Akademik Veri Yönetim Sistemi
7. Uluslararası 17. Ulusal Sağlık ve Hastane İdaresi Kongresi, Türkiye, 17 Ekim 2024
Amaç: Duygu analizi, metin işleme yöntemlerinden biri olup, bir kelime, cümle veya metnin ifade ettiği anlamı analiz etmek amacıyla kullanılan bir tekniktir. Literatürde "sentiment analizi" olarak da bilinen bu yöntem, bireylerin ifade ettikleri duyguları sınıflandırmak ve anlamak için sıkça kullanılmaktadır. Bu çalışmada, Eskişehir ilinde bulunan farklı hastanelere yapılan hasta yorumları üzerinde duygu analizi yapılmıştır. Çalışmanın amacı, hastalar tarafından yapılan geri bildirimlerin genel eğilimlerini belirlemek ve hasta memnuniyetine dair genel bir değerlendirme sunmaktır. Yöntem: Çalışmanın veri seti, Temmuz 2023 - Temmuz 2024 tarihleri arasında Eskişehir ilinde bulunan özel, devlet, üniversiteye bağlı eğitim araştırma ve şehir hastanelerine Google yorumlar aracılığıyla yapılan hasta yorumlarından oluşmaktadır. Yorumlar, iki araştırmacı tarafından bağımsız olarak "olumlu," "olumsuz" ve "nötr" kategorilerine göre kodlanmıştır. Yorumlardan yalnızca emojilerden oluşan veya sadece puanlama yapılanlar kapsam dışı bırakılmıştır ve toplamda 994 yorum analiz edilmiştir. Verilerin analizi, nitel ve nicel araştırmalarda kullanılan MAXQDA 2024 yazılımı ile gerçekleştirilmiştir. Kelime bulutu analizi, kod frekansları analizi ve duygu analizi gibi teknikler kullanılarak, metinlerin içerikleri ve duygusal eğilimleri görselleştirilmiştir. Bulgular: Tüm olumlu kodlanan yorumlar üzerine oluşturulan kelime bulutu analizine göre, "doktor," "hastane," "muayene," "ameliyat," "acil," "memnun," "teşekkür" ve "ilgi" gibi sözcükler öne çıkmaktadır. Bu bulut, analiz edilen metinlerde en sık kullanılan kelimeleri görselleştirmektedir. Ayrıca, pozitif duyguları yansıtan ("teşekkür," "güler yüz," "memnun") ve negatif duygular taşıyan ("yok," "rağmen," "zor") kelimeler de bu analizde öne çıkmaktadır. Olumsuz kodlanan yorumlar üzerine yapılan kelime bulutu analizinde ise, "doktor," "muayene," “hizmet,” “personel” ve “randevu” gibi kelimeler öne çıkmaktadır. Ancak burada, olumsuz duygular taşıyan "zor," "kötü," "sıra," "beklemek," "hiç" gibi kelimelerin daha fazla yer aldığı gözlemlenmiştir. Özel hastaneler bazında yapılan duygu analizine göre, 35 yataklı özel hastane için yorumların %14'ünün olumlu, %2'sinin olumsuz olduğu tespit edilmiştir. Bu durum, hastanenin genellikle olumlu geri bildirimler aldığını göstermektedir. 63 yataklı özel hastane için yorumların %13'ünün olumlu, %9'unun olumsuz ve %1'inin nötr olduğu belirlenmiştir. 121 yataklı özel hastane için yorumların %35’inin olumlu, %4’ünün olumsuz olduğu belirlenmiştir. Ayrıca 133 yataklı özel hastane için yorumların %4'ünün olumlu, %8'inin olumsuz ve %1'inin nötr olduğu; 154 yataklı özel hastane için ise yorumların %6'sının olumlu ve %5'inin olumsuz olduğu saptanmıştır. Bu bulgular, genel olarak özel hastanelerin olumlu yorumlar aldığını, ancak hastane bazında memnuniyet oranlarının değişkenlik gösterdiğini ortaya koymaktadır. Üniversiteye bağlı Eğitim Araştırma Hastanesi için yorumların %1'i olumlu, %8'i olumsuz olarak kodlanmıştır. Devlet Hastanesi için yorumların %10'unun olumlu, %18'inin olumsuz ve %1'inin nötr olduğu tespit edilmiştir. Şehir Hastanesi’nde ise yorumların %26'inin olumlu, %36'sının olumsuz ve %2'inin nötr olduğu belirlenmiştir. Bu sonuçlara göre, Şehir Hastanesi’nin diğer hastanelere kıyasla daha fazla olumlu geri bildirim aldığı görülmüştür. Sonuç: Yapılan analizler sonucunda, Eskişehir'deki hastaneler arasında hasta memnuniyeti açısından farklılıklar olduğu ortaya çıkmıştır. 121 yataklı özel hastane, en yüksek olumlu geri bildirim oranına sahip hastane olarak öne çıkarken, yatak sayısı görece daha az olan özel hastaneler genel olarak diğerlerine kıyasla olumlu geri bildirimler almıştır. Sonuç olarak, kelime bulutu analizleri, hasta yorumlarında sıkça kullanılan kelimeler ve ifade edilen duygular hakkında önemli ipuçları sunmaktadır. Olumlu yorumlarda öne çıkan sözcükler, sağlık hizmetleriyle ilgili memnuniyetin bu alanlarda yoğunlaştığını göstermektedir. Diğer yandan, olumsuz yorumlarda "zor," "kötü," "sıra" ve "beklemek" gibi kelimelerin ön planda olması, hastaların hizmet alma süreçlerinde yaşadığı zorlukları ve memnuniyetsizlikleri yansıtmaktadır. Bu bulgular, hastanelerin hasta memnuniyetini artırmak için hizmet süreçlerini gözden geçirmesi ve özellikle olumsuz geri bildirimlerin nedenlerini analiz ederek iyileştirici önlemler alması gerektiğine işaret etmektedir.
Aim: Sentiment analysis is one of the text processing methods used to analyze the meaning expressed by a word, sentence, or text. Also known as "sentiment analysis" in the literature, this method is frequently used to classify and understand the emotions expressed by individuals. In this study, sentiment analysis was conducted on patient comments made to various hospitals in Eskişehir. The aim of the study is to determine the general trends of feedback provided by patients and to present an overall assessment of patient satisfaction. Methods: The dataset consists of patient comments made via Google reviews to private, public, universityaffiliated training and research, and city hospitals in Eskişehir between July 2023 and July 2024. The comments were independently coded by two researchers into "positive," "negative," and "neutral" categories. Comments consisting only of emojis or just ratings were excluded, and a total of 994 comments were analyzed. The analysis of the data was carried out using the MAXQDA 2024 software, which is used in both qualitative and quantitative research. Techniques such as word cloud analysis, code frequency analysis, and sentiment analysis were used to visualize the content and emotional tendencies of the texts. Results: Based on the word cloud analysis of positively coded comments, terms such as "doctor," "hospital," "examination," "surgery," "emergency," "satisfaction," "thank you," and "attention" stand out. This cloud visualizes the most frequently used words in the analyzed texts. Additionally, words that reflect positive emotions ("thank you," "smiling," "satisfied") and words carrying negative sentiments ("none," "despite," "difficult") are also prominent in this analysis. In the word cloud analysis of negatively coded comments, words like "doctor," "examination," "service," "staff," and "appointment" are notable. Here, however, words that convey negative emotions, such as "difficult," "bad," "queue," "waiting," and "never," are more prevalent. According to the sentiment analysis conducted for private hospitals, 14% of comments for a 35-bed private hospital were positive, and 2% were negative, indicating that the hospital generally receives positive feedback. For the 63-bed private hospital, 13% of comments were positive, 9% were negative, and 1% were neutral. For the 121-bed private hospital, 35% of comments were positive, and 4% were negative. Additionally, for the 133-bed private hospital, 4% of comments were positive, 8% were negative, and 1% were neutral. For the 154-bed private hospital, 6% of comments were positive, and 5% were negative. These findings suggest that private hospitals generally receive positive comments, though satisfaction rates vary by hospital. For the university-affiliated Research and Training Hospital, 1% of comments were positive, and 8% were negative. For the State Hospital, 10% of comments were positive, 18% were negative, and 1% were neutral. At the City Hospital, 26% of comments were positive, 36% were negative, and 2% were neutral. These results indicate that the City Hospital received more positive feedback compared to other hospitals. Conclusion: The analyses reveal differences in patient satisfaction among hospitals in Eskişehir. The 121-bed private hospital stands out with the highest positive feedback rate, while private hospitals with relatively fewer beds generally received more positive feedback compared to others. In conclusion, the word cloud analyses provide significant insights into frequently used words and the emotions expressed in patient comments. The prominent words in positive comments indicate that patient satisfaction is concentrated in these areas of healthcare services. On the other hand, the emphasis on words such as "difficult," "bad," "queue," and "waiting" in negative comments reflects the challenges and dissatisfaction patients experience during service. These findings suggest that hospitals should review their service processes to improve patient satisfaction, particularly by analyzing the reasons for negative feedback and implementing corrective measures.