Cutting-edge Technologies for Analyzing Student Feedback to Inform Institutional Decision-making in Higher Education ; Передовые технологии анализа обратной связи от учащихся для принятия институциональных решений в высшем образовании

Συγγραφείς: Бутт, Сабур, Нуньес Даруич, Сандра Деннис, Альварадо-Урибе, Джоанна, Себальос, Гектор

Πηγή: Foresight and STI Governance; Vol 19 No 4 (2025): forthcoming ; Форсайт; Том 19 № 4 (2025): готовится к публикации ; 2500-2597

Θεματικοί όροι: aspect-based sentiment analysis (ABSA), student evaluations of teaching (SET), opinion segmentation, multi-label classification, large language models (LLMs), few-shot chain of thought (CoT), аспектно-ориентированный анализ сентиментов (ABSA), оценки преподавания студентами (SET), сегментация мнений, многометочная классификация, крупные языковые модели (LLMs)

Περιγραφή αρχείου: application/pdf

Relation: https://foresight-journal.hse.ru/article/view/28047/22873

Διαθεσιμότητα: https://foresight-journal.hse.ru/article/view/28047

Scenario modeling of the drug prescription process for children: application of machine learning methods ; Сценарное моделирование процесса назначения лекарственных препаратов детям: применение методов машинного обучения

Συγγραφείς: А. А. Kondrashov, М. М. Kurashov, Е. Е. Loskutova, А. А. Кондрашов, М. М. Курашов, Е. Е. Лоскутова

Πηγή: FARMAKOEKONOMIKA. Modern Pharmacoeconomics and Pharmacoepidemiology; Vol 17, No 4 (2024); 421-431 ; ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология; Vol 17, No 4 (2024); 421-431 ; 2070-4933 ; 2070-4909

Θεματικοί όροι: лекарственное обеспечение, children, machine learning, neural networks, multi-label classification, scenario modeling, pharmaceutical care, drug provision, дети, машинное обучение, нейронные сети, многометочная классификация, сценарное моделирование, фармацевтическая помощь

Περιγραφή αρχείου: application/pdf

Relation: https://www.pharmacoeconomics.ru/jour/article/view/1107/582; Романов И.А. Машинное обучение как конкурентное преимущество предприятия. Московский экономический журнал. 2022; 7 (3): 42. https://doi.org/10.55186/2413046X_2022_7_3_141.; Ксенофонтов Д.М. Сценарное моделирование эпидемиологических эффектов экономической политики. Научные труды: Институт народнохозяйственного прогнозирования РАН. 2020; 18: 542–65. https://doi.org/10.47711/2076-318-2020-542-565.; Цацулин А.Н., Цацулин Б.А. Сценарный подход к построению прогнозных моделей развития региональных систем здравоохранения. Научно-технические ведомости СПбГПУ. Экономические науки. 2021; 14 (2): 115–36 (на англ. яз.). https://doi.org/10.18721/JE.14208.; Аксенова Е.С., Евдокимов Д.С., Катасонова К.А. Усовершенствованная агент-ориентированная модель с функционалом сценарного моделирования и свойствами цифрового двойника для прогнозирования социо-эпидемиолого-экономических процессов в регионах России. Искусственные общества. 2023; 18 (4). https://doi.org/10.18254/S207751800028782-9.; Комков А.А., Мазаев В.П., Рязанова С.В. и др. Применение программы интеллектуальной аналитики текста с бумажного носителя и сегментации по заданным параметрам в клинической практике. Кардиоваскулярная терапия и профилактика. 2023; 21 (12): 3458. https://doi.org/10.15829/1728-8800-2022-3458.; Гусев А.В., Новицкий Р.Э., Ившин А.А., Алексеев А.А. Машинное обучение на лабораторных данных для прогнозирования заболеваний. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2021; 14 (4): 581–92. https://doi.org/10.17749/2070-4909/farmakoekonomika.2021.115.; Коледачкин А.А. Использование моделирования и симуляций в тестировании: перспективы с применением ИИ. Вестник науки. 2024; 5 (9): 513–40.; Orji U., Ukwandu E. Machine learning for an explainable cost prediction of medical insurance. Machine Learn App. 2024; 15: 100516. https://doi.org/10.1016/j.mlwa.2023.100516.; Наркевич А.Н., Виноградов К.А., Параскевопуло К.М., Гржибовский А.М. Интеллектуальные методы анализа данных в биомедицинских исследованиях: нейронные сети. Экология человека. 2021; 28 (4): 55–64. https://doi.org/10.33396/1728-0869-2021-4-55-64.; Голоунина О.О., Белая Ж.Е., Воронов К.А. и др. Применение методов машинного обучения в дифференциальной диагностике АКТГ-зависимого эндогенного гиперкортицизма. Проблемы эндокринологии. 2024; 70 (1): 18–29. https://doi.org/10.14341/probl13342.; Фирюлина М.А., Каширина И.Л., Гафанович Е.Я. Применение методов машинного обучения при назначении терапии гипертонической болезни. Моделирование, оптимизация и информационные технологии. 2020; 8 (4): 4. https://doi.org/10.26102/2310-6018/2020.31.4.025.; Silva P., Rivolli A., Rocha P., et al. Machine learning for drugs prescription. In: Yin H., Camacho D., Novais P., Tallón-Ballesteros A. (Eds.) Intelligent Data Engineering and Automated Learning – IDEAL 2018. Part I. Springer; 2018: 548–55. https://doi.org/10.1007/978-3-030-03493-1_57.; https://www.pharmacoeconomics.ru/jour/article/view/1107

Διαθεσιμότητα: https://www.pharmacoeconomics.ru/jour/article/view/1107
https://doi.org/10.17749/2070-4909/farmakoekonomika.2024.283