این مقاله به بررسی استفاده از پردازش زبان طبیعی (NLP) برای سنجش خودکار وفاداری به آموزش راهبرد در توانبخشی بستری بیمارانی که دچار اختلالات شناختی پس از سکته مغزی شده‌اند، می‌پردازد. آموزش راهبرد، رویکردی توانبخشی چندرشته‌ای است که مهارت‌هایی را برای کاهش ناتوانی در این افراد آموزش می‌دهد. انجام ارزیابی دقیق و کارآمد از میزان پایبندی به این آموزش‌ها، از اهمیت بالایی برخوردار است. ارزیابی سنتی وفاداری به آموزش راهبرد، فرآیندی زمان‌بر و پرهزینه است، به ویژه در مطالعات بزرگ و چندمرکزی. این مقاله با ارائه یک روش خودکار مبتنی بر NLP، سعی در حل این مشکل دارد و می‌تواند تأثیر بسزایی در گسترش و بهبود کیفیت خدمات توانبخشی داشته باشد.

سکته مغزی یکی از علل اصلی ناتوانی در سراسر جهان است و بسیاری از بازماندگان با مشکلات شناختی دست و پنجه نرم می‌کنند. آموزش راهبرد به عنوان یک مداخله مؤثر برای بهبود استقلال عملکردی این افراد شناخته شده است. با این حال، اطمینان از اینکه این آموزش‌ها به درستی و مطابق با پروتکل‌های استاندارد ارائه می‌شوند، برای دستیابی به نتایج مطلوب ضروری است. سنجش وفاداری، ابزاری کلیدی برای بررسی این موضوع است، اما روش‌های سنتی آن محدودیت‌هایی دارند که این مقاله در صدد رفع آنهاست.

این تحقیق توسط گروهی از متخصصان با زمینه‌های تخصصی گوناگون انجام شده است. نام نویسندگان عبارتند از: هانتر اوسترهودت، کورتنی ای. اشنایدر، حنیف ا. محمد، مینمی شیح، الکساندرا ای. هارپر، لمینگ ژو، الیزابت آر. اسکیدمور و یانشان وانگ. این گروه شامل متخصصان توانبخشی، علوم اعصاب شناختی و پردازش زبان طبیعی است. این تنوع تخصص‌ها، به آنها امکان داده است تا یک رویکرد جامع و چندوجهی را برای حل این مسئله اتخاذ کنند.

زمینه تحقیقاتی این مقاله در تقاطع حوزه‌های توانبخشی، علوم شناختی و هوش مصنوعی قرار دارد. محققان با استفاده از ابزارهای پردازش زبان طبیعی، سعی در خودکارسازی فرآیندهای پیچیده ارزیابی در توانبخشی دارند. این رویکرد نوآورانه می‌تواند به بهبود کارایی و اثربخشی خدمات توانبخشی کمک کند و امکان ارائه مداخلات شخصی‌سازی شده‌تر را فراهم سازد.

هدف اصلی این مقاله، توسعه و ارزیابی یک روش خودکار برای سنجش وفاداری به آموزش راهبرد در توانبخشی بستری با استفاده از پردازش زبان طبیعی است. محققان سه مدل مختلف NLP را توسعه دادند: یک الگوریتم مبتنی بر قوانین، یک مدل حافظه کوتاه-مدت بلند (LSTM) و یک مدل نمایش رمزگذار دو طرفه از ترانسفورمرها (BERT). این مدل‌ها برای شناسایی نشانه‌های کلامی هدایت‌شده و هدایت‌کننده از فایل‌های ویدئویی جلسات توانبخشی طراحی شده‌اند.

بهترین عملکرد توسط مدل BERT با امتیاز F1 برابر با 0.8075 به دست آمد. این مدل سپس بر روی یک مجموعه داده اعتبارسنجی خارجی که از یک سیستم بهداشتی منطقه‌ای بزرگ جمع‌آوری شده بود، مورد آزمایش قرار گرفت و امتیاز F1 برابر با 0.8259 را کسب کرد. این نتیجه نشان می‌دهد که مدل BERT قابلیت تعمیم‌پذیری خوبی دارد و می‌تواند در شرایط مختلف عملکرد مناسبی داشته باشد. یافته‌های این مطالعه، امیدهای زیادی را در تحقیقات و عملکردهای مربوط به روانشناسی و مداخلات توانبخشی ایجاد می‌کند.

به طور خلاصه، این مقاله راهکاری نوین و کارآمد برای ارزیابی خودکار آموزش راهبرد در توانبخشی ارائه می‌دهد که می‌تواند به کاهش هزینه‌ها، صرفه‌جویی در زمان و بهبود کیفیت خدمات توانبخشی کمک کند.

روش‌شناسی این تحقیق شامل چند مرحله کلیدی است:

• جمع‌آوری داده: فایل‌های ویدئویی جلسات توانبخشی که در آنها آموزش راهبرد ارائه می‌شد، جمع‌آوری شدند.
• برچسب‌گذاری داده: بخش‌هایی از متن که شامل نشانه‌های کلامی هدایت‌شده و هدایت‌کننده بودند، توسط متخصصان برچسب‌گذاری شدند. این برچسب‌گذاری به عنوان داده‌های آموزشی برای مدل‌های NLP استفاده شد. به عنوان مثال، جملاتی مانند “سعی کن این بار از دست راستت استفاده کنی” یا “به این نکته توجه کن که زاویه بدنت را حفظ کنی” به عنوان نشانه‌های هدایت‌کننده برچسب‌گذاری می‌شدند.
• توسعه مدل‌های NLP: سه مدل مختلف NLP توسعه داده شدند:
  • الگوریتم مبتنی بر قوانین: این الگوریتم بر اساس یک سری قوانین از پیش تعریف شده برای شناسایی نشانه‌های کلامی طراحی شده بود.
  • مدل LSTM: این مدل از یک شبکه عصبی بازگشتی برای تحلیل توالی کلمات و شناسایی الگوهای زبانی استفاده می‌کرد.
  • مدل BERT: این مدل از یک معماری ترانسفورمر پیشرفته برای درک بهتر معنای کلمات در متن استفاده می‌کرد. BERT به دلیل توانایی‌اش در درک متن در سطح عمیق و شناسایی روابط بین کلمات، به طور گسترده‌ای در وظایف مختلف NLP استفاده می‌شود.
• آموزش و اعتبارسنجی مدل‌ها: مدل‌ها با استفاده از داده‌های برچسب‌گذاری شده آموزش داده شدند و سپس عملکرد آنها بر روی یک مجموعه داده اعتبارسنجی جداگانه ارزیابی شد.
• اعتبارسنجی خارجی: بهترین مدل (مدل BERT) بر روی یک مجموعه داده خارجی که از یک سیستم بهداشتی دیگر جمع‌آوری شده بود، مورد آزمایش قرار گرفت تا قابلیت تعمیم‌پذیری آن ارزیابی شود.

یافته‌های کلیدی این تحقیق به شرح زیر است:

• مدل BERT بهترین عملکرد را در شناسایی نشانه‌های کلامی هدایت‌شده و هدایت‌کننده داشت.
• امتیاز F1 مدل BERT بر روی مجموعه داده اعتبارسنجی اولیه 0.8075 بود.
• امتیاز F1 مدل BERT بر روی مجموعه داده اعتبارسنجی خارجی 0.8259 بود.
• این نتایج نشان می‌دهد که مدل BERT قابلیت تعمیم‌پذیری خوبی دارد و می‌تواند در شرایط مختلف عملکرد مناسبی داشته باشد.

این یافته‌ها نشان می‌دهند که پردازش زبان طبیعی می‌تواند به طور موثری برای خودکارسازی فرآیند سنجش وفاداری به آموزش راهبرد در توانبخشی استفاده شود.

این تحقیق دستاوردها و کاربردهای متعددی دارد:

• کاهش هزینه‌ها و صرفه‌جویی در زمان: خودکارسازی فرآیند سنجش وفاداری می‌تواند به کاهش هزینه‌ها و صرفه‌جویی در زمان در مطالعات بزرگ و چندمرکزی کمک کند.
• بهبود کیفیت خدمات توانبخشی: با استفاده از این روش خودکار، می‌توان به طور منظم و دقیق میزان پایبندی به پروتکل‌های آموزش راهبرد را ارزیابی کرد و در صورت نیاز، مداخلات اصلاحی را انجام داد.
• تسهیل تحقیقات توانبخشی: این روش خودکار می‌تواند به محققان کمک کند تا مطالعات بزرگتری را در زمینه آموزش راهبرد انجام دهند و نتایج دقیق‌تری را به دست آورند.
• ارائه مداخلات شخصی‌سازی شده‌تر: با استفاده از این روش خودکار، می‌توان نقاط قوت و ضعف مربیان را شناسایی کرد و برنامه‌های آموزشی شخصی‌سازی شده‌تری را برای آنها ارائه داد.

این تحقیق همچنین می‌تواند به توسعه ابزارهای مشابه برای ارزیابی سایر مداخلات توانبخشی کمک کند.

برای مثال، فرض کنید در یک مطالعه توانبخشی سکته مغزی، چندین مرکز درمانی شرکت دارند. با استفاده از روش خودکار ارائه شده در این مقاله، می‌توان به طور مداوم کیفیت آموزش‌های ارائه شده در تمامی این مراکز را ارزیابی کرد و از ارائه آموزش‌های یکسان و با کیفیت اطمینان حاصل نمود.

این مقاله نشان داد که پردازش زبان طبیعی می‌تواند به طور موثری برای خودکارسازی فرآیند سنجش وفاداری به آموزش راهبرد در توانبخشی بستری استفاده شود. مدل BERT با عملکرد برتر خود، نشان داد که قابلیت تعمیم‌پذیری خوبی دارد و می‌تواند در شرایط مختلف عملکرد مناسبی داشته باشد. این تحقیق می‌تواند به کاهش هزینه‌ها، صرفه‌جویی در زمان و بهبود کیفیت خدمات توانبخشی کمک کند و راه را برای تحقیقات بیشتر در این زمینه هموار سازد.

در نهایت، این مطالعه نشان می‌دهد که استفاده از فناوری‌های نوین مانند NLP می‌تواند به بهبود ارائه خدمات بهداشتی و توانبخشی کمک شایانی نماید و زندگی افراد مبتلا به اختلالات شناختی را بهبود بخشد.