一个主题建模方法,用于分析和分类电子医疗保健文件在 Afaan Oromo 没有标签信息的标签信息

科学领域:

• 自然语言处理自然语言处理.
• 计算语言学 计算语言学
• 医疗信息学 医疗信息学

背景情况:

• 奥罗莫语是一个资源较低的语言,具有有限的自然语言处理工具.
• 现有的以英语为中心的NLP工具由于语言差异和资源短缺,对 Afaan Oromo 无效.
• 在奥罗莫语的非结构化的健康文件对信息提取和分类提出了挑战.

研究的目的:

• 开发一个主题建模框架,用于分析非结构化的 Afaan Oromo 健康文档.
• 通过采用无监督学习方法来解决缺乏标记数据的问题.
• 为了使医疗文本的有效分类和识别合适的医疗专家.

主要方法:

• 在 Afaan Oromo 文档中使用隐藏的 Dirichlet 分配 (LDA) 进行无监督的主题发现.
• 开发了一个词汇词典,以根据单词模式和分布提取潜在的主题.
• 使用关键字输入和人类对主题连贯性的评估来分类主题.

主要成果:

• 基于LDA的主题建模框架成功识别了未标记的健康文件中的潜在主题.
• 在测试文档上对主题分类实现了79.17%的有希望的准确性.
• 获得了79.66%的F1得分,表明主题建模的强大表现.

结论:

• 使用LDA的主题建模为分析资源稀缺的语言提供了有效的解决方案,例如 Afaan Oromo.
• 该框架显示了医疗文件分类和专家匹配中的应用潜力.
• 该研究强调了在资源不足的语言环境中对NLP任务的无监督方法的价值.