論文の概要: Generation of reusable learning objects from digital medical collections: An analysis based on the MASMDOA framework
- arxiv url: http://arxiv.org/abs/2501.13806v1
- Date: Thu, 23 Jan 2025 16:27:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-24 15:57:51.474730
- Title: Generation of reusable learning objects from digital medical collections: An analysis based on the MASMDOA framework
- Title（参考訳）: デジタル医療コレクションからの再利用可能な学習オブジェクトの生成:MASMDOAフレームワークを用いた分析
- Authors: Félix Buendía, Joaquín Gayoso-Cabada, José-Luis Sierra,
- Abstract要約: Clavyは、複数の医療知識ソースからデータを取得するために使用できるツールである。
Clavyは、さまざまな教育的な医療シナリオに適応可能な学習オブジェクトを生成することができる。
Clavyは、これらの学習オブジェクトを教育標準仕様を通じてエクスポートする機能を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Learning Objects represent a widespread approach to structuring instructional materials in a large variety of educational contexts. The main aim of this work consists of analyzing from a qualitative point of view the process of generating reusable learning objects (RLOs) followed by Clavy, a tool that can be used to retrieve data from multiple medical knowledge sources and reconfigure such sources in diverse multimedia-based structures and organizations. From these organizations, Clavy is able to generate learning objects which can be adapted to various instructional healthcare scenarios with several types of user profiles and distinct learning requirements. Moreover, Clavy provides the capability of exporting these learning objects through educational standard specifications, which improves their reusability features. The analysis insights highlight the importance of having a tool able to transfer knowledge from the available digital medical collections to learning objects that can be easily accessed by medical students and healthcare practitioners through the most popular e-learning platforms.
- Abstract（参考訳）: 学習対象は、幅広い教育的文脈で教材を構築するための幅広いアプローチである。
この研究の主な目的は、再利用可能な学習オブジェクト(RLO)を生成するプロセスの質的な視点から分析することと、複数の医療知識ソースからデータを取得し、様々なマルチメディアベースの構造や組織でそのようなソースを再設定するためのツールであるCravyが続くことである。
これらの組織からClarvyは、さまざまなタイプのユーザプロファイルと異なる学習要件を備えた、さまざまな教育的医療シナリオに適応可能な学習オブジェクトを生成することができる。
さらに、Cravyはこれらの学習オブジェクトを教育標準仕様を通じてエクスポートする機能を提供する。
分析の洞察は、利用可能なデジタル医療コレクションから、最も人気のあるeラーニングプラットフォームを通じて、医学生や医療実践者が容易にアクセス可能な学習オブジェクトへ、知識を伝達できるツールを持つことの重要性を強調している。
関連論文リスト
- Review of multimodal machine learning approaches in healthcare [0.0]
臨床医は、情報的な判断をするために、さまざまなデータソースに依存しています。
機械学習の最近の進歩は、より効率的なマルチモーダルデータの取り込みを促進する。
論文 参考訳（メタデータ） (2024-02-04T12:21:38Z) - Enhancing Representation in Medical Vision-Language Foundation Models
via Multi-Scale Information Extraction Techniques [41.078761802053535]
本稿では,医療基盤モデルの性能向上のために,マルチスケール情報を効果的に活用する手法を提案する。
本研究では,6つのオープンソースデータセットに対する提案手法の有効性について検討した。
論文 参考訳（メタデータ） (2024-01-03T07:22:54Z) - Diversifying Knowledge Enhancement of Biomedical Language Models using
Adapter Modules and Knowledge Graphs [54.223394825528665]
我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。
バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。
計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
論文 参考訳（メタデータ） (2023-12-21T14:26:57Z) - Meta-learning in healthcare: A survey [3.245586096021802]
メタラーニングは、事前の知識と経験を利用することで、モデルの能力を改善することを目的としている。
まず,メタラーニングの理論的基礎と重要な方法について述べる。
次に、医療分野で採用されているメタラーニングのアプローチを、マルチ/シングルタスク学習とマルチ/ショット学習の2つの主要なカテゴリに分けます。
論文 参考訳（メタデータ） (2023-08-05T13:11:35Z) - Pixel-Level Explanation of Multiple Instance Learning Models in
Biomedical Single Cell Images [52.527733226555206]
複数のインスタンス学習モデルを説明するための4つの属性法について検討する。
急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。
我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
論文 参考訳（メタデータ） (2023-03-15T14:00:11Z) - Introduction to Machine Learning for Physicians: A Survival Guide for
Data Deluge [9.152759278163954]
現代の研究分野は、大規模な、しばしば構造化されていない、不安定なデータセットの収集と分析にますます依存している。
このデータルージュを活用できる機械学習や人工知能アプリケーションへの関心が高まっている。
この幅広い非技術的概要は、医学的および生物学的応用に特に焦点をあてた、機械学習への穏やかな紹介を提供する。
論文 参考訳（メタデータ） (2022-12-23T13:08:59Z) - Retrieval-Enhanced Machine Learning [110.5237983180089]
本稿では,いくつかの既存モデルを含む汎用的な検索強化機械学習フレームワークについて述べる。
REMLは情報検索の慣例に挑戦し、最適化を含む中核領域における新たな進歩の機会を提示している。
REMLリサーチアジェンダは、情報アクセス研究の新しいスタイルの基礎を築き、機械学習と人工知能の進歩への道を開く。
論文 参考訳（メタデータ） (2022-05-02T21:42:45Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳（メタデータ） (2022-04-12T12:25:05Z) - Automatic Image Content Extraction: Operationalizing Machine Learning in
Humanistic Photographic Studies of Large Visual Archives [81.88384269259706]
本稿では,機械学習による大規模画像アーカイブの検索と解析のための自動画像コンテンツ抽出フレームワークを提案する。
提案する枠組みは、人文科学と社会科学のいくつかの分野に適用できる。
論文 参考訳（メタデータ） (2022-04-05T12:19:24Z) - Scalable Causal Structure Learning: New Opportunities in Biomedicine [13.644407210028927]
我々は、因果構造発見のための従来のスコアベース、機械学習に基づく卓越したスキームをレビューし、いくつかのベンチマークデータセット上でのパフォーマンスについて研究し、バイオメディシンへのいくつかの応用について論じる。
十分なデータの場合、機械学習ベースのアプローチはスケーラブルであり、従来のアプローチよりも多くの変数を含めることができる。
論文 参考訳（メタデータ） (2021-10-15T00:45:25Z) - A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。
これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。
提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
論文 参考訳（メタデータ） (2021-02-26T17:49:58Z)
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。