[논문]주제어 네트워크 분석(network analysis)을 통한 국내 감정노동의 연구동향 탐색

이남연; 김준환; 문형진

doi:10.22156/cs4smb.2019.9.3.068

주제어 네트워크 분석(network analysis)을 통한 국내 감정노동의 연구동향 탐색
Exploration of Emotional Labor Research Trends in Korea through Keyword Network Analysis 원문보기

융합정보논문지 = Journal of Convergence for Information Technology, v.9 no.3, 2019년, pp.68 - 74

이남연 (한신대학교 IT경영학과) , 김준환 (성결대학교 파이데이아학부) , 문형진 (성결대학교 정보통신공학부)

초록
AI-Helper

본 연구는 최근 10년 동안(2009-2018) 국내 학술지에 발표된 감정노동(emotional labor) 관련 892편의 논문을 텍스트 마이닝(text-mining) 및 네트워크 분석(network analysis)을 활용하여 연구동향을 파악하는 것이 목적이다. 이를 위해 이들 논문의 주제어를 수집 및 코딩하여 최종적으로 871개의 노드(node)와 2625개의 링크(link)로 변환시켜 네트워크 텍스트로 분석하였다. 첫째, 네트워크 텍스트 분석 결과로 동시출현빈도에 따른 상위 4개 주요 주제어는 번아웃, 이직의도, 직무스트레스, 직무만족 순으로 나타났으며, 연결중심성에 따른 상위 4개 주제어들의 빈도와 연결중심성 모두 비교적 높은 것으로 확인되었다. 둘째, 연결중심성 상위 4개의 주제어를 바탕으로 자아(ego)연결망 분석을 실시하여 각 네트워크의 연결중심도에 대한 주제어를 제시하였다.

Abstract ▼ AI-Helper

The purpose of this study was to identify research trends of 892 domestic articles (2009-2018) related to emotional labor by using text-mining and network analysis. To this end, the keyword of these papers were collected and coded and eventually converted to 871 nodes and 2625 links for network text analysis. First, network text analysis revealed that the top four main keyword, according to co-occurrence frequency, were burnout, turnover intention, job stress, and job satisfaction in order and that the frequency and the top four core keyword by degree centrality were all relatively the high. Second, based on the top four core keyword of degree centrality the ego network analysis was conducted and the keyword for connection centroid of each network were presented.

주제어

표/그림 (9)

그림 Fig. 1. Overall research process
그림 Fig. 2. Rule set for data cleansing
그림 Fig. 3. Co-occurrence keyword network (top-50)
표 Table 1. Co-occurrence matrix of high frequency keyword
표 Table 2. Top 10 keyword with centrality and frequency
그림 Fig. 4. Ego-network of ‘Burnout’ keyword
그림 Fig. 5. Ego-network of ‘Turnover Intention’ keyword
그림 Fig. 6. Ego-network of ‘Occupational Stress’ keyword
그림 Fig. 7. Ego-network of ‘Job Satisfaction’ keyword

AI 본문요약
AI-Helper

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

문제 정의

또한 본 연구에서는 각각의 주제어의 네트워크를 분석하여 감정노동 연구와 관련한 핵심 주제어를 선정하고, 각 핵심 주제어별 자아네트워크를 분석하여 감정노동 관련 연구에서 주로 다루고 있는 주제들에 대해서 분석하였다. 네트워크 분석에서는 Freeman이 제안한 중심성 지표를 바탕으로 네트워크 내 노드들의 중요성을 분석하였다[19].
본 연구는 지난 10년간의 감정노동관련 국내 학술지를 주제어 간의 관계적 구조를 분석하여 감정노동 연구동향을 탐색하였다. 이를 위해 기존의 국내 감정노동 연구동향 분석에서는 사용하지 않았던 네트워크 분석을 사용하였다.
본 연구에서는 수집된 논문의 주제어 데이터를 기반으로 우선 동시출현단어분석을 수행하였다. 동시출현단어분석은 문헌에서 등장한 단어들의 연관관계를 분석하기 위한 기법으로[14], 기존 연구들에서 논문의 초록이나 주제어를 기반으로 해당 단어들이 하나의 문서에서 동시에 출현한 빈도를 통해 단어들 관계를 분석하는데 사용되어왔다[15-18].

제안 방법

이후 각 논문의 주제어들에 대한 일반화(normalization)를 수행하였다. 892편의 논문의 주제어에 대해서 같은 의미를 가지나 다른 단어로 표현된 주제어들이 다수 포함되어 단어출현빈도를 바탕으로 상위의 단어로 변환시키고 감정노동과 관련한 전문가들을 대상으로 변환 작업에 대한 검증을 수행하였다. Fig.
해당 작업 완료 후 전체 주제어 세트를 대상으로 문서 내 동시출현단어분석 및 주제어 네트워크를 도출한 후 각각의 주제어에 대한 중심성(centrality)을 계산하였다. 계산된 중심성을 바탕으로 주요 핵심 주제어를 선정한 후, 핵심 주제어 별 자아네트워크를 분석하였다.
마지막으로 매개중심성은 노드들 사이의 중개 역할에 초점을 두는 지표로 노드들 사이의 최단거리 경로 상에 해당 노드가 많이 위치할 경우 정보 전달의 매개자 역할을 수행하는 노드로 판단하는 지표이다. 따라서 본 연구에서는 연결중심성 지표를 바탕으로 감정노동 연구의 핵심 주제어를 분석하고, 이후 핵심 주제어별 자아네트 워크를 추가적으로 도출하고, 네트워크의 특징을 확인하였다. 본 연구에서는 통계분석도구인 R의 ‘tm’패키지와 ‘qgraph’, ‘igraph’ 패키지를 이용하여 동시출현빈도분석 및 논문 주제어 네트워크 분석을 수행하였다.
본 연구에서 수집한 감정노동 관련 논문들의 주제어 세트는 데이터 정제 과정을 거쳐 총 871개의 핵심어 단어를 최종 선정하였으며, 최종 선정된 핵심어 단어들을 바탕으로 동시출현빈도분석을 수행하였다. 수행 결과 ‘감정노동’ 키워드와 ‘이직의도’, ‘직무만족’, ‘직무스트레스’, ‘표면연기’, ‘내면연기’, ‘직무소진’, ‘감정부조화’, ‘병원 및 보건종사자’, ‘스트레스’ 등의 단어의 동시출현빈도가 높은 것으로 나타났다.
본 연구에서는 연결중심성 상위 4개의 주제어를 바탕으로 각각 자아연결망을 분석하였다. 번아웃의 자아연결망 분석결과는 Fig.
본 연구에서는 텍스트 마이닝 기법을 이용하여 감정노동과 관련한 연구의 동향을 분석하였다. 이를 위해서 Fig.
본 연구에서도 동시출현단어분석을 통해 ‘감정노동’으로 검색된 논문들의 주제어들 사이의 동시출현빈도분석을 수행하여 감정노동과 관련된 연구의 전체적인 동향을 파악하였다.
수집된 감정노동 문헌의 주제어 세트에 대한 네트워크 분석을 수행하였다. 수행 결과, 전체 네트워크의 정규화된 중심화 정도는 0.
우선 ‘감정노동’ 주제어를 기반으로 해당 주제어가 포함된 국내 논문을 수집한 후, 해당 논문의 주제어를 추출하였다.
본 연구는 지난 10년간의 감정노동관련 국내 학술지를 주제어 간의 관계적 구조를 분석하여 감정노동 연구동향을 탐색하였다. 이를 위해 기존의 국내 감정노동 연구동향 분석에서는 사용하지 않았던 네트워크 분석을 사용하였다. 분석결과를 바탕으로 본 연구의 결론 및 시사점을 요약하면 다음과 같다.
‘감정노동’ 주제어를 포함하는 총 1,409편의 논문이 검색되었고, 이 중 해당 검색서비스 내의 웹페이지 내에서 주제어 표기가 제공되지 않거나 영어주제어로만 표기되어 있는 논문 517편을 제외한 892편의 논문을 분석 데이터로 활용하였다. 이후 각 논문의 주제어들에 대한 일반화(normalization)를 수행하였다. 892편의 논문의 주제어에 대해서 같은 의미를 가지나 다른 단어로 표현된 주제어들이 다수 포함되어 단어출현빈도를 바탕으로 상위의 단어로 변환시키고 감정노동과 관련한 전문가들을 대상으로 변환 작업에 대한 검증을 수행하였다.
우선 ‘감정노동’ 주제어를 기반으로 해당 주제어가 포함된 국내 논문을 수집한 후, 해당 논문의 주제어를 추출하였다. 이후 같은 의미를 가지나 상이하게 표현된 주제어에 대해서 하나의 단어로 통일하거나, 표기가 잘못된 단어 등에 대한 데이터 정제 작업을 수행하였다. 해당 작업 완료 후 전체 주제어 세트를 대상으로 문서 내 동시출현단어분석 및 주제어 네트워크를 도출한 후 각각의 주제어에 대한 중심성(centrality)을 계산하였다.
이후 같은 의미를 가지나 상이하게 표현된 주제어에 대해서 하나의 단어로 통일하거나, 표기가 잘못된 단어 등에 대한 데이터 정제 작업을 수행하였다. 해당 작업 완료 후 전체 주제어 세트를 대상으로 문서 내 동시출현단어분석 및 주제어 네트워크를 도출한 후 각각의 주제어에 대한 중심성(centrality)을 계산하였다. 계산된 중심성을 바탕으로 주요 핵심 주제어를 선정한 후, 핵심 주제어 별 자아네트워크를 분석하였다.

대상 데이터

‘감정노동’ 주제어를 포함하는 총 1,409편의 논문이 검색되었고, 이 중 해당 검색서비스 내의 웹페이지 내에서 주제어 표기가 제공되지 않거나 영어주제어로만 표기되어 있는 논문 517편을 제외한 892편의 논문을 분석 데이터로 활용하였다.
본 연구에서는 분석에 사용될 연구데이터의 확보를 위해 한국교육학술정보원(KERIS)에서 제공하는 RISS 논문 검색 서비스(www.riss.kr)에서 ‘감정노동’ 주제어를 포함하는 논문의 초록, 주요 주제어 등의 정보를 수집하였다.

데이터처리

본 연구에서는 통계분석도구인 R의 ‘tm’패키지와 ‘qgraph’, ‘igraph’ 패키지를 이용하여 동시출현빈도분석 및 논문 주제어 네트워크 분석을 수행하였다.

이론/모형

또한 본 연구에서는 각각의 주제어의 네트워크를 분석하여 감정노동 연구와 관련한 핵심 주제어를 선정하고, 각 핵심 주제어별 자아네트워크를 분석하여 감정노동 관련 연구에서 주로 다루고 있는 주제들에 대해서 분석하였다. 네트워크 분석에서는 Freeman이 제안한 중심성 지표를 바탕으로 네트워크 내 노드들의 중요성을 분석하였다[19]. Freeman은 연결중심성(degree centrality), 근접중심성(closeness centrality), 매개중심성(betweenness centrality)의 3가지 지표를 제안하였는데, 연결중심성은 하나의 노드들이 얼마나 많은 노드와 연결되어 있는가를 나타내는 것으로 연결중심성이 높을수록 네트워크 내에서 중요한 노드임을 나타낸다.
kr)에서 ‘감정노동’ 주제어를 포함하는 논문의 초록, 주요 주제어 등의 정보를 수집하였다. 해당 정보의 수집을 위해서 본 연구에서는 python의 selenium, BeautifulSoup 패키지를 이용하였다. ‘감정노동’ 주제어를 포함하는 총 1,409편의 논문이 검색되었고, 이 중 해당 검색서비스 내의 웹페이지 내에서 주제어 표기가 제공되지 않거나 영어주제어로만 표기되어 있는 논문 517편을 제외한 892편의 논문을 분석 데이터로 활용하였다.

성능/효과

둘째, 본 연구의 핵심주제어 자아연결망 분석결과의 상위에 포함되는 핵심어들이 대부분 감정노동의 결과변수와 밀접한 관계를 가지는 것으로 나타났다(번아웃-이직의도(0.239), 직무스트레스(0.210); 이직의도-직무만족(0.336), 번아웃(0.300), 직무스트레스(0.175); 직무스트레스-번아웃(0.273), 이직의도(0.182), 직무만족(0.174); 직무만족-이직의도(0.351), 표면연기(0.237), 직무스트레스(0.176). 따라서 감정노동의 결과변수로서 직무와의 관계를 분석한 연구가 주로 이루어진 것으로 확인되었다.
수행 결과 ‘감정노동’ 키워드와 ‘이직의도’, ‘직무만족’, ‘직무스트레스’, ‘표면연기’, ‘내면연기’, ‘직무소진’, ‘감정부조화’, ‘병원 및 보건종사자’, ‘스트레스’ 등의 단어의 동시출현빈도가 높은 것으로 나타났다.
첫째, 전체 네트워크의 연결중심성 분석을 통해 감정노동과 활발하게 연구되고 있는 주제는 번아웃(0.205), 이직의도(0.16), 직무스트레스(0.154), 직무만족(0.153), 표면연기(0.129)임을 확인하였다. 연결중심성은 노드(node)의 상대적 중요성을 나타내는 척도로 다른 핵심어와 얼마나 연결되어 있는가를 중요성의 기준으로 삼기 때문에 연구 빈도수가 높다고 볼 수 있다.
출현빈도에 따른 상위 4개 주요 주제어는 번아웃, 이직의도, 직무스트레스, 직무만족 순으로, 연결중심성에 따른 상위 4개 주제어 역시 같은 순서로 나타났다. 상위 주제어들이 빈도와 연결중심성 모두 비교적 높은 것으로 나타났다.

후속연구

이는 상호작용 유형에 따른 제공자들의 감정표현이 상호작용형태에 따라 다양한 감정패턴과 유형으로 나타나 관련 연구가 활발해진 것으로 이해할 수 있다. 결론적으로 국내의 감정노동 연구는 다양한 주제로 연구가 진행된 것으로 확인되었으며, 최근 사회적으로 감정노동의 관심이 증대되어 있는 상황에서 각 주제별 중심성에 대한 특징을 제시하여 주요 기초 자료로 활용될 수 있을 것이다.
이와 같이 볼 때, 현재 감정노동이라는 현상 영역(substantive domain)에서 주로 어떤 관계를 가지고 있는지를 확인하는 과정을 통해 감정노동의 개념 및 연구영역에 대한 경계를 보다 구체적으로 확인해보는 것이 필요하다고 할 수 있다. 이를 위해 국내 감정노동의 연구동향을 텍스트 마이닝 기법을 활용하여 주요 주제어의 관계를 분석하고, 네트워크 분석을 통하여 감정노동 관련 연구에서 주요하게 다루어지는 주제어를 파악할 수 있을 것으로 기대된다.
따라서 분석수준에 따라 정보 분석방법을 다양화하여 심층적인 결과를 제안할 수 있도록 조사할 필요가 있다. 추가적으로 본 연구에서는 논문의 게재시점에 따른 분석을 따로 수행하지는 않았으나 시간에 따른 ‘감정노동’ 관련 연구의 주제를 분석하여 보다 의미 있는 결과가 도출되기를 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	애이불비(哀而不悲)란 무엇인가?	애이불비(哀而不悲) 즉, 속으로는 슬프기는 하지만 겉으로 슬픔을 나타내지 않는 것을 말한다. 이처럼 직장 내에서 실제 자신이 느끼는 감정과는 무관하게, 원래 감정을 숨기고 다른 몸짓과 얼굴 표정을 해야 하는 상황으로 Hochschild(1983)가 승무원을 대상으로 한 연구에서 ‘감정 노동’(emotional labor)을 처음 제시하였다[1].
	‘감정 노동’ 상황이란 무엇인가?	애이불비(哀而不悲) 즉, 속으로는 슬프기는 하지만 겉으로 슬픔을 나타내지 않는 것을 말한다. 이처럼 직장 내에서 실제 자신이 느끼는 감정과는 무관하게, 원래 감정을 숨기고 다른 몸짓과 얼굴 표정을 해야 하는 상황으로 Hochschild(1983)가 승무원을 대상으로 한 연구에서 ‘감정 노동’(emotional labor)을 처음 제시하였다[1]. 배우가 감정연기를 하듯이, 타인의 감정에 맞추기 위해 가식적인 감정을 표현하거나 자신의 감정을 통제하는 감정노동은 때로는 스트레스와 같은 다양한 심리적 결과를 야기한다.
	감정노동은 종업원에게 어떤 영향을 끼치는가?	배우가 감정연기를 하듯이, 타인의 감정에 맞추기 위해 가식적인 감정을 표현하거나 자신의 감정을 통제하는 감정노동은 때로는 스트레스와 같은 다양한 심리적 결과를 야기한다. 특히 조직이 요구하는 직무규범과 개인의 감정이 불일치가 될 때 심각한 종업원은 감정부조화(emotional dissonance)를 경험하게 되고 이러한 상황이 계속되면, 직무만족은 낮아지고 스트레스와 번아웃 등의 증상이 커지게 된다[2,3]. 결국 감정노동이 심해지게 되면, 조직구성원들은 심리적으로 탈진하게 되고, 업무성과도 하락하게 된다는데 문제의 심각성이 있다고 볼 수 있다.

참고문헌 (19)

A. R. Hochschild. (1983). The managed heart: Commercialism of human feeling. Berkeley.
A. Rafaeli & R. I. Sutton. (1991). Emotional contrast strategies as means of social influence: Lessons from criminal interrogators and bill collectors. Academy of Management Journal, 34(4), 749-775.

상세보기
E. S. An & J. E. Chae. (2018). The effects of job characteristics of elderly caregivers on their job satisfaction and burnouts: Mediating effects of emotional labor. Journal of Digital Convergence, 16(1), 21-33. DOI : 10.14400/JDC.2018.16.1.021

원문보기 상세보기
S. Fineman. (2000). Emotion in organizations. Sage.
A. S. Wharton. (1993). The affective consequences of service work: Managing emotions on the job. Work and Occupations, 20(2), 205-232.

상세보기
B. M. Staw & S. G. Barsade. (1993). Affect and managerial performance: A test of the sadder-but-wiser vs. happier-and-smarter hypotheses. Administrative Science Quarterly, 304-331.
H. M. Weiss. (1990). Learning theory and industrial and organizational psychology.
S. J. Grove & R. P. Fisk. (1989). Impression management in services marketing: A dramaturgical perspective. In R. A. Giacalone & P. Rosenfeld (Eds.), Impression management in the organization (pp. 427-438). Hillsdale, NJ: Erlbaum.
C. M. Brotheridge & R. T. Lee. (2003). Development and validation of the emotional labour scale. Journal of Occupational and Organizational Psychology, 76(3), 365-379. DOI : 10.1348/096317903769647229

상세보기
Y. Liu, L. M. Prati, P. L. Perrewe & G. R. Ferris. (2008). The relationship between emotional resources and emotional labor: An exploratory study. Journal of Applied Social Psychology, 38(10), 2410-2439. DOI : 10.1111/j.1559-1816.2008.00398.x

상세보기
H. Lee & J. H. Kim. (2018). A convergence study on the structural relationships among emotional labor and work performance of information security professionals. Journal of the Korea Convergence Society, 9(1), 67-74. DOI : 10.15207/JKCS.2018.9.1.067

원문보기 상세보기
S. Y. Ahn. (2017). The convergence relation of communication, emotional labor, and organizational commitment among nurse. Journal of the Korea Convergence Society, 8(6), 147-152. DOI : 10.15207/JKCS.2017.8.6.147

원문보기 상세보기
H. E. Lee & J. H. Kim. (2019). Effects of acceptance of appreciative Inquiry and emotional labor on organizational commitment and job satisfaction. Journal of Digital Convergence, 17(1), 149-158. DOI : 10.14400/JDC.2019.17.1.149

원문보기 상세보기
Q. He (1999). Knowledge discovery through co-word analysis.
G. Y. Liu, J. M. Hu & H. L. Wang. (2011). A co-word analysis of digital library field in China. Scientometrics, 91(1), 203-217.
C. P. Hu, J. M. Hu, S. L. Deng & Y. Liu. (2013). A co-word analysis of library and information science in China. Scientometrics, 97(2), 369-382.

상세보기
J. Cho. (2011). A study for research area of library and information science by network text analysis. Journal of the Korean Society for Information Management, 28(4), 65-83. DOI : 10.3743/KOSIM.2011.28.4.065

원문보기 상세보기
S. K. Seo & E. K. Chung. (2013). Domain analysis on the field of open access by Co-word analysis. Journal of the Korean Biblia Society for Library and Information Science, 24(1), 207-228. DOI : 10.14699/kbiblia.2013.24.1.207

원문보기 상세보기
L. C. Freeman. (1977). A set of measures of centrality based on betweenness. Sociometry, 40(1), 35-41.

상세보기

저자의 다른 논문 :

LOADING...

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