論文の概要: Analyzing and Predicting Low-Listenership Trends in a Large-Scale Mobile
Health Program: A Preliminary Investigation
- arxiv url: http://arxiv.org/abs/2311.07139v1
- Date: Mon, 13 Nov 2023 08:11:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 15:14:32.277885
- Title: Analyzing and Predicting Low-Listenership Trends in a Large-Scale Mobile
Health Program: A Preliminary Investigation
- Title(参考訳): 大規模モバイルヘルスプログラムにおける低視聴率傾向の分析と予測 : 予備調査
- Authors: Arshika Lalan, Shresth Verma, Kumar Madhu Sudan, Amrita Mahale, Aparna
Hegde, Milind Tambe and Aparna Taneja
- Abstract要約: キルカリは、妊婦や新しい母親に時間に敏感なオーディオメッセージを提供する世界最大のモバイル健康プログラムの1つである。
我々は,mHealthプログラムと受益者の相互作用の軌跡を初期解析する。
プログラムの成功を促進するために、潜在的に拡張可能な要素について検討する。
- 参考スコア(独自算出の注目度): 25.831299045335125
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mobile health programs are becoming an increasingly popular medium for
dissemination of health information among beneficiaries in less privileged
communities. Kilkari is one of the world's largest mobile health programs which
delivers time sensitive audio-messages to pregnant women and new mothers. We
have been collaborating with ARMMAN, a non-profit in India which operates the
Kilkari program, to identify bottlenecks to improve the efficiency of the
program. In particular, we provide an initial analysis of the trajectories of
beneficiaries' interaction with the mHealth program and examine elements of the
program that can be potentially enhanced to boost its success. We cluster the
cohort into different buckets based on listenership so as to analyze
listenership patterns for each group that could help boost program success. We
also demonstrate preliminary results on using historical data in a time-series
prediction to identify beneficiary dropouts and enable NGOs in devising timely
interventions to strengthen beneficiary retention.
- Abstract(参考訳): モバイルヘルスプログラムは、より特権の低いコミュニティで受益者の間で健康情報を広めるメディアとして、ますます人気が高まっている。
キルカリは、妊婦や新しい母親に時間に敏感なオーディオメッセージを提供する世界最大のモバイル健康プログラムの1つである。
我々は、Kilkariプログラムを運営しているインドの非営利団体ARMMANと協力して、プログラムの効率を改善するためのボトルネックを特定している。
特に,受益者のmhealthプログラムとのインタラクションの軌跡を初期分析し,その成功を促進するために潜在的に強化される可能性のあるプログラムの要素を検討する。
リスナシップに基づいてコホートをさまざまなバケットにクラスタ化して,プログラムの成功を促進する上で有効な,各グループのリスナシップパターンを分析します。
また,時系列予測において履歴データを用いて受益者減少を識別し,受益者保持の時間的介入を考案することを可能にする予備的な結果を提示する。
関連論文リスト
- Preliminary Study of the Impact of AI-Based Interventions on Health and Behavioral Outcomes in Maternal Health Programs [46.220426654734425]
我々は,AIによる介入による聴取能力の向上が,妊娠や乳児期の重要な健康問題をよりよく理解することにつながる証拠を提示する。
この理解の向上は、母親とその赤ちゃんの健康上の利益をもたらす可能性がある。
論文 参考訳(メタデータ) (2024-05-23T10:18:20Z) - Improving Health Information Access in the World's Largest Maternal Mobile Health Program via Bandit Algorithms [24.4450506603579]
本論文は,母子保健における世界最大級のmHealthプログラムであるKilkariに焦点を当てる。
本稿では,自動ドロップアウトの削減とプログラムへのエンゲージメント向上を目的としたCHAHAKシステムを提案する。
論文 参考訳(メタデータ) (2024-05-14T07:21:49Z) - Predicting Adverse Neonatal Outcomes for Preterm Neonates with
Multi-Task Learning [51.487856868285995]
われわれはまず, 3つの不良新生児結果の相関関係を解析し, マルチタスク学習(MTL)問題として複数の新生児結果の診断を定式化する。
特に、MTLフレームワークは、共有された隠れレイヤと複数のタスク固有のブランチを含んでいる。
論文 参考訳(メタデータ) (2023-03-28T00:44:06Z) - Hierarchical Programmatic Reinforcement Learning via Learning to Compose
Programs [58.94569213396991]
プログラムポリシーを作成するための階層型プログラム強化学習フレームワークを提案する。
提案するフレームワークは,プログラム作成の学習を通じて,アウト・オブ・ディストリビュータの複雑な動作を記述するプログラムポリシーを作成することができる。
Karel ドメインの実験結果から,提案するフレームワークがベースラインより優れていることが示された。
論文 参考訳(メタデータ) (2023-01-30T14:50:46Z) - Learning from Self-Sampled Correct and Partially-Correct Programs [96.66452896657991]
そこで本研究では,モデルが学習中にサンプリングを行い,自己サンプリングされた完全正当プログラムと部分正当プログラムの両方から学習することを提案する。
自己サンプリング型プログラムと部分修正型プログラムを併用することで,学習とサンプリングプロセスのガイドに役立てることができることを示す。
提案手法は,MLEを用いた単一の参照プログラムからの学習と比較して,パス@kの性能を3.1%から12.3%向上させる。
論文 参考訳(メタデータ) (2022-05-28T03:31:07Z) - Field Study in Deploying Restless Multi-Armed Bandits: Assisting
Non-Profits in Improving Maternal and Child Health [28.43878945119807]
携帯電話は、非営利団体が彼らの受益者に重要な健康情報をタイムリーに届けることを可能にする。
このような情報提供プログラムにおける重要な課題は、かなりの数の受益者がプログラムから離脱することである。
そこで我々は,NPOが受益者とのライブ対話を実現するためのレストレスマルチアーメッド・バンディットシステムを開発した。
論文 参考訳(メタデータ) (2021-09-16T16:04:48Z) - Learn to Intervene: An Adaptive Learning Policy for Restless Bandits in
Application to Preventive Healthcare [39.41918282603752]
レストレスマルチアームバンディット(RMAB)問題に対するWhittle IndexベースのQ-Learningメカニズムを提案する。
本手法は,複数のベンチマークを用いたRMABの既存の学習方法と,母体保健データセットを改良する。
論文 参考訳(メタデータ) (2021-05-17T15:44:55Z) - Selective Intervention Planning using RMABs: Increasing Program
Engagement to Improve Maternal and Child Health Outcomes [34.38042786168279]
インドに本拠を置く非営利団体ARMMANと連携し、コールベースの情報プログラムをさらに活用しています。
意識プログラムに登録された30万人以上の女性の匿名化通話記録を分析した。
コールログと受益者の人口統計情報から長期的なエンゲージメントパターンを予測するための機械学習ベースのモデルを構築しました。
論文 参考訳(メタデータ) (2021-03-07T08:47:24Z) - MET: Multimodal Perception of Engagement for Telehealth [52.54282887530756]
ビデオから人間のエンゲージメントレベルを知覚する学習ベースアルゴリズムMETを提案する。
我々はメンタルヘルス患者のエンゲージメント検出のための新しいデータセットMEDICAをリリースした。
論文 参考訳(メタデータ) (2020-11-17T15:18:38Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳(メタデータ) (2020-09-24T00:42:36Z)
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。