해커뉴스는 부정적인 글이 더 잘 먹힌다? 3.2만 개 글로 본 관심의 편향

• 해커뉴스에서 부정적인 글이 더 잘 먹힌다는 관찰이 숫자로 나옴

  • 부정적 정서로 분류된 글의 평균 점수는 35.6점
  • 전체 평균은 28점이라, 부정적 글이 약 27% 더 높은 성과를 낸 셈
  • 분석 대상은 글 3만2000개와 댓글 34만 개라, 그냥 느낌만으로 던진 얘기는 아님

• 더 흥미로운 건 부정적 글 비중 자체가 꽤 높다는 점임

  • 전체 글의 거의 65%가 부정적 정서로 잡힘
  • 작성자도 분류기가 부정 쪽으로 기울었을 수 있다고 단서를 달았지만, 여섯 개 모델에서 비슷한 패턴이 반복됐다고 봄
  • 즉 ‘모델 하나가 이상하게 봤다’로 끝내긴 어려운 결과임

• 비교한 모델 구성이 꽤 빡빡함

  • 트랜스포머 기반 분류기는 DistilBERT, BERT Multi, RoBERTa를 사용
  • 대규모 언어 모델(LLM)은 Llama 3.1 8B, Mistral 3.1 24B, Gemma 3 12B를 사용
  • 실제 대시보드에는 Cloudflare 기반 파이프라인에서 효율적으로 돌릴 수 있는 DistilBERT 결과를 쓴다고 함

• 여기서 말하는 ‘부정성’은 악플이나 인신공격과는 좀 다름

  • 기술에 대한 비판, 발표에 대한 회의, 업계 관행에 대한 불만, API 쓰다가 터지는 좌절감 같은 것들이 주로 잡힘
  • 해커뉴스 특유의 냉소적인 기술 검토 문화에 가깝고, 작성자도 대부분은 독성보다 실질적인 비판에 가깝다고 봄
  • 다만 부정적인 프레이밍이 참여를 만든 건지, 논쟁적인 주제가 애초에 부정성과 관심을 동시에 끌어온 건지는 분리하기 어렵다고 봄

• 작성자는 별도로 22GB짜리 해커뉴스 SQLite 스냅샷도 검증에 활용함

  • HackerBook이라는 정적 스냅샷이라 시간 흐름 분석은 못 했음
  • 그래서 생명주기 분석, 초반 속도 예측, 점수 감소 곡선 피팅은 제외
  • 대신 점수 분포, 관심 불평등, 시간대별 게시 패턴 같은 분포형 통계는 계산 가능했다고 함

• 이 글이 개발자 입장에서 재밌는 이유는 커뮤니티 ‘흥행 공식’을 감정이 아니라 데이터로 까본다는 점임

  • 기술 글이 잘 퍼지는 이유가 정보량 때문만은 아닐 수 있음
  • 회의, 비판, 불편함을 정확히 건드리는 글이 토론과 클릭을 더 많이 끌어낼 수 있음
  • 제품 발표글이나 오픈소스 홍보글을 쓰는 사람에게도 꽤 쓸 만한 힌트임

---

기술 맥락

• 이 분석의 핵심 선택은 감성 분류를 모델 하나에 맡기지 않았다는 점이에요. 감성 분석은 모델마다 기준이 흔들릴 수 있거든요. 그래서 DistilBERT, RoBERTa 같은 전통적인 분류기와 Llama, Mistral, Gemma 같은 대규모 언어 모델을 같이 돌려 패턴이 유지되는지 본 거예요.

• 실제 대시보드에는 DistilBERT를 썼다는 것도 현실적인 선택이에요. 대규모 언어 모델이 더 그럴듯한 판단을 할 수는 있지만, 3만 개 넘는 글을 계속 처리하려면 비용과 지연 시간이 커지거든요. Cloudflare 기반 파이프라인에서는 작고 빠른 모델이 운영상 더 맞는 선택이었을 가능성이 커요.

• HackerBook 데이터로는 시간 흐름을 볼 수 없었다는 제약도 중요해요. 정적 스냅샷은 전체 분포나 불평등은 잘 보여주지만, 글이 언제부터 뜨기 시작했는지 같은 생명주기 분석에는 약하거든요. 그래서 작성자는 가능한 분석과 불가능한 분석을 나눠서 다뤘어요.