人們對(duì)于健康資源的需求正在隨著生活水平的提高而不斷上升,然而我國目前相對(duì)落后的經(jīng)濟(jì)制約了人們對(duì)于醫(yī)療資源的需求。如何在當(dāng)前的情況下有效合理的分配醫(yī)療資源是目前急需解決的難題。計(jì)算機(jī)技術(shù)的發(fā)展,特別是在線醫(yī)療社區(qū)、醫(yī)療眾包等新技術(shù)的發(fā)展為解決這一個(gè)難題提供了新的思路與方法。醫(yī)療眾包匯集了全球互聯(lián)網(wǎng)用戶的力量,以一種便捷的方式解決傳統(tǒng)方式難以解決的問題。它增強(qiáng)了人們獲取醫(yī)療信息和定制醫(yī)療方案的能力。伴隨著越來越多的人參與其中,平臺(tái)中也充斥了大量的眾包信息,需要患者對(duì)眾多方案進(jìn)行甄別選擇。而醫(yī)療眾包中的方案多是以文字的形式給出的,研究這些文本的特征對(duì)眾包發(fā)布者選擇最佳方案的影響因素至關(guān)重要。本研究選取了方案與問題文本的相似性、方案文本態(tài)度、方案文本易讀性、方案文本專業(yè)性和方案文本長(zhǎng)度5個(gè)文本特征,從文本特征的角度探究影響患者選擇最佳方案的因素。本研究首先通過文獻(xiàn)收集,梳理和總結(jié)了已有研究中會(huì)影響方案選擇的文本特征。然后結(jié)合醫(yī)療領(lǐng)域的特點(diǎn)提出研究假設(shè)。本研究選取了“微醫(yī)”作為研究平臺(tái),利用CRITIC的方法計(jì)算了方案文本的易讀性;利用文本分析的方法計(jì)算了問題文本和方案文本之間的余弦相似性;基于... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：57 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

文本相似度計(jì)算方法總結(jié)基于語料庫的方式是借助計(jì)算機(jī)工具構(gòu)建的語料庫、運(yùn)用統(tǒng)計(jì)的方法來計(jì)算

的醫(yī)療環(huán)境和資源支持。這也會(huì)影響患者對(duì)于方案的選擇。因此，在本研究中將醫(yī)院的等級(jí)當(dāng)作控制變量。綜合上述假設(shè)和控制變量，得到本研究的核心模型如下圖3-1所示：圖3-1 研究模型3.3 本章小結(jié)本章以醫(yī)療眾包環(huán)境為研究背景，結(jié)合研究問題與自然語言處理技術(shù)，建立了

醫(yī)療方案之后，患者會(huì)對(duì)問題進(jìn)行選擇，選出一個(gè)最佳答案。提供最佳答案的醫(yī)生會(huì)得到患者懸賞的金額。提問和回答的界面如下圖所示：圖4-1 “微醫(yī)”APP“大家?guī)汀逼脚_(tái)界面4.2 變量說明及描述性分析4.2.1 變量定義及取值本研究當(dāng)中，因變量 是一個(gè)虛擬變量，代表在該問題 的所有回復(fù)中第 條方案是否被采納，如果被采納，則該虛擬變量值為 1，否則為 0。（1）相似性 方案文本與問題文本的相似性 是指問題 與該問題的回復(fù)中第條方案 之間的相似度。本研究中選擇的是基于向量空間模型的方法。這種方法是將問題與回答之間的文本分別表示為對(duì)應(yīng)的向量后，再計(jì)算兩個(gè)向量之間的相似度。常用的向量表示方式是由詞頻-逆文檔矩陣（TF-IDF）計(jì)算權(quán)重將兩個(gè)文本分別表示為向量形式，另一種方式是通過詞集模型（Set Of Words, SOW）將文本表示為獨(dú)熱向量（One-hotvector）。這里的向量不考慮詞語在整個(gè)文本中的位置，而只是簡(jiǎn)單的將文本表示為向量以便于運(yùn)算。因此這樣子的表示方式丟失了文本的語義信息。得到表示文本的向量之后再計(jì)算余弦相似

【參考文獻(xiàn)】：
期刊論文
[1]文本相似度計(jì)算方法研究綜述[J]. 王春柳,楊永輝,鄧霏,賴輝源.  情報(bào)科學(xué). 2019(03)
[2]面向中文短文本情感分析的改進(jìn)特征選擇算法[J]. 王榮波,沈卓奇,黃孝喜,諶志群.  杭州電子科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[3]基于深度神經(jīng)網(wǎng)絡(luò)和LSTM的文本情感分析[J]. 王子牛,吳建華,高建瓴,陳婭先,王許.  軟件. 2018(12)
[4]基于在線評(píng)論情感分析的海淘APP用戶滿意度研究[J]. 趙楊,李齊齊,陳雨涵,曹文航.  數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn). 2018(11)
[5]基于情感傾向的眾包模式下接包方聲譽(yù)評(píng)價(jià)模型構(gòu)建[J]. 盧新元,盧泉,黃夢(mèng)梅,李梓奇.  統(tǒng)計(jì)與決策. 2018(17)
[6]基于循環(huán)神經(jīng)網(wǎng)絡(luò)和注意力模型的文本情感分析[J]. 胡榮磊,芮璐,齊筱,張昕然.  計(jì)算機(jī)應(yīng)用研究. 2019(11)
[7]眾包模式及其獎(jiǎng)金策略研究[J]. 馮小亮,吳繼研,王殿文.  廣東財(cái)經(jīng)大學(xué)學(xué)報(bào). 2018(04)
[8]眾包物流活動(dòng)中大眾持續(xù)參與行為研究——以外賣O2O行業(yè)為例[J]. 盧新元,卞春會(huì),李楊莉,李珊珊.  物流工程與管理. 2018(06)
[9]基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的跨領(lǐng)域文本情感分析[J]. 余傳明.  圖書情報(bào)工作. 2018(11)
[10]文本情感分析綜述[J]. 劉爽,趙景秀,楊紅亞,徐冠華.  軟件導(dǎo)刊. 2018(06)

碩士論文
[1]眾包競(jìng)賽平臺(tái)接包方持續(xù)參與意愿的實(shí)證研究[D]. 龔紅梅.華僑大學(xué) 2018
[2]大學(xué)生對(duì)網(wǎng)絡(luò)昵稱與頭像的性別化感知和印象評(píng)價(jià)[D]. 張心一.華中師范大學(xué) 2018
[3]基于眾包模式的數(shù)字人文公民科學(xué)項(xiàng)目的公眾參與激勵(lì)研究[D]. 張軒慧.南京理工大學(xué) 2018
[4]基于文本語義分塊的中醫(yī)病情分類問題研究[D]. 付釗.浙江大學(xué) 2018
[5]社交媒體頭像選擇與個(gè)人自我表達(dá)分析[D]. 李宇佳.吉林大學(xué) 2017
[6]懸賞模式下文本類眾包方案過濾研究[D]. 王天順.合肥工業(yè)大學(xué) 2017
[7]消除經(jīng)濟(jì)刺激對(duì)醫(yī)療服務(wù)質(zhì)量的影響分析[D]. 宋興月.華中科技大學(xué) 2016
[8]基于線性回歸的中文文本可讀性預(yù)測(cè)方法研究[D]. 孫剛.南京大學(xué) 2015
[9]漢語中級(jí)泛讀教材難度定量分析[D]. 羅素華.湖南師范大學(xué) 2015
[10]眾包質(zhì)量控制算法及評(píng)價(jià)框架研究[D]. 唐思.浙江大學(xué) 2015



本文編號(hào)：2951020