1 januari 2020 werd de BOPZ vervangen door de wet verplichte ggz (Wvggz) en de wet zorg en dwang (Wzd). Dit ging niet zonder slag of stoot en er waren vanuit de beroepsgroepen veel zorgen, met name op de mogelijke toename van administratie- en registratiedruk1. Psychiaters en andere artsen, zoals specialisten ouderengeneeskunde (SOG), staken hun onvrede over de nieuwe wetten niet onder stoelen of banken en schreven erover in kranten, vakbladen en op sociale media. Een van de oudste en grootste sociale media platforms is Twitter, opgericht in 2006. Op Twitter kunnen korte berichten, tweets, geplaatst worden van maximaal 280 tekens. Er zijn ruim 300 psychiaters (in opleiding) actief op Twitter2 (mogelijk zijn dit er nog meer, aangezien niet iedereen zijn/haar beroep vermeldt in zijn/haar profiel), 76 (SOG) en 10 artsen verstandelijk gehandicapten (AVG).
Sentiment analyse is het analyseren van tekst op emotie, met behulp van tekstanalyse en computationele linguïstiek. Deze techniek is toepasbaar op elke vorm van tekst. Berichten op twitter, tweets voor ingewijden, zijn met 280 tekens relatief kort en dat laat dus doorgaans weinig ruimte voor nuancering. Tweets lijken hiermee bij uitstek interessant voor sentiment analyse. Eerder onderzoek liet zien dat tweets gebruikt kunnen worden voor het vinden en observeren van middelenmisbruik(1) en dat sentiment analyse van tweets over diabetes mellitus kan bijdragen aan kennis over ziektelast. In dit beschrijvende proof-of-concept onderzoek wilde ik onderzoeken of dit ook zou kunnen gelden voor kleinere, Nederlandse onderwerpen. Hiervoor heb ik alle Nederlandstalige tweets over de Wvggz en de Wzd geanalyseerd tussen 1 januari 2019, een jaar vóór, en 1 januari 2021, een jaar ná invoering van beide wetten. De hypothese hierbij is dat de grotendeels negatieve ontvangst van beide nieuwe wetten terug te zien is in de hierover geplaatste berichten op Twitter.
Methode
Data-aggregatie
Met behulp van Python (versie 3.7.3)3 en de Pythonmodule TwitterScraper4 schreef ik een script dat alle Nederlandstalige tweets tussen 1 januari 2019 en 1 januari 2021 verzamelde die gingen over de Wet verplichte ggz (zoekterm: #wvggz OR wvggz OR #wetverplichteggz OR “wet verplichte ggz” OR “Wet verplichte geestelijke gezondheidszorg”) en de Wet zorg en dwang (zoekterm: #wetzorgendwang #wetzorgdwang OR wetzorgendwang OR wetzorgdwang OR #wzd OR “wet zorg en dwang”).
Sentimentanalyse
Voor de sentimentanalyse werd eveneens gebruik gemaakt van Python en de Pythonmodule Pattern.nl(2). Alle tweets werden individueel geanalyseerd, waarbij de uitkomst per tweet een polariteitsscore was. Dit is een getal tussen -1 en +1, dat aangeeft hoe negatief respectievelijk positief een tekst is. Een tweet werd, conform eerder onderzoek(3,4), negatief gelabeld bij polariteit <= -0,03, positief bij polariteit >0,03 en neutraal tussen -0,03 en 0,03. Vervolgens werd per maand, per kwartaal en jaar gekeken naar het percentage positieve/negatieve tweets voor beide onderwerpen. Visualisatie van data werd met Microsoft Excel uitgevoerd.
Resultaten
In totaal werden 6.685 tweets gevonden en geanalyseerd; 3.265 over de Wvggz en 3.420 over de Wzd. Figuur 1 laat het totaal aantal tweets en het percentage negatieve tweets over beide wetten per kwartaal zien over 2019 en 2020. Figuur 2 laat voor beide wetten het percentage negatieve, neutrale en positieve tweets zien over 2019 en 2020. Figuur 3 laat een willekeurig voorbeeld zien van een negatieve tweet over de Wvggz, figuur 4 van een positieve.
Figuur 1. Totaal aantal tweets (oranje lijn, rechter y-as) en het percentage negatieve tweets (blauwe balken, linker y-as) per kwartaal van Q1-2019 tot en met Q4-2020 over Wvggz (a) en Wzd (b).
Figuur 2. Percentage negatieve, neutrale en positieve tweets over 2019 (blauw) en 2020 (oranje) over Wvggz (a) en Wzd (b).
Figuur 3. Voorbeeld van een negatieve tweet (score -0,34) over de Wvggz, bron: https://twitter.com/daniel_891/status/1265560868508573698
Figuur 4. Voorbeeld van een positieve tweet (score 0,15) over de Wvggz, bron: https://twitter.com/gem_bronckhorst/status/1215596090998829056
Beschouwing
Het aantal tweets over beide wetten loopt op naarmate de invoering van de Wvggz en Wzd dichterbij kwamen. Met andere woorden; het won aan populariteit als onderwerp van gesprek. In het vierde kwartaal van 2019 en het eerste kwartaal van 2020 was het aantal tweets over beide wetten het hoogst. In het laatste kwartaal van 2019, vlak voor de invoering van de nieuwe wet, werden bijvoorbeeld ruim 800 tweets geplaatst over de Wvggz. Opvallend is dat het aantal tweets hierna snel daalde en vrij laag bleef.
Het percentage negatieve tweets over de Wvggz neemt gedurende het jaar voor invoering en het jaar na invoering elk kwartaal geleidelijk toe, tot ruim anderhalf keer zoveel eind 2020 ten opzichte van begin 2019. Voor de Wzd is een soortgelijke trend zichtbaar, echter lijkt het percentage negatieve tweets hier vooral te stijgen ná invoering, waar dat bij de Wvggz ook al voor invoering het geval was.
Kijken we naar het percentage negatieve tweets per jaar, dan zien we voor tweets over de Wvggz een duidelijke toename in 2020 ten opzichte van 2019 (+10,4%). Voor de Wzd is er ook een toename te zien, echter is deze met een toename van 2,5% minder uitgesproken. De toename van negatieve tweets over de Wvggz gaat, zoals te verwachten, ten koste van de positieve, maar ook van de neutrale tweets (figuur 2a). Voor de Wzd bleef het aantal neutrale tweets ongeveer gelijk en lijkt de toename van negatieve tweets vooral ten koste te gaan van de positieve tweets (figuur 2b).
Kanttekeningen
Sentiment analyse is geen harde wetenschap en de aantallen waren met enkele duizenden tweets relatief klein. Bovendien beperkt dit onderzoek zich tot een kwantitatieve analyse en zijn de tweets niet kwalitatief onderzocht. Door de kleine aantallen is het helaas ook niet mogelijk om sub-analyses te verrichten op bepaalde subgroepen, zoals psychiaters of patiënten.
Conclusie
Sentiment analyse is geen keiharde wetenschap, maar deze resultaten laten zien, dat zelfs met relatief kleine aantallen (iets meer dan 3000 berichten per onderwerp) inzichten verkregen kunnen worden in het heersende sentiment over een bepaald onderwerp en de ontwikkeling hiervan over tijd. Dit biedt mogelijkheden voor het ontsluiten van het vooralsnog grotendeels braakliggende terrein van de sociale media voor wetenschappelijk onderzoek. De gevonden resultaten lijken verder te bevestigen dat met name de Wvggz en in minder mate ook de Wzd, in elk geval op Twitter, geen warm onthaal hebben gekregen en in het eerste jaar na invoering ook niet aan populariteit hebben gewonnen.
Referenties
(1) Correia RB, Li L, Rocha LM. MONITORING POTENTIAL DRUG INTERACTIONS AND REACTIONS VIA NETWORK ANALYSIS OF INSTAGRAM USER TIMELINES. Pac Symp Biocomput [Internet]. 2016;21:492–503. Available from: http://www.ncbi.nlm.nih.gov/pubmed/26776212
(2) De Smedt, T. & Daelemans W. Pattern for Python. J Mach Learn Res. 2012;13:2031–2035.
(3) de Boer JN, Corona Hernández H, Gerritse F, Brederoo SG, Wijnen FNK, Sommer IE. Negative content in auditory verbal hallucinations: a natural language processing approach. Cogn Neuropsychiatry [Internet]. 2021 [cited 2022 Jan 19]; Available from: https://pubmed.ncbi.nlm.nih.gov/34154512/
(4) Nazareth DS, Tournier E, Leimkötter S, Janse E, Heylen D, Westerhof GJ, et al. An acoustic and lexical analysis of emotional valence in spontaneous speech: Autobiographical memory recall in older adults. Proc Annu Conf Int Speech Commun Assoc INTERSPEECH [Internet]. 2019 Jan 1 [cited 2022 Jan 19];2019-September:3287–91. Available from: https://research.utwente.nl/en/publications/an-acoustic-and-lexical-analysis-of-emotional-valence-in-spontane
Voetnoten
1 https://www.dejongepsychiater.nl/themas/recht/1198-wvggz-wat-staat-ons-te-wachten
2 https://followerwonk.com/bio/?q=psychiater&q_type=bio
3 Python programmeertaal, gratis beschikbaar op https://www.python.org/
