• norsk
    • English
  • English 
    • norsk
    • English
  • Login
View Item 
  •   Home
  • Folkehelseinstituttet
  • Publikasjoner fra CRIStin FHI
  • View Item
  •   Home
  • Folkehelseinstituttet
  • Publikasjoner fra CRIStin FHI
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Implementering av maskinlæring i kunnskapsoppsummeringer i klynge for vurdering av tiltak: Sluttrapport 2021-2022

Borge, Tiril Cecilie; Ames, Heather Melanie R; Jacobsen Jardim, Patricia Sofia; Meneses Echavez, Jose Francisco; Himmels, Jan Peter William; Rose, Christopher James; Hestevik, Christine Hillestad; Muller, Ashley
Research report
Published version
Thumbnail
View/Open
Implementation-of-machine-learning-in-evidence-syntheses-in-the-cluster-for-reviews-and-health-technology-assessments-final-report-2021-2022.pdf (401.8Kb)
URI
https://hdl.handle.net/11250/3055565
Date
2023
Metadata
Show full item record
Collections
  • Publikasjoner fra CRIStin FHI [9132]
  • Rapporter og andre publikasjoner [2703]
Abstract
Hovedbudskap

Maskinlæring (ML) er et satsingsområde for klynge for vurdering av tiltak, Område for helsetjenester, FHI. Høsten 2021 overtok ML 2.0 arbeidet etter ML 1.0. Denne rapporten beskriver ML 2.0 teamet sitt arbeid, resultater og erfaringer. ML team 2.0s nøkkelprestasjoner inkluderer:

• gjennomføring av en intens maskinlæringsuke med mål om kompetanseheving i hele klyngen,

• oppstart av en studie som vil anslå ressursbesparelsene ved bruk av ML i kunnskapsoppsummeringer,

• formidling av vårt ML-arbeid i internasjonale fora, som har tydeliggjort det unike arbeidet ML laget har bidratt med inn i kunnskapsoppsummeringsarbeidet i klyngen,

• støtte innovative bruksområder for ML innen metodevurderinger og oppdateringer,

• utarbeidelse av to finansieringssøknader,

• bidrag inn i andre nasjonale og europeiske finansieringssøknader.

ML-teamet har bidratt til en gradvis tilpassing av klyngens metoder til mer effektive arbeidsflytprosesser, noe som nå merkes i ressursbesparelser i klyngens prosjekter. Ressursbesparelsene gjorde at vi kunne levere flere rapporter enn mulig ved bruk av kun tradisjonelle metoder eller bruke mer tid på andre deler av prosessen.

ML 2.0 fremstår fortsatt som et unikt og innovativt team som leder og tilrettelegger for implementering av ML innenfor kunnskapsoppsummering. Nye ML-aktiviteter knyttet til utforskning og evaluering av nye funksjoner, verktøy eller emner vil gi et mer åpent og flytende ML-miljø der enhver ansatt kan føle mestring og eierskap over ML-funksjoner eller -verktøy. Disse faktorene er avgjørende for Folkehelseinstituttets evne til å tilpasse seg og fortsette å utmerke seg i kunnskapsoppsummeringsfeltet.
Publisher
Folkehelseinstituttet, Område for helsetjenester

Contact Us | Send Feedback

Privacy policy
DSpace software copyright © 2002-2019  DuraSpace

Service from  Unit
 

 

Browse

ArchiveCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsDocument TypesJournalsThis CollectionBy Issue DateAuthorsTitlesSubjectsDocument TypesJournals

My Account

Login

Statistics

View Usage Statistics

Contact Us | Send Feedback

Privacy policy
DSpace software copyright © 2002-2019  DuraSpace

Service from  Unit