MAPress
ترجمه فارسی مقاله تصمیم گیری خودآزمایی با پشتیبانی فناوری: مطالعه با روش های ترکیبی

ترجمه فارسی مقاله تصمیم گیری خودآزمایی با پشتیبانی فناوری: مطالعه با روش های ترکیبی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Technology-Supported Self-Triage Decision Making: A Mixed-Methods Study
عنوان مقاله به فارسی تصمیم گیری خودآزمایی با پشتیبانی فناوری: مطالعه با روش های ترکیبی
نویسندگان ProfileMarvin Kopka, Sonja Mei Wang, Samira Kunz, Christine Schmid, ProfileMarkus A. Feufel
فرمت مقاله انگلیسی PDF
تعداد صفحات 24
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Health Informatics انفورماتیک سلامتی

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Symptom-Assessment Application (SAAs) and Large Language Models (LLMs) are increasingly used by laypeople to navigate care options. Although humans ultimately make a final decision when using these systems, previous research has typically examined the performance of humans and SAAs/LLMs separately. Thus, it is unclear how decision-making unfolds in such hybrid human-technology teams and if SAAs/LLMs can improve laypeople’s decisions. To address this gap, we conducted a convergent parallel mixed-methods study with semi-structured interviews and a randomized controlled trial. Our interview data revealed that in human-technology teams, decision-making is influenced by factors before, during, and after interaction. Users tend to rely on technology for information gathering and analysis but remain responsible for information integration and the final decision. Based on these results, we developed a model for technology-assisted self-triage decision-making. Our quantitative results indicate that when using a high-performing SAA, laypeople’s decision accuracy improved from 53.2% to 64.5% (OR = 2.52, p < .001). In contrast, decision accuracy remained unchanged when using a LLM (54.8% before vs. 54.2% after usage, p = .79). These findings highlight the importance of studying SAAs/LLMs with humans in the loop, as opposed to analyzing them in isolation.

چکیده به فارسی (ترجمه ماشینی)

برنامه ارزیابی علائم (SAAS) و مدل های بزرگ زبان (LLM) به طور فزاینده ای توسط افراد غیرمجاز برای حرکت در گزینه های مراقبت استفاده می شود.اگرچه انسان در نهایت هنگام استفاده از این سیستم ها تصمیم نهایی می گیرد ، تحقیقات قبلی معمولاً عملکرد انسان و SaaS/LLM ها را به طور جداگانه بررسی کرده است.بنابراین ، هنوز مشخص نیست که چگونه تصمیم گیری در چنین تیم های انسانی و فناوری ترکیبی آشکار می شود و آیا SaaS/LLM ها می توانند تصمیمات غیرقانونی را بهبود بخشند.برای پرداختن به این شکاف ، ما یک مطالعه متد موازی همگرا با مصاحبه های نیمه ساختار یافته و یک کارآزمایی کنترل شده تصادفی انجام دادیم.داده های مصاحبه ما نشان داد که در تیم های انسانی و فناوری ، تصمیم گیری تحت تأثیر عوامل قبل ، حین و بعد از تعامل است.کاربران تمایل دارند که برای جمع آوری و تجزیه و تحلیل اطلاعات به فناوری اعتماد کنند اما مسئولیت ادغام اطلاعات و تصمیم نهایی را بر عهده دارند.بر اساس این نتایج ، ما مدلی را برای تصمیم گیری خودآرازی به کمک فناوری تهیه کردیم.نتایج کمی ما نشان می دهد که هنگام استفاده از SAA با عملکرد بالا ، دقت تصمیم Laypeople از 53.2 ٪ به 64.5 ٪ بهبود یافته است (OR = 2.52 ، P <.001).در مقابل ، دقت تصمیم در هنگام استفاده از LLM بدون تغییر باقی مانده است (54.8 ٪ قبل از 54.2 ٪ پس از استفاده ، P = 0.79).این یافته ها اهمیت مطالعه SaaS/LLMS با انسان در حلقه را برجسته می کند ، بر خلاف تجزیه و تحلیل آنها در انزوا.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.