Informace o projektu
MERGER: detekce vazeb mezi informačními systémy pro mapování kurikula a pro virtuální pacienty
(MERGER)
- Kód projektu
- MUNI/A/1339/2016
- Období řešení
- 1/2017 - 12/2017
- Investor / Programový rámec / typ projektu
-
Masarykova univerzita
- Grantová agentura MU
- DO R. 2020_Kategorie A - Specifický výzkum - Studentské výzkumné projekty
- Fakulta / Pracoviště MU
-
Lékařská fakulta
- doc. Ing. Daniel Schwarz, Ph.D.
- MUDr. Kateřina Bochníčková
- MUDr. Kristýna Chudjáková
- RNDr. Daniel Klimeš, Ph.D.
- RNDr. Martin Komenda, Ph.D.
- MUDr. Daniel Kosztúr
- MUDr. Deana Slovjaková
- MUDr. Zbyněk Šimek
- MUDr. Miriam Šipošová
- MUDr. Simona Tuhrinská
- MUDr. Eva Urbánková
- MUDr. Václav Vafek
- RNDr. Roman Vyškovský, Ph.D.
- MUDr. Petr Zámečník
Projektový záměr MERGER směřuje do oblasti informačních věd, aplikované informatiky a biomedicínského inženýrství a navrhuje vyvinout metody pro automatickou detekci vazeb mezi informačními systémy pro podporu klinicky zaměřených etap studia v lékařských a zdravotnických oborech. Pro tento účel hodlá projekt MERGER využít velkého množství textových dat posbíraných v systémech pro mapování medicínského kurikula a zároveň v systémech pro tvorbu a přehrávání virtuálních pacientů. Navržené metody strojového učení pro automatickou detekci vazeb mezi obsahovými entitami těchto systémů budou implementovány formou softwarového toolboxu. Pro kvantitativní ověření přesnosti vytvořených algoritmů budou využity soubory dat extrahovaných ze systému pro mapování kurikula na LF MU – OptiMED – a ze systému pro virtuální pacienty v síti MEFANET – OpenLabyrinth. Algoritmy vycházející z metod strojového učení budou naučeny a validovány s využitím vnějších expertních znalostí, které budou dodávat studenti LF MU v pokročilé fázi svého studia.
Publikace
Počet publikací: 3
2018
-
Pitfalls in users' evaluation of algorithms for text-based similarity detection in medical education
PROCEEDINGS OF THE 2018 FEDERATED CONFERENCE ON COMPUTER SCIENCE AND INFORMATION SYSTEMS (FEDCSIS), rok: 2018
-
Similarity detection between virtual patients and medical curriculum using R
Studies in Health Technology and Informatics 255, rok: 2018
2017
-
Towards a Keyword Extraction in Medical and Healthcare Education
Federated Conference on Computer Science and Information Systems (FedCSIS), rok: 2017