Ⅰ. 서 론

1. 개요

최근 차량이 건물, 상가, 인도, 주차장 등으로 돌진하는 사고가 반복적으로 보도되면서 급발진 주장 및 페달 오조작 의심 사고에 대한 사회적 관심이 증가하고 있다. 이러한 사고는 운전자가 급발진을 주장하는 경우가 많지만, 실제 사고 원인이 차량 결함인지, 운전자의 조작 오류인지, 또는 사고 직후의 진술과 조사 과정에서 어떠한 원인으로 판단되었는지를 명확히 구분하기 어렵다는 특징을 가진다. 특히 급발진 주장은 주로 운전자의 진술을 통해 제기되는 반면, 페달 오조작은 경찰, 사고조사기관, 전문가 등의 조사 과정에서 가능성 또는 판단으로 언급되는 경우가 많다. 따라서 이 유형의 사고를 교통안전 연구대상으로 다루기 위해서는 단순히 사고 발생 여부를 집계하는 것을 넘어, 운전자 측의 주장, 조사당국의 페달 오조작 가능성에 대한 언급 및 판단을 구분할 필요가 있다.

페달 오조작은 해외에서도 의도하지 않은 가속 사고와 관련된 주요 요인으로 다루어져 왔다. 미국 고속도로교통안전국(NHTSA, National Highway Traffic Safety Administration)은 의도하지 않은 가속 주장 중 상당수가 운전자가 브레이크를 밟으려다 가속페달을 밟는 페달 오조작과 관련될 수 있다고 보고, 페달 설계 및 배치가 오조작 발생 가능성에 미치는 영향을 검토한 바 있다(Collins et al., 2015). 또한, 영국 교통연구소(TRL, Transport Research Laboratory)의 페달 오조작 사고 연구는 페달 오조작 사고가 출발 또는 저속 주행 상황에서 빈번하게 발생할 수 있으며, 고령 운전자와 보행자 등 교통약자가 관련될 때 안전상 문제가 커질 수 있음을 지적하였다(Ekambaram et al., 2023). 이와 유사하게 Hasegawa et al.(2020)은 페달 오조작에 의한 의도하지 않은 가속이 교통사고의 원인이 될 수 있으며, 사고 후 운전자가 이를 얼마나 신속히 교정하는지가 치명적 결과를 피하는 데 중요하다고 설명하였다. 이러한 선행연구는 급발진 주장 및 페달 오조작 의심 사고가 단순한 일회성 이슈가 아니라, 운전자 특성, 차량 조작환경, 사고상황, 충돌대상과 복합적으로 관련된 교통안전 문제임을 보여준다.

그러나 국내 공식 교통사고자료만으로는 이러한 사고유형을 직접적으로 식별하는 데 한계가 있다. 교통사고분석시스템(TAAS, Traffic Accident Analysis System)은 사고발생 연월 및 시간대(주/야), 가해 운전자의 성별･연령대･차종･법규위반 유형, 도로형태 및 노면･기상상태 등 다양한 정형 교통사고 정보를 제공한다(한국도로교통공단 교통사고분석시스템). 또한, TAAS 기반 통계는 사망, 중상, 경상, 부상신고 등 인적 피해 수준을 구분하여 제공하며, 경찰에서 조사･처리한 인적피해 교통사고를 중심으로 구축된다. 이러한 정형 자료는 일반적인 사고특성 및 심각도 분석에는 유용하지만, 급발진 주장이나 페달 오조작 의심, 운전자 및 목격자 진술, 조사당국의 잠정 판단 또는 최종 결과와 같은 서술적･맥락적 정보는 표준 통계 항목으로 포착되기 어렵다. 이로 인해 급발진 주장 및 페달 오조작 의심 사고는 사회적 관심이 높음에도 불구하고, 체계적인 실증분석 자료로 구축되기 어렵다는 문제가 있다.

이러한 한계를 보완하기 위해 뉴스기사와 같은 비정형 텍스트 자료를 활용할 수 있다. 뉴스기사에는 사고일시와 장소, 피해규모뿐 아니라 사고 당시 상황, 운전자 주장, 목격자 진술, 경찰･소방의 발표, 후속 조사 결과 등이 함께 포함되는 경우가 많다. 특히 공식 통계에서 별도 항목으로 식별하기 어려운 특수 사고유형의 경우, 뉴스기사는 사고 맥락을 파악하는 보완적 자료원으로 활용될 수 있다. 다만 뉴스기사 자료는 대표성의 부족, 보도 선택 편의, 기사별 정보량 차이, 동일 사고에 대한 중복 보도, 원인 확정의 어려움 등 한계를 가진다. 따라서 뉴스기사 기반 교통안전 분석에서는 기사 원문을 그대로 사용하는 것이 아니라, 명확한 전처리 기준과 사고 단위 통합 절차, 정보추출 결과의 검증, 불확실성 관리가 필요하다.

최근에는 자연어처리(NLP, Natural Language Processing)와 대규모언어모델(LLM, Large Language Model)을 활용하여 비정형 사고 텍스트를 구조화하려는 시도가 증가하고 있다. Bareiss et al.(2021)은 BERT(Bidirectional Encoder Representations from Transformers) 기반 자연어 이해 모델을 활용하여 사고보고서의 사고 내러티브(crash narrative), 즉 서술형 사고정보로부터 페달 오조작 사고를 식별하는 방법을 제시하였으며, Arteaga et al.(2020)은 교통사고 내러티브를 텍스트 마이닝과 해석 가능한 머신러닝 방법으로 분석하여 부상심각도와 관련된 요인을 도출하였다. 최근 연구들은 LLM이 사고 내러티브에서 누락되거나 오분류된 사고요인을 보완하고, 사고 관련 비정형 자료로부터 위치, 충돌유형, 피해규모 등 분석 변수를 추출하는 데 활용될 수 있음을 보여준다(Arteaga and Park, 2025; Jaradat et al., 2024). 다만 LLM의 출력 결과는 질문의 복잡성, 프롬프트 설계, 검증 방식에 따라 달라질 수 있으므로, 교통안전 분석에 활용하기 위해서는 면밀한 검증과 성능 평가가 병행될 필요가 있다(Mumtarin et al., 2023). 이러한 연구들은 사고 내러티브와 같은 비정형 자료가 교통안전 분석에서 중요한 정보를 제공할 수 있으며, 텍스트 기반 정보추출 및 분류 기법이 사고심각도 연구를 확장할 수 있음을 시사한다.

그럼에도 불구하고 급발진 주장 및 페달 오조작 의심 사고를 대상으로, 뉴스기사 원문에서 사고정보를 추출하고 이를 사고심각도 분석자료로 구조화한 연구는 아직 제한적이다. 특히 기존 연구들은 페달 오조작 사고의 발생 가능성, 차량 조작환경, 사고 식별에 초점을 둔 경우가 많았으며, 운전자 주장, 목격자 진술, 조사당국의 판단을 구분하여 사고심각도 특성과 연결한 연구는 부족하다. 이에 본 연구의 목적은 뉴스기사에 보도된 급발진 주장 및 페달 오조작 의심 사고를 대상으로, 대규모언어모델(LLM)을 활용하여 비정형 사고자료를 구조화하고, 이를 바탕으로 사고특성과 사고심각도 관련 요인을 탐색적으로 분석하는 데 있다. 구체적으로 뉴스기사 원문에 포함된 사고일시 및 장소, 운전자 특성, 차량종류, 사고상황, 충돌대상, 피해규모 등의 기본정보를 추출하고, 급발진 주장, 페달 오조작 언급 여부, 운전자 및 목격자 진술, 조사당국의 발표 및 판단결과를 구분하여 구조화한다. 이를 통해 공식 교통사고 DB에서 별도 항목으로 식별하기 어려운 사고유형에 대한 비정형 자료와 LLM을 활용한 보완적 사고자료 구축 가능성을 검토하고자 한다.

본 연구의 시간적 범위는 2024~2025년이며, 분석대상은 국내 뉴스기사에 보도된 급발진 주장 및 페달 오조작 의심 교통사고이다. 뉴스기사 자료는 동일 사고에 대한 중복 보도와 연구대상과 무관한 기사를 포함할 수 있으므로, 본 연구에서는 비관련 기사를 제외하고 동일 사고를 기준으로 통합하였다. 이에 따라 LLM 기반 정보추출은 개별 기사 단위로 수행하되, 사고특성 및 사고심각도 분석은 개별 교통사고(crash event)를 최종 분석단위로 설정하였다.

또한, 본 연구는 급발진 또는 페달 오조작의 실제 원인을 기술적･법적으로 판정하는 것을 목적으로 하지 않는다. 뉴스기사에 제시된 정보만으로 차량 결함, 운전자 조작 오류, 기계적 이상 여부를 확정하는 데에는 한계가 있기 때문이다. 따라서 본 연구에서 급발진 주장 사고는 운전자 또는 관계자가 급발진을 주장한 사고를 의미하며, 페달 오조작 의심 사고는 기사, 경찰, 조사당국, 전문가 등이 페달 오조작 가능성을 언급하거나 조사 결과로 판단한 사고를 의미한다. 특히 본 연구는 운전자의 주장과 조사당국의 판단을 동일한 정보로 취급하지 않고, 각각의 출처와 성격을 구분하여 코딩함으로써 사고 원인 해석의 불확실성을 관리하고자 하였다.

본 연구의 차별성은 다음과 같다. 첫째, 공식 교통사고 통계에서 별도 유형으로 식별하기 어려운 급발진 주장 및 페달 오조작 의심 사고를 뉴스기사 기반으로 수집하고 사고 단위 자료로 구조화하였다. 둘째, LLM을 단순 요약 도구가 아니라 사고정보 추출 도구로 활용하여 사고일시, 장소, 운전자 특성, 충돌대상, 피해규모뿐 아니라 급발진 주장, 페달 오조작 언급, 조사당국 판단 등 맥락적 정보를 함께 추출하고 검증하였다. 셋째, 구축된 사고 단위 자료를 활용하여 운전자 특성, 보행자 관련 여부, 사고 발생 공간, 사고 직전 페달 조작상황과 심각피해사고 간의 관련성을 탐색적으로 분석하였다. 이를 통해 본 연구는 LLM 기반 비정형 사고자료 구조화와 교통안전 실증분석을 결합한 방법론적 사례를 제시하였다.

Ⅱ. 선행연구 고찰

1. 급발진 주장 및 페달 오조작 의심 사고 관련 연구

급발진 주장 및 페달 오조작 의심 사고에서는 운전자의 사고 직후 진술, 조사당국의 페달 오조작 가능성 언급 및 판단이 서로 다른 내용으로 제시될 수 있다. 또한 각 정보는 주체와 출처, 확정 수준이 다르므로 이를 동일한 사고 원인 정보로 취급하기 어렵다. 일반적인 교통사고 분석에서는 사고유형, 법규위반, 피해규모와 같은 구조화된 항목을 중심으로 자료가 구축되지만, 급발진 주장이나 페달 오조작 의심과 같은 사고맥락 정보는 표준 사고분류만으로 명확히 식별되기 어렵다. 특히 급발진은 주로 운전자측의 주장으로 제기되는 반면, 페달 오조작은 경찰･사고조사기관･전문가의 조사 과정에서 가능성 또는 결과로 언급되는 경우가 많다. 따라서 이들 사고를 분석할 때에는 급발진과 페달 오조작을 확정된 원인변수로 취급하기보다, 사고기사나 조사자료에 나타난 주장, 언급, 판단을 구분하여 다룰 필요가 있다.

해외 연구와 사고조사 보고서들은 이러한 구분의 필요성을 잘 보여준다. 미국 NHTSA는 의도하지 않은 가속 및 페달 오조작 관련 사고에서 페달 배치, 브레이크･가속페달의 간격 및 높이 차이 등 차량 조작 인터페이스가 오조작 가능성과 관련될 수 있음을 분석하였다. 이는 페달 오조작이 단순한 운전자 부주의만으로 설명되기보다, 차량 설계와 운전자의 나이･신장 등에 따른 조작환경이 결합된 문제일 수 있음을 시사한다(Collins et al., 2015). 또한, 영국 TRL의 연구는 영국의 도로교통사고조사(RAIDS, Road Accident In-Depth Studies) 데이터베이스를 이용해 페달 오조작 사고의 발생 특성과 관련 요인을 분석하였으며, 고령 운전자, 여성 운전자, 자동변속 차량, 운전자 주의분산 및 질병 등이 페달 오조작 사례에서 중요하게 관찰되었다고 보고하였다(Ekambaram et al., 2023). 특히 보행자 등 교통약자와 관련될 경우 피해가 커질 수 있다는 점은 페달 오조작 사고를 단순 발생 여부가 아니라 사고심각도 관점에서 검토해야 함을 보여준다.

운전자 특성, 특히 고령화와 관련된 실험연구도 중요한 시사점을 제공한다. Hasegawa et al.(2020)은 고령 운전자가 의도하지 않은 가속 상황에서 오류를 인지하고 페달 조작을 전환‧교정하는 과정에 취약할 수 있음을 보였다. 또한, Hasegawa et al.(2021)은 실험을 통해 운전자가 다른 일로 주의가 분산된 뒤 다시 페달을 조작할 때, 주의가 끊긴 시간이 길수록 페달 오조작이 증가하며 이러한 경향이 고령 참가자에게 더 크게 나타남을 제시하였다. Fujita et al.(2025)는 고령 운전자의 페달 오조작이 인지 기능 저하뿐 아니라 고관절·무릎 관절의 움직임 범위와 하지의 운동 제어 능력과도 관련될 수 있음을 보였다. 이는 페달 오조작이 단순한 순간적 부주의만이 아니라, 운전자가 상황을 인지·판단하고 적절한 페달을 선택하거나 조작을 바로잡는 과정에서 발생할 수 있는 인지적·신체적 오류로 이해될 필요가 있음을 시사한다. 따라서 본 연구에서 고령운전자 여부, 사고 직전 페달 조작상황, 보행자 관련 여부를 주요 분석변수로 고려하는 것은 기존 연구의 논의와도 연결된다.

한편 페달 오조작 또는 의도하지 않은 가속 사고가 보행자와 관련될 경우 사고심각도는 크게 증가할 수 있다. 보행자는 차량 탑승자와 달리 충돌 시 물리적 보호장치가 거의 없으므로 차량 충돌속도와 충돌대상 특성에 따라 중상 또는 사망 위험이 급격히 증가한다(Tefft, 2013; Rosén and Sander, 2009). 세계보건기구(WHO, World Health Organization) 역시 전 세계 도로교통 사망자의 절반 이상이 보행자, 자전거 이용자, 이륜차 이용자 등 상대적으로 취약한 도로 이용자 그룹에 속하며, 보행자 보호시설, 안전속도 관리의 중요성을 강조한다(WHO, 2026). 따라서 급발진 주장 및 페달 오조작 의심 사고의 심각도 분석에서는 운전자 특성뿐 아니라 보행자 관련 여부와 충돌대상 등 피해구조를 함께 고려할 필요가 있다.

이상의 연구들은 급발진 주장 및 페달 오조작 의심 사고가 단순한 차량 결함 논쟁이나 운전자 부주의 문제로만 설명되기 어렵다는 점을 보여준다. 페달 오조작은 운전자 연령, 오류 인지 및 수정 능력, 저속 조작상황, 차량 조작 인터페이스와 관련될 수 있으며, 사고가 보행자 또는 보행자 활동공간과 관련될 경우 사고심각도가 크게 달라질 수 있다. 다만 이러한 사고유형은 공식 사고자료에서 독립된 코드로 명확히 식별되기 어려운 경우가 많으며, 급발진 주장과 페달 오조작 판단 역시 서로 다른 정보 출처와 조사 단계에서 제시된다. 따라서 해당 사고유형을 실증적으로 분석하기 위해서는 사고 내러티브나 뉴스기사와 같은 비정형 자료를 활용하여 주장, 언급, 판단을 구분하는 자료구축 절차가 필요하다.

2. 비정형 사고자료의 NLP 및 LLM 기반 구조화 연구

앞서 살펴본 바와 같이 급발진 주장 및 페달 오조작 의심 사고는 표준화된 사고분류만으로 식별하기 어렵고, 운전자나 목격자 진술, 조사당국 발표와 같은 서술적 정보에 의존하는 경우가 많다. 이러한 정보는 주로 사고 내러티브, 경찰의 조사 보고서, 뉴스기사와 같은 비정형 텍스트에 포함되어 있으므로, 이를 분석 가능한 구조화된 데이터로 전환하는 과정이 필요하다. 교통안전 분야에서 비정형 텍스트 자료는 사고 발생 맥락, 운전자 행동, 충돌상황, 사고원인 추정 등 정형 변수만으로는 포착하기 어려운 정보를 포함한다는 점에서 중요하다. 다만 자료는 문장 형태로 기록되어 있기 때문에, 연구에 활용하기 위해서는 NLP, 텍스트 마이닝, 최근에는 LLM을 활용한 정보추출 및 구조화 과정이 요구된다.

교통사고 내러티브를 사고심각도 분석에 활용하려는 연구는 이미 텍스트 마이닝과 머신러닝 분야에서 진행되어 왔다. Arteaga et al.(2020)은 호주 Queensland의 중차량 사고자료를 이용하여 사고 내러티브로부터 텍스트 정보를 추출하고, 이를 해석 가능한 머신러닝 기법과 결합하여 부상심각도 관련 요인을 분석하였다. 이 연구는 정형 사고자료만을 활용하는 기존 접근과 달리, 사고 개요서에 포함된 맥락적 정보가 사고심각도 분석에 기여할 수 있음을 보여주었다. 특히 텍스트 마이닝과 해석 가능한 머신러닝 기법을 결합함으로써 교통안전 분석가가 사고심각도와 관련된 요인을 이해할 수 있도록 설명 가능성을 확보했다는 점에서 의의가 있다. Li et al.(2024)은 사고 내러티브에서 구조적 토픽모형을 이용해 잠재 토픽을 추출하고, 이를 설명가능한 XGBoost 모형과 결합하여 사고심각도와의 관련성을 분석하였다. 이는 비정형 사고 내러티브가 단순한 보조정보가 아니라, 사고심각도와 관련된 맥락적 정보를 포함할 수 있음을 보여준다.

특정 사고유형의 식별에서도 NLP의 활용 가능성이 제시되어 왔다. Bareiss et al.(2021)은 BERT 기반 자연어처리 모델을 활용하여 사고 내러티브에서 페달 오조작 사고를 식별하는 방법을 제안하였다. 이 연구는 페달 오조작 사고가 표준 사고 코드만으로 충분히 포착되기 어렵고, 사고 개요서 또는 내러티브에 포함된 표현을 통해 식별해야 하는 경우가 많다는 점에 주목하였다. 미국의 심층 사고조사 자료와 주 단위 사고자료를 활용한 분석 결과는, 비정형 사고 텍스트가 발생빈도가 낮거나 사고맥락의 식별이 어려운 특수한 사고유형을 탐지하는 데 유용할 수 있음을 보여준다.

최근에는 기존의 키워드 기반 텍스트 마이닝이나 특정 태스크에 맞게 학습된 BERT 계열 모델을 넘어, LLM을 이용해 사고 내러티브에서 복수의 정보를 동시에 추출하려는 시도가 나타나고 있다. Mumtarin et al.(2023)은 ChatGPT, Bard, GPT-4와 같은 LLM이 사고 내러티브를 분류하거나 정보를 추출하는 데 어느 정도 활용 가능한지를 비교한 연구로, 교통안전 분야에서도 LLM 기반 사고 텍스트 분석의 가능성을 보여준다. 해당 연구는 사고 내러티브로부터 다양한 사고정보를 추출할 수 있으며, LLM의 발전에 따라 이러한 작업의 자동화 가능성을 검토할 필요가 있음을 제시하였다. 다른 최근 연구에서는 약 18,000건의 몽골 사고보고서를 대상으로 여러 LLM이 비정형 사고 내러티브에서 구조화된 정보를 추출하고 분류하는 성능을 비교한 사례도 보고되고 있다. 이는 LLM이 단일변수 분류를 넘어 사고자료 구축 과정 자체에 활용될 수 있음을 시사한다(Erdenesuren and Samdatsoodol, 2025).

그러나 LLM 기반 정보추출은 자동화 가능성과 함께 검증 필요성도 동시에 가진다. LLM은 문맥을 이해하고 다양한 표현을 표준화된 형식으로 변환하는 데 강점이 있지만, 원문에 없는 정보를 추정하거나, 서술문 내의 다양한 정보를 혼동하거나, 상대적 시간 표현을 잘못 해석하는 오류를 범할 수 있다. 특히 교통사고 분석에서는 사고일시, 피해규모, 충돌대상, 사고 원인 관련 진술과 추정･판단과 같이 분석 결과에 직접 영향을 미치는 정보가 많기 때문에, LLM 출력값을 그대로 분석자료로 사용하는 것은 위험할 수 있다. 따라서 LLM 기반 사고정보 추출 연구에서는 구조화된 출력 형식의 설계뿐 아니라, 수작업 검증, 변수별 정확도 평가, 오류 유형 분석 등이 함께 수행되어야 한다.

3. 기존 연구와의 차별성

기존 급발진 주장 및 페달 오조작 사고 관련 연구는 주로 사고 발생 메커니즘, 운전자 특성, 차량 조작환경, 사고조사 결과를 중심으로 논의되어 왔다. 이러한 연구들은 페달 오조작 사고의 발생 가능성과 운전자･차량 요인에 대한 중요한 근거를 제공하지만, 주로 페달 오조작이라는 사고유형의 발생 특성이나 조작 오류 메커니즘에 초점을 둔다는 한계가 있다. 특히 급발진 주장, 페달 오조작 의심･판단을 구분하여 사고자료를 구축하고, 이를 사고심각도 분석과 연결한 연구는 제한적이다.

또한, 기존 교통안전 분야에서는 사고 내러티브, 사고보고서 등 비정형 텍스트를 활용한 NLP 기반 연구가 수행되어 왔다. 그러나 뉴스기사와 같은 공개 비정형 자료를 이용해 급발진 주장 및 페달 오조작 의심 사고를 사고 단위로 구조화하고, 추출 결과를 검증한 뒤 사고심각도 분석에 활용한 연구는 아직 충분하지 않은 것으로 보인다.

본 연구의 차별성은 세 가지이다. 첫째, 공식 교통사고 DB에서 별도 식별이 어려운 급발진 주장 및 페달 오조작 의심 사고를 뉴스기사 기반으로 수집･구조화하였다. 둘째, 급발진은 운전자의 주장으로, 페달 오조작은 기사나 조사당국의 언급 및 판단으로 구분하여 코딩함으로써 사고 원인 해석의 불확실성을 관리하였다. 셋째, LLM을 활용해 뉴스기사 원문에서 사고일시, 장소유형, 운전자 특성, 충돌대상, 피해규모, 진술 및 판단 정보를 구조화된 변수로 추출하고, 이를 기사 원문과 비교 검증하여 추출 성능을 정량적으로 평가하였다. 이를 통해 본 연구는 LLM 기반 비정형 사고자료 구조화와 사고심각도 탐색분석을 결합한 방법론적 사례를 제시한다.

Ⅲ. 데이터 및 방법론

본 연구의 전체 분석 절차는 <Fig. 1>과 같다. 먼저 뉴스기사 자료를 수집한 후, 비관련 기사와 중복 보도를 제외하고 동일 사고 단위로 그룹화하였다. 이후 OpenAI API를 이용하여 기사 원문으로부터 사고정보를 JSON(JavaScript Object Notation) 형식으로 추출하고, 수작업 검증과 사고 단위 통합을 거쳐 분석 DB를 구축하였다. 마지막으로 주요 변수를 사고심각도 분석에 적합하도록 재구성한 후, 사고특성 분석과 이항 로지스틱 회귀모형을 이용한 사고심각도 분석을 수행하였다.

<Fig. 1>

Workflow for LLM-based crash data structuring and injury severity analysis

1. 뉴스기사 수집 및 전처리

본 연구에서는 급발진 주장 및 페달 오조작 사고에 관한 비정형 텍스트 자료를 수집하기 위해 한국언론진흥재단의 뉴스빅데이터 분석서비스인 빅카인즈(BIGKinds)의 뉴스검색·분석 기능을 이용하였다. 분석대상 기간은 2024년부터 2025년까지이며, 국내 104개 신문·방송 매체에서 보도된 사회 및 지역 분야 기사 중 국내에서 발생한 ‘노상사고’ 관련 뉴스기사를 1차 수집 대상으로 설정하였다. 이를 통해 총 14,437개 기사(2024년 7,791개, 2025년 6,646개)의 보도일자, 제목, 세부 분류, 기사원문 URL 등을 수집하고, 해당 URL을 기반으로 기사 원문을 확보하였다.

이후 급발진 주장 및 페달 오조작 의심 사고와 관련된 기사를 선별하기 위해 기사 제목 또는 본문에 ‘급발진’, ‘페달’, ‘오조작’, ‘돌진’ 중 하나 이상의 키워드가 포함된 기사를 추출하였다. 이 과정을 통해 3,477개 기사(2024년 1,339개, 2025년 2,138개)가 1차 선별되었다. 다음으로 빅카인즈의 사건·사고 분류 정보와 기사 본문을 검토하여 교통사고와 무관한 범죄 사건, 화재·폭발 관련 산업사고, 또는 철도·해상 사고 관련 기사 등을 제외하였다. 또한, 기사 내용상 교통사고 발생일이 본 연구의 시간적 범위인 2024~2025년을 벗어나는 과거 사고 기사도 제외하였다. 그 결과 3,025개 기사(2024년 1,306개, 2025년 1,719개)가 교통사고 관련 후보 기사로 정리되었다.

마지막으로 사고 발생일시, 사고장소, 운전자 특성, 차량종류, 피해규모, 사고상황 등을 기준으로 동일 사고를 다룬 복수의 뉴스기사를 사고 단위로 그룹화하였다. 동일 사고에 관해 여러 기사가 존재하는 경우, 해당 기사들은 하나의 사고 ID로 묶었다. 이때 모든 중복기사를 일괄적으로 제외하지 않고, 사고정보 보완 가능성을 기준으로 기사 수준의 2차 정제를 수행하였다. 구체적으로 본문 내용이 같거나 거의 동일한 단순 재보도, 여러 사건·사고를 단신 형식으로 함께 보도하면서 구체적인 개별사고 정보를 제공하지 않는 기사, 급발진 및 페달 오조작 의심 사고의 최근 발생 추세나 제도 개선을 주된 내용으로 다루면서 과거 사고를 간략히 언급한 기사는 제외하였다. 반면 피해규모, 운전자 또는 목격자 진술, 경찰·소방·국립과학수사연구소 등 조사당국의 발표 또는 판단, 사고장소 및 사고상황에 관한 추가 정보를 제공하는 후속 보도는 사고정보 보완자료로 유지하였다.

그 결과 2024~2025년 기간 동안 급발진 주장 및 페달 오조작 언급 또는 페달 오조작 판단 중 하나 이상이 확인된 사고 163건과 관련된 뉴스기사 1,736개(2024년 806개, 2025년 930개)가 최종 관련 기사 군으로 구축되었다. 본 연구는 먼저 1,736개 기사 전체를 대상으로 LLM 기반 사고정보 추출을 수행하였다. 이후 동일 사고에 속하는 복수 기사에서 추출된 정보를 사고 ID 기준으로 비교·통합하였고, 사고일시·장소·피해규모·진술 및 조사당국 판단 등이 가장 구체적으로 제시된 정보를 중심으로 사고 단위 DB를 구축하였다. 따라서 LLM 정보추출의 입력 단위는 기사 단위였으나, 사고특성 분석과 사고심각도 분석의 최종 관측 단위는 사고 단위로 통합된 163건이다.

2. LLM 기반 사고정보 추출 체계 및 주요 변수 정의

본 연구는 뉴스기사 원문에 포함된 비정형 사고정보를 분석 가능한 자료로 구조화하기 위해 ChatGPT API를 이용한 LLM 기반 정보추출 절차를 적용하였으며, 정보추출에는 gpt-5.4-mini 모델을 사용하였다. 해당 모델은 대량의 뉴스기사 원문을 대상으로 사고정보를 반복적으로 추출해야 하는 연구 특성을 고려할 때, JSON 형식의 구조화된 출력, 처리 속도, 비용 효율성 측면에서 적합하다고 판단하였다. 정보추출의 기본 단위는 개별 뉴스기사로서, 최종 관련 기사군 1,736개를 대상으로 각 기사 보도일자와 기사 본문을 입력하고, 사고정보를 JSON 형식으로 추출하였다. 기사 보도일자는 “어제”, “지난 28일”과 같은 상대적 날짜 표현을 해석하기 위한 보조 정보로 활용하였다.

프롬프트는 사고심각도 분석에 필요한 핵심 정보를 일관된 형식으로 추출하도록 설계하였다. LLM에는 기사에 명시적으로 확인되는 정보만 사용하고, 본문에 없는 내용은 추정하지 않도록 지시하였다. 특히 급발진 주장 및 페달 오조작 의심 사고는 사고 원인 해석이 민감하므로, LLM이 사고 원인을 확정적으로 판단하지 않도록 하였다. 급발진은 운전자 또는 관계자가 주장한 경우에만 “급발진 주장”으로 코딩하였고, 페달 오조작은 기사 또는 조사당국이 가능성을 언급한 경우와 조사 결과로 판단한 경우를 구분하였다. 또한, 운전자 진술, 목격자 진술, 조사당국 발표 및 판단결과를 별도 항목으로 추출하여 사고 직후의 주장과 조사 이후의 판단이 혼재되지 않도록 하였다.

LLM 기반 정보추출의 일관성과 재현성을 확보하기 위해 본 연구에서는 모든 기사에 동일한 프롬프트를 적용하였다. 프롬프트는 입력자료, 일반 추출 원칙, 피해규모 산정 규칙, 주장·진술·판단 구분 기준, JSON key 별 코딩 기준으로 구성하였다. 특히 피해규모는 사망자수, 중상자수, 경상자수, 부상정도 미상자수, 총부상자수 간의 정합성이 유지되도록 산정 규칙을 제시하였다. 예를 들어 “3명이 다쳤고 이 중 1명이 중상”인 경우 총부상자수는 3명, 중상자수는 1명, 부상정도 미상자수는 2명으로 코딩하도록 하였다. 전체 프롬프트 전문은 연구의 재현성을 위해 부록에 수록하였다.

LLM을 통해 추출한 변수는 사고 기본정보, 운전자 및 차량 정보, 사고장소 및 사고상황, 충돌대상, 피해규모, 급발진·페달 오조작 관련 정보, 진술 및 조사정보, 품질관리 정보로 구성된다. 사고 기본정보에는 사고일시, 사고장소 원문, 행정구역(시군구)이 포함되며, 운전자 및 차량 정보에는 운전자 연령대, 고령운전자 여부, 운전자 성별, 차량종류가 포함된다. 사고장소 및 상황 정보는 장소유형, 장소유형 원문, 사고상황 요약, 주행 동작으로 구성하였고, 충돌정보는 충돌대상, 충돌대상 원문, 보행자 관련 여부로 구성하였다. 피해규모는 사망자수, 중상자수, 경상자수, 부상정도 미상자수, 총부상자수로 구분하였다.

본 연구의 주요 분석변수는 <Table 1>과 같이 정의하였다. 고령운전자 여부는 기사에서 운전자가 65세 이상으로 확인되는 경우 1로 코딩하였다. 기사에서 70대 또는 80대와 같이 연령대만 제시된 경우에도 고령운전자로 판정하였다. 다만 “60대”로 기사에서 언급된 경우에는 관련 법상 고령운전자의 기준 연령인 65세 이상 또는 미만일 가능성이 함께 존재하므로 unknown으로 코딩하였다. 보행자 관련 여부는 보행자, 행인, 인도에 있던 사람 등이 피해자 또는 직접 관련자로 제시된 경우 1로 코딩하였다. 심각피해사고 여부는 사망자 또는 중상자가 1명 이상 발생한 사고를 1로 정의하였고, 경상사고나 부상자가 발생하지 않은 사고는 0으로 정의하였다.

급발진 주장 및 페달 오조작 관련 변수는 정보의 성격에 따라 구분하였다. 급발진 주장 여부는 운전자, 탑승자, 가족, 관계자 등이 급발진 또는 차량 이상을 주장한 경우 1로 코딩하였다. 다만 단순히 차량이 “갑자기 돌진했다”라는 사고상황 설명만 있는 경우에는 급발진 주장으로 보지 않았다. 페달 오조작 언급 여부는 기사, 경찰, 전문가 등이 브레이크와 가속페달 착각, 가속페달 오조작, 페달 오인 가능성 등을 언급한 경우 1로 코딩하였다. 페달 오조작 판단 여부는 조사당국의 공식 발표 또는 조사 결과에서 페달 오조작으로 판단 또는 확인된 경우에만 1로 코딩하였다.

장소유형, 주행동작, 충돌대상 등 범주형 변수는 기사 표현을 표준화하여 코딩하였다. 장소유형은 일반도로, 교차로, 주차장, 건물·상가, 인도·도로변, 시장주변 등으로 구분하였고, 주행동작은 출발, 주차, 후진, 주행, 정차, 회전 등으로 구분하였다. 충돌대상은 보행자, 차량, 가로수, 건물, 상점, 시설물 등으로 분류하였다. 또한, 장소유형과 충돌대상에 대해서는 LLM이 해당 분류를 판단하는 데 사용한 원문 표현을 별도로 저장하여 수작업 검증과 오류 검토에 활용하였다.

마지막으로 LLM 추출 결과의 품질관리를 위해 불확실성 등급과 그 근거를 함께 추출하였다. 불확실성 등급은 기사에 제시된 핵심 정보의 명확성에 따라 낮음, 보통, 높음으로 구분하였다. 다만 이는 LLM의 자체 판단이므로 최종 분석변수로 직접 활용하기보다는 수작업 검토가 필요한 사례를 식별하는 보조지표로 사용하였다. 동일 사고에 관한 복수 기사에서 추출된 결과는 사고 ID를 기준으로 비교하였으며, 피해규모, 진술, 조사당국 발표 등 사고정보가 더 구체적으로 제시된 내용을 중심으로 사고 단위 DB를 구축하였다.

3. LLM 추출 결과 검증 방법

LLM 기반 정보추출 결과의 신뢰성을 평가하기 위해, 본 연구에서는 최종 분석대상 사고 163건에 대한 검증 절차를 적용하였다. 검증은 연구자가 각 사고의 기사 원문을 확인하여 변수별 기준값을 정리하고, 이를 LLM 추출 값과 비교하는 방식으로 구성되었다. 검증 대상 변수는 사고일시, 행정구역, 장소유형, 운전자 연령대, 고령운전자 여부, 운전자 성별, 차량종류, 주행동작, 충돌대상, 보행자 관련 여부, 피해규모, 심각피해사고 여부, 급발진 주장 여부, 페달 오조작 가능성 언급 여부, 페달 오조작 판단 여부 등 사고특성 및 사고심각도 분석에 활용되는 주요 변수로 구성한다. 변수별로 LLM 추출 값과 검증 값의 일치 여부를 기록하고, 이를 이용하여 변수별 일치율을 산정한다.

<Table 2>와 같이 변수 유형에 따라 검증지표는 다르게 적용하였다. 텍스트형 및 범주형 변수에는 일치율을 적용하고, 이항변수에는 accuracy, precision, recall, F1-score를 산출한다. Accuracy는 전체 검증 사례 중 LLM 추출 값과 검증 값이 일치한 비율이며, 기술적으로 텍스트형 및 범주형 변수의 일치율과 산정방법이 동일하다. Precision은 LLM이 특정 범주에 해당한다고 추출한 사례 중 검증에서도 해당 범주로 확인된 비율이다. Recall은 검증에서 해당 범주로 확인된 사례 중 LLM이 이를 올바르게 분류한 비율이며, F1-score는 precision과 recall의 조화평균으로 정의한다. 수치형 피해규모 변수에는 일치율과 평균절대오차(MAE; Mean Absolute Error)를 함께 적용하였다. 검증과정에서는 기사 원문에 명시된 정보만을 기준값으로 사용하며, 원문에 없는 정보를 LLM이 추정한 경우는 오류로 처리하였다. 반면 LLM과 검증 값이 모두 ‘unknown’인 경우는 일치율 산정에서 일치로 처리한다. 급발진 주장 여부는 운전자 또는 관계자의 명시적 주장이 있는 경우에만 1로 검증하고, 페달 오조작 판단 여부는 조사당국의 공식 발표 또는 조사 결과가 기사에서 확인된 경우에만 1로 검증한다.

4. 사고특성 및 사고심각도 분석 방법

본 연구에서는 수작업 검증을 거쳐 구축한 사고 단위 자료 163건을 이용하여 급발진 주장 및 페달 오조작 의심 사고의 일반적 특성과 사고심각도 관련 요인을 분석하였다. 먼저 사고특성 분석에서는 연도별 사고 수, 운전자 연령대, 고령운전자 여부, 운전자 성별, 차량종류, 장소유형 등 주요 추출 항목에 대한 빈도분석을 수행하였다. 이를 통해 분석대상 사고가 어떤 운전자 집단, 장소, 차량 조작상황, 충돌대상, 부상심각도에서 주로 나타나는지를 파악한다. 부상심각도는 기술통계 단계에서 사망사고, 부상사고, 물적피해 사고로 구분하며, 부상사고에는 중상, 경상, 부상정도 미상 사고를 포함한다.

사고심각도 요인 분석에 앞서, LLM 기반 추출자료를 회귀모형 추정에 적합한 사고 단위 분석자료로 재구성하였다. 회귀모형 추정에는 LLM 추출 값을 직접 사용하는 대신, 기사 원문과 비교한 검증 값을 최종 분석변수로 사용하였다. 동일 사고에 대해 복수의 뉴스기사가 존재하는 경우에는 사고 ID를 기준으로 기사별 추출 값을 비교하였으며, 특정 기사에서 unknown으로 추출된 정보라도 동일 사고의 다른 기사 원문에서 명시적으로 확인되는 경우에는 해당 정보를 최종 사고 단위 DB에 반영하였다. 이는 통계적 결측값 대체가 아니라 동일 사고 관련 기사 군을 활용한 정보 보강 절차로 수행하였다. 반면 다른 기사에서도 명시적으로 확인되지 않는 정보는 unknown 값으로 유지하였다.

회귀모형에 투입되는 변수는 표본 규모, 범주별 빈도, 선행연구와의 관련성, 사고 메커니즘 상의 해석 가능성을 고려하여 일부 재구성하였다. 운전자 연령은 뉴스기사에서 정확한 나이보다 “60대”와 같은 연령대로 제시되는 경우가 많으므로, 회귀모형에서는 60대 이상 운전자 여부로 재구성하였다. 장소유형은 세부 범주의 빈도가 제한적인 점을 고려하여 도로 주행공간(일반도로, 교차로, 인도·도로변 포함), 보행자 활동공간(주차장, 건물·상가, 시장 주변 등), 기타 장소의 세 범주로 통합하였다. 또한, 차량 조작상황은 페달 조작의 메커니즘을 반영하기 위해 출발 조작, 저속 정밀조작(주차·후진), 감속·정지 필요상황(주행·회전·정차)으로 재분류하였다.

사고심각도 요인 분석에서는 사망 또는 중상 피해가 발생한 사고를 심각피해사고로 정의하고, 경상 또는 물적피해 사고를 비심각피해사고로 구분하였다. 부상자가 발생했으나 중상·경상 여부가 확인되지 않는 사고는 종속변수의 오 분류 가능성을 줄이기 위해 사고심각도 모형 분석에서는 제외하였다. 또한, 동일 사고기사 군을 활용한 정보 보강 이후에도 종속변수 또는 주요 설명변수에 결측값이 남아 있는 사례는 listwise deletion 방식으로 제외하였다. 이에 따라 최종 이항 로지스틱 회귀모형은 심각피해사고와 비심각피해사고의 구분 및 주요 설명변수 값이 모두 확인된 사고를 대상으로 추정하였다.

심각피해사고와 관련된 요인을 탐색에는 이항 로지스틱 회귀모형을 적용한다. 종속변수 Y_i는 사고 i가 심각피해사고인 경우 1, 비심각피해사고인 경우 0의 값을 갖는다. 최종모형의 설명변수는 선행연구, 기초분석 결과, 표본 규모를 고려하여 선정하였으며, 60대 이상 운전자 여부, 운전자 성별, 보행자 관련 여부, 장소유형, 페달 조작상황으로 구성하였다. 페달 조작상황은 단순한 주행동작이 아니라 사고 직전 운전자가 요구받은 페달 조작 맥락을 반영하기 위한 변수로 사용하였다.

이항 로지스틱 회귀모형의 형태는 다음과 같다.

여기서 P(Y_i=1)은 사고 i가 심각피해사고일 확률을 의미하며, X_i는 사고 i의 운전자, 장소, 주행동작, 충돌대상 등 사고특성 변수를 의미한다. 모형 추정 결과 중 회귀계수와 오즈비(odds ratio)를 이용해 각 변수와 사고심각도 간 관계를 규명하였다. 다만 본 연구의 사고심각도 분석은 뉴스기사 기반 자료를 활용한 탐색적 분석이므로, 추정 결과는 특정 요인의 인과효과가 아니라 분석대상 사고군 내에서 관찰되는 관련성으로 해석하였다.

Ⅳ. 분석 결과

1. LLM 기반 사고정보 추출 성능 검증 결과

앞서 제시한 검증 절차에 따라 LLM 기반 사고정보 추출 결과의 신뢰성을 평가하였다. <Table 3>은 분석대상 사고 163건에 대한 추출성능 검증 결과를 보여준다. 전반적으로 LLM은 뉴스기사에 명시적으로 제시된 사고정보를 높은 수준으로 추출한 것으로 나타났다. 사고발생 시군구의 일치율은 0.99, 장소유형은 0.98, 운전자 연령대는 0.99로 나타났으며, 차량종류, 주행동작, 충돌대상은 각각 0.94의 일치율을 보였다. 이는 LLM이 기사 본문에 포함된 사고 위치, 운전자 특성, 차량 및 사고상황 정보를 비교적 안정적으로 구조화할 수 있음을 보여준다. 특히 장소유형과 충돌대상은 기사마다 표현 방식이 다양함에도 불구하고 각각 0.98, 0.94의 일치율을 보여, 본 연구에서 설정한 분류체계에 따라 비교적 일관되게 정보가 추출된 것으로 판단된다.

이항변수의 경우에도 전반적으로 높은 성능이 확인되었다. 고령운전자 여부는 accuracy 0.92, precision 0.94, recall 1.00, F1-score 0.97로 나타났다. 이는 검증과정에서 고령운전자로 확인된 사례를 LLM이 거의 누락 없이 식별하였음을 의미한다. 다만 accuracy가 다른 변수에 비해 다소 낮은 것은 도로교통법상 고령운전자의 기준 연령이 만 65세임에도 불구하고 기사에서는 정확한 연령이 명시되지 않고 ‘60대’로 표현된 경우가 다수 존재하기 때문으로 볼 수 있다. 운전자 성별은 accuracy 0.96, precision 0.98, recall 0.98, F1-score 0.93으로 나타났다. 성별 변수의 recall은 높았으나 precision이 상대적으로 낮았는데, 이는 원문에 성별 정보가 명확히 제시되지 않은 경우에도 LLM이 피해자의 성별을 오인식하거나, 단일 기사에서 다수의 사고를 단신 형식으로 보도한 경우 다른 사고 운전자의 성별을 잘못 추정한 사례가 있었기 때문으로 보인다.

보행자 관련 여부는 accuracy, precision, recall, F1-score 모두 1.00으로 나타나 가장 높은 성능을 보였다. 이는 뉴스기사에서 보행자 관련 사고 여부가 비교적 명확하게 표현되는 경우가 많고, LLM이 이를 안정적으로 식별할 수 있음을 의미한다. 사고심각도 분석의 종속변수로 활용할 수 있는 심각피해사고 여부 역시 precision 0.98, recall 1.00, F1-score 0.99로 나타나, 사망 또는 중상 피해가 명시된 사고를 식별하는 성능은 우수한 것으로 확인되었다. 다만 해당 변수의 accuracy는 0.73으로 다른 이항변수에 비해 낮게 나타났다. 이는 LLM이 사망자수와 중상자수를 직접 추출하는 성능이 낮았기 때문이라기보다, 심각피해사고 여부를 산정하는 프롬프트 규칙이 부상정도 미상 사례를 충분히 엄밀하게 처리하지 못했기 때문이다. 구체적으로, 사망자 또는 부상자가 명시되지 않았더라도 부상자가 발생하고 그 부상정도가 확인되지 않은 경우에는 심각피해 여부를 unknown으로 처리해야 하나, 일부 사례에서 이러한 사고가 비심각피해사고로 분류되었다. 이에 본 연구에서는 사고심각도 분석 시 LLM이 초기 추출한 심각피해사고 여부를 그대로 사용하지 않고, 검증을 통해 확인한 피해규모 정보를 기준으로 종속변수를 재구성하였다. 이는 해당 변수의 낮은 accuracy가 LLM의 전반적 정보추출 성능 문제라기보다, 부상정도 미상 사례에 대한 프롬프트 규칙이 충분히 정밀하지 않았기 때문임을 보여준다. 따라서 LLM 기반 사고정보 추출에서는 변수 정의와 예외상황 처리 기준을 프롬프트에 명확히 반영하고, 추출 결과에 대한 검증과 보정 절차를 병행할 필요가 있다.

연구대상 사고를 식별하는 핵심 변수인 급발진 주장 여부와 페달 오조작 추정 여부도 높은 성능을 보였다. 급발진 주장 여부는 accuracy 0.97, precision 0.95, recall 1.00, F1-score 0.98로 나타났다. 이는 원문에 급발진 주장이 포함된 사고를 LLM이 거의 누락 없이 포착했음을 의미한다. 다만 precision이 1.00보다 낮게 나타난 것은 일부 기사에서 “차량이 갑자기 돌진했다”와 같은 표현을 급발진 주장으로 다소 넓게 해석한 사례가 있었기 때문으로 보인다. 반면 페달 오조작 추정 여부는 모든 성능지표가 모두 1.00으로 나타나, 기사에 명시적으로 제시된 페달 오조작 관련 표현을 매우 정확하게 식별한 것으로 확인되었다.

피해규모와 관련된 수치형 변수 역시 대체로 높은 정확도를 보였다. 사망자수의 일치율은 0.99, 중상자수는 0.97, 경상자수는 0.98, 총부상자수는 0.94로 나타났다. 평균절대오차(MAE)는 사망자수 0.01명, 중상자수 0.09명, 경상자수 0.05명, 총부상자수 0.06명으로 매우 낮았다. 이는 LLM이 기사에 제시된 인적 피해규모를 비교적 정확하게 구조화할 수 있음을 의미한다. 다만 부상정도 미상자수는 일치율 0.91, MAE 0.18명으로 다른 피해규모 변수보다 상대적으로 낮은 성능을 보였다. 이는 기사에서 “중경상 4명”과 같이 세부 부상정도가 혼재되어 표현된 경우를 “중상”으로 분류하거나 “택시 기사와 행인 등 2명이 인근 병원에 옮겨졌으나 행인은 결국 사망”의 표현에서 병원 후송 인원 중 사망자를 제외한 나머지 인원을 부상으로 인식하지 못하는 사례 등이 발생하였기 때문으로 판단된다.

한편 사고일시는 일치율이 0.77로 다른 변수에 비해 낮게 나타났다. 이처럼 낮은 성능을 대부분 발생 일자는 정확하게 추출했지만 “오전 8시께”, “오후 3시께”와 같은 표현에서 시간 정보를 추출하지 못한 경우가 다수 나타났고, “지난달”과 같은 표현을 기사 원문에 포함된 발행일시 텍스트와 연계하여 기사발행일로부터 정확히 한 달 전 일자로 잘못 추론한 경우가 나타났기 때문이다. 이는 LLM API 연계하여 정보 추출 시 사고발생일시 추출에 관한 프롬프트를 명확하게 제시하지 않은 것이 주된 원인으로 판단된다. 따라서 사고일시는 LLM이 정보를 추출할 때 정확한 형식을 따르도록 명확한 지침을 프롬프트로 제시하고, 국문 표현에서 날짜 및 시각에 관한 다양한 표현을 예로 제공할 필요가 있다.

종합하면, LLM은 뉴스기사 원문에서 사고심각도 분석에 필요한 핵심 정보를 대체로 높은 정확도로 추출하였다. 특히, 시군구, 장소유형, 운전자 연령대, 보행자 관련 여부, 중상이상 사고 여부, 급발진 주장 여부, 페달 오조작 추정 여부 등 주요 변수에서 높은 성능이 확인되었다. 반면 사고일시, 부상정도 미상자수, 운전자 성별과 같이 기사 표현의 모호성이나 정보 부재의 영향을 크게 받는 변수에서는 상대적으로 낮은 성능 또는 일부 추정 오류가 나타났다. 이에 본 연구에서는 LLM 추출 결과를 최종 분석자료로 직접 사용하는 것이 아니라, 검증과정을 거쳐 핵심 변수의 값을 확정한 후 사고특성 및 사고심각도 분석에 활용하였다.

2. 급발진 주장 및 페달 오조작 의심 사고 특성

2024년과 2025년 뉴스기사에서 보도된 사고 중 급발진 주장이 포함되었거나, 페달 오조작 가능성이 언급되었거나, 조사당국이 페달 오조작으로 판단한 사고 총 163건을 대상으로 사고의 일반적 특성을 분석하였다.

<Table 4>에 나타낸 바와 같이 급발진 주장 사고와 페달 오조작 의심 사고는 각각 전체 표본의 71.8%(117건), 52.8%(86건)로 집계되었다. 다만 급발진 주장, 페달 오조작 의심 또는 판단은 상호배타적 범주가 아니라 하나의 사고에서 운전자의 급발진 주장과 조사당국의 페달 오조작 가능성 언급이 동시에 나타날 수 있다. 따라서 본 연구에서는 이들 변수를 사고원인 확정 변수가 아니라 기사에 나타난 주장, 언급, 판단의 유형을 구분하는 변수로 해석하였다.

<Table 5>의 분석대상 사고의 운전자 특성을 살펴보면, 고령운전자가 전체 사고에서 상당한 비중을 차지하는 것으로 나타났다. 특히 70대 이상 운전자가 관련된 사고가 다수 확인되었으며, 이는 급발진 주장 및 페달 오조작 의심 사고가 고령운전자의 안전 문제와 밀접하게 관련될 가능성을 보여준다. <Table 6>은 분석대상 사고에서 가해차량(제1 당사자)의 차종 비율을 나타낸다. 차량종류는 승용차가 가장 높은 비중을 차지하였고, 이외에도 SUV, 택시, 화물차 등이 일부 포함되었다. 다만 뉴스기사 자료의 특성상 운전자 성별이나 차량 세부정보가 명확히 제시되지 않은 사례도 존재하였다.

사고 장소 및 상황 측면에서는 일반도로뿐 아니라 인도･도로변, 건물･상가, 주차장 등 보행자와 시설물이 밀집한 공간에서 발생한 사고가 다수 확인되었다(<Table 7> 참고). 이는 급발진 주장 및 페달 오조작 의심 사고가 일반적인 차대차 충돌보다 차량이 도로 외부 공간이나 보행자 활동공간으로 돌진하는 형태로 나타날 수 있음을 의미한다. <Table 8>의 주행동작의 경우 주행 중 사고뿐 아니라 출발, 주차, 후진 등 저속 조작상황에서 빈번하게 발생하는 것으로 확인되었다. 이러한 결과는 페달 오조작 사고가 차량의 초기 출발 및 주차장 등 저속 조작상황에서 나타날 수 있으며, 많은 경우 운전자가 제동 대신 가속한 상황과 관련된다는 기존 연구의 논의와 부합한다(Ekambaram et al., 2023; Hirakawa, 2017).

<Table 9>, <Table 10>은 각각 충돌대상과 사고심각도별 빈도와 비율을 나타낸다. 충돌대상은 차량, 보행자, 가로수, 건물, 상점, 시설물 등으로 다양하게 나타났다. 특히 보행자 관련 사고가 일정 비중을 차지하였으며, 이러한 사고는 단순 물적피해를 넘어 중상 또는 사망 피해로 이어질 가능성이 높다. 이에 따라 본 연구에서는 보행자 관련 여부를 사고심각도 분석의 주요 설명변수 중 하나로 고려하였다. 또한, 건물･상가 또는 인도･도로변으로의 돌진 사고는 사고 발생 공간의 특성상 주변 보행자, 상가 이용자, 시설물 피해가 동시에 발생할 수 있어 정책적 관심이 필요한 사고유형으로 판단된다.

사고심각도 분포를 살펴보면, 사망 또는 중상 피해가 발생한 사고가 전체 사고 중 상당한 비중을 차지하였다. 이는 본 연구의 분석대상이 뉴스기사에 보도된 사고라는 점과 관련될 수 있다. 일반적으로 뉴스기사는 사회적 관심이 높거나 인명피해가 큰 사고를 상대적으로 많이 보도할 가능성이 있으므로, 본 자료가 전체 급발진 주장 또는 페달 오조작 의심 사고를 대표한다고 해석하기는 어렵다. 그럼에도 불구하고 본 연구는 공식 교통사고 DB에서 별도로 식별하기 어려운 사고유형에 대해 뉴스기사 기반으로 사고정보를 구조화하고, 그 피해 양상을 탐색적으로 제시한다는 점에서 의의가 있다.

마지막으로 사고심각도에 따라 사고 특성을 비교하였다. 본 연구에서는 사망자 또는 중상자가 발생한 사고를 심각피해사고로 정의하였으며, 경상 또는 부상자 없음 사고를 비심각피해사고로 정의하였다. 비교 결과, 보행자 관련 사고, 인도･도로변, 건물･상가, 또는 시장 주변 사고에서 중상해 이상의 심각피해 비율이 상대적으로 높게 나타났다. 이는 차량이 보행자 활동공간으로 돌진하는 사고가 중상 또는 사망 피해로 이어질 가능성이 있음을 시사한다. 또한, 고령운전자 관련 사고에서도 심각피해사고의 비율이 상대적으로 높게 관찰되었다. 다만 이러한 결과는 뉴스기사 기반 자료에서 관찰된 탐색적 관련성이며, 특정 요인이 사고심각도를 증가시키는 인과효과로 해석하는 것에는 주의가 요구된다.

3. 사고심각도 요인 분석 결과

사고심각도 요인 분석에 앞서, LLM 기반 추출자료를 회귀모형 추정에 적합한 사고 단위 분석자료로 재구성하였다. 본 연구에서는 LLM 추출 값을 직접 사용하지 않고, 검증을 통해 확정한 값을 최종 입력자료로 사용하였다. 또한, 안정적인 모형 추정을 위하여 제한된 표본 크기를 최대한 확보하고자 각 요인변수의 unknown 값은 동일 사고의 다른 기사 원문에서 명시적으로 확인되는 경우 해당 정보를 최종 입력자료에 반영하였다.

또한, 회귀모형에 투입되는 변수는 표본 규모와 해석 가능성을 고려하여 일부를 재구성하였다. 운전자 연령은 기사에서 연령대 단위로 보도되는 특성을 고려하여 60대 이상 여부로 변환하였다. 장소유형은 세부 범주의 빈도가 제한적이므로 도로 주행공간(일반도로, 교차로, 인도·도로변), 보행자 활동공간(주차장, 건물·상가, 시장주변), 기타 장소로 통합하였다. 페달 조작상황은 페달 오조작의 조작 메커니즘을 반영하기 위해 출발 조작, 저속 정밀조작(주차, 후진), 감속·정지 필요상황(주행, 회전, 정차)으로 구분하였다. 이러한 자료 보완 이후에도 주요 변수에 unknown 값이 남아 있는 사고 11건은 회귀모형 추정에서 제외하였다.

급발진 주장 및 페달 오조작 의심 사고의 심각도 요인을 탐색하기 위해 이항 로지스틱 회귀모형을 추정하였으며, 추정 결과는 <Table 11>과 같다. 종속변수는 사망자 또는 중상자가 1명 이상 발생한 심각피해사고 여부이며, 설명변수로는 60대 이상 운전자 여부, 운전자 성별, 보행자 관련 여부, 장소유형, 페달 조작상황을 포함하였다. 최종모형의 AIC는 176.126으로 나타났으며, McFadden’s pseudo R²는 0.237, ROC-AUC는 0.811로 나타났다. 이는 모형이 심각피해사고와 비심각피해사고를 구분하는 데 일정 수준의 설명력과 판별력을 보임을 의미한다. 또한, Hosmer-Lemeshow 검정 결과, g=5 기준의 p-value가 0.522로 나타나 모형의 예측값과 관측값 간에 유의한 불일치가 있다고 볼 근거는 확인되지 않았다.

모형추정 결과, 보행자 관련 여부는 심각피해사고와 가장 강한 관련성을 보였다. 다른 변수들을 통제한 상태에서 보행자 관련 사고의 심각피해사고 오즈(odds)는 보행자 비관련 사고보다 약 9.18배 높게 나타났다(OR=9.177, 95% CI: 3.823~24.387, p<0.001). 60대 이상 운전자 여부는 음(-)의 방향으로 유의하게 추정되었다(OR=0.352, p=0.034). 이는 분석대상 사고군에서 60대 이상 운전자가 높은 비중을 차지하더라도, 심각피해 여부가 단순히 운전자 연령에 따라 증가한다고 해석하기는 어렵다는 점을 보여준다. 즉, 급발진 주장 및 페달 오조작 의심 사고의 심각피해는 운전자 연령 자체보다 사고가 보행자 피해로 연결되는지 여부와 더 밀접하게 관련될 수 있다.

반면 운전자 성별, 장소유형, 페달 조작상황은 통계적으로 유의하지 않았다. 특히 페달 조작상황을 출발·재출발, 저속 정밀조작(주차·후진), 감속·정지 필요상황(주행·회전·정차)으로 구분하였음에도, 보행자 관련 여부를 통제한 이후 조작상황의 독립적 관련성은 제한적이었다. 따라서 급발진 주장 및 페달 오조작 의심 사고의 피해심각도를 줄이기 위해서는 운전자 특성 중심의 접근뿐 아니라, 차량 돌진이 보행자 충돌로 이어지는 공간적·시설적 경로를 차단하는 대책이 중요하다고 볼 수 있다.

Ⅴ. 결 론

본 연구는 공식 교통사고 DB에서 별도 사고유형으로 식별하기 어려운 급발진 주장 및 페달 오조작 의심 사고를 대상으로, 뉴스기사 기반 비정형 사고자료를 LLM을 활용하여 구조화하고, 이를 바탕으로 사고특성과 심각도 요인을 탐색적으로 분석하였다. 이를 위해 2024~2025년 국내 뉴스기사 중 급발진, 페달, 오조작 등 관련 키워드가 포함된 기사를 수집하고, 중복 및 비관련 기사를 정제한 후 사고 단위로 통합하였다. 최종적으로 163건의 급발진 주장 및 페달 오조작 의심 사고와 관련된 1,736개 뉴스기사를 대상으로 LLM 기반 사고정보 추출을 수행하였다.

LLM 기반 정보추출 결과, 뉴스기사에 명시적으로 제시된 사고정보는 대체로 높은 수준으로 구조화될 수 있음을 확인하였다. 특히 시군구, 장소유형, 운전자 연령대, 보행자 관련 여부, 사망자수, 중상자수 등 사고특성 및 심각도 분석에 필요한 주요 변수는 비교적 안정적으로 추출되었다. 반면 사고일시, 부상정도 미상자수, 운전자 성별, 조사당국 판단과 같이 기사 표현의 모호성이나 정보 부재의 영향을 크게 받는 변수에서는 일부 오류가 확인되었다. 이는 LLM이 비정형 교통안전자료를 구조화하는 데 유용한 도구가 될 수 있지만, 분석자료로 활용하기 위해서는 프롬프트 설계, 기사 단위의 검증, 동일 사고 관련 기사군을 활용한 정보 보완과 검증이 함께 필요함을 보여준다.

분석대상 사고의 특성을 살펴본 결과, 급발진 주장 및 페달 오조작 의심 사고는 고연령 운전자 관련 사고의 비중이 높고, 승용차와 SUV 등의 차종에서 주로 관찰되었다. 사고장소는 일반도로뿐 아니라 건물·상가, 주차장, 인도·도로변 등 보행자 및 시설물과 밀접한 공간을 포함하였으며, 충돌대상 역시 보행자, 건물, 상점, 시설물, 다중대상 등으로 다양하게 나타났다. 이는 해당 사고유형이 단순한 차대차 충돌보다 차량이 보행자 활동공간이나 시설물로 돌진하는 형태를 포함할 수 있음을 시사한다.

사고심각도 분석 결과, 심각피해사고 여부와 가장 강하게 관련된 변수는 보행자 관련 여부였다. 이항 로지스틱 회귀모형에서 다른 변수를 통제한 상태에서도 보행자 관련 사고의 심각피해사고 오즈는 보행자 비관련 사고보다 유의하게 높게 나타났다. 반면 운전자 성별, 장소유형, 페달 조작상황은 통계적으로 유의한 관련성을 보이지 않았다. 특히 페달 조작상황을 출발 조작, 저속 정밀조작, 감속·정지 필요상황으로 구분하였음에도, 보행자 관련 여부를 통제한 이후 조작상황의 독립적 관련성은 제한적이었다. 또한, 60대 이상 운전자는 분석대상 사고에서 높은 빈도를 보였으나, 심각도 모형에서는 중상이상 사고의 오즈를 높이는 방향으로 나타나지 않았다. 이는 급발진 주장 및 페달 오조작 의심 사고의 부상심각도가 운전자 속성 자체보다 차량 돌진이 보행자 피해로 직접적으로 연결되는 충돌 또는 노출 구조와 더 밀접하게 관련될 수 있음을 의미한다. 따라서 관련 사고의 안전관리는 운전자 요인뿐 아니라 보행자 피해 가능성이 큰 사고공간에 대한 관리 관점에서도 검토될 필요가 있다.

본 연구의 한계는 다음과 같다. 첫째, 분석자료는 뉴스기사에 기반하므로 전체 급발진 주장 및 페달 오조작 의심 사고를 대표한다고 보기 어렵다. 뉴스기사는 사망·중상 사고나 사회적 관심이 높은 사고를 상대적으로 많이 보도할 가능성이 있으며, 기사별 정보량과 후속 보도 여부에 따라 사고정보의 완전성이 달라질 수 있다. 따라서, 본 연구의 결과는 전체 사고 모집단의 발생률이나 모집단 수준의 위험도 추정으로 일반화하기보다는, 뉴스기사에 보도된 사고를 대상으로 한 탐색적 분석 결과로 해석할 필요가 있다. 둘째, 본 연구는 급발진 또는 페달 오조작의 실제 원인을 기술적·법적으로 확인한 연구가 아니다. 본 연구에서 사용한 급발진 주장, 페달 오조작 의심 및 판단 변수는 기사에 나타난 주장, 언급, 조사결과를 추출하여 구조화한 것이므로 사고 원인의 확정값으로 해석하기는 어렵다. 셋째, 사고심각도 모형은 제한된 표본 규모와 뉴스기사 기반 자료의 특성을 고려하여 탐색적 관련성 분석으로 해석해야 하며, 특정 요인의 인과효과를 의미하지 않는다. 본 연구에서 구조화한 사고자료는 급발진 주장 및 페달 오조작 의심 사고와 같이 공식 사고자료에서 별도 식별이 어려운 사고유형을 대상으로 하므로, 사고심각도 모형에 포함할 수 있는 관측치와 설명변수의 범위가 제한적이었다. 또한, 일부 변수는 통계적으로 유의하지 않았으므로 개별 변수의 효과를 일반화하기에는 한계가 있다. 따라서 본 연구의 사고심각도 분석은 LLM 기반 비정형 사고자료가 사고심각도 분석에 활용될 수 있다는 가능성을 제시하고, 향후 공식 사고자료와 연계하거나 더 큰 표본을 활용하는 후속 분석의 필요성을 보여주는 것으로 이해할 필요가 있다.

향후 연구에서는 뉴스기사 기반 자료를 TAAS와 같은 공식 교통사고 DB, 차량 사고기록장치(EDR, Event Data Recorder) 자료 등과 연계하여 사고정보의 정확성과 대표성을 높일 필요가 있다. 또한, 동일 사고에 대한 최초 보도와 후속 보도를 구분하여 운전자 주장, 조사당국의 발표나 판단, 피해 규모 및 내용이 시간에 따라 어떻게 변하는지를 분석할 수 있다. 방법론 측면에서는 본 연구에서 제시한 LLM 기반 사고정보 구조화 절차를 급발진 주장 및 페달 오조작 의심 사고뿐 아니라 음주‧약물 영향 의심 사고, 이차사고, 첨단주행보조장치 관련 사고 등 공식 사고자료에서는 사고맥락을 충분히 식별하기 어려운 다양한 이슈사고 유형에 적용할 수 있다. 또한 표본 규모와 자료구조가 충분히 확보될 경우, 이항 로지스틱 회귀 모형뿐 아니라 랜덤파라미터 모형, 잠재계층모형, 머신러닝 기반 심각도 모형 등 다양한 분석방법과 결합할 수 있을 것이다. 아울러 LLM 모델, 프롬프트 설계, 생성 파라미터 및 구조화 방식에 따라 사고정보 추출 결과나 성능이 달라질 수 있으므로, 다양한 LLM을 대상으로 동일한 검증자료를 활용하여 모델 간 추출 성능을 비교하고, 사고일시·피해규모·조사결과 등 오류가 상대적으로 많이 발생한 변수에 대한 개선된 추출 체계를 개발할 필요가 있다. 이러한 후속 연구를 통해 LLM 기반 비정형 사고자료 구조화는 공식 통계가 포착하기 어려운 특수 사고유형의 교통안전 분석을 보완하는 방법론으로 활용될 수 있을 것으로 기대된다.