論文の概要: Machine Learning Recommendation System For Health Insurance Decision Making In Nigeria

• arxiv url: http://arxiv.org/abs/2305.10708v1
• Date: Thu, 18 May 2023 04:54:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-19 16:51:39.889255
• Title: Machine Learning Recommendation System For Health Insurance Decision Making In Nigeria
• Title（参考訳）: ナイジェリアにおける健康保険意思決定のための機械学習推薦システム
• Authors: Ayomide Owoyemi, Emmanuel Nnaemeka, Temitope O. Benson, Ronald Ikpe, Blessing Nwachukwu, Temitope Isedowo
• Abstract要約: ナイジェリアでは健康保険の取得が貧弱になっている。 適切な健康保険計画を見つけ、選択するためのレコメンデーションツールは、医療保険へのアクセス障壁を減らすのに有用である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The uptake of health insurance has been poor in Nigeria, a significant step to improving this includes improved awareness, access to information and tools to support decision making. Artificial intelligence (AI) based recommender systems have gained popularity in helping individuals find movies, books, music, and different types of products on the internet including diverse applications in healthcare. The content-based methodology (item-based approach) was employed in the recommender system. We applied both the K-Nearest Neighbor (KNN) and Cosine similarity algorithm. We chose the Cosine similarity as our chosen algorithm after several evaluations based of their outcomes in comparison with domain knowledge. The recommender system takes into consideration the choices entered by the user, filters the health management organization (HMO) data by location and chosen prices. It then recommends the top 3 HMOs with closest similarity in services offered. A recommendation tool to help people find and select the best health insurance plan for them is useful in reducing the barrier of accessing health insurance. Users are empowered to easily find appropriate information on available plans, reduce cognitive overload in dealing with over 100 options available in the market and easily see what matches their financial capacity.
• Abstract（参考訳）: ナイジェリアでは医療保険の取得が不十分であり、認識の向上、意思決定を支援するための情報やツールへのアクセスなど、改善の重要なステップとなっている。 人工知能(ai)ベースのレコメンダシステムは、個人がインターネット上で映画、本、音楽、さまざまな種類の製品を見つけるのを助けることで、医療における多様な応用を含む人気を高めている。 推薦システムではコンテンツベース手法(itemベースアプローチ)が採用されている。 我々はK-Nearest Neighbor(KNN)とCosine類似性アルゴリズムを適用した。 結果とドメイン知識を比較して,いくつかの評価を行った結果,コサイン類似性が選択された。 推薦システムは、ユーザが入力した選択を考慮し、位置情報と選択した価格で健康管理組織(HMO)データをフィルタリングする。 そして、提供されるサービスに最も近い類似性を持つ上位3つのHMOを推奨する。 最善の健康保険プランを見つけて選択するためのレコメンデーションツールは、健康保険へのアクセス障壁を減らすのに役立ちます。 ユーザーは、利用可能な計画に関する適切な情報を簡単に見つけることができ、市場で利用可能な100以上のオプションを扱う際の認知的過負荷を減らし、財務能力にマッチするものを簡単に知ることができる。

関連論文リスト

• CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence [55.21518669075263]
  CURE4Recは、レコメンデーションアンラーニング評価のための最初の包括的なベンチマークである。 さまざまな影響レベルのデータに対する推薦公正性と堅牢性に対するアンラーニングの影響について検討する。
  論文  参考訳（メタデータ） (2024-08-26T16:21:50Z)
• Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
  本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。 そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。 以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
  論文  参考訳（メタデータ） (2023-05-18T15:37:38Z)
• Incentive-Aware Recommender Systems in Two-Sided Markets [49.692453629365204]
  最適性能を達成しつつエージェントのインセンティブと整合する新しいレコメンデータシステムを提案する。 我々のフレームワークは、このインセンティブを意識したシステムを、両側市場におけるマルチエージェントバンディット問題としてモデル化する。 どちらのアルゴリズムも、エージェントが過剰な露出から保護する、ポストフェアネス基準を満たす。
  論文  参考訳（メタデータ） (2022-11-23T22:20:12Z)
• Recommending best course of treatment based on similarities of prognostic markers [0.9176056742068814]
  本稿では,医療分野における協調フィルタリングに基づくレコメンデーションシステムを提案する。 提案システムでは、患者の予後マーカーを入力として受け入れ、最良の治療コースを生成する。
  論文  参考訳（メタデータ） (2021-07-15T17:52:12Z)
• Spoiled for Choice? Personalized Recommendation for Healthcare Decisions: A Multi-Armed Bandit Approach [1.6058099298620423]
  本稿では,医療介入の選択を支援するレコメンデーションフレームワークを提案する。 ユーザの健康行動が極めてダイナミックで多様なものであることを考慮し,マルチアーム・バンディット(MAB)によるレコメンデーションフレームワークを提案する。 そこで我々は、MABを医療の文脈に適応させるために、2つの革新的なモデル要素を顕著な健康理論に基づいて合成する。
  論文  参考訳（メタデータ） (2020-09-13T22:55:59Z)
• Do recommender systems function in the health domain: a system review [2.356961266962294]
  我々は、関心、方法、評価、今後の課題、トレンド問題を含む健康推奨システムの側面をレビューする。 1) 健康レコメンデーションシステムには、食事レコメンデーションのような、より控えめなレコメンデーションに焦点を合わせるための、独自の健康上の問題がある。 このレビューは、ドメイン研究者の助けとなり、ヘルスレコメンデーションシステムの次のステップに進むだろうと考えられている。
  論文  参考訳（メタデータ） (2020-07-26T04:58:47Z)
• Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
  ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。 不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。 本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-03T05:04:38Z)
• Survey for Trust-aware Recommender Systems: A Deep Learning Perspective [48.2733163413522]
  信頼できるレコメンデーションシステムを採用することが重要になります。 本調査では,信頼を意識したレコメンデータシステムの3つのカテゴリについて概説する。
  論文  参考訳（メタデータ） (2020-04-08T02:11:55Z)
• A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
  我々は知識グラフに基づく推薦システムの体系的な調査を行う。 論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。 これらの作業で使用されるデータセットを紹介します。
  論文  参考訳（メタデータ） (2020-02-28T02:26:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。