자기표현 글쓰기의 부정 감정어 감지 및 자동 피드백을 위한 파이프라인 구축

Constructing a Pipeline for Detecting Negative Emotion Words and Providing Automated Feedback in Expressive Writing

본 연구는 자기표현 글쓰기에서 학습자의 부정 감정어를 감지하고 이를 자동 피드백으로 환류하는 파이프라인을 구축·검증하는 데 목적이 있다. 이를 위해 문헌 고찰과 전문가 자문을 통해 글쓰기 과제를 개발하고 대학생 응답을 수집하여 분석에 적용하였다. 파이프라인은 데이터 라벨링, 전처리, 사전 기반 감정어 추출, 대규모 언어모델을 활용한 맥락 해석, 자동 피드백 생성의 단계로 구성되었다. 특히 한국어의 활용형과 부정 표현을 고려한 정규화 규칙을 마련하고, 문맥 확인과 어휘 의미 범주화를 통해 분석의 정확도를 제고하였다. 타당도 검증에서 언어 분석 지수는 전문가 평정과 유의한 상관을 보였으며, 주성분 분석과 군집화 결과 감정 표현 양상에 따라 유형이 도출되어 복합 고감정군과 단일 정서 과잉군의 변별 가능성이 확인되었다. 또한 자동 피드백은 시각적 지수와 정량 요약, 원문 인용을 포함한 공감적 서술을 결합하여 학습자의 메타적 성찰을 촉진하고 교수자의 후속 지원 설계를 돕도록 구성하였다. 본 연구는 글쓰기를 정서 지원의 핵심 도구로 확장할 수 있는 가능성을 보여주었으며, 사전 기반 분석의 설명 가능성과 언어모델의 맥락 해석을 결합한 복합적 접근 방식이라는 점에서 연구의 의의가 있다.

This study developed and validated a pipeline using artificial intelligence to detect negative emotion words in expressive writing and deliver automated feedback. It involved creating writing tasks through a literature review and expert consultation and analyzing university students’ responses. The pipeline combines lexicon-based methods with large language modelsfor tasks, including labeling, preprocessing, emotion word extraction, contextual interpretation, and feedback generation. Normalization rules for Korean inflections and negation, along with contextual checks, improved the analytic accuracy. The validation indicated significant correlations between the linguistic indices and expert ratings. The analysis further distinguished patterns of emotional expression by identifying complex high- and single-emotion-excess groups. Feedback integrates visual indices, quantitative summaries, and empathetic narratives to foster learners’ reflections and guidein structors. These results demonstrate that expressive writing can support emotions and that hybrid AI approaches that combine interpretability and contextual understanding in educational settings are valuable.