ترغب بنشر مسار تعليمي؟ اضغط هنا

جمع المعلومات وإشراك مجاربة المستخدم: نموذج حوار استناد عن المهام، نموذج حوار بصرية لتفاعلات الطبيب المريض

Gathering Information and Engaging the User ComBot: A Task-Based, Serendipitous Dialog Model for Patient-Doctor Interactions

287   0   0   0.0 ( 0 )
 تاريخ النشر 2021
  مجال البحث الذكاء الاصناعي
والبحث باللغة English
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

نحن نركز على نماذج الحوار في سياق الدراسات السريرية حيث الهدف هو المساعدة في جمع، بالإضافة إلى المعلومات الوثيقة التي تم جمعها بناء على استبيان معلومات صريحة ذات صلة طبيا.لتعزيز مشاركة المستخدم وعنوان هذا الهدف المزدوج (جمع مجموعة من نقاط البيانات المحددة مسبقا ومعلومات غير رسمية حول حالة المرضى)، نقدم نموذج فرعي مصنوع من ثلاثة برادات: قائمة على المهام ومتابعة وبوت اجتماعي.نقدم طريقة عامة لتطوير روبوتات المتابعة.نحن نقارن تكوينات الفرقة المختلفة ونؤثر أن مزيج من الروبوتات الثلاثة (I) يوفر أساسا أفضل لجمع المعلومات من مجرد المعلومات التي تبحث عن الروبوت و (2) بجمع المعلومات بطريقة أكثر سهولة الاستخدام بطريقة أكثر فاعلية بحيث تكون فرقةنموذج يجمع بين المعلومات التي تبحث عنها والروبوت الاجتماعي.



المراجع المستخدمة
https://aclanthology.org/
قيم البحث

اقرأ أيضاً

يعرض نماذج Resunding Runing Running لتلخيص محادثة محادثة الطبيب تلقائيا العديد من التحديات: بيانات تدريب محدودة، ونقل مجال كبير، والنصوص الطويلة والصعارية، والتقلبات الموجزة عالية الهدف. في هذه الورقة، نستكشف جدوى استخدام نماذج المحولات مسبقا لتلخيص محادثات الطبيب المريض تلقائيا مباشرة من النصوص. نظهر أنه يمكن إنشاء ملخصات بطلاقة وكافية بيانات تدريبية محدودة من قبل BARTING BART على مجموعة بيانات شيدة خصيصا. تتجاوز النماذج الناتجة بشكل كبير أداء Annotator البشري المتوسط ​​ونوعية العمل المنشور السابق للمهمة. نقيم طرق متعددة للتعامل مع المحادثات الطويلة، ومقارنتها إلى خط الأساس الواضح لاقتطاع المحادثة لتناسب حد الطول المحدد مسبقا. نقدم نهجا متعدد المراحل يتناول المهمة من خلال تعلم اثنين من النماذج الدقيقة: واحد لتلخيص قطع المحادثة في ملخصات جزئية، تليها واحدة لإعادة كتابة مجموعة الملخصات الجزئية إلى ملخص كامل. باستخدام مجموعة بيانات ذات ضبط دقيقة تم اختيارها بعناية، تظهر هذه الطريقة فعالة في التعامل مع محادثات أطول، وتحسين جودة الملخصات التي تم إنشاؤها. نقوم بإجراء كل من التقييم التلقائي (من خلال Rouge ومقاييس مقرها المفهوم يركز على النتائج الطبية) وتقييم بشري (من خلال أمثلة نوعية من الأدبيات، تقييم الهلوسة، التعميم، الطلاقة، والنوعية العامة للملخصات التي تم إنشاؤها).
من المعروف أن حساسية النماذج العميقة العصبية لضوضاء الإدخال مشكلة صعبة.في NLP، يتدهور أداء النموذج غالبا مع الضوضاء التي تحدث بشكل طبيعي، مثل الأخطاء الإملائية.لتخفيف هذه المشكلة، قد تستفيد النماذج البيانات الوكيل بشكل مصطنع.ومع ذلك، تم تحديد كمية ون وع الضوضاء التي تم إنشاؤها حتى الآن بشكل تعسفي.لذلك نقترح نموذج الأخطاء الإحصائية من كورسا - تصحيح الأخطاء النحوية.نقدم تقييم شامل للعديد من متواك أنظمة NLP الحديثة لغات متعددة، مع المهام بما في ذلك التحليل المورفو النحوي، التعرف على الكيان المسمى، الترجمة الآلية العصبية، مجموعة فرعية من مرجع الغراء والفهم القراءة.نحن نقارن أيضا مناهضين لمعالجة انخفاض الأداء: أ) تدريب نماذج NLP مع البيانات الوكيل التي تم إنشاؤها بواسطة إطار عملائنا؛و ب) تقليل ضوضاء الإدخال بالنظام الخارجي لتصحيح اللغة الطبيعية.يتم إصدار الرمز في https://github.com/ufal/kazitext.
قد يساعد نظام حوار موجه نحو المهام مع التكيف مع شخصية المستخدم بشكل كبير تحسين أداء مهمة الحوار. ومع ذلك، يمكن أن يكون مثل هذا نظام الحوار صعبة عمليا للتنفيذ، لأنه من غير الواضح كيف تؤثر شخصية المستخدم على أداء مهمة الحوار. لاستكشاف العلاقة بين شخصية المستخدم وأداء مهمة الحوار، سجلنا المشاركين عبر الجماعة الجماعية للإجابة الأولى على استبيانات الشخصية المحددة ثم الدردشة مع نظام حوار لإنجاز المهام المعينة. تم استخدام نظام حوار يستند إلى القواعد في مهمة Wizard-of-of-of-of-of-of-of-of-of-of-ofoz (Multioz) السائدة. تم جمع وتحليل وتحليل وتحليل وتحليلها ما مجموعه 211 شخصي مشاركين وحوارات 633. كشفت النتائج أن الأشخاص المؤنسين والمنفتحين يميلون إلى فشل المهمة، في حين أن الناس العصبي كانوا أكثر عرضة للنجاح. استخرجنا الميزات المتعلقة بسلوكيات حوار المستخدم وأداء تحليل آخر لتحديد أي نوع من السلوك يؤثر على أداء المهام. ونتيجة لذلك، حددنا أن متوسط ​​طول الكلام والانفجارات لكل كلام هي الملامح الرئيسية لسلوك الحوار مرتبطة بشدة مع كل من أداء المهام وشخصية المستخدم.
في هذه الورقة، نقترح نموذجا مقرا له عناية سياقية مع تدريبات دقيقة على مرحلتين باستخدام روبرتا.أولا، نقوم بإجراء النغمة الجميلة في المرحلة الأولى على Corpus مع روبرتا، بحيث يمكن للنموذج أن يتعلم بعض المعرفة المسبقة المجال.ثم نحصل على التضمين السياقي ب كلمات السياق بناء على التضمين على مستوى الرمز المميز مع النموذج الدقيق.ونحن نستخدم KFOFT التحقق من الصحة للحصول على نماذج K وفرقة لهم للحصول على النتيجة النهائية.أخيرا، نحن نحصل على المركز الثاني في مرحلة التقييم النهائي من المهمة الفرعية 2 مع ارتباط بيرسون ب 0.8575.
تصف هذه الورقة نظامنا المشارك في المهمة 7 من Semeval-2021: الكشف عن الفكاهة والجريمة.تم تصميم المهمة للكشف عن الفكاهة والجريمة التي تتأثر بالعوامل الذاتية.من أجل الحصول على معلومات دلالية من كمية كبيرة من البيانات غير المسبقة، طبقنا نماذج اللغة المدر بة مسبقا غير مدبونة.من خلال إجراء البحوث والتجارب، وجدنا أن نماذج Ernie 2.0 و Deberta مدربة مسبقا حققت أداء مثير للإعجاب في مختلف المهام الفرعية.لذلك، طبقنا النماذج المدربة مسبقا أعلاه لضبط الشبكة العصبية المصب.في عملية ضبط النموذج بشكل جيد، اعتمكن من استراتيجية التدريب المتعدد المهام وطريقة تعلم الفرقة.استنادا إلى الاستراتيجية والطريقة المذكورة أعلاه، حققنا RMSE 0.4959 ل SubTask 1B، وفاز أخيرا في المقام الأول.

الأسئلة المقترحة

التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا