应用机器学习快速分析大型定性文本数据集,以告知COVID-19大流行应对:比较人类和机器辅助主题分析技术

科学领域:

• 定性研究方法 定性研究方法
• 医疗保健中的人工智能
• 公共卫生干预分析 公共卫生干预分析

背景情况:

• 定性研究人员经常分析大数据集,这可能是耗时的.
• 在流行病等不断变化的环境中,医疗干预措施的快速适应至关重要.
• 机器辅助主题分析 (MATA) 为高效的数据分析提供了一个潜在的解决方案.

研究的目的:

• 将MATA的有效性和效率与传统的人类专题分析进行比较.
• 评估MATA在支持医疗保健干预开发和快速更新方面的潜力.
• 评估COVID-19行为干预数据集上的MATA和人类分析之间的发现相似性.

主要方法:

• MATA使用了无监督主题建模方法来识别潜在的主题.
• 只有人类的专题分析涉及开发和应用代码书.
• 在正式的三角测量中使用了融合编码矩阵来比较两种方法之间的结果.

主要成果:

• 人类分析需要显著多的时间 (147.5小时) 比MATA (40小时).
• 两种方法都确定了类似的关键主题,涉及到用户对干预措施的反.
• 正式的三角测量显示了高度相似性,所有MATA代码都同意或补充人类主题.

结论:

• 通过MATA,可以节省大量的时间,同时可以获得与仅使用人类分析相匹配的结果.
• 对于需要快速分析大型数据集的定性研究人员来说,MATA是一个有价值的工具.
• 这种人工智能驱动的方法可以加速干预开发和优化,特别是在公共卫生紧急情况下.