COVID-Bot, an Intelligent System for COVID-19 Vaccination Screening: Design and Development
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Coronavirus continues to spread worldwide, causing various health and economic disruptions. One of the most important approaches to controlling the spread of this disease is to use an artificial intelligence (AI)-based technological intervention, such as a chatbot system. Chatbots can aid in the fight against the spread of COVID-19. OBJECTIVE: This paper introduces COVID-Bot, an intelligent interactive system that can help screen students and confirm their COVID-19 vaccination status. METHODS: The design and development of COVID-Bot followed the principles of the design science research (DSR) process, which is a research method for creating a new scientific artifact. COVID-Bot was developed and implemented using the SnatchBot chatbot application programming interface (API) and its predefined tools, which are driven by various natural language processing algorithms. RESULTS: An evaluation was carried out through a survey that involved 106 university students in determining the functionality, compatibility, reliability, and usability of COVID-Bot. The findings indicated that 92 (86.8%) of the participants agreed that the chatbot functions well, 85 (80.2%) agreed that it fits well with their mobile devices and their lifestyle, 86 (81.1%) agreed that it has the potential to produce accurate and consistent responses, and 85 (80.2%) agreed that it is easy to use. The average obtained α was .87, indicating satisfactory reliability. CONCLUSIONS: This study demonstrates that incorporating chatbot technology into the educational system can combat the spread of COVID-19 among university students. The intelligent system does this by interacting with students to determine their vaccination status.
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.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle