Key points are not available for this paper at this time.
على مر السنين، شهدت مهمة تمييز البيانات المدعومة بالذكاء الاصطناعي تقدمًا ملحوظًا. ومع ذلك، فإن نوعًا محددًا من مهام التمييز، وهو الترميز النوعي الذي يتم خلال التحليل الموضوعي، له خصائص تجعل التعاون الفعال بين الإنسان والذكاء الاصطناعي صعبًا. مستندين إلى دراسة تأسيسية، صممنا باTat، أداة جديدة مدعومة بالذكاء الاصطناعي تستخدم نهج توليف البرامج التفاعلي لتتعلم أنماطًا مرنة ومعبرة من الرموز المرفقة من قبل المستخدمين في الوقت الحقيقي أثناء قيامهم بتمييز البيانات. لتلبية الطبيعة الغامضة وغير المؤكدة والتكرارية للتحليل الموضوعي، فإن استخدام الأنماط القابلة للتفسير من قبل المستخدمين يتيح لهم فهم ما تعلمه النظام والتحقق منه، وإجراء إصلاحات مباشرة، وتعديل الرموز المرفقة سابقًا بسهولة أو توزيعها أو دمجها. تساعد هذه الطريقة الجديدة أيضًا المستخدمين البشر على تعلم خصائص البيانات وتشكيل نظريات جديدة بالإضافة إلى تسهيل
Gebreegziabher et al. (Wed,) studied this question.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: