud 지표 역시 토픽 수 5개에서 응집도의 급격한 증가가 확인되어, 토픽 수가 이보다 늘어날 경우 중복성과 혼잡도가 심화될 것으로 판단되었다. 이러한 정량적 지표와 정성적 해석을 종합하여, 연구 논문 데이터의 경우 최적 토픽 수를 5개로 결정하였다.

Figure 4. LDA tunning index according to the number of topics on news articles.

Download Original Figure

Figure 5. LDA tunning index according to the number of topics on research abstracts.

Download Original Figure

뉴스 기사에 대한 토픽 모델링 분석의 결과, 최적 토픽 수 6개별로 분석된 주요 키워드와 전체 뉴스 기사 중 차지하는 비율을 Table 4에 나타내었다. 각 토픽에서 다루어지는 뉴스 기사 내용을 요약하여 정리하면 다음과 같다.

토픽 ①은 주로 기후변화와 집중호우로 인해 발생하는 산사태와 땅밀림에 대한 예방 및 대응 노력에 관한 내용을 다루고 있다. 산림청 및 여러 지자체는 여름철 집중호우에 대비하여 산림 재해 예방 사업을 추진하고 있음을 강조하고 있다. 또한, 산림청은 전국적으로 땅밀림 우려지역에 대한 정밀 조사를 진행하고, 피해 예방을 위한 다양한 대책을 마련하고 있다.

토픽 ②는 경주와 장수 지진 발생 후 산림청 및 지방 정부의 대응과 산림 및 재해 예방 노력을 다루고 있다. 경주 지진 후 산림청은 진앙지 반경 50 km 내 산림시설 및 다중이용시설을 점검한 결과, 피해가 없음을 확인했다. 또한, 장수 지진 발생에 따른 산사태 취약지 현장 점검을 실시하여 2차 피해를 예방하고 있다. 이 외에도 중부지방산림청은 해빙기 땅밀림 지역에 대한 국가안전대진단을 실시하여 복구 사업지를 특별 점검하고 있다.

토픽 ③은 한국의 여러 지역에서 발생한 땅밀림 현상과 그로 인한 문제들을 다루고 있다. 대구 신서동에서 땅밀림 위험 A등급 지역이 확인되어 긴급 복구 작업이 진행되고 있으며, 경남은 전국에서 가장 많은 땅밀림 우려지역이 분포되어 있어 위험이 높다. 울릉군에서는 LPG 가스 배관망 사업이 땅밀림 현상으로 인해 차질을 빚고 있다. 청남대와 김해 등에서도 산사태와 땅밀림 위험이 높아 정밀 조사와 예방 대책이 필요하다.

토픽 ④는 산림 관리의 중요성을 강조하고 있다. ‘경일포럼’ 시리즈는 국립공원 내 땅밀림지 관리, 여름철 재해 예방, 산사태와 땅밀림 위험지 관리, 태풍 대비, 강우 집중 시기 관리의 필요성 등 다양한 주제를 다룬다. 특히, 경상도 지역이 땅밀림과 산사태의 위험이 가장 높다고 경고하며, 위험지 관리를 철저히 할 것을 촉구한다. 또한, 재해 예방에 충분한 재정을 투자해야 한다는 의견이 제기되었으며, ‘태화산 산사태 예방대책’과 같은 구체적인 예방 대책 추진 사례도 소개된다.

토픽 ⑤는 한국에서 땅밀림 및 산사태 예방과 관련된 다양한 노력과 기술 도입을 다루고 있다. 산림청은 전국 25곳에 땅밀림 무인 원격감시시스템을 설치하여 선제 대응 체계를 구축하고 있다. 이 시스템은 땅밀림 위험 지역을 실시간으로 모니터링하여 조기 경보를 가능하게 한다(Seo et al., 2018; Kim et al., 2023). 부산지역에도 3곳에 설치되었으며, 이를 통해 땅밀림 피해를 예방하려는 노력이 강화되고 있다. 서울시는 도시 관리에 최첨단 항공 레이저 측량 기술을 도입하여 보다 정확한 지형 데이터를 확보하고 있다. 즉, 땅밀림과 산사태의 조기 발견 및 대응을 위한 기술적 발전을 다룬다.

토픽 ⑥은 순천시의 예산 관련 소식을 다루고 있다. 순천시 산림재해 예방과 관리를 위해 사회간접자본(SOC) 핵심 예산을 확보하였으며 이를 통해 지역 주민들의 생활 환경 개선에 기여할 것으로 기대한다.

연도별 뉴스 기사와 특정 토픽 간의 관련성을 분석한 결과는 Table 5이다. 토픽 ①은 2016~2017년과 2021년에 언급 빈도가 높아, 기후 변화와 산림재해 예방에 대한 관심이 집중되었음을 나타낸다. 토픽 ②는 2016년 이후 꾸준히 언급되며, 2022~2023년에 기사 수가 급증해 지진과 재해 예방 노력이 주목받았다. 토픽 ③은 2018년 경주시 양북면의 땅밀림 발생과 2021년 산림청의 땅밀림 예방⋅대응정책 발표에 따라서 많은 사회적 관심을 끌었다. 토픽 ④는 2013년에 큰 관심을 받았고, 이후 꾸준히 산림 관리와 재해 예방 중요성이 논의되었다. 토픽 ⑤는 2018년에 산림청에서 전국 25개소에 땅밀림 무인원격감시시스템을 설치한 것을 계기로 땅밀림 감시 기술과 관련된 논의가 활발하였다. 토픽 ⑥은 순천시의 예산 확보 및 산림재해 관리가 주요 이슈였던 2020년에 관련 기사 수가 급증했다. 이처럼 토픽별 뉴스 기사 건수는 시기별 사회적 이슈와 관련 대응 정책에 의해 결정되는 것으로 생각되었다.

연구 논문에 대한 토픽 모델링 분석의 결과, 최적 토픽 수 5개별로 분석된 주요 키워드와 전체 연구 논문 중 차지하는 비율을 Table 6에 나타내었다. 각 토픽에서 다루어지는 연구의 내용을 정리하면 다음과 같다.

우선 토픽 ①은 전기비저항을 활용한 땅밀림 지역의 특성 분석과 관련된 연구이다. 주요 연구로서 전기비저항을 이용하여 풍화층 및 땅밀림 모델의 깊이분해능과 감도분포를 분석하고, 이를 통하여 땅밀림이 발생할 수 있는 지역의 지반 특성을 파악하려는 시도가 있었다. 또한, 점토광물 함유량을 고려한 전기비저항 자료의 해석을 통하여 땅밀림 위험이 높은 지역을 식별하고, 복합 지구물리탐사 기법을 통해 활동연약대를 규명하고자 하는 연구도 있었다. 이러한 연구는 산지 지반의 안정성 분석과 땅밀림 예방을 위한 중요한 정보를 제공하며, 대규모 산지토사재해 예방을 위한 실용적인 방법론을 제시하고자 한 것이다.

토픽 ②는 땅밀림의 발생과 복구⋅복원과 관련된 연구로서, 주로 땅밀림이 발생한 비탈면 및 산림지의 환경적 특성 변화에 주목하고 있다. 주요 연구로서 땅밀림지에서 지하수와 강우가 미치는 영향, 복구사업 후 유기물층과 토양층의 이화학적 특성 변화를 다룬 것이 있었다. 또한, 산림환경 특성을 분석하여 땅밀림 발생을 예측하고, 복원지의 환경적 변화가 땅밀림 예방에 미치는 효과를 규명하고자 한 연구도 있었다. 일부 연구에서는 땅밀림 발생원인 및 대책 구조물의 안정성을 평가하는 내용도 포함되어 있어서, 땅밀림이 발생한 지역의 복구⋅복원과 관련된 실용적인 지침을 제공하는 데 중요한 기여를 할 수 있을 것으로 생각되었다.

토픽 ③은 땅밀림 모니터링 및 위험 평가와 관련된 최신 기술을 활용한 연구이다. 이 연구는 주로 지상 라이다(terrestrial LiDAR), 드론, 무인 항공사진측량, 기계학습(machine learning) 등의 기술을 이용하여 땅밀림 위험지 및 피해 범위를 정확하게 조사하고 분류하는 방법을 다룬다. 기계학습 기법을 활용한 위험 등급 분류와 수치해석을 통한 땅밀림 위험도 평가, 항공 라이다(airborne LiDAR)를 통한 도로 인접 사면의 변위 특성 분석 등을 포함한 연구는 땅밀림 발생 가능성을 예측하고 효과적으로 모니터링할 수 있는 방법들을 제시하고 있다. 또한, 북한의 산지토사재해 발생 경향과 복구 사례를 분석하여 땅밀림 대응 방안을 제시하는 연구도 포함되어 있다. 이러한 연구는 땅밀림 재해를 예방하고 관리하는 데 중요한 기술적 접근을 제공할 수 있다.

토픽 ④는 땅밀림지의 토양 특성, 균열, 인장력, 진행 방향 및 지질적 요소와 관련된 연구이다. 이 연구들은 주로 땅밀림이 발생한 지역의 토양 물리적 특성, 균열 형상, 암석 및 토양의 구성 등을 분석하여 그 발생 원인과 특성을 파악하고자 하였다. 예를 들어, 울주, 양평, 양산, 포항, 진주 등 다양한 지역의 땅밀림지에서 토양 물리성 및 지질 변화, 인장균열 분석 등을 통해 땅밀림을 일으키는 주요 요인들을 규명하였다. 또한, 물리탐사와 실험적 연구를 통해 땅밀림의 메커니즘을 규명하려는 시도가 이루어지고 있다. 이러한 연구는 땅밀림 예측 및 예방에 중요한 역할을 하며, 지역적 특성에 맞는 대응 방안을 제시하는 데 기여할 수 있다.

토픽 ⑤는 땅밀림지의 지형적 및 지질적 특성을 분석한 연구를 포함한다. 주로 땅밀림지의 규모와 발생 원인, 지질 및 토양 특성, 산사태 위험도 분석을 다루고 있다. 구체적으로는 GIS와 항공사진, 무인 항공 사진측량을 활용하여 땅밀림지의 특성과 영향을 평가하고, 지형적 요소(경사도 등)와 지질적 요소(지질층위 구분 등)가 땅밀림 발생에 미치는 영향을 분석하였다. 이러한 분석을 통해 궁극적으로는 땅밀림을 예측하고 피해를 저감하는데 중요한 정보를 제공할 수 있다.

연도별 토픽별 연구 논문 편수로 땅밀림 연구의 시간적 흐름을 파악한 결과는 Table 7이다. 토픽 ①, ②, ③은 2018년 이후 지속적으로 관심을 받고 있으며, 특히 토픽 ①은 최근 5년간 가장 많은 연구 논문을 차지하고 있다. 이는 땅밀림의 주요한 발생 원인으로서 지질학적 특성 규명을 위해서, 직접적인 시추 조사를 하지 않고도 대면적의 지질특성을 상대적으로 간편하게 분석할 수 있는 전기비저항 탐사 방법이 많이 활용되고 있는 최근 학문적 경향이 반영되고 있기 때문이다. 이렇듯 땅밀림의 발생 원인 규명 및 적합한 대책 마련을 위해서 새롭게 개발되는 다양한 방법론을 적용⋅시도하는 분야가 새로운 연구 주제가 대두되고 있음을 의미한다.

Figure 6은 뉴스 기사를 대상으로 N-gram(N=2) 기반의 의미망 분석을 수행하여, 주요 키워드들의 동시 출현 및 네트워크 상의 관계를 시각화한 것이다. Table 1에서 제시된 바와 같이, ‘area’(지역), ‘landslide’(산사태), ‘occurrence’(발생), ‘landcreep’(땅밀림) 등은 단어 빈도와 비율 측면에서 높은 비중을 차지하는 주요 키워드였다. 그러나 의미망 분석은 단순히 단어의 출현 빈도로는 드러나지 않는 키워드 간 연계성과 맥락적 중요성을 강조한다. 예를 들어, Table 1에서 높은 빈도로 나타난 단어들 중 하나인 ‘landslide’는 의미망에서 네트워크의 중심에 위치하고, ‘heavy rain’(집중호우), ‘vulnerable areas’(취약 지역), ‘cause of damage’(피해 원인)와 같은 키워드와 밀접하게 연결되며 주제의 핵심을 형성한다. 이는 단어 자체의 빈도뿐만 아니라, 두 단어가 함께 출현하는 관계의 구조적 중요성이 높다는 점을 시사한다. 또한, N-gram 의미망에는 ‘unmanned remote monitoring system’(무인원격 감시시스템)과 같이 Table 1의 단순 빈도로는 비중이 크지 않았던 키워드가 주요 노드로 부각되고 있다. 이는 N-gram 네트워크 분석을 통해 땅밀림의 예방⋅대응을 위한 기술적 수단이 뉴스 담론에서 의미 있게 연결되고 있음을 보여준다. 한편, ‘management’(관리)와 ‘inspection’(점검) 같은 단어는 Table 1에서도 높은 빈도로 나타나며, 의미망에서도 중요한 연결망을 구성해 정책적⋅실무적 대응 방안의 중요성이 재확인되었다. 또한, ‘KFS’(Korea Forest Service, 산림청), ‘Hadong-gun’(하동군), ‘Jeonbuk’(전북), ‘Gyeongnam’(경남) 등 기관명과 지명이 주요 노드로 포함되어 지역적 맥락과 정부 기관의 역할이 동시 출현을 통해 강조되고 있음을 알 수 있다. 마지막으로, Table 1에서 높은 비율을 보인 ‘landslide’(산사태) 역시 땅밀림과의 유기적 연결을 통해 관련 자연재해들 간 비교⋅분석의 맥락을 하동군, 전북, 경남과 같은 지역을 통한 보도로 다루고 있다. 이처럼 의미망 분석은 Table 1에서 제공된 단어 빈도의 한계를 보완하여, 뉴스 기사 전반에서 주요 키워드들의 구조적 연관성과 담론의 주요 초점을 보다 심층적으로 파악할 수 있는 유용한 수단임을 확인할 수 있다.

Figure 6. The network graph of news article.

Download Original Figure

Figure 7은 연구 논문을 대상으로 의미망 분석을 수행한 결과이다. Table 2에서 제시된 바와 같이, 연구 논문 데이터에서 ‘landcreep’(땅밀림), ‘research’(연구), ‘generation’(발생), ‘analysis’(분석), ‘result’(결과), ‘characteristic’(특성) 등이 높은 빈도로 나타났다. 의미망 분석 결과에서도 이러한 단어들이 단순 출현 빈도를 넘어 다양한 키워드와 구조적으로 연결되어 네트워크의 중심을 이루고 있음을 확인할 수 있다. 특히, Table 2에서 가장 높은 비율을 보인 ‘landcreep’(땅밀림)은 의미망의 중심에 위치하여 ‘research’(연구), ‘analysis’(분석), ‘generation’(발생) 등과 밀접하게 연관되며, 이를 통해 땅밀림의 발생 메커니즘과 관련 연구 수행의 중요성이 부각되었다. 또한 ‘characteristic’(특성), ‘topography’(지형), ‘landslide-prone area’(산사태 취약지역) 등은 지형적⋅환경적 요소가 땅밀림 연구에서 중요한 연구 초점임을 시사한다. 아울러 ‘result’(결과), ‘offer’(제공), ‘conduct’(수행)와 같이 연구 결과를 도출하고 이를 제공하거나 확장하는 방향의 연구 또한 네트워크에서 연결 관계를 통해 강조되었다. 이와 함께, 의미망에는 Table 2의 다른 주요 단어들과 결합하여 땅밀림의 공간적 분포(‘area’), 피해와 규모(‘scale’, ‘damage’), 예방적 조치(‘prevention’) 등 다양한 연구 측면이 함께 나타나 있다. 이를 통해 연구 논문에서 다루어진 주요 관심사가 단순히 단어 출현의 빈도를 넘어 구조적 연계성과 토픽 간 의미적 네트워크를 통해 더욱 심층적으로 드러나며, 땅밀림 현상에 대한 다각적이고 종합적인 접근이 수행되고 있음을 알 수 있다.

Figure 7. The network graph of research abstracts.

Download Original Figure