Keuntungan:
- Keupayaan untuk membahagikan tinjauan kepuasan pesakit dan maklum balas teks percuma ke dalam tema dan melakukan analisis sentimen dengan sokongan kecerdasan buatan
- Keupayaan untuk menghasilkan pandangan yang boleh diambil tindakan dan draf penambahbaikan daripada teks aduan dan cadangan
- Keupayaan untuk menangkap perangkap seperti bias pensampelan, ralat tag sentimen automatik dan perlindungan privasi sebelum tafsiran
Pesakit bukan hanya datang untuk menjadi lebih baik; Mereka juga mengalami dan mengingati bagaimana mereka dilayan, berapa lama mereka menunggu, dan kepada siapa mereka boleh memberitahu masalah mereka. Kepuasan pesakit ialah tanggungjawab etika dan dimensi prestasi yang menjejaskan reputasi institusi dan, dalam beberapa kes, pembayaran baliknya. Tetapi data kepuasan selalunya datang dalam dua bentuk: tinjauan yang diukur dengan bintang/penilaian dan ulasan bentuk bebas. Ia mengambil masa untuk membaca ratusan komen percuma satu persatu. Di sinilah kecerdasan buatan berkuasa: ia memisahkan ratusan teks ke dalam tema, mengekstrak nada emosi dan meringkaskan aduan dan pujian yang menonjol. Dalam unit ini kita akan melihat cara untuk melakukan ini, tetapi yang lebih penting, bagaimana untuk mengelakkan salah baca. Sempadan: AI meringkaskan teks dan mengekstrak tema; tetapi label emosi automatik boleh salah, sampel boleh berat sebelah — generalisasi dan keputusan adalah milik pengurus.
Konsep asas perlombongan teks
Beberapa istilah: Perlombongan teks ialah proses mengekstrak corak dan makna secara automatik daripada teks bertulis. Analisis sentimen ialah pengelasan automatik bagi nada positif/negatif/neutral teks. Pengekstrakan tema/topik ialah pengumpulan berbilang ulasan ke dalam topik biasa (kebersihan, menunggu, komunikasi, harga). NPS (Skor Promoter Bersih) ialah penunjuk kesetiaan berdasarkan soalan "Adakah anda mengesyorkan kami?" Adalah berguna untuk memikirkan data kepuasan dalam dua dimensi berasingan: dimensi kuantitatif (penilaian, NPS) memberi anda jawapan kepada soalan "berapa banyak"; Dimensi kualitatif (komen percuma) membawa jawapan kepada soalan "mengapa". Kedua-duanya tidak lengkap secara berasingan; Apabila dibaca bersama, anda melihat kedua-dua magnitud masalah dan puncanya.
Kenderaan ini mempunyai bahagian yang kuat tetapi berbahaya. Analisis sentimen tersandung pada kehalusan bahasa. Ayat "Hebat, saya menunggu 3 jam lagi" mungkin kelihatan positif apabila dilihat perkataan demi perkataan kerana ia mengandungi "hebat"; Walau bagaimanapun, ia adalah ironis. "Ia tidak buruk" mengandungi penolakan. Akhiran dan simpulan bahasa dalam bahasa Turki menjadikannya lebih sukar. Bahaya kedua ialah berat sebelah pensampelan: tinjauan biasanya diisi oleh orang yang sama ada sangat berpuas hati atau sangat marah; Majoriti senyap di tengah tidak kelihatan. Oleh itu, gambar yang dilukis oleh AI adalah pendapat "pengarang", bukan "semua pesakit".
Nilai sebenar alat ini bukan dalam jumlah, tetapi dalam arah. Penarafan bintang memberitahu anda "kepuasan 3.8" tetapi tidak memberitahu anda perkara yang perlu diperbaiki; teks percuma memberitahu anda apa yang mengganggu anda. Tugas AI adalah untuk menyaring naratif mentah ini ke dalam tajuk yang boleh diurus: Anda tidak boleh membaca 600 ulasan, tetapi anda boleh menukar ayat "30 peratus ulasan menyebut kekeliruan laluan" menjadi tindakan. Namun pengurangan ini juga melibatkan kerugian: amaran keselamatan yang menarik, tunggal tetapi penting daripada seorang pesakit mungkin hilang dalam "tema kecil 2 peratus." Oleh itu, sebagai tambahan kepada ringkasan kuantitatif, adalah perlu untuk menyaring tambahan komen individu yang menandakan keselamatan atau aduan yang serius; Nombor menunjukkan gambaran besar, dan ulasan individu menunjukkan pengecualian kritikal.
Langkah demi langkah: Analisis maklum balas dengan AI
- anonimkan. Alih keluar pengecam seperti nama, nama doktor, nombor bilik daripada ulasan.
- Bahagikannya mengikut tema. Minta AI untuk mengumpulkan ulasan ke dalam topik biasa; Anda menentukan bilangan tajuk.
- Keluarkan nada emosi tetapi sahkannya. Dapatkan kadar positif/negatif untuk setiap tema; Kemudian baca sendiri contoh komen.
- Wawasan ke dalam tindakan. Pilih tema yang paling kerap dan membakar; Cadangan penambahbaikan konkrit dirangka.
- Kawalan sampel. Berapa orang yang menulisnya, siapa yang menulisnya, adakah ia mewakili? Buat generalisasi mengikut had ini.
- Keputusan pengurusan. Keputusan penambahbaikan dan keutamaan adalah milik pengurus; AI hanya menyediakan cerapan.
Awas: Nombor seperti "78 peratus positif" yang diberikan oleh AI mungkin telah salah membaca ironi dan penolakan. Pastikan anda membaca sendiri beberapa ulasan mentah untuk setiap tema dan semak sama ada teg itu sepadan dengan realiti.
tiga kes mini
Kes 1 — Tema tersembunyi. Satu hospital mengumpul 640 komen percuma setiap bulan; tiada siapa yang dapat membaca semuanya. Unit hak pesakit memberikan ulasan tanpa nama kepada YZ dan memberikannya kepada tema. Tema negatif terbesar bukanlah "masa menunggu" seperti yang dijangkakan, tetapi "kekeliruan laluan" (pesakit tidak dapat mengetahui tingkat mana yang hendak dituju). Dengan susunan papan tanda dan kakitangan bimbingan yang ringkas, tema ini menurun dengan ketara dalam masa dua bulan. AI menjadikan tema tersembunyi kelihatan; Penyelesaiannya adalah milik pasukan.
Kes 2 — Perangkap ironi. Satu unit gembira dengan ringkasan "82 peratus positif" AI dan memberitahu pengurusan bahawa "kepuasan adalah tinggi." Pegawai kualiti membaca contoh komen: Ayat ironik seperti "Amazing, I got in 2 hours after the appointment time" dianggap positif. Kadar positif sebenar adalah lebih rendah. Pengendali menentukur teg AI dengan membaca tangan beberapa dozen komen dan membetulkan pembentangan.
Kes 3 — Bias pensampelan. Di sebuah klinik pesakit luar, hanya 45 orang menjawab tinjauan dalam talian, dan kebanyakannya sangat negatif. Seorang pengurus panik bahawa "poliklinik telah muflis." Penganalisis itu mengingatkan bahawa 45 orang ini adalah sebilangan kecil dan berat sebelah daripada 3,200 pesakit pada bulan itu, dan orang yang marah bertindak balas lebih kepada tinjauan itu. Daripada panik, tinjauan keluar wakil telah dilancarkan; Gambar sebenar adalah lebih seimbang.
Empat templat yang boleh disalin
1) Pengekstrakan tema:
Peranan anda: pembantu kepada penganalisis pengalaman pesakit. Di bawah ialah ulasan pesakit bebas tanpa nama (tiada nama/nama doktor). Tugasan: bahagikan ulasan kepada 6-8 tema biasa (cth. menunggu, komunikasi, pembersihan, rujukan, bayaran). Berikan bilangan komen anda untuk setiap tema dan berikan 2 petikan contoh. Jangan membuat komen; Gunakan sahaja apa yang saya berikan.
2) Sentimen + makluman pengesahan:
Tolak nisbah positif/negatif/neutral bagi setiap tema. TETAPI nyatakan bahawa ungkapan ironi, penolakan dan sarkastik mungkin mengelirukan tag emosi, dan senaraikan 5 ulasan yang anda tidak pasti secara berasingan sebagai "disemak secara manual". Membentangkan sebagai peratusan yang tepat; berikan lebih kurang.
3) Wawasan berorientasikan tindakan:
Pilih tema yang paling kerap dan paling negatif. Untuk tema ini: garis besar kemungkinan punca, 3 penambahbaikan yang boleh dilaksanakan dalam jangka pendek, dan anggaran impak/kos setiap satu. Nyatakan bahawa ini adalah cadangan dan keputusan terpulang kepada pengurus.
4) Contoh nota kawalan:
Dalam analisis ini, jumlah bilangan respons [N] ialah bilangan pesakit dalam tempoh tersebut [M]. Tulis saya nota berjaga-jaga tentang keterwakilan sampel: jika kadar tindak balas adalah rendah atau pesakit yang marah diwakili secara berlebihan, terangkan risiko mengeneralisasikan keputusan dalam 4 mata.
Gesaan lemah / Gesaan kuat
Gesaan yang lemah:
Beritahu saya jika komen ini baik atau buruk, berapa peratus yang berpuas hati.
Tiada tema, tiada pengesahan, tiada contoh amaran; Ia mengembalikan satu peratusan yang mengelirukan.
Gesaan kuat:
Di bawah ialah [N] komen pesakit tanpa nama, bilangan pesakit pada masa itu [M]. Asingkan komen mengikut tema, berikan anggaran nada emosi untuk setiap tema tetapi tandakan jika mereka tidak pasti kerana ironi/penafian. Draf cadangan untuk penambahbaikan pada tema yang paling membakar dan tambahkan nota amaran tentang keterwakilan sampel.
langkah
Sumbangan AI
kawalan manusia
Pemisahan tema
Kumpulan beratus-ratus komen
Adakah tajuk-tajuk itu bermakna?
tag emosi
Menghasilkan nada cepat
Kawalan ironi/negasi
wawasan
Draf penambahbaikan
Kebolehgunaan, kos
generalisasi
Menyediakan ringkasan
Adakah wakil sampel?
Kesilapan biasa
- Menerima label emosi seadanya. Ironi dan penolakan adalah mengelirukan; Baca contoh.
- Generalisasi daripada sampel kecil/berat sebelah. 45 komen marah tidak mewakili semua pesakit.
- Melangkaui anonimasi. Komen mungkin termasuk nama doktor/pesakit; keluarkannya.
- Fokus hanya pada yang negatif. Tema positif juga menunjukkan perkara yang akan anda lindungi.
- Tersilap wawasan untuk membuat keputusan. Keputusan dan keutamaan untuk penambahbaikan adalah milik pengurus.
Petua: Pada akhir setiap analisis, baca sendiri 15-20 ulasan mentah rawak dan bandingkan dengan teg AI. Tabiat "penentukuran" selama 10 minit ini menangkap ironi dan perangkap penolakan dan mengajar anda betapa pentingnya mempercayai ringkasan AI.
Secara ringkasnya
Data kepuasan pesakit terdapat dalam kedua-dua markah dan teks percuma, dan AI sangat berkuasa dalam memecahkan beratus-ratus komen ke dalam tema dan meringkaskannya. Tetapi label emosi automatik tersilap di sisi ironi dan penafian; Persampelan tinjauan selalunya berat sebelah. Oleh itu, output AI tidak boleh digeneralisasikan tanpa pengesahan dengan tafsiran mentah dan saiz sampel. Tanpa nama dikekalkan, wawasan disediakan; Tetapi keputusan dan keutamaan untuk penambahbaikan sentiasa menjadi milik pengurus.
Tugasan permohonan
Dapatkan set ulasan tanpa nama (20-30 ulasan, nyata atau hipotetikal). Minta AI untuk tema dan nada dengan templat "Inferens tema" dan "Emosi + amaran pengesahan". Kemudian baca sendiri sekurang-kurangnya 10 komen mentah dan bandingkan dengan tag AI; Tuliskan berapa ramai daripada mereka yang anda cari kesalahan kerana ironi/penafian dan keterwakilan sampel dalam 5 item.
senarai semak
- [ ] Adakah saya telah menamakan ulasan tanpa nama (tiada nama pesakit/pakar perubatan)?
- [ ] Adakah saya telah menentukur teg sentimen dengan ulasan mentah?
- [ ] Adakah saya telah mempertimbangkan saiz sampel dan berat sebelah?
- [ ] Adakah saya telah mencari kedua-dua tema positif dan negatif?
- [ ] Adakah saya menyerahkan keputusan penambahbaikan dan keutamaan kepada pengurus?