ty -jour a2 -tawalbeh，lo'ai au -shah，adnan Muhammad au -Muhammad，Wazir au -Lee，Kangyoon PY -2022 DA -2022/02/26 TI-检查医生审查的确定性，疾病严重程度：机器学习方法SP -8623586 VL -2022 AB-（1） 背景。患者越来越多地使用医师在线评论（PORS）来了解护理质量。患者的使用受益，医生需要意识到这种评估如何影响他们的治疗决策。当前的工作旨在调查关键定量和定性因素对医师审查帮助（RH）的影响。（2） 方法。从多种疾病类型的45,300杆中进行的数据被从中刮除 healthgrades.com。基于信号理论，基于机器学习的混合方法方法（即文本挖掘和计量经济学分析）进行了测试研究假设并解决研究问题。机器学习算法用于通过混乱矩阵将数据集与审查和服务相关的功能分类。（3） 结果。关于与审查相关的信号，RH主要受审查的可读性，措辞和特定情绪（正面和负面）的影响。关于与服务相关的信号，结果意味着服务质量和受欢迎程度对RH至关重要。此外，回顾措辞，服务质量和受欢迎程度是对严重疾病感知的RH的预测指标，而不是对轻度疾病。（4） 结论。实证研究的发现表明，平台设计师应设计一个推荐系统，以减少搜索时间和认知处理成本，以帮助患者做出治疗决策。这项研究还揭示了审查和服务相关信号影响医师RH的观点。使用基于机器学习的宣传计算框架，这些发现使我们对离散情绪在确定感知RH中的重要作用的理解提高了我们的理解。此外，该研究还通过比较不同信号对不同疾病类型的RH的影响来做出贡献。SN -1687-5265 UR -https：//doi.org/10.1155/2022/8623586 do -10.1155/2022/2022/8623586 JF-计算智能和神经科学PB-