Current Issue

Tuan(1977)은 저서 「공간과 장소」에서 공간이라는 물리적 환경에 경험과 삶이 녹아들 때 그곳은 장소가 된다고 하였다. 사람은 장소에 주관적인 가치를 부여하며 사람마다 서로 다른 인식을 갖는데, 이를 ‘장소성(placeness)’이라고 한다. 따라서 장소는 객관적이거나 중립적인 곳이 아니라 사람들에 의해서 의미로 채워지며(Relph, 1976), 이는 장소의 정체성으로 발전할 수 있다.

Relph(1976)는 도시화와 세계화의 진전으로 다양한 장소와 경관이 사라지고 점차 무장소성(placelessness)에 지배되고 있음을 지적하였다. 장소가 지닌 진정한 의미나 특성보다 장소의 효율성과 경제성에 주목하여 설계한 결과, 디즈니화(disneyfication), 박물관화(museumisation), 미래화(futurisation), 서브토피아(subtopia) 등과 같이 장소성의 상실이 발생하고 있다(박미성·최익서, 2016). <그림 1>에서 제시된 두 가지 사례 중 왼쪽 사례는 실제 지리환경과 거의 관련 없는 인공적 장소를 의미하는 디즈니화의 사례이다(박미성·최익서, 2016). 이 외에도 국내 무장소성의 사례로는 한옥마을 조성사업을 통해 새로 조성한 한옥마을(박물관화; 안소연·김하니, 2022), 벽화마을(디즈니화; 황희정·윤현호, 2016), 주요 상권(관광; 제창휘·우신구, 2024)에서 획일적이고 일반적인 경관을 쉽게 찾아볼 수 있다. <그림 1>의 오른쪽 사례는 서울시 용산구의 경리단길에서 ‘( )리단길’을 차용한 부산시 해운대구의 해리단길이다. 해리단길은 2013년 폐선된 역사(驛舍)를 재생해 새로이 조성한 골목상권으로, 대다수의 ( )리단길과 같이 실제 경리단길과는 근본적으로 다른 성격을 가진다. ( )리단길은 2019년 기준 전국에 약 30곳 넘게 분포하고 있으며 기존 상권을 강화하거나 지역 재생, 관광홍보 정책 등의 목적으로 해당 명칭을 추진하는 것으로 나타났다(김주일, 2019). 무장소성이 만연해진 지역은 진정성이 없으며, 방문하는 사람들에게 일반적이고 평범한 경험을 제공해 장소 경쟁력을 잃게 되고 다른 장소와 비슷한 느낌을 준다(이완영·최준서, 2022). 이렇게 비(非)진정한 장소가 많아지면 도시는 감수성을 잃고 상품으로 전락하며 인간은 이를 소비하는 존재로 남게 된다(송은하, 2009).

Figure 1. 
Examples of placelessness

Source: Naver map street view image, April 2025 Author collection

장소성은 지역 고유의 가치를 회복하고 지역 경쟁력을 강화하는 데 중요한 역할을 하며(최강림, 2008), 젠트리피케이션, 지방소멸, 획일화 등 다양한 도시 발전 문제를 극복할 수 있는 기반이 된다. 또한, 장소성은 장소 방문 의도나 소비에도 영향을 주며(최막중·김미옥, 2001), 사람들이 자발적으로 장소를 방문하도록 유도함으로써 지역의 지속 가능성에 긍정적인 효과를 가져올 수 있다. 이에 따라 특정 장소의 장소성을 파악하고, 이를 바탕으로 지역의 문제점을 고찰하는 것은 지역의 미래를 설계하는 데 있어 중요한 출발점이 될 수 있다.

본 연구의 연구 질문 세 가지는 다음과 같다. 첫째, SNS의 텍스트 데이터를 소셜 리스닝 도구로 활용하여 서울시 주요 장소의 장소성을 파악할 수 있는가? 둘째, 서울시 주요 장소에서 주로 나타나는 장소성 토픽은 무엇인가? 셋째, 서울시 주요 장소의 장소성 토픽을 바탕으로 도출된 장소성 문제와 시사점은 무엇인가? 이어서 본 연구에서는 SNS에 표현된 텍스트 데이터를 수집하고, 이를 바탕으로 실제 이용자에게 인식되는 서울시 주요 장소 71곳의 의미 있는 형용사를 확인하고자 한다. 결론적으로 본 연구의 내용을 바탕으로, 서울시 주요 장소에서 나타나는 장소성 문제를 파악하여 해결 방안을 제시하고, 더 나은 도시 장소를 만들어가기 위한 시사점을 도출하는 것에 목적을 둔다.

장소성(placeness)이란 Tuan(1977)이 제시한 개념으로, 공간이라는 물리적 환경에서 개인이 가진 사회적 배경이나 경험에 따라 서로 다르게 느끼는 주관적인 인식을 의미한다. 장소성에 대한 이론적 접근은 다양한 차원에서 발전되어 왔다(<표 1> 참조). Tuan(1977)은 장소성을 공간이라는 물리적 환경에서 경험에 따라 느끼는 개인의 주관적 인식으로 정의하며 현상학적 접근의 토대를 마련하였다. 이후 연구들은 장소성의 다차원적 속성을 구체화하였는데, Hernández et al.(2007)은 ‘장소 애착’을 통해 개인 또는 집단이 장소에 대해 가지는 정서적 유대감을 강조하였고, Proshansky et al.(1983)은 ‘장소 정체성’ 개념으로 공동체가 특정 장소에서 느끼는 소속감과 상징성에 주목하였다. Stedman(2002)은 ‘장소 의미’를 제시하여 물리적 환경에 가치와 중요성이 반영된 개인의 인지적·평가적 신념의 중요성을 부각시켰다. 한편, 장소 경험 및 인식과 관련된 개념들도 병행하여 발전하였는데, Casey(1987)의 ‘장소 기억’, Boulding(1961)의 ‘장소 이미지’, Tuan(1974)의 ‘장소애’, Seamon and Mugerauer(1985)의 ‘장소 인지’ 등은 장소성이 단순한 물리적 공간을 넘어서는 복합적이고 다층적인 개념임을 보여준다. 이러한 이론적 다양성은 장소성 연구가 정서적, 인지적, 사회적 차원을 종합적으로 고려해야 함을 시사한다. 이처럼 장소성이라는 단어에 대해 다양한 개념과 정의가 혼용되고 있으나, 본 연구에서는 개인의 경험에 따라 인식이 서로 달라질 수 있다는 점에 중점을 두기 위하여 Tuan(1977)의 ‘장소성’ 개념을 연구의 조작적 정의로 채택하였다.

Tuan(1977)이 공간과 장소의 차이를 짚어내면서 본격적으로 장소성 개념을 구체화한 이후, 학계에서는 장소성의 개념과 의미, 형성 원리를 분석하는 현상학적 관점의 연구가 주로 진행되었다(권윤구·임승빈, 2014). 국내 장소성 관련 연구는 2000년대에 접어들며 도시설계 및 환경계획의 측면에서 진행되었으며, 이외에도 마케팅, 지역 콘텐츠 개발, 지역 정체성 등 다양한 측면에서 장소성 개념을 적용한 연구가 진행되었다(이인아·김혜진, 2019). 근래에는 도시재생 정책과 지역 브랜딩 전략 측면에서 장소성을 활용하는 연구도 등장하고 있다(오후·황희연, 2017). 이는 장소성 연구가 도시정책 수립과 지역개발 전략의 실용적 도구로 활용되고 있음을 보여준다.

기존의 선행연구를 검토한 결과(<표 2> 참조), 소제동 철도관사촌(박준홍 외, 2021), 도시재생 사업지(오후·황희연, 2017), 문래예술창작촌(윤한·윤희정, 2019) 등과 같이 다소 미시적 관점에서 특정 장소나 도시, 지역 계획에 대해 장소성을 파악한 연구가 대부분임을 확인하였다(이인아·김혜진, 2019). 이렇게 연구 대상을 둘 이하로 한정하는 경우, 연구 대상에서 나타난 장소성을 다른 대상과 비교하기 어렵고, 그 대상만의 특징적인 것인지, 혹은 다른 원인으로 인해 비슷한 대상에서 공통으로 나타나는 것인지 파악하기에 적합하지 않다. 또한, 여러 장소를 대상으로 장소성을 분석한 소수의 연구에서는 장소성 토픽을 정의하는 데 연구자의 주관이 강하게 반영되어 객관성이 떨어지고, 토픽의 범위가 한정적이라는 한계가 있다(권윤구·임승빈, 2014; 김영재·박인권, 2023).

한편, 연구 방법론은 설문조사 혹은 질적분석 중심으로 진행되었으며(최막중·김미옥, 2001; 전종한, 2009; 강도원·최창규, 2012; 오후·황희연, 2017; 윤한·윤희정, 2019), 크라우드 소싱 데이터를 활용한 연구는 소수에 그쳤다(김희진·최막중, 2016; 박준홍 외, 2021). 특히 설문조사 기반 연구들은 표본 크기의 제약으로 인해 도시 전체의 장소성을 포괄적으로 파악하기 어려웠다. 예를 들어, 최막중·김미옥(2001)과 윤한·윤희정(2019)의 연구는 각 장소별 400명 내의 설문 응답자를 대상으로 했으며, 강도원·최창규(2012)의 연구는 153명의 유효설문을 채택했다. 이러한 제한된 표본은 서울시와 같은 대도시의 다양한 장소성을 대표하기에는 근본적인 한계가 있다.

국내에서는 장소성에 관한 연구가 2010년대 중반까지 활발히 진행되었으나, COVID-19 이후 연구가 다소 감소한 경향을 보여 최신 연구의 부재가 나타나고 있다(<그림 2> 참조). 2020년부터 2023년까지는 장소성 관련 연구가 꾸준히 증가하는 추세를 보였으나, 2024년에는 사회과학 분야에서 12건, 그중 지리학 분야는 3건에 불과한 것으로 나타났다. 이는 4년으로 추산하여도 각각 48건, 12건으로 이전의 추세에 비해 현저히 감소하였다고 해석할 수 있다.

Figure 2. 
Status of domestic placeness studies

Source: DBpia

텍스트 마이닝이란 기사, SNS, 논문, 리뷰 등 사람이 쓴 자연어 텍스트를 컴퓨터로 분석하여 유용한 정보를 추출하는 기술을 말한다(Daniel, 2015). 오늘날에는 소셜미디어의 발전으로 대량의 텍스트 데이터가 생성되면서 텍스트 마이닝 기술이 더욱 주목받고 있다(김세령 외, 2019). 초기 텍스트 마이닝 연구는 언론 분야에서 신문사의 논지 및 주요 키워드, 인식 등을 조사하거나 학술 분야에서 주요 연구 주제를 파악하는 등으로 많이 사용되었다(심주영, 2017). 그러나 최근에는 공간계획과 연계하여 장소나 개념에 대한 담론을 파악하거나 정책을 검토하는 방향으로 확장되고 있다. 국내에서 진행된 텍스트 마이닝 연구로는 블로그 자료(박준홍 외, 2021)나 구글맵 리뷰(이주경·손용훈, 2021)를 활용하여 사용자들의 견해와 감상을 파악하는 연구가 대표적이다. 특히 도시 분야에서는 장소나 개념에 대한 담론을 파악하는 데 텍스트 마이닝이 사용되고 있다(김지은 외, 2019; 김세령 외, 2019).

텍스트 마이닝 기법으로는 단어 빈도수, TF- IDF, 시맨틱 네트워크 분석, 감정 분석 등이 있으며, 최근 인공지능과 기계학습이 발달함에 따라 감정 분석의 정확도가 크게 향상되었다(오정심, 2024). 다만 자연어 텍스트를 활용하여 감정분석을 진행한 선행 연구들은 감정을 대개 긍정·부정·중립으로 구분하고 있어 작성자의 세부적인 감정이나 감상을 파악하기 어렵다는 한계가 있다(Sailunaz and Alhajj, 2019; Park et al., 2021).

소셜미디어의 사용이 증가함에 따라 SNS 사용자들의 견해 및 감정, 주변 상황 등을 담은 텍스트 데이터가 방대하게 축적되었으며(강애띠·강영옥, 2018), 이러한 SNS 빅데이터를 기반으로 하는 연구도 국내외에서 꾸준히 증가하는 추세이다(Choi et al., 2017; 김혜빈·이수기, 2024). SNS 빅데이터는 텍스트 마이닝, 토픽모델링, 오피니언 마이닝 등의 기법을 통해 다양한 사회적 신호를 추출할 수 있어, 사회조사와 같은 1차 조사 방법에 비해 비용과 시간 측면에서 경제적이며, 도출된 사회적 현안이 지역 문제와 연결되는 경우가 많아 적극적으로 활용되고 있다(Kim et al., 2014; Yang and Mu, 2015).

특히 소셜미디어 빅데이터는 사용자가 자발적으로 직접 자신의 의견을 업로드한다는 측면에서 의미 있는 소셜 리스닝(social listening) 도구로 활용될 수 있다는 장점이 있다(Park et al., 2021). 설문조사 등은 설문지를 설계할 때 연구자의 견해가 반영될 위험이 있지만, SNS 텍스트는 오롯이 실제 사용자가 자발적으로 서술한 내용을 토대로 한다는 점에서 연구 자료로서의 장점을 가진다. 해외에서는 엑스(X)나 레딧(Reddit)을 활용하여 이용자들이 장소에 대해 어떤 감정을 느끼는지 연구하기도 한다(Park et al., 2021; Berragan et al., 2024).

국내에서는 엑스(X)나 인스타그램(Instagram), 혹은 네이버 블로그가 대표적인 SNS로 손꼽힌다. 각 플랫폼은 고유한 특성과 한계를 지닌다. 엑스는 140자 정도로 제한된 짧은 텍스트를 작성할 수 있는 글로벌 플랫폼이나, 국내에서는 당대 이슈나 사건·사고를 중심으로 텍스트가 형성되는 경향이 있어 데이터의 편향이 발생할 수 있다(허상희, 2011). 인스타그램은 텍스트보다 이미지 위주의 플랫폼이며 서로 얼굴을 모르는 사이에서 소통하는 엑스보다는 이미 안면이 있는 사람끼리 소통하는 용도로 사용된다. 다만 과시용 SNS라는 인식이 강하며(김미영·김지희, 2018), 현장에서 느낀 감상보다 좋게 포장하는 경향이 있어 사용자의 실제 인식과 차이가 발생할 수 있다. 반면, 네이버 블로그는 긴 텍스트가 특징이며, 국내 다른 SNS보다 오래 축적된 데이터와 방대한 정보량을 바탕으로 SNS 빅데이터로써 자주 활용된다.

이러한 배경에서 크라우드소싱 데이터로서 블로그 텍스트의 학술적 가치는 다음과 같다. 첫째, 불특정 다수의 자발적 참여로 생성된 대규모 데이터는 전통적인 설문조사의 표본 제약을 극복하고 보다 포괄적인 데이터 수집을 가능하게 한다. 둘째, 블로그 데이터는 공간을 이용하고 인지하는 사람들의 장소 방문 경험을 바탕으로 한 실시간 경험과 인식을 반영하므로, 커뮤니티 참여와 도시 공간 개선을 위한 유의미한 도구로 활용될 수 있어(Park et al., 2021) 실제 장소 방문 경험을 바탕으로 작성된 텍스트 데이터의 학술적 활용 가능성이 높아지고 있다. 그럼에도 불구하고 국내 장소성 연구에서 크라우드소싱 데이터를 활용한 사례는 극소수에 불과하며, 이마저도 특정 지역에 한정되어 있다. 특히 서울시 전체를 대상으로 대규모 블로그 데이터를 수집하여 장소성을 분석한 연구는 찾아보기 어렵다.

선행연구를 검토한 내용을 바탕으로 한계점을 파악하고 본 연구에서 이를 보완하여 차별성을 제시하고자 한다. 먼저 장소성 관련 선행연구에서는 특정 지역이나 주제에 대해 장소성을 파악하였다는 한계가 있음을 확인하였다. 이는 몇몇 개별 장소의 장소성을 파악할 수는 있으나 비교 대상이 적거나 없어 거시적인 관점에서 장소성을 분석할 수 없다. 또는 여러 해에 걸쳐 데이터를 수집하더라도 결국 이를 아우르는 하나의 장소성으로 종합하는 경우가 많아 장소성의 변화를 파악하기 어렵다(김지은 외, 2019; 김영재·박인권, 2023). 본 연구에서는 서울시 내 주요 장소 71곳에 대해 텍스트 데이터를 바탕으로 장소성을 분석하여 연구의 공간적 범위를 기존보다 훨씬 확장하였다는 점에서 차별성을 가진다.

다음으로, 과거 연구에서는 기술적 한계로 장소성 토픽을 선정하는 데 연구자의 주관이 상당히 반영되어 객관성이 떨어지고 토픽의 범위 역시 제한적이었다. 그러나 이는 현시대의 기술력으로 충분히 극복할 수 있는 문제가 되었다. 본 연구에서는 Large Language Model(LLM)인 GPT-4o-mini 모델을 활용하여 인간과 LLM의 장소성 토픽 정의함으로써 객관성을 확보하고, 연구 보조도구로서의 이용 가능성을 높였다.

마지막으로 SNS 빅데이터를 활용해 장소에 대한 인간의 감정을 분석한 장소성 연구의 경우, 감정의 범위가 긍정·부정·중립 등 세 가지에 그친다는 점에서 한계가 있다. 이를 보완하여 텍스트 데이터에서 나타난 다양한 형용사를 바탕으로 세 가지 감정 수준보다 더 구체적인 인간의 인식을 파악하기 위해 장소성 토픽을 더욱 세분화하여 분석하였다.

연구의 공간적 범위는 서울특별시 내 주요 장소 71곳이다(<그림 3> 참조). 먼저 서울특별시는 대한민국의 수도로서 가장 많은 이동 및 방문이 발생하는 지역이므로 연구 지역으로 적절하다고 판단하였다. 장소 선정에서 객관성을 확보하기 위하여 서울 열린 데이터 광장의 서울 실시간 도시데이터(2024)에서 선정한 서울시 내 주요 장소(관광특구, 공원, 고궁·문화유산, 발달상권, 인구밀집지역) 116곳을 공간적 범위로 채택하였다. 116곳 전체를 대상으로 데이터를 수집한 후, 수집된 데이터가 현저히 적거나(outlier), 장소성이 있다고 보기 어려운 일반 지하철역 등을 제외하여 총 71곳의 대상지를 선정하였다(<표 3> 참조). 시간적 범위로는 네이버 블로그의 지오태깅 기능이 업데이트된 이후, 가장 최근 시점인 2024년을 선택하였다.

Figure 3. 
Study area

분석에 사용된 SNS 빅데이터 플랫폼으로는 네이버 블로그를 선정하였다. 네이버 블로그는 2024년 기준으로 누적 블로그 수가 3,500만 개에 달하며(김성태, 2024), 2005년 이후 국내 점유율 1위를 유지하고 있는 포털 사이트로서, 여러 블로그 플랫폼 중 가장 대표성을 보인다고 평가된다(최하얀, 2024). 스마트폰 시장의 성장으로 다양한 SNS 플랫폼이 등장하며 잠시 이용자 수가 하락하는 추세를 보이기도 하였으나 네이버 블로그는 숏폼(shortform) 콘텐츠가 기하급수적으로 증가한 페이스북이나 인스타그램과 다른 성격을 가진다는 것을 차별성으로 내세워 ‘오늘일기 챌린지’, ‘주간일기 챌린지’ 등 기록용 플랫폼으로 다시 자리매김하였다. 또한, 동시에 여러 세대의 사용자로부터 데이터를 얻을 수 있다는 장점이 있다(<표 4> 참조). 데이터 전처리 과정은 동일한 기준을 적용하여, 국내 이용자들이 느끼는 장소성을 파악하고자 한국어 텍스트만을 수집하였다. 또한, 2018년에 업데이트된 네이버 블로그의 지오태깅 기능을 활용하여 지도 위젯이 포함된 글만을 분석 대상으로 함으로써, 실제 장소 방문 경험을 바탕으로 한 텍스트만을 수집하여 데이터의 신뢰성을 높였다.

분석 도구로는 Python과 GPT-4o-mini 모델을 사용하였다. Python은 다양한 라이브러리가 있어 텍스트 데이터를 수집하는 웹 크롤링에 적합하며 이후 텍스트 데이터를 전처리하고, TF-IDF 및 PMI까지 일련의 과정에서 폭넓게 활용하였다. TF-IDF와 PMI를 진행한 후 장소별로 장소성 토픽을 정의하기 위하여 OpenAI의 API를 활용해 GPT-4o-mini 모델을 선택하였다.

본 연구는 2024년의 네이버 블로그 텍스트 데이터를 수집하여, 형용사를 추출하고, 이를 바탕으로 장소성 토픽을 분석하였다. 전체적인 분석의 흐름은 <그림 4>로 정리하였다.

Figure 4. 
Analysis framework

1) 데이터 웹크롤링 및 전처리

먼저 Python selenium 패키지의 Beautiful soup 4 라이브러리를 이용하여 블로그 URL 데이터를 수집하는 웹 크롤링 코드를 제작하였다(이주경·손용훈, 2021). 서울 열린데이터 광장에서 제공하는 71곳의 장소명을 토대로 검색어를 <방문+‘장소명’>으로 지정하였다. 다만 일부 지역은 실제 이용자가 사용하는 장소명과 차이가 있어 변경하였다(<표 5> 참조).

Table 5. 
List of changed place names

같은 장소에 대해 동일 블로그에서 중복하여 글을 작성한 경우, URL을 하나만 남기고 수집에서 제외하여 특정 사용자의 견해나 감정이 과도하게 반영되는 것을 방지하였다. URL 데이터를 바탕으로 블로그 포스트 페이지의 html을 파싱(parsing)하여 텍스트 데이터와 지오태깅 자료를 수집하도록 하였다. 수집 내용은 포스팅 작성 날짜 및 시간, 장소 ID, 장소명, 장소 주소, 장소 위·경도, 포스트 url, 본문 텍스트이다. 크롤링 결과를 바탕으로 분석에 필요하지 않은 데이터를 제거하기 위하여 다음 세 가지 조건에 부합하는 경우, 해당 텍스트 데이터를 삭제하였다. 첫째, 수집한 지오태깅 정보가 실제 장소와 관련 없는 위치인 경우, 둘째, 시장, 카페거리, 맛집거리, 먹자골목 등 음식과 관련 있는 장소 외에 ‘맛집’이라는 단어를 포함하는 경우, 셋째, 광고성 키워드(부동산, 분양, 매물, 입주, 제공받아, 지원받아, 협찬, 스폰서, 무료 제공, 쿠팡 등)를 포함하는 경우이다. 결과적으로 삭제 후 남은 텍스트 데이터의 개수가 100개 미만인 경우, 이상치(outlier)라고 판단하여 제외하였다. TF-IDF와 PMI의 성능을 높이기 위해 PyKospacing를 활용하여 특수문자를 제거하고 띄어쓰기를 교정하였다. PyKospacing은 대용량 말뭉치를 바탕으로 학습된 딥러닝 모델로서 한국어 텍스트를 전처리하는 데 효과적이다.

다음으로 한국어 형태소 분석기인 KoNLPy의 Okt를 활용해 텍스트를 형태소 단위로 분석하여(권준현·이수기, 2023), 단어를 모두 기본형으로 변환하고 그중에서 형용사를 분리하여 추출하였다. 본 연구와 같이 장소성을 파악하기 위해 형용사를 사용하는 것은 장소의 의미와 특성 등 장소 이미지를 분석하기 위한 도구로서 다양한 연구에서 이미 사용된 바 있다(Zube, 1973; Steele, 1981; 강도원·최창규, 2012; 권윤구·임승빈, 2014; Choi et al., 2017). 전처리 후 정리된 데이터의 예시는 <표 6>에 제시하였다.

Table 6. 
Example adjective after data preprocessing

2) TF-IDF와 PMI

Term Frequency-Inverse Document Frequency (TF-IDF) 방법은 문서 내에서 특정 단어의 출현 빈도를 기반으로 해당 단어의 중요도를 측정하는 대표적인 텍스트 마이닝 기법이다(Quan and Ren, 2014). 단어 빈도(Term Frequency, TF)와 해당 단어가 전체 문서에서 얼마나 드문지를 나타내는 역문서 빈도(Inverse Document Frequency, IDF)를 곱하여 개별 단어가 전체 문서에서 얼마나 중요한지 확인할 수 있다(김예림·성종상, 2023). 그러나 TF-IDF의 한계점으로는 가공된 단문(short text)에서는 정보가 충분치 않아 변별력이 떨어진다는 점이 있다(Georgieva-Trifonova, 2021). 본 연구는 수집한 텍스트 데이터 중 형용사만을 추출하므로 일반적인 TF-IDF 방법을 사용할 경우, 대부분의 장소에서 특징적이지 않은 형용사가 도출된다(<표 7> 참조).

Table 7. 
TF-IDF, PMI, TFIDF-PMI example results

따라서 이러한 문제를 극복하기 위해 본 연구에서는 TF-IDF에 점별 상호 정보량(Pointwise Mutual Information, PMI) 방법을 결합함으로써 장소별로 더욱 유의미한 형용사를 정확히 구별해내고자 하였다(Quan and Ren, 2014). PMI 방법 역시 대표적인 통계 기반의 키워드 추출 기법 중 하나로, 특정 단어가 특정 장소(문서)에서 얼마나 의미 있게 등장하는지를 수치화하는 방법이다(Kim and Moon, 2019). TF-IDF와 PMI를 곱하여 계산하면 특정 장소에서 더 중요하게 두드러지는 단어를 강조할 수 있다. 즉, TF-IDF를 활용해 전체 문서(장소)에서 보편적으로 중요한 단어를 확보한 다음, PMI를 곱해 특정 장소에서 더욱 중요한 단어를 찾는 방법이다(Quan and Ren, 2014). TF-IDF와 PMI를 결합한 계산 방식은 식 (1)부터 식 (4)까지 제시하였으며, 이와 같은 계산을 통해 TF-IDF와 PMI를 결합하여 장소별로 의미 있는 형용사를 값이 큰 순서대로 10개씩 추출하였다. 본 연구에서는 두 가지 방법을 병합하였다는 의미에서 ‘TFIDF-PMI’라고 명명하였다.

TFw,C= 단어 w 가 문서 (장소) C 에 등장한 횟수  문서 C 의 전체 단어 수

(1)

IDFw=log⁡1+N1+df(w)+1

(2)

PMΠw,C=log⁡P(w,C)p(w)×P(C)

(3)

TFIDF-PMI(w,C)=TF(w,C)×IDF(w)×PMI(w,C)

(4)

3) 장소성 토픽 분석

장소별로 도출된 TFIDF-PMI 상위 10개의 형용사를 바탕으로 장소성 토픽을 정의하기 위해 LLM인 GPT-4o-mini를 사용하였다. GPT-4o-mini는 자연어 이해와 생성 능력을 갖춘 모델로서, 맥락을 고려한 텍스트 분석과 개념 정의에 뛰어난 성능을 보인다. 특히 주어진 목록을 기반으로 특정 개념을 정리하거나, 기존 분류 체계에 맞지 않는 경우 새로운 키워드를 제안하는 데 활용될 수 있다. 이는 연구자의 주관적 편견을 배제하고 일관된 기준으로 대량의 장소를 분류할 수 있는 방법론적 이점을 제공한다.

본 연구에서는 OpenAI의 API를 발급받아 GPT-4o-mini로 모델을 지정하였다. 답변의 temperature는 0부터 1 사이에서 mini 모델의 특성을 고려하고 새로운 장소성을 도출할 수 있도록 1에 가까운 0.7로 설정하였다. 결과의 재현성을 확보하기 위해 동일한 입력(장소별 형용사 목록)에 대해 동일한 프롬프트, 모델(GPT-4o-mini-2024-07-18), 파라미터(temperature=0.7) 및 system fingerprint 고정 조건하에 분석을 수행하였다. 결과의 강건성을 확보하기 위해 전체 결과에 대해 system fingerprint(fp_34a54ae93c)를 기록하였으며, 추후 재현이 가능하도록 프롬프트 전문 및 파라미터 정보를 전면 공개하였다. 또한, 최종 연구 결과에는 71개 장소에 대해 인간 연구자가 장소성 도출 결과의 적절성을 평가하여 결과의 타당성을 확보하였다.

프롬프트 설계 및 적용에 있어서는 TF-IDF와 PMI를 통해 도출한 10가지의 형용사를 바탕으로 선행연구를 참고하여 주요 장소성 토픽을 정의하였으며(Steele, 1981; 권윤구·임승빈, 2014; 윤한·윤희정, 2019), 사전에 정의된 장소성 토픽 목록에 포함되지 않는 경우에는 새로운 장소성 토픽을 생성할 수 있도록 제시하였다. 입력한 프롬프트는 <표 8>과 같으며, 내용 구성에 있어서는 OpenAI의 가이드라인을 참고하였다.²⁾ 분석의 정확성을 위해 프롬프트는 영어로 제시하였으며, 실제로 사용하는 단어가 아니더라도 형용사형 단어에 명사형 어미인 ‘-ness’를 결합해 명사형으로 도출하도록 지시하였다. 이를 한국어로 번역할 때도 실제로 존재하지 않는 단어이더라도 의미를 정확히 표현하기 위하여 명사 단어에 명사형 어미인 ‘-성’을 결합해 영어로 도출된 결과를 그대로 반영할 수 있도록 하였다. 장소성 토픽의 정의는 해석의 명확성을 위해 사전적 의미를 따랐다. ‘natural-ness’은 ‘awkward-ness’의 반의어로 혼동되지 않도록 ‘artificial-ness’의 반의적인 의미임을 강조하여 제시하였다.

Table 8. 
Example prompt

수집한 2024년의 전체 블로그 포스팅 URL 데이터는 <표 9>와 같이 총 2,023,857개였으며, 전처리 과정을 거친 후 실제 분석에 이용된 URL의 개수는 271,234개이다. 이어서 분석에 사용한 형용사는 4,361,233개로 나타났다.

프롬프트로 제시한 장소성 토픽 중 현대성(modern-ness)은 어느 곳에서도 도출되지 않았으며, LLM이 새롭게 생성한 토픽은 없는 것으로 나타났다(<표 10> 참조). 반복 실행을 통한 재현성 검증 결과, 두 차례 반복 실행에서 장소성 토픽이 완전히 동일하게 재현된 비율은 61/71개 장소(85.9%)로 나타났다. 첫 번째 실행 결과와 두 번째, 세 번째 결과를 비교한 결과, 두 번째 실행은 56개(78.9%), 세 번째 실행은 60개(84.5%)에서 일치했다. 세 시행 간 완전한 결과 불일치는 6건에 불과하였으며, 이들 대부분은 ‘cultural-ness’와 ‘unique-ness’, 혹은 ‘vital-ness’와 ‘commercial-ness’ 간 경계가 모호한 사례에 해당한다.

장소성 토픽 결과의 검증은 연구자의 주관적 판단에 의존하나, 다음과 같은 체계적 절차를 통해 자의적 해석을 최소화하고자 하였다. LLM은 단순한 분류뿐만 아니라 각 토픽 선택의 근거를 함께 제시하도록 설계되었는데, 예를 들어 ‘고속터미널역’의 경우 ‘편하다, 고급스럽다, 빠르다’ 등의 형용사에 대해 ‘providing efficient and pleasant services aligning it closely with a commercial atmosphere’라는 근거를 바탕으로 ‘commercial-ness’를 선택하였다.

검증 과정은 두 단계로 수행되었다. 첫째, 각 장소별로 도출된 상위 형용사들이 LLM이 선택한 장소성 토픽과 의미적 일관성을 갖는지 검토하였다. 둘째, 동일한 토픽으로 분류된 장소들 간에 공통된 형용사 패턴이 나타나는지 분석하여 분류의 일관성을 검증하였다. LLM의 분류 근거에서 비논리적 연결이나 과도한 일반화가 발생하지 않았는지 검토하여 타당성을 판단하였으며, 모든 장소에서 ‘TFIDF-PMI’로 도출된 형용사와 토픽 간의 적절성을 확인하였다. 검토 결과, 형용사와 장소성 토픽 간의 연결성에서 외적 타당도가 높게 나타났으며, 이는 LLM이 인간 연구자의 연구 보조도구로써 활용 가능성을 시사한다.

장소성 토픽 결과는 다음과 같다. 관광특구는 내·외국인 관광객이 모두 자주 방문하는 장소로서 7곳 중 3곳의 장소성 토픽이 상업성으로 나타났으며, 문화성, 일상성, 특이성, 활력성이 각각 1곳씩 도출되었다. 분석 대상지 중 공원은 모두 22곳이었으나 자연성 토픽이 도출된 곳은 1곳이었고, 대체로 활력성에 집중되었다.

가장 많은 장소에서 나타난 장소성 토픽을 토대로 서울시 주요 장소들의 전반적인 성격을 상업성과 문화성으로 파악할 수 있다 (<표 11> 참조). 서울 내 교통 요지로 꼽히는 강남역, 고속터미널역, 김포공항, 서울역, 잠실은 상업성 3곳, 활력성 1곳, 일상성 1곳으로 도출되어 인구 이동이 빈번한 곳에서 상업 활동이 활발히 이루어짐을 확인하였다. 경복궁, 덕수궁, 보신각, 북촌한옥마을, 정동길, 창덕궁·종묘, 청와대 등 역사적 성격을 가진 장소에서는 모두 문화성이 도출되었다. 가로수길, 경리단길, 용리단길, 성수 카페거리와 같은 신흥 상권에서 특이성이 도출된 것을 토대로 사람들의 발길을 이끄는 곳은 개성 있고 특징적인 장소임을 실증적으로 입증하였다. 이어서 자연성이 도출된 공원은 ‘남산공원’ 1곳에 그친 반면, 정온성이 도출된 공원이 5곳, 활력성이 도출된 공원은 8곳이었다. 이는 이용자들이 서울시 주요 공원을 자연적 공간보다는 휴식과 활동 위주의 장소로 인식하고 있음을 보여주며, 더 나아가 도시 내에서 충분한 자연적 경험을 얻지 못하고 있음을 시사한다.

산지를 포함한 서울시 1인당 공원 면적은 17.96m²이며, 1인당 도보생활권공원 면적은 5.75m²로 매우 제한적이다(서울특별시, 2023). 이를 개선하기 위해 서울시는 근린공원을 더욱 자연 친화적으로 개선할 필요가 있는데, 이때 특히 한강공원과 같은 선형 공원의 활용이 중요하다. 선형공원은 이동에 따라 시야가 계속해서 변하기 때문에 실제보다 넓게 인식되어 같은 면적의 면형 공원에 비해 공간을 더욱 효과적으로 활용할 수 있다는 장점이 있다.

대부분의 장소는 일반적인 인식과 일치하여 이해하는 데 무리가 없었으나, DMC(일상성), 건대입구역(정온성), 신촌·이대역(정온성), 합정역(정온성), 혜화역(정온성) 등 5개의 장소에서 통상적인 대중의 인식과 다소 상이한 장소성 토픽이 도출되었다. 이에 대한 이유를 파악하기 위하여 TFIDF-PMI 상위 10개 형용사와 LLM에서 제시한 근거, 그리고 원본 텍스트 데이터를 검토하였다(<부록 1> 참조).

먼저 DMC는 주거 단지 사이에 위치하면서 인근에 상암동 MBC 사옥과 SBS 프리즘 타워 등 지상파 방송국이 있어 편의시설까지 갖춘 지역이다. 따라서 거주자와 방문자(인근 회사의 근로자) 모두 일상을 향유하는 공간으로 기능하여 편안하면서 일상적인 분위기를 자아내는 것으로 나타났다. 건대입구역과 신촌·이대역의 경우, 해당 장소에서 방문하는 시설(카페, 빈티지샵, 소품샵, 공방, 만화카페, 학원 등)을 토대로 형용사가 도출되었으며, 이때, LLM이 장소명, 형용사, TFIDF-PMI 값을 모두 고려하여 장소성 토픽을 정온성으로 지정한 것을 확인하였다. 합정역에서 도출된 정온성은 Adj8에서 나타난 ‘홍대하다’를 토대로 원본 텍스트 데이터를 확인한 결과 다수의 텍스트에서 ‘홍대하면 ~이다’라는 내용을 포착하였다. 이는 장소 이용자들이 합정역만 단독으로 인식하는 것이 아니라 주변에 위치한 홍대 등을 함께 인식하고 방문하는 것으로 이해할 수 있다. 따라서 합정역의 결과는 주변 장소인 홍대에 비해 상대적으로 조용하면서 아늑한 분위기를 느낄 수 있어 이와 같이 나타난 것으로 해석하였다. 마지막으로 혜화역은 대학로에서 연극을 관람한 후 블로그에 작성한 후기를 토대로 상위 10개의 형용사가 도출된 것을 확인하였다. ‘나쁘다’, ‘착하다’, ‘잘생기다’, ‘탄탄하다’ 등의 형용사는 장소보다는 사람에 대한 인상이나 감정을 나타내는 표현이다. 이는 혜화역 인근의 대학로가 연극으로 유명한 지역이라는 특수성에 의한 결과로 해석된다.

본 연구에서 활용한 블로그 데이터의 특성상 이용자가 장소에서 무언가를 ‘경험’한 이후에 글을 작성하는 경향이 있어 장소에서 겪은 경험의 기억과 그 인상을 토대로 장소성 토픽이 도출됨을 확인하였다.

1) 지리적 위치에 따른 장소성 분석

<그림 5>에 따르면 다른 장소성에 비해 문화성이 지리적으로 집중된 것으로 분석되었는데, 자치구 경계를 중심으로 살펴보았을 때, 문화성은 중구-종로구 일대의 지역(경복궁, 광화문광장, 보신각, 북촌, 인사동, 창덕궁·종묘, 청와대 등)에서 집중적으로 나타났다. 이는 역사적인 성격을 가진 장소가 대개 중구와 종로구에 집중되어 있기 때문으로 추측할 수 있다. 그러나 서울시 내 역사적·문화적인 장소는 한가람미술관, 예술의전당, 국립중앙박물관, 현충원, 선정릉 등 중구-종로구 이외에도 다양하게 분포하고 있다. 그럼에도 불구하고 서울 중심부에서만 문화성이 집중적으로 나타난 것은 서울시에서 문화를 향유할 수 있는 장소가 공간적으로 매우 한정되어 있다는 것을 시사한다.

Figure 5. 
Results of placeness topic classification of 71 major places in Seoul

이어서 상업성이 도출된 장소는 대표 업무 지역인 중구(남대문시장, 동대문, 명동 등), 영등포구-동작구(노량진, 여의도, 영등포 타임스퀘어 등), 서초구-강남구(강남역, 고속터미널역, 압구정로데오거리, 코엑스 등)에 집중되어 있으며, 업무, 관광, 쇼핑 등을 목적으로 항상 인구가 밀집되는 지역에 해당한다. 이는 사람이 많이 방문하는 만큼 판매와 소비가 활발히 이루어져 상업성 토픽이 도출된 것으로 해석할 수 있다.

본 연구는 SNS 데이터를 바탕으로 서울시 주요 장소 71곳에 대해 실제 장소 이용자들이 인식하는 장소성을 확인하였다. 먼저 첫 번째 연구 질문인 ‘SNS의 텍스트 데이터를 소셜 리스닝(social listening) 도구로 활용하여 서울시 주요 장소의 장소성을 파악할 수 있는가?’에 대해, 본 연구에서는 온라인상의 데이터를 크롤링하여 사용함으로써 1차 조사로 구득하기 어려운 양의 텍스트 데이터를 분석 자료로 활용하였다. 결과적으로 도출된 장소별 주요 형용사와 장소성 토픽은 외적 타당도가 높아 기존 선행연구들(Park et al., 2021; 김혜빈·이수기, 2024)이 제안한 바와 같이 SNS가 소셜 리스닝 도구로서 활용 가능성이 충분함을 보여주었다. 따라서 본 연구는 기존 설문조사를 비롯한 1차 조사 데이터의 시간과 비용이라는 한계를 극복하였으며(김지은 외, 2019), 향후 데이터를 수집할 수 있는 SNS 플랫폼이 더욱 다양해지면 연구의 확장이 가능해질 것으로 보인다.

이어서 두 번째 연구 질문인 ‘서울시 주요 장소에서 주로 나타나는 장소성 토픽은 무엇인가?’에 대해 LLM을 활용해 서울시 주요 장소의 장소성 토픽을 도출한 결과, 서울시의 주요 장소성은 상업성과 문화성으로 나타났다. 상업성 토픽은 총 15곳이었으며, 발달상권 외에도 관광특구, 인구밀집지역 등 업무, 관광, 쇼핑 등을 목적으로 인구가 집중되는 다양한 유형의 장소에서 나타났다. 이는 서울시가 대한민국의 수도이며 가장 많은 이동과 방문이 발생하는 지역이라는 점을 고려하였을 때, 타당한 결과이다. 또한, 전체 71곳 중 15곳의 장소에서 문화성이 도출되었으며, 특히 고궁·문화유산이 밀집한 종로구와 중구 일대에 집중되어 있음을 확인하였다. 이러한 결과는 서울이라는 도시의 맥락을 이해한다면 가장 역사적이면서 가장 미래적인 도시라는 이미지를 잘 반영하는 결과라고 해석할 수 있다.

마지막으로 ‘서울시 주요 장소의 장소성 토픽을 바탕으로 도출된 장소성 문제와 시사점은 무엇인가?’라는 연구 질문에 대해 분석하였다. 71곳 중 공원에 해당하는 장소는 모두 22곳이었으나 자연성은 ‘남산공원’ 1곳에서만 도출된 결과를 토대로, 사람들이 서울 내 도심공원에서 충분한 자연적 경험을 얻지 못하고 있다는 점을 파악하였으며, 이는 도시 내 제한된 공간을 자연 친화적으로 개선할 필요가 있음을 시사한다. 또한, 문화성이 도출된 장소가 종로구와 중구에 집중된 것은 문화를 향유할 수 있는 곳이 공간적으로 매우 한정되어 있다는 것을 의미하므로 서울의 도시 매력도를 증진하기 위해서는 문화적인 장소의 공간적인 분포를 더욱 확대할 필요가 있다. 이어서 발달상권 외의 장소 유형에서도 상업성이 가장 빈번하게 도출된 것은 서울시 주요 장소에서 상업성이 두드러지는 장소가 매우 많은 것으로 해석할 수 있다. 따라서 도시의 다양한 장소들이 과도하게 상업성과 경제성에 매몰되어 무장소성(placelessness)이 도시공간에 확산되지 않을 수 있도록 경계할 필요가 있다.

본 연구는 Tuan(1977)의 장소성 개념에서 ‘경험’이라는 주관적 행동에 초점을 두어 이를 실증적으로 분석하기 위해 서울시 주요 장소 71곳을 대상으로 네이버 블로그의 텍스트 데이터를 활용하여 실제 장소 이용자들이 인식하는 장소성을 파악하였다.

먼저 전반적인 장소성 토픽 도출 결과의 외적 타당도가 높아 LLM이 연구 보조도구로써 충분히 활용 가능성이 있음을 보여주었다. 연구 결과를 토대로 서울시 주요 장소에서 주로 나타나는 장소성 토픽은 상업성과 문화성인 것을 파악하였다. 이는 많은 방문과 이동이 발생하는 서울시의 지역적 특징을 고려하였을 때 쉽게 이해할 수 있으나, 상업성이 가장 자주 나타난 것은 Relph(1976)가 주장한 무장소성을 경계해야 하는 근거가 된다. 다행히 일반적인 상업지역이 아닌 장소에서는 상업성이 두드러지지 않아 아직 서울시는 대다수의 장소가 상업적으로 변모하지는 않은 것으로 해석할 수 있다. 따라서 서울시는 현재의 주요 장소별 장소성을 유지할 필요가 있으며, 지금보다 상업적으로 획일화되어 무장소성이 확산되지 않도록 대책 마련이 필요하다. 특히 용리단길이나 세로수길 등 새로 떠오르는 장소들은 대규모 자본으로 인한 젠트리피케이션에 취약하므로 꾸준히 장소의 정체성을 유지할 수 있도록 정책적인 차원의 지원이 필요하다.

또한, 현재 서울시의 공원 장소는 이용자들에게 체육시설이나 시장, 또는 카페거리와 비슷하게 인식된다는 문제가 있음을 확인하였다. 그린 인프라에서 느낄 수 있는 자연성은 도시민들의 삶의 질을 향상하고 도시 매력도를 증진하는 데 매우 중요하다(Hipp et al., 2016; 정의영·오치욱, 2025). 그러나 서울시 공원 장소 중 자연성이 도출된 장소는 남산공원 한 곳으로 나타났으며, 따라서 서울시는 시민들의 일상 활동이 이루어지는 도시 공간에서 더욱 자연성을 느끼고 휴식과 안정을 취할 수 있도록 이를 개선할 필요가 있다.

마지막으로 문화성이 종로구와 중구 일대에 국한되어 나타난 것과 같이 특정 장소성이 일부 지역에 집중되지 않도록 하여 도시 장소의 다양성을 증진시켜야 한다. 다양한 용도의 장소가 서로 혼합하여 배치될 때 도시의 활력이 증가할 수 있다(Jacobs, 1961). 더욱이, 홍대와 합정역 사례와 같이 하나의 장소는 단독으로 인식되는 것이 아니라 주변의 맥락 속에서 해석된다. 그러므로 도시 장소의 다양성을 위해 장소를 새로 계획하거나, 개선하거나, 또는 철거하는 등 도시계획과 도시 정비를 추진할 때는 주변과의 상호작용을 고려하여야 한다.

본 연구는 서울시 주요 장소의 장소성을 바탕으로 향후 도시 정책 수립 시 지역이 나아가야 할 방향성을 제안하였다는 점에서 의의가 있으나 여전히 몇 가지 한계점을 가지고 있다. 첫째, 본 연구는 현재 웹 크롤링을 통해 위치 및 텍스트 데이터를 수집할 수 있는 소셜 미디어 중 이용률이 가장 높은 네이버 블로그를 분석 자료로 활용하였다. 그러나 네이버 블로그는 특정 연령층에 편향될 가능성이 존재하며, 해당 플랫폼이 모든 사람의 장소성 인식을 완전히 대변하기에는 한계가 있다(박준홍 외, 2021; 김혜빈·이수기, 2024). 예를 들어, 앞서 설명한 것과 같이 DMC, 건대입구역, 신촌·이대역, 합정역, 혜화역 등의 장소성은 일반적인 인식과 차이가 나타났다. 이는 실제 이용자들이 느낀 장소성과 보편적인 인식이 다르다는 의미일 수 있으나, 동시에 데이터가 네이버 블로그에 국한되기 때문에 나타난 결과일 가능성도 존재한다. 따라서 향후 연구에서는 1차 조사를 병행하거나, 타 SNS 플랫폼을 추가로 활용하는 등 데이터 수집 방식을 보완할 필요가 있으며, 다양한 데이터 소스 간 비교를 통해 연구의 깊이와 신뢰도를 더욱 강화할 수 있을 것이다.

둘째, 장소의 무장소성을 개선하기 위해서는 장소성뿐만 아니라 장소 인식, 장소 이미지, 장소의 성격 등 다양한 요소를 함께 고려할 필요가 있다. 향후에는 장소의 물리적·지리적·공간적 특성을 반영한 다각적인 연구가 이루어진다면, 장소성 연구 분야에 더욱 실질적으로 기여할 수 있을 것이다.

셋째, 본 연구에서는 LLM 파라미터 조정에서의 한계점이 존재한다. 먼저 temperature의 경우, 창의성과 일관성의 균형을 맞추고자 0.7로 설정하였으나, 구체적인 민감도 분석(sensitivity analysis)을 진행하지 못하였다. 또한, OpenAI API 호출 시 max_tokens 값을 별도로 설정하지 않고 기본값을 사용하였다. 이는 응답의 길이에 따라 일부 출력이 잘리는 경우, 결과 재현성에 영향을 미칠 가능성을 내포한다(Wagner et al., 2025). 특히 출력의 길이가 질문 구조나 모델 상태에 따라 변동될 수 있기 때문에, 후속 연구에서는 max_tokens 값을 명시적으로 설정함으로써 출력의 범위와 구조를 보다 엄밀히 통제할 필요가 있다.

마지막으로, 본 연구의 검증 과정은 연구자의 주관적 판단에 의존하는 한계가 있어, 향후 연구에서는 보다 대규모의 독립적 전문가 패널을 통한 검증 혹은 통계적 검정이 필요할 것이다.