原始论文
摘要
背景:由于偏见相关话语的情感性质,关于偏见等话题的教学和学习具有挑战性。然而,在健康专业教育中,由于许多原因,情感研究具有挑战性。随着机器学习和自然语言处理的出现,情感分析(SA)有可能填补这一空白。
摘要目的:为了提高我们对情绪在偏见相关话语中的作用的理解,我们在卫生专业人员中开发并进行了偏见相关话语SA。
方法:我们进行了两个阶段的准实验研究。首先,我们在现有的卫生专业人员关于偏见的访谈档案中开发了一个SA(算法)。SA是一种评估文本数据情感的分析机制,它为文本组件分配分数,并为文本计算和分配情感值。接下来,我们将SA算法应用于Twitter上包含与公平相关的话题标签的社交媒体话语归档,以比较卫生专业人员和普通民众之间的情绪。
结果:当在初始存档上进行测试时,我们的SA算法与人类对情感的评分相比是高度准确的。对与偏见相关的社交媒体话语的分析表明,当在与专业相关的账户上讨论社会问题时,卫生专业人士的推文(n=555)比一般人群(n=6680)的中性程度要低(n=6680)。χ2(2 n = 555)) = 35.455;P<.001),这表明卫生专业人员在推特上发布的帖子比普通人群更有感情。
结论:卫生专业人员更有可能在社交媒体上就与公平相关的问题表现和传达情感,这一发现对有关卫生专业教育的敏感话题的教学和学习具有启示意义。因此,在设计、实施和评估与公平和偏见相关的教育时,必须考虑到这种情绪。
doi: 10.2196/33934
关键字
简介
关于解决卫生专业人员偏见问题的研究发现,关于偏见等话题的反馈对话会引发防御性反应[
, ].然而,这些情绪并没有劫持学习过程,因为学习者仍然认为他们的经历是积极的,同时认为关于他们偏见的反馈是可行的。 ].这一发现在反馈文献中是独一无二的,一般认为反馈的目标应该远离自我,以避免劫持反馈过程。 ].这一悖论表明,有必要进一步探索情绪如何在卫生专业人员之间调解关于偏见的对话。在讨论有关偏见或公平的话题时,理解情绪的作用对推进该领域的教育至关重要。我们知道,情绪在自我概念和学习之间的中介关系中起着重要作用。如果面对他们的偏见,学习者可能会感知到一种威胁,因此认为情况有一个消极的成就价值,导致消极情绪。消极情绪可能会阻碍信息回忆,促进对信息内容的回避。
].并不是所有的情绪都对学习有负面影响。例如,对于变革性学习和需要不和谐、批判性反思、促进对话、行动和行为改变的类似方法来说,情绪是必不可少的[ ].理解与偏见或公平教育相关的情绪的重要性,在引发防御性或怀疑性反应时尤为突出。当挑战学习者对于他们没有偏见的错误信念的认知时,情绪可能会导致适得其反的效果,即使在试图反驳之后,也会加强对这些错误信息的信念[
, ].这可能导致学习者花费大量的认知资源来反驳反驳。 , ,并激活更多支持他们最初错误信念的证据。在我们之前的工作中,我们发现,存在偏见并因此容易受到其影响的想法,对卫生专业人员的一种坚定信念构成了威胁,即他们必须在工作中不存在偏见[
].研究表明,根深蒂固的信念,例如认为卫生专业人员不能有偏见的想法,是卫生专业人员自我意识的组成部分[ , ].因此,偏见接受可能被视为身份威胁,并引发自我保护反应,如防御和否认[ 恢复自我价值感[ ].关于健康职业教育中情绪的研究也可能是具有挑战性的,原因有很多。例如,在健康专业教育中,情绪如何被概念化存在着矛盾。有人认为情绪是一种生理反应,有人认为情绪是一种技能或能力,还有人认为情绪是一种社会文化媒介[
].还有本体论上的紧张,以及概念和方法上缺乏一致性[ ].尽管存在这些挑战,但我们仍需要对情绪如何影响学习有更深入的了解,以加强关于平等等情感挑战主题的教学和学习。机器学习(ML)技术的进步,如自然语言处理(NLP)和情感分析(SA),可能为开展这类研究提供一种新的方法[
].ML技术可以自动处理信息,并已应用于能力评估等应用[ ].NLP是ML的一种形式,它可以构造和提取基于文本的信息,使其可用于进一步分析[ ].NLP和高级文本分析正在越来越多地用于卫生保健环境[ , ].SA是一种评估文本数据情感的分析机制,它通过给文本组件分配分数,计算并分配文本的情感值[ ].SA在商业环境中最常被讨论,因为它允许人们通过从社交媒体上收集和分析数据来确定客户对产品和服务的整体情绪[
].在医疗保健领域,SA已用于分析关于医院服务的在线评论,以探索患者体验[ ,并应用于电子健康记录分析卫生专业行为[ ].在另一项研究中,将SA应用于twitter健康新闻,以比较健康新闻是否以更符合事实或观点的方式发布[ ].在这些例子中,研究人员承认他们缺乏临床经验,在执行他们的分析时存在局限性。例如,Gohil和他的同事承认他们的方法没有经过准确性的测试。 ].因此,如果没有进一步的研究和评价,SA在卫生专业教育研究中的潜力是有限的。我们之前对情绪和偏见相关反馈的研究可能为SA的应用提供了一个窗口。最近,关于敏感和情绪化话题的讨论从课堂讨论转向网络讨论,这可能为探究提供了机会。因此,对卫生专业人员在社交媒体上使用的语言进行更深入的分析,可能有助于洞察与公平和偏见教学相关的情绪。
总的来说,我们的研究目的是提高我们对情绪在偏见相关话语中的作用的理解。因此,我们在卫生专业人员中开展了与偏见相关的SA对话。首先,我们通过在卫生专业人员中与偏见相关的现有文档中测试我们的NLP库的准确性,来测试我们的SA算法是否准确。其次,我们利用我们的SA来比较卫生专业人员和普通大众之间对与公平相关的在线话语的情绪是否不同。
方法
情绪分析
情绪是一种基于对特定话题或项目的潜在感觉或情绪的想法、意见或想法。SA被用来分析文本,并将作者的态度划分为积极、消极或中立,前提是存在某些关键字。首先,文本被分成四个基本组件:标记、句子、短语和实体。接下来,使用两种系统中的一种应用算法。在基于规则的系统中,规则是手工制作的,以分析文本组件。具体的词汇分为否定的、中性的或肯定的,并与分数相关联。然后将这些值制成表格,以估计文本的总体情绪。在自动系统中,机器学习技术用于从数据中获取知识,并允许当前不在现有规则集中的术语。基于规则的系统和自动系统也可以结合在一起,利用初始数据库作为参考,同时允许加入新的术语和更改情感值[
].步骤1:开发和测试我们的SA算法
我们从一个叫做TextBlob的NLP库中开发了一个潜在的SA算法。这个库是在一个工具包的基础上建立起来的,使用了许多不同的资源,这些资源用途广泛,包含了从电影评论到在线对话的数百万份培训文本。TextBlob使用naïve贝叶斯分类器,这是一个自然语言工具包(NLTK),是从电影评论语料库中训练出来的。数以百万计的评论被分割成标记,被赋予积极或消极的值,以允许整个消息的情绪被解释。
由于naïve贝叶斯是一个生成模型,而其他方法,如线性回归(LR)是鉴别的,我们认为Naïve贝叶斯是一个更强的模型,用于小型数据集,需要扩展到最初用于训练的语料库之外。这只有在独立的假设成立的情况下才成立,我们的数据就是这样。此外,naïve贝叶斯在有分类输入变量的情况下表现良好,本研究也是如此。最后,TextBlob有很好的文档记录,因此很容易集成到我们现有的算法中[
].为了确定我们新开发的SA算法的准确性,我们利用了一组预先存在的、去识别的健康专业人员的访谈数据集,以了解他们的隐性偏见。去识别数据的二次分析不需要伦理批准。我们对转录后的访谈进行SA,对他们的潜在情绪进行评分。然后,我们将机器评分与人工评分的情感分类进行比较,人工评分是在算法执行之前完成的。这一比较使我们能够在卫生专业教育和实践的背景下确定算法的准确性。我们计算了我们算法的准确性,通过计算有多少访谈被正确计算与手动评分值进行比较。
第二步:SA在Twitter Archive中的应用
我们收集了公开可用的tweet的存档,包括通过Twitter应用程序编程接口(API)显示名称、用户名和用户传记等元数据。如果这些“推文”包含特定的标签(通常用于讨论与偏见相关的话题),就会被存储起来。这些标签包括“#所有生命都重要/#ALM”、“#黑人生命都重要/#BLM”、“#HeForShe”、“#ImplicitBias”、“#RepresentationMatters”和“#无意识偏见”。
然后将我们的档案分类为两个数据库,“健康专业人士”和“普通人群”,我们通过搜索显示名称、用户名或传记中的特定标记来区分每个组,手动检查这些标记,以确保数据集中的所有人都符合健康专业人士的分类。那些“推文”属于普通人群的人,除了使用话题标签外,不需要满足其他标准。
数据收集过程始于2020年1月12日的第一次官方数据提取,并从2020年3月29日开始收集了约三个月,当时数据库已足够分析。最终的档案包含555条来自健康专业人士的“推文”和6680条来自普通民众的推文。
为了比较卫生专业人员和普通民众之间的情绪得分,我们计算了“卫生专业人员”和“普通民众”两个数据库中“积极”、“消极”和“中立”三个类别的总得分。一般人口比例的目的是作为一个期望值,并确定卫生保健专业人员是否与这一标准不同。这允许我们进行卡方拟合优度检验。在与当地流行病学和生物统计学专家进行方法学咨询后,选择卡方拟合优度检验。一般来说,卡方可以让研究人员推断和测试类别变量之间的关系。拟合优度检验用于评估样本数据是否代表了一个完整的总体。由于我们的研究样本试图比较健康专业话语和一般人群之间的情绪,我们认为拟合优度检验将是适当的。
我们注意到,普通民众和卫生专业人员之间收集的数据量在数量上有很大差异。我们选择使用比例,因为数据的数量可能具有误导性。由于包含的健康专业推文较少,我们缩小了这个组,以便有更多的具体数字用于统计分析。例如,在给定的数据拉拔中,如果来自普通人群的负面推文有150/500条,而来自卫生专业人员的负面推文有12/20条,那么原始数量的比较就会造成分析和解释的偏差。因此,观察值由卫生专业人员数据集中各类别的计数组成。期望值是每一类在一般人口数据集中所占的比例乘以卫生专业人员数据集的总和。保持0.05的标准显著性值,考虑到有三个类别,存在两个自由度,我们得出anχ2偏离一般人群的值为9.21,才被认为具有统计学意义。
编程规范
我们的SA算法是用Python 3.0编写的。这是一个面向对象的程序,它使用类方法处理Twitter API凭据,授权对数据库的访问,并在检索“tweet”时利用NLP。类方法引用算法的结构,这意味着类、程序代码模板和方法都绑定到类上,而不是类的对象。在编程中,类指的是特定对象的描述符,而不是对象本身。我们的算法为每个标签开发了一个Python脚本,然后编写了一个bash脚本文件,以便方便地访问收集数据。bash文件指的是包含一系列命令的文本文件。在本研究中,bash文件包含运行Python算法以收集数据和填充数据库的命令。总的来说,我们在准确性测试和推特分析这两个部分使用了相同的算法。但是,有一些轻微的修改,比如在本地检索数据时从本地准确性测试脚本中删除身份验证。
结果
为了测试NLP库对所进行的访谈的准确性,有53名卫生专业人员,包括注册护士和医生。当我们测试原始算法时,我们的工具能够准确地识别出超过所需数量的潜在情绪。
在53次访谈中,有44次(83%)在使用引用的方程时对情绪进行了正确的评估,这返回了0.82的准确性,高于要求的阈值0.75。由此得出的结论是,使用TextBlob库是非常准确的,但不会有微小的偏差。尽管如此,当应用到诸如医疗保健等主题时,它仍然可以被高度自信地利用。
提供分数的分类。当将算法应用于收集到的推文时,医护专业人员和普通民众之间的情绪有明显的差异。这一差异突显出,来自医疗保健专业人士在社交媒体上的专业账户的中立推文所占比例较小。这种差异被证明具有统计学意义。
当使用卡方检验方程拟合优度时,aχ2实现了35.455的值(χ2[2, n= 555]=35.455;P<措施)。由于该值高于达到显著性所需的9.21,因此可以认为结果具有统计学意义。因此,可以这样说,医疗保健专业人员在他们的推特帖子上比一般人附上更多的情感。
提供分数和比较的更详细的分类。 而且 提供情绪评分的说明。 结果表明,医护专业人员的情绪比预期的更积极、中性和负面。 显示了医疗保健专业人员的推文与具有相同指定话题标签的推文的一般人群之间的情绪差异。这一数字表明,与普通人群的推文相比,卫生专业人员的推文更积极,更少消极,几乎处于相同的中立水平。 提供示例tweet的分类。集团 | 总面试 | 正确的得分 | 精度 |
儿科医生 | 11 | 10 | 0.90 |
儿科护士 | 10 | 8 | 0.80 |
精神科护士 | 11 | 10 | 0.90 |
精神的居民 | 10 | 7 | 0.70 |
精神科医生 | 11 | 9 | 0.82 |
总计 | 53 | 44 | 0.83 |
情绪得分 | 观察到的 | 预期 | 区别 | 不同的平方。 | 不同的平方。/ Exp Fr。一个 |
积极的 | 275.00 | 211.18 | 63.82 | 4073.3773 | 19.2889 |
负 | 42.00 | 70.70 | -28.70 | 823.5057 | 11.6484 |
中性 | 238.00 | 273.13 | -35.13 | 1233.8518 | 4.5175 |
总计 | 35.455b |
一个预期的分数。
b卡方统计值用于确定统计显著性。
观察到的 | 预期 | |
积极的 | 275 | 211.18 |
负 | 42 | 70.7 |
中性 | 238 | 273.13 |
卫生专业人员 | 一般人群 | |
积极的 | 45.66 | 38.22 |
负 | 5.2 | 12.74 |
中性 | 49.14 | 4904 |
积极的 | 中性 | 负 | |
卫生专业人员 | 这是#女性历史月,#AMWA将在整个月里聚焦不可思议的#女性医学! | 请加入我们参加医学多样性大会#残疾医生# | 也许如果我足够努力,差点死于COIVD,我的病人就会开始叫我“医生”,而不是“小姐” |
一般人群 | 从一个安全的地方到一个勇敢的地方,来解决#隐性偏见#CCM49的问题。 | 查看这期深度播客,内容是关于教育科学界#隐性偏见# | 性别偏见不好看#性别偏见#检查你的性别偏见#无意识偏见 |
讨论
主要研究结果
卫生专业人员更有可能在社交媒体上就与公平相关的问题表现和传达情绪,这一发现对卫生专业人员在与公平和偏见相关的敏感话题上的教学和学习具有启示意义。这种情绪可能会影响学习过程,因此在设计、实施和评估与公平和偏见有关的教育时必须考虑到这一点。
健康职业教育中的情感与认同
通过这项研究,我们的目的是进一步了解情绪如何通过SA影响公平和偏见相关的教育。通过利用ML技术、NLP和SA的进步,我们开发、测试并应用了一种新的SA算法到社交媒体话语中。我们的研究结果表明,与普通公众相比,卫生专业人士更有可能在社交媒体上表达与公平相关的话题的情绪。尽管先前的研究发现证据表明,卫生专业人员和公众对关于偏见的讨论都有防御性反应[
- ,我们的SA研究结果表明,卫生专业人员可能特别容易通过积极的情绪作为回应来防御和反击。这一发现与之前关于防御机制的研究相一致,这些研究旨在解决个人在延续偏见或歧视中所扮演的角色这一现实问题。
].我们的研究为学习者提供了反应形成作为一种防御的证据。反应形成(Reaction formation)指一个人形成的态度与自己威胁性或不可接受的实际想法相反。 ].通过传达更高程度的积极情绪,卫生专业人员可能试图表现出他们更中立或客观,而实际上,他们表现出的偏见程度与一般人群相同[ ].我们还发现,卫生专业人员和公众之间的情绪差异表明,卫生专业人员不仅传达了更多的情绪,而且与公众相比,他们在积极情绪方面表现出更大的情绪差异,而公众在消极情绪方面传达了更大的差异。卫生专业人员中更积极的情绪表明,卫生专业人员使用Twitter的方式与普通公众不同。因此,我们的研究结果建议那些试图挑战卫生专业人员中立或客观的规范性思维的卫生专业教育工作者要谨慎。当出现这种挑战时,可能需要有经验的辅导员来调解和调节师生之间的情绪[
].情感与社交媒体
社交媒体话语提供了一个探索个人如何对社会问题和世界事件做出反应的机会。推文提供了一种数据来源,可以根据情绪自动分类,从而洞察特定话题的情感本质。虽然SA以前被用于数字营销或意见挖掘,但它在卫生专业教育研究中的应用迄今为止相当有限。
与公平和偏见相关的全球事件和社会运动,如#黑人的生命很重要#和#乔治·弗洛伊德的正义#,强调了社交媒体话语的重要性,因为它涉及到关于偏见的教学和学习。卫生专业人员和公众在意外事件期间的这种反应可以为集体意义的形成提供证据[
,情感的社交分享[ ],以及个别的接近/回避策略[ ].情绪还可以调解不同社会群体之间的接触如何有效地消除偏见[ ].在我们的研究中,SA可能是分析这类语篇的有效工具。然而,在有效应用SA之前,需要确保其在卫生专业教育背景下的准确性和实用性。我们的研究提供了一个SA算法的例子,该算法在应用之前进行了准确性测试。该算法可用于未来的研究,以分析与社交媒体话语相关的情绪,并可能在未来应用于其他类型的档案,如电子健康记录。
健康职业教育中的情感分析
将自然语言处理应用于文本数据的教育目的正以快速的速度发展。SA在评估教学、设计政策、加强学习系统和教育研究方面显示出了潜力[
].例如,SA已经被用来分析学生的反馈来改进教学[ - ]并透过学习日记追踪学生在纵向学习活动中的情绪[ ].然而,关于如何在卫生专业教育背景下具体应用情境分析的研究还很匮乏。我们的研究为未来的研究人员开发和利用SA的各种目的提供了一个例子和模板。我们还希望,我们的工作可以为关于偏见的教学和学习的感性本质提供见解,并为未来为卫生专业学习者开发、实施和评估反偏见和反种族主义课程提供信息。
关键含义和未来方向
卫生专业教育工作者要在设计、讲授和评估与公平或偏见相关的课程时有效地考虑到情绪,教育工作者应预料到在情绪被激发时的防御性反应,并确保熟练地促进敏感或情绪化的讨论。我们关于卫生专业人员和公众之间社交媒体话语的独特性质的发现还表明,卫生宣传课程必须增加宣传的数字方面的信息。此外,现有的数字专业知识的教学可能受益于关于情感的信息,以及通信的数字方面与传统媒体的区别。
限制
SA方法的一个关键限制是,SA关注情绪价值的分类方面,如积极、消极或中性。这限制了我们理解反映个人经历的微妙情绪状态的能力。过去关于个人如何应对与他们的偏见相关的潜在威胁反馈的研究强调,矛盾心理可能是他们如何应对身份威胁并朝着改变前进的一个重要组成部分。
].因此,需要进行更多的研究,特别是研究如何感知情况,以及个人和社会资源,个人经历或必须应对可能干扰学习的情绪。使用NLP的另一个重要限制是它需要训练分类模型。这需要密集的学习和手工分类,最精确的模型仍在继续改进。然而,最有效的模型尚未经过训练,无法对卫生保健特定数据进行分类。虽然这项研究已经证明了较高的准确率(0.83),但必须认识到它不是包罗万象的,容易出错。尽管如此,准确性只会继续提高,反过来,这些模型将变得更加相关。重要的是要确保在这些培训过程中使用保健数据。
我们的研究是在2019年进行的,当时BERT(来自变压器的双向编码器表示)模型不太常用。尽管这样的模型允许利用语言可接受性语料库的架构进行更好的句子处理,但它们需要一个非常大的测试数据语料库来进行模型,这并不一定符合我们的标准和潜在的限制准确性。
此外,值得注意的是,任何NLP算法本身都存在不可避免的偏差,因为人类设计的方法可能会受到训练数据集中存在的偏差的影响。这是未来工作的一个领域,应该考虑到健康教育中的SA随着更大数据集的发展而发展。
最后,我们认识到我们的SA不是使用来自公众的数据开发的;然而,我们认为在普通公众的推特上使用它是合理的,因为之前对普通公众对偏见相关反馈的防御反应的研究与我们之前的研究和其他研究一致。
结论
为了探索情绪在卫生专业人员关于偏见和公平的教学和学习中的作用,我们开发并测试了偏见相关话语的SA算法。我们开发了一种高度精确的SA算法,证明与普通人群相比,卫生专业人员在社交媒体上交流偏见时使用了更高程度的情绪。我们的研究结果支持在公平和偏见相关教育的设计、实施和评估中必须考虑情绪因素。
致谢
这项工作得到了安大略西南医学学术组织的资助。
利益冲突
没有宣布。
参考文献
- 苏凯拉J,米尔恩A, Teunissen PW,林加德L, Watling C.真实自我与理想化自我:探讨健康专业人员对内隐偏见反馈的反应。2018年4月;93(4):623-629。[CrossRef] [Medline]
- 苏凯瑞,王晓燕,王晓燕。认同与内隐偏见识别与管理的关系研究。医学学院2018年11月;93(11S美国医学院学会服务领导:第57届医学教育年度研究会议论文集):S82-S88。[CrossRef] [Medline]
- Sukhera J, Wodzinski M, Milne A, Teunissen PW, Lingard L, Watling C.内隐偏见和反馈悖论:探索卫生专业人员如何在质疑其可信度的同时参与反馈。Acad Med 2019 Aug;94(8):1204-1210。[CrossRef] [Medline]
- 反馈干预对绩效的影响:历史回顾、元分析和初步反馈干预理论。心理上的公告。1996.URL:https://doi.org/10.1037/0033-2909.119.2.254[2021-01-31]访问
- 王晓燕,王晓燕,王晓燕。知识复习过程中的认同与认知情绪:逆火效应的一个潜在解释。《话语过程》2016。URL:https://doi.org/10.1080/0163853X.2015.1136507[2021-01-31]访问
- Sukhera J, Watling CJ, Gonzalez CM。卫生职业的内隐偏见:从承认到转变。Acad Med 2020 5月;95(5):717-723。[CrossRef] [Medline]
- Lewandowsky S, Stritzke WGK, Oberauer K, Morales M.关于事实、虚构和错误信息的记忆:2003年伊拉克战争。精神科学2005年3月16日(3):190-195。[CrossRef] [Medline]
- 莱万多夫斯基S,斯特里茨克WGK,弗洛因德AM,奥伯劳尔K,克鲁格JI。错误信息、虚假信息和暴力冲突:从伊拉克和“反恐战争”到未来对和平的威胁。Am Psychol 2013 Oct;68(7):487-501。[CrossRef] [Medline]
- 游戏玩家反对暴力电子游戏作为社会身份威胁的科学实证研究。EASP中型会议?群体间冲突:沟通的认知、情感和行为后果?Soesterberg, Niederlande. 2013。URL:https://doi.org/10.1002/ejsp.1998[2022-02-18]访问
- 当纠正失败:政治误解的持续存在。《政治行为》2010。URL:https://doi.org/10.1007/s11109-010-9112-2[2021-01-31]访问
- 《镜子中的偏见》探讨健康职业教育中的隐性偏见。Datawyze Maastricht 2018年11月29日:E-170。[CrossRef]
- 卡汉DM,彼得斯E,道森EC,斯洛维奇P.激励的计算和开明的自治。Behav。2017公共政策5月31日;1(1):54-86。[CrossRef]
- 我是谁?我将如何度过我的一生?个人和集体身份是行动的动力。教育心理学家。2009.URL:https://doi.org/10.1080/00461520902832368[2021-01-31]访问
- Teal CR, Shada RE, Gill AC, Thompson BM, Frugé E, Villarreal GB,等。当善意不够时:帮助医科学生制定管理对病人偏见的策略。J Gen Intern Med 2010年5月;25日增刊2:S115-S118 [免费全文] [CrossRef] [Medline]
- 纠正关于流感疫苗的误区有效吗?纠正信息效果的实验评价。疫苗2015年1月09日;33(3):459-464。[CrossRef] [Medline]
- 医学教育中情感的论述:永远存在的缺失。医学教育2013年1月;47(1):71-79。[CrossRef] [Medline]
- 克洛克·P,库克·P,柯森斯J,米尔伯恩P, Widdowfield R.伦理,反身性和研究:与无家可归者的相遇。伦理,地点与环境2010年7月;3(2):133-154 [免费全文] [CrossRef]
- James CA, Wheelock KM, wooliscroft JO。机器学习:医学教育的下一个范式转变。Acad Med 2021 7月01日;96(7):954-957。[CrossRef] [Medline]
- Dias RD, Gupta A, Yule SJ。利用机器学习评估医生能力:系统综述。2019年3月94日(3):427-439。[CrossRef] [Medline]
- 自然语言处理及其在医学中的应用前景。医学学院1999年8月;74(8):890-895。[CrossRef] [Medline]
- 郝涛,黄志,梁亮,翁浩,唐斌。卫生自然语言处理方法的发展与应用。JMIR Med Inform 2021 10月21日;9(10):e23898。[CrossRef] [Medline]
- Elbattah M, Arnaud, Gignon M, Dequen G.文本分析在医疗保健中的作用:近期发展和应用综述。InHEALTHINF 2021(第825-832页)2021:825-832。[CrossRef]
- 情绪分析:一种综合方法。信息计量学报,2009。URL:https://doi.org/10.1016/j.joi.2009.01.003[2021-01-31]访问
- Mäntylä M,葛志廷D,库蒂拉M.情绪分析的演变?对研究主题、地点和被引用次数最多的论文的综述。计算机科学评论。2018。URL:https://doi.org/10.1016/j.cosrev.2017.10.002[2021-01-31]访问
- Greaves F, Ramirez-Cano D, Millett C, Darzi A, Donaldson L.使用情感分析从网上发布的自由文本评论中捕捉患者体验。J Med Internet Res 2013;15(11):e239 [免费全文] [CrossRef] [Medline]
- Gohil S, Vuik S, Darzi .医疗保健推文情感分析方法综述。JMIR公共卫生监测2018年4月23日;4(2):e43 [免费全文] [CrossRef] [Medline]
- Kolajo T, Kolajo JO。推特健康新闻的情绪分析。科学通报2018年7月17日;2(2):e4。[CrossRef]
- Kundi F, Khan A, Ahmad S, Asghar M.基于lexiconbased的社交网络情感分析。基础与应用科学学报2014年7月13日;4(6):238-248。
- TextBlob: STP。Texblog。互联网。URL:https://textblog.readthedocs.io.en/dev/index.html[2021-01-31]访问
- Howell J, Redford L, Pogge G, Ratliff K.对IAT反馈的防御性回应。《社会认知》2017。URL:https://doi.org/10.1521/soco.2017.35.5.520[2021-01-31]访问
- Howell JL, Ratliff KA。不是你一般的偏执狂:优于平均水平的效果和对内隐联想测试反馈的防御性反应。中国社会心理杂志2017年3月56(1):125-145。[CrossRef] [Medline]
- 减少内隐偏见反馈的防御性反应:感知道德威胁和改变效能的作用。实验社会心理学杂志。URL:https://doi.org/10.1016/j.jesp.2021.104165[2021-10-31]访问
- 白人辅导员学员的种族矛盾心理、种族认同与防御机制。哥伦比亚大学2005:E [免费全文]
- 现代社会心理学中的弗洛伊德防御机制和经验发现:反应形成、投射、位移、消解、孤立、升华和否认。人格杂志2002年1月04日;66(6):1081-1124。[CrossRef]
- 医疗保健专业人员的内隐偏见:一个系统的回顾。BMC Med Ethics 2017 Mar 01;18(1):19 [免费全文] [CrossRef] [Medline]
- Gonzalez CM, lyypson ML, Sukhera J.内隐偏见识别和管理教学的12个技巧。医学教学2021年12月43(12):1368-1373。[CrossRef] [Medline]
- Gilles I, Bangerter A, Clémence A, Green EGT, Krings F, Mouton A,等。集体符号应对疾病威胁与其他:以禽流感为例。2013年3月52(1):83-102。[CrossRef] [Medline]
- 王晓明,王晓明。家族成员的认知评价与情绪在家族企业系统中的作用。《家族企业战略杂志》2014。URL:https://doi.org/10.1016/j.jfbs.2013.12.001[2021-01-31]访问
- Sandover S, Jonas-Dwyer D, Marr T.研究生入学和本科医学生的学习方法,压力水平和应对方法:一个五年的纵向研究。BMC医学教育2015年1月24日;15:5 [免费全文] [CrossRef] [Medline]
- Seger CR, Banerji I, Park SH, Smith ER, Mackie DM.特定情绪作为群体间接触对偏见影响的中介:跨多参与者和目标群体的研究结果。Cogn Emot 2017 Aug;31(5):923-936。[CrossRef] [Medline]
- 杜丽亚尼提,亚科瓦克斯,Dias S, Hadjileontiadou S, Diniz J, Hadjileontiadis .情感分析技术及其在教育中的应用。2019年5月29日发表于:学习、教学和教育中的技术与创新国际会议(pp.)。施普林格可汗;2018年6月20日;希腊Thessaloniki页412-427https://doi.org/10.1007/978-3-030-20954-4_31[CrossRef]
- 李晓燕,张晓燕,张晓燕。教育环境分析。人工智能与应用前沿2013年6月13日:255-262。[CrossRef]
- 《情感分析系统在教学中的应用》。计算机2017 5月;50(5):36-43。[CrossRef]
- Munezero M, Montero C, Mozgovoy M, Sutinen E.利用情绪分析跟踪学生学习日记中的情绪。2013年11月14日出席:第十三届Koli Calling国际计算机教育研究会议(pp.);2013年11月14日;芬兰科利145-152页。[CrossRef]
- 冲突但有意识:情感矛盾心理缓冲了对内隐偏见反馈的防御性反应。2018年8月发表于:管理学会年会;2018年8月11日;塞多娜·亚利桑那16762页。[CrossRef]
缩写
API:应用程序编程接口 |
ML:机器学习 |
不良贷款:自然语言处理 |
山:情绪分析 |
梁韬编辑;提交29.09.21;P Dattathreya、M Elbattah的同行评议;对作者23.11.21的评论;修订版收到24.01.22;接受15.02.22;发表30.03.22
版权©Javeed Sukhera, Hasan Ahmed。最初发表于JMIR医学教育(https://mededu.www.mybigtv.com), 30.03.2022。
这是一篇开放获取的文章,根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)发布,该协议允许在任何媒体上不受限制地使用、分发和复制,前提是必须正确引用最初发表在《JMIR医学教育》上的原文。必须包括完整的书目信息,https://mededu.www.mybigtv.com/上的原始出版物链接,以及版权和许可信息。