集群客户洞察的声音:识别基于人工智能的早期预警系统的关键需求
Hyunwoo Choo1, Heejung Hyun1, Sungjun Hong2
1AITRICS. Inc, Seoul, Republic of Korea.
Studies in health technology and informatics
|May 17, 2025
概括
这项研究使用BERTopic分析医疗保健提供者对人工智能预警系统的反,从客户数据的语音中确定了五个关键主题.
科学领域:
- 医疗保健中的人工智能
- 自然语言处理自然语言处理.
- 数据挖掘 数据挖掘
背景情况:
- 客户之声 (VOC) 数据为医疗保健技术的用户体验提供了关键的见解.
- 基于人工智能的预警系统需要基于用户反的持续评估和改进.
- 有效的主题建模对于从大量文本数据中提取有意义的信息至关重要.
研究的目的:
- 分析来自医疗保健提供者的客户语音 (VOC) 数据,以基于人工智能的预警系统.
- 应用BERTopic框架用于VOC数据的无监督主题建模.
- 确定和描述医疗保健提供者表达的主要主题.
主要方法:
- 文本预处理管道,包括小写,止词删除和令牌化.
- 应用BERTopic模拟框架用于主题发现.
- 使用Optuna进行超参数优化,以提高模型性能 (轮得分,戴维斯-博尔丁指数,主题多样性).
主要成果:
- 成功实施了用于VOC数据的预处理管道.
- 在客户数据的分析语音中确定了五个不同的主要主题.
- 优化BERTopic参数以提高主题连贯性和独特性.
结论:
- 该BERTopic框架有效地模拟了AI医疗保健系统的用户反.
- 来自医疗保健提供者的关键主题为AI早期预警系统开发提供了可操作的见解.
- 用户反的数据驱动分析对于改进AI医疗保健解决方案至关重要.
