公众对人工智能驱动医疗保健的认知研究

### 公众对人工智能驱动医疗保健的认知研究 #### 1. 相关研究成果概述 - **DLTPM优化与安全研究**：利用鲸鱼优化技术对两个DLTPM进行优化，以实现更快的同步。同时研究了DLTPM的安全性和同步时间，结果表明几何攻击的成功率降低，且在相同设置下，DLTPM的安全性高于现有TPM。 - **雾计算降低医疗延迟研究**：提出了一种基于机器学习的雾计算方法，用于最小化医疗保健中的延迟。通过开发智能多媒体数据隔离（IMDS）方法，评估并降低了传输延迟、网络延迟和计算延迟等延迟特性，提高了电子医疗保健的客户体验，适应不同网络，降低延迟和网络利用率有助于提升服务质量（QoS）。 - **人工智能在疫情后应用研究**：提出了基于监督/无监督方法和连续生理变量跟踪的COVID - 19检测方法，利用语音信号和高斯混合模型 - 通用背景模型（GMM - UBM）实现了60% - 67%的COVID - 19检测准确率，并基于疫情问题提出了未来建议。 #### 2. 研究变量与目标 - **研究变量** - **独立变量**：收入、年龄、教育程度、技术素养、监管担忧、COVID - 19。 - **因变量**：感知有用性（PU）、感知信任。 |变量类型|具体变量| | ---- | ---- | |独立变量|收入、年龄、教育、技术素养、监管担忧、COVID - 19| |因变量|感知有用性、感知信任| - **研究目标**：探究收入、年龄、教育程度、技术素养、监管担忧、COVID - 19与对智能人工智能驱动医疗保健系统的感知有用性和感知信任之间的关系。 #### 3. 研究方法 - **研究设计**：采用描述性研究设计。 - **目标人群**：所有体验过医疗保健系统的个人。 - **数据收集**：主要通过自我管理的结构化问卷进行。 - **抽样方法**：由于疫情限制，采用非概率便利抽样，通过在线调查收集了105份受访者数据。 - **年龄分布**：大部分受访者处于20 - 30岁年龄组，其次是31 - 40岁年龄组。 - **教育程度分布**：大多数受访者是毕业生，其次是硕士，博士最少。 ```mermaid graph LR A[研究方法] --> B[研究设计: 描述性研究] A --> C[目标人群: 体验过医疗系统的个人] A --> D[数据收集: 结构化问卷] A --> E[抽样方法: 非概率便利抽样] E --> F[年龄分布: 20 - 30岁居多] E --> G[教育程度分布: ```