@phdthesis{Beck2021, author = {Beck, Udo}, title = {Einfluss der Arbeitsbelastung des Personals auf die Patientenzufriedenheit im Krankenhaus - eine empirische Untersuchung}, doi = {10.17904/ku.opus-721}, url = {http://nbn-resolving.de/urn:nbn:de:bvb:824-opus4-7214}, school = {Katholische Universit{\"a}t Eichst{\"a}tt-Ingolstadt}, pages = {190 Seiten : Illustrationen, Diagramme}, year = {2021}, abstract = {Diese Arbeit ist eine wissenschaftliche Untersuchung von Zusammenh{\"a}ngen der Arbeitsbelastung und Patientenzufriedenheit in Krankenh{\"a}usern. F{\"u}r die Analysen standen Leistungsdaten des {\"A}rztlichen Dienstes und des Pflegedienstes sowie Ergebnisse einer kontinuierlichen Patientenbefragung aus insgesamt 36 Krankenh{\"a}usern in Deutschland zur Verf{\"u}gung. Das methodische Vorgehen bestand im ersten Schritt aus einer systematischen Literaturrecherche. Anschließend wurde anhand eines gegebenen Datensatzes ein quantitatives Verfahren zur Pr{\"u}fung der Hypothese/n „Die Arbeitsbelastung des Pflegedienstes/{\"A}rztlichen Dienstes hat einen Einfluss auf die Patientenzufriedenheit mit dem Pflegedienst/{\"A}rztlichen Dienst" gew{\"a}hlt. Abschließend wurden die Ergebnisse anhand der identifizierten Fachliteratur diskutiert. Die statistischen Analysen kommen f{\"u}r den Pflegedienst und den {\"A}rztlichen Dienst in Bezug auf den untersuchten Zusammenhang zu unterschiedlichen Ergebnissen. F{\"u}r den Pflegedienst zeigte sich f{\"u}r das Datenjahr 2015 ein mittlerer positiver Zusammenhang zwischen der Arbeitsbelastung und der Unzufriedenheit der Patienten mit dem Pflegepersonal insgesamt (r-Wert = 0,389). Das heißt, mit der Zunahme der Arbeitsbelastung steigt die Unzufriedenheit der Patienten. Das Ergebnis ist mit einem p-Wert von ≤ 0,001 hoch signifikant und die Anzahl der untersuchten Stationen f{\"u}hrt hier zu einer ausreichenden Testst{\"a}rke mit einem Wert von 0,999. Durch eine erfolgte Messwiederholung mit den Daten des Jahres 2016 wurde dieses Ergebnis best{\"a}tigt. F{\"u}r den {\"A}rztlichen Dienst zeigte sich f{\"u}r das Datenjahr 2015 (r = 0,091) und die Messwiederholung 2016 (r = 0,046) bei einem p-Wert > 0,05 kein gesicherter Zusammenhang zwischen der Arbeitsbelastung und der Unzufriedenheit der Patienten mit dem {\"A}rztlichen Dienst insgesamt. Die durch die Literaturrecherche identifizierte und in dieser Arbeit diskutierte Fachliteratur, hatte im Ergebnis {\"u}berwiegend eine schwache Aussagekraft. Durch die klaren Ergebnisse der Zusammenhangsanalysen ist diese Arbeit f{\"u}r den aktuellen Stand der Forschung von Relevanz.}, subject = {Krankenhausplanung}, language = {de} } @phdthesis{SchulzeDieckhoff2021, author = {Schulze Dieckhoff, Max}, title = {From bag-of-words towards natural language: adapting topic models to avoid stop word removal}, doi = {10.17904/ku.opus-726}, url = {http://nbn-resolving.de/urn:nbn:de:bvb:824-opus4-7266}, school = {Katholische Universit{\"a}t Eichst{\"a}tt-Ingolstadt}, pages = {xvi, 159 Seiten : Illustrationen, Diagramme}, year = {2021}, abstract = {Topic models such as latent Dirichlet allocation (LDA) aim to identify latent topics within text corpora. However, although LDA-type models fall into the category of Natural Language Processing, the actual model input is heavily modified from the original natural language. Among other things, this is typically done by removing specific terms, which arguably might also remove information. In this paper, an extension to LDA is proposed called uLDA, which seeks to incorporate some of these formerly eliminated terms -- namely stop words -- to match natural topics more closely. After developing and evaluating the new extension on established fit measures, uLDA is then tasked with approximating human-perceived topics. For this, a ground truth for topic labels is generated using a human-based experiment. These values are then used as a reference to be matched by the model output. Results show that the new extension outperforms traditional topic models regarding out-of-sample fit across all data sets and regarding human topic approximation for most data sets. These findings demonstrate that the novel extension can extract valuable information from the additional data conveyed by stop words and shows potential for better modeling natural language in the future.}, subject = {Bayes-Lernen}, language = {en} }