MétaCan
Menu
Retour à la cohorte
Enregistrement W4306248396 · doi:10.54691/bcpbm.v29i.2296

Research on the development model of commercial health insurance based on big data

2022· article· en· W4306248396 sur OpenAlex
Haoman Li

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueBCP Business & Management · 2022
Typearticle
Langueen
DomaineHealth Professions
ThématiqueArtificial Intelligence in Healthcare
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésBusinessBig dataHealth careProduct (mathematics)New product developmentMarketingComputer scienceEconomic growthEconomics

Résumé

récupéré en direct d'OpenAlex

Despite the rapid development of commercial health insurance in China, compared with developed countries, there are still gaps in product types, product design, risk control, preferential tax policies, business models and consumer value-added services. In recent years, everything around us has been "digitized", and emerging concepts and technologies such as smart medical care, Internet of Things health care, and mobile medical care have attracted the general attention of the medical and health industry and the information and communication industry, and are being widely used. With the rapid development of big data, it brings opportunities for the development of commercial health insurance. It not only changes the market-oriented product design, but also pays more attention to customer needs. It also provides data support for the accurate pricing of commercial health insurance, and forms health intervention for consumers in the whole process before and after the event, which makes it possible to promote the sound and rapid development of commercial health insurance. Based on this background, this paper intends to study the development model of commercial health insurance products under the background of big data.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,821
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0090,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0040,000
Communication savante0,0000,000
Science ouverte0,0020,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,758
Tête enseignante GPT0,566
Écart entre enseignants0,192 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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