論文の概要: Investigating Collaborative Data Practices: a Case Study on Artificial
Intelligence for Healthcare Research
- arxiv url: http://arxiv.org/abs/2311.18424v2
- Date: Tue, 16 Jan 2024 13:12:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-18 00:21:31.939909
- Title: Investigating Collaborative Data Practices: a Case Study on Artificial
Intelligence for Healthcare Research
- Title（参考訳）: 協調的データ実践の調査:医療研究のための人工知能の事例研究
- Authors: Rafael Henkin, Elizabeth Remfry, Duncan J. Reynolds, Megan Clinch,
Michael R. Barnes
- Abstract要約: 英国における複数の長期的条件を理解し管理するためにAIツールを適用する研究コンソーシアムのコラボレーティブデータプラクティスについて検討する。
本研究は,知識共有のためのツールの適応と,オーディエンスに基づく情報の調整について明らかにした。
私たちはミーティングを、規律間の交流を促進し、知識のブレンディングと創出を可能にするキーセッティングとして特定します。
- 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
collaborative effort, bringing data scientists, clinicians, patients and other
disciplines together. In this paper, we explore the collaborative data
practices of research consortia tasked with applying AI tools to understand and
manage multiple long-term conditions in the UK. Through an inductive thematic
analysis of 13 semi-structured interviews with participants of these consortia,
we aimed to understand how collaboration happens based on the tools used,
communication processes and settings, as well as the conditions and obstacles
for collaborative work. Our findings reveal the adaptation of tools that are
used for sharing knowledge and the tailoring of information based on the
audience, particularly those from a clinical or patient perspective.
Limitations on the ability to do this were also found to be imposed by the use
of electronic healthcare records and access to datasets. We identified meetings
as the key setting for facilitating exchanges between disciplines and allowing
for the blending and creation of knowledge. Finally, we bring to light the
conditions needed to facilitate collaboration and discuss how some of the
challenges may be navigated in future work.
- Abstract（参考訳）: 医療のための人工知能(AI)ツールの開発は協力的な取り組みであり、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。
本稿では、英国における複数の長期的条件を理解し管理するためにAIツールを適用する研究コンソーシアムの協調データ実践について検討する。
本研究は,13の半構造化面接の帰納的テーマ分析を通じて,使用ツールやコミュニケーションプロセスや設定,コラボレーション作業の条件や障害に基づいて,コラボレーションがどのように行われるのかを理解することを目的とした。
以上の結果から,知識の共有やオーディエンス,特に臨床や患者の観点からの情報の調整に使用されるツールの適応が明らかになった。
これを行う能力に関する制限は、電子医療記録の使用やデータセットへのアクセスによっても課されている。
我々は、ミーティングを規律間の交流を円滑にし、知識のブレンドと創造を可能にするための重要な舞台と捉えた。
最後に、コラボレーションを促進するために必要な条件を明らかにし、今後の作業において課題のいくつかをどのようにナビゲートするかを議論します。
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。