MedNgage：用于理解患者-护士对话中参与度的数据集
MedNgage: A Dataset for Understanding Engagement in Patient-Nurse Conversations
AI总结：
本文提出MedNgage数据集，包含癌症症状管理的患者-护士对话，从社会情感和认知两个角度标注参与度，并验证了预训练Transformer模型可有效预测参与度类别。
摘要：
有效管理自身症状的患者在与医疗保健从业者的对话和干预中往往表现出更高的参与度。这种参与度是多方面的，涵盖认知和社会情感维度。因此，人工智能系统理解患者与从业者之间自然对话中的参与度，对于更好地促进患者护理至关重要。在本文中，我们提出了一个新数据集（MedNgage），该数据集包含关于癌症症状管理的患者-护士对话。我们使用一种新颖的参与度类别框架，从两个不同角度手动标注该数据集，即：i）社会情感（3.1K个片段），以及ii）认知性语言使用（1.8K个片段）。通过对使用我们框架标注的数据进行统计分析，我们展示了患者症状管理结果与其对话参与度之间的正相关关系。此外，我们证明了在我们的数据集上微调的预训练Transformer模型能够可靠地预测患者-护士对话中的参与度类别。最后，我们使用LIME（Ribeiro等人，2016）来分析最先进的Transformer模型所遇到的任务的潜在挑战。去标识化的数据可根据要求用于研究目的。
英文摘要：
Patients who effectively manage their symptoms often demonstrate higher levels of engagement in conversations and interventions with healthcare practitioners. This engagement is multifaceted, encompassing cognitive and socio-affective dimensions. Consequently, it is crucial for AI systems to understand the engagement in natural conversations between patients and practitioners to better contribute toward patient care. In this paper, we present a novel dataset (MedNgage), which consists of patient-nurse conversations about cancer symptom management. We manually annotate the dataset with a novel framework of categories of patient engagement from two different angles, namely: i) socio-affective (3.1K spans), and ii) cognitive use of language (1.8K spans). Through statistical analysis of the data that is annotated using our framework, we show a positive correlation between patient symptom management outcomes and their engagement in conversations. Additionally, we demonstrate that pre-trained transformer models fine-tuned on our dataset can reliably predict engagement classes in patient-nurse conversations. Lastly, we use LIME (Ribeiro et al., 2016) to analyze the underlying challenges of the tasks that state-of-the-art transformer models encounter. The de-identified data is available for research purposes upon request.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
