내러티브와 의미 분석을 통한 인터랙티브 스크립트 지원

본 논문은 영화·텔레비전 스크립트, 특히 ‘카사블랑카’와 ‘CSI’ 시리즈를 사례로 삼아, 서사와 의미 분석을 통한 인터랙티브 미디어 지원 방법을 제시한다. 서론에서는 스토리텔링이 교육·게임 등 다양한 분야에서 핵심 역할을 한다는 점을 강조하고, 기존의 플롯‑중심 저작 도구가 인터랙티브 환경과의 긴장 관계를 야기한다는 비판을 제기한다. 저자들은 플롯 대신 서사의 구조적 ‘의미’를 정량화함으로써, 다양한 플랫폼 간 공통된 서사 요소를 포착하고자 한다. 연구 방법론은 크게 네 단계로 구성된다. 첫 번째 단계는 원시 텍스트를 ‘장면 × 단어’ 빈도 행렬로 변환하는 전처리 과정이다. 여기서는 불용어를 제거하지 않고 모든 단어를 보존하며, 대소문자를 통일하고 구두점을 공백으로 대체한다. 두 번째 단계는 χ² 거리 측정을 통해 행과 열에 가중치를 부여하고, 이를 기반으로 대응분석(Correspondence Analysis)을 수행해 고차원 χ² 공간을 유클리드 공간으로 사상한다. 이 사상은 장면과 단어를 좌표화함으로써, 장면 간 유사도와 단어 간 의미적 연관성을 동시에 시각화할 수 있게 한다. 세 번째 단계에서는 유클리드 임베딩 위에 초계층적(ultrametric) 군집을 적용한다. 초계층적 구조는 시간 순서를 보존하면서도 장면들의 전이점, 즉 서사의 전환점(caesura)과 구분점(breakpoint)을 계층적으로 탐지한다. 이를 통해 서사 흐름의 ‘상승‑하강’ 패턴, 템포 변화, 방향성 일관성 등을 정량적으로 측정한다. 네 번째 단계는 통계적 검증이다. 저자들은 ‘카사블랑카’의 77개 장면을 999번 무작위 재배열하여, 실제 서사와 무작위 서사의 χ²·유클리드·초계층적 특성을 비교한다. 결과는 실제 서사가 움직임의 변동성, 템포 균형, 방향성 일관성 면에서 무작위 대비 현저히 안정적인 패턴을 보임을 0.001 수준의 유의미성으로 입증한다. 기술적 구현에서는 희소 행렬에 대한 고유값 분해(eigen‑reduction)를 사용한다. 저자들은 이 과정이 이론적으로는 O(n³) 복잡도를 가지지만, 실제 데이터가 매우 희소하기 때문에 실행 시간에 큰 제약이 없다고 주장한다. 또한, 모든 단어를 포함함으로써 ‘툴 워드(tool words)’가 스타일 및 의미를 동시에 반영한다는 점을 강조한다. 이는 기존의 어간 추출·품사 태깅 기반 전처리와 차별화되는 접근이다. 응용 측면에서는 두 가지 주요 시나리오를 제시한다. 첫째, 스크립트 작성자는 자동 탐지된 서사 변곡점을 기반으로 게임 내 선택지 제공 시점이나 난이도 조절을 설계할 수 있다. 예를 들어, 특정 장면에서 ‘가장 유사’하거나 ‘가장 다른’ 상태를 감지해, 플레이어에게 새로운 인터랙션을 제시하거나 기존 선택지를 제한할 수 있다. 둘째, 다중 저자가 협업하는 ‘sandpit’ 환경에서, 초계층적 군집 결과를 공유함으로써 전체 서사의 일관성을 유지하면서도 개별 기여자의 아이디어를 효과적으로 통합할 수 있다. 이는 기존의 ‘혼돈‑혼합’ 협업 방식이 갖는 비효율성을 극복한다는 점에서 의미가 크다. 논의에서는 기존의 ‘Emergent Narrative(EN)’ 접근과 비교한다. EN은 플롯을 배제하고 상호작용 중심의 스토리 생성을 지향하지만, 구조적 일관성 확보에 한계가 있다고 비판받는다. 반면 본 연구는 플롯을 완전히 배제하지 않고, 플롯과 상호작용이 공존할 수 있는 ‘스토리‑중심’ 구조를 수학적으로 모델링한다. 또한, 스케일링 문제에 대해 고유값 분해의 희소성 활용을 통해 실용적인 해결책을 제시한다. 결론적으로, 이 논문은 텍스트 기반 서사 분석을 위한 ‘세 가지 거리(χ², 유클리드, 초계층적)’ 파이프라인을 제시하고, 이를 통해 서사의 깊은 구조와 의미 변화를 자동으로 탐지·시각화한다. 이러한 방법은 영화·TV 스크립트의 저작, 인터랙티브 게임 설계, 교육용 시뮬레이션, 그리고 멀티플랫폼 콘텐츠 제작 등 다양한 도메인에서 활용 가능하며, 인간이 직관적으로 파악하기 어려운 서사적 패턴을 데이터 과학적 방법으로 드러내는 중요한 기여를 한다.