基于虚拟仿真模拟的人机协同成长框架研究

“十四五”时期,数字技术和实体经济深度融合提供了高效的决策支持方案,也为组织管理带来了新的问题和挑战。本文从人工智能作为新技术引入组织的视角,通过虚拟仿真实验模拟人工智能(AI)引入企业组织的动态进程,基于行动设计研究(ADR)方法,从人机信任、人机分工,人机协作、人机共生成长四个方面研究人机协同成长的演化过程与特点,提出了人机协同成长研究框架。研究表明:人机协同成长的关键前提是建立人机信任,关键内容是人与AI的分工与协作,新的AI技术发展会改变人机分工模式和催生AI优化需求,能够不断进行需求重构和多次迭代,有助于形成更高质量的人机协同关系。为了帮助企业完成“数智化”创新与转型,应尽可能通过提高AI的可见性、可解释性和透明度,建立人机信任;注重人机任务分工、人机任务效率和人机信息交互,实现人机协同;解决人机分工矛盾、人机信任危机、人机迭代优化,推动人机成长;最终实现在VUCA情境下人与AI长期协同共生成长的高效敏捷智能组织。

基于RoBERTa-wwm动态融合模型的中文电子病历命名实体识别

【目的】解决中文电子病历实体识别中存在的一词多义、词识别不全等问题。【方法】采用深度学习模型RoBERTa-WWM-BiLSTM-CRF,改善中文电子病历的命名实体识别的效果并用4组实验进行对比,分析不同模型对中文电子病历实体识别的效果的影响。【结果】所提模型的实体识别效果F1值达到了0.8908。【局限】使用的数据集规模较小,部分科室实体识别效果较一般,如呼吸科F1值仅为0.8111。【结论】通过实验表明RoBERTa-WWM-BiLSTM-CRF模型更适用于中文电子病历命名实体识别任务,有效解决了中文电子病历命名实体识别中存在的一词多义和词识别不全的问题。

基于RoBERTa-WWM-BiLSTM-CRF的中文电子病历命名实体识别研究

【目的】解决中文电子病历实体识别中存在的一词多义、词识别不全等问题。【方法】采用深度学习模型RoBERTa-WWM-BiLSTM-CRF,改善中文电子病历的命名实体识别的效果并用4组实验进行对比,分析不同模型对中文电子病历实体识别的效果的影响。【结果】所提模型的实体识别效果F1值达到了0.8908。【局限】使用的数据集规模较小,部分科室实体识别效果较一般,如呼吸科F1值仅为0.8111。【结论】通过实验表明RoBERTa-WWM-BiLSTM-CRF模型更适用于中文电子病历命名实体识别任务,有效解决了中文电子病历命名实体识别中存在的一词多义和词识别不全的问题。