可视化YouTube评论者对美国医疗体系的认知：基于语义网络分析方法的循证政策制定研究

为解决社交媒体海量评论中有效信息提取的难题，研究人员采用VOSviewer软件对179,193条美国医疗体系相关YouTube评论进行语义网络分析，构建了包含323个术语节点的交互式可视化网络。研究揭示了公众对医疗服务的核心关切（如护士短缺、保险费用）及意识形态分歧（如社会主义与资本主义对立），并通过自定义叠加层验证了网络的结构相关性和语义准确性。该方法为政策制定者提供了高效解读公众意见的新工具，相关成果发表于《JMIR Infodemiology》。

　　

美国医疗体系长期因高成本和效率问题饱受争议，社交媒体成为公众表达观点的重要阵地。然而，面对YouTube等平台上海量、嘈杂且充满情绪化的评论，如何从中提取有价值的政策参考信息仍是未解难题。传统研究方法受限于样本量或分析维度单一，难以全面捕捉公众讨论的复杂脉络。

为此，Central Michigan University的研究团队创新性地将文献计量工具VOSviewer（荷兰莱顿大学开发）应用于社交媒体分析，对2014-2023年间53个政治立场各异的媒体发布的医疗相关视频下的179,193条评论进行语义网络建模。通过术语共现网络聚类和自定义信息叠加层技术，首次系统揭示了YouTube用户对美国医疗体系的核心认知框架，研究成果发表于《JMIR Infodemiology》。

研究采用三项关键技术：

1. 语义网络构建：使用VOSviewer处理评论语料库，通过OpenNLP算法识别名词短语，从1,948个高频术语中筛选323个医疗相关术语构建网络
2. 叠加层分析：创建反映视频属性（如政治倾向）和评论特征（如点赞数、时间戳）的叠加层，增强网络解读维度
3. 多维验证：通过重复评论删除测试网络稳健性，通过术语-视频主题匹配检验内容代表性，并抽样验证节点语义准确性

研究结果
术语共现网络与聚类
7个聚类清晰呈现讨论焦点：

• 红色聚类（最大组）涵盖慢性病、治疗及临终关怀，如"癌症"与"化疗"共现反映疾病负担
• 绿色聚类集中医疗服务话题，如"救护车费用"与"预约等待时间"的强关联揭示可及性痛点
• 深蓝色聚类凸显意识形态对立，"社会主义"与"资本主义"节点紧密相连，反映政治极化

视频主题与评论的对应关系
叠加层显示视频内容有效引导讨论方向：

• 护士主题视频评论集中于紫色聚类（护理人力短缺）
• "约翰·奥利弗医保视频"引发绿色聚类（服务可及性）和黄色聚类（政策辩论）的交叉讨论

时间动态与持续讨论

• 临终关怀术语（如"不复苏指令"）在2023年评论中最活跃
• "救护车费用"等话题持续吸引新评论达11个月，体现长期关注

高点赞评论的启示

• 护士群体详述职业困境（如"轮班制"与"洗手间"节点关联），获最高互动
• "蛀牙"节点揭露美国居民跨境牙科旅游现象，反映费用痛点

医疗体系设计概念的意识形态差异

• "全民医保"讨论含最多意识形态术语（社会主义+1.44 SD）
• "单一支付体系"更聚焦"行政成本"等实务话题，意识形态色彩最弱（社会主义-0.16 SD）

讨论与意义
该研究通过语义网络首次系统解码了YouTube用户对美国医疗体系的多维认知：既包含具象服务缺陷（如牙科费用、急诊等待），也反映深层次意识形态对立。方法学层面，验证了VOSviewer处理社交媒体数据的可靠性——网络经受住重复数据删除的稳健性检验，节点分布准确反映原始评论语义，聚类结构与既有医疗政策知识高度吻合。

政策价值体现在三方面：

1. 需求优先级识别：护士短缺、药品价格等高频议题应列为改革重点
2. 沟通策略优化：避免意识形态术语（如"社会主义医疗"）可能激发的对立情绪
3. 全球经验借鉴：含英国拼写术语的评论（占6-8%）为跨国政策比较提供民间视角

该方法突破传统内容分析的局限，实现从"数据密集"到"知识可视"的转化。未来可扩展至实时政策舆情监测，或结合访谈深化量化发现。研究也存在术语筛选主观性、英语语料局限等问题，但为数字时代的循证决策树立了新范式。