Fugu-MT 論文翻訳(概要): Multiple Disciplinary Data Work Practices in Artificial Intelligence Research: a Healthcare Case Study in the UK

論文の概要: Multiple Disciplinary Data Work Practices in Artificial Intelligence Research: a Healthcare Case Study in the UK

arxiv url: http://arxiv.org/abs/2311.18424v1
Date: Thu, 30 Nov 2023 10:19:33 GMT
ステータス: 処理完了
システム内更新日: 2023-12-01 17:06:58.234228
Title: Multiple Disciplinary Data Work Practices in Artificial Intelligence Research: a Healthcare Case Study in the UK
Title（参考訳）: 人工知能研究における複数の学際的データワークの実践--英国における医療ケーススタディ
Authors: Rafael Henkin, Elizabeth Remfry, Duncan J. Reynolds, Megan Clinch, Michael R. Barnes
Abstract要約: 医療のための人工知能(AI)ツールの開発は、データサイエンティスト、臨床医、患者、その他の分野をまとめる複数の学際的な取り組みである。我々は、AI開発ワークフローと、参加者が規律を越えて知識を共有し、生成する課題と緊張をナビゲートする方法を探求する。
参考スコア（独自算出の注目度）: 1.3178083420209858
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Developing artificial intelligence (AI) tools for healthcare is a multiple disciplinary effort, bringing data scientists, clinicians, patients and other disciplines together. In this paper, we explore the AI development workflow and how participants navigate the challenges and tensions of sharing and generating knowledge across disciplines. Through an inductive thematic analysis of 13 semi-structured interviews with participants in a large research consortia, our findings suggest that multiple disciplinarity heavily impacts work practices. Participants faced challenges to learn the languages of other disciplines and needed to adapt the tools used for sharing and communicating with their audience, particularly those from a clinical or patient perspective. Large health datasets also posed certain restrictions on work practices. We identified meetings as a key platform for facilitating exchanges between disciplines and allowing for the blending and creation of knowledge. Finally, we discuss design implications for data science and collaborative tools, and recommendations for future research.
Abstract（参考訳）: 医療のための人工知能(AI)ツールの開発は、データサイエンティスト、臨床医、患者、その他の分野をまとめる複数の学際的な取り組みである。本稿では、AI開発ワークフローと、参加者が学習分野における知識の共有と生成の課題と緊張をナビゲートする方法を検討する。 13の半構造化面接をインダクティブ・テーマで分析した結果,複数の学際性が作業実践に大きな影響を与えていることが示唆された。参加者は、他の分野の言語を学ぶための課題に直面し、特に臨床や患者の観点から、聴衆との共有やコミュニケーションに使用するツールを適応させる必要があった。大規模な健康データセットも、作業慣行に一定の制限を課した。私たちはミーティングを、規律間の交流を促進し、知識の融合と創出を可能にする重要なプラットフォームとして特定しました。最後に,データサイエンスと協調ツールの設計と今後の研究への提言について論じる。

関連論文リスト

Demystifying Large Language Models for Medicine: A Primer [50.83806796466396]
大規模言語モデル(LLM)は、医療のさまざまな側面に革命をもたらすことのできる、変革的なAIツールのクラスである。本チュートリアルは、LSMを臨床実践に効果的に統合するために必要なツールを医療専門家に提供することを目的としている。
論文参考訳（メタデータ） (2024-10-24T15:41:56Z)
Multimodal Fusion with LLMs for Engagement Prediction in Natural Conversation [70.52558242336988]
我々は,不関心や混乱の兆候を検出することを目的として,言語的および非言語的手がかりを精査することにより,ダイアディック的相互作用における係り合いを予測することに焦点を当てた。本研究では,カジュアルなダイアディック会話に携わる34人の参加者を対象に,各会話の最後に自己報告されたエンゲージメント評価を行うデータセットを収集する。大規模言語モデル(LLMs)を用いた新たな融合戦略を導入し,複数行動モダリティをマルチモーダル・トランスクリプトに統合する。
論文参考訳（メタデータ） (2024-09-13T18:28:12Z)
Synthetic Patients: Simulating Difficult Conversations with Multimodal Generative AI for Medical Education [0.0]
効果的な患者中心コミュニケーションは、医師にとって重要な能力である。調味剤提供者と医療研修生の双方は、センシティブな話題に関する会話をリードする自信を減らした。本稿では,ビデオによる会話の対話的リアルタイムシミュレーションを支援するための,新しい教育ツールを提案する。
論文参考訳（メタデータ） (2024-05-30T11:02:08Z)
Leveraging Large Language Models (LLMs) to Support Collaborative Human-AI Online Risk Data Annotation [0.22530496464901104]
協調型AIラベリングは、様々なタスクのために大規模で複雑なデータを注釈付けするための有望なアプローチである。しかし、データアノテーションのための効果的な人間とAIの協調を支援するツールや方法はまだ研究されていない。なぜなら、共同作業は、ニュアンスとコンテキストを追加する可能性のある双方向のインタラクティブな議論をサポートする必要があるからです。
論文参考訳（メタデータ） (2024-04-11T17:20:57Z)
MedNgage: A Dataset for Understanding Engagement in Patient-Nurse Conversations [4.847266237348932]
症状を効果的に管理する患者は、医療従事者との会話や介入において、より高いレベルのエンゲージメントを示すことが多い。 AIシステムは、患者と実践者との自然な会話におけるエンゲージメントを理解して、患者のケアにもっと貢献することが不可欠である。本稿では,がん症状管理に関する患者と看護者の会話をまとめた新しいデータセット(MedNgage)を提案する。
論文参考訳（メタデータ） (2023-05-31T16:06:07Z)
CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society [58.04479313658851]
本稿では,コミュニケーションエージェント間の自律的協調を支援するスケーラブルな手法の構築の可能性について検討する。本稿では,ロールプレイングという新しいコミュニケーションエージェントフレームワークを提案する。コントリビューションには、新しいコミュニケーティブエージェントフレームワークの導入、マルチエージェントシステムの協調行動や能力を研究するためのスケーラブルなアプローチの提供などが含まれます。
論文参考訳（メタデータ） (2023-03-31T01:09:00Z)
Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A Survey [71.43956423427397]
本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
論文参考訳（メタデータ） (2022-07-20T13:37:57Z)
Building Trust: Lessons from the Technion-Rambam Machine Learning in Healthcare Datathon Event [4.909656341561595]
データソン(Datathon)は、特定の問題に適用されるデータサイエンスを含む、時間制限された競合である。この研究は、イスラエルの文脈における医療データ科学の機会と限界について記述する。
論文参考訳（メタデータ） (2022-07-16T14:53:56Z)
An NLP Solution to Foster the Use of Information in Electronic Health Records for Efficiency in Decision-Making in Hospital Care [0.26340862968426904]
このプロジェクトは、ポルトガル語で書かれたフリーテキスト臨床記録内の属性を自動的に識別するためのルールを定義し、技術的ソリューションを開発することを目的としている。プロジェクトの目標は、臨床医、疫学者、計算言語学者、機械学習研究者、ソフトウェアエンジニアを含む複数の学際的なチームによって達成された。
論文参考訳（メタデータ） (2022-02-24T15:52:59Z)
Human-Robot Collaboration and Machine Learning: A Systematic Review of Recent Research [69.48907856390834]
人間ロボットコラボレーション(Human-robot collaboration、HRC)とは、人間とロボットの相互作用を探索する手法である。本稿では,HRCの文脈における機械学習技術の利用に関する詳細な文献レビューを提案する。
論文参考訳（メタデータ） (2021-10-14T15:14:33Z)
MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文参考訳（メタデータ） (2021-07-20T07:04:52Z)

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。