Probato

문제

제작자는 의도와 내부 맥락을 알지만 소비자는 결과물만 봅니다. 이 해석의 차이는 고객 반감이 어디서 시작되는지 조직 내부에서 놓치게 만듭니다.

Probato는 논란 전체의 확산을 예측하기보다, 어떤 콘텐츠 자극이 어떤 도덕적 반감 지점을 활성화하는지 검토하는 출발점에 집중합니다.

정성적 데이터의 어려움

짧은 반응에는 반어, 조롱, 입장, 감정, 문화 맥락이 함께 나타납니다. 같은 부정 표현도 피해 우려, 배신감, 공정성 비판, 권위 거부처럼 서로 다른 심리적 이유를 가질 수 있습니다.

따라서 감성 점수만으로는 고객이 왜 반응했고 조직이 무엇을 바꿔야 하는지 설명하기 어렵습니다.

소비자 심리 구조

문제를 콘텐츠 자극, 반응 표상, 검토 단위로 나눴습니다. 반응 표상에서는 입장과 의미 주제를 분리하고, 도덕성 기반을 고객 반감의 방향을 읽는 좌표로 사용했습니다.

이 구조는 도덕성을 정답으로 판정하지 않습니다. 고객 반응에서 어떤 심리적 프레임이 활성화되었는지 비교하기 위한 분석 도구입니다.

기술 구현

다중 소스 수집, 데이터 스키마, LLM 보조 라벨링, 6차원 도덕성 기반 벡터, 768차원 의미 임베딩, 군집화와 리스크 점수 프로토타입을 연결했습니다.

사례 근거

스타벅스 코리아의 2026년 실제 논란 사례에서 뉴스, 댓글, 커뮤니티, 공식 자료를 집계 단위로 연결했습니다. 플랫폼 차이와 시간대별 신호를 비교해 반응의 양보다 공정성, 배신, 신성성 훼손 같은 프레임이 어떻게 움직였는지 해석했습니다.

차트 설명과 데이터

5월 18일의 첫 두 희소 구간에서는 공정성과 피해 출력이 높습니다. 첫 번째 사건 표시 이후 네 신호가 모두 낮아집니다. 5월 18일 늦은 시간부터 22일까지 공정성은 대체로 0.46-0.54로 가장 높고, 배신은 약 0.39-0.52, 신성성 훼손은 약 0.31-0.43, 피해는 약 0.20-0.24입니다. 세로선은 문구 노출, 사과, 대표 해임 시점을 나타냅니다. 이는 0-1 모델 출력의 3시간 평균이며 인과효과 추정치가 아닙니다.

내 역할

문제 정의, 연구 설계, 수집 파이프라인, 스키마, 모델링, 분석, 해석, 공개 자료 구성을 전 과정에서 수행했습니다.

코드 작성과 분류에는 AI 도구를 활용했습니다. 모델 출력은 검증 대상인 분석 특성으로 다뤘고, 수집 원문이나 비공개 데이터는 포트폴리오에 포함하지 않았습니다.

한계

현재 결과는 연구와 의사결정 지원을 위한 프로토타입입니다. 검증된 논란 예측 모델이나 운영 중인 상용 서비스로 주장하지 않습니다.

도덕성 기반 레이블은 LLM이 생성한 특성이며 사람의 정답 레이블이 아닙니다. 플랫폼 표본, 맥락 해석, 모델별 입장 분류 차이도 결과에 영향을 줄 수 있습니다.