การวิเคราะห์ความพึงพอใจและผลตอบรับของผู้ป่วย: การสำรวจและการขุดข้อความ

กำไร:

• ความสามารถในการแบ่งแบบสำรวจความพึงพอใจของผู้ป่วยและข้อความตอบกลับฟรีออกเป็นธีมต่างๆ และดำเนินการวิเคราะห์ความรู้สึกด้วยการสนับสนุนด้านปัญญาประดิษฐ์
• ความสามารถในการสร้างข้อมูลเชิงลึกที่สามารถนำไปปฏิบัติได้และร่างการปรับปรุงจากข้อความร้องเรียนและข้อเสนอแนะ
• ความสามารถในการตรวจจับข้อผิดพลาด เช่น อคติในการสุ่มตัวอย่าง ข้อผิดพลาดแท็กความรู้สึกอัตโนมัติ และการปกป้องความเป็นส่วนตัวก่อนการตีความ

คนไข้ไม่เพียงแต่มาเพื่อให้อาการดีขึ้นเท่านั้น พวกเขายังสัมผัสและจดจำว่าพวกเขาได้รับการปฏิบัติอย่างไร รอนานแค่ไหน และบอกปัญหากับใครได้บ้าง ความพึงพอใจของผู้ป่วยเป็นทั้งความรับผิดชอบด้านจริยธรรมและมิติการปฏิบัติงานที่ส่งผลต่อชื่อเสียงของสถาบัน และในบางกรณี รวมถึงการชดเชยด้วย แต่ข้อมูลความพึงพอใจมักมาในสองรูปแบบ: แบบสำรวจที่วัดโดยดาว/การให้คะแนน และบทวิจารณ์แบบอิสระ ต้องใช้เวลาในการอ่านความคิดเห็นฟรีหลายร้อยรายการทีละรายการ นี่คือจุดที่ปัญญาประดิษฐ์มีพลัง โดยแยกข้อความหลายร้อยรายการออกเป็นธีม ดึงอารมณ์ความรู้สึก และสรุปคำร้องเรียนและการชมเชยที่โดดเด่น ในหน่วยนี้ เราจะมาดูวิธีการทำสิ่งนี้ แต่ที่สำคัญกว่านั้นคือ วิธีหลีกเลี่ยงการอ่านผิด ขอบเขต: AI สรุปข้อความและแยกธีม แต่ป้ายอารมณ์อัตโนมัติสามารถผิดพลาดได้ กลุ่มตัวอย่างอาจมีอคติได้ - ลักษณะทั่วไปและการตัดสินใจเป็นของผู้จัดการ

แนวคิดพื้นฐานของการขุดข้อความ

ข้อกำหนดบางประการ: การขุดข้อความเป็นกระบวนการแยกรูปแบบและความหมายจากข้อความที่เขียนโดยอัตโนมัติ การวิเคราะห์ความรู้สึกเป็นการจำแนกโทนเสียงเชิงบวก/เชิงลบ/เป็นกลางของข้อความโดยอัตโนมัติ การแยกธีม/หัวข้อคือการจัดกลุ่มความคิดเห็นหลายรายการให้เป็นหัวข้อทั่วไป (ความสะอาด การรอ การสื่อสาร ราคา) NPS (Net Promoter Score) เป็นตัวบ่งชี้ความภักดีโดยอิงตามคำถาม "คุณจะแนะนำเราหรือไม่" การคิดถึงข้อมูลความพึงพอใจในสองมิติที่แยกจากกันมีประโยชน์: มิติเชิงปริมาณ (การให้คะแนน, NPS) จะให้คำตอบสำหรับคำถาม "เท่าไหร่"; มิติเชิงคุณภาพ (ความคิดเห็นฟรี) มีคำตอบสำหรับคำถามที่ว่า "ทำไม" ทั้งสองจะไม่สมบูรณ์แยกกัน เมื่ออ่านร่วมกัน คุณจะเห็นทั้งขนาดของปัญหาและที่มาของปัญหา

ยานพาหนะเหล่านี้มีด้านที่ทรงพลังแต่ก็อันตราย การวิเคราะห์ความรู้สึกสะดุดกับความละเอียดอ่อนของภาษา ประโยค "เยี่ยมเลย ฉันรออีก 3 ชั่วโมงแล้ว" อาจดูเป็นเชิงบวกเมื่อมองจากคำต่อคำเพราะมีคำว่า "เยี่ยมมาก" อย่างไรก็ตามมันเป็นเรื่องน่าขัน “มันไม่ได้แย่” มีการปฏิเสธ คำต่อท้ายและสำนวนในภาษาตุรกีทำให้สิ่งนี้ยากยิ่งขึ้น อันตรายประการที่สองคืออคติในการสุ่มตัวอย่าง โดยทั่วไปการสำรวจจะเต็มไปด้วยผู้ที่พอใจมากหรือโกรธมาก เสียงส่วนใหญ่ที่เงียบงันอยู่ตรงกลางนั้นมองไม่เห็น ดังนั้นภาพที่ AI วาดจึงเป็นความคิดเห็นของ "ผู้เขียน" ไม่ใช่ "คนไข้ทุกคน"

มูลค่าที่แท้จริงของเครื่องมือเหล่านี้ไม่ได้อยู่ที่ตัวเลข แต่อยู่ที่ทิศทาง การให้ดาวบอกคุณว่า "ความพึงพอใจ 3.8" แต่ไม่ได้บอกคุณว่าต้องแก้ไขอะไร ข้อความฟรีจะบอกคุณอย่างชัดเจนถึงสิ่งที่กวนใจคุณ งานของ AI คือการกลั่นกรองการเล่าเรื่องดิบนี้ให้เป็นหัวข้อข่าวที่สามารถจัดการได้: คุณไม่สามารถอ่านความคิดเห็นได้ 600 รายการ แต่คุณสามารถเปลี่ยนประโยค "30 เปอร์เซ็นต์ของความคิดเห็นที่กล่าวถึงความสับสนในการกำหนดเส้นทาง" ให้กลายเป็นจริงได้ แต่การลดลงนี้ยังเกี่ยวข้องกับการสูญเสียด้วย คำเตือนด้านความปลอดภัยที่โดดเด่น โดดเด่น แต่สำคัญจากผู้ป่วยรายเดียวอาจสูญหายไปใน "หัวข้อเล็กๆ น้อยๆ ที่ 2 เปอร์เซ็นต์" ดังนั้น นอกเหนือจากการสรุปเชิงปริมาณแล้ว ยังจำเป็นต้องคัดกรองความคิดเห็นส่วนบุคคลเพิ่มเติมที่ส่งสัญญาณถึงความปลอดภัยหรือการร้องเรียนที่ร้ายแรง ตัวเลขแสดงให้เห็นภาพรวม และความคิดเห็นแต่ละรายการจะแสดงข้อยกเว้นที่สำคัญ

ทีละขั้นตอน: การวิเคราะห์ผลตอบรับด้วย AI

1. ไม่ระบุชื่อ ลบตัวระบุ เช่น ชื่อ ชื่อแพทย์ หมายเลขห้อง ออกจากความคิดเห็น
2. แบ่งตามธีม ขอให้ AI จัดกลุ่มความคิดเห็นเป็นหัวข้อทั่วไป คุณกำหนดจำนวนชื่อเรื่อง
3. ดึงอารมณ์ความรู้สึกออกไปแต่ต้องตรวจสอบให้ได้ รับอัตราบวก/ลบสำหรับแต่ละธีม จากนั้นอ่านความคิดเห็นตัวอย่างด้วยตัวเอง
4. ความเข้าใจในการดำเนินการ เลือกธีมที่บ่อยที่สุดและร้อนแรง มีการร่างข้อเสนอการปรับปรุงอย่างเป็นรูปธรรม
5. การควบคุมตัวอย่าง มีกี่คนที่เขียน ใครเขียน เป็นตัวแทนไหม? ทำให้มีลักษณะทั่วไปตามขีดจำกัดนี้
6. การตัดสินใจของฝ่ายบริหาร การตัดสินใจปรับปรุงและจัดลำดับความสำคัญเป็นของผู้จัดการ AI แค่เตรียมข้อมูลเชิงลึก

ข้อควรระวัง: ตัวเลขเช่น "บวก 78 เปอร์เซ็นต์" ที่กำหนดโดย AI อาจอ่านคำประชดและการปฏิเสธผิด อย่าลืมอ่านบทวิจารณ์ดิบๆ สำหรับแต่ละธีมด้วยตัวเอง และตรวจสอบว่าแท็กตรงกับความเป็นจริงหรือไม่

มินิเคสสามอัน

กรณีที่ 1 — ธีมที่ซ่อนอยู่ โรงพยาบาลแห่งหนึ่งสะสมความคิดเห็นฟรี 640 รายการต่อเดือน ไม่มีใครสามารถอ่านได้ทั้งหมด หน่วยสิทธิผู้ป่วยให้ความคิดเห็นที่ไม่เปิดเผยตัวตนแก่ YZ และมอบหมายให้พวกเขาทำหัวข้อดังกล่าว ประเด็นเชิงลบที่ใหญ่ที่สุดไม่ใช่ "เวลารอ" ตามที่คาดไว้ แต่เป็น "ความสับสนในเส้นทาง" (ผู้ป่วยไม่รู้ว่าจะไปชั้นไหน) ด้วยป้ายที่เรียบง่ายและการจัดเตรียมเจ้าหน้าที่นำทาง ธีมนี้ลดลงอย่างมากในสองเดือน AI ทำให้มองเห็นธีมที่ซ่อนอยู่ การแก้ปัญหาเป็นของทีม

กรณีที่ 2 — กับดักประชด หน่วยหนึ่งพอใจกับบทสรุป "เชิงบวก 82 เปอร์เซ็นต์" ของ AI และบอกกับฝ่ายบริหารว่า "ความพึงพอใจอยู่ในระดับสูง" เจ้าหน้าที่คุณภาพอ่านความคิดเห็นตัวอย่าง: ประโยคที่น่าขันเช่น "น่าทึ่ง ฉันไปถึง 2 ชั่วโมงหลังจากเวลานัดหมาย" ถือเป็นเชิงบวก อัตราบวกที่แท้จริงต่ำกว่า ตัวจัดการปรับเทียบแท็ก AI โดยการอ่านความคิดเห็นหลายสิบรายการด้วยมือและแก้ไขการนำเสนอ

กรณีที่ 3 — อคติในการสุ่มตัวอย่าง ที่คลินิกผู้ป่วยนอกแห่งหนึ่ง มีเพียง 45 คนที่ตอบแบบสำรวจออนไลน์ และส่วนใหญ่มีทัศนคติเชิงลบมาก ผู้จัดการคนหนึ่งวิตกกังวลว่า "คลินิกโพลีคลินิกล้มละลายแล้ว" นักวิเคราะห์เตือนว่า 45 คนเหล่านี้เป็นเพียงส่วนเล็กๆ ของผู้ป่วย 3,200 รายในเดือนนั้น และคนที่โกรธแค้นตอบสนองต่อการสำรวจมากกว่า แทนที่จะตื่นตระหนก ก็มีการเปิดตัวแบบสำรวจความคิดเห็นของตัวแทน ภาพจริงมีความสมดุลมากขึ้น

เทมเพลตที่สามารถคัดลอกได้สี่แบบ

1) การแยกธีม:

บทบาทของคุณ: ผู้ช่วยนักวิเคราะห์ประสบการณ์ผู้ป่วย ด้านล่างนี้คือความคิดเห็นของผู้ป่วยอิสระที่ไม่ระบุชื่อ (ไม่มีชื่อ/ชื่อแพทย์) งาน: แบ่งความคิดเห็นออกเป็น 6-8 หัวข้อทั่วไป (เช่น การรอ การสื่อสาร การทำความสะอาด การอ้างอิง ค่าธรรมเนียม) ระบุจำนวนความคิดเห็นที่คุณมีสำหรับแต่ละธีม และยกตัวอย่างคำพูด 2 อัน อย่าแสดงความคิดเห็น แค่ใช้สิ่งที่ฉันให้คุณไป

2) การแจ้งเตือนความรู้สึก + การตรวจสอบความถูกต้อง:

ลบอัตราส่วนบวก/ลบ/เป็นกลางสำหรับแต่ละธีม แต่ชี้ให้เห็นว่าการแสดงออกที่ประชด การปฏิเสธ และการเสียดสีอาจทำให้แท็กอารมณ์เข้าใจผิด และแยกความคิดเห็น 5 ข้อที่คุณไม่แน่ใจแยกกันเป็น "ตรวจสอบด้วยตนเอง" นำเสนอเป็นเปอร์เซ็นต์ที่แน่นอน ให้ประมาณ

3) ข้อมูลเชิงลึกที่มุ่งเน้นการปฏิบัติ:

เลือกธีมที่พบบ่อยที่สุดและเชิงลบที่สุด สำหรับหัวข้อนี้: โครงร่างของสาเหตุที่เป็นไปได้ การปรับปรุง 3 ประการที่สามารถนำมาใช้ได้ในระยะสั้น และผลกระทบ/ต้นทุนโดยประมาณของแต่ละรายการ ระบุว่านี่เป็นข้อเสนอแนะและการตัดสินใจขึ้นอยู่กับผู้จัดการ

4) หมายเหตุการควบคุมตัวอย่าง:

ในการวิเคราะห์นี้ จำนวนการตอบสนองทั้งหมด [N] คือจำนวนผู้ป่วยในช่วงเวลานั้น [M] เขียนคำเตือนถึงฉันเกี่ยวกับความเป็นตัวแทนของกลุ่มตัวอย่าง: หากอัตราการตอบกลับต่ำหรือผู้ป่วยที่โกรธจัดมีการแสดงออกมากเกินไป ให้อธิบายความเสี่ยงในการสรุปผลลัพธ์เป็น 4 จุด

พรอมต์อ่อน / พรอมต์แข็งแกร่ง

พรอมต์ที่อ่อนแอ:

บอกฉันทีว่าความคิดเห็นเหล่านี้ดีหรือไม่ดีพอใจกี่เปอร์เซ็นต์

ไม่มีธีม ไม่มีการตรวจสอบ ไม่มีคำเตือนตัวอย่าง มันส่งคืนเปอร์เซ็นต์ที่ทำให้เข้าใจผิดเพียงครั้งเดียว

พรอมต์อันทรงพลัง:

ด้านล่างนี้คือความคิดเห็นของผู้ป่วยที่ไม่ระบุชื่อ [N] จำนวนผู้ป่วยในขณะนั้น [M] แยกความคิดเห็นตามหัวข้อ ระบุน้ำเสียงโดยประมาณสำหรับแต่ละหัวข้อ แต่ทำเครื่องหมายหากไม่แน่ใจเนื่องจากการประชด/ปฏิเสธ ร่างข้อเสนอแนะเพื่อปรับปรุงธีมที่โดนใจที่สุด และเพิ่มหมายเหตุเตือนเกี่ยวกับความเป็นตัวแทนของกลุ่มตัวอย่าง

ขั้นตอน

การมีส่วนร่วมของเอไอ

การควบคุมของมนุษย์

การแยกธีม

จัดกลุ่มความคิดเห็นหลายร้อยรายการ

ชื่อเรื่องมีความหมายหรือไม่?

แท็กอารมณ์

ให้โทนเสียงที่รวดเร็ว

การควบคุมประชด/เชิงลบ

ข้อมูลเชิงลึก

ร่างการปรับปรุง

การบังคับใช้ต้นทุน

ลักษณะทั่วไป

ให้ข้อมูลสรุป

เป็นตัวแทนตัวอย่างหรือไม่?

ข้อผิดพลาดทั่วไป

• ยอมรับป้ายอารมณ์อย่างที่มันเป็น การประชดและการปฏิเสธทำให้เข้าใจผิด อ่านตัวอย่าง
• ลักษณะทั่วไปจากตัวอย่างขนาดเล็ก/เอนเอียง ความคิดเห็นที่แสดงความไม่พอใจ 45 รายการไม่ได้เป็นตัวแทนของผู้ป่วยทุกคน
• หลีกเลี่ยงการเปิดเผยตัวตน ความคิดเห็นอาจรวมถึงชื่อแพทย์/ผู้ป่วย ลบมันออก
• มุ่งแต่ด้านลบเท่านั้น ประเด็นเชิงบวกยังระบุถึงสิ่งที่คุณจะปกป้องด้วย
• ความเข้าใจที่ผิดพลาดในการตัดสินใจ การตัดสินใจและลำดับความสำคัญในการปรับปรุงเป็นของผู้จัดการ

เคล็ดลับ: ในตอนท้ายของการวิเคราะห์แต่ละครั้ง ให้อ่านความคิดเห็นดิบแบบสุ่ม 15-20 ความคิดเห็นด้วยตัวคุณเอง แล้วเปรียบเทียบกับแท็กของ AI นิสัย "การปรับเทียบ" 10 นาทีนี้จับกับดักประชดและการปฏิเสธ และสอนให้คุณเชื่อใจข้อมูลสรุปของ AI ได้มากเพียงใด

โดยสรุป

ข้อมูลความพึงพอใจของผู้ป่วยมีทั้งแบบคะแนนและข้อความอิสระ และ AI มีประสิทธิภาพมากในการแบ่งความคิดเห็นหลายร้อยรายการออกเป็นธีมต่างๆ และสรุปความคิดเห็นเหล่านั้น แต่ป้ายกำกับอารมณ์อัตโนมัติกลับผิดพลาดจากการประชดและการปฏิเสธ การสุ่มตัวอย่างแบบสำรวจมักมีอคติ ดังนั้น เอาต์พุต AI ไม่สามารถสรุปได้หากไม่มีการตรวจสอบด้วยการตีความข้อมูลดิบและขนาดตัวอย่าง รักษาความเป็นนิรนาม มีการเตรียมข้อมูลเชิงลึก แต่การตัดสินใจและลำดับความสำคัญในการปรับปรุงเป็นของผู้จัดการเสมอ

งานสมัคร

รับชุดความคิดเห็นที่ไม่เปิดเผยตัวตน (20-30 ความคิดเห็น จริงหรือสมมุติ) ขอธีมและโทนเสียงจาก AI ด้วยเทมเพลต “การอนุมานธีม” และ “การแจ้งเตือนอารมณ์ + การตรวจสอบความถูกต้อง” จากนั้นอ่านความคิดเห็นดิบอย่างน้อย 10 ความคิดเห็นด้วยตัวคุณเองแล้วเปรียบเทียบกับแท็กของ AI เขียนว่ามีกี่ข้อที่คุณพบข้อผิดพลาดเนื่องจากการประชด/การปฏิเสธ และความเป็นตัวแทนของกลุ่มตัวอย่างใน 5 รายการ

รายการตรวจสอบ

• [ ] ฉันได้เปิดเผยความคิดเห็นโดยไม่ระบุชื่อ (ไม่มีชื่อผู้ป่วย/แพทย์) หรือไม่
• [ ] ฉันได้ปรับเทียบแท็กความคิดเห็นด้วยความคิดเห็นดิบแล้วหรือไม่
• [ ] ฉันได้พิจารณาขนาดและอคติของกลุ่มตัวอย่างแล้วหรือยัง?
• [ ] ฉันเคยมองหาประเด็นทั้งเชิงบวกและเชิงลบหรือไม่?
• [ ] ฉันทิ้งการตัดสินใจในการปรับปรุงและลำดับความสำคัญไว้กับผู้จัดการหรือไม่?