선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구는 헬스케어 서비스에 대한 리뷰를 서비스 품질 차원으로 분류하여 각 차원별로 주요하게 언급되는 단어를 파악하는 방안을 제안한다. 서비스 품질의 차원으로는 SERVQUAL(Parasuraman et al.
- Word2Vec이나 Doc2Vec 은 단어들간의 유사도나 문서간의 유사도 파악에 중점을 두고 있으며, 문서에서 중요한 단어파악을 통해 문서를 이해하는 방안과는 다른 접근 방안이다. 본 연구에는 RAKE 알고리즘을 활용하여 리뷰별로 중요 키워드를 추출하고, 여러 리뷰에서 추출되는 키워드를 고려하여 서비스 품질 차원별 키워드 리스트를 제안하는 방안을 제시하였다.
제안 방법
- 하나의 문서에서 주요한 단어를 추출하는 RAKE 알고리즘을 활용하였으며, 다양한 문서에서 빈번히 활용되는 단어들을 고려하기 위한 지표를 고려하였다. SERVQUAL 차원별로 고객들이 주요하게 언급한 단어들을 파악하여 분석하였으며, 마찬가지로 리뷰 평점별로 고객들이 주요하게 언급한 단어들을 파악하여 분석하였다.
- SERVQUAL 차원으로 구분된 문장을 모아서 차원별로 RAKE 스코어를 계산하였다. 한 단어의 RAKE 스코어가 리뷰나 문장별 스코어의 평균이기 때문에, 해당 단어의 등장 빈도를 고려하여 RAKE 스코어 * 등장 빈도(Term frequency) 값을 구하였다.
- 샘플링을 통해 936개의 리뷰를 선정하였으며, 리뷰를 문장단위로 분할하여 대략 2,000개의 문장을 확보하였다. 각 문장을 SERVQUAL의 서비스 품질 차원에 할당하였으며, 서비스 품질 차원별로 할당된 문장들에서 주요한 키워드를 추출하는 방안을 제시하였다. 하나의 문서에서 주요한 단어를 추출하는 RAKE 알고리즘을 활용하였으며, 다양한 문서에서 빈번히 활용되는 단어들을 고려하기 위한 지표를 고려하였다.
- 문서에서 stop words를 제외한 단어들을 추출하여 문장단위에서 단어 간의 동시 출현 빈도를 계산한다. 동시 출현 그래프를 통해 출현 빈도, 연결 정도, 연결 정도/출현 빈도의 세 가지 스코어를 계산한다. 여러 단어로 구성된 키워드는 각 단어들의 스코어를 합하여 최종 스코어를 계산한다.
- Mihalcea and Tarau(2004)는 단어가 함께 출현하는 빈도를 활용하여 키워드를 추출하는 필터링 방안을 제안하였으며, 그래프 기반의 랭킹 알고리즘인 TextRank를 제시하였다. 동시 출현을 기준으로 그래프를 작성하여 연관정도를 기준으로 순위를 매겨, 높은 순위를 단어들을 키워드로 추출하였다.
- 본 연구에서는 문장 단위로 서비스 품질의 차원에 할당하였다. 따라서, 문장에서 단어별 RAKE 스코어를 계산하였기에 매우 짧은 문장에서 스코어를 구하였다. 이로 인해 빈번히 사용되지 않은 단어들이 높은 스코어를 갖게 되는 경우가 많았다.
- RAKE는 키워드가 대부분 여러 단어로 구성되며, stop words들은 거의 포함되지 않는다는 관찰에서 출발하였다. 문서에서 stop words를 제외한 단어들을 추출하여 문장단위에서 단어 간의 동시 출현 빈도를 계산한다. 동시 출현 그래프를 통해 출현 빈도, 연결 정도, 연결 정도/출현 빈도의 세 가지 스코어를 계산한다.
- 관련된 차원이 없는 경우에는 기타로 분류하였으며, 문장의 분류에는 SERVQUAL에 대해 이해하고 있는 영어가 모국어인 석사학위 소지자와 박사 학위 과정생이 참여하였다. 문장 분류는 분류 목적에 대해 소개한 후에 분류자가 각각 문장에 대해 감성과 SERVQUAL 차원으로 분류하였다. 분류된 결과를 가지고 의논하여 상이한 분류 결과를 동일하게 재분류하였다.
- 문장 분류는 분류 목적에 대해 소개한 후에 분류자가 각각 문장에 대해 감성과 SERVQUAL 차원으로 분류하였다. 분류된 결과를 가지고 의논하여 상이한 분류 결과를 동일하게 재분류하였다. <표 1>이 문장을 감성과 SERVQUAL 차원으로 분류한 결과의 빈도표이다.
- 서비스 품질의 차원별로 주요하게 언급되는 단어를 파악하기 위하여 RAKE 알고리즘과 단어의 빈도와 변별성을 고려한 방안을 제안하였으며, 제안한 방안에 의해 파악된 서비스 품질 차원별 주요 단어를 기술하고 설명하였다. 여러 리뷰에 존재하는 주요 단어를 파악하여야 하기에 RAKE 스코어만을 기반으로 주요 단어를 파악하는 것 보다는, 빈도와 변별성(IDF)을 동시에 고려하는 것이 필요한 것으로 보인다.
- 인터넷 게시판을 통한 토론, 제품 리뷰, 신문 기사, 댓글 등이 고객의 제품과 서비스에 대한 태도 및 중요 속성을 파악하거나 고객들의 행태를 파악하기 위한 주요한 원천이 되었다(박명석 등 2018; 크루즈·이홍주 2014; Humphreys and Wang 2018). 텍스트 마이닝 기반의 고객 리뷰 분석을 통해 제품의 기능이나 속성이 제품 평가에 미치는 영향을 파악하거나(Cao et al. 2011; Humphreys and Wang 2017), 속성이나 기능에 해당하는 단어들을 정하고 각 단어들에 대한 감성분석을 수행하여 분석하였다(Cao et al. 2011; Ghose et al. 2012). 유사한 제품들의 시장 경쟁 상황을 가시화하거나 랭킹을 부여하는 방안도 제시되었다(Chen et al.
- 트위터에서 의료 서비스 경험에 대한 트윗을 수집하여 내용을 진료 품질, 홍보, 후원모금, 의료 정보, 의료기관 정보, 환자 후원으로 구분하여 분석하였다 (Greaves et al. 2014). 트윗의 감성분석 순위와 설문을 통한 의료기관의 환자경험 점수 순위와의 상관관계는 0.
- SERVQUAL 차원으로 구분된 문장을 모아서 차원별로 RAKE 스코어를 계산하였다. 한 단어의 RAKE 스코어가 리뷰나 문장별 스코어의 평균이기 때문에, 해당 단어의 등장 빈도를 고려하여 RAKE 스코어 * 등장 빈도(Term frequency) 값을 구하였다. RAKE 스코어는 여러 단어로 구성된 경우 더 큰 값을 갖기 때문에, 짧은 단어의 경우에는 등장 빈도를 고려하여 보정하는 것이 필요하다.
대상 데이터
- GP와 병원을 무작위로 총 7,838개를 선정하였으며, 해당 GP와 병원에 대한 고객 리뷰를 수집하였다. 수집된 리뷰는 총 132,636개이며, 평균 평점은 5점 만점에 3.
- 문장을 감성에 따라 매우 긍정, 긍정, 중립, 부정, 매우 부정으로 나누었으며, 또한 관련된 SERVQUAL의 한 차원에 할당하였다. 관련된 차원이 없는 경우에는 기타로 분류하였으며, 문장의 분류에는 SERVQUAL에 대해 이해하고 있는 영어가 모국어인 석사학위 소지자와 박사 학위 과정생이 참여하였다. 문장 분류는 분류 목적에 대해 소개한 후에 분류자가 각각 문장에 대해 감성과 SERVQUAL 차원으로 분류하였다.
- 1985, 1988)에서 제시한 차원들을 활용하였으며, 영국 의료 보험인 NHS를 활용한 환자들이 자신들이 경험한 서비스에 대한 리뷰를 남기는 NHSChoice 사이트의 리뷰를 수집하였다. 샘플링을 통해 936개의 리뷰를 선정하였으며, 리뷰를 문장단위로 분할하여 대략 2,000개의 문장을 확보하였다. 각 문장을 SERVQUAL의 서비스 품질 차원에 할당하였으며, 서비스 품질 차원별로 할당된 문장들에서 주요한 키워드를 추출하는 방안을 제시하였다.
- 본 연구는 헬스케어 서비스에 대한 리뷰를 서비스 품질 차원으로 분류하여 각 차원별로 주요하게 언급되는 단어를 파악하는 방안을 제안한다. 서비스 품질의 차원으로는 SERVQUAL(Parasuraman et al. 1985, 1988)에서 제시한 차원들을 활용하였으며, 영국 의료 보험인 NHS를 활용한 환자들이 자신들이 경험한 서비스에 대한 리뷰를 남기는 NHSChoice 사이트의 리뷰를 수집하였다. 샘플링을 통해 936개의 리뷰를 선정하였으며, 리뷰를 문장단위로 분할하여 대략 2,000개의 문장을 확보하였다.
- GP와 병원을 무작위로 총 7,838개를 선정하였으며, 해당 GP와 병원에 대한 고객 리뷰를 수집하였다. 수집된 리뷰는 총 132,636개이며, 평균 평점은 5점 만점에 3.380이고 표준편차는 1.818이다. <그림 1>은 평점별 고객 리뷰 분포에 대한 밀도(density) 그래프이다.
- 수집한 전체 데이터 중에서 936개의 리뷰를 무작위로 선정하여 리뷰를 문장으로 나누었다. 문장은 “.
- 영국의 NHSChoice 사이트에서 헬스케어 서비스 경험에 대한 고객 리뷰를 수집하였다. NHS는 영국의 공적 의료보험 서비스이며, NHSChoice는 GP(General Practice)와 병원(Hospital)에 대한 정보제공과 고객들의 의료서비스 경험을 공유하는 공간이다.
데이터처리
- 이러한 문제점을 극복하기 위해 여러 문서의 비교를 통한 키워드 자동 추출이 아니라 하나의 문서에서 키워드를 추출하는 방안들이 제시되어왔다. 제시된 방안들은 대부분 자연어 처리와 품사 태그를 활용하여 지도학습, 기계학습 알고리즘과 통계 분석방안을 적용하였다 (Rose et al. 2010).
이론/모형
- 2010)을 활용하여 하나의 리뷰나 문장에 포함된 단어의 중요도를 계산하였다. R의 slowraker 패키지(Baker 2017)를 이용하여 RAKE 스코어를 계산하였다. 중요도 계산에서 POS(Part-of-Speech) 태그가 동사(VB, VBD, VBG, VBN, VBP, VBZ)와 관련된 단어는 제외하였으며, 3글자 이상의 단어만 계산에 포함하였다.
- 본 연구는 RAKE 알고리즘(Rose et al. 2010)을 활용하여 하나의 리뷰나 문장에 포함된 단어의 중요도를 계산하였다. R의 slowraker 패키지(Baker 2017)를 이용하여 RAKE 스코어를 계산하였다.
- 유효성, 신뢰성 및 적용 가능성을 포함하여 SERVQUAL의 다양한 측면에 대한 논쟁이 있어왔으며 (Ladhari 2009), Cronin and Taylor(1992)는 고객의 인식만을 측정하는 경쟁 SERVPERF 모델을 제안하였다. 서비스 품질 측정 차원에 대한 논의는 이 연구의 목표를 넘어선 것이며, 본 연구는 대표적인 서비스 품질 측정 차원인 SERVQUAL을 사용하였다.
- 각 문장을 SERVQUAL의 서비스 품질 차원에 할당하였으며, 서비스 품질 차원별로 할당된 문장들에서 주요한 키워드를 추출하는 방안을 제시하였다. 하나의 문서에서 주요한 단어를 추출하는 RAKE 알고리즘을 활용하였으며, 다양한 문서에서 빈번히 활용되는 단어들을 고려하기 위한 지표를 고려하였다. SERVQUAL 차원별로 고객들이 주요하게 언급한 단어들을 파악하여 분석하였으며, 마찬가지로 리뷰 평점별로 고객들이 주요하게 언급한 단어들을 파악하여 분석하였다.
성능/효과
- RAKE 스코어에 TF-IDF 값을 곱한 경우에는 등장 빈도가 높은 단어들의 스코어가 좀 줄고 RAKE 스코어가 높고 많이 등장하지 않는 단어들이 포함되었다. TF, TF-IDF를 고려한 경우가 그렇지 않은 경우보다 중요단어로 선택된 리스트들이 의미를 파악하는 데 효과적으로 보이며, TF, TF-IDF는 순위에 약간의 차이가 있으나 큰 변화는 없었다.
- 1985; 1988)은 서비스 품질 측정에서 가장 잘 알려졌으며, 일반적으로 사용되는 척도이다(Palese and Usai 2018). 몇 가지 업데이트를 한 후, SERVQUAL은 서비스 품질 측정 차원으로 유형(Tangibles, 물리적 시설, 장비 및 인원의 외양), 신뢰성(Reliability, 약속 된 서비스를 신뢰성 있고 정확하게 수행 할 수 있는 능력), 응답성(Responsiveness, 고객을 도우려하고 즉각적인 서비스를 제공하려는 의지), 보증(Assurance, 직원의 지식과 확신을 불러일으키는 능력), 그리고 공감(Empathy, 회사가 고객에게 제공하는 보살핌과 개별적인 주의)을 제안하였다.
- 수집된 리뷰를 SERVQUAL의 서비스 차원으로 분류하였을 때 신뢰성에 가장 많이 포함되었고, 그 다음으로 감성과 응답성에 많이 분류되었다. 보증과 유형에 대한 내용은 적게 언급되었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.