Metin Madenciliği ve Makine Öğrenmesi Teknikleri ile Sağlık Hizmetleri Pazarlamasına Yönelik Twitter Verilerinin Analizi

Abstract

Sağlık hizmeti kullanıcılarının sağlık hizmetleri pazarına ilişkin duygu durumlarının analizi sağlık hizmetleri pazarlamasına yönelik algıların analizinde kritik rol oynamaktadır. Bu çalışmada Twitter kullanıcılarından elde edilen verilerle kişilerin sağlık hizmetleri pazarlamasına yönelik görüşleri duygu analizi kullanılarak değerlendirilmiştir. Twitter’dan API Key ile 1 Ekim 2022 ve 30 Kasım 2022 tarihleri arasında elde edilen 27079 İngilizce dilinde atılan tweet verileri üzerinde yapılan duygu analizi sonucunda Twitter kullanıcılarının sağlık hizmetleri pazarlaması konusundaki görüşlerinin %50,36’sının (n=13638) olumlu, %32,21’inin (n=8721) nötr ve %17,43’ünün (n=4720) ise olumsuz olduğu belirlenmiştir. Oluşturulan kelime bulutlarına göre ‘health’, ‘care’, ‘market’ ve ‘insurance’ en sık tekrarlanan kelimeler olarak belirlenmiştir. Twitter kullanıcılarının duygu durumlarının en iyi tahmin edicilerini bulmak amacıyla yeni bir veri seti oluşturulmuş ve Yapay Sinir Ağları (Neural Network-NN), Rastgele Orman (Random Forest-RF), Naive Bayes (NB) ve k-en yakın komşu (k-nearest neighbor k-NN) makine öğrenmesi teknikleri ile tahmin edilmiştir. RF (AUC=0,707; CA=0,646) ve NN (AUC=0,706; CA=0,645) diğer makine öğrenmesi teknikleriyle karşılaştırıldığında Twitter kullanıcılarının duygu durumlarının en iyi tahmin edici makine öğrenmesi teknikleri olmuştur. Pisagor ağacı ile Twitter kullanıcılarının sağlık hizmetleri pazarlamasına yönelik duygu durumlarının en iyi tahmin edici değişkeninin ‘favorite (beğeni)’ kelimesi olduğu ve kullanıcıların sağlık hizmetleri pazarlamasına yönelik atılan tweetlere çoğunlukla katıldığı belirlenmiştir. Gelecekteki yapılacak olan çalışmaların zaman içindeki değişiklikleri daha iyi anlamak ve derin bir perspektif sunmak amacıyla daha uzun bir zaman aralığını kapsayacak şekilde planlanması, ayrıca analizlerin genellenebilirliğini artırmak ve bulguların daha geniş bir kitleye uygulanabilir olmasına katkıda bulunmak için daha büyük bir veri seti kullanılması önerilmektedir.