[논문]간호사 괴롭힘 관련 인터넷 포털 기사에 대한 댓글의 의미연결망 분석

김창희; 문성미

doi:10.22650/jkcnr.2019.25.3.209

[국내논문] 간호사 괴롭힘 관련 인터넷 포털 기사에 대한 댓글의 의미연결망 분석
Semantic Network Analysis about Comments on Internet Articles about Nurse Workplace Bullying 원문보기

임상간호연구 = Journal of Korean Clinical Nursing Research, v.25 no.3, 2019년, pp.209 - 220

Abstract ▼ AI-Helper

Purpose: A significant amount of public opinion about nurse bullying is expressed on the internet. The purpose of this study was to analyze the linkage structures among words extracted from comments on internet articles related to nurse workplace bullying using semantic network analysis. Methods: From February 2018 to April 2019, comments made on news articles posted to the Daum and Naver web portal containing keywords such as "nurse", "Taeum", and "bullying" were collected using a web crawler written in Python. A morphological analysis performed with Open Korean Text in KoNLPy generated 54 major nodes. The frequencies, eigenvector centralities, and betweenness centralities of the 54 nodes were calculated and semantic networks were visualized using the UCINET and NetDraw programs. Convergence of iterated correlations (CONCOR) analysis was performed to identify structural equivalence. Results: This paper presents results about March 2018 and January 2019 because these months had highest number of articles. Of the 54 major nodes, "nurse", "hospital", "patient", and "physician" were the most frequent and had the highest eigenvector and betweenness centralities. The CONCOR analysis identified work environment, nurse, gender, and military clusters. Conclusion: This study structurally explored public opinion about nurse bullying through semantic network analysis. It is suggested that various studies on nursing phenomena will be conducted using social network analysis.

Keyword

표/그림 (5)

표 Table 1. Frequency of News and Comments Dealing with 'Nurse and Taeum' or 'Nurse and Bullying'
표 Table 2. Frequency and Centralities of Keywords (March 2018)
표 Table 3. Frequency and Centralities of Keywords (January 2019)
그림 Figure 1. Semantic network of keywords (1-A) and clusters from CONvergence of iterated CORrelations analysis (1-B) in March 2018.
그림 Figure 2. Semantic network of keywords (2-A) and clusters from CONvergence of iterated CORrelations analysis (2-B) in January 2019.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구의 경우 댓글 텍스트를 이루고 있는 의미 있는 단어들이 노드로 간주된다. 본 연구에서는 노드들의 빈도뿐만 아니라 노드들 간의 연결상태, 노드들이 구성하는 네트워크의 구조를 파악하여 간호사 괴롭힘 이슈를 계기로 드러난 대중들의 간호사 및 간호전문직에 대한 인식이 어떠한 의미를 가지고 있는지를 파악해 보고자 한다. 본 연구의 결과는 대중들의 인식에 대한 정확한 이해를 바탕으로 간호사 및 간호전문직에 대한 인식을 개선할 수 있는 다양한 방안을 마련하는데 근거를 제공할 것으로 기대된다.
본 연구의 목적은 의미연결망 분석방법을 이용하여 간호사 괴롭힘 관련 인터넷 포털 기사에 대한 댓글 텍스트로부터 의미 있는 단어들을 추출하고 단어들 간의 연결구조를 분석하는 것이다. 이를 위한 구체적인 목적은 다음과 같다.
본 연구는 간호사 괴롭힘과 관련된 인터넷 포털 기사의 댓글을 이루는 텍스트들의 의미연결망 분석을 실시하여 기술한 서술적 탐색연구이다.
2019년 1월에 또 다른 간호사 사망 사건이 기사화 되면서 기사의 빈도는 261건으로 2위를 차지하였고, 이때 댓글은 6,566건으로 3위를 차지하였다(Table 1). 본 연구에서는 월별로 댓글들의 텍스트 네트워크 분석을 실시하였고 기사의 빈도가 가장 높았던 2018년 3월과 2019년 1월의 댓글을 분석한 결과를 각각 제시하였다.
본 연구에서는 간호사 괴롭힘 관련 인터넷 포털 기사에 대한 의미연결망 분석을 통해 빈도와 중심성이 높은 유의미한 단어들을 추출하였고 단어들이 어떻게 네트워크를 구성하고 있는지를 두 가지 형태의 네트워크 도식을 제시함으로써 보여주었다. 분석 결과 가장 빈도와 중심성이 높은 노드는 ‘간호사’였고 ‘간호사’를 중심으로 ‘병원’, ‘의사’, ‘환자’가 강하게 연관되어 네트워크의 중심에 있었다.

제안 방법

1) 댓글 텍스트로부터 추출한 의미 있는 단어들의 빈도와 중심성을 분석한다.
우선, 수집키워드를 ‘간호사’와 ‘태움’ 또는 ‘괴롭힘’으로 하여 2개 포털 사이트의 뉴스와 댓글에 대해 Python code를 이용한 웹크롤링을 진행하였다.
기사가 중복될 경우 중복되는 기사는 제거하였고 댓글은 그대로 유지하였다. 이후, 수집된 전체 데이터(기사, 댓글)를 월별 단위로 분류하였다. 분류 결과 기사와 댓글의 빈도가 네이버보다는 다음에서 높았기 때문에 본 연구에서는 다음의 댓글을 분석하기로 하였다.
이후, 수집된 전체 데이터(기사, 댓글)를 월별 단위로 분류하였다. 분류 결과 기사와 댓글의 빈도가 네이버보다는 다음에서 높았기 때문에 본 연구에서는 다음의 댓글을 분석하기로 하였다. 기사가 시작된 2월 18일부터 2월 28일까지 기사는 255건으로 4위인 반면 댓글은 11,063건으로 가장 빈도가 높았다.
추출된 단어 간 동시출현빈도를 매트릭스로 작성하였고 이를 이용하여 단어, 즉 노드들이 연결망 내에서 구체적으로 어떤 역할을 하는지를 확인하기 위해 중심성을 산출하였다. 본 연구에서 중심성은 아이겐벡터 중심성(eigenvector centrality)과 매개중심성(betweenness centrality)을 산출하였다.
추출된 단어 간 동시출현빈도를 매트릭스로 작성하였고 이를 이용하여 단어, 즉 노드들이 연결망 내에서 구체적으로 어떤 역할을 하는지를 확인하기 위해 중심성을 산출하였다. 본 연구에서 중심성은 아이겐벡터 중심성(eigenvector centrality)과 매개중심성(betweenness centrality)을 산출하였다. 아이겐벡터 중심성은 어떤 노드에 직접 연결된 다른 노드들의 개수뿐만 아니라 연결된 노드가 얼마나 중요한지도 함께 고려되는 개념으로서, 직접연결정도뿐만 아니라 간접연결정도도 모두 고려된 가중치이며, 네트워크의 전체 패턴을 고려한 값이라고 볼 수 있다[16].
한편, 연결망의 구조와 연결강도를 확인하기 위해 동시출현매트릭스를 이용하여 네트워크를 시각화 하였으며, 가시성을 위해 54개 노드를 모두 나타내지 않고 동시출현빈도 50이상인 노드만 그림으로 나타나도록 하였다. 네트워크 연결선은 연결강도가 강할수록 굵게 표시하였다.
Netdraw 프로그램을 이용하여 2가지 도식을 작성하였다. 먼저 54개 노드들의 동시출현매트릭스를 이용하여 전체 네트워크 도식을 작성하였다. 전체 네트워크 도식은 모든 노드들이 연결되어 있어 매우 복잡하고 분별하기가 어렵기 때문에 본 연구에서는 가시성을 위해 동시출현빈도 50 이상인 관계만 나타나도록 도식을 조정하여 제시하였다(Figure 1-A, 2-A).
먼저 54개 노드들의 동시출현매트릭스를 이용하여 전체 네트워크 도식을 작성하였다. 전체 네트워크 도식은 모든 노드들이 연결되어 있어 매우 복잡하고 분별하기가 어렵기 때문에 본 연구에서는 가시성을 위해 동시출현빈도 50 이상인 관계만 나타나도록 도식을 조정하여 제시하였다(Figure 1-A, 2-A).
‘간호사(nurse)’는 ‘국가(nation)’, ‘한국(Korea)’, ‘미국(United State of America)’, ‘의료(healthcare)’, ‘의료인(healthcare provider)’, ‘가족(family)’, ‘공부(learning)’ 등의 노드와 함께 클러스터를 이루었다(간호사 클러스터).
Netdraw를 이용하여 CONCOR 분석을 한 결과를 도식으로 제시하였다(Figure 1-B, 2-B), CONCOR 분석은 54개 노드와 이들의 관계가 모두 드러나도록 하였고 최대 8개까지의 클러스터가 형성되도록 설정하였다. 도식에서 같은 도형은 하나의 클러스터를 나타내고 있다.
본 연구에서는 2018년 2월부터 2019년 4월까지 일개 인터넷 포털 사이트의 간호사 괴롭힘 관련 기사 댓글에 대해 의미 연결망 분석을 월별로 실시하였고 이 중 기사와 댓글의 빈도가 높았던 2018년 3월과 2019년 1월의 결과를 빈도, 중심성, 네트워크 도식을 위주로 제시하였다. 또한 구조적 등위성 분석인 CONCOR 분석을 통해 유사한 등위를 가지는 노드들의 클러스터를 제시하였다.
본 연구에서는 2018년 2월부터 2019년 4월까지 일개 인터넷 포털 사이트의 간호사 괴롭힘 관련 기사 댓글에 대해 의미 연결망 분석을 월별로 실시하였고 이 중 기사와 댓글의 빈도가 높았던 2018년 3월과 2019년 1월의 결과를 빈도, 중심성, 네트워크 도식을 위주로 제시하였다. 또한 구조적 등위성 분석인 CONCOR 분석을 통해 유사한 등위를 가지는 노드들의 클러스터를 제시하였다. 분석 결과 ‘간호사’, ‘병원’, ‘환자’, ‘의사’가 네트워크의 중심에서 다른 노드들과 주요하게 연결되고 있었고 노드 간 매개의 역할을 하고 있었다.

대상 데이터

국내 2개의 인터넷 포털 사이트에 2018년 2월 18일부터 2019년 4월 30일까지 게재된 뉴스기사들 중 제목에 ‘간호사’와 ‘태움’ 또는 ‘괴롭힘’이 포함된 뉴스기사(다음 뉴스 2,696개, 네이버 뉴스 2,165개)와 그 댓글(다음 52,869개, 네이버 9,683개) 중 빈도가 더 높은 다음 뉴스의 댓글을 본 연구의 대상으로 하였다.
자료수집은 2019년 5월에 진행하였다. 우선, 수집키워드를 ‘간호사’와 ‘태움’ 또는 ‘괴롭힘’으로 하여 2개 포털 사이트의 뉴스와 댓글에 대해 Python code를 이용한 웹크롤링을 진행하였다.
2018년 2월 18일 첫 기사가 보도된 이후부터 2019년 4월 30일까지 약 15개월 동안 보도된 간호사 괴롭힘 또는 태움 관련 기사에 대한 댓글 텍스트의 주요 단어들을 추출하기 위해 Python의 오픈소스 라이브러리인 KoNLPy를 이용하였다. 형태소 분석기인 OKT (Open Korean Text)를 이용하여 명사형 단어(일반명사, 고유명사, 의존명사, 대명사) 20,202개를 추출하였다. 이들 중 의미 없는 단어들이나 본 연구의 내용과 관련 없는 단어들은 제외하면서 고빈도이며 유의미한 단어들을 선별하였다.
형태소 분석기인 OKT (Open Korean Text)를 이용하여 명사형 단어(일반명사, 고유명사, 의존명사, 대명사) 20,202개를 추출하였다. 이들 중 의미 없는 단어들이나 본 연구의 내용과 관련 없는 단어들은 제외하면서 고빈도이며 유의미한 단어들을 선별하였다. 이때 유사어, 예를 들어 ‘신입’과 ‘신규’, ‘의료’와 ‘보건의료’, ‘여성’과 ‘여자’, ‘간호대학’과 ‘간호학과’, ‘폭행’과 ‘폭언’ 또는 ‘폭력’ 등은 하나의 단어로 통합하였다.

데이터처리

자료분석을 위해 Python (ver 3.7.2), UCINET (ver 6.679) 및 Netdraw (ver 2.168) 프로그램을 이용하였다. 2018년 2월 18일 첫 기사가 보도된 이후부터 2019년 4월 30일까지 약 15개월 동안 보도된 간호사 괴롭힘 또는 태움 관련 기사에 대한 댓글 텍스트의 주요 단어들을 추출하기 위해 Python의 오픈소스 라이브러리인 KoNLPy를 이용하였다.
네트워크 연결선은 연결강도가 강할수록 굵게 표시하였다. 또한 네트워크 내에서 노드들 간의 상관관계를 토대로 구조적 등위성(structural equivalence)을 파악하는 CONCOR (CONvergence of iterated CORrelations) 분석을 실시하였다. 구조적 등위성은 연결망 내의 노드들이 서로 같은 유형의 관계를 맺고 있는지를 나타내는 개념이다[19].

이론/모형

168) 프로그램을 이용하였다. 2018년 2월 18일 첫 기사가 보도된 이후부터 2019년 4월 30일까지 약 15개월 동안 보도된 간호사 괴롭힘 또는 태움 관련 기사에 대한 댓글 텍스트의 주요 단어들을 추출하기 위해 Python의 오픈소스 라이브러리인 KoNLPy를 이용하였다. 형태소 분석기인 OKT (Open Korean Text)를 이용하여 명사형 단어(일반명사, 고유명사, 의존명사, 대명사) 20,202개를 추출하였다.
Netdraw 프로그램을 이용하여 2가지 도식을 작성하였다. 먼저 54개 노드들의 동시출현매트릭스를 이용하여 전체 네트워크 도식을 작성하였다.

성능/효과

이때 유사어, 예를 들어 ‘신입’과 ‘신규’, ‘의료’와 ‘보건의료’, ‘여성’과 ‘여자’, ‘간호대학’과 ‘간호학과’, ‘폭행’과 ‘폭언’ 또는 ‘폭력’ 등은 하나의 단어로 통합하였다. 검토 결과 빈도 200위 이내의 50회 이상 고빈도로 나타나고 있는 유의미한 단어 54개를 추출하였고, 이들 54개 단어의 빈도와 빈도순위를 산출하였다.
‘임금(wage)’, ‘간호조무사(nurse-aid)’, ‘미국(United State of America)’, ‘선배(senior)’ 등과 같은 노드는 높은 빈도와 함께 아이겐벡터 중심성 값이 높아 다른 노드들과의 연결정도가 높음을 보여주었다.
구조적 등위성 분석결과를 보면 2018년 3월과 2019년 1월 모두 ‘근무환경’으로 대표되는 여러 개의 노드들이 모인 클러스터가 있고 이 클러스터는 ‘간호사’로 대표되는 또 다른 클러스터와 강한 연관성을 보여주고 있었다.
분석 결과 ‘간호사’, ‘병원’, ‘환자’, ‘의사’가 네트워크의 중심에서 다른 노드들과 주요하게 연결되고 있었고 노드 간 매개의 역할을 하고 있었다.
분석 결과 ‘간호사’, ‘병원’, ‘환자’, ‘의사’가 네트워크의 중심에서 다른 노드들과 주요하게 연결되고 있었고 노드 간 매개의 역할을 하고 있었다. 구조적 등위성 분석에서는 2018년 3월에 비해 2019년 1월의 결과가 간호사 괴롭힘 이슈가 반복되면서 간호사 클러스터, 의사 클러스터, 그리고 간호조무사 클러스터가 명확하게 구분되어 이들간의 비교나 관련성이 드러나는 결과를 보여주었다. 추후 온라인에서 제공되는 다양한 데이터를 이용하여 소셜네트워크 분석기법을 이용한 간호 관련 현상 탐색 연구가 이루어지기를 제언한다.
분석 결과 가장 빈도와 중심성이 높은 노드는 ‘간호사’였고 ‘간호사’를 중심으로 ‘병원’, ‘의사’, ‘환자’가 강하게 연관되어 네트워크의 중심에 있었다.

후속연구

본 연구에서 실시하는 댓글 분석은 그 양이 방대하고 비정형적이어서 빅데이터 분석방법 중 하나인 의미연결망 분석이 유용하리라고 생각된다. 의미연결망 분석은 소셜네트워크 분석(social network analysis)을 커뮤니케이션 메시지에 적용시킨 방법이고[11] 네트워크 분석 중에서 텍스트 내의 의미구조를 찾으며 이를 시각화하여 파악할 수 있도록 하는 방법이다[12].
본 연구에서는 노드들의 빈도뿐만 아니라 노드들 간의 연결상태, 노드들이 구성하는 네트워크의 구조를 파악하여 간호사 괴롭힘 이슈를 계기로 드러난 대중들의 간호사 및 간호전문직에 대한 인식이 어떠한 의미를 가지고 있는지를 파악해 보고자 한다. 본 연구의 결과는 대중들의 인식에 대한 정확한 이해를 바탕으로 간호사 및 간호전문직에 대한 인식을 개선할 수 있는 다양한 방안을 마련하는데 근거를 제공할 것으로 기대된다.
서구권 국가에서도 간호사 괴롭힘 문제는 지속적으로 발생하고 있으며 이에 대한 인식이 많은 연구들을 통해 이루어지고 있다[29]. 국내에서는 직장 내 괴롭힘 방지법이 2019년 7월 16일부터 본격 시행되었는데 이것이 앞으로 대중들의 간호사 관련 이슈에 대한 반응 중 한국과 미국으로 대표되는 다른 국가와의 비교에 어떻게 작용할지도 추후 분석이 필요하리라 생각된다.
본 연구의 분석 자료인 간호사 괴롭힘 관련 인터넷 포털 기사 댓글에는 기사와 관련 없는 의견이 포함되었을 가능성이 있고 간호사나 관련 직종 및 또는 연관된 사람들이 주로 의견을 제시했을 가능성이 있어 본 연구의 결과가 일반 대중의 의견이라고 일반화시키기에는 다소 무리가 있다. 또한 본 연구에서 이용한 분석은 댓글을 이루는 텍스트의 구조를 이해하는 일부 방법일 뿐이며 연구결과는 질적 해석이 불가피하므로 연구자의 주관을 완전히 배제할 수는 없다.
또한 본 연구에서 이용한 분석은 댓글을 이루는 텍스트의 구조를 이해하는 일부 방법일 뿐이며 연구결과는 질적 해석이 불가피하므로 연구자의 주관을 완전히 배제할 수는 없다. 그럼에도 불구하고 본 연구에서 시도한 소셜네트워크 분석은 간호정책의 장단점과 개선점 등을 대중에게 부각시킬 수 있는 방법일 뿐만 아니라[10] 향후 간호연구의 방향을 제시해 줄 수 있는 방법으로서[14], 본 연구결과를 토대로 간호 관련 이슈가 대중들에게 어떻게 인식되고 있는지를 이해하는 노력을 지속함으로써 소셜네트워크 분석 기법을 활용한 정책과 연구들이 활발하게 수행되기를 기대한다.
구조적 등위성 분석에서는 2018년 3월에 비해 2019년 1월의 결과가 간호사 괴롭힘 이슈가 반복되면서 간호사 클러스터, 의사 클러스터, 그리고 간호조무사 클러스터가 명확하게 구분되어 이들간의 비교나 관련성이 드러나는 결과를 보여주었다. 추후 온라인에서 제공되는 다양한 데이터를 이용하여 소셜네트워크 분석기법을 이용한 간호 관련 현상 탐색 연구가 이루어지기를 제언한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	구조적 등위성이란?	또한 네트워크내에서 노드들 간의 상관관계를 토대로 구조적 등위성(structural equivalence)을 파악하는 CONCOR (CONvergence of iterated CORrelations) 분석을 실시하였다. 구조적 등위성은 연결망 내의 노드들이 서로 같은 유형의 관계를 맺고 있는지를 나타내는 개념이다[19]. 노드 A와 노드 B가 서로 직접적으로 연결되어 있지 않더라도 또 다른 노드 C와 연결되어 있다면 노드 A와 노드 B는 구조적으로 같은 위치(등위)를 차지한다고 개념화된다.
	현재 간호전문직에 대한 인식은 어떠한가?	대중들의 간호전문직에 대한 인식이 현실을 반영하지 못하는 것은 국내뿐만이 아니다. 지난 10년간 15~24세 젊은 사람들의 간호사에 대한 인식을 조사한 연구들을 통합한 국외 연구[9]에 따르면 여전히 간호사는 친절하고 열심히 일하지만 의사의 지시 하에 일하며 자율성이 없고 지적 수준이 낮고 근무환경이 열악하며 사회의 낮은 계층을 차지한다고 보고되었다. 이러한 인식에는 미디어가 영향을 미치고 있었다.
	의미연결망 분석의 특징은 뭔가요?	본 연구에서 실시하는 댓글 분석은 그 양이 방대하고 비정형적이어서 빅데이터 분석방법 중 하나인 의미연결망 분석이 유용하리라고 생각된다. 의미연결망 분석은 소셜네트워크 분석(social network analysis)을 커뮤니케이션 메시지에 적용시킨 방법이고[11] 네트워크 분석 중에서 텍스트 내의 의미구조를 찾으며 이를 시각화하여 파악할 수 있도록 하는 방법이다[12]. 국외에서는 간호 분야의 소셜네트워크 분석 연구들에 대한 체계적 문헌 고찰 연구가 출판되었으며[13] 국내에서도 간호간병통합서비스 관련 온라인 기사 및 소셜미디어의 의미 연결망 분석 연구[10]나 임상간호연구에 게재된 논문 주요어에 대한 텍스트 네트워크 분석 연구[14] 등 빅데이터를 분석한 연구들이 출판되기 시작하여 앞으로 간호 분야에서 활발한 빅데이터 네트워크 분석 연구가 기대되고 있다.

참고문헌 (30)

Kramer M, Maguire P, Brewer BB. Clinical nurses in Magnet hospitals confirm productive, healthy unit work environments. Journal of Nursing Management. 2011;19(1):5-17. https://doi.org/10.1111/j.1365-2834.2010.01211.x

상세보기
Khoury CM, Blizzard R, Wright Moore L, Hassmiller S. Nursing leadership from bedside to boardroom: A Gallup national survey of opinion leaders. The Journal of Nursing Administration. 2011;41(7-8):299-305. https://doi.org/10.1097/nna.0b013e3182250a0d

상세보기
Korea Employment Information Service. 2019 Korea occupational outlook [Internet]. Eumseong: Korea Employment Information Service; c2018 [cited 2019 Sep 20]. Available from: http://www.keis.or.kr/user/extra/main/2108/publication /publicationList/jsp/LayOutPage.do?categoryIdx125&pu bIdx5212&onlyListN.
Yom YH, Kim K, Son H, Jeon JH, Lee J, Kim MA. Analysis of the image and likability of the nurse. Journal of Korean Clinical Nursing Research. 2015;21(2):169-179. https://doi.org/10.22650/JKCNR.2015.21.2.169

원문보기 상세보기
Yom YH, Kim K, Son H, Lee JM, Jeon JH, Kim M. An analysis of the image of nurses portrayed on Korean TV dramas. Journal of Korean Clinical Nursing Research. 2015;21(3):412-423. https://doi.org/10.22650/JKCNR.2015.21.3.412

원문보기 상세보기
Park S, Park S, Lee C, Yun M, Hwang K. Images of nurses portrayed in internet newspaper. Culture and Convergence. 2017;39(6):677-700.
Hall LM, Angus J, Peter E, O'Brien-Pallas L, Wynn F, Donner G. Media portrayal of nurses' perspectives and concerns in the SARS crisis in Toronto. Journal of Nursing Scholarship. 2003;35(3):211-216. https://doi.org/10.1111/j.1547-5069.2003.00211.x

상세보기
Na MS, Kang JH. A frame analysis of nurse-related articles from Korean daily newspapers. The Journal of Korean Academic Society of Nursing Education. 2018;24(4):453-462. https://doi.org/10.5977/jkasne.2018.24.4.453

원문보기 상세보기
Glerean N, Hupli M, Talman K, Haavisto E. Young peoples' perceptions of the nursing profession: An integrative review. Nurse Education Today. 2017;57:95-102. https://doi.org/10.1016/j.nedt.2017.07.008

상세보기
Kim M, Choi M, Youm Y. Semantic network analysis of online news and social media text related to comprehensive nursing care service. Journal of Korean Academy of Nursing. 2017;47(6):806-816. https://doi.org/10.4040/jkan.2017.47.6.806

원문보기 상세보기
Choi YJ, Kweon SH. A semantic network analysis of the newspaper articles on big data. Journal of Cybercommunication Academic Society. 2014;31(1):241-286.

상세보기
Han K. The meaning and research agenda in network analysis as social science methodology. Journal of Korean Social Studies. 2003;10(2):219-235.
Benton DC, Perez-Raya F, Fernandez-Fernandez MP, Gonzalez-Jurado MA. A systematic review of nurse related social network analysis studies. International Nursing Review. 2015;62(3):321-339. https://doi.org/10.1111/inr.12161

상세보기
Kim YH, Moon SM, Kwon IG, Kim KS, Jeong GH, Shin ES, et al. Research trends of articles published in the Journal of Korean Clinical Nursing Research from 2000 to 2017: Text network analysis of keywords. Journal of Korean Clinical Nursing Research. 2019;25(1):80-90. https://doi.org/10.22650/JKCNR.2019.25.1.80

원문보기 상세보기
Marin A, Wellman B. Social network analysis: An introduction. In: Scott J, Carrington PJ, editors. The SAGE handbook of social network analysis. London: SAGE Publications; 2014. p. 11-25.
Bonacich P. Some unique properties of eigenvector centrality. Social Networks. 2007;29(4):555-564. https://doi.org/10.1016/j.socnet.2007.04.002

상세보기
Kwak K. Social network analysis. Seoul: Chungram; 2014. p. 199-200.
Freeman LC. Centrality in social networks conceptual clarification. Social Networks. 1978-1979;1(3):215-239. https://doi.org/10.1016/0378-8733(78)90021-7

상세보기
Kim YH, Kim YJ. Social network analysis. 4th ed. Seoul: Pakyoungsa; 2016. p. 26-30, 161-164.
Kim JE, Jung HJ, Kim HN, Son SY, An SK, Kim SB, et al. The image of nurses and their clinical role portrayed in Korean medical TV dramas in recent 5 years. Perspectives in Nursing Science. 2013;10(2):120-132.
Lee HZ, Lee HS, Yom YH, Lee JM, Jung WS, Park HJ. A study of the image of nurse through analysing linking words of nurse in the internet and social media. Journal of Korean Clinical Nursing Research. 2016;22(2):173-182. https://doi.org/10.22650/JKCNR.2016.22.2.173

원문보기 상세보기
Jin L. A thematic analysis on nurses in newspaper articles [dissertation]. Seoul: Ewha Womans University; 2013. p. 1-125.
Kristen E, Banuelos B, Urban D. Workplace violence and harassment of low-wage workers. Berkeley Journal of Employment and Labor Law. 2015;36(1):169-213. https://doi.org/10.15779/Z38MS1C
Hong KJ, Cho SH. Comparison of nursing workforce supply and employment in South Korea and other OECD countries. Perspectives in Nursing Science. 2017;14(2):55-63. https://doi.org/10.16952/pns.2017.14.2.55

원문보기 상세보기
Kim JH, Ha SG, Lee TJ, Park YW, Kim YH. Guideline development of standard wages for hospital nurses. Seoul: Korean Hospital Nurses Association; 2019 May. Report No.: 2018 Research report.
Lake ET. Development of the practice environment scale of the Nursing Work Index. Research in Nursing & Health. 2002;25(3):176-188. https://doi.org/10.1002/nur.10032

상세보기
Cho E, Sloane DM, Kim EY, Kim S, Choi M, Yoo IY, et al. Effects of nurse staffing, work environments, and education on patient mortality: An observational study. International Journal of Nursing Studies. 2015;52(2):535-542. https://doi.org/10.1016/j.ijnurstu.2014.08.006

상세보기
Aiken LH, Cimiotti JP, Sloane DM, Smith HL, Flynn L, Neff DF. The effects of nurse staffing and nurse education on patient deaths in hospitals with different nurse work environments. Medical Care. 2011;49(12):1047-1053. https://doi.org/10.1097/mlr.0b013e3182330b6e

상세보기
Castronovo MA, Pullizzi A, Evans S. Nurse bullying: A review and a proposed solution. Nursing Outlook. 2016;64(3):208-214. https://doi.org/10.1016/j.outlook.2015.11.008

상세보기
Kim SA. Misogynistic cyber hate speech in Korea. Issues in Feminism. 2015;15(2):279-317. https://doi.org/10.21287/iif.2015.10.15.2.279

저자의 다른 논문 :

LOADING...

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증