DBPIA-NURIMEDIA

한국색채학회 논문집 Journal of Korea Society of Color Studies 2015, Vol.29, No.3 http://dx.doi.org/10.17289/jkscs.29.3.201508.67 네트워크 분석을 통한 크라우드소싱 배색 데이터 연구 김은진, 석현정* 한국과학기술원 산업디자인학과 박사과정 *한국과학기술원 산업디자인학과 부교수 좋은 배색을 탐구하였던 대부분의 기존 연구들은 일정한 배색의 규칙을 찾고, 이를 검증하는 방식으 로 진행되어왔다. 하지만 이러한 방식은 정해진 규칙을 만족하는 배색을 조합하는 데에만 집중하여, 시대와 상황에 따라 변화하는 감성을 반영하지 못하는 단점을 가지고 있었다. 이에 본 연구에서는 사람들이 인지하는 감성과 트렌드를 반영한 배색의 특징을 이해하고자, 다수의 사용자가 직접 구성 하고 평가한 크라우드소싱 데이터를 활용하였다. 또한 이 데이터를 분석함에 있어서 네트워크 분석 기법을 도입하여, 여러 개의 색이 어우러져 하나의 조합을 이루는 배색의 관계적인 측면에 집중하 고, 다수의 배색테마를 하나의 네트워크로 구성하여 거시적인 발견점을 얻고자 하였다. 이에 Adobe Color CCC에서 수집된 약 7천 여 개의 테마를 네트워크로 시각화하고, 근접중심성을 계산하여 전 체 배색 네트워크에서 인기 있는 색상과 보편적인 색을 파악하였다. 또한 커뮤니티 분석기법을 활용 하여 조화로운 배색을 제안하는 방법을, LIWC를 활용하여 테마명을 분석하여 감성과 상황에 맞는 배색을 제안하는 방법을 탐색하였으며, 그 가능성을 확인하였다. 주제어: 배색, 크라우드소싱 데이터, 네트워크 분석 교신저자_석현정 e-mail: color@kaist.ac.kr

68-2015 한국색채학회 논문집 29권 3호 Understanding Crowd-Sourced Color Schemes through Network Analysis EunJin Kim, Hyeon-Jeong Suk* Ph.D. Course, Dept. of Industrial Design, KAIST *Associate Professor, Dept. of Industrial Design, KAIST The studies on harmonious color combinations have mainly identified the quantitative relationship within a set of harmonious colors and approval of the relationship. However, such methods are not easily capable of creating a new color combination. Moreover, it hardly reflects the changes of trend. In this regard, we utilized the crowd-sourced data that the crowd created color combinations and assessed their preference for them. Approximately 7,000 color themes were collected from Adobe Color CCC and utilized for a network analysis. The network analysis supports a quick and easy visualization of color data, and helps to quantify the universality of each color by a closeness centrality measure. We also applied a community detection and LIWC dictionary in order to explore a way of generating harmonious and affective schemes. The results shows that the crowd-sourced data might be a good source to suggest appropriate color schemes when combined with proper methods. Keywords: Color Theme, Crowd-Sourced Data, Network Analysis Corresponding Author_Hyeon-Jeong Suk e-mail: color@kaist.ac.kr

네트워크 분석을 통한 크라우드소싱 배색 데이터 연구 - 69 1. 서 론 1.1. 연구 배경 주변의 사물이나 디자인 혹은 예술작품을 통해 색을 지각할 때에, 하나의 색만을 인지하는 경우는 드물다. 우리는 대부분 두 개 이상의 색을 동시에 인지하게 되 고, 이를 통해 배색이 주는 시각 및 감성적 경험을 한 다. 좋은 배색을 구성하는 것은 디자인 결과물의 미적 수준에 영향을 미치는 중요한 요소 중 하나이므로 좋 은 배색이란 무엇이고, 어떻게 좋은 배색을 만들 수 있 는가에 관한 연구는 오래 전부터 진행되어 왔다. 이텐 (1970)은 색채의 조화를 음악의 화음에 비유하여 12색 상환에 기반한 색채조화론을 제시한 바 있으며, 오스트 발트(1969)는 조화로운 배색을 이루는 색과 색 간에는 일정한 질서가 있다는 주장 하에 오스트발트 표색계를 기준으로 등백색 등흑색 등순색의 조화, 등가색환 보색조화 등을 제시하였다. 문-스펜서(Moon & Spencer, 1944)가 주장한 색채조화론은 조화도를 과 학적으로 평가하고자 한 시도로서, 색상 명도 채도 에 따라 정의되는 색 간의 기하학적 관계를 바탕으로 동일조화, 유사조화, 대비조화 등을 제안하였다. 최근 의 연구에서는 색의 속성과 조화도의 관계를 정량적으 로 평가하고자 하는 시도가 더욱 두드러지고 있으며, 그 예로 Ou와 Luo(2006)는 두 가지 색이 배색을 이룰 때, 각 색의 색상 명도 채도로 조화도를 평가할 수 있는 회귀모델을 제시한 바 있다. 하지만 기존의 색채조화이론은 질서의 원리(Judd & Wyszecki, 1975)와 같은 일정한 규칙에 기반하고 있 기 때문에 다양한 배색 조합을 만들기에 적합하지 않 으며, 세 개 이상의 색으로 구성된 배색의 조화도를 평 가하고 이를 정량화할 만한 체계적인 방식 또한 자리 잡지 못한 상태이다. 무엇보다, 정해진 규칙에 기반한 배색 방법은 시대와 상황에 따라 변화하는 다양한 감 성과 트렌드를 반영하기 어렵다는 단점을 가지고 있다. 1.2. 연구 목적 본 연구에서는 네트워크 분석기법을 배색 연구에 도 입하여, 기존의 연구 방법으로는 다루기 힘들었던 탐색 및 분석, 그리고 새로운 배색을 창작해내는 가능성을 시도하는데 목적이 있다: 첫째, 배색테마들을 모두 하 나의 배색 네트워크로 구성하고, 이 네트워크를 기반으 로 다수의 배색테마들에서 공통적으로 발견되는 배색 의 특성을 이해하고자 하였다. 둘째, 좋은 배색을 쉽고 빠르게 제작하기 위해, 커뮤니티 분석(Community Detection) 기법과 LIWC(Liguistic Inquiry Word Count) 사전의 분류체계를 적용하여 전체 네트워크를 배색특성이 유사한 하위집단으로 분류하고 실제로 배 색을 제작해보았다. 배색 네트워크를 구성하기 위한 자 료로서 실존하는 크라우드소싱 데이터를 활용하여, 본 연구에서 시도한 방법과 그 결과물의 실효성을 직접적 으로 검증하고자 하였다. 1.3. 연구의 방법 크라우드소싱 기반 배색 데이터를 확보한 후, 각 배 색을 네트워크 데이터로 변환하여 분석을 진행하였다. 먼저 배색 관계를 나타내는 네트워크를 구성한 후, 시 각화와 근접중심성(Closeness Centrality) 계산을 통 해 배색 네트워크 내에서 인기 있는 색상과, 보편적인 색상을 파악하였다. 또한 커뮤니티 분석을 통해 배색 패턴이 유사한 하위그룹들을 살펴보고, 좋은 배색을 제 안하기 위해 커뮤니티 분석결과를 활용한 예를 제시하 고자 하였다. 특히 분석 결과에 대해서는 네트워크 내 특징적인 색채에 관한 것과 좋은 배색을 구성하기 위 한 결과로 구분하여 기술하고자 하였다. 네트워크 내의 색채에 대한 내용은 4장에서, 여러 색을 활용하여 배색 을 구성하는 것에 관한 내용은 5장에서 다루어, 네트워 크 구성을 통해 얻을 수 있는 발견점을 구별하여 서술 코자 하였다. 1.4. 배색 데이터 연구에 활용된 배색 데이터는 크라우드소싱 기반의 배색 추천 및 공유사이트인 Adobe Color CC C (Adobe Kuler)에 게시된 배색조합(테마)을 활용하였다. Adobe Color CC C (는 테마명에 활용된 언어를 기준으로 각 나라별 사용자에게 적합한 언어로 쓰여진 테마를 우선 적으로 제시해주고 있는데, 그 중에서도 가장 많은 양 의 데이터가 확보되어 있는 영어 기반의 테마들 중 O Donovan, Agarwala와 Hertzman (2011)이 수집 하고 배포한 44,986개의 테마를 활용하였다.

70-2015 한국색채학회 논문집 29권 3호 는 외톨이 학생들이 평균보다 약 5배 높은 흡연률을 보인다는 결과를 제시하여, 청소년 흡연에 또래집단의 영향이 가장 크다는 통설을 반박하고 있다. 이처럼 네 트워크 분석을 활용하면, 개개인의 특징에 집중할 때는 확인할 수 없었던 전체 구조상에서의 발견점을 얻을 수 있다. 2.2. 배색연구에서 네트워크 분석의 가치 <그림 1> Adobe Color CC C 사이트 상에서 인기도 순으로 정렬된 테마 목록 Adobe Color CC C ( 사이트 상의 테마 목록을 보여 주는 <그림 1>에서처럼, 하나의 테마는 RGB 색공간에 서 정의된 다섯 개의 색으로 이루어져 있다. 동시에 그 제작자가 직접 부여한 테마명과 다수의 사용자에 의해 평가된 5점 만점 기준의 점수, 그리고 좋아요 와 같은 단순 선호도에 따른 인기도 지수를 가지고 있다. 따라 서 사용자들은 테마명 검색이나 인기도에 따른 정렬 등을 통해 자신이 원하는 테마를 찾아볼 수 있으며, 그 중에서 자신이 활용코자 하는 테마를 Adobe Photoshop C (등의 프로그램으로 불러들이고 자유롭게 수정할 수 있다. 본 연구에서는 하나의 테마가 가진 테 마명과 다섯 가지 색의 RGB값, 그리고 평가점수를 주 분석 자료로서 활용하였다. 2. 배색 연구를 위한 네트워크 분석의 적용 2.1. 네트워크 분석의 특징 네트워크 분석은 사회 연결망 분석 (Social Network Analysis) 뿐 아니라 생물의 신경망 분석, 통 신시스템의 정보망 분석과 같이 다양한 분야에서 관계 중심의 구조를 분석하기 위한 목적으로 활발히 사용되 고 있다 (Böde et al., 2007; Blanchet & James, 2012; Ennett & Bauman, 1993). 기존의 연구방법들 이 개별 행위자가 가지는 성별, 연령, 교육 수준과 같 은 특성에 집중하여 집단 간의 차이를 규명하고자 하 였다면, 네트워크 분석은 개별 행위자들 간의 관계성에 서 오는 구조적 특징을 분석함으로 기존의 연구에서 발견하기 어려웠던 새로운 관점을 제시해 준다(Scott, 2012). 한 예로, 네트워크 분석을 활용한 Ennett과 Bauman (1993)의 연구는 어느 집단에도 속하지 못하 여러 개의 색이 어우러져 하나의 조합을 이루는 배 색에 대해 연구하고자 할 때에는 각각의 색을 개별적 으로 다루기보다 조합에서 발견되는 색 간의 관계를 살펴보는 것이 더 중요하다. 기존의 배색조화론을 보더 라도, 대다수가 색 간의 관계에 특정한 질서나 규칙을 부여함으로 조화로운 배색을 정의하고 있는 것을 볼 수 있다 (Itten & Birren, 1970; Judd & Wyszecki, 1975; Ostwald, 1969). 이러한 측면에서 볼 때, 관계 성 중심의 네트워크 분석은 배색 데이터가 가지는 본 질적인 특성을 잘 반영할 뿐만 아니라, 기존의 배색연 구에서는 발견하기 어려웠던 관계 에 기반한 결과를 도출할 수 있으리라 사료된다. 네트워크 분석이 제공할 수 있는 여러 특징 중 배색 연구와 접목이 될 수 있는 부분은 다음 세 가지로 살펴 볼 수 있다: 첫 번째 장점은 네트워크 분석의 핵심적인 요소 중 하나인 데이터시각화를 통해, 수많은 색상 중 네트워크 내에서 중요도가 높은 색상을 즉각적으로 파 악할 수 있다는 것이다. 네트워크 분석을 위해 개발된 다양한 시각화 알고리즘은 동일한 데이터를 연구자가 원하는 방식으로 재배열할 수 있도록 도와줄 뿐 아니 라, 배열방식에 있어서도 연구자가 중점적으로 보고자 하는 변수에 가중치를 부여할 수 있다. 따라서 이를 적 극적으로 활용하면, 배색 데이터를 다양한 관점으로 쉬 이 탐색해볼 수 있을 뿐 아니라 배색 네트워크에서 가 장 의미 있는 색상이 무엇인지 직관적으로 파악할 수 있다. 이와 같은 시각화 알고리즘이 실시간 데이터와 결합된다면, 배색의 트렌드를 보여주는 수단으로도 확 장될 수 있을 것이다. 둘째, 네트워크 분석에는 각 행위자(노드, Node)가 관계성의 측면에서 가지는 특성을 정량화할 수 있는 다양한 기법들이 있어, 이를 활용하면 연구자가 자신이 원하는 기준에 따라 개별 색들을 분류하거나 순위를 매길 수 있다. 기존의 연구방법들이 여러 개의 배색조 합을 동시에 분석하는 것이 쉽지 않기 때문에 단일 조

네트워크 분석을 통한 크라우드소싱 배색 데이터 연구 - 71 합 내에서 발견되는 배색원리에 집중하였다면, 네트워 크 분석은 하나의 색이 전체 배색 네트워크 내에서 가 지는 관계적 위치를 측정할 수 있기 때문에, 다양한 색 과 보편적으로 잘 어우러지는 색을 찾을 수 있다. 이를 위해 활용할 수 있는 네트워크 기법으로는 중심성 (Centrality) 계산이 있으며, 본 연구에서는 다양한 중 심성 척도 중에서도 근접중심성(Closeness Centrality)을 활용하여 다양한 색들과 직간접적으로 밀접한 관계를 맺고 있는 색을 찾고자 하였다. 셋째, 네트워크 내에서의 군집분석(Clustering Anaysis)이라 볼 수 있는 커뮤니티 분석(Community Detection)은 밀접한 관계를 가지는 개별 행위자들을 묶어 하위 집단 커뮤니티 - 을 구성해준다. 함께 배 색을 이룬 횟수가 많을수록 같은 커뮤니티에 속할 확 률이 높아지기 때문에, 이를 역으로 생각하면 같은 커 뮤니티에 속한 색끼리는 조화로운 배색을 구성할 확률 이 더욱 높다. 따라서 커뮤니티 분석의 결과를 조화로 운 배색을 제안하는 데에 활용할 수 있다. 다음 <표 1> 에서는 네트워크 분석의 특징을 배색연구에 활용하여 어떠한 효과를 기대할 수 있는가에 대하여 요약하여 제시하고 있다. <표 1> 배색데이터에 네트워크 분석을 적용할 때의 장점 네트워크 분석의 특징 다양한 레이아웃과 기준으로 즉각적인 네트워크 시각화 관계성에 기반한 정량적 수치 제공 밀접한 관계를 가진 하위집단 파악 가능 배색연구에서의 장점 수많은 색 중 의미있는 색이 무엇인지 연구자가 원하는 관점으로 즉각적으로 시각화시켜볼 수 있음 다양한 색들과 밀접한 관계가 있는 보편성이 높은 색이 무엇인지 정량적으로 비교 가능 서로 빈번하게 배색을 구성하는 색들을 파악해, 새로운 배색을 제안코자 할 때 자료로서 활용할 수 있음 3. 배색 네트워크의 구성 3.1. 배색 데이터의 전처리 및 네트워크화 관련 분석기법 활용빈도수 등의 기준을 적용한 시각화, 다양한 시각화 알고리즘 근접중심성 커뮤니티 분석 O Donovan (2011) 등이 배포한 데이터에는 약 45,000 여 개의 테마가 있었으나, 본 연구에서는 일정 수준 이상의 심미성을 만족하는 테마만을 연구의 대상 으로 삼고자, 5점 만점에 4점 이상의 점수를 받은 테마 7,118개만을 분석하였다. 이 테마들의 평균 점수는 4.15점이었으며, 표준편차는 ±0.24였다. 이렇게 선별 된 테마들을 네트워크 데이터로 변환하기 위해 개별 색을 노드(Node)로 정의하였으며, 하나의 테마에 함께 쓰인 다섯 가지 색을 링크(Link)로 연결하여 그 관계성 을 표현하였다. 그 결과, <그림 2> 에서 볼 수 있듯이 하나의 테마에서 다섯 개의 노드와 열 개의 링크가 도 출될 수 있다. <그림 2> 배색 테마의 네트워크화 이 과정에서 색의 지각적 특징을 더 직접적으로 반 영하기 위해 RGB 값을 CIE1976L*a*b*(이하 CIELab) 로 변환하였다. 본 연구에서 활용한 7,118 개의 배색을 구성하는 색들을 CIELab 좌표값 기준으로 개수를 파 악하면 총 33,161 개에 달하였다. 이 때, 네트워크의 밀도를 높이고 분석 과정에서 연산량을 줄이기 위하여 유사한 색들을 한 개의 군집으로 묶어주었다. 각 색의 L, a, b 좌표값을 기준으로 5 5 5 정육면체 내에 속하 는 색들을 해당 정육면체의 중심에 위치하는 하나의 색으로 간주한 것이다. 예를 들어 RGB (230, 220, 57) 인 색은 CIELab (87, -6, 32)로 변환한 후, 군집화 과 정을 거쳐 CIELab (90, -5, 30)의 색을 가지는 노드로 표현하였다. 이 과정을 통해 총 33,161 개의 다양한 개 별 색들을 4,922 개의 군집으로 분류하였다. 그리고 각 군집은 노드에 해당하며, 최종적으로 구성된 배색 네트 워크는 4,922 개의 노드와 26,401 개의 링크로 구성되 었다. 각 노드 쌍 간의 링크는 테마에서 함께 배색된 빈도수(Degree)에 따라 1~851번 사이의 가중치를 가 지고 있었으며, 이는 배색 조합에 851번 활용된 색이 전체 배색 네트워크에서 가장 활용빈도가 높은 색임을 의미한다. 전체 노드에 대하여 평균 활용빈도수는 10.73, 표준편차는 ±23.12로 계산되었다. 활용빈도수 별 노드의 분포를 살펴본 결과, 네트워크에 활용된 대 다수의 노드가 100 이하의 활용빈도수를 가지고 있었

72-2015 한국색채학회 논문집 29권 3호 으며, 전체 노드의 0.79%에 불과한 39 개의 노드만이 100을 초과하는 활용빈도수를 보였다. 이를 통해 볼 때, 극소수의 색이 배색 조합을 구성함에 있어서 매우 인기가 있음을 알 수 있다. 3.2. 배색 네트워크의 시각화 배색 네트워크의 분석 및 시각화에는 공개 소스 기 반의 네트워크 분석 소프트웨어인 GephiR가 활용되 었다. 각 노드들은 해당하는 색을 표현할 수 있도록 RGB 값을 입력하였으며, 활용 빈도수에 따라 그 크기 를 차별적으로 지정하였다. <그림 3>은 활용빈도수가 20회 이상인 색으로만 구성된 배색 네트워크를 보여준 다. 레이아웃 알고리즘으로는 이판-후 다층기법 (Yifan-Hu Multilevel)이 활용되었는데, 이 알고리즘 은 노드의 개수가 십만 개 미만인 중대형 크기의 네트 워크를 시각화하고자 할 때 효과적인 방법으로 알려져 있다 (Hu, 2005). 채들과 가지는 관계성에 기반하여, 전체 네트워크 상에 서 특징적인 색채에 대해 살펴보았다. 4.1장에서는 배 색조합을 구성함에 있어서 인기있는 색을 파악하고자 각 색채별 활용빈도수를 시각화에 적용하였으며, 4.2 장에서는 다양한 색과 보편적으로 조화를 이루는 색의 특성을 이해하고자, 각 색의 근접중심성을 계산해보았 다. 4.1. 시각화를 통해 파악한 인기 있는 색 네트워크 분석을 활용하면 많은 양의 데이터도 연구 자가 지정한 조건에 따라 다양한 방식으로 시각화할 수 있다. 데이터베이스를 구성하는 배색들 중 인기 있 는 색의 특성을 파악하고자 <그림 4>와 같이 노드의 활용빈도수 기준이 다른 두 개의 네트워크를 시각화시 켜 보았다. 시각화 방법으로는 <그림 3>과 동일한 이 판-후 다층기법에, 노드끼리 겹치는 것을 최소화 시켜 주는 알고리즘(Noverlap)을 추가로 적용하였다. <그림 4> 에서 왼쪽에 위치한 그래프는 활용빈도수가 70번 이상인 노드들로 구성된 네트워크로, 이를 보면 L*축 의 양 극단에 위치하면서 평균 채도(Chroma)가 9.09 의 무채색에 가까운 색들이 배색조합에 활발히 사용되 고 있음을 알 수 있다. 하지만 붉은 계열의 색을 가진 노드 두 개가 그래프 상에서 두드러지게 보이듯이, 채 도가 높은 색들이 모두 32.50 ~ 34.00 사이의 붉은 색 상(Hue) 값을 가지는 현상을 관찰하였다. <그림 3> Gephi로 시각화된 활용빈도수가 20 이상인 노드로 구성된 네트워크 (이판-후 다층기법) 4. 네트워크 분석을 통한 배색데이터 속 색채 이해 다수의 배색데이터를 하나의 네트워크로 구성할 때 의 장점은, 전체 데이터 내에서 하나의 색채가 가지는 중요성과 역할 등에 대해 거시적인 관점에서 분석할 수 있다는 것이다. 이에 4장에서는 각 색채가 다른 색 <그림 4> 활용빈도수가 70 120 이상인 노드의 배색 네트워크 활용 빈도가 120 이상인 색들의 경우 사용빈도가 상 위 0.57 %에 해당하는데, 평균 L*값이 82.40 (표준편 차 ±22.67), C 값이 평균 7.86 (표준편차 ±6.26)로 밝 은 무채색 계열인 것을 알 수 있다. 낮은 채도값에서 유추할 수 있듯이, a값 (평균 -1.83, 표준편차 ±2.21) 과 b값 (평균 6.20, 표준편차 ±7.36) 또한 0에 근접하

네트워크 분석을 통한 크라우드소싱 배색 데이터 연구 - 73 게 나타났다. 하지만 표준편차를 통해 보면, a축에서의 분포보다 b축에서의 분포가 더 넓은 것을 관찰할 수 있다. 4.2. 중심성 분석으로 알아본 보편적인 색 근접중심성(Closeness Centrality)은 하나의 노드가 다른 노드들과 얼마나 가까이 위치하고 있는가를 측정 하는 변수로서, 근접중심성이 높을수록 적은 개수의 링 크를 거치고도 다른 노드들과 연결될 수 있음을 의미 한다(Brandes, 2001; Sabidussi, 1966). 예를 들어 최 대 열 개의 링크를 거쳐야지만 다른 모든 노드와 연결 될 수 있는 노드 A에 비해, 최대 다섯 개의 링크만 거 치면 다른 모든 노드와 연결될 수 있는 노드 B의 근접 중심성이 훨씬 더 높다. 근접 중심성 척도를 배색 네트워크의 관점에서 보면, 한 개의 색이 특정 색에 한하여 잘 어울리는지, 아니면 다양한 색과 잘 어울릴 수 있는가를 정량적으로 파악 할 수 있는 방법이 될 수 있다. 예를 들어, 활용빈도수 가 동일한 두 개의 색이 있을 때, 소수의 색과 반복적 으로 배색된 색보다는 다양한 색들과 배색된 색의 근 접중심성이 더 높게 나타난다. 즉, 근접중심성이 높을 수록 다양한 배색조합에서 활용된 보편적인 색임을 알 수 있다. <그림 5> 활용빈도수 (인기도) 와 근접중심성 (보편성) 의 크기는 각 노드에 따라 독립적인 속성이며, 활용빈도수가 높아도 근접중심성은 낮을 수 있다. <그림 5>는 배색 네트워크의 일부를 확대한 것으로, 오른편에 표시된 색은 왼쪽에 표시된 색에 비해 활용 빈도수가 더 낮은 색임에도 더 높은 근접중심성을 보 였다. 이와 같이 활용빈도수(인기도)에 비해 상대적으 로 높은 근접중심성(보편성)을 보인 색의 특성을 파악 하고자, 노드별로 활용빈도수에 대한 근접중심성의 비 를 계산한 후 이를 각 노드의 L*, a*, b* 값 및 채도와 의 상관분석을 수행하였다. 그 결과 상대적으로 근접중 심성이 높은 색일수록 밝기가 유의하게 낮아지는 약한 음의 상관관계 (Pearson s r = -.24)을 보였으며, 이와 반대로 채도는 유의하게 높아지는 약한 양의 상관관계 (Pearson s r =.32)를 보였다 (p <.01). 이를 통해, 인 기도에 비해 상대적으로 높은 보편성을 가진 색들은 채도는 높지만 밝기가 어두운 경우가 많은 것을 관찰 할 수 있다. 5. 네트워크 분석을 통한 배색 제안 5.1. 커뮤니티분석을 활용한 조화로운 배색 제안 전체 네트워크 내에서 서로 밀접한 관계가 있는 노 드들의 하위 집단을 커뮤니티(Community)라고 지칭 하며, 배색 네트워크의 커뮤니티는 배색조합에 함께 쓰 인 적이 많은 색들로 구성된다. 본 연구에서 활용한 테 마들이 모두 사용자 평가에서 4점 이상을 받은 상대적 으로 우수한 배색조합임을 고려해 보면, 배색관계가 밀 접한 색들끼리 모인 커뮤니티 내에서는 좋은 배색을 이룰 확률이 더욱 높을 것이다. 이를 검증하기 위해 우 선적으로 루뱅(Louvain) 알고리즘에 기반한 커뮤니티 분석을 수행하였다 (Blondel, Guillaume, Lambiotte, & Lefebvre, 2008). 그 결과 총 24개의 커뮤니티가 파 악되었으며 그 중 커뮤니티에 속한 색의 평균 활용빈 도수가 5 이상인 커뮤니티는 총 14개였다. 커뮤니티 소속이 같은 색들이 조화로운 배색을 이루 는지 확인하고자, 평균 활용빈도수가 높은 상위 세 개 의 커뮤니티 내에서 각각 무작위로 다섯 개씩 색을 추 출하였다. 추출된 다섯 개의 색을 어떤 순서로 제시하 는 가에 따라 조화로움에 차이가 발생할 수 있다. 이에 Wang, Jia 및 Cai (2013) 가 제시한 배색테마 내 최적 화된 색 정렬방법에 따라 배열하여 총 세 개의 같은 커 뮤니티 기반의 배색을 구성하였다. 또한 각기 다른 커 뮤니티에서 한 개씩 색을 뽑은 후, 이 색들 또한 동일 한 정렬방식으로 배열하여 다른 커뮤니티 기반의 배색 세 개를 구성하였다. 이 때 색을 무작위로 뽑는 데에는 오픈소스 기반의 데이터 분석 패키지인 R project R 의 sampling 함수가 활용되었다. <표 2>는 이렇게 구성된 배색테마 여섯 개와, Ou와 Luo (2006)의 연구에서 도출된 공식을 적용하여 계산

74-2015 한국색채학회 논문집 29권 3호 된 각 테마의 조화도 점수를 보여준다. 이 때, Ou와 Luo (2006)의 공식은 두 가지 색으로 구성된 배색 테 마를 기반으로 개발되었기에, 다섯 가지 색으로 구성된 배색조합의 조화도 계산에 바로 적용할 수 없는 한계 가 있었다. 이를 보완하기 위해, 한 테마 내에서 이웃 한 두 색의 조화도를 평가하여, 그렇게 계산된 조화도 값 4개를 합하였다. 두 가지 배색의 조화도가 5 ~ 5 의 값을 가지므로, 다섯 가지 배색의 조화도는 20 ~ 20의 값을 가진다. 테마의 조화도 평균 (표준편차) <표 2> 커뮤니티 분석을 활용하여 구성한 테마와 각 테마들의 조화도 점수 같은 커뮤니티 소속 색상으로 이루어진 테마 각기 다른 커뮤니티에서 추출된 색상들의 테마 3.87 1.75 4.10 3.5 7.77 7.2 5.25 (±1.79) 4.15 (±2.27) 조화도 점수를 보면, 같은 커뮤니티 내의 색상으로 구성된 테마가 일정 수준 이상의 조화도를 보일 뿐 아 니라, 평균적으로도 더 높고 일관된 조화도를 보여줌을 알 수 있다. 이는 크라우드소싱 기반의 배색데이터에 커뮤니티 분석기법을 도입할 경우, 그 결과를 새로운 배색을 제안 및 평가하기 위한 자료로서 활용할 가치 가 있음을 보여준다. 하지만 단순한 무작위 추출법으로 제한적인 개수의 배색 조합을 만들어, 기존의 두 가지 배색 평가법을 적용하여 비교한 결과이기에 이를 일반 화하기에는 한계가 있다. 따라서 추후 연구에서는 다수 의 색으로 구성된 배색을 제안하고 평가하기 위한 구 체적인 방법이 개발되어야 할 것이며, 또한 이 방법에 대한 실질적인 평가와 검증이 이루어져야 할 것이다. 5.2. 테마명 분석을 통한 감성적인 배색 제안 Adobe Color CCC에 자신들이 만든 테마를 업데이 트하고자 할 경우, 사용자는 테마에 사용된 다섯 가지 색의 RGB값 뿐 아니라, 해당테마의 이름 또한 자신이 직접 지정하여 입력하게 된다. 이 테마명은 다른 사용 자들이 원하는 테마를 검색하고자 할 때 활용되기 때 문에, 대다수의 테마명은 해당 테마가 전달하는 감성 혹은 상황 등을 반영하여 지정된다. 이에 이 테마명을 활용하여 테마들을 분류해보고자 하였다. 테마명을 분석하기 위해 활용된 데이터베이스는 Linguistic Inquiry Word Count (LIWC)로, 영어 문 화권에서 다양한 문어 및 구어에서 쓰이는 기본 어휘 의 80% 정도를 분류해둔 어휘사전이다 (Pennebaker, 2011; Tausczik & Pennebaker, 2010). LIWC에 속 한 카테고리로는 대명사, 관사, 접속사와 같은 언어적 기능에 따른 것들과 직장, 레저, 집과 같이 상황에 따 른 것, 긍정적인 감정, 부정적인 감성과 같이 감정에 관한 것 등이 있다. 전체 7,118개의 테마에 쓰인 테마 명의 어휘 중 평균 71.89%가 LIWC에 의해 분류 가능 한 것으로 나타났다. <그림 6>은 이렇게 분류된 배색테마 중, 긍정적 감 성 (Positive)과 부정적 감성 (Negative), 그리고 성적 감성(Sexual) 카테고리에 속한 것들을 시각화시킨 것 이다. 시각화에는 앞서 활용된 이판-후 다층기법과 유 사한 원리의 알고리즘인 프루터맨 레인골드 (Fruchterman Reingold) 레이아웃이 적용되었으며, 긍정적 감성과 부정적 감성에 관련된 네트워크의 경우 활용빈도수가 8 이상인 노드만을, 성적 감성에 관련된 테마의 경우 4 이상인 노드만을 표현하였다. <그림 6> Positive (좌), Negative (가운데), Sexual (우)에 속하는 테마명을 가진 배색테마의 네트워크 시각화된 네트워크들을 보면, 앞서 시각화된 전체 네 트워크에 비해 다양한 색상의 더 높은 채도값을 가진 노드들로 구성된 것을 볼 수 있다. 긍정적 감성 네트워 크의 경우 평균 채도 35.91 (표준편차 ±23.19)을 보였 으며, 부정적 감성 네트워크는 평균 29.09 (표준편차 ±21.38), 성적감성에 관한 네트워크 또한 평균 25.90 (표준편차 ±19.94)의 채도를 가지고 있으며 특히 난색 계열이 두드러진다. <그림 7>은 각 네트워크에서 무작위로 다섯 개씩 노 드를 추출하여 구성한 배색 테마들로, 각 테마가 조화

네트워크 분석을 통한 크라우드소싱 배색 데이터 연구 - 75 로우면서도 해당 네트워크가 반영하는 감성적 특성을 잘 반영하는 것을 볼 수 있다. 특히 가운데 위치한 Negative Emotion과 다른 두 카테고리 간의 차이가 두드러지게 나타난다. 이는 네트워크 분석을 통해 감 성적인 테마를 추출하고 제안할 수 있음을 보여주는 탐색적 예시로서, LIWC에 의해 분류된 개별 네트워크 에 커뮤니티 분석을 도입할 경우 더 조화로운 테마를 생성할 수 있을 것이다. <그림 7> Positive (좌), Negative (가운데), Sexual (우)에서 추출된 색으로 구성된 테마 하지만 Love Never Dies, War of Roses 와 같이 서로 반대되는 감성을 전달하는 어휘들로 구성된 테마 명의 경우, 적절한 카테고리에 분류되지 못하는 한계가 있었다. 따라서 후속 연구에서는 테마명의 문맥적 의미 를 정확히 파악할 수 있도록 자연어 처리(Natural Language Processing) 기술 등을 활용하여 감성 및 상황을 가장 잘 전달하는 배색 테마를 구성하는 방식 에 대한 추가적인 탐구가 가능할 것이다. 6. 논의 본 연구의 독창성은 크라우드소싱을 통해 수집된 배 색조합들을 관계성 기반의 데이터로 다루어, 이를 네트 워크 분석과 접목하였다는 데에 있다. 이는 기존의 연 구들과 크게 두 가지 점에서 차별점을 가진다. 색채 조화에 관한 기존 연구들은 주어진 배색 조합 에 대해 실험 참여자의 주관적 평가를 바탕으로, 적절 한 배색의 규칙이나 조화도 평가 방식을 도출하는 것 이 대다수였다. 자연히 실험의 대상이 되는 배색 데이 터의 개수가 제한적일 뿐 아니라, 평가 결과를 일반화 하는 것 또한 한계가 있었다. 하지만 본 연구에서는 다 수의 사용자들이 직접 구성하여 공유한 7천여 개의 배 색테마를 활용하여, 가능성 있는 배색조합을 최대한 살 펴보고자 하였다. 동시에 수많은 배색 테마 중에서도 일정 수준 이상의 테마만을 선정하여, 소수의 평가자에 의한 한계점을 극복하면서 연구결과의 타당성을 확보 하고자 하였다. 또한 본 연구는 배색데이터를 색과 색 간의 관계성 의 관점에서 해석하고자 하였다. 기존의 연구들은 개별 적인 색의 속성을 주된 변수로 하여, 채도의 차이 밝 기의 차이 등과 배색의 조화도 간의 관계성을 밝히고 있다. 하지만 본 연구에서는 활용빈도수, 근접중심성, 커뮤니티 소속과 같은 배색 네트워크 내에서의 특징을 변수로 하여, 이를 개별적인 색의 속성과 연관시켜 그 결과를 해석하였다. 이를 통해, 전체 배색데이터 상에 서 의미 있는 색이 가지는 색 속성을 역으로 추론할 수 있었으며, 좋은 배색을 구성하기 위한 네트워크 분석의 가능성 또한 탐색해 볼 수 있었다. 하지만 배색 테마를 구성하고 평가하기 위한 실무적 인 디자인과정에서의 활용도를 높이기 위해서는 추가 적인 연구가 필요하다. 본 연구는 선행 연구자에 의해 수집된 단일 데이터베이스를 활용하였기 때문에 해당 데이터베이스 내에서의 정적인 결과만을 보여주고 있 다. 하지만 본 연구의 프레임에 실시간으로 업데이트 되는 정보를 반영할 경우, 배색 데이터 속에서 발견되 는 인기 있는 색 및 배색의 트렌드를 즉각적으로 파악 할 수 있도록 도와주는 좋은 수단이 될 것이다. 또한 커뮤니티 분석기법과 테마명 분석을 통한 분류기법을 적절히 결합할 경우, 사용자가 원하는 감성을 가장 잘 전달하면서도 조화로운 배색을 제안할 수 있으리라 여 겨진다. 좋은 배색을 제안하기 위한 것은 그 가능성을 살펴보는 탐색적인 수준에 그쳤으나, 후속 연구에서 배 색 구성방법을 개발 및 보완하고, 그 효율성과 적합성 을 체계적으로 검증하는 과정을 거치고자 한다. 이를 통해 특정 공식이나 규칙에 의한 것이 아닌, 크라우스 소싱 데이터로부터 얻은 사용자의 직접적인 감성과 평 가가 반영된 새로운 관점의 배색방식을 제안할 수 있 으리라 생각한다. 7. 결론 본 연구에서는 다수의 사용자가 구성한 크라우드소 싱 배색 데이터에 네트워크 분석을 적용하여, 실제 사 람들이 선호하는 배색테마의 특성과 이에 활용된 색채 를 이해하고자 하였다. 이를 위해 Adobe Color CCC 에 업로드된 배색테마 중 4점 이상의 평가를 받은 테 마 7천여 개를 선별하여 하나의 배색 네트워크로 구성 하였다. 활용빈도수 기준을 바탕으로 배색 네트워크에 서 가장 인기 있는 색을 보고자 하였으며, 시각화를 통 해 현재 네트워크에서 가장 인기 있는 색들이 전체적 으로 밝으면서 채도가 낮은 특성을 가짐을 즉각적으로 파악할 수 있었다. 네트워크 분석이 기존의 연구방법과

76-2015 한국색채학회 논문집 29권 3호 차별화되는 이유 중 하나는, 관계성에 기반한 정량적인 데이터를 제공한다는 것이다. 이에 본 연구에서는 여러 가지 정량적 측정변수 중에서도 근접중심성을 활용하 여 다양한 색들과 보편적으로 배색을 구성하는 색을 알아보았다. 그 결과 활용빈도수(인기도) 대비 높은 보 편성을 보인 색들은 상대적으로 채도는 높지만 밝기가 어두운 특성을 가지고 있었다. 또한 조화로운 배색을 탐색하기 위한 방식으로 커뮤니티 분석 기법을, 특정 감성 혹은 상황에 적합한 배색을 탐색하기 위한 방식 으로 LIWC 사전을 활용한 테마명 분석을 제안하고, 그 가능성을 알아보았다. 이를 통해 커뮤니티 분석기법과 테마명 분석을 적용한 방식 모두 적절한 배색테마를 제안하기 위한 기초자료로서 활용될 수 있음을 확인하 였다. 이의 실무적 활용도를 높이기 위해서는 추가적으 로 실시간 데이터 베이스의 적용, 테마명 분석 및 배색 제안 방식에 대한 후속 연구가 이루어져야 할 것이다. 참고문헌 1. Böde, C., Kovács, I. A., Szalay, M. S., Palotai, R., Korcsmáros, T., & Csermely, P. (2007). Network analysis of protein dynamics. Febs Letters, 581(15), 2776-2782. 2. Blanchet, K., James, P. (2012). The role of social networks in the governance of health systems: the case of eye care systems in Ghana. Health policy and planning, czs031. 3. Blondel, V. D., Guillaume, J.-L., Lambiotte, R., & Lefebvre, E. (2008). Fast unfolding of communities in large networks. Journal of Statistical Mechanics: Theory and Experiment, 2008(10), 10008. 4. Brandes, U. (2001). A faster algorithm for betweenness centrality. Journal of Mathematical Sociology, 25(2), 163-177. 5. Ennett, S. T., Bauman, K. E. (1993). Peer group structure and adolescent cigarette smoking: A social network analysis. Journal of Health and Social Behavior, 226-236. 6. Hu, Y. (2006). Efficient, high-quality force-directed graph drawing. The Mathematical Journal, 10(1), 37-71. 7. Itten, J. and Birren, F. (1970). The elements of color, NY, USA: John Wiley & Sons. 8. Judd, D. B., and Wyszecki, G. (1975). Color in business, science, and industry, NY, USA: John Wiley & Sons. 9. Moon, P. and Spencer, D. E. (1944). Aesthetic measure applied to color harmony. JOSA, 34(4), 234-242. 10. O'Donovan, P., Agarwala, A., & Hertzmann, A. (2011). Color compatibility from large datasets. Proceedings of ACM SIGGRAPH, 63. 11. Ostwald, W. (1969). The color primer. NY, USA: Van Nostrand Reinhold Co. 12. Ou, L.-C., Luo, M. R. (2006). A study of colour harmony for two-colour combinations. Color Reserch & Application, 31(3), 191-204. 13. Pennebaker, J. W. (2011). The secret life of pronouns. New Scientist, 211(2828), 42-45. 14. Sabidussi, G. (1966). The centrality index of a graph. Psychometrika, 31(4), 581-603. 15. Scott, J. (2012). Social network analysis. UK: SAGE Publications Ltd. 16. Tausczik, Y. R., Pennebaker, J. W. (2010). The psychological meaning of words: LIWC and computerized text analysis methods. Journal of language and social psychology, 29(1), 24-54. 17. Wang, X., Jia, J., & Cai, L. (2013). Affective image adjustment with a single word. The Visual Computer, 29(11), 1121-1133. [논문접수: 2015.06.30.] [1차 심사: 2015.07.15.] [2차 심사: 2015.07.27.] [게재확정: 2015.08.12.]