---
type: paper
slug: jiyoon-chang-2020-media-user-participation-online
title: >-
  The role of media in user participation: Focusing on the knowledge activity in
  online space
authors:
  - '[[jiyoon-chang]]'
  - '[[junseokhwang]]'
year: 2020
venue: '[[telematics-and-informatics]]'
volume: '51'
pages: '101407'
doi: 10.1016/j.tele.2020.101407
categories:
  - '[[ict-policy]]'
methods:
  - '[[k-means-clustering]]'
  - '[[ordered-probit-model]]'
  - '[[ols-regression]]'
themes:
  - '[[online-community]]'
  - '[[knowledge-collaboration]]'
  - '[[user-participation]]'
last_updated: '2026-05-17T20:00:00+09:00'
---
# The role of media in user participation: Focusing on the knowledge activity in online space

*[[jiyoon-chang]], [[junseokhwang]] (2020)* · [[telematics-and-informatics]] 51:101407 · [DOI ↗](https://doi.org/10.1016/j.tele.2020.101407)

> KISDI 한국 미디어 패널 2018 의 9,426 개인 응답자를 온라인 지식 활동 (제공·수정·소비) 의 Euclidean 거리로 [[k-means-clustering]] 한 결과 active participant (4.2%), passive participant (18.4%), bystander (77.5%) 의 세 그룹으로 분류된다. [[ordered-probit-model]] 로 전통 미디어 기기와 스마트폰 사용이 active 그룹 소속 확률을 높이고, 그룹별 [[ols-regression]] 은 active 그룹에서 스마트폰·태블릿 PC 가 유일한 결정요인 (β=0.012, β=0.034) 임을 보인다.

- **RQ**: 온라인 지식 협업 공간에서 사용자 참여 유형은 어떻게 구분되며, 미디어 기기·활동 사용 패턴이 어떤 유형 소속 확률에 영향을 주는가?
- **방법론**: [[k-means-clustering]] (K=3, density 기반 초기 중심), [[ordered-probit-model]] (순서형 종속변수), [[ols-regression]] (Euclidean 거리 종속변수)
- **데이터**: KISDI 한국 미디어 패널 조사 2018, 9,426 개인 응답자. 9 개 미디어 기기 (USE), 17 개 미디어 활동 (ACT), 21 개 지식 활동 (제공 3 + 수정 4 + 소비 14, 다중응답).
- **주요 발견**: 클러스터 = bystander 77.5% / passive 18.4% / active 4.2%. Ordered probit 결과 신문/책·라디오·TV·스마트폰 (+), 휴대폰 (−); active 그룹 OLS 는 스마트폰 (β=0.012**), 태블릿 PC (β=0.034***) 만 유의 양, 전화 통화 (β=−0.018**), 잡지 (β=−0.012*) 음.
- **시사점**: 온라인 지식 협업 활성화 정책은 사용자 유형별로 차별화되어야 하며 — bystander 는 background 지식 축적, passive 는 양방향 소통 미디어, active 는 접근성 (smart device) — 단일 전략으론 부족하다.

![온라인 지식 활동 사용자의 k-means 클러스터링: bystander (purple), passive participant (green), active participant 의 3 차원 (제공·수정·소비) 분포.](/papers/202008_ChangJ_The_role_of_media_in_user_participation_Focusing_on_the_knowledge_activity_in_online_space/fig2.jpeg)

## 요약

[[online-community]] 의 [[knowledge-collaboration]] 은 collective intelligence 의 실용 기반으로 주목받지만, 모든 사용자가 동등하게 기여하는 것은 아니다. 기존 연구는 opinion leader (King and Summer, 1970) 같은 단일 역할이나 motivation·incentive (Bishop, 2002; Hall, 2001) 중심이었지만 실제 사용 패턴별 이질성은 거의 다뤄지지 않았다. 본 논문은 KISDI 한국 미디어 패널 2018 (9,426 개인) 데이터로 사용자를 지식 활동 기여도에 따라 분류하고, 각 유형의 미디어 사용 패턴을 분석한다.

방법론은 3 단계다. (1) Euclidean 거리 측정: 지식 활동을 제공 (3 항목: upload, 응답, 정보 콘텐츠 게시), 수정 (4 항목: 댓글, 평가 등), 소비 (14 항목: 공유, 스크랩, 읽기) 의 3 축으로 정의하고 $ED_i = \sqrt[3]{(know_{provide}/N_{pro})^2 + (know_{modify}/N_{mod})^2 + (know_{consume}/N_{con})^2}$ 로 기여도 계산. (2) [[k-means-clustering]] (K=3, 가장 dense 한 3 지점을 초기 중심으로 채택해 local optima 회피). 결과는 bystander 7,304 (77.5%), passive participant 1,738 (18.4%), active participant 396 (4.2%). (3) Ordered probit 으로 active 그룹 소속 확률, 그룹별 OLS 로 Euclidean 거리 (지속변수) 결정요인 분석. 독립변수는 9 개 미디어 기기 (USE) × 17 개 미디어 활동 (ACT) + 인구통계.

핵심 결과 두 가지. (i) Ordered probit (Table 3): 전통 미디어 기기 (신문/책 +0.0042***, 라디오 +0.0172***, TV +0.0072**, 휴대폰 −0.0759***), 신 미디어 기기 (스마트폰 +0.0161***, 데스크탑·랩탑·태블릿 무의미), 활동 (TV 시청 −0.0112***, 케이블 TV 시청 −0.0101**, 문자 +0.0493***, 이메일 +0.0216**). 인구통계로는 age −0.0325***, education +0.6094**, income +0.0362*** 가 active 확률 결정. (ii) 그룹별 OLS (Table 4) 는 명확한 차별 패턴: bystander 는 휴대폰·태블릿 PC 가 음 (스마트 기기 부정적), passive 는 전통 + 신 미디어 모두 양 (다양한 채널 활용), active 는 스마트폰 (β=0.012**), 태블릿 PC (β=0.034***) 가 유일한 양 결정요인이고 전통 미디어는 무의미.

해석은 두 가지 결정요인 — 정보 유입 (path dependency·lock-in 효과로 익숙한 매체 선호) 과 온라인 공간 접근성 (실시간성·유동성·휘발성에 대응하는 smart device) — 의 균형에 있다. bystander 와 passive 는 정보 유입 (전통 미디어) 의존, active 는 접근성 (smart device) 의존이라는 패턴이다. 정책 함의는 (a) bystander 를 active 로 직접 전환하는 단일 전략은 행동 변화에 대한 본능적 저항으로 효과 없음, (b) 단계별 (bystander → background 지식, passive → 양방향 소통 강화, active → smart device 접근성) 차별화된 접근이 필요, (c) Wikipedia·GitHub 같은 collective intelligence 플랫폼의 사용자 활성화 전략은 사용자 분포에 따라 조정되어야 한다는 것이다.

## 핵심 결과

| 클러스터 | 비율 | 미디어 패턴 특징 |
|---|---|---|
| Bystander | 77.5% (7,304) | 단순 지식 소비; 스마트 기기 사용이 참여 저하 |
| Passive participant | 18.4% (1,738) | 수정·소비 활동; 전통 + 신 미디어 다양 활용 |
| Active participant | 4.2% (396) | 제공·수정·소비 모두 활발; 스마트폰·태블릿만 유효 |

**Active 그룹 OLS (Eq. 6)**: 스마트폰·웨어러블 β=0.012** (양), 태블릿 PC β=0.034*** (양), 전화 통화 β=−0.018** (음), 잡지 읽기 β=−0.012* (음), 교육 수준 β=−0.178* (음).

**Ordered probit 인구통계**: age β=−0.0325***, education β=0.609**, income β=0.0362*** → 젊고 교육·소득 높을수록 active 확률 ↑.

## 방법론 노트

지식 기여도는 Euclidean 거리로 정의된다.

$$
ED_i = \sqrt[3]{\left(\frac{know_{provide}}{N_{pro}}\right)^2 + \left(\frac{know_{modify}}{N_{mod}}\right)^2 + \left(\frac{know_{consume}}{N_{con}}\right)^2}
$$

K-means clustering 의 목적함수는 $\arg\min \sum_{k=1}^n \sum_{x_i \in c_k} (x_i - \mu_k)^2$. K=3 의 선택은 사용자 직관 (active vs passive vs bystander) 과 dense 지점 3 개의 초기 중심으로 local optima 회피.

Ordered probit (Eq. 4):

$$
P_i(y) = P(\kappa_{y-1} < y_i^* < \kappa_y) = \Phi(\kappa_y - x'_i \beta) - \Phi(\kappa_{y-1} - x'_i \beta)
$$

여기서 $y_i^* = x_i \beta + u_i$, $u_i \sim N(0,1)$, $\kappa_j$ 는 critical parameter. 종속변수는 3 단계 순서형 (1=bystander, 2=passive, 3=active).

OLS (Eq. 6):

$$
ED_i = \sum_{k=1}^9 \beta_k^{use} USE^k + \sum_{l=1}^{16} \beta_l^{act} ACT^l + \text{DEMO} \cdot \beta^{demo} + \alpha
$$

각 클러스터 그룹 내에서 독립적으로 추정해 그룹별 미디어 사용 패턴 차이 식별.

## 연구 계보

[[junseokhwang]] 그룹의 [[ict-policy]] · 사용자 행동 분석 라인에 위치한다. Brandtzæg (2010) 등의 motivation 기반 사용자 분류 한계 (input-output 만 다룸) 를 actual 사용 패턴 기반 클러스터링으로 보완한 작업이다. Skaržauskienė et al. (2013) 의 collective intelligence 3 차원 (capacity, emergence, society), Solomon (2006) 의 groupthink-to-wisdom 전환 조건 (다양성, 분권화) 과 같은 collective intelligence 문헌에 실증 기반을 제공한다. 동일 저자 [[jiyoon-chang]] 의 후속 ICT 사용자 분석 작업과 함께 K-means + ordered probit + OLS 의 3 단계 분석 패턴을 정립한다.

## See also

- [[junseokhwang]]
- [[jiyoon-chang]]
- [[k-means-clustering]]
- [[ordered-probit-model]]
- [[ols-regression]]
- [[telematics-and-informatics]]
- [[online-community]]
- [[knowledge-collaboration]]
- [[collective-intelligence]]
- [[user-participation]]