رضایت بیمار و تحلیل بازخورد: نظرسنجی و متن کاوی

سود:

• امکان تقسیم نظرسنجی های رضایت بیمار و بازخورد متنی رایگان به موضوعات و انجام تحلیل احساسات با پشتیبانی هوش مصنوعی
• توانایی تولید بینش عملی و پیش نویس های بهبود از متون شکایت و پیشنهاد
• امکان کشف دام هایی مانند سوگیری نمونه گیری، خطای برچسب احساسات خودکار و حفاظت از حریم خصوصی قبل از تفسیر

بیماران فقط برای بهتر شدن نمی آیند. آنها همچنین تجربه می کنند و به یاد می آورند که چگونه با آنها رفتار شد، چقدر منتظر ماندند، و به چه کسی می توانستند مشکلات خود را بگویند. رضایت بیمار هم یک مسئولیت اخلاقی و هم بعد عملکردی است که بر شهرت موسسه و در برخی موارد بازپرداخت آن تاثیر می گذارد. اما داده‌های رضایت اغلب به دو صورت می‌آیند: نظرسنجی‌هایی که با ستاره‌ها/رتبه‌بندی‌ها اندازه‌گیری می‌شوند و بررسی‌های آزاد. خواندن صدها نظر رایگان یک به یک زمان می برد. اینجاست که هوش مصنوعی قدرتمند است: صدها متن را به مضامین تفکیک می‌کند، لحن احساسی را استخراج می‌کند و شکایات و تمجیدهای برجسته را خلاصه می‌کند. در این بخش نحوه انجام این کار را خواهیم دید، اما مهمتر از آن، نحوه جلوگیری از اشتباه خواندن. مرز: هوش مصنوعی متن را خلاصه می کند و مضامین را استخراج می کند. اما برچسب احساسات خودکار می تواند خطاپذیر باشد، نمونه می تواند مغرضانه باشد - تعمیم و تصمیم متعلق به مدیر است.

مفاهیم اولیه متن کاوی

چند اصطلاح: متن کاوی فرآیند استخراج خودکار الگوها و معنا از متون نوشته شده است. تحلیل احساسات طبقه بندی خودکار لحن مثبت/منفی/خنثی یک متن است. استخراج موضوع/موضوع گروه بندی نظرات متعدد در موضوعات رایج (تمیز بودن، انتظار، ارتباط، قیمت) است. NPS (امتیاز خالص تبلیغ کننده) یک شاخص وفاداری است که بر اساس سؤال "آیا ما را توصیه می کنید؟" فکر کردن به داده‌های رضایت در دو بعد مجزا مفید است: بعد کمی (رتبه‌بندی، NPS) به سؤال «چقدر» پاسخ می‌دهد. بعد کیفی (نظرات رایگان) حامل پاسخ به این سوال "چرا" است. هر دوی آنها به طور جداگانه ناقص خواهند بود. وقتی با هم بخوانید، هم بزرگی مشکل و هم منبع آن را می بینید.

این خودروها جنبه قدرتمند اما خطرناکی دارند. تحلیل احساسات به ظرافت های زبان برخورد می کند. جمله "عالی، دوباره 3 ساعت صبر کردم" ممکن است وقتی کلمه به کلمه نگاه شود مثبت به نظر برسد زیرا حاوی "عالی" است. با این حال، کنایه آمیز است. «بد نبود» حاوی نفی است. پسوندها و اصطلاحات در ترکی این کار را دشوارتر می کند. خطر دوم سوگیری نمونه گیری است: نظرسنجی عموماً توسط افرادی انجام می شود که یا بسیار راضی یا بسیار عصبانی هستند. اکثریت خاموش در وسط نامرئی است. بنابراین، تصویری که AI ترسیم می کند، نظر "نویسندگان" است، نه "همه بیماران".

ارزش واقعی این ابزارها به تعداد نیست، بلکه در جهت است. رتبه بندی ستاره به شما می گوید "رضایت 3.8" اما به شما نمی گوید چه چیزی را باید اصلاح کنید. متن رایگان دقیقاً به شما می گوید چه چیزی شما را آزار می دهد. وظیفه هوش مصنوعی تقطیر این روایت خام به سرفصل های قابل مدیریت است: شما نمی توانید 600 نظر را بخوانید، اما می توانید جمله "30 درصد نظرات به آشفتگی مسیریابی اشاره می کند" را به عمل تبدیل کنید. با این حال، این کاهش همچنین متضمن ضرر است: یک هشدار ایمنی قابل توجه، منحصر به فرد اما مهم از یک بیمار ممکن است در «مضمون کوچک 2 درصد» گم شود. بنابراین، علاوه بر خلاصه کمی، لازم است نظرات فردی که نشانه ای از امنیت یا شکایات جدی است، بررسی شود. عدد تصویر بزرگ را نشان می‌دهد و نظر فردی استثنای مهم را نشان می‌دهد.

گام به گام: تجزیه و تحلیل بازخورد با هوش مصنوعی

1. ناشناس کردن شناسه هایی مانند نام، نام پزشک، شماره اتاق را از نظرات حذف کنید.
2. آن را بر اساس موضوع تقسیم کنید. از هوش مصنوعی بخواهید نظرات را در موضوعات رایج گروه بندی کند. تعداد عناوین را شما تعیین می کنید.
3. لحن احساسی را حذف کنید اما آن را تأیید کنید. نرخ مثبت/منفی را برای هر موضوع دریافت کنید. سپس خودتان نمونه نظرات را بخوانید.
4. بینش در عمل. متداول ترین و سوزان ترین موضوع را انتخاب کنید. یک پیشنهاد بهبود ملموس تهیه شده است.
5. کنترل نمونه چند نفر نوشته اند، کی نوشته، آیا نماینده است؟ تعمیم را با توجه به این حد انجام دهید.
6. تصمیم مدیریتی تصمیم بهبود و اولویت بندی متعلق به مدیر است. هوش مصنوعی فقط بینش را آماده می کند.

احتیاط: عددی مانند "78 درصد مثبت" که توسط هوش مصنوعی داده شده است ممکن است طنز و نفی را اشتباه خوانده باشد. حتماً خودتان چند بررسی خام برای هر موضوع بخوانید و بررسی کنید که آیا تگ با واقعیت مطابقت دارد یا خیر.

سه کیف کوچک

مورد 1 - تم پنهان. یک بیمارستان 640 نظر رایگان در ماه جمع آوری کرد. هیچ کس نمی توانست همه آن را بخواند واحد حقوق بیمار نظرات ناشناس را به YZ داد و آنها را به موضوع اختصاص داد. بزرگترین موضوع منفی «زمان انتظار» آنطور که انتظار می‌رفت نبود، بلکه «سرگردانی مسیر» بود (بیماران نمی‌توانستند بفهمند به کدام طبقه بروند). با یک تابلوی ساده و ترتیب پرسنل راهنمایی، این موضوع در دو ماه به میزان قابل توجهی کاهش یافت. هوش مصنوعی موضوع پنهان را قابل مشاهده کرد. راه حل متعلق به تیم بود.

مورد 2 - تله کنایه. یک واحد از خلاصه "82 درصد مثبت" هوش مصنوعی خوشحال بود و به مدیریت گفت که "رضایت بالاست." افسر کیفی نمونه نظرات را خواند: جملات کنایه آمیزی مانند "عجب، 2 ساعت بعد از وقت ملاقات وارد شدم" مثبت تلقی شد. نرخ مثبت واقعی کمتر بود. کنترل کننده با خواندن دستی چندین ده نظر تگ هوش مصنوعی را کالیبره کرد و ارائه را اصلاح کرد.

مورد 3 - سوگیری نمونه گیری. در یک کلینیک سرپایی، تنها 45 نفر به نظرسنجی آنلاین پاسخ دادند و اکثر آنها بسیار منفی بودند. یکی از مدیران وحشت کرد که "پلی کلینیک ورشکست شده است." این تحلیلگر یادآور شد که این 45 نفر برشی کوچک و مغرضانه از 3200 بیمار آن ماه بودند و افراد عصبانی بیشتر به این نظرسنجی پاسخ دادند. به جای وحشت، یک نظرسنجی خروج نمایندگان راه اندازی شد. تصویر واقعی بسیار متعادل تر بود.

چهار قالب قابل کپی

1) استخراج تم:

نقش شما: دستیار تحلیلگر تجربه بیمار. در زیر نظرات بیماران آزادکار ناشناس (بدون نام/نام پزشک) آمده است. وظیفه: نظرات را به 6-8 موضوع متداول تقسیم کنید (مانند انتظار، ارتباط، تمیز کردن، ارجاع، هزینه). برای هر موضوع چند نظر بدهید و 2 نمونه نقل قول بدهید. نظرات را جعل نکنید؛ فقط از چیزی که بهت میدم استفاده کن

2) احساس + هشدار اعتبار:

نسبت مثبت/منفی/خنثی را برای هر موضوع کم کنید. اما به این نکته توجه کنید که کنایه، نفی و عبارات طعنه آمیز ممکن است تگ احساسات را گمراه کند و 5 نظری را که مطمئن نیستید به طور جداگانه به عنوان "بررسی دستی" فهرست کنید. ارائه به صورت درصد دقیق؛ تقریبا

3) بینش عمل محور:

متداول ترین و منفی ترین موضوع را انتخاب کنید. برای این موضوع: طرح کلی از علت اصلی احتمالی، 3 بهبودی که می‌توان در کوتاه‌مدت اجرا کرد، و تأثیر/هزینه برآوردی هر کدام. بیان کنید که این یک پیشنهاد است و تصمیم گیری با مدیر است.

4) یادداشت کنترل نمونه:

در این تحلیل، تعداد کل پاسخ‌ها [N] تعداد بیماران در آن دوره [M] است. یک یادداشت احتیاطی در مورد نماینده بودن نمونه برای من بنویسید: اگر میزان پاسخ کم است یا بیماران عصبانی بیش از حد ارائه می شوند، خطرات تعمیم نتایج را در 4 نقطه توضیح دهید.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

به من بگویید اگر این نظرات خوب است یا بد چند درصد راضی است.

بدون تم، بدون تأیید، بدون هشدار نمونه. یک درصد گمراه کننده را برمی گرداند.

اعلان قدرتمند:

در زیر [N] نظرات بیمار ناشناس، تعداد بیماران در آن زمان [M] آمده است. نظرات را بر اساس موضوع جدا کنید، لحن عاطفی تقریبی برای هر موضوع بدهید، اما اگر به دلیل کنایه/نفی مطمئن نیستند، علامت بزنید. پیشنهادی برای بهبود در مورد مهم‌ترین موضوع پیش‌نویس کنید و یک یادداشت هشداردهنده در مورد نماینده بودن نمونه اضافه کنید.

گام

سهم هوش مصنوعی

کنترل انسان

جداسازی تم

صدها نظر را گروه بندی می کند

آیا عنوان ها معنی دارند؟

برچسب احساس

صدای سریع تولید می کند

کنترل کنایه/نفی

بینش

پیش نویس بهبود

کاربرد، هزینه

تعمیم

خلاصه ارائه می دهد

آیا نمونه نماینده است؟

اشتباهات رایج

• پذیرش برچسب احساسات همانطور که هست. کنایه و نفی گمراه کننده است; نمونه ها را بخوانید.
• تعمیم از نمونه کوچک / مغرضانه. 45 نظر خشمگین نشان دهنده همه بیماران نیست.
• دور زدن ناشناس سازی نظرات ممکن است شامل نام پزشک/بیمار باشد. آن را حذف کنید
• فقط بر روی نکات منفی تمرکز کنید. مضامین مثبت همچنین نشان می دهد که از چه چیزی محافظت خواهید کرد.
• بینش اشتباه برای تصمیم گیری تصمیم و اولویت بهبود متعلق به مدیر است.

نکته: در پایان هر تجزیه و تحلیل، خودتان 15 تا 20 نظر خام تصادفی را بخوانید و آنها را با برچسب هوش مصنوعی مقایسه کنید. این عادت ۱۰ دقیقه‌ای «کالیبراسیون» طعنه و تله‌های نفی را به دام می‌اندازد و به شما می‌آموزد که چقدر به خلاصه هوش مصنوعی اعتماد کنید.

به طور خلاصه

داده‌های رضایت بیمار هم در نمرات و هم به صورت متن آزاد ارائه می‌شود و هوش مصنوعی در تجزیه صدها نظر به مضامین و خلاصه کردن آنها بسیار قدرتمند است. اما برچسب احساس خودکار در جنبه طنز و نفی اشتباه می کند. نمونه گیری نظرسنجی اغلب جانبدارانه است. بنابراین، خروجی هوش مصنوعی بدون تأیید با تفاسیر خام و حجم نمونه قابل تعمیم نیست. ناشناس بودن حفظ می شود، بینش آماده می شود. اما تصمیم و اولویت بهبود همیشه متعلق به مدیر است.

وظیفه کاربردی

یک مجموعه نظرات ناشناس (20-30 نظر، واقعی یا فرضی) دریافت کنید. با الگوهای «استنتاج تم» و «احساس + هشدار اعتبارسنجی» موضوع و لحن را از هوش مصنوعی بخواهید. سپس خودتان حداقل 10 نظر خام را بخوانید و آنها را با برچسب هوش مصنوعی مقایسه کنید. بنویسید که چه تعداد از آنها به دلیل کنایه/نفی و معرف بودن نمونه در 5 مورد ایراد می گیرید.

چک لیست

• [ ] آیا من نظرات را ناشناس کرده ام (بدون نام بیمار/پزشک)؟
• [ ] آیا من برچسب احساس را با نظرات خام کالیبره کرده ام؟
• [ ] آیا اندازه نمونه و سوگیری را در نظر گرفته ام؟
• [ ] آیا به دنبال مضامین مثبت و منفی هم بوده ام؟
• [ ] آیا تصمیم و اولویت بهبود را به مدیر واگذار کرده ام؟