公立中医医院高质量发展评价指标体系研究

目的构建公立中医医院高质量发展评价指标体系。方法根据国家相关政策文件,参照《公立医院高质发展评价指标(试行)》附件中《公立医院高质量发展评价指标(试行)》、《公立中医医院高质量发展评价指标(试行)》为基础,采用主客观结合赋权法,将德尔菲法与层次分析法结合使用,采用德尔菲法对三级指标进行整理、汇总、和筛选,确定指标;后采用层次分析法计算各指标在整体模型中所占的权重,采集2019-2021年广东省公立中医医院数据进行实证研究。结果形成公立中医医院高质量发展评价指标体系,包括5个一级指标、25个二级指标、36个三级指标,并形成了指标权重表。结论通过采集2019-2021年广东省公立中医医院数据进行实证研究证明,公立中医医院高质量发展评价指标体系能够用于公立中医医院高质量发展评价。

一种新的自动概念图生成模型C-IK2

概念图能够直观地展示概念间的相互关系,为教师提供概念相关性的建议,因而成为教师进行个性化教学的重要工具。然而,如何生成能反映学生学习能力并有效指导教师教学的概念图是目前概念图研究一大难题。该文提出了一种新的自动概念图生成模型C-IK2。C-IK2模型考虑学生的不同学习特点和不同概念理解程度,通过Birch算法对学生概念掌握程度特征进行聚类处理得到学生分簇。同时该模型考虑概念图具有层次结构,针对传统LPG算法在处理层次结构方面的不足进行了改进。通过融合改进的LPG算法,同时改进K2算法的有效输入序列,最终生成具有不同学生学习特征的层次结构概念图。该文使用两个标准数据集进行实验,与现有基于序列的最新改进K2算法进行对比,C-IK2模型在图准确度上提高了7.7%。与现有基于评分的贝叶斯网络结构学习方法相比,C-IK2模型的图结构质量提高了3.1%。结果表明,C-IK2模型能有效区分学生对概念的理解程度,生成反映理解程度的层次结构概念图,从而帮助教师进行针对性地个性化教学。

Automatic Question Answering from Web Documents

A passage retrieval strategy for web-based question answering （QA） systems is proposed in our QA system. It firstly analyzes the question based on semantic patterns to obtain its syntactic and semantic information and then form initial queries. The queries are used to retrieve documents from the World Wide Web （WWW） using the Google search engine. The queries are then rewritten to form queries for passage retrieval in order to improve the precision. The relations between keywords in the question are employed in our query rewrite method. The experimental result on the question set of the TREC-2003 passage task shows that our system performs well for factoid questions.

基于人工智能的中文临床试验筛选标准文本分类研究

受试者招募是影响临床试验进展和结果的关键环节,一般通过筛选标准(包括纳入标准和排除标准)进行招募。筛选标准的语义类别研究可以优化临床试验设计和促进受试者自动筛选系统开发。本文通过学术测评的方式探究了利用人工智能技术对中文临床试验筛选标准语义类别的自动分类问题。本文收集了38341条带语义标注的中文筛选标准文本,并预先定义了44种语义类别。总共有75支队伍报名参加测评,其中27支队伍提交了结果。结果分析发现大部分参赛队伍使用了混合模型,主流的方法是引入能提供丰富语义表示的预训练语言模型,结合神经网络模型,针对分类任务进行微调,最后进行模型集成提高最终性能。研究结果显示,最佳系统的性能达到0.81的宏平均F1值,其主要是使用了基于预训练语言模型——变换器双向编码表征模型(BERT)与模型融合的方法。结果错误分析显示,从数据处理步骤来看,数据的预处理和后处理非常重要;从语料数量来看,数量较少类别的分类效果一般。通过本文研究,最终期望本文研究成果能为中文临床试验筛选标准短文本分类研究领域提供可供研究的数据集和最新结果。