Predicting User Behaviour to Facilitate Efficient Provision of Health Applications
Notice bibliographique
Résumé
Practical analysis of user behavior patterns in social network and community software is one of the many application of data mining tools. Using data mining techniques, over 100 users of the Vividesk private online network ('desktop') for Canadian healthcare professionals was examined over a four year period for user behavior trends using decision trees (DTs) mining. Vividesk provides users with an online community of research and of practice, enabling clients to use Web 2.0 and social networking principles to enhance their medical research and practice. Our interest rests primarily in usage patterns related to usergroups and classes of applications on these desktops. Some applications link to licensed information resources which can cost thousands of dollars per year to license. As a result, examining application usage data can help generate information on the relative cost effectiveness of the resources for which clients pay. This study presents an initial analysis of data by grouped resource applications as a means of determining whether deeper analysis is warranted. Data was warehoused and mined using a Microsoft Business intelligence tool (cube), using predetermined dimensions. By warehousing and mining desktop application usage through DTs, previously hidden usage patterns were uncovered. The DT experiments revealed various application usage patterns both within and between the desktops. Usergroups within each environment also demonstrated different access patterns at different times. Based on this analysis, further drilling down is warranted to uncover patterns of particular resource use. Exercises such as these will help predict future user behavior and facilitate the planning of desktop resource provision.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».