$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 소셜미디어를 통한 우울 경향 이용자 담론 주제 분석
An Analysis of the Discourse Topics of Users who Exhibit Symptoms of Depression on Social Media 원문보기

정보관리학회지 = Journal of the Korean society for information management, v.36 no.4, 2019년, pp.207 - 226  

서하림 (연세대학교 문헌정보학과) ,  송민 (연세대학교 문헌정보학과)

초록
AI-Helper 아이콘AI-Helper

우울증은 전 세계적으로 많은 사람들이 겪고 있으며, 최근 다양한 분야에서 꾸준히 우울증에 대한 연구가 수행되고 있다. 특히 사람들이 본인의 스트레스나 감정 상태에 대해 소셜미디어에 공유한 글을 통해 그들의 심리나 정신건강에 대해 파악해보고자 하는 맥락에서 소셜미디어를 활용한 연구 역시 유의미하게 받아들여지고 있다. 이에 본 연구에서는 우울 경향의 이용자와 그렇지 않은 이용자들의 2016년부터 2019년 2월까지의 트위터 데이터를 수집하여 어떤 주제적, 어휘 사용의 특성을 보이는지 보고자 하였으며, 우울 경향의 시기별로도 어떤 차이를 보이는지 살펴보기 위해 우울 경향 관측 날짜를 기준으로 하여 이전(before) 시기와 이후(after) 시기를 구분하여 실험을 수행하였다. 토픽모델링, 동시출현 단어분석, 감성분석 방법을 통해 우울 경향과 비(非)우울 경향 이용자의 텍스트의 주제적 차이를 살펴보았고, 감성 반응에 따라 사용한 어휘에 대해서도 살펴봄으로써 어떠한 특성이 있는지 확인해 보았다. 데이터 수집 단계에서 '우울' 표현을 포함한 텍스트 데이터 수집방법을 통해 비교적 긴 기간, 많은 양의 데이터를 수집할 수 있었고, 또한 우울 경향의 여부와 시기적 구분에 따른 관심 주제에 대한 차이도 확인할 수 있었다는 점에서 유의미하다고 볼 수 있다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Depression is a serious psychological disease that is expected to afflict an increasing number of people. And studies on depression have been conducted in the context of social media because social media is a platform through which users often frankly express their emotions and often reveal their me...

주제어

#소셜미디어   #텍스트 마이닝   #트위터   #우울증   #토픽모델링   #동시출현단어 분석   #감성분석  

참고문헌 (27)

  1. Kim, Jae-bong, & Kim, Hyung-Joong (2017). A domain-specific sentiment lexicon construction method for stock index directionality. Digital Contents Society, 18(3), 585-592. 

  2. Bae, Jung-hwan, Son, Ji-eun, & Song, Min (2013). Analysis of twitter for 2012 south Korea presidential election by text mining techniques. Journal of Intelligence and Information Systems, 19(3), 141-156. https://doi.org/10.13088/jiis.2013.19.3.141 

    원문보기 상세보기 crossref

  3. Seo, Sang-hyeon, & Kim, Jun-Tae (2016). Deep learning based sentiment analysis research trends. Korea Multimedia Society, 3, 8-22. 

  4. Song, Min (2017). Text mining. Seoul: Chungram Books. 

  5. Song, Ho-Yun, Park, Han-chul, Yang, Won-seok, & Park, Jong-chul (2017). Predicting symptoms of depression for social media users via linguistic patterns. Korea Information Science Society, 625-627. 

  6. Yu, Eun-Ji, Kim, Yoo-sin, Kim, Nam-gyu, & Jeong, Seung-ryul (2013). Predicting the direction of the stock index by using a domain-specific sentiment dictionary. Journal of Intelligence and Information Systems, 19(1), 95-110. 

    원문보기 상세보기 crossref

  7. Lee, Sang Hoon, Jing Cui, & Kim, Jong-Woo (2016). Sentiment analysis on movie review through building modified sentiment dictionary by movie genre. Journal of Intelligence and Information Systems, 22(2), 97-113. https://doi.org/10.13088/jiis.2016.22.2.097 

    원문보기 상세보기 crossref

  8. Lee, Yu-Lim (2016). Pharmaceuticalization of emotion and structuring depression as experience: An analysis of the depression experiences of Korean women in their 20s. Korea Womens Studies Institute, 16(1), 81-117. 

  9. Lee, Hyun-Seo, & Song, Min (2018). An analysis of the influences between sentiment values of korean online news and macroeconomic indicators using text mining. Journal of Communication Science, 18(3), 129-169. https://doi.org/10.14696/jcs.2018.09.18.3.129 

    상세보기 crossref

  10. Chang, Jae-Young (2009). A sentiment analysis algorithm for automatic product reviews classification in on-line shopping mall. The Journal of Society for e-Business Studies, 14(4), 19-33. 

  11. Jin, Seol-A, & Song, Min (2016). Topic modeling based interdisciplinarity measurement in the informatics related journals. Journal of the Korean Society for Information Management, 33(1), 7-32. https://doi.org/10.3743/kosim.2016.33.1.007 

    원문보기 상세보기 crossref

  12. Bastian, Heymann, & Jacomy (2009). Gephi: An open source software for exploring and manipulating networks. Icwsm, 361-362. 

  13. Coppersmith, G., Dredze, M., & Harman, C. (2014). Quantifying mental health signals in twitter. Proceedings of the Workshop on Computational Linguistics and Clinical Psychology: From Linguistic Signal to Clinical Reality, 51-60. https://doi.org/10.3115/v1/w14-3207 

  14. De Choudhury, M. C. (2013). Social media as a measurement tool of depression in populations. Proceedings of the 5th Annual ACM Web Science Conference, 47-56. ACM. https://doi.org/10.1145/2464464.2464480 

  15. De Choudhury, M., Gamon, M., Counts, S., & Horvitz, E. (2013). Predicting depression via social media. ICWSM, 13, 1-10. 

  16. Hammen, C., & Brennan, P. A. (2002). Interpersonal dysfunction in depressed women: Impairments independent of depressive symptoms. Journal of Affective Disorders, 72(2), 145-156. https://doi.org/10.1016/s0165-0327(01)00455-4 

    상세보기 crossref

  17. Jiang, L., & Yang, C. C. (2013). Using co-occurrence analysis to expand consumer health vocabularies from social media data. IEEE International Conference on Healthcare Informatics, 75-81. https://doi.org/10.1109/ichi.2013.16 

  18. Mimno, D., & McCallum, A. (2008). Topic models conditioned on arbitrary features with dirichlet-multinomial regression. The 24th Conference on Unvertainty in Artificial Intelligence, 411-418. Helsinki: UAI. 

  19. NAMI. (2014). Tell me about depression. Retrieved from NAMI - National Alliance on Mental Illness: https://www.nami.org/Learn-More/Mental-Health-Conditions/Depression 

  20. Pang, B., Lee, L., & Vaithyanathan, S. (2002). Thumbs up?: sentiment classification using machine learning techniques. Proceedings of the ACL-02 conference on Empirical methods in natural language processing, 10, 79-86. Association for Computational Linguistics. 

  21. Park, M., Cha, C., & Cha, M. (2012). Depressive moods of users portrayed in twitter. Proceedings of the ACM SIGKDD Workshop on Healthcare Informatics, 1-8. New York: ACM. 

  22. SHINEWARE. (2013. 3. 20). Products-komoran. Retrieved from SHINEWARE: https://www.shineware.co.kr/products/komoran/ 

  23. Snow, R., O'Connor, B., Jurafsky, D., & Ng, Y. A. (2008). Cheap and fast---but is it good?: evaluating non-expert annotations for natural language tasks. Proceedings of the Conference on Empirical Methods in Natural Language Processing, 254-263. Association for Computational Linguistics. https://doi.org/10.3115/1613715.1613751 

  24. Wang, H., Can, D., Kazemzadeh, A., Bar, F., & Narayanan, S. (2012). A system for real-time twitter sentiment analysis of 2012 us presidential election cycle. Proceedings of the ACL 2012 System Demonstrations, 115-120. Association for Computational Linguistics. 

  25. Wang, Z. (2017). Machine learning methods for finding textual features of depression from publications. Georgia: Georgia State University. 

  26. Zhao, W. X., Jiang, J., Weng, J., He, J., Lim, E. P., Yan, H., & Li, X. (2011). Comparing twitter and traditional media using topic models. European conference on information retrieval, 338-349. Berlin: Springer. 

  27. Zhou, Z., Wang, W., & Wang, L. (2012). Community detection based on an improved modularity. Springer, 638-645. Berlin: Heidelberg. https://doi.org/10.1007/978-3-642-33506-8_78 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로