Тексты и смысловые акценты

Отличительные формулировки, межпроектная близость и устойчивость выводов

Метод TF-IDF выявляет формулировки, относительно характерные для документа в сравнении с другими текстами. Частое употребление внутри документа увеличивает вес термина, распространённость во всём корпусе уменьшает его отличительность. Термином в данном анализе является отдельное слово или пара последовательных слов. Подход позволяет совместно учитывать общие тематические слова и более конкретные сочетания. Его результат характеризует словоупотребление. Высокий вес не равнозначен большей общественной потребности, а низкий вес часто встречающегося медицинского термина не означает малой клинической важности обозначаемого явления. [128] с. 100 исходного отчёта

Весовая модель построена на 137 документах: 86 электронных паспортах, четырёх электронных правовых публикациях, 43 документах PDF и четырёх архивных текстах по проекту «Семья». Различия жанров существенны для интерпретации. Общий корпус задаёт сравнительный словарь и частоты распространения терминов. Непосредственное сопоставление современных национальных проектов проводится по однотипным электронным паспортам. Тем самым длинные презентации и повторяющиеся страницы приложений не получают преимущества в проектных профилях за счёт своего объёма. Полностью устранить влияние состава сравнительного корпуса такая процедура не позволяет: при добавлении новых документов изменяются обратные документные частоты. с. 100 исходного отчёта

Текст приводится к нижнему регистру, «ё» и «е» рассматриваются одинаково, технические различия пробелов устраняются. Учитываются буквенные последовательности длиной не менее двух символов, включая слова с дефисом. Для TF-IDF исключается заданный набор служебных слов. Используются униграммы и биграммы, а итоговый словарь ограничен 20 000 признаками. Допускается термин, встречающийся хотя бы в одном документе, но исключаются термины, присутствующие более чем в 98% документов. В основной модели сохраняются словоформы. Наличие отдельных признаков «лечения» и «лечению» поэтому является свойством метода и учитывается при проверке устойчивости. с. 101 исходного отчёта

Вес определён для термина, встречающегося в документе: tfₜd > 0. При отсутствии термина wₜd = 0. Состав обозначений и параметры модели раскрыты ниже.

В формуле tf(t,d) обозначает число употреблений термина t в документе d, df(t) – число документов с этим термином, N = 137. Логарифмическое преобразование частоты уменьшает преимущество многократно повторяющихся формулировок. Сглаживание обратной документной частоты добавлением единицы к числителю и знаменателю стабилизирует оценку редких терминов. При отсутствии термина в документе его вес принимается равным нулю. Затем вектор весов нормируется по евклидовой длине. [129] с. 101 исходного отчёта

Нормировка ненулевого вектора весов по евклидовой длине. с. 101 исходного отчёта

Нормировка переводит каждый документ к единичной длине вектора. Поэтому сравнение преимущественно отражает соотношение терминов и не сводится к сравнению длины текстов. Для двух нормированных векторов косинусная близость равна сумме произведений весов соответствующих терминов. В используемом неотрицательном пространстве значение находится между нулём и единицей. Единица соответствует совпадению направления векторов, ноль – отсутствию общих признаков. Коэффициент не является процентом совпадающих смыслов или оценкой вероятности межведомственного взаимодействия. [130] с. 101 исходного отчёта

Для векторов единичной длины знаменатель равен 1, а косинусная близость совпадает со скалярным произведением. с. 102 исходного отчёта

Пятнадцать наиболее весомых признаков национального паспорта представлены на рисунке 16. Ведущие позиции занимают «пациентов» – 0,0997, «медицинской» – 0,0876, «лечения» – 0,0848 и «лечению» – 0,0836. Далее следуют сочетание диагностики и лечения, упоминания сахарного диабета, здорового образа жизни и сердечно-сосудистых заболеваний. Сочетание лечебной и профилактической лексики выражено уже в национальном профиле. При этом его объём составляет 446 токенов, поэтому изменение нескольких содержательных формулировок способно заметно переставить близкие по весу признаки. Различия третьего десятичного знака не дают основания для содержательного ранжирования задач. с. 102 исходного отчёта

Предметный акцент на пациенте согласуется с построением проекта вокруг доступности, диагностики и лечения. Однако один этот факт не доказывает, что система управления ориентирована на индивидуальный опыт получения помощи. Для такого вывода потребовались бы данные о непрерывности маршрута, понятности назначений, времени ожидания, функциональных результатах и оценках самих пациентов. Текстовый профиль фиксирует язык целей и инструментов. Он полезен для проверки согласованности терминологии и выявления смешения понятий, но не заменяет оценку качества взаимодействия медицинской организации с человеком. с. 103 исходного отчёта

Внутрипроектная матрица на рисунке 17 показывает наиболее высокую близость между сердечно-сосудистым и онкологическим направлениями – 0,375. Среди связей национального паспорта выделяется цифровая платформа – 0,310. Значения для онкологии и реабилитации составляют 0,283, для национального паспорта и диабетологического направления – 0,275. Эти результаты следует объяснять общими предметными и административными формулировками. Сходство клинических направлений не свидетельствует о дублировании их задач, поскольку адресаты помощи, заболевания и технологии существенно различаются. Невысокая близость с кадровым или профилактическим направлением также совместима с их необходимой дополняющей функцией. с. 104 исходного отчёта

Отдельный проектный профиль формируется усреднением нормированных векторов его паспортов с последующей нормировкой полученного среднего. Такая процедура придаёт каждому паспорту одинаковый исходный вес, независимо от длины документа. Следовательно, результат выражает средний язык проектных компонентов. Он не взвешен по численности получателей, бюджетным расходам или ожидаемому вкладу в здоровье. Для межпроектного рисунка использованы девять сопоставимых проектов. Архивный профиль «Семьи» отличается по жанру исходного текста и потому исключён из этого сравнения. Его коэффициент нельзя включать в единый рейтинг без приведения документов к сопоставимому основанию. с. 105 исходного отчёта

В основной модели наибольшая близость к проекту «Продолжительная и активная жизнь» наблюдается у «Экономики данных и цифровой трансформации государства» – 0,201, «Молодёжи и детей» – 0,182, «Эффективной и конкурентной экономики» – 0,157. Далее следуют «Инфраструктура для жизни» – 0,152 и «Кадры» – 0,138. Подобный порядок отражает распределение лексики в выбранных профилях. Он не устанавливает порядок важности межпроектных связей для увеличения продолжительности жизни. Например, значение кадровой обеспеченности нельзя уменьшать на основании того, что словообразовательные и организационные формулировки двух проектов совпадают реже. с. 106 исходного отчёта

Проверка чувствительности выполнена с русским стеммингом Snowball. Стемминг объединяет часть форм слова посредством удаления изменяемых окончаний и суффиксов. Полноценного определения словарной формы и значения слова он не выполняет. Все остальные параметры TF-IDF и принцип формирования проектных профилей сохраняются. На рисунке 18 представлены результаты двух вариантов нормализации. После стемминга коэффициенты для трёх ближайших проектов возрастают соответственно до 0,236, 0,222 и 0,203. Состав и порядок тройки остаются прежними. Индекс Жаккара её состава равен единице: набор из трёх проектов совпадает полностью. [133] с. 106 исходного отчёта

Сохранение порядка девяти сопоставляемых проектов показывает устойчивость данного результата к одному конкретному преобразованию словоформ. Оно не проверяет устойчивость к смене жанров, редакций документов, тематического словаря или способа агрегирования. Увеличение коэффициентов после стемминга ожидаемо при объединении раздельно учитываемых форм и не означает улучшения содержательной координации. Для последующего наблюдения необходимо сохранять одинаковые правила сравнения, а при их изменении пересчитывать весь сопоставляемый массив. Иначе методическое изменение может быть ошибочно принято за содержательное сближение государственных программ. с. 107 исходного отчёта

Разложение косинусной близости по общим признакам помогает объяснить результат. При сравнении с цифровой экономикой заметный вклад дают слова, относящиеся к системам, технологиям, информации и данным. Одновременно участвуют общие административные формулировки об организациях, обеспечении и долях. В сравнении с проектом «Молодёжь и дети» среди ведущих общих признаков присутствуют организации, помощь, деятельность и регионы. Для проекта «Кадры» существенны граждане, население, потребность и региональная принадлежность. Поэтому лексический результат соединяет содержательное родство с общностью языка государственного планирования. Представлять его как автоматически установленную межотраслевую причинную зависимость нельзя. с. 108 исходного отчёта

Управленческая ценность проведённого анализа состоит в уточнении требований к согласованности проекта. Для каждого существенного мероприятия следует однозначно определить адресованный показатель, описать наблюдаемый промежуточный переход и обозначить границы ответственности смежных исполнителей. Для весовых матриц необходимо раскрывать основание дифференциации и отделять экспертные оценки от измеренных эффектов. Для содержательной проверки текстов полезно развивать словари конкретных пациентских потребностей, сохраняя обязательное чтение контекстов. Совместное применение этих подходов позволяет превратить формальную полноту паспортов в проверяемую логику достижения результатов, при которой причины отклонений становятся предметом содержательного разбора. с. 108 исходного отчёта