1. 연구의 필요성

전 세계적으로 처음 코로나19 환자가 발생한 것은 2019년 12월 31일 중국 후베이성 우한시에서부터였고, 우리나라에서 첫 환자가 나온 것은 2020년 1월 20일로 알려져 있다[1]. 전 세계적으로는 2021년 6월 9일 기준 현재 173,185,146명의 환자가 발생하여 3,733,604명의 사망자가 있었고[2], 우리나라에서는 145,692명(해외유입 9,220명)의 환자가 발생하고 1,977명이 사망하였다(21.06.09., 0시 기준)[3].

코로나19 팬데믹 상황에서 전 세계가 백신 개발에 총력을 기울여 화이자, 모더나, 아스트라제네카 등에서 백신이 개발되었고 우리나라도 2021년 6월 9일 현재 백신 접종자가 11,527,605명에 이르고 있다[4]. 그러나 최근 발생한 변이바이러스로 인해 백신접종률이 높아도 환자발생률이 감소되지 않아[5] 현재의 팬데믹 상황이 언제 종결될지 가늠할 수 없는 상황이다.

이러한 코로나19 팬데믹 상황의 발생으로 전국의 보건의료기관과 의료진들은 휴일도 없이 환자 치료와 검진 업무에 투입되고 있으며 그 어느 때보다 간호사에 대한 업무요구가 많아지고 있다[6, 7]. 코로나 환자를 돌보는 간호사들의 활약상은 여러 언론 매체를 통해 연일 보도되었다. 마스크와 방호복을 몇 겹씩 겹쳐 입고 긴 시간 화장실도 못가며 음압병상에서 감염 환자를 돌보는 간호사들, 초기에 대구 지역에서 폭발적인 환자가 발생하자 자발적으로 전국에서 환자치료를 위해 달려온 간호사들, 이를 만화로 그려내어 간호사들의 노고를 국민들에게 알려준 또 다른 간호사의 이야기, 그리고 이러한 간호사들의 고생과 헌신에 감동하고 감사해하는 국민들의 얘기가 연일 신문기사를 장식했다.

그러나 사실 지금까지는 간호사 역할의 중요성에 비해 일반 대중들은 간호사의 위상과 역할을 제대로 알지 못하고 간호사에 대한 시각도 상당히 부정적으로 왜곡되어 있었다[8]. 간호사 이미지는 시대에 따라 자비의 천사, 여비서, 영웅, 어머니, 성적대상으로 변해왔다[9]. 최근 인터넷 신문에 나타난 간호사 이미지를 분석한 한 연구에 의하면 ‘사회적 역할 확대’에 관한 기사가 가장 많고, ‘전문적인 모습’은 상대적으로 적게 보도되었으며, 호의적인 기사의 비율(44.3%)만큼이나 비호의적인 기사의 비율(20.5%)도 높았다[10].

그런데 코로나19라는 세계적인 재앙으로 인해 간호사의 역할에 대한 요구는 높아졌고, 간호사 업무의 중요성에 대한 국민의 관심과 호응도 같이 높아지고 있는 것으로 보인다. 코로나19 발생 이전과 이후의 인터넷 포털과 소셜미디어에 나타난 간호사 관련 토픽을 비교한 연구에서 코로나19 발생 후 간호사 관련 토픽이 15% 증가한 것을 보여주었다[11]. 또한 코로나19 발생 이전의 주요 키워드가 간호, 제왕절개, 물리치료, 청소, 영양이었던 것에서 간호, 응급, 관계, 가운, 대학으로 변화하였으며, 이는 대중의 인식이 코로나19 확산 위험을 감수하면서도 간호사에 대한 존경과 자부심을 가진다는 것이라고 해석하였다[11]. 그러나 기존 연구는 글의 제목과 2~3줄의 요약 글을 분석하였다는 점, 취업, 진로에 대한 단순 광고가 포함되었을 가능성이 있다는 점, 다양한 매체가 포함되어 같은 키워드라 하더라도 그 의미가 다를 수 있다는 점 등의 한계가 있다[11]. 이러한 문제 인식하에서 우리나라 언론사에서 생산하는 종합일간지, 경제지, 지역일간지, 방송 등의 뉴스에서 코로나19와 간호사가 실제로 어떻게 나타나고 있는지를 분석할 필요가 있다고 판단하였다. 특히 이에 대한 언론의 태도와 내용분석이 정밀하게 이루어진다면 코로나19 시대에 간호사에 대한 인식이 어떻게 형성되어 있는지 확인할 수 있을 것이다.

언론 보도 기사는 대표적인 소셜미디어 데이터로서 빅데이터 분석으로 가장 많이 활용되는 소스이다. 언론기사의 경우 빅데이터의 조건인 볼륨(volume), 속도(velocity), 다양성(variety)을 모두 충족하는 대표적인 비정형 데이터로써 연구목적에 맞게 수집된 자료는 아니지만 데이터가 가지는 잠재적 의미는 매우 크다고 할 수 있다. 언론기사와 같은 자연 언어로 작성된 비구조적(unstructured) 데이터를 대상으로 유용한 정보를 추출하는 기술을 텍스트 마이닝이라고 한다[12]. 키워드 검색의 수준을 넘어서 지능적 분석기술인 텍스트 마이닝을 통해 얻어진 문서 집합에서 추상적인 주제를 발견하기 위한 통계적 모델 중 하나가 바로 토픽 모델링이다. 토픽 모델링을 위해 통계 도구인 Python 패키지 또는 R 통계 프로그램를 활용할 수 도 있으나 최근에는 텍스트 마이닝과 토픽 모델링을 함께 실시하고 토픽모델링의 시각화 결과까지 얻을 수 있는 프로그램이 개발되고 활용되고 있다. 본 연구에서는 텍스트 마이닝과 토픽 모델링 기법을 활용하여 코로나와 간호사가 함께 언급된 언론기사를 분석하여 코로나라는 사회적 이슈 속에서 간호사가 어떠한 맥락으로 기사화되었는지 확인하고자 하였다.

2. 연구목적

본 연구는 코로나19와 그 대응을 위해 최일선에서 일하는 간호사에 대한 언론기사를 분석하여 언론을 통해 형성되고 있는 간호사에 대한 사회적 인식을 파악하는 것을 목적으로 한다.

1. 데이터 수집

코로나 및 간호사와 관련된 단어를 파악하고자 뉴스 빅테이터 분석 시스템인 빅카인즈(www.bigkinds.or.kr)를 사용하여 자료를 수집하였다. 한국언론진흥재단에서 1990년부터 운영하고 있는 빅카인즈는 2016년부터 일반인을 위해 키워드 기반으로 키워드 언급 추이, 뉴스 히스토리, 매체별 언급 빈도 등 입체적으로 뉴스를 파악할 수 있는 서비스를 제공하고 있다.

데이터 수집을 위한 키워드는 코로나와 간호사이지만 연관어까지 포함하기 위하여 검색어는 ‘[코로나 or 우한폐렴 or covid] and [간호 or 간호사]’의 조합에 따른 검색식을 모두 포함하였다. 언론사는 특정하지 않았고 빅카인즈에서 제공하는 모든 언론사를 포함하였다. 언론사 개수는 중앙지 총 11개, 경제지 8개, 지역종합지 28개, 방송사 5개, 전문지 2개를 모두 포함하는 54개였다. 검색 기간은 코로나바이러스가 국내에 처음 유입된 2020년 1월 1일에서부터 2020년 9월 30일까지였다. 통합 검색에서 추출된 기사는 총 5,939개였으나, 중복기사와 URL을 통해 기사 원문이 확인되지 않는 기사를 제외한 총 5,523개의 기사를 1차로 선정하였다. 1차 선정된 기사 중에서 분석에 포함시킬 최종 기사를 선택하기 위해 배제기준을 마련하였고, 연구자 간의 반복적인 회의를 통해 연구자의 주관성을 배제하고 기사 선정에 신뢰성을 확보하였다. 배제기준 마련을 위한 연구자 간의 의견 일치가 쉽지 않았기에 1차 선정된 기사는 모든 연구자가 각자 원문을 확인하였고, 둘 이상의 연구자의 일치 의견이 없는 경우 기사 건별 선정 여부에 대한 회의를 추가하였다. 그 결과 총 454편의 기사가 최종 분석데이터로 선정되었다. 이때 배제기준에는 특정 병원 또는 특정 학교 홍보 기사, 특정 기관 또는 모임에 간호사의 단순 참여, 간호사 이력을 가진 특정인 언급, 간호조무사 관련 기사 등이 포함되었다.

2. 테이터 분석

3. 윤리적 고려

본 연구가 활용한 분석데이터는 개인을 식별할 수 있는 정보를 가지고 있지 않기에 울산대학교의 생명윤리위원회로부터 IRB 심의면제(IRB No.: 2021R0019-001)를 득하고 연구를 진행하였다. 개인정보를 포함하지 않았다 할지라도 분석된 키워드를 통해 특정 개인의 정보가 노출될 우려가 있으므로 데이터 전처리 과정에서 해당 단어는 모두 가명처리 하였다.

1. 단어 빈도분석

Table 1은 빈도수에 따른 상위 30개의 단어의 빈도 및 백분율을 나타내고 있다. 단어분석으로 확인된 총 단어수는 8,469개였고, 누적백분율은 27.0%로 나타났다. 1,000개 빈도 이상의 단어는 ‘간호사(Nurse)’, ‘코로나(Corona)’, ‘환자(Patient)’, ‘병원(Hospital)’, ‘대구(Daegu)’, ‘의료진(Medical staff)’이었고, 이들 단어의 누적백분율은 13.9%였다. 코로나바이러스 감염증으로 발생한 여러 가지 의료적 상황과 관련된 단어(격리/Isolation, 입원/Admission, 상황/Circumstances, 지원/Support, 현장/Site, 병동/Ward, 병상/Hospital bed 등)와 의료인 또는 의료지원인력 등 인적자원과 관련된 단어(인력/Manpower, 의사/Doctor, 의료진/Medical staff 등)가 30위 안에 포함되어 있었다. 또한 24위인 ‘부족(Shortage)’이라는 단어는 총 339개의 빈도로 나타났는데 다양한 자원의 부족이라는 맥락 속에서 추출된 단어이다. Figure 1은 상위 30개 단어 빈도의 시각화 결과로 빈도에 따라 상, 중, 하로 구분되어 3가지 색상으로 나타나고 있다.

Figure 1 Word cloud of the keywords. Click for larger image

Table 1 Frequency to Rank 30 of Keyword Click for larger image

2. N-gram, TF-IDF 및 연결중심성 분석

Table 2는 N-gram, TF-IDF, 연결중심성 분석 결과를 나타내준다. Figure 2는 N-gram을 시각화한 결과이다. N-gram은 확률 모델을 통해 단어쌍을 선별해주는 기법이다. 분석 문서에서 2개 단어가 연쇄적으로 표현된 개수를 표현한 값으로 본 연구에서 나타난 가장 많은 단어쌍은 ‘코로나-환자(Corona-Patient)’로 전체 문서에서 총 223회였다. 그다음은 ‘신종-코로나(Emerging-Corona)(n=213)’, ‘전담-병원(Dedicated-Hospital)(n= 194)’, ‘코로나-바이러스(Corona-Virus)(n=191)’ 순위로 나타났다.

Figure 2 N-gram network of the keywords. Click for larger image

Table 2 N-gram, Term Frequency-Inverse Document Frequency (TF-IDF), and Degree Centrality Click for larger image

TF-IDF는 단어가 특정 문서에서 얼마나 핵심적인 의미인지를 알 수 있는 지수인데 본 연구에서는 ‘대구(Daegu)’가 855.51로 가장 높은 수치로 나타났다. 단어 빈도분석에서 ‘대구(Daegu)’는 5위였으나 TF-IDF 값에서는 가장 높은 순위로 나타난 셈이다. 2위인 ‘대통령(President)’과 3위인 ‘광주(Gwangju)’는 단어빈도분석에서 상위 30위에 포함되지도 않았던 단어로 확인된다. 단어와 단어의 연결 정도를 나타나는 연결중심성 분석 결과에서는 ‘간호사(Nurse)’가 .18로 나타났다. 그 다음 순위로 ‘코로나(Corona)’가 .14, ‘환자(Patient)’가 .11, ‘병원(Hospital)’이 .1로 나타났다.

3. 토픽분석

본 연구에서는 단어 빈도분석에서 추출된 단어 8,469개 모두 포함하여 LDA 토픽모델링 분석을 실시하였다. Table 3은 총 10개 토픽으로 유사한 단어를 집합화한 결과를 보여주고 있다. ‘토픽 7 (의료환경/Medical condition)’이 33%로 가장 높은 백분율을 차지하였다. 그다음은 ‘토픽 5 (지역감염/Local infection)’가 두 번째 비중(25.2%)을 차지하였다. 토픽의 명명은 해당 토픽 내에 순위가 높은 단어가 아니라 다른 토픽에 포함되어 있지 않거나 혹은 해당 토픽에서 두드러지는 단어들의 조합으로 이름을 붙였다. 예를 들어, ‘코로나(Corona)’, ‘간호사(Nurse)’, ‘병원(Hospital)’, ‘환자(Patient)’는 모든 토픽 내에서 순위가 높은 단어로 포함되어 있지만, ‘의료(Medical treatment), ‘확진(Confirmed)’, ‘치료(Treatment)’, ‘상황(Circumstance)’ 등의 단어들의 조합이 ‘토픽 7’에서 두드러져 보였기에 토픽명을 ‘의료환경(Medical condition)’으로 하였다. ‘토픽 3’의 경우에는 다른 토픽과 달리 상위 순위에 ‘전달(Delivery)’, ‘마음(Mind)’, ‘응원(Cheering)’의 단어가 포함되었기에 토픽명을 ‘마음전달(Delivery of one's heart)’라고 결정하였다.

Table 3 Latent Dirichlet Allocation (LDA) Topic Modeling Click for larger image

한편, LDA 시각화 결과에서는 토픽의 크기가 클수록 분석기사 중 해당 토픽이 차지하는 비중을 의미하므로 가장 큰 크기의 토픽을 메인 토픽이라고 해석할 수 있다. 또한 본 연구에서는 공간적으로 근접해있는 다른 원들과 달리 크기는 작지만 토픽 간 거리가 많이 벌어지는 4개의 토픽 원을 확인할 수 있었다. 이들은 다른 토픽과 거리가 멀어서 판별타당도가 높고 주제가 뚜렷하다고 해석할 수 있다. 시각화 결과를 따로 제시하지는 않았지만 본 연구에서 메인토픽은 ‘토픽 7 (의료환경/Medical condition)’인 셈이고, 판별타당도 관점에서는 ‘토픽 1 (인력파견/Dispatch of personnel)’, ‘토픽 2 (감사메세지/Message for thanks)’, ‘토픽 3 (마음전달/Delivery of one's heart)’, ‘토픽 10 (병원상황/Hospital situation)’이 나머지 6개 토픽과는 거리가 매우 멀고 동떨어져 있으므로 본 연구에서 특징적인 토픽인 것으로 확인할 수 있다.