1) 단어추출 및 정제

분석대상으로 선정된 청원은 웹페이지 주소, 제목, 본문, 청원 시작일, 청원 동의 수로 구성된 MS office 엑셀 파일로 저장하였다. 데이터 전처리 과정으로는 수집된 자료를 대상으로 엑셀 프로그램(Microsoft)의 맞춤법 검사를 일차적으로 시행하였고, 청원을 읽어가며 오타를 교정하였다. 이 후 Netminer 4.5.0 프로그램(CYRAM Inc.) [25]의 자체 형태소 추출 프로그램을 이용하여 대명사, 부사 등을 자동 삭제하고, 명사만 추출하도록 설정하였다[26]. 또한 ‘이’ ‘그’ ‘저’ 등 글자 수가 하나인 단어는 우리말에서 뜻을 담고 있다고 보기 어려워 글자 수가 2글자 미만인 단어는 Netminer 4.5.0 프로그램(CYRAM Inc.) [25]의 query기능을 이용하여 제거하였다. 의미 있는 단어의 추출을 위해 지정어(defined word) 2,084개, 유의어(thesaurus) 1,622개, 제외어(exception list) 3,189개를 사전에 등록하였다. 지정어란 두 개 이상의 단어가 모여 하나의 의미를 나타내는 단어 구로[27, 28], 본 연구에서는 고유명사, 복합명사로 지정되어야 하는 ‘근무시간’, ‘태움’ 등이 이에 해당한다. 유의어란 비슷한 의미를 가진 단어를 분류한 후 이 중 대표어로 선택된 단어를 의미하며[27], 같은 단어라도 띄어쓰기가 다르면 각기 다른 단어로 인식하므로 한 단어로 대표되도록 처리하였다. 예를 들어 본 연구에서는 ‘태움’, ‘태움문화’, ‘태움문화’를 ‘태움’으로, ‘신규간호사’, ‘신규 간호사’, ‘신입간호사’, ‘신입간호사’, ‘신참 간호사’, ‘새내기 간호사’, ‘초보간호사’, ‘신임 간호사’를 ‘신규간호사’로 추출되도록 설정하였다. 제외어는 연구 목적과 관련성이 부족하거나 일반적인 단어로 연구의 해석에서 의미가 없는 단어를 등록하였으며, 본 연구에서는 ‘오늘’, ‘모두’ 등의 단어들이 이에 해당하였다. 단어추출 및 정제의 모든 과정은 간호관리학을 전공한 간호사 1인(HK)과 간호학 교수 1인(SHJ)이 시행하였으며, 이 후 전체 연구팀의 확인과 논의를 거쳐 최종 결정하였다. 본 연구 대상이 간호와 관련된 국민청원으로 ‘간호’는 모든 청원에 포함된 기본적인 단어였기 때문에 분석에 포함하면 의미 있는 여러 개념들이 제대로 노출되지 않을 수 있어 제외어 사전에 등록하였다. 단, ‘간호사’는 청원 안에서 주체의 명확성을 기하고자 분석 대상에 포함하였다.

2) 핵심어 추출 및 단어 네트워크 형성

핵심어를 추출할 때는 단어의 등장 횟수를 고려하거나 특정 단어의 중요도를 고려해야 하는데, 이때 사용되는 방법이 term frequency–inverse document frequency (TF-IDF)에 기초한 방법이다. 단어의 등장빈도를 고려하는 것은 term frequency (TF)라는 용어로 표현되며, 단어빈도라 한다[26]. Inverse document frequency (IDF)는 document frequency (DF)의 역수를 의미하며 로그값으로 표현된다[26]. DF는 특정 단어가 몇 개의 문서에 등장하는지를 나타내며, 이는 문서빈도라 한다[26]. 단순히 TF가 높은 단어들은 특정 문서 외에 여러 문서에도 등장할 수 있기 때문에 특정 문서 안에서 특정 단어의 중요도를 확인하기 어렵다. TF-IDF는 단어의 등장 빈도에 문서의 역수를 곱한 것으로 TF-IDF가 높은 단어일수록 특정 주제의 문서에서만 자주 등장하고 다른 주제의 문서에서는 출현하는 빈도가 낮아[26] 해당 단어가 문서에 나타나는 중요도를 반영한다[28]. 그러한 이유로 TF-IDF가 높은 단어는 특정 문서에서 매우 중요한 단어라고 해석할 수 있다. 따라서 본 연구에서는 간호와 관련된 국민청원에 나타난 단어들을 대상으로 DF 상위 20위와 단어 수를 제시하였고, TF 기준 상위 20개 단어와 TF-IDF 0.2 미만의 단어 필터링 후 상위 20개 단어를 제시하였다.

네트워크 분석을 시행할 때는 적정 수준의 연결성을 가진 키워드만을 포함해야 한다. 그러나 적정 수준의 연결성의 기준은 제안된 바 없으며[18], 어느 정도의 출현 빈도를 가진 키워드를 네트워크 형성 과정에 포함할지 또한 명확한 선정기준이 없다. 선행연구에서는 연구자가 네트워크 내 키워드의 맥락과 의미, 연구 결과의 해석 가능성, 시각화 정도를 고려하여 선정하고 있었다[18]. 따라서 본 연구에서도 연구 결과의 해석 가능성, 시각화 정도를 고려하여 동시 출현 빈도 상위 100개의 단어로 네트워크를 시각화하였다. 단어-문서의 2모드 네트워크를 단어-단어의 1모드 네트워크로 변환하여 분석에 이용하였다. 간호관련 텍스트네트워크 분석 선행연구[19]를 참고하여 1모드 네트워크로 변환 시 유사도 지수 중 전체 문서 내에서 키워드의 가중치를 반영하는 ‘inner product 계수’를 이용하여 분석하였다. 동시 출현의 범위는 두 단어 간의 거리를 설정함으로써 조절할 수 있는데, 본 연구의 두 키워드 간의 거리(window size)는 분석 자료의 특성과 간호관련 텍스트네트워크 분석 선행연구[21]를 참고하여 2로 설정하였고, 방향성은 고려하지 않았다. 시각화 정도와 연구의 맥락적 해석을 고려하여 동시 출현 빈도는 2회를 기준으로 네트워크를 생성하였다.

3) 네트워크 연결구조 및 중심성 분석

형성된 네트워크를 중심으로 네트워크 수준과 노드 수준의 분석을 시행하였다. 네트워크 수준에서는 네트워크의 크기와 밀도(density)를 확인하였고, 노드 수준에서는 네트워크 간의 평균적인 연결 정도(average degree), 평균 연결 거리(average distance)를 확인하였다. 중심성 분석은 연결 중심성, 매개 중심성, 그리고 아이겐벡터 중심성 분석을 시행하였다. 분석 대상 글의 길이가 길 경우 근접 중심성 분석이 낮은 성능을 보인다는 선행연구[29]를 토대로 근접 중심성 분석은 제외하였다. 연결 중심성은 한 노드로부터 얼마나 많이 연결되었는지 연결 정도를 측정하는 중심성 척도로 연결 중심성이 높은 키워드는 다른 많은 키워드와 연결되어 있어 네트워크에서 중심적 역할을 한다고 볼 수 있다[14, 18]. 매개 중심성이란 한 노드와 다른 노드 사이에서 최단 경로에 위치하는 정도를 나타내는 중심성 척도로[17], 두 노드 사이를 연결하는 다리 역할을 얼마나 잘 수행하는지 측정하는 개념이다. 아이겐벡터 중심성이란 각 노드가 얼마나 많이 연결되어 있는지에 중점을 두는 연결 중심성에서 나아가 연결된 이웃 노드의 연결 정도가 높을 시 해당 노드의 중요도도 같이 높아지는, 가중치가 반영된 중심성 척도를 의미한다[14, 30]. 아이겐벡터 중심성은 개별 노드 자체가 가지고 있는 가중치를 배제하는 과정을 거친 뒤 분석되기 때문에 해당 단어 자체와 주위에 함께 출현하는 단어들의 중요도가 고려되어 다수의 분석에서 중요하게 다뤄지고 있다. 본 연구에서는 연결 중심성, 매개 중심성, 아이겐벡터 중심성의 상위 30개 단어를 추출하였으며, spring map을 이용하여 시각화하였다.

4) 토픽모델링

잠재 디리클레 할당(latent Dirichlet allocation, LDA) 알고리즘을 활용하여 특정 문서 내에서 특정 단어가 나타날 확률 분포를 계산하고 주제의 잠재적 경향성을 나타내는 토픽모델링을 시행하였다. 본 연구에서는 k-means clustering을 이용하여 실루엣(silhouette) 계수를 산출하였다. 실루엣 계수는 1에 가까울수록 클러스터링이 잘 된 것을 의미하며[31], 실루엣 계수를 이용한 선행연구[19, 21]를 참고하여 토픽 개수 결정의 참고자료로 활용하였다. LDA의 입력 옵션에 대한 선행연구를 토대로 Markov chain Monte-Carlo를 사용하였고[28], α값, β값, 토픽 개수의 범위를 변경해가며 토픽을 추출하였다[19, 21]. 최적의 토픽 수 선정을 위해 α = 0.1~0.2, β = 0.01~0.02, TF-IDF = 0.1~0.3 필터링, no of literation = 1,000으로 옵션값에 따른 84개의 조합을 확인하였다. 84개의 조합 중 실루엣 계수 상위 10위의 분포를 확인하였다. 다수의 시뮬레이션을 통해 실루엣 계수 상위 20개의 토픽모델을 확인한 후, 실루엣 계수 상위 10위 안에 포함되면서도 토픽모델에 나타난 토픽키워드들과 토픽이 배타적으로 분류되었던 토픽모델링을 선정하였다. 최종 선정된 토픽모델링의 토픽들에 대해 키워드 및 할당된 문서 원본의 내용을 확인하여 전체 연구팀의 회의를 거쳐 주제의 경향성을 반영하는 토픽명으로 명명하였다. 이러한 방법으로 결정된 최종 토픽 모델은 핵심 주제 파악을 위해 선행연구[19]를 참고하여 토픽별 상위 10개 단어를 추출하였고, 토픽-키워드 맵에 상위 10개의 단어가 나타나도록 시각화하였다.

1) 간호관련 국민청원의 네트워크 구조

본 연구에서 동시출현 빈도 2회 이상, 단어 간 근접거리 2어절 이내를 기준으로 네트워크를 생성한 결과, 노드 4,866개, 링크 351,526개의 네트워크가 형성되었으며, 네트워크의 밀도 0.03, 평균 연결 정도(average degree) 144.483, 평균 연결 거리(average distance) 1.943으로 확인되었다.

2) 중심성 분석

간호와 관련된 국민청원을 바탕으로 생성한 네트워크의 특징을 파악하기 위해 연결 중심성, 매개 중심성, 아이겐벡터 중심성을 기준으로 상위 30위 주제어를 살펴본 결과는 Table 2, Figure 1, Appendix 1과 같다. 세 가지 중심성 분석의 상위 5위 주제어에는 ‘간호사’, ‘병원’, ‘환자’, ‘정부’, ‘근무’가 공통적으로 포함되었으며 순위 또한 같았다(Table 2). 연결 중심성과 매개 중심성 분석 결과 주제어의 순위와 구성이 유사하였으며, 아이겐벡터 중심성 분석 상위 30위의 주제어와 연결 중심성 및 매개 중심성의 주제어를 비교했을 때 ‘근무환경’, ‘간호대학’, ‘면허증’, ‘간호조무사’, ‘교육’ 등의 주제어가 새롭게 등장하였다. 또한 ‘인력’은 연결 중심성과 매개 중심성 분석 결과에서는 11위에 해당하는 주제어였으나 아이겐벡터 중심성 분석 결과 7위로 순위가 상대적으로 높게 나타났다(Table 2).

Figure 1
Spring network map of centrality. (A) Degree centrality. (B) Betweenness centrality. (C) Eigenvector centrality.

• Download Figure

Table 2
Top 30 Keywords with High Centralities: In National Petition

• Download Table

1) 토픽 수 선정

토픽 수는 k-means clustering을 이용한 실루엣 계수를 활용하였으며, 계수 산출은 Netminer 프로그램(CYRAM Inc.)의 기본 설정값을 기준으로 산출하였다. TF-IDF를 기준으로 필터링 범위 = 0.1~0.3, 토픽 수 = 4~10개, α = 0.1~0.2, β = 0.01~0.02 범위로 총 84개의 조합을 확인하였으며, 실루엣 계수의 결과로 나타난 토픽 수를 다양하게 변경하며 토픽 수 선정의 타당성을 검토하였다. 실루엣 계수 상위 20개의 토픽 모델을 확인한 후, 전체 연구팀 회의를 거쳐 실루엣 계수 산출 값이 84개의 조합 중 상위 3위에 속하면서도 내용이 배타적으로 나뉜다고 판단된 토픽 수 4개, TF-IDF 필터링 기준 0.2, LDA 파라미터 α = 0.2, β = 0.01, 실루엣 계수 0.914의 조합으로 토픽모델링을 실시하였다.

2) 토픽 모델링

간호와 관련된 국민청원을 대상으로 잠재적 토픽 수를 4개로 설정하여 LDA 기법을 활용한 토픽모델링을 시행하였다. 4개의 토픽에서 확률 분포를 기준으로 상위 10위의 주요 키워드를 확인하고, 주요 키워드가 포함된 청원의 제목과 본문을 확인하여 토픽 명을 명명하였다(Figure 2, Appendix 2).

Figure 2
Topic network of main keyword.

• Download Figure

토픽 1은 전체 토픽의 49.1%를 차지하였으며, 가장 비중이 큰 토픽이었다. 주요 키워드에는 근무, 태움, 처우, 신규간호사, 개선책, 근무환경, 인력, 학생, 부족, 인증 등이 포함되었다. 해당 토픽에는 임상간호사, 간호직 공무원, 간호대학생 등을 포함한 간호 관련 인력의 근무환경·실습환경의 개선 요구와 간호사의 복지 향상, 처우 개선에 대한 청원이 주를 이루었다. 또한 신규간호사 태움 등 간호 조직문화의 개선 요구에 대한 청원, 간호인력 충원의 필요성에 관한 청원, 인증 지침서 외우기, 환경 정리 등 환자 간호와 직접적인 관련이 없는, 초과 업무를 수행하게 하는 현행 인증평가 제도의 보완 필요성을 언급하는 청원, 임상간호사 및 간호직 공무원, 지역사회 간호사들의 처우 개선에 대한 청원 등이 포함되었다. 간호대학생 또한 미래의 간호인력이기에 간호관련 인력으로 해석하였고, 이에 해당 토픽을 ‘간호 전문직의 근무환경 및 처우 개선’으로 명명하였다(Figure 2, Appendix 2).

토픽 2는 전체 토픽의 12.8%를 차지하였으며 주요 키워드에는 사건사고, 의사, 조사, 직원, 수술, 처벌, 국민, 의료, 여성, 코로나19 등이 포함되었다. 해당 토픽에는 의료계의 각종 사건사고에 대한 진상조사를 요청하는 청원과 관련된 가해자 처벌 및 재발 방지를 위한 법 제정을 요구하는 청원이 포함되었다. 또한 대리 수술 등의 불법 의료행위와 의료법 위반 사항에 대한 처벌을 강화해달라는 청원이 있었으며, 각종 사건사고의 가해자와 피해자로 의료진이 등장하였다. 마지막으로 코로나19 환자 담당 의료진의 지원 미비, 수당 미지급과 관련한 대구시의 감사를 요청하는 청원이 포함되었다. 이에 해당 토픽을 ‘의료계 사건사고와 관련된 진상조사 및 처벌 요구’로 명명하였다(Figure 2, Appendix 2).

토픽 3은 전체 토픽의 21.8%를 차지하였으며, 주요 키워드에는 간호조무사, 의사, 인력, 의료인, 업무, 의료, 정부, 국민, 간호법, 의료법 등이 포함되었다. 해당 토픽에는 의사, 간호사, 간호조무사, 전문간호사, 응급구조사 등 의료관련 직종 간에 명확한 역할 규정과 법제화를 요청하는 청원이 포함되었으며, 의료법에 명시된 업무에 관한 조항 명확화, 간호법 제정의 필요성과 제정을 요구하는 청원이 포함되었다. 또한 전문간호사 역할을 법제화하고 physician assistance 역할을 수행하는 전담간호사를 법의 테두리 안에 보호하여 인력을 확보하자는 청원 등이 포함되었다. 이에 해당 토픽을 ‘의료관련 직종 간의 명확한 역할규정 및 법제화 요구’로 명명하였다(Figure 2, Appendix 2).

토픽 4는 전체 토픽의 16.3%를 차지하였으며, 주요 키워드에는 부모, 병동, 코로나19, 입원, 치료, 상태, 보호자, 어린이, 전화, 응급실 등이 포함되었다. 해당 토픽에는 의료사고·과실과 관련된 환자 및 환자 가족의 억울함을 호소하는 청원과 의료관련 서비스와 제도의 부족에 대해 개선을 요구하는 청원이 포함되었다. 또한 전반적인 의료서비스 및 제도의 정비를 요청하는 청원과 코로나19로 변화된 의료환경과 관계된 청원들이 다수 등장하였다. 코로나19 시기 대면 면회가 제한된 상황에서 전화로만 환자 상태를 확인할 수 있는 것에 대한 보호자의 불만과 대책 마련을 요구하는 청원, 요양병원의 환자 관리 및 치료 미비에 대한 개선을 요구하는 청원이 속하였다. 마지막으로 코로나19 환자 담당 의료진 및 관련 직종에 정당한 보상이 필요하다는 청원이 포함되었다. 이에 해당 토픽을 ‘기타 의료관련 제도 및 서비스에 대한 개선 요구’로 명명하였다(Figure 2, Appendix 2).

간호관련 국민청원의 4개 토픽에서 주요 키워드 간의 네트워크는 Figure 2, Appendix 2와 같다. 토픽 네트워크를 토픽별로 살펴보면 토픽 1 ‘간호 전문직의 근무환경 및 처우 개선’과 토픽 3 ‘의료관련 직종 간의 명확한 역할규정 및 법제화 요구’는 ‘인력’으로 연결되어 있으며, 토픽 2 ‘의료계 사건사고와 관련된 진상조사 및 처벌 요구’와 토픽 4 ‘기타 의료관련 제도 및 서비스에 대한 개선 요구’는 ‘코로나19’로 연결되어 있었다. 토픽 2와 토픽 3은 ‘국민’, ‘의사’, ‘의료’로 연결되어 있었으며 간호와 관련된 청원들이 공통의 키워드를 통해 연결되어 있었다(Figure 2, Appendix 2).

총 995개의 청원을 2017년부터 2022년 5월까지 1년 단위로 시간의 흐름에 따른 토픽 변화를 확인한 그래프는 Figure 3A와 같다. 2018년은 간호와 관련된 국민청원의 수가 가장 많았던 해로, 모든 토픽에서 가장 높은 빈도를 차지하였다. 토픽별로 살펴보면, 토픽 1 ‘간호 전문직의 근무환경 및 처우 개선’ 토픽은 2018년도에 가장 두드러지게 나타나는 토픽이었으며 2020년 이전까지는 모든 토픽 중 가장 청원 수가 많았으나 2020년 이후에는 다른 토픽들의 청원 수와 비슷한 수준으로 감소하였다. 토픽 2 ‘의료계 사건사고와 관련된 진상조사 및 처벌 요구’ 토픽에 해당하는 청원들은 2019년부터 꾸준히 감소하고 있었다. 토픽 3 ‘의료관련 직종 간의 명확한 역할규정 및 법제화 요구’ 토픽은 모든 토픽에서 청원 수가 많았던 2018년을 제외하고 다른 토픽들에 비해 2021년에 청원 수가 가장 많았다. 토픽 4 ‘기타 의료관련 제도 및 서비스에 대한 개선 요구’ 토픽은 2018년을 제외하고, 2020년에 청원 수가 가장 많은 토픽이었다(Figure 3A). 간호관련 국민청원의 시간의 흐름에 따른 토픽별 비중의 변화는 Figure 3B와 같다.

Figure 3
Changes in annual topics of nursing-related national petition. (A) Changes in the number of petitions for topics by year. (B) Changes in the proportion of topics by year.

• Download Figure