公众对“网约护士”的态度和关注点：基于微博评论的文本挖掘研究

黄仁东 ，韩 静 ，崔乃雪 *

1.山东大学护理与康复学院，山东 250012；2.杭州医学院护理学院

随着互联网共享经济的发展，我国有些城市出现了“网约护士”，病人可以通过手机APP预约护士到家中进行某些护理操作[1]。2019年1月12日，国家卫生健康委办公厅发布《关于开展“互联网+护理服务”试点工作的通知》，肯定了“网约护士”的服务模式，并确定在6个省市试点“互联网+护理服务”。“网约护士”在给病人带来方便、给平台护理人员增加收入的同时，也存在很多问题和风险，引发了公众的广泛关注和讨论。了解公众对“网约护士”的态度对试点实施以及政策制定十分重要。随着社交网络的不断普及,在线社交媒体凭借其开放性、交互性和实时性等特点获得了空前的发展,人们更愿意在社交网络上表达自己的思想和情感,与他人交流观点和看法[2]。与传统问卷调查数据相比，网络文本能够更加真实、广泛地反映公众对某一事物的感知[3]。有学者指出网络文本数据因其是有非侵入性特点，基于网络文本数据的研究结果更加接近“真实世界”。网络数据中90%的信息由非结构化数据构成，其中文本数据是非结构化数据的主要来源，近年来，通过文本挖掘技术将难以量化的大规模文本数据整合转换为结构化数据，并抽取有价值的情报信息已广泛应用于商业、医疗和金融等领域[4⁃8]，但在护理研究中的应用较少。情感分析和主题分析是目前网络文本挖掘中常用的方法[9]。情感分析是对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程，可以获得用户对某一主题、事件、观点的情感倾向[10]。主题模型(topic model)是一种可以通过非监督学习的方式对目标文本集的隐含语义结构进行聚类的一种统计模型,可以帮助科研人员从海量文本中快速、直观地得到文本的主题分布信息[11]。基于此，本研究采用文本挖掘方法对新浪微博上关于“网约护士”的评论数据进行分析，以期了解公众对“网约护士”的情感态度和讨论焦点，为有关部门完善“网约护士”相关政策规定提供依据。

1 资料与方法

1.1 微博评论数据抓取 以“网约护士”“共享护士”“互联网+护理服务”为关键词进行微博搜索，搜索日期截至2019年9月17日。使用八爪鱼数据采集器[12⁃13]抓取所有微博和微博一级评论文本。共抓取到微博评论3 756条，删除重复评论后共获取评论3 736条。由于评论所对应的源微博皆是对来自于政府、传统媒体的将要实施“网约护士”试点的消息的转发，不能反映公众的情感和态度，因此未将原微博内容纳入研究。

1.2 数据预处理 主要工作有数据清洗、中文分词、去除停用词等[14]。数据清洗包括使用正则表达式匹配去除表情、各种符号标签、数字等；本研究使用Python中的“结巴”库进行中文分词和去停用词处理，使用向量空间模型来描述文本的特征[15]。评论数据经过数据清洗、中文分词、去停用词处理后，使用Python中sklearn模块的TfidfTransformer、CountVectorizer方法将特征词汇转化为向量空间模型进行后续分析。

1.3 数据分析

1.3.1 情感分析 采用Python专为中文文本设计的Snow NLP模块对评论数据进行情感分析[16]。Snow NLP采用机器学习的方法得到情感分，它的训练文本是评论数据，在在线评论文本的情感分析中展现了较高的准确率[17]，情感分析得到的情感得分为0～1分，当得分＞0.5分时，情感较为积极，越接近1，情感越正面；当得分＜0.5分时，情感较为消极，越接近0，情感越负面[18]。

1.3.2 主题分析 采用基于隐含狄利克雷分布(Latent Dirichlet Allocation,LDA)的 主 题 模 型[19]。LDA主题模型通过无监督的学习方法挖掘文本中隐含的语义信息，不需要手动对文档添加标签,只需要给出期望生成的主题数（K）即可[11]。为了寻找最优的K值，本研究运用Python的Py LDAvis库将主题模型结果可视化，结果以气泡图的形式展示所有主题，PyLDAvis通过使用Jensen⁃Shannon散度来计算主题之间的距离得到主题间距离矩阵，然后在矩阵上运行多维缩放(MDS)算法，将主题按远近关系排列在二维平面上，每个气泡代表1个主题,气泡的大小代表在所有语料库中该主题的比例。当主题之间距离足够且没有重叠时的K值为最优[20]。本研究中，经过分析，当K值为4时，气泡没有重叠且距离可以清楚区分。该分析方法可以输出每个气泡对应的前20个主题词，研究者根据主题词为该主题命名。

2 结果

2.1 情感分析结果 针对3 736条关于“网约护士”评论的情感分析显示，情感得分均分为0.564 4分，网民对于“网约护士”的态度整体上是趋于积极的。所有评论情感得分分布见图1，部分原始评论及情感得分见表1。

图1 所有评论情感得分分布

表1 部分原始评论及情感得分 单位：分

2.2 主题分析结果 关于“网约护士”微博用户讨论的主题中气泡最大者包含的主题词有“人身安全”“危险”“保障”等，因此将该主题命名为“人身安全”，此主题是微博用户最为关注的。次之的主题气泡包含“操作”“出事”“负责”“医疗事故”等词，因此将之命名为“医疗事故责任”。第3个主题中代表性的主题词有“滴滴”“上门服务”“网约”等，是对“网约护士”模式本身的讨论，故将此主题命名为“服务模式”。第4个主题代表性的主题词为“制服”“诱惑”“合法”“瞎搞”等，显示了微博用户对“网约护士”模式落实的担忧和服务内容的担忧，将此主题命名为“服务内容”。主题分析可视化结果见图2。

图2 主题分布及相应主题最相关的前20个主题词

3 讨论

网络信息源来源广泛且数据量庞大,给人工分析造成了巨大的压力，但是其信息包含了人类丰富的心理过程,已经在社会科学中广泛应用[2]，在护理研究领域也应该得到重视。本研究通过对公众关于“网约护士”微博评论文本的挖掘发现，公众对“网约护士”总体情感呈现弱积极性，主题分析将所有微博评论划分为4个主题。

3.1 公众对“网约护士”总体情感呈现弱积极性 根据评论的情感得分分布，可以看出评论的得分在0～0.9分分布大致均匀，0.9～1.0分的评论数量较多，因而总体上公众对于“网约护士”的情感态度呈现弱积极性。这与姜茂敏[21]针对上海地区开展的关于“网约护士”服务满意度的问卷调查结果一致，提示虽然公众对于“网约护士”存在着两级化的情感态度，但总体上对“网约护士”服务有较为积极的态度。有学者指出，“网约护士”是在老龄化快速发展、适应诊疗制度和医联体发展的需求下，在互联网技术、产业、应用及跨界融合已有了坚实基础上发展起来的，“网约护士”的发展客观上可以满足老龄化社会对医疗、护理、康复、生活照料等服务存在的庞大刚性需求，所以，整体来讲，公众对此模式表现出积极情感[22]。3.2“人身安全”为微博用户关心的首要主题 主题分析形成的4个主题中，主题一“人身安全”最为突出，提示微博用户普遍表现出对“网约护士”模式实施过程中人身安全问题的担忧。护士上门提供医疗护理服务，存在多种人身安全风险，如路途风险[23]、病人真实性不足带来的风险、家庭封闭环境中被打骂和性骚扰的风险[24]。因此，2019年2月13日的国家卫健委发布会也指出“如何保障上门服务护士的人身安全”是“互联网+护理服务”试点最关键的问题之一[25]；另有多名学 者[23⁃24,26⁃27]指 出，在“网 约 护 士”模 式 的 实 施 中，作 为服务提供者的护理人员的合法权益特别是安全问题应得到更好的制度保障。同时，有学者提出强化病人信息真实性监管[28]、给护士配备一键报警设备[29]、提供人身意外保险[29]等方法，值得政策制定者参考。

3.3“医疗事故责任”也是微博用户的讨论焦点 本研究结果显示，“医疗事故责任”为仅次于“人身安全”的第二大公众关注主题。网约护士的服务环境有别于一般的医院或社区卫生服务中心，具有复杂、多样、不可预测、缺少其他医护人员支持的特点，整体风险较大，较易发生医疗事故。同时，网约护士模式下医疗护理事故的预防、处理也有别于传统医疗机构。有学者[30]指出，减少医疗事故的关键是制定“网约护士”的行业标准，明确哪些疾病适用于“网约护士”上门以及上门的服务流程和质量控制，同时还应该完善“网约护士”准入机制，明确上门护士的资质，并加强上门护理人员的培训工作。比如有学者[30]提出，“网约护士”平台可与政府合作建立培训基地，甚至考虑在高校开设上门护理相关课程以培养面向基层的上门护士、提高上门护士执业能力，预防护士上门服务医疗事故的发生。医疗事故处理不当就容易引发责任纠纷，关于责任划分，首先要做的还是制定相关制度规范，但目前还未检索到专门针对护士上门服务的相关规范，少数省市参考互联网医疗的法规来完善“网约护士”配套制度[31]或者参考家庭医生上门服务的制度对“网约护士”进行管理[29]。多名学者[21⁃22,24,29]指出，应该制定“网约护士”制度规范，明确事故发生后的责任主体，并建立服务纠纷快速处置机制；同时，为了更好地划分责任，病人与网约平台应当签订上门服务协议书、知情同意书，护士则要做好上门服务记录，做到每步有资料留存、每项操作有据可查。在这一方面，宁波的经验是以图片或者语音上传服务记录，上海则采取护理记录仪视频记录，均值得政策制定者参考。

3.4 微博用户将“网约护士”与其他的“互联网+”模式进行类比且担忧“网约护士”服务内容 主题分析中第3个主题中微博用户主要关注了“互联网+护理服务”这种新模式，其中“滴滴”“网约”“软件”等词对该主题贡献较大，公众倾向于将网约护士与“滴滴出行”进行类比，滴滴出行在“互联网+”这个新的经济形态下成为中国服务用户最多的互联网企业之一[32]，此种类比在一定程度上展示了公众对“网约护士”发展的信心。此外，研究还发现微博用户普遍担心“网约护士”是否能“不跑偏”地实地落实。从主题词看，公众尤其担心“网约护士”有可能发展成为色情产业或被色情产业所利用，从而歪曲该模式的初衷，损害医疗护理服务者的形象。因此，“网约护士”模式的实施需要有关部门加强监管，杜绝不良产业的渗透。以往研究未见对本研究中主题三、主题四相似内容的报道，提示在线评论数据可以对传统研究数据来源进行良好的补充，值得深入研究。

4 本研究的局限性

首先，本研究数据仅来源于微博这一个社交媒体平台，没有涵盖其他的社交媒体且微博用户中年轻用户较多，缺乏对整体人群的代表性；另外，在方法上，虽然Snow NLP在以往研究中对于线上评论文本展示了较好的准确率，但其训练文本中还缺乏护理专业领域的相关标记文本，以后的研究可以纳入更多的社交媒体数据，在情感分析方面可以结合基于词典的方法或在训练文本中加入人工标记的护理领域相关的文本。

5 小结

在大数据背景下，社交媒体数据提供了关于“网约护士”评论的良好数据来源。本研究利用“网约护士”微博评论文本，发现公众对“网约护士”呈现弱积极的情感态度，同时他们对“网约护士”模式的人身安全、医疗事故责任和服务内容落实方面存在担忧，提示有关部门应进一步完善关于“网约护士”相关规章制度，并加强监管，以保障该模式的落实和质量。