目的实施性研究的成功执行受机构准备程度的影响。本研究旨在探索基层医疗机构实施“糖尿病共享门诊优化的实施性研究”项目(简称“SMART项目”)的组织变革准备度(organizational readiness for change,ORC)和影响因素,进而为提高ORC,...目的实施性研究的成功执行受机构准备程度的影响。本研究旨在探索基层医疗机构实施“糖尿病共享门诊优化的实施性研究”项目(简称“SMART项目”)的组织变革准备度(organizational readiness for change,ORC)和影响因素,进而为提高ORC,促进项目有效实施提供参考依据。方法通过定性访谈和定量调查,采集实施SMART项目的12家机构的ORC水平及影响因素。通过机构实施循证实践的准备程度评估量表定量采集ORC水平;对变革执行者进行定性访谈,收集影响因素存在状态,利用主题分析法从访谈结果中提取影响因素条目,编制影响因素作用程度问卷,并采用该问卷收集变革执行者对影响因素作用程度的评估。采用模糊集定性比较分析(fuzzy-set qualitative comparative analysis,fsQCA)方法确定影响因素对ORC的影响和良好ORC实施路径。结果共12家SMART项目试点机构的70名变革执行者参与访谈和问卷调查,受访者包括机构管理者、临床医生和健康管理人员。ORC得分中位数为105.20(101.23,107.33)。fsQCA结果显示,了解具体任务和责任、具备关键人物、做好项目前期准备、制定评估与反馈是达到高水平ORC的路径。反之,缺少关键人物与前期准备两个核心条件,或其只发挥边缘作用时,将导致机构ORC水平较低。结论实施变革前,变革执行者对变革的思想认同和认知参与程度是影响ORC的关键因素。关键人物的引领可有效促进变革准备度的提升,为后续提高实施保真度和成功率奠定基础。展开更多
当前,深度主动学习(Deep Active Learning,DAL)在分类数据标注工作中获得成功,但如何筛选出最能提升模型性能的样本仍是难题.本文提出基于弱标签争议的半自动分类数据标注方法(Dispute about Weak Label based Deep Active Learning,DWL...当前,深度主动学习(Deep Active Learning,DAL)在分类数据标注工作中获得成功,但如何筛选出最能提升模型性能的样本仍是难题.本文提出基于弱标签争议的半自动分类数据标注方法(Dispute about Weak Label based Deep Active Learning,DWLDAL),迭代地筛选出模型难以区分的样本,交给人工进行准确标注.该方法包含伪标签生成器和弱标签生成器,伪标签生成器是在准确标注的数据集上训练而成,用于生成无标签数据的伪标签;弱标签生成器则是在带伪标签的随机子集上训练而成.弱标签生成器委员会决定哪些无标签数据最有争议,则交给人工标注.本文针对文本分类问题,在公开数据集IMDB(Internet Movie DataBase)、20NEWS(20NEW Sgroup)和chnsenticorp(chnsenticorp_htl_all)上进行实验验证.从数据标注和分类任务的准确性2个角度,对3种不同投票决策方式进行评估.DWLDAL方法中数据标注的F1分数比现有方法Snuba分别提高30.22%、14.07%和2.57%,DWLDAL方法中分类任务的F1分数比Snuba分别提高1.01%、22.72%和4.83%.展开更多
文摘当前,深度主动学习(Deep Active Learning,DAL)在分类数据标注工作中获得成功,但如何筛选出最能提升模型性能的样本仍是难题.本文提出基于弱标签争议的半自动分类数据标注方法(Dispute about Weak Label based Deep Active Learning,DWLDAL),迭代地筛选出模型难以区分的样本,交给人工进行准确标注.该方法包含伪标签生成器和弱标签生成器,伪标签生成器是在准确标注的数据集上训练而成,用于生成无标签数据的伪标签;弱标签生成器则是在带伪标签的随机子集上训练而成.弱标签生成器委员会决定哪些无标签数据最有争议,则交给人工标注.本文针对文本分类问题,在公开数据集IMDB(Internet Movie DataBase)、20NEWS(20NEW Sgroup)和chnsenticorp(chnsenticorp_htl_all)上进行实验验证.从数据标注和分类任务的准确性2个角度,对3种不同投票决策方式进行评估.DWLDAL方法中数据标注的F1分数比现有方法Snuba分别提高30.22%、14.07%和2.57%,DWLDAL方法中分类任务的F1分数比Snuba分别提高1.01%、22.72%和4.83%.
