
Sign up to save your podcasts
Or
🎙本集主題:【研究室論文】如何利用人工智慧分析數位足跡量化工作效率
我們將在這集與大家分享研究室的重點研究領域「工時」,以及我們是如何將「數位足跡」藉由人工智慧領域中的深度學習與機器學建立出「個人化」的數位行為模型,進而精準判斷出實際的工時。
工時的研究緣於對台灣醫界超長工時、對工作時間產生回憶性偏誤等現象,逐步發展出對工時與作息、工時與工作效率的研究,並開發出可實際應用的手機程式。而2023年,我們的研究團隊也首次採用了人工智慧作為研究方法,藉由針對各個使用者的數位足跡進行分析與建模,我們得以回答以下幾個核心問題,並於2024年將研究成果發表於《醫學網路研究期刊》(Journal of Medical Internet Research):
1. 如何用數位足跡紀錄工時?
2.工作地點的休息狀態? 非工作地點的工作時間?而工作與休息並非總是能截然以二元方式區分,而是如0與1之間仍存在著許多數一樣的狀態,那麼在這之間的狀態可以如何測量預估?
3. 什麼樣的因素會影響工作效率?
除了上述三個問題,我們也會討論人工智慧在認知及心理行為研究領域中帶來的突破與可能的挑戰。
您對工作與休息狀態如何透過人工智慧進行分析感到好奇嗎?是否也十分關注工時過長、勞動權益等議題呢?歡迎聆聽這集的內容並與我們交流你的想法!
📖論文原文:Chen H, Lin C, Chang H, Chang J, Chuang H, Lin Y
Developing Methods for Assessing Mental Activity Using Human-Smartphone Interactions: Comparative Analysis of Activity Levels and Phase Patterns in General Mental Activities, Working Mental Activities, and Physical Activities
J Med Internet Res 2024;26:e56144
URL: https://www.jmir.org/2024/1/e56144
DOI: 10.2196/56144
留言告訴我你對這一集的想法: https://open.firstory.me/user/cklmcyh2oc8o00885qdeluvr1/comments
5
77 ratings
🎙本集主題:【研究室論文】如何利用人工智慧分析數位足跡量化工作效率
我們將在這集與大家分享研究室的重點研究領域「工時」,以及我們是如何將「數位足跡」藉由人工智慧領域中的深度學習與機器學建立出「個人化」的數位行為模型,進而精準判斷出實際的工時。
工時的研究緣於對台灣醫界超長工時、對工作時間產生回憶性偏誤等現象,逐步發展出對工時與作息、工時與工作效率的研究,並開發出可實際應用的手機程式。而2023年,我們的研究團隊也首次採用了人工智慧作為研究方法,藉由針對各個使用者的數位足跡進行分析與建模,我們得以回答以下幾個核心問題,並於2024年將研究成果發表於《醫學網路研究期刊》(Journal of Medical Internet Research):
1. 如何用數位足跡紀錄工時?
2.工作地點的休息狀態? 非工作地點的工作時間?而工作與休息並非總是能截然以二元方式區分,而是如0與1之間仍存在著許多數一樣的狀態,那麼在這之間的狀態可以如何測量預估?
3. 什麼樣的因素會影響工作效率?
除了上述三個問題,我們也會討論人工智慧在認知及心理行為研究領域中帶來的突破與可能的挑戰。
您對工作與休息狀態如何透過人工智慧進行分析感到好奇嗎?是否也十分關注工時過長、勞動權益等議題呢?歡迎聆聽這集的內容並與我們交流你的想法!
📖論文原文:Chen H, Lin C, Chang H, Chang J, Chuang H, Lin Y
Developing Methods for Assessing Mental Activity Using Human-Smartphone Interactions: Comparative Analysis of Activity Levels and Phase Patterns in General Mental Activities, Working Mental Activities, and Physical Activities
J Med Internet Res 2024;26:e56144
URL: https://www.jmir.org/2024/1/e56144
DOI: 10.2196/56144
留言告訴我你對這一集的想法: https://open.firstory.me/user/cklmcyh2oc8o00885qdeluvr1/comments
238 Listeners
202 Listeners
128 Listeners
10 Listeners
13 Listeners
78 Listeners
304 Listeners
176 Listeners
40 Listeners
67 Listeners
24 Listeners
200 Listeners
14 Listeners
18 Listeners
35 Listeners