Mga nadagdag:
- Kakayahang hatiin ang mga survey sa kasiyahan ng pasyente at libreng text feedback sa mga tema at magsagawa ng pagsusuri ng damdamin na may suporta sa artificial intelligence
- Kakayahang gumawa ng mga naaaksyunan na insight at mga draft ng pagpapabuti mula sa mga text ng reklamo at mungkahi
- Kakayahang mahuli ang mga pitfalls gaya ng sampling bias, awtomatikong error sa tag ng sentimento, at proteksyon sa privacy bago ang interpretasyon
Ang mga pasyente ay hindi lamang dumarating upang magpagaling; Nararanasan din nila at naaalala kung paano sila tinatrato, gaano katagal silang naghintay, at kung kanino nila masasabi ang kanilang mga problema. Ang kasiyahan ng pasyente ay parehong etikal na responsibilidad at isang dimensyon ng pagganap na nakakaapekto sa reputasyon ng institusyon at, sa ilang mga kaso, ang pagbabayad nito. Ngunit ang data ng kasiyahan ay kadalasang nanggagaling sa dalawang anyo: mga survey na sinusukat ng mga bituin/rating at mga review na may libreng form. Kailangan ng oras upang basahin ang daan-daang libreng komento nang paisa-isa. Dito makapangyarihan ang artificial intelligence: pinaghihiwalay nito ang daan-daang mga teksto sa mga tema, kinukuha ang emosyonal na tono, at nagbubuod ng mga kilalang reklamo at papuri. Sa unit na ito, makikita natin kung paano ito gagawin, ngunit higit sa lahat, kung paano maiwasan ang maling pagbasa. Boundary: Binubuod ng AI ang teksto at kinukuha ang mga tema; ngunit ang awtomatikong label ng emosyon ay maaaring maging mali, ang sample ay maaaring maging bias — ang generalization at desisyon ay pagmamay-ari ng manager.
Mga pangunahing konsepto ng pagmimina ng teksto
Ilang termino: Ang pagmimina ng teksto ay ang proseso ng awtomatikong pagkuha ng mga pattern at kahulugan mula sa mga nakasulat na teksto. Ang pagsusuri sa sentimento ay ang awtomatikong pag-uuri ng positibo/negatibo/neutral na tono ng isang text. Ang pagkuha ng tema/paksa ay ang pagpapangkat ng maraming komento sa mga karaniwang paksa (kalinisan, paghihintay, komunikasyon, presyo). Ang NPS (Net Promoter Score) ay isang loyalty indicator batay sa tanong na "Irerekomenda mo ba kami?" Kapaki-pakinabang na isipin ang data ng kasiyahan sa dalawang magkahiwalay na dimensyon: binibigyan ka ng quantitative na dimensyon (mga rating, NPS) ng sagot sa tanong na "magkano"; Ang dimensyon ng husay (mga libreng komento) ay nagdadala ng sagot sa tanong na "bakit". Pareho silang hindi kumpleto nang hiwalay; Kapag binasa nang magkasama, makikita mo ang laki ng problema at ang pinagmulan nito.
Ang mga sasakyang ito ay may makapangyarihan ngunit mapanganib na panig. Ang pagsusuri ng damdamin ay natitisod sa mga subtleties ng wika. Ang pangungusap na "Great, I waited 3 hours again" ay maaaring mukhang positibo kapag tinitingnan ang bawat salita dahil naglalaman ito ng "mahusay"; Gayunpaman, ito ay balintuna. "It wasn't bad" ay naglalaman ng negasyon. Ang mga suffix at idiom sa Turkish ay nagpapahirap dito. Ang pangalawang panganib ay ang sampling bias: ang survey ay karaniwang pinupunan ng mga taong lubos na nasisiyahan o galit na galit; Ang tahimik na karamihan sa gitna ay hindi nakikita. Samakatuwid, ang larawan na iginuhit ng AI ay ang opinyon ng "mga may-akda", hindi "lahat ng mga pasyente".
Ang tunay na halaga ng mga tool na ito ay hindi sa bilang, ngunit sa direksyon. Sinasabi sa iyo ng star rating ang "satisfaction 3.8" ngunit hindi sinasabi sa iyo kung ano ang dapat ayusin; Ang libreng text ay nagsasabi sa iyo kung ano mismo ang bumabagabag sa iyo. Ang trabaho ng AI ay i-distill ang hilaw na salaysay na ito sa mga napapamahalaang headline: Hindi ka makakabasa ng 600 komento, ngunit maaari mong gawing aksyon ang pangungusap na "30 porsiyento ng mga komentong nagbabanggit ng routing confusion." Gayunpaman, ang pagbawas na ito ay nagsasangkot din ng pagkawala: isang kapansin-pansin, isahan ngunit mahalagang babala sa kaligtasan mula sa isang pasyente ay maaaring mawala sa "maliit na tema ng 2 porsiyento." Samakatuwid, bilang karagdagan sa dami ng buod, kinakailangang i-screen din ang mga indibidwal na komento na nagpapahiwatig ng seguridad o mga seryosong reklamo; Ang numero ay nagpapakita ng malaking larawan, at ang indibidwal na komento ay nagpapakita ng kritikal na pagbubukod.
Hakbang-hakbang: Pagsusuri ng feedback sa AI
- anonymize. Alisin ang mga identifier tulad ng pangalan, pangalan ng doktor, numero ng kuwarto sa mga komento.
- Hatiin ito ayon sa tema. Hilingin sa AI na ipangkat ang mga komento sa mga karaniwang paksa; Tinutukoy mo ang bilang ng mga pamagat.
- Alisin ang emosyonal na tono ngunit i-verify ito. Kunin ang positibo/negatibong rate para sa bawat tema; Pagkatapos ay basahin mo mismo ang mga sample na komento.
- Pananaw sa pagkilos. Piliin ang pinaka-madalas at nasusunog na tema; Ang isang kongkretong panukala sa pagpapabuti ay binalangkas.
- Sample na kontrol. Ilang tao ang sumulat nito, sino ang sumulat nito, kinatawan ba ito? Gawin ang paglalahat ayon sa limitasyong ito.
- Desisyon ng pamamahala. Ang desisyon sa pagpapabuti at pag-prioritize ay pag-aari ng manager; Inihahanda lang ng AI ang insight.
Babala: Ang isang numero tulad ng "78 porsyentong positibo" na ibinigay ng AI ay maaaring maling nabasa ang kabalintunaan at pagtanggi. Tiyaking magbasa ka ng ilang mga hilaw na review para sa bawat tema at tingnan kung ang tag ay tumutugma sa katotohanan.
tatlong mini case
Case 1 — Nakatagong tema. Isang ospital ang nakaipon ng 640 libreng komento kada buwan; walang makakabasa ng lahat. Ibinigay ng unit ng mga karapatan ng pasyente ang hindi kilalang komento sa YZ at itinalaga ang mga ito sa tema. Ang pinakamalaking negatibong tema ay hindi "oras ng paghihintay" gaya ng inaasahan, ngunit "pagkalito sa ruta" (hindi malaman ng mga pasyente kung saang palapag ang pupuntahan). Sa pamamagitan ng simpleng pag-aayos ng signage at guidance personnel, ang temang ito ay bumaba nang malaki sa loob ng dalawang buwan. Ginawang nakikita ng AI ang nakatagong tema; Ang solusyon ay pag-aari ng koponan.
Kaso 2 — Irony bitag. Isang unit ang natuwa sa buod ng "82 percent positive" ng AI at sinabi sa management na "mataas ang satisfaction." Binasa ng dekalidad na opisyal ang mga sample na komento: Ang mga nakakatawang pangungusap tulad ng "Nakakamangha, nakuha ko 2 oras pagkatapos ng oras ng appointment" ay itinuturing na positibo. Ang aktwal na positibong rate ay mas mababa. Na-calibrate ng handler ang AI tag sa pamamagitan ng pagbabasa ng ilang dosenang komento at itinama ang presentasyon.
Kaso 3 — Sampling bias. Sa isang klinika ng outpatient, 45 na tao lamang ang tumugon sa online na survey, at karamihan ay negatibo. Nag-panic ang isang manager na "nabangkarote na ang polyclinic." Ipinaalala ng analyst na ang 45 taong ito ay isang maliit at biased slice ng 3,200 na mga pasyente sa buwang iyon, at ang mga galit na tao ay tumugon nang higit pa sa survey. Sa halip na panic, isang kinatawan na exit poll ang inilunsad; Ang tunay na larawan ay mas balanse.
Apat na maaaring kopyahin na mga template
1) Pagkuha ng tema:
Ang iyong tungkulin: katulong sa analyst ng karanasan ng pasyente. Nasa ibaba ang mga anonymous na komento ng freelance na pasyente (walang pangalan/pangalan ng manggagamot). Gawain: hatiin ang mga komento sa 6-8 karaniwang tema (hal. paghihintay, komunikasyon, paglilinis, referral, bayad). Ibigay kung gaano karaming mga komento ang mayroon ka para sa bawat tema at magbigay ng 2 sample na quote. Huwag gumawa ng mga komento; Gamitin mo lang ang binigay ko sayo.
2) Sentiment + alerto sa pagpapatunay:
Ibawas ang positibo/negatibo/neutral na ratio para sa bawat tema. PERO ituro na ang irony, negation at sarcastic na mga expression ay maaaring iligaw ang tag ng emosyon, at ilista ang 5 komentong hindi mo sigurado tungkol sa hiwalay bilang "manu-manong sinuri." Nagtatanghal bilang isang eksaktong porsyento; magbigay ng approx.
3) Insight na nakatuon sa aksyon:
Piliin ang pinakamadalas at pinaka-negatibong tema. Para sa temang ito: isang balangkas ng posibleng ugat, 3 pagpapahusay na maaaring ipatupad sa maikling panahon, at ang tinantyang epekto/gastos ng bawat isa. Sabihin na ito ay isang mungkahi at ang desisyon ay nasa tagapamahala.
4) Halimbawang control note:
Sa pagsusuring ito, ang kabuuang bilang ng mga tugon [N] ay ang bilang ng mga pasyente sa panahong iyon [M]. Sumulat sa akin ng isang babala tungkol sa pagiging kinatawan ng sample: kung ang rate ng pagtugon ay mababa o ang mga galit na pasyente ay labis na kinakatawan, ipaliwanag ang mga panganib ng pag-generalize ng mga resulta sa 4 na puntos.
Mahinang prompt / Malakas na prompt
Mahinang prompt:
Sabihin sa akin kung ang mga komentong ito ay mabuti o masama, ilang porsyento ang nasiyahan.
Walang mga tema, walang pag-verify, walang sample na babala; Nagbabalik ito ng isang mapanlinlang na porsyento.
Napakahusay na prompt:
Nasa ibaba ang [N] anonymous na mga komento ng pasyente, bilang ng mga pasyente noong panahong iyon [M]. Paghiwalayin ang mga komento ayon sa tema, magbigay ng tinatayang emosyonal na tono para sa bawat tema ngunit markahan kung hindi sila sigurado dahil sa kabalintunaan/negasyon. Bumuo ng isang mungkahi para sa pagpapabuti sa pinakanasusunog na tema at magdagdag ng isang babala tungkol sa pagiging kinatawan ng sample.
hakbang
Kontribusyon ng AI
kontrol ng tao
Paghihiwalay ng tema
Mga pangkat ng daan-daang komento
Makahulugan ba ang mga pamagat?
tag ng damdamin
Gumagawa ng mabilis na tono
Irony/negation control
pananaw
draft ng pagpapabuti
Paglalapat, gastos
paglalahat
Nagbibigay ng buod
Kinatawan ba ang sample?
Mga karaniwang pagkakamali
- Pagtanggap sa etiketa ng emosyon kung ano ito. Ang kabalintunaan at pagtanggi ay nakaliligaw; Basahin ang mga halimbawa.
- Paglalahat mula sa maliit/biased na sample. 45 galit na komento ay hindi kumakatawan sa lahat ng mga pasyente.
- Pag-bypass ng anonymization. Maaaring kasama sa mga komento ang pangalan ng manggagamot/pasyente; tanggalin ito.
- Nakatuon lamang sa negatibo. Ang mga positibong tema ay nagpapahiwatig din kung ano ang iyong poprotektahan.
- Nagkakamali ng insight para sa desisyon. Ang desisyon at priyoridad para sa pagpapabuti ay pag-aari ng tagapamahala.
Tip: Sa dulo ng bawat pagsusuri, magbasa ka ng 15-20 random na raw na komento at ihambing ang mga ito sa tag ng AI. Ang 10 minutong “calibration” na ugali na ito ay nakakakuha ng irony at negation traps at nagtuturo sa iyo kung gaano ka dapat magtiwala sa AI brief.
Sa buod
Ang data ng kasiyahan ng pasyente ay nasa parehong mga marka at libreng text, at ang AI ay napakalakas sa paghiwa-hiwalay ng daan-daang komento sa mga tema at pagbubuod ng mga ito. Ngunit ang awtomatikong label ng emosyon ay nagkakamali sa panig ng kabalintunaan at pagtanggi; Kadalasang may bias ang sampling ng survey. Samakatuwid, hindi maaaring gawing pangkalahatan ang output ng AI nang walang pag-verify na may mga raw interpretasyon at laki ng sample. Ang pagkawala ng lagda ay pinananatili, ang pananaw ay inihanda; Ngunit ang desisyon at priyoridad para sa pagpapabuti ay palaging nasa manager.
Gawain ng aplikasyon
Kumuha ng hindi kilalang hanay ng komento (20-30 komento, totoo o hypothetical). Tanungin ang AI para sa tema at tono gamit ang mga template na “Theme inference” at “Emotion + validation alert”. Pagkatapos ay basahin ang hindi bababa sa 10 hilaw na komento sa iyong sarili at ihambing ang mga ito sa tag ng AI; Isulat kung ilan sa kanila ang iyong hinanap dahil sa irony/negation at ang pagiging kinatawan ng sample sa 5 item.
checklist
- [ ] Nag-anonymize ba ako ng mga komento (walang pangalan ng pasyente/manggagamot)?
- [ ] Na-calibrate ko ba ang sentiment tag sa mga hilaw na komento?
- [ ] Isinaalang-alang ko ba ang sample size at bias?
- [ ] Naghanap ba ako ng parehong positibo at negatibong mga tema?
- [ ] Ipinaubaya ko na ba sa manager ang desisyon sa pagpapahusay at priyoridad?