การวิเคราะห์และแจ้งเตือนข้อร้องเรียนของผู้รับบริการด้านสุขภาพ

Analysis and notification alert of complaints of health service recipients

Name: ปรียานุช มูลภี

ThaSH: ข้อร้องเรียนของผู้บริโภค

ThaSH: พฤติกรรมผู้บริโภค

ThaSH: สถานพยาบาล

ThaSH: สถานพยาบาล -- ข้อร้องเรียน

Abstract: การค้นคว้าแบบอิสระครั้งนี้มีวัตถุประสงค์เพื่อศึกษาถึงการวิเคราะห์และแจ้งเตือนข้อร้องเรียนของผู้รับบริการด้านสุขภาพ โดยใช้ข้อมูลข้อร้องเรียนจากผู้รับบริการในสถานพยาบาล และระดับความรุนแรงของข้อร้องเรียนที่ประเมินโดยผู้เชี่ยวชาญมาทำการวิเคราะห์ ทางผู้ศึกษาได้เล็งเห็นถึงความสำคัญของการจัดลำดับความสำคัญในการแก้ไขปัญหาข้อร้องเรียนของผู้รับบริการ เนื่องด้วยข้อร้องเรียนในสถานพยาบาลนั้นมีทั้งส่งผลต่อทางสถานพยาบาล และผู้รับบริการ ดังนั้นผู้ศึกษาจึงได้ทำการค้นคว้าอิสระถึงการวิเคราะห์ข้อร้องเรียนที่มีระดับความรุนแรงในระดับที่ต้องได้รับการดำเนินการแก้ไขในทันที โดยเริ่มทำการศึกษานโยบายของการบริหารจัดการข้อร้องเรียน และการจัดลำดับความรุนแรงของผลกระทบต่อปัญหาทางด้านคุณภาพการให้บริการเพื่อการบริหารจัดการข้อร้องเรียน โดยได้แบ่งระดับความรุนแรงออกเป็น 2 ระดับ ได้แก่ ระดับที่ไม่ต้องทำการแจ้งเตือน คือ ข้อร้องเรียนที่อยู่ในระดับไม่รุนแรง และระดับที่ต้องทำการแจ้งเตือน คือข้อร้องเรียนที่มีระดับไม่รุนแรงแต่เสี่ยงสูงต่อการเกิดความรุนแรง และข้อร้องเรียนระดับรุนแรง เพื่อให้สามารถแก้ไขปัญหาข้อร้องเรียนได้อย่างทันท่วงที ผู้ศึกษาได้นำข้อมูลจากการศึกษาข้างต้นมาพัฒนาเป็นระบบเพื่อวิเคราะห์ข้อร้องเรียน และทำการแจ้งเตือนเมื่อมีข้อร้องเรียนที่จัดอยู่ในระดับที่ต้องมีการแก้ไขทันทีผ่านทางไลน์แอพลิเคชันของผู้ที่มีส่วนเกี่ยวข้องในการบริหารจัดการข้อร้องเรียนต่อไป ผลการศึกษาพบว่า จากการสร้างโมเดลในการจำแนกข้อร้องเรียน ด้วยวิธีการสกัดคุณลักษณะด้วย TF-IDF โดยประสิทธิภาพของแต่ละโมเดลพบว่า Multinomial NB มีค่าประสิทธิภาพในการจำแนกข้อร้องเรียนสูงที่สุดเมื่อเทียบจากค่า Accuracy ซึ่งมีค่าอยู่ที่ 71% จึงสรุปผลได้ว่าเทคนิคการจำแนกประเภท Multinomial NB มีความแม่นยำดีที่สุดเมื่อเปรียบเทียบกับเทคนิคการจำแนกประเภทแบบอื่น ผลลัพธ์ของ แต่ละประเภทข้อร้องเรียนของโมเดล Multinomial NB โดยค่า Support คือ จำนวนของข้อมูลชุดทดสอบของข้อร้องเรียนที่นำมาใช้ในการทดสอบโมเดล ซึ่งมีจำนวนของข้อมูลประเภท 0 อยู่ 161 ข้อร้องเรียน และข้อมูลประเภท 1 อยู่ 107 ข้อร้องเรียน จากจำนวนข้อร้องเรียน ทั้งสองประเภทยังคงมีความต่างกัน ดังนั้นจึงต้องพิจารณาค่า Precision, Recall และ F1 score ควบคู่ไปด้วย จากค่า F1 score เป็นค่าที่บอกได้ถึงประสิทธิภาพของโมเดล Multinomial NB ที่คำนวณได้มาจากค่า Precision และ Recall โดยค่า F1 score ยิ่งสูงบ่งบอกได้ถึงโมเดลมีประสิทธิภาพที่ดีขึ้น เมื่อพิจารณาจากค่า Precision เป็นการเปรียบเทียบการจำแนกแต่ละข้อร้องเรียนมีความถูกต้องกี่เปอร์เซ็นต์ โดยโมเดลมีการจำแนกข้อร้องเรียนถูกต้องที่สุด คือ ข้อร้องเรียนประเภท 0 หรือข้อร้องเรียนที่ไม่ต้องทำการแจ้งเตือน โดยจำแนกถูกต้องถึง 87% จากจำนวนข้อร้องเรียนทั้งหมด 161 ข้อร้องเรียน ส่วนข้อร้องเรียนประเภท 1 หรือข้อร้องเรียนที่ต้องทำการแจ้งเตือน จำแนกถูกต้อง 59% จากจำนวนข้อร้องเรียนทั้งหมด 107 ข้อร้องเรียน และพิจารณาจากค่า Recall เป็นความถูกต้องของการจำแนกว่าเป็น “จริง” กี่เปอร์เซ็นต์ โดยโมเดลจำแนกข้อร้องเรียนประเภท 0 ว่าเป็นจริงอยู่ 60% และประเภท 1 อยู่ที่ 87% เมื่อพิจารณาภาพรวมจากค่า F1 score ซึ่งเป็นค่าที่แสดงประสิทธิภาพ บ่งบอกได้ว่า Multinomial NB สามารถจำแนกข้อร้องเรียนแต่ละประเภทอยู่ในเกณฑ์ที่ดี จากผลลัพธ์ทั้งหมด

Abstract: The purpose of this independent study was to study the analysis and notification of complaints of health service recipients by using complaints from health care recipients and the severity of complaints assessed by experts. The study had foreseen the importance of prioritizing the problem solving of patients' complaints since complaints in hospitals could affect both the hospital and the patients. Therefore, the researcher conducted an independent study to analyze the level of severity of complaints requiring immediate action. The research started by studying the policy of complaint management and prioritizing the severity of the impact on service quality problems for complaint management. The level of severity was divided into 2 levels: the level that did not require warning was the level of complaints that were not severe and the level to be notified was complaints that were not severe but had a high risk of becoming severe, and severe level to be able to resolve complaints in a timely manner. The researcher obtained the information from the study to develop a system for analyzing complaints and notifying when there are complaints that are categorized as having to be resolved immediately through the LINE application of those involved in the handling of further complaints. The study found that from modeling complaints classification by TF-IDF feature extraction method, the efficiency of each model demonstrated that Multinomial NB had the highest efficiency in complaint classification compared to the Accuracy value of 71%. As a result, the Multinomial NB classification technique had the best accuracy compared to other classification techniques. The result of each complaint type of the Multinomial NB model where Support was the number of test datasets of complaints used to test the model. There were 161 complaints of data type 0 and 107 complaints of data type 1. There was still a difference in the number of complaints from both types. Therefore, the Precision, Recall, and F1 score must be taken into consideration. The F1 score indicates the performance of the Multinomial NB model calculated from the Precision and Recall values as the higher the F1 score, the better the model performs. When considering the precision value, it is a comparison of how many percent of each complaint classification is accurate. The model had the most accurate classification of complaints as type 0 complaints or complaints that did not need to be notified. The classification was correct 87% of the total number of 161 complaints, while type 1 complaints or complaints requiring notification were correctly classified 59% of the total number of 107 complaints and considering the Recall value as accuracy at what percentage of the classification was "true". The model classified 60% of Type 0 complaints as true and 87% of Type 1 complaints. When considering the overall picture from the F1 score, which is a value indicating the efficiency, it indicates that Multinomial NB can classify each type of complaint in good terms from all outcomes.

มหาวิทยาลัยเชียงใหม่. สำนักหอสมุด

Address: เชียงใหม่

Email: cmulibref@cmu.ac.th

Name: ตรัสพงศ์ ไทยอุปถัมภ์

Role: อาจารย์ที่ปรึกษา

Created: 2566

Modified: 2567-01-17

Issued: 2566-12-11

วิทยานิพนธ์/Thesis

application/pdf

tha

DegreeName: วิทยาศาสตรมหาบัณฑิต

Level: ปริญญาโท

Descipline: วิทยาการข้อมูล

Grantor: มหาวิทยาลัยเชียงใหม่

©copyrights มหาวิทยาลัยเชียงใหม่

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	640632055.pdf	1.14 MB	4	2025-01-15 16:01:45

ใช้เวลา

0.019198 วินาที