Hopp til innhold

Få varsel ved oppdateringer av «Implementering av maskinlæring i kunnskapsoppsummeringer i klynge for vurdering av tiltak: Sluttrapport 2020-2021»

Hvor ofte ønsker du å motta varsler fra fhi.no? (Gjelder alle dine varsler)
Ønsker du også varsler om:

E-postadressen du registrerer her vil kun bli brukt til å sende ut nyhetsvarsler du har bedt om. Du kan når som helst avslutte dine varsler og slette din e-post adresse ved å følge lenken i varslene du mottar.
Les mer om personvern på fhi.no

Du har meldt deg på nyhetsvarsel for:

  • Implementering av maskinlæring i kunnskapsoppsummeringer i klynge for vurdering av tiltak: Sluttrapport 2020-2021

Rapport

Implementering av maskinlæring i kunnskapsoppsummeringer i klynge for vurdering av tiltak: Sluttrapport 2020-2021

Publisert

Vi evaluerte og dokumenterte i 2020-2021 fordeler og ulemper ved maskinlæring i flere faser av kunnskapsoppsummeringer.

Forside Sluttrapport.jpg

Vi evaluerte og dokumenterte i 2020-2021 fordeler og ulemper ved maskinlæring i flere faser av kunnskapsoppsummeringer.


Kan lastes ned som pdf. På engelsk. Norsk hovedbudskap.

Om rapporten

  • Utgitt: 2021
  • Av: Folkehelseinstituttet
  • Forfattere: Muller AE, Ames H, Himmels J, Jardim PJ, Nguyen L, Rose C, Van de Velde S.
  • ISBN elektronisk: 978-82-8406-231-0

Hovedbudskap

Maskinlæring kan bidra til betydelig effektivisering av kunnskapsoppsummeringsprosesser. Et lag i Området for helsetjenester ved Folkehelseinstituttet evaluerte og dokumenterte i 2020-2021 fordeler og ulemper ved maskinlæring i flere faser av kunnskapsoppsummeringer, og bygde medarbeidernes kompetanse i å bruke ulike funksjoner. Denne rapporten beskriver lagets arbeid, resultater og erfaringer.

Maskinlæringslaget fokuserte på funksjoner som er tilgjengelig i EPPI-Reviewer verktøyet: «priority screening», flere typer classifiers, RobotReviewer for å vurdere risiko av skjevheter, «automatic text clustering», og Microsoft Academic Graph. Vi implementerte funksjonene i 19 prosjekter og opplærte 23 medarbeidere. Et hovedfunn er at maskinlæringsfunksjoner reduserte manuell tidsbruk, uten reduksjon i metodisk kvalitet. Tidsbruk på vurdering av studier gikk ned med 60-90 % i alle prosjekter. Automatisk studiekategorisering reduserte tidsbruk i denne fasen med 60-70 %.

Maskinlæring kan og bør endre dagens arbeidsflyt. Kunnskapsoppsummeringsprosessen kan bli mindre lineær og mer syklisk, og flere oppgaver kan gjøres samtidig. Slike endringer kan være vesentlige for alle involverte, og i framtidig maskinlæringsarbeid vil det være nyttig med en strukturert tilnærming til både endringsledelse og innovasjonsspredning.

Rapporten avslutter med erfaringer og lærdommer. Disse formet vårt forslag til framtidige strategier relatert til kompetansebygging, innovasjonsaktiviteter, evalueringer og arbeidsflytoptimalisering.

Rapporten ble publisert 11.8.2021.

PDF-fil ble fjernet 17.8.2021, og teksten "Rapporten er midlertidig fjernet for å redigere bl.a. forord og hovedbudskap. Oppdatert rapport vil være tilgjengelig i tidlig september." ble lagt på siden.

Ny PDF-fil ble publisert 3.9.2021.