$\require{mediawiki-texvc}$

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.

트위터 게시물 분석을 통한 코로나바이러스감염증-19 백신에 대한 의견 탐색
Exploring Opinions on COVID-19 Vaccines through Analyzing Twitter Posts 원문보기

정보관리학회지 = Journal of the Korean society for information management, v.38 no.4, 2021년, pp.113 - 128  

정우진 (성균관대학교 문헌정보학과) ,  김규리 (성균관대학교 문헌정보학과) ,  유승희 (성균관대학교 데이터사이언스융합전공) ,  주영준 (성균관대학교 문헌정보학과)

초록
AI-Helper 아이콘AI-Helper

본 연구는 코로나바이러스감염증-19(이하 코로나바이러스) 백신에 대한 사회적 의견을 파악하기 위해 트위터에서 작성된 백신 관련 게시물들을 분석하였다. 2020년 3월 16일부터 2021 3월 15일까지 1년간 트위터에서 작성된 코로나바이러스 백신 이름을 키워드로 포함한 45,413개의 게시물을 수집하여 분석하였다. 데이터 수집을 위해 활용된 코로나바이러스 백신 키워드는 총 12개이며, 수집된 게시물 수순으로 '화이자', '아스트라제네카', '모더나', '얀센', '노바백스', '시노팜', '시노백', '스푸트니크', '바라트', '캔시노', '추마코프', '벡토르'이다. 수집된 게시물들은 수기와 자동화된 방법을 동시 활용하여 키워드 분석, 감성 분석, 및 토픽모델링을 통하여 백신들에 대한 의견을 탐색하였다. 연구결과에 따르면 전반적으로 백신에 대한 부정적인 반응이 많았으며, 백신 접종 후유증에 대한 불안 및 백신의 효능에 대한 불신이 백신들에 대한 부정적인 주요 요소로 파악되었다. 이와는 반대로, 백신 접종에 따른 코로나바이러스 확산 억제에 대한 기대감이 백신에 대한 긍정적인 사회적 요소인 것을 확인할 수 있었다. 본 연구는 기존의 선행연구들이 뉴스 등 대중매체 데이터를 통해 코로나바이러스 백신에 대한 사회적 분위기를 파악하고자 했던 것과 달리, 소셜 미디어 데이터 수집 및 이를 활용한 키워드 분석, 감성 분석, 토픽 모델링 등의 여러 분석방법들을 사용하여 대중들의 의견을 파악하는 것으로 학술적 의의를 지닌다. 또한, 본 연구의 결과는 백신에 대한 사회적 분위기를 반영한 백신 접종 권장 정책 수립 기여라는 실질적 함의를 시사한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this study, we aimed to understand the public opinion on COVID-19 vaccine. To achieve the goal, we analyzed COVID-19 vaccine-related Twitter posts. 45,413 tweets posted from March 16, 2020 to March 15, 2021 including COVID-19 vaccine names as keywords were collected. The 12 vaccine names used for...

주제어

#코로나바이러스감염증-19   #백신   #소셜 미디어   #트위터   #감성 분석   #토픽 모델링  

표/그림 (11)

참고문헌 (24)

  1. Central Quarantine Countermeasure Headquarters (2021). COVID-19 domestic testing and confirmed cases. http://ncov.mohw.go.kr/ 

  2. Choi, S. M. (2021). The present and future of vaccines for pandemic. Oughtopia, 36(1), 5-38. http://doi.org/10.32355/oughtopia.2021.06.36.1.5 

    상세보기 crossref

  3. Choi, W. J. & Hong, J. S. (2021). A study on the search keyword pattern of COVID-19 in the domestic media. Korean Journal of Communication Studies, 29(2), 29-58. http://doi.org/10.23875/kca.29.2.2 

    상세보기 crossref

  4. Jin, S. A., Heo, G. E., Jeong, Y. K., & Song, M. (2013). Topic-Network based topic shift detection on twitter. Journal of the Korean Society for Information Management, 30(1), 285-302. http://doi.org/10.3743/KOSIM.2013.30.1.285 

    원문보기 상세보기 crossref

  5. Kim, J. H. (2021. November 6). 2,248 new confirmed cases... Spread of 2,000 people for four days in a row. Yonhap News TV. Available: https://www.yonhapnewstv.co.kr/news/MYH20211106003000641?did1825m 

  6. Kim, S. Y. (2021. February 21). To achieve '70% herd immunity'..."Actually, 90% of the nation should be vaccinated". Yonhap News, Available: https://www.yna.co.kr/view/AKR20210219114600530 

  7. Kim, T. J. (2020). COVID-19 news analysis using news big data: focusing on topic modeling analysis. The Journal of the Korea Contents Association, 20(5), 457-466. http://doi.org/10.5392/JKCA.2020.20.05.457 

    원문보기 상세보기 crossref

  8. Park, E. J. & Cho, S. J. (2014). KoNLPy: Korean natural language processing in python. In Proceedings of the 26th Annual Conference on Human and Cognitive Language Technology, Chuncheon, 133-136. 

  9. Park, S. M., Na, C. W., Choi, M. S., Lee, D. H., & On, B. W. (2018). KNU Korean sentiment lexicon - Bi-LSTM-based method for building a Korean sentiment lexicon. Journal of Intelligence and Information Systems, 24(4), 219-240. http://doi.org/10.13088/jiis.2018.24.4.219 

    원문보기 상세보기 crossref

  10. Seo, H. R. & Song, M. (2019). An analysis of the discourse topics of users who exhibit symptoms of depression on social media. Journal of the Korean Society for Information Management, 36(4), 207-226. http://doi.org/10.3743/KOSIM.2019.36.4.207 

    원문보기 상세보기 crossref

  11. Seong, B. L. (2021). COVID-19 vaccine research and development. Orbis Sapientiae, 30, 117-127. 

  12. Yoo, S. Y. & Lim, G. G. (2021). Analysis of news agenda using text mining and semantic network analysis: focused on COVID-19 emotions. Journal of Intelligence and Information Systems, 27(1), 47-64. http://doi.org/10.13088/jiis.2021.27.1.047 

    원문보기 상세보기 crossref

  13. Zhu, Y. J., Kim, D. H., Lee, C. H., & Yi, Y. J. (2019). Investigating major topics through the analysis of depression-related facebook group posts. Journal of the Korean Library and Information Science, 53(4), 171-187. http://doi.org/10.4275/KSLIS.2019.53.4.171 

    원문보기 상세보기 crossref

  14. Blei, D. M., Ng, A. Y., & Jordan, M. (2003). "Latent Dirichlet Allocation." Journal of Machine Learning Research, 3(4/5), 993-1022. 

  15. Domenico, C. & Maurizio, V. (2020). WHO declares COVID-19 a pandemic. Acta Bio Medica: Atenei Parmensis, 91(1), 157-160. PubMed. http://doi.org/10.23750/abm.v91i1.9397 

    상세보기 crossref

  16. Hardle, W., Chen, C. H., & Overbeck L. eds. Applied Quantitative Finance. Statistics and Computing. 

  17. JustAnotherArchivist (2020). snscrape 0.3.4. https://github.com/JustAnotherArchivist/snscrape 

  18. Lara, T., Filippo, Q., Eleonora, D., Pietro, D., Marco, V., Francesco, M., & Luigi, L., Pier. (2020). Twitter as a sentinel tool to monitor public opinion on vaccination: an opinion mining analysis from September 2016 to August 2017 in Italy. Human Vaccines & Immunotherapeutics, 16(5), 1062-1069. PubMed. http://doi.org/10.1080/21645515.2020.1714311 

    상세보기 crossref

  19. Linton, M., Teo, E., Bommes, E., Chen, C., & H, Wolfgang Karl. (2017). Dynamic Topic Modelling for Cryptocurrency Community Forums. Springer, Berlin, Heidelberg. http://doi.org/10.1007/978-3-662-54486-0_18 

    crossref

  20. Lucia, P. S., Manuel, T., Juan, Diego, F. P.-B., Almudena, J., Manuel, C., Ernestina, M., Antonio, C. F., Amalia, A., Angel, G. de M., & Alejandro, R. G. (2021). Influenza and Measles-MMR: two case study of the trend and impact of vaccine-related Twitter posts in Spanish during 2015-2018. Human Vaccines & Immunotherapeutics, 1-15. http://doi.org/10.1080/21645515.2021.1877597 

    상세보기 crossref

  21. Mathieu, E., Ritchie, H., Ortiz-Ospina, E., Roser, M., Appel, C., Giattino, C., & Rodes-Huirao, L. (2021). A global database of COVID-19 vaccinations. Nat Hum Behav. http://doi.org/10.1038/s41562-021-01122-8 

    상세보기 crossref

  22. Rehurek, R. & Sojka, P. (2011). Gensim--python framework for vector space modelling. NLP Centre, Faculty of Informatics, Masaryk University, Brno, Czech Republic, 3(2). 

  23. Samira, Y., Rozita, D., Samira, M., Andrew, P., & Shayan, S. (2021). An analysis of COVID-19 vaccine sentiments and opinions on Twitter. International Journal of Infectious Diseases, 108, 256-262. http://doi.org/10.1016/j.ijid.2021.05.059 

    상세보기 crossref

  24. Worldometers.info. (2021). Coronavirus Cases - Worldometer. Available: https://www.worldometers.info/ 

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 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