Key points are not available for this paper at this time.
Les avis en ligne sur les médecins sont une source massive et potentiellement riche d'informations capturant le sentiment des patients concernant les soins de santé. Nous analysons un corpus comprenant près de 60 000 de ces avis avec un modèle probabiliste de pointe du texte. Nous décrivons un modèle génératif probabiliste qui capture le sentiment latent à travers les aspects des soins (par exemple, la manière interpersonnelle). Nous ciblons des aspects spécifiques en tirant parti d'un petit ensemble d'avis annotés manuellement. Nous effectuons une analyse de régression pour évaluer si la sortie du modèle améliore la corrélation avec les mesures des soins de santé au niveau des États. Nous rapportons des résultats tant qualitatifs que quantitatifs. La sortie du modèle corrèle avec les mesures des soins de santé de qualité au niveau des États, y compris la probabilité pour le patient de visiter son médecin généraliste dans les 14 jours suivant la sortie (p=0,03), et l'utilisation du modèle proposé prédit mieux ce résultat (p=0,10). Nous trouvons des résultats similaires pour les dépenses de santé. Les modèles génératifs de texte peuvent récupérer des informations importantes des avis en ligne sur les médecins, facilitant les analyses à grande échelle de ces avis.
Wallace et al. (Wed,) ont étudié cette question.