Journal Search Engine

ISSN : 2005-0461(Print)
ISSN : 2287-7975(Online)

Journal of Society of Korea Industrial and Systems Engineering Vol.49 No.2 pp.153-162
DOI : https://doi.org/10.11627/jksie.2026.49.2.153

Emotional Support Systems and Unmet Reintegration Needs of Cancer Survivors: A Big Data Analysis of YouTube Vlog Comments

Insoo Kim

, Joonsoo Bae†

, Yeonjoo Chae

Graduate School of the Management of Technology, Jeonbuk National University

^†Corresponding Author : jsbae@jbnu.ac.kr

Received 17/05/2026 Finally Revised 15/06/2026 Accepted 18/06/2026

Abstract

This study aims to empirically identify the structural patterns of social support exchanged by cancer survivors in online communities and their unmet socio-economic needs during labor market reintegration, by analyzing YouTube vlog comments as a form of naturally occurring unstructured big data. As Korea's five-year cancer survival rate has reached 72.1%, cancer survivors increasingly face challenges of employment discontinuity and job instability, yet existing social safety nets fail to adequately address these needs. We collected 164,850 raw comments from 150 cancer survivor vlog videos posted between January 2020 and December 2024, employing a dual sourcing strategy combining YouTube Data API v3 and Selenium web drivers. Data collection was completed by February 2025, and preprocessing and analysis were finalized by November 2025. Following a four-stage preprocessing pipeline grounded in pilot-tested thresholds, 148,708 valid comments were analyzed using TF-IDF, Latent Dirichlet Allocation (LDA) topic modeling, binomial logistic regression, and KOSAC-based sentiment analysis. LDA topic modeling (K=5, coherence score Cv=0.52) revealed that ‘emotional solidarity and support’ constituted the largest latent topic (29.6%), demonstrating that cancer survivors prioritize emotional bonding over medical information exchange in online communities. Logistic regression confirmed that emotional support vocabulary significantly predicted empathic responses measured by comment ‘like’ counts (beta=1.847, p<.001), while medical information terms showed no statistical significance. Sentiment analysis revealed dominant positive sentiment (65%) with coexisting ambivalence structures in uncertainty-related topics. Theoretically, based on the observed complex support behaviors specific to vocational reintegration contexts, we propose ‘vocational rehabilitation support’ as a new subtype extending House's (1981) social support typology. From an industrial and systems engineering perspective, the findings provide an empirical foundation for designing return-to-work (RTW) process models and job redesign decision frameworks within human resource management (HRM) systems. Practically, we derive evidence-based policy recommendations including peer support programs, flexible work arrangements, and an incentive-penalty system modeled on Germany’s Schwerbehinderten-Ausgleichsabgabe.

Key Words : Cancer Survivors , Social Reintegration , LDA Topic Modeling , Social Support , Big Data Analysis

브이로그 댓글 빅데이터 기반 암 경험자의 정서적 지원 체계 및 사회복귀 미충족 요구사항 심층 분석

김인수, 배준수†, 채연주

전북대학교 일반대학원 융합기술경영학과(MOT)

초록

키워드 :

This article has been cited by 0 article in crossref

Cited-By

Funding:

1. 서 론

국내 암 5년 상대생존율은 2001~2005년 54.0%에서 2018~2022년 72.1%로 상승하고 있다[15]. Mullan[14]은 암 생존의 궤적을 급성기, 연장기, 영구기의 세 단계로 구조화하며, 암 치료가 의학적 개입 종료로 완성되는 것이 아니라 생애주기 전반에 걸친 지속적 심리사회적 적응의 과정임을 역설한 바 있다.

암 경험자는 신체적․심리적 부작용뿐 아니라 직업 단절 및 고용 불안정이라는 사회경제적 이중고에 직면한다. Park et al.[16]의 대규모 후향적 코호트 연구는 암 진단이 고용 상태에 치명적 타격을 입히며, 직업 유형․성별․연령․소득 수준․암종에 따라 차별적으로 나타남을 실증하였다. Mehnert[13]의 체계적 문헌고찰에 따르면 암 진단 후 직장 복귀율 평균은 63.5%에 불과하며 국가별로 24~94%까지 극심한 편차를 보인다. Butow et al.[3]은 직장 복귀 저해 요인을 개인․고용․가족․사회문화적 맥락으로 세분화하여 다학제적 중재의 필요성을 제기하였다.

이러한 정책적 공백 속에서, 유튜브는 암 경험자들이 ‘투병 브이로그(Vlog)’를 통해 투병 과정과 일상 복귀를 공유하는 핵심 커뮤니티로 진화하였다. 이 댓글 데이터는 기존 설문조사나 면접으로는 포착하기 어려운 ‘가공되지 않은 목소리(unfiltered voice)’를 담고 있어, 미충족 요구를 상향식으로 파악하는 데 새로운 인식론적 지평을 열어준다. 이에 본 연구는 유튜브 댓글 빅데이터를 다각적 텍스트 마이닝 기법(TF-IDF, LDA, 로지스틱 회귀분석, 감성 분석)으로 체계적으로 분석하여, 암 경험자의 정서적 지원 패턴과 사회복귀 미충족 요구사항을 규명하고, 인사․조직 및 노동 정책적 제언을 도출하고자 한다.

본 연구의 연구 문제는 다음과 같다. 첫째, 암 경험자 유튜브 브이로그 댓글에서 나타나는 사회적 지지의 주요 유형과 패턴은 무엇인가? 둘째, 댓글 코퍼스에 내재된 주요 토픽은 어떻게 범주화되며 각 토픽의 비중과 특성은 어떠한가? 셋째, 정서적 지지 관련 어휘와 도구적/정보적 어휘는 공감 반응에 어떠한 차별적 영향을 미치는가? 넷째, 분석 결과는 현재 지원 정책의 어떤 사각지대를 드러내며, 이를 보완하기 위한 대안은 무엇인가?

기존의 유튜브 댓글 텍스트 마이닝 연구[7]가 정서적 지지 패턴의 기술적 탐색에 그쳤던 반면, 본 연구는 로지스틱 회귀분석을 통해 정서적 지지 어휘와 의료 정보 어휘의 공감 반응 예측력 차이를 통계적으로 검증하고, 그 결과가 함의하는 인적자원관리(HRM) 시스템 내 복귀 프로세스 설계 방향성을 탐색적으로 도출하고, 직무재설계 의사결정을 위한 실증적 기초 데이터를 제시한다는 점에서 기존 연구와 차별화된다.

2. 이론적 배경

2.1 사회적 지지 이론과 직업 재활 지지

사회적 지지 이론의 고전적 틀을 확립한 House[5]는 사회적 지지를 정서적 지지(공감․사랑․신뢰), 정보적 지지(조언․정보), 도구적 지지(물질적․실질적 도움), 평가적 지지(피드백)의 네 차원으로 체계화하였다. 그러나 이 4분법 체계는 전통적 대면 관계와 일반 직무 스트레스 상황을 상정한 모델이라는 태생적 한계를 지닌다. 온라인 질병 커뮤니티에서는 복직을 앞둔 환우에게 선배 복직자가 고용 유지 전략을 조언하고, 상병 수당 신청 등 행정 절차를 돕는 복합적 지지 행위가 빈번히 일어난다.

이러한 지지 행위는 단순히 정보적 지지(일반적 조언)나 도구적 지지(물질적 도움)의 단일 범주로 환원되지 않는다. 이는 암 경험자라는 공유된 정체성을 기반으로, 직업 복귀라는 특수 맥락에서 정서적․정보적․도구적 차원이 통합적으로 발현되는 복합적 지지 형태이다. 예컨대 ‘유연근무제 협상 노하우 공유’는 도구적 지지를 넘어 직장 내 편견 극복이라는 심리사회적 적응을 포함하며, 기존 House의 4분법으로는 온전히 포착되지 않는다. 이에 본 연구는 House[5]의 이론적 틀을 현대의 종양학적 직업 재활 맥락으로 확장하여, ‘직업 재활 지지(Vocational Rehabilitation Support)’라는 새로운 하위 유형의 정립을 제안한다. 이는 기존 4유형과 상호 배타적 관계가 아니라, 암 생존자의 노동 시장 재진입이라는 특수 상황에서만 발현되는 통합적이고 맥락 특화적인 지지 유형으로 개념화된다.

2.2 보상적 행동과 직업 가치관 변화

보상적 행동(Compensatory Behavior)이란 오프라인 사회 연결망에서 발생하는 지지 결핍을 다른 매체를 통해 충족하려는 심리적 동인이다. 암 진단으로 인한 직장 내 몰이해와 사회적 낙인(stigma)은 환자를 심리적으로 고립시키며, 이러한 오프라인 지지 부족이 유튜브와 같은 디지털 커뮤니티에서의 정서적 연대 추구를 추동한다. 또한 Main et al.[12]이 보고한 바와 같이, 암 극복 후 생존자들은 수직적 승진․연봉 인상 등 외재적 가치 대신 업무 유연성, 일과 삶의 균형, 이타적 기여 등 내재적 가치를 추구하게 되는 직업 가치관 변화(Career Value Shift)를 경험한다.

2.3 LDA 토픽 모델링의 방법론적 타당성

LDA는 대규모 문서 집합 내 잠재된 의미 구조를 확률적으로 추론하는 생성 모델이다[2, 6]. 국내에서도 온라인 건강 커뮤니티에 LDA를 적용한 선행연구가 축적되고 있으며[10], 본 연구는 Maier et al.[11]이 정립한 커뮤니케이션 연구 내 LDA 적용의 4단계 방법론적 가이드라인—도메인 맞춤형 텍스트 전처리, 코히어런스 기반 토픽 수 선정, 하이퍼파라미터 안정성 검증, 복수 연구자의 의미론적 타당도 승인—을 엄밀히 채택하였다.

2.4 연구가설

위의 이론적 배경을 토대로 다음의 연구가설을 설정한다. House[5]의 사회적 지지 이론과 보상적 행동 이론에 따르면, 암 경험자들은 오프라인 지지 결핍을 온라인 커뮤니티에서 정서적 연대를 통해 보상하려는 동인을 지니며, 이러한 정서적 지지 표현은 시청자의 공감 반응(좋아요)을 이끌어내는 핵심 기제로 작용할 것이다. 반면, 의료 정보 어휘는 사실 전달의 성격이 강하여 정서적 공감을 유발하는 데 한계가 있을 것이다.

H1: 정서적 지지 어휘(예: ‘힘내다’, ‘기도’, ‘응원’)는 댓글의 공감 반응(좋아요 수)에 유의한 정(+)의 효과를 가진다.
H2: 정서적 지지 어휘는 의료 정보 어휘(예: ‘수술’, ‘검사’, ‘병원’)보다 공감 반응에 더 큰 정(+)의 효과를 가진다.
H3: 암 경험자 댓글의 감성 분포는 토픽에 따라 유의하게 다르며, 치료 불확실성 및 가족 돌봄 관련 토픽에서는 긍정 감성과 부정 감성이 공존하는 양가감정(ambivalence) 구조가 나타날 것이다.

3. 연구 방법론

3.1 연구 설계 및 데이터 수집

본 연구는 탐색적 연구로 설계하였다. 시간적 범위는 COVID-19 팬데믹 이후 건강 콘텐츠 소비가 급증한 특성을 반영하여 2020년 1월 1일부터 2024년 12월 31일까지로 설정하였다. 실제 데이터 수집은 2025년 1월~2월에 완료하였으며, 전처리 및 분석은 2025년 3월~11월에 완료하였다. 이로써 수집 시점 이후 미래 데이터에 의한 교란을 원천 배제하였다. 공간적 범위는 한국어로 소통하는 국내 유튜브 채널로 한정하였다.

분석 대상 채널 및 영상은 <Table 2>의 정량적 임계값 기준에 따라 체계적으로 선정하였다. 특히 채널 다양성 확보(기준 4)에서는 국립암센터[15]의 국가암등록통계 기준 국내 발생률 상위 5개 주요 암종(유방암․대장암․폐암․위암․혈액암)을 대표적으로 포함하도록 하여, 특정 암종에 편중되지 않고 치료 과정 및 직업 복귀 영향의 다양성을 반영하였다. 각 암종별 채널 수는 유튜브 내 해당 암종의 활성 채널 분포와 구독자 수․콘텐츠 활동성 상위 순위를 종합적으로 고려하여 배분하였다.

6개 시드 키워드(‘암 투병 브이로그’, ‘암 경험자 일상’, ‘암 생존자 직장복귀’, ‘항암치료 일상’ 등)로 500개 예비 영상을 도출하였다. 이후 각 영상의 조회수와 댓글 수를 정규화(Z-score)한 후 동일 가중치(0.5:0.5)로 합산한 종합 점수를 기준으로 내림차순 정렬하여 상위 150개 영상을 최종 표집하였다. 최종 선별된 150개 영상의 최소 댓글 수는 287건이었다. 데이터 수집은 YouTube Data API v3로 1차 수집(약 152,000건)하고, 동적 로딩이 필요한 댓글은 Selenium 웹 드라이버로 2차 보완 수집(약 12,850건)하는 이중 수집 전략(Dual Sourcing Strategy)을 적용하였다. 최종적으로 ID 기반 병합 및 중복 제거를 거쳐 164,850건의 원시 데이터를 확보하였다. 본 연구의 분석 단위는 개별 채널(12개)이 아닌 개별 댓글(148,708건)이며, 이는 통계적 검정력과 결과의 안정성을 확보하기에 충분한 표본 규모이다.

3.2 데이터 전처리 파이프라인

4단계 전처리 파이프라인을 통해 16,142건의 노이즈를 필터링하고 148,708건의 유효 코퍼스를 구축하였다(유효율 90.2%). 이 중 Stage 3에서 제거된 8,142건의 20자 미만 텍스트 가운데 정서적 지지 표현을 내포한 2,117건은 감성 분석 전용 보조 코퍼스로 별도 보존하고, 나머지 6,025건만 최종 삭제하였다. 각 단계별 결과는 <Table 3>과 같다.

Stage 3의 20자 미만 필터링 임계값은 사전 파일럿 테스트를 통해 검증하였다. 무작위 500건 샘플을 정성 코딩한 결과 78.3%가 맥락 파악이 불가한 단음절 감정 표출이었으나, ‘힘내세요’, ‘기도할게요’와 같이 정서적 지지를 강하게 내포하는 14.2%의 텍스트에 대해서는 감성 분석 모델의 입력으로 보존하되 LDA 및 TF-IDF 알고리즘의 입력에서는 배제하는 이원화 파이프라인을 구축하였다.

3.3 분석 기법

TF-IDF는 특정 문서 내 단어 빈도와 전체 문서 군집 내 역빈도를 곱하여 핵심 키워드를 도출하는 알고리즘이다.

TF-IDF (t, d) = TF (t, d) \times \log (\frac{N}{df (t)})

scikit-learn TfidfVectorizer(max_features=5000, min_df=5, max_df=0.85)를 활용하였다. 매개변수 설정 근거는 다음과 같다. min_df=5는 5개 미만의 문서에만 출현하는 희귀어를 노이즈로 제거하기 위함이며, max_df=0.85는 전체 문서의 85% 이상에 출현하는 범용어의 가중치를 억제하기 위함이다. max_features=5000은 커뮤니케이션 연구에서 LDA 토픽 모델링의 해석 가능성과 계산 효율성의 균형점으로 권고되는 값이다[11]. 민감도 분석(min_df=3, 10; max_df=0.75, 0.95)에서도 상위 50개 키워드의 순위 일치율이 88% 이상으로 유지되어 설정의 강건성을 확인하였다.

LDA 토픽 모델링의 확률적 생성 과정은 다음과 같다[2].

\begin{matrix} θ_{d} ~ Dir (α), φ_{k} ~ Dir (β) \\ z_{i} ~ Multi (θ_{d}), w_{i} ~ Multi (φ_{z_{i}}) \end{matrix}

K=3~10 범위에서 코히어런스(Cv)[17]와 Perplexity를 동시에 비교한 결과, K=5에서 Cv=0.52로 최고값을 달성하고 Perplexity 엘보우 포인트(elbow point)임을 확인하여 최적 토픽 수로 선정하였다. 하이퍼파라미터는 α=0.1, β=0.01, iterations=2,000, random_state=42로 설정하고, 5회 반복 시뮬레이션에서 키워드 일치율 92.4%의 강건성(robustness)을 검증하였다.

로지스틱 회귀분석은 이진 종속변수에 대한 독립변수의 영향력을 추정한다.

P (Y = 1 | X) = \frac{1}{1 + \exp (- (β_{0} + \sum_{i = 1}^{p} β_{i} \cdot X_{i}))}

종속변수인 ‘좋아요’ 수는 극심한 양의 왜도(skewness=8.72)와 소수 댓글에 반응이 집중되는 지수 법칙 분포(power-law distribution)를 보였다. 이에 OLS 정규성 가정을 위반하므로 중앙값 분할(median split)을 적용하여 이진화하였다. 독립변수는 TF-IDF 상위 50개 단어의 존재 여부(0/1)이다. 단어 존재 여부(binary presence)로의 변환은 고차원 스파스(sparse) 텍스트 데이터에서 과적합을 방지하고 해석 가능성을 높이기 위해 텍스트 분류 연구에서 널리 사용되는 표준적 접근이다[8]. 민감도 분석으로 연속형 TF-IDF 가중치를 독립변수에 직접 투입한 모델도 비교 수행하였으며, 주요 어휘의 계수 방향성 및 유의성이 이진화 모델과 일관되게 유지되었다(AUC: 이진화 0.784, 연속형 0.791). 분석의 타당성을 확보하기 위해 정성적 맥락 분석과 사전 정의된 분류 기준을 결합하여 핵심 키워드를 선정하였다. 로지스틱 회귀분석 모델에는 TF-IDF 상위 50개 단어 전체를 투입하여 데이터의 포괄성을 확보하였고(전체 목록과 범주 분류는 부록 참조), <Table 5>에는 연구가설(H1, H2)의 검증과 직접 관련된 두 어휘군의 대표 키워드 9개만 제시하였다. 제시 기준은 각 어휘군 내에서 TF-IDF 가중치 상위 단어 중 실제 사용된 맥락을 개별적으로 검토하여 우선 선정하였다(정서적 지지 6개, 의료 정보 3개). 나머지 41개 단어는 ‘오늘’, ‘영상’, ‘댓글’ 등 중립적 일상어이거나 범주 분류가 불명확한 단어로서 가설 검증 대상에서 제외하였으며, 해당 단어들의 회귀계수 역시 본문 제시 결과의 방향성과 일관됨을 확인하였다. 한편, TF-IDF 상위권에 포함된 ‘건강’과 ‘완치’는 의료 관련 어휘임에도 의료 정보 어휘군에서 제외하였다. 무작위 추출 200건의 맥락 정성 코딩 결과, 두 단어는 ‘건강하세요’, ‘완치를 기원합니다’와 같이 정서적 기원(wish) 표현으로 사용된 비율이 각각 87.5%, 91.0%에 달하여 순수한 의료 정보 전달 어휘로 분류할 수 없었기 때문이다. 어휘군 간 비교(H2)의 변별 타당성을 확보하기 위해, 의미적 다의성이 없는 ‘수술’, ‘검사’, ‘병원’만을 의료 정보 어휘군으로 확정하여 분석에 투입하였다. 강건성 검증을 위해 상위 25% 임계값 분할에 따른 결과와 비교하였으며, 주요 계수의 유의성 및 방향성이 일관되게 유지됨을 확인하였다. 또한 카운트 데이터 특성을 반영한 음이항 회귀(Negative Binomial Regression)를 보조 분석으로 수행하여 이진 분할에 따른 정보 손실을 보완하였고, 정서적 지지 단어의 유의성(IRR=3.21~5.84, p<.001)이 주 분석과 일치함을 확인하였다.

감성 분석은 KOSAC 감성 사전[19]에 종양학 커뮤니티 전용 극성 어휘(긍정 1,200종, 부정 850종)를 추가 통합한 확장 사전을 활용하였다. 사전 확장은 3단계로 수행되었다. 첫째, TF-IDF 상위 키워드 및 LDA 토픽별 핵심 단어들을 후보로 추출하였다. 둘째, 연구자 2인이 독립적으로 감성 극성 및 가중치(±0.1~±1.0)를 판단하였다. 셋째, 불일치 항목은 합의를 통해 조정하였으며, 코더 간 일치도는 Cohen’s Kappa = 0.82(높은 수준의 일치)로 확인되었다. 댓글별 감성 점수는 다음 공식으로 산출하였다.

S (d) = \frac{[\sum s (w_{p}) \cdot tf (w_{p}) - \sum s (w_{n}) \cdot tf (w_{n})]}{N (d)}

분류 기준은 $S (d) \geq 0.1$ 은 긍정, $S (d) \leq - 0.1$ 은 부정, 그 외는 중립이다.

4. 연구 결과

4.1 기술통계 및 TF-IDF 핵심 키워드

148,708건의 유효 코퍼스에 대한 기술 통계 결과, 댓글당 평균 길이는 47.3자(SD=38.2), ‘좋아요’ 평균 12.7개(SD=35.8, 중앙값=3.0, 최대=2,847)로 극심한 양의 왜도(skewness=8.72)를 보였다. TF-IDF 핵심 키워드 지형도에서는 세 가지 군집이 도출되었다. 첫째, 정서적 연대 군집(응원 0.487, 기도 0.461, 힘 0.438, 사랑 0.398, 화이팅 0.385, 마음 0.287)이 가중치 최상위권을 장악하였다. 둘째, 의료․신체적 복원 군집(건강 0.412, 치료 0.364, 수술 0.341, 병원 0.312, 완치 0.298, 회복 0.271)이 도출되었고, 셋째, 가족(0.329)이 단일 키워드로 극상위 가중치를 기록하여 암 투병이 가족 전체의 사회적 과제임을 의미론적으로 입증하였다. 다만, 의료․신체적 복원 군집의 ‘건강’과 ‘완치’는 댓글 맥락에서 정서적 기원 표현과 혼용되는 의미적 다의성이 확인되어, 후속 로지스틱 회귀분석의 의료 정보 어휘군에서는 제외하였다(제외 기준은 3.3절 참조).

4.2 LDA 토픽 모델링 결과

Topic 1(29.6%)이 코퍼스의 30%에 육박하는 최대 비중을 차지한 것은, 암 경험자들이 디지털 공간을 찾는 근원적 목적이 의료 정보 습득이 아닌 상실된 인간적 결속감의 재건에 있음을 실증하며, 오프라인 직장에서의 배제감이 온라인 커뮤니티의 강력한 응집력으로 보상받는 보상적 행동의 전형적 발현이다.

Topic 2(20.1%)는 치료 일정의 예측 불가능성으로 인한 고용 이탈의 주요 촉매제이며, Topic 3(17.1%)은 돌봄 제공자(caregiver)의 고용 단절 위험을 시사한다. Topic 4(23.5%)의 ‘세상’, ‘사람’ 등 철학적 키워드는 직업 가치관 변화(Career Value Shift)의 진행을 암시한다.

4.3 로지스틱 회귀분석 결과

정서적 지지의 전형을 보여주는 키워드(‘힘내다’(cheer up), ‘기도’(pray), ‘응원’(support), ‘사랑’(love))는 모두 1.0 이상의 강력한 양(+)의 회귀계수를 보인 반면, 의료 용어(‘수술’, ‘검사’, ‘병원’)는 공감 행위를 견인하는 데 통계적 영향력을 발휘하지 못하였다. 이는 암 환자 커뮤니티가 의학 정보 교환보다 정서적 유대(emotional bonding)를 절대적 최우선 가치로 상정하고 있음을 계량적으로 증명한다.

<Figure 1> 오즈비 포레스트 플롯은, 정서적 지지 단어의 오즈비(OR)는 2.55~6.34 범위에 분포하여 95% 신뢰구간이 $OR = 1$ 기준선을 포함하지 않는 반면, 의료 단어의 OR은 1에 근접하여 통계적 유의성이 결여됨을 시각적으로 확인할 수 있다.

이로써 정서적 지지 어휘가 공감 반응에 유의한 정(+)의 효과를 가진다는 H1과, 정서적 지지 어휘가 의료 정보 어휘보다 공감 반응에 더 큰 효과를 가진다는 H2가 모두 지지되었다.

특히 H2의 검증을 위해 정서적 지지 어휘군과 의료 정보 어휘군의 회귀계수 차이에 대한 직접적인 유의성 검정을 수행하였다. 정서적 지지 어휘군(힘내다․기도․응원․사랑․화이팅․마음)의 평균 회귀계수( $\bar{β} = 1.167$ )와 의료 정보 어휘군(수술․검사․병원)의 평균 회귀계수( $\bar{β} = 0.192$ )의 차이( $Δ β = 0.975$ )에 대해 Wald 대비 검정을 적용한 결과, $χ^{2} = 15.83 (df = 1, p < .001)$ 로 두 어휘군 간 공감 반응 예측력 차이가 통계적으로 유의함을 확인하였다.

4.4 감성 분석 및 양가감정 교차 분석

전체 코퍼스의 지배적 정서는 긍정 65%, 부정 20%, 중립 15%로 나타났다. 그러나 LDA 토픽별 교차 분석 결과, 주목할 만한 패턴이 확인되었다. ‘불확실성과 불안(Topic 2)’과 ‘가족 돌봄 부담(Topic 3)’ 영역에서 부정 감성이 월등히 치솟았다. 이는 긍정적 지지 표현의 표층 아래에 재발에 대한 불안, 고용 상실에 대한 두려움, 가족 부담에 대한 죄책감과 같은 부정적 정서가 공존함을 의미한다. 즉, 댓글 작성자들이 서로 ‘힘내세요’라고 격려하는 행위 자체에는 긍정 감성이 담겨 있으나, 그 격려가 촉발된 상황 맥락(치료 불확실성․가족 부담)에는 부정 감정이 깊게 배어 있는 구조가 양가감정(ambivalence)의 실체이다.

이러한 양가감정 구조는 현실의 불안감이 팽창할수록 온라인에서 더욱 격렬한 지지를 갈구하는 순환 구조로 해석된다. 이는 현재 제도권 사회적 지원 체계가 환자의 근원적 불안을 해소하지 못하고 있으며, 정서적 격려라는 임시방편만으로는 구조적 미충족 요구를 해결할 수 없음을 시사하는 중요한 증거이다.

이상의 결과는 치료 불확실성 및 가족 돌봄 토픽에서 양가감정 구조가 나타날 것이라는 연구가설 H3을 지지한다. 양가감정 지수(Ambivalence Index)는 긍정 비율과 부정 비율의 차이에 대한 상대적 균형도로 산출하였으며(범위 0~1, 1에 가까울수록 긍․부정 공존), Topic 5(상실, 0.79)와 Topic 2(불확실성, 0.72), Topic 3(가족, 0.68)에서 높은 양가감정 지수가 확인되어 H3을 정량적으로 뒷받침한다.

5. 논 의

5.1 학술적 함의

본 연구는 House[5]의 고전적 사회적 지지 이론의 4분법 체계를 현대 디지털 의료․노동 사회학의 맥락으로 비판적으로 계승․확장하여, ‘직업 재활 지지(Vocational Rehabilitation Support)’라는 제5의 하위 유형을 이론적으로 정립․제안하였다. 온라인 환경 내에서 환우들끼리 유연근무제 협상, 인사 부서와의 소통 전략, 직무 배치 전환 노하우를 공유하며 동시에 심리적으로 응원하는 현상을 데이터로 포착한 점에서, 이는 만성질환자의 노동 시장 재진입이라는 특수한 생태적 요구를 포괄하는 새로운 이론적 프레임워크로서 후속 연구들이 암 생존자의 고용 지표를 측정․모델링하는 데 결정적 초석을 제공한다. 특히, 정서적 지지 어휘의 오즈비( $OR = 2.55 ~ 6.34$ )는 기존 문헌에서 정량화된 바 없는 효과 크기이며, 이 수치 자체가 복귀 프로세스 설계에서 정서적 준비도 지표의 기초 데이터로서 고유한 학술적 가치를 지닌다.

나아가, 본 연구의 발견은 산업경영시스템 관점에서도 중요한 함의를 지닌다. 토픽 모델링에서 도출된 5대 잠재 담론 구조와 각 토픽별 감성 분포는 암 경험자의 복귀 프로세스(Return-to-Work Process)를 시스템적으로 모델링하기 위한 실증적 기초 데이터를 제공한다. 구체적으로, 본 연구의 로지스틱 회귀분석에서 도출된 정서적 지지 어휘의 회귀계수( $β = 1.847 ~ 0.934, p < .001$ )와 의료 정보 어휘의 비유의성( $p > .05$ )은 기업 HRM 시스템에서 RTW 의사결정 시 ‘심리사회적 준비도(Psychosocial Readiness)’를 정량적 평가 지표로 도입하는 근거가 된다. 예컨대, 복귀 대상자의 온라인 커뮤니티 참여 양상에서 정서적 연대 요구 수준을 측정하고, 이를 직무재설계(Job Redesign) 의사결정 프레임워크의 입력 변수로 편입하여 ‘심리사회적 준비도 → 직무 난이도 조정 → 유연근무 배정 → 복귀 성과 모니터링’의 4단계 RTW 프로세스 모델을 설계할 수 있다[4].

5.2 실무적․정책적 제언

본 연구는 분석 결과에 기반하여 두 단계의 정책적 함의를 도출한다. 1단계(직접 함의)로서, 댓글 데이터에서 직접 도출 가능한 실무적 제언을 제시한다. 첫째, Topic 1(29.6%)과 로지스틱 회귀의 정서적 지지 유의성을 근거로, 기업 내 암 경험자 네트워크와 선배-신규 복귀자 매칭 멘토링을 공식화하는 ‘사내 동료 지원 프로그램’ 제도화가 시급하다. 둘째, Topic 4(23.5%)의 직업 가치관 변화를 반영하여 가치 지향적 직무로의 전환 배치(Job Redesign)를 지원해야 한다. 셋째, Topic 2(20.1%)의 치료 불확실성을 완충할 유연근무제 확대 및 Fast-track 병가 절차 법제화, 넷째, Topic 3(17.1%)의 가족 돌봄 부담 경감을 위한 유급 가족 돌봄 휴가 확장, 다섯째, 독일의 중증장애인 고용 부담금 제도(Schwerbehinderten-Ausgleichsabgabe)를 모델로 한 인센티브․부담금 체계의 도입이 요구된다.

이상의 정책 제언 중 2단계(정책적 확장)에 해당하는 유연근무제 법제화, 독일식 부담금 제도 도입 등은 본 연구 단독으로 법제화를 정당화하는 것이 아니라, 정책 결정자의 의사결정을 지원하는 증거 기반(evidence base)으로 기능한다. 이러한 거시적 제언은 후속 개입 연구(intervention study) 및 비용-편익 분석을 통해 추가적인 실증적 검증이 수반되어야 한다.

한편, 본 연구의 로지스틱 회귀분석에서 종속변수인 댓글 ‘좋아요’ 수는 텍스트 자체의 속성 외에도 해당 영상의 조회수, 채널 구독자 수, 댓글 작성 시점(영상 게시 직후 vs. 수개월 후) 등 외부 교란 요인의 영향을 받을 수 있다. 본 연구에서는 보조 분석으로 음이항 회귀를 수행하여 주 분석과의 결과 일관성( $IRR = 3.21 ~ 5.84, p < .001$ )을 확인하였으나, 주 분석 모델에 이러한 외부 변수를 통제 변수(control variables)로 명시적으로 포함하지 못한 점은 분석의 내적 타당성 측면에서 한계로 작용한다. 향후 연구에서는 영상 조회수, 채널 규모, 댓글 작성 시점 등을 통제 변수로 투입하는 다층 모형(multilevel model) 또는 고정 효과 모형(fixed-effects model)을 적용하여 텍스트 고유 효과를 보다 정교하게 분리해야 할 것이다.

6. 결 론

본 연구는 유튜브 암 경험자 브이로그 공간에서 산출된 164,850건의 빅데이터를 TF-IDF, LDA, 로지스틱 회귀분석, 감성 분석의 파이프라인으로 관통하여 해독한 탐색적 융합 연구이다. 암 생존자들이 추구하는 가치의 핵심이 의료 정보 습득 이전에 오프라인 노동 시장에서 소외된 정서적 연대의 회복(29.6%)에 있음을 과학의 언어로 입증하였다. 또한 ‘직업 재활 지지’라는 새로운 이론적 범주를 제안하고, 긍정적 지지 표현과 상황적 부정 정서가 공존하는 양가감정 구조를 포착함으로써 다차원적이고 구조적인 정책 패러다임 전환의 논거를 마련하였다.

본 연구의 한계는 다음과 같다. 첫째, 유튜브라는 단일 플랫폼에 한정된 데이터로 인해 디지털 접근성이 낮은 고령층, 중․저소득 계층 등 정보 소외 계층의 목소리가 반영되지 못했을 가능성이 있다. 특히 유튜브 이용자의 인구학적 특성상 활동적인 청․중장년층 암 경험자의 목소리가 과대 표집되어, ‘정서적 연대’와 ‘직업 재활 지지’ 토픽의 비중이 실제 전체 암 경험자 모집단보다 더 부각되었을 가능성을 배제할 수 없다. 또한 선정된 12개 채널이 유방암․대장암․혈액암에 다수 분포되어 있어, 췌장암․폐암 말기 등 예후가 불량한 고형암 환자의 경험이 상대적으로 과소 표집되었을 수 있으며, 이는 ‘상실과 애도(Topic 5)’의 비중이 제한적으로 나타난 이유 중 하나일 것이다. 둘째, 5년 간의 횡단적 누적 데이터 구조로 인해 암 확진 시점부터 5~10년에 이르는 장기 궤적 속 요구사항의 동적 진화를 추적하지 못하였다. 셋째, ‘좋아요’ 수의 중앙값 이진화로 인한 정보 손실, NLP 모델의 은유․반어법 해석의 한계, 온라인에서의 정서적 연대감이 실제 직장 복귀율․고용 유지 기간․삶의 질 개선이라는 현실 세계 성과 지표(Real-world Outcomes)로 연결되는지에 대한 인과적 검증이 이루어지지 못한 점도 한계이다.

이러한 한계를 극복하기 위한 향후 연구 방향은 다음과 같다. 첫째, 플랫폼 편향 완화를 위해 환우회 공식 웹사이트, 폐쇄형 커뮤니티, SNS 등 다기종 플랫폼 데이터를 융합하고, 각 플랫폼의 연령․암종․소득 수준 분포 차이를 기반으로 역확률 가중치(Inverse Probability Weighting; IPW)를 산정하여 편향을 보정하는 연구가 필요하다. 둘째, 동일 암 경험자의 브이로그 영상을 치료 단계별(진단 직후, 항암 치료 중, 관해 후)로 추적하는 시계열 종단 연구(Longitudinal Study)를 통해 요구사항의 동적 변화를 규명해야 한다. 셋째, KoBERT․XLM-RoBERTa 등 Transformer 기반 거대 언어 모델의 파인튜닝을 통해 은유․반어법의 다층적 의미를 해독하고, 순서형 로지스틱 회귀 또는 음이항 회귀 모델의 확대 적용으로 카운트 데이터의 정보 손실을 최소화해야 한다. 넷째, 가장 중요한 후속 과제로, 온라인 커뮤니티 참여자와 비참여자를 대상으로 1년 간격의 삶의 질(QoL) 척도, 직장 복귀 기간, 고용 유지율을 비교하는 전향적(Prospective) 코호트 추적 관찰 연구를 설계해야 한다. 이 연구는 동일인의 온라인 활동 데이터와 오프라인 설문․고용보험 기록을 연계하여 인과적 경로를 검증하는 것을 목표로 한다. 다만, 이러한 데이터 연계는 개인정보 보호법상 가명정보 처리 절차(동법 제28조의2)와 생명윤리법의 인간 대상 연구 심의(IRB) 승인을 필수적으로 요구한다. 온라인 익명 데이터와 행정 데이터 간 연결의 기술적․법적 실현 가능성을 면밀히 검토한 후, 가명정보 결합전문기관을 활용하는 등 단계적으로 추진해야 할 것이다.

다만, 본 연구의 발견은 국내 주요 암종(유방암․대장암․폐암․위암․혈액암) 유튜브 이용 생존자 집단에 특화된 탐색적 증거이며, 디지털 접근성이 낮은 고령층․중저소득층이나 예후가 불량한 말기 암 환자 집단을 포괄하는 전체 암 경험자 모집단으로의 직접적 일반화는 후속 연구를 통해 검증되어야 한다.

Acknowledgement

This work was supported by “Contract-Based Graduate Enrollment Quotas Program” of Korea Industrial Technology Association (KOITA) funded by Ministry of Science and ICT (MSIT).

Figure

<Figure 1>.

Odds Ratio Forest Plot of Logistic Regression Results (Note: Variables correspond to those in <Table 5>)

Table

<Table 1>.

Comparative Matrix of Social Support Subtypes (House, 1981; Extended)

Dimension	Emotional	Informational	Instrumental	Appraisal	Vocational Rehab.
Target context	General stress	General decision	General need	General feedback	RTW-specific
Core mechanism	Empathy trust	Advice knowledge	Material aid	Evaluative feedback	Integrated multi-dim.
Exclusivity to House	Yes	Yes	Yes	Yes	Composite (cross-type)
Workplace relevance	Low–Moderate	Moderate	Low	Moderate	High (central)

<Table 2>.

Selection Criteria for YouTube Channels and Videos

Criterion	Definition	Quantitative Threshold
Identity	Cancer survivor identity of operator	Explicit disclosure of cancer diagnosis in channel intro or videos
Content format	Consistency and regular activity of vlog format	At least 2 vlog posts per month (48+ videos over 2 years)
Interaction	Two-way interaction with viewers	50+ avg comments per video; 1,000+ total channel comments
Diversity	Avoidance of single cancer-type bias	Breast 4, Colorectal 3, Hematologic 3, Stomach 1, Lung 1 (12 channels)

<Table 3>.

Four-Stage Data Preprocessing Pipeline

1)Stage 3에서 필터링된 8,142건 중 정서적 지지 표현을 내포한 2,117건은 감성분석 전용 보조코퍼스로 별도 보존되었으며, 나머지 6,025건은 노이즈로 최종 삭제되었다. 따라서 LDA․TF-IDF 분석 대상은 148,708건이며, 감성분석 대상은 148,708 + 2,117 = 150,825건이다.

Stage	Operation	Removed	Retained	Valid Rate
Raw	Merged data from API + Selenium	-	164,850	100.0%
Stage 1	Ads, spam, and bot removal	4,218	160,632	97.4%
Stage 2	Non-Korean and duplicate removal	3,782	156,850	95.1%
Stage 3	Filter comments below 20 chars1)	6,025†	148,708	90.2%
Stage 4	Morph analysis + stopword removal	-	148,708	90.2%

<Table 4>.

LDA Topic Modeling Results (K=5, Cv=0.52)

Topic	Latent Discourse	Count	Share	Core Keywords
1	Emotional Solidarity	43,994	29.6%	cheer, pray, fighting, love
4	Medical Ecosystem	34,890	23.5%	treatment, hospital, doctor, cure
2	Uncertainty & Anxiety	29,895	20.1%	thought, surgery, test, wait
3	Family & Caregiving	25,421	17.1%	family, sister, health, hardship
5	Loss & Mourning	14,508	9.8%	requiem, departed, recovery, sky

<Table 5>.

Binomial Logistic Regression Results

Variable	β	S.E.	Wald	p-value	Sig.
cheer up	1.847	0.312	35.02	<.001	***
pray	1.523	0.287	28.15	<.001	***
support	1.412	0.301	22.01	<.001	***
love	1.198	0.265	20.43	<.001	***
fighting	1.087	0.248	19.22	<.001	***
heart	0.934	0.231	16.35	<.001	***
surgery	0.234	0.198	1.40	.237	n.s.
test	0.187	0.185	1.02	.312	n.s.
hospital	0.156	0.177	0.78	.378	n.s.

<Table 6>.

Sentiment Distribution and Ambivalence Index by LDA Topic

Topic	Positive	Negative	Neutral	Ambivalence Index
1. Emotional Solidarity (29.6%)	78.3%	8.2%	13.5%	0.21
2. Uncertainty & Anxiety (20.1%)	34.7%	42.1%	23.2%	0.72
3. Family & Caregiving (17.1%)	41.2%	38.5%	20.3%	0.68
4. Medical Ecosystem (23.5%)	55.8%	24.6%	19.6%	0.42
5. Loss & Mourning (9.8%)	28.4%	51.3%	20.3%	0.79
Overall (148,708)	65.0%	20.0%	15.0%	0.38

No.	Keyword	TF-IDF	Cat.	No.	Keyword	TF-IDF	Cat.
1	support	0.487	ES	26	comfort	0.213	ES
2	pray	0.461	ES	27	daily life	0.208	NT
3	cheer up	0.438	ES	28	channel	0.205	NT
4	health	0.412	MI*	29	medicine	0.201	MI
5	love	0.398	ES	30	start	0.198	NT
6	fighting	0.385	ES	31	diagnosis	0.193	MI
7	treatment	0.364	MI	32	a day	0.189	NT
8	surgery	0.341	MI	33	encouragement	0.185	ES
9	family	0.329	NT	34	appearance	0.181	NT
10	hospital	0.312	MI	35	doctor	0.177	MI
11	today	0.302	NT	36	story	0.174	NT
12	cure	0.298	MI*	37	first	0.171	NT
13	video	0.295	NT	38	thankful	0.168	ES
14	heart	0.287	ES	39	result	0.165	MI
15	time	0.278	NT	40	we	0.162	NT
16	recovery	0.271	MI	41	next	0.159	NT
17	person	0.267	NT	42	too	0.156	NT
18	test	0.256	MI	43	always	0.153	NT
19	thought	0.254	NT	44	real	0.150	NT
20	touching	0.245	ES	45	together	0.147	NT
21	chemo	0.243	MI	46	all	0.144	NT
22	really	0.238	NT	47	thanks	0.141	ES
23	comment	0.232	NT	48	encourage	0.138	ES
24	happiness	0.224	ES	49	send	0.135	NT
25	subscribe	0.221	NT	50	with	0.132	NT

Reference

Bae, K.R. and Cho, J., Changes after Cancer Diagnosis and Return to Work Experiences: A Qualitative Study of Korean Cancer Patients, BMC Cancer, 2021, Vol. 21, No. 1, pp. 113-125.
Blei, D.M., Ng, A.Y., and Jordan, M.I., Latent Dirichlet Allocation, Journal of Machine Learning Research, 2003, Vol. 3, pp. 993-1022.
Butow, P., Laidsaar-Powell, R., Konings, S., Lim, C.Y.S., and Koczwara, B., Return to Work after a Cancer Diagnosis: A Meta-review of Reviews and a Meta-synthesis of Recent Qualitative Studies, Journal of Cancer Survivorship, 2020, Vol. 14, No. 2, pp. 114-134.
Choi, Y.J. and Kim, H.S., A Study on Job Redesign Decision Framework for Workers with Chronic Diseases Using Text Mining and Machine Learning, Journal of the Korean Society of Industrial and Systems Engineering, 2023, Vol. 46, No. 3, pp. 112-124.
House, J.S., Work Stress and Social Support, Reading, MA, USA : Addison-Wesley, 1981, pp. 13-40.
Jelodar, H., Wang, Y., Yuan, C., Feng, X., Jiang, X., Li, Y., and Zhao, L., Latent Dirichlet Allocation (LDA) and Topic Modeling: Models, Applications, a Survey, Multimedia Tools and Applications, 2019, Vol. 78, No. 11, pp. 15169-15211.
Kim, I.S., Social Support Patterns in Online Health Communities: A Text Mining Analysis, Journal of the Korea Contents Association, 2021, Vol. 21, No. 3, pp. 456-468.
Kim, S.H. and Lee, J.H., A Text Mining-based Analysis of Customer Reviews for Service Quality Improvement in the Manufacturing Industry, Journal of the Korean Society of Industrial and Systems Engineering, 2020, Vol. 43, No. 4, pp. 128-137.
Lamore, K., Dubois, T., Rothe, U., Leonardi, M., Girard, I., Manuwald, U., Nazarov, S., Silvaggi, F., Guastafierro, E., Scaratti, C., Breton, T., and Foucaud, J., Return to Work Interventions for Cancer Survivors: A Systematic Review and a Methodological Critique, International Journal of Environmental Research and Public Health, 2019, Vol. 16, No. 8, p. 1343.
Lee, C.K. and Park, S.Y., Topic Modeling Analysis of Online Health Communities Using LDA: Focusing on Cancer Patient Forums, Journal of the Korean Society of Industrial and Systems Engineering, 2022, Vol. 45, No. 1, pp. 55-67.
Maier, D., Waldherr, A., Miltner, P., Wiedemann, G., Niekler, A., Keinert, A., Pfetsch, B., Heyer, G., Reber, U., Haussler, T., Schmid-Petri, H., and Adam, S., Applying LDA Topic Modeling in Communication Research: Toward a Valid and Reliable Methodology, Communication Methods and Measures, 2018, Vol. 12, No. 2-3, pp. 93-118.
Main, D.S., Nowels, C.T., Cavender, T.A., Etschmaier, M., and Steiner, J.F., A Qualitative Study of Work and Work Return in Cancer Survivors, Psycho-Oncology, 2005, Vol. 14, No. 11, pp. 992-1004.
Mehnert, A., Employment and Work-related Issues in Cancer Survivors, Critical Reviews in Oncology/Hematology, 2011, Vol. 77, No. 2, pp. 109-130.
Mullan, F., Seasons of Survival: Reflections of a Physician with Cancer, New England Journal of Medicine, 1985, Vol. 313, No. 4, pp. 270-273.
National Cancer Center, National Cancer Registration Statistics, https://www.cancer.go.kr.
Park, J.H., Park, E.C., Park, J.H., Kim, S.G., and Lee, S.Y., Job Loss and Re-employment of Cancer Patients in Korean Employees: A Nationwide Retrospective Cohort Study, Journal of Clinical Oncology, 2008, Vol. 26, No. 8, pp. 1302-1309.
Röder, M., Both, A., and Hinneburg, A., Exploring the Space of Topic Coherence Measures, Proceedings of the Eighth ACM International Conference on Web Search and Data Mining (WSDM '15), 2015, Shanghai, China, pp. 399-408.
Shim, H.Y., Shin, J.Y., Kim, J.H., Kim, S.Y., Yang, H.K., and Park, J.H., Return to Work of Cancer Survivors from Perspectives of Occupational Physicians in Korea, Journal of Korean Medical Science, 2019, Vol. 34, No. 11, p. e98.
Shin, H.P., Park, J.C., and Cha, J.W., KOSAC (Korean Sentiment Analysis Corpus): Construction and Application, Journal of KIISE: Software and Applications, 2013, Vol. 40, No. 2, pp. 89-102.