专利汇可以提供潜在属性的诊断方法专利检索,专利查询,专利分析的服务。并且一种方法,可以用于:对智 力 技巧进行认知诊断,对病症和 疾病 进行医学和 精神病 学诊断,以及一般来讲,对一组对象(通常是人)的潜在属性进行诊断(1711),其中,可以得到关于所述对象的、有两种取值的(二值性)多项信息,例如,采用对/错方式进行记分的考题的考试。可以应用本 发明 的场景包括但不限于:各种 水 平的课堂,基于网络的教学,公司内部培训,大规模标准化考试,以及医学和 精神病学 场景。用途(1713)包括但不限于:个体学员的反馈,学员的补习,群体水平的教育评估,以及医学和精神病学 治疗 。,下面是潜在属性的诊断方法专利的具体信息内容。
1.一种方法,包括:
构建一项其中包括若干考题的考试,并选择一个技能集合,所述技能集合的设计目的 是:测定参加所述考试的受试者的能力水平,并测定每一个受试者已经掌握还是尚未掌握所 述技能;
构建一个以数学方式表达的模型,包括所述考题和所述选定的技能,所述选定的技能是 一个更大的技能组的子集,所述更大的技能组中的技能可以影响受试者的考试表现,所述更 大的技能组中未规定的剩余部分,通过剩余能力参数的形式,在所述模型中得到体现;所述 模型中包括参数,所述参数描述了所述考题如何依赖于所述选定的技能集合,也描述了所述 考题如何依赖于所述剩余能力参数,其中,受试者对考题的反应提供了针对每一个参数的估 计信息,使得可以对所述参数进行标定,也提供了对所述受试者掌握还是未掌握哪些技能的 预测;所述模型还解释了如下事件的概率,即:对每一道考题而言,每一名受试者可能已掌 握了所述考题所要求的全部技能,但未能在所述考题上正确地运用这些必需的、已经掌握的 技能中的至少一项,因此答错了这道题,其中,所述考题所要求的全部技能是所述选定的技 能集合的一个子集中的;以及如下事件的概率:对每一道考题而言,每一名受试者可能未掌 握所述考题所要求的技能中的至少一项,但仍然在所述考题上正确地运用了这些必需、但没 有掌握的技能中的每一项,同时,也在所述考题上正确地运用了剩余的、必需、同时也掌握 了的、选自所述选定的技能集合中的技能,从而答对了所述考题;所述模型将每种技能的掌 握定义为一个设定的水平,表示一名超过所述水平的受试者已经具备了相应的技能水平;所 述模型针对所述选定的技能集合中的技能对,表达了在每一个所述技能对的两个成员之间的 正联系,还表达了对每一个技能对正联系大小的估量,其中,针对每一个技能对的所述正联 系可以由受试者对具体考题的反应估计出来;以及
将根据受试者反应所获得的考试结果用于标定所述模型的具体考题,以得到技能已掌握 的预测,或者技能未掌握的预测,或者针对每一个由具体受试者和具体技能构成的组合不做 出任何预测。
2.如权利要求1所述的方法,包括:
构建一项其中包括若干考题的考试,当受试者j答错或答对考题i时,相应地分别有Xij =0或1;选择一个技能集合{αjk},当受试者j未掌握或已掌握技能k时,相应地分别有αjk= 0或1;以及
构建一个以数学方式表达的模型,包括可识别的、因此能够被标定的参数{ π *,r*},所 述参数按照下述概率描述了所述考题如何依赖于所述选定的技能集合:
其中,Sij是正确运用全部必需技能的概率,由受试者掌握及未掌握这些所需技能所确定;在 Sij中针对考题/技能关系矩阵中所规定的、考题i所要求的m项技能对r*’s求积;π* i=∏ (πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在受试者未掌握技能k的情况下,将技能k 正确应用于考题i),πik=Prob(在受试者已掌握技能k的情况下,将技能k正确应用于考题 i);间接表达了对每一个技能对正联系大小的估量,正如二值技能αk,αk’的连续二变量正态 技能前身α’k,α’k’之间的相关性σkk’所确定的那样,然后,所需的二值技能对αk,αk’可以通过 如下方式产生:将每一个α’k在指定的掌握水平分界点处进行分界,从而使得技能k的掌握 概率pk(αk=1)被定义为等于Prob(α’k≥分界点),其中,这样定义的技能掌握水平是通过选 择α’k的分界点而实现的,pk是由使用者确定的、被判断为已掌握技能k的受试者比例,从 而使得每一项技能通过连续的α’k及其分界点而获得了被赋予的水平,表示一名超过该水平 的受试者已经掌握该项技能。
3.一种方法,包括:
构建一项其中包括若干考题的考试,并选择一个技能集合,所述技能集合的设计目的 是:测定参加所述考试的受试者的能力水平,并测定每一个受试者已经掌握还是尚未掌握所 述技能;
构建一个以数学方式表达的模型,包括所述考题和所述选定的技能,所述选定的技能是 一个更大的技能组的子集,所述更大的技能组中的技能可以影响受试者的考试表现,所述更 大的技能组中未规定的剩余部分,通过剩余能力参数的形式,在所述模型中被体现;所述模 型中包括参数,所述参数描述了所述考题如何依赖于所述选定的技能集合,也描述了所述考 题如何依赖于所述剩余能力参数,其中,受试者对考题的反应提供了针对每一个参数的估计 信息,使得可以对所述参数进行标定,也提供了对所述受试者掌握还是未掌握哪些技能的预 测;所述模型还解释了如下事件的概率,即:对每一道考题而言,每一名受试者可能已掌握 了所述考题所要求的全部技能,但未能在所述考题上正确地运用这些必需的、已经掌握的技 能中的至少一项,因此答错了这道题,其中,所述考题所要求的全部技能是所述选定的技能 集合的一个子集中的;以及如下事件的概率:对每一道考题而言,每一名受试者可能未掌握 所述考题所要求的技能中的至少一项,但仍然在所述考题上正确地运用了这些必需、但没有 掌握的技能中的每一项,同时,也在所述考题上正确地运用了剩余的、必需、同时也掌握了 的、选自所述选定的技能集合中的技能,从而答对了所述考题;所述模型针对所述选定的技 能集合中的技能对,表达了在每一个所述技能对的两个成员之间的正联系,还表达了对每一 个技能对正联系大小的估量,其中,针对每一个技能对的所述正联系可以由受试者对具体考 题的反应估计出来;以及
将根据受试者反应所获得的考试结果用于标定所述模型的具体考题,以得到技能已掌握 的预测,或者技能未掌握的预测,或者针对每一个由具体受试者和具体技能构成的组合不做 出任何预测。
4.如权利要求3所述的方法,包括:
构建一项其中包括若干考题的考试,当受试者j答错或答对考题i时,相应地分别有Xij =0或1;选择一个技能集合{αjk},当受试者j未掌握或已掌握技能k时,相应地分别有αjk= 0或1;以及
构建一个以数学方法表达的模型,包括可识别的、因此能够被标定的参数{ π *,r*},所 述参数按照下述概率描述了所述考题如何依赖于所述选定的技能集合:
其中,Sij是正确运用全部必需技能的概率,由受试者掌握及未掌握这些必需技能所确定;在 Sij中针对考题/技能关系矩阵中所规定的、考题i所要求的m项技能对r*’s求积;π* i=∏ (πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在受试者未掌握技能k的情况下,将技能k 正确应用于考题i),πik=Prob(在受试者已掌握技能k的情况下,将技能k正确应用于考题 i);间接表达了对每一个技能对正联系大小的估量,正如二值技能αk,αk’的连续二变量正态 技能前身α’k,α’k’之间的相关性σkk’所确定的那样,然后,所需的二值技能对αk,αk’可以通过 在一个分界点处对每一个α’k进行分界而得到。
5.一种方法,包括:
构建一项其中包括若干考题的考试,并选择一个技能集合,所述技能集合的设计目的 是:测定参加所述考试的受试者的能力水平,并测定每一个受试者已经掌握还是尚未掌握所 述技能;
构建一个以数学方式表达的模型,包括所述考题和所述选定的技能,所述选定的技能是 一个更大的技能组的子集,所述更大的技能组中的技能可以影响受试者的考试表现,所述更 大的技能组中未规定的剩余部分,通过剩余能力参数的形式,在所述模型中被体现;所述模 型中包括参数,所述参数描述了所述考题如何依赖于所述选定的技能集合,也描述了所述考 题如何依赖于所述剩余能力参数,其中,受试者对考题的反应提供了针对每一个参数的估计 信息,使得可以对所述参数进行标定,也提供了对所述受试者掌握还是未掌握哪些技能的预 测;所述模型还解释了如下事件的概率,即:对每一道考题而言,每一名受试者可能已掌握 了所述考题所要求的全部技能,但未能在所述考题上正确地运用这些必需的、已经掌握的技 能中的至少一项,因此答错了这道题,其中,所述考题所要求的全部技能是所述选定的技能 集合的一个子集中的;以及如下事件的概率:对每一道考题而言,每一名受试者可能未掌握 所述考题所要求的技能中的至少一项,但仍然在所述考题上正确地运用了这些必需、但没有 掌握的技能中的每一项,同时,也在所述考题上正确地运用了剩余的、必需、同时也掌握了 的、选自所述选定的技能集合中的技能,从而答对了所述考题;所述模型定义了有待于赋以 水平值的每种技能的掌握程度,表示一名超过所述水平的受试者已经具备了相应的技能水 平;以及
将根据受试者反应所获得的考试结果用于标定所述模型的具体考题,以得到技能已掌握 的预测,或者技能未掌握的预测,或者针对每一个由具体受试者和具体技能构成的组合不做 出任何预测。
6.如权利要求5所述的方法,包括:
构建一项其中包括若干考题的考试,当受试者j答错或答对考题i时,相应地分别有Xij =0或1;选择一个技能集合{αjk},当受试者j未掌握或已掌握技能k时,相应地分别有αjk= 0或1;以及
构建一个以数学方式表达的模型,包括可识别的、因此能够被标定的参数{ π *,r*},所 述参数按照下述概率描述了所述考题如何依赖于所述选定的技能集合:
其中,Sij是正确运用全部必需技能的概率,由受试者掌握及未掌握这些必需技能所确定;在 Sij中针对考题/技能关系矩阵中所规定的、考题i所要求的m项技能对r*’s求积;π* i=∏ (πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在受试者未掌握技能k的情况下,将技能k 正确应用于考题i),πik=Prob(在受试者已掌握技能k的情况下,将技能k正确应用于考题 i),其中,pk是由使用者确定的、被判断为已掌握技能k的受试者比例。
7.一种方法,包括:
构建一项其中包括若干考题的考试,并选择一个技能集合,所述技能集合的设计目的 是:测定参加所述考试的受试者的能力水平,并测定每一个受试者已经掌握还是尚未掌握所 述技能;
构建一个以数学方式表达的模型,包括所述考题和所述选定的技能,所述选定的技能是 一个更大的技能组的子集,所述更大的技能组中的技能可以影响受试者的考试表现,所述更 大的技能组中未规定的剩余部分,通过剩余能力参数的形式,在所述模型中被体现;所述模 型中包括参数,所述参数描述了所述考题如何依赖于所述选定的技能集合,也描述了所述考 题如何依赖于所述剩余能力参数,还提供了对所述受试者掌握还是未掌握哪些技能的预测; 所述模型还解释了如下事件的概率,即:对每一道考题而言,每一名受试者可能已掌握了所 述考题所要求的全部技能,但未能在所述考题上正确地运用这些必需的、已经掌握的技能中 的至少一项,因此答错了这道题,其中,所述考题所要求的全部技能是所述选定的技能集合 的一个子集中的;以及如下事件的概率:对每一道考题而言,每一名受试者可能未掌握所述 考题所要求的技能中的至少一项,但仍然在所述考题上正确地运用了这些必需、但没有掌握 的技能中的每一项,同时,也在所述考题上正确地运用了剩余的、必需、同时也掌握了的、 选自所述选定的技能集合中的技能,从而答对了所述考题;所述模型将每种技能的掌握程度 定义为一个设定的水平,表示一名超过所述水平的受试者已经具备了相应的技能水平;所述 模型针对所述选定的技能集合中的技能对,表达了在每一个所述技能对的两个成员之间的正 联系,还表达了对每一个技能对正联系大小的估量,其中,针对每一个技能对的所述正联系 可以由受试者对具体考题的反应估计出来;以及
将根据受试者反应所获得的考试结果用于标定所述模型的具体考题,以得到技能已掌握 的预测,或者技能未掌握的预测,或者针对每一个由具体受试者和具体技能构成的组合不做 出任何预测。
8.如权利要求7所述的方法,包括:
构建一项其中包括若干考题的考试,当受试者j答错或答对考题i时,相应地分别有Xij =0或1;选择一个技能集合{αjk},当受试者j未掌握或已掌握技能k时,相应地分别有αjk= 0或1;以及
构建一个以数学方式表达的模型,包括参数{ π *,r*},所述参数按照下述概率描述了所 述考题如何依赖于所述选定的技能集合:
其中,Sij是正确运用全部必需技能的概率,由受试者掌握及未掌握这些必需技能所确定;在 Sij中针对考题/技能关系矩阵中所规定的、考题i所要求的m项技能对r*’s求积;π* i=∏ (πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在受试者未掌握技能k的情况下,将技能k 正确应用于考题i),πik=Prob(在受试者已掌握技能k的情况下,将技能k正确应用于考题 i);间接表达了对每一个技能对正联系大小的估量,正如二值技能αk,αk’的连续二变量正态 技能前身α’k,α’k’之间的相关性σkk’所确定的那样,然后,所需的二值技能对αk,αk’可以通过 如下方式产生:将每一个α’k在指定的掌握水平分界点处进行分界,从而使得技能k的掌握 概率pk(αk=1)被定义为等于Prob(α’k≥分界点),其中,这样定义的技能掌握水平是通过选 择α’k的分界点而实现的,pk是由使用者确定的、被判断为已掌握技能k的受试者比例,从 而使得每一项技能通过连续的α’k及其分界点而获得了被赋予的水平,表示一名超过该水平 的受试者已经掌握该项技能。
9.一种方法,包括:
构建一项其中包括若干考题的考试,并选择一个技能集合,所述技能集合的设计目的 是:测定参加所述考试的受试者的能力水平,并测定每一个受试者已经掌握还是尚未掌握所 述技能;
构建一个以数学方式表达的模型,包括所述考题和所述选定的技能,所述选定的技能是 一个更大的技能组的子集,所述更大的技能组中的技能可以影响受试者的考试表现,所述更 大的技能组中未规定的剩余部分,通过剩余能力参数的形式,在所述模型中被体现;所述模 型中包括参数,所述参数描述了所述考题如何依赖于所述选定的技能集合,也描述了所述考 题如何依赖于所述剩余能力参数,其中,受试者对考题的反应提供了针对每一个参数的估计 信息,使得可以对所述参数进行标定,也提供了对所述受试者掌握还是未掌握哪些技能的预 测;所述模型还解释了如下事件的概率,即:对每一道考题而言,每一名受试者可能已掌握 了所述考题所要求的全部技能,但未能在所述考题上正确地运用这些必需的、已经掌握的技 能中的至少一项,因此答错了这道题,其中,所述考题所要求的全部技能是所述选定的技能 集合的一个子集中的;以及如下事件的概率:对每一道考题而言,每一名受试者可能未掌握 所述考题所要求的技能中的至少一项,但仍然在所述考题上正确地运用了这些必需、但没有 掌握的技能中的每一项,同时,也在所述考题上正确地运用了剩余的、必需、同时也掌握了 的、选自所述选定的技能集合中的技能,从而答对了所述考题;将根据受试者反应所获得的 考试结果用于标定所述模型的具体考题,以得到技能已掌握的预测,或者技能未掌握的预 测,或者针对每一个由具体受试者和具体技能构成的组合不做出任何预测。
10.如权利要求1所述的方法,包括:
构建一项其中包括若干考题的考试,当受试者j答错或答对考题i时,相应地分别有Xij =0或1;选择一个技能集合{αjk},当受试者j未掌握或已掌握技能k时,相应地分别有αjk= 0或1;以及
构建一个以数学方式表达的模型,包括可识别的、因此能够被标定的参数{ π *,r*},所 述参数按照下述概率描述了所述考题如何依赖于所述选定的技能集合:
其中,Sij是正确运用全部必需技能的概率,由受试者掌握及未掌握这些必需技能所确定;在 Sij中针对考题/技能关系矩阵中所规定的、考题i所要求的m项技能对r*’s求积;π* i=∏ (πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在受试者未掌握技能k的情况下,将技能k 正确应用于考题i),πik=Prob(在受试者已掌握技能k的情况下,将技能k正确应用于考题 i)。
11.一种方法,包括:
构建一项其中包括若干考题的考试,并选择一个技能集合,所述技能集合的设计目的 是:测定参加所述考试的受试者的能力水平,并测定每一个受试者已经掌握还是尚未掌握所 述技能;
构建一个以数学方式表达的模型,包括所述考题和所述选定的技能,所述选定的技能是 一个更大的技能组的子集,所述更大的技能组中的技能可以影响受试者的考试表现,所述更 大的技能组中未规定的剩余部分,通过剩余能力参数的形式,在所述模型中被体现;所述模 型中包括参数,所述参数描述了所述考题如何依赖于所述选定的技能集合,也描述了所述考 题如何依赖于所述剩余能力参数,还提供了对所述受试者掌握还是未掌握哪些技能的预测; 所述模型还解释了如下事件的概率,即:对每一道考题而言,每一名受试者可能已掌握了所 述考题所要求的全部技能,但未能在所述考题上正确地运用这些必需的、已经掌握的技能中 的至少一项,因此答错了这道题,其中,所述考题所要求的全部技能是所述选定的技能集合 的一个子集中的;以及如下事件的概率:对每一道考题而言,每一名受试者可能未掌握所述 考题所要求的技能中的至少一项,但仍然在所述考题上正确地运用了这些必需、但没有掌握 的技能中的每一项,同时,也在所述考题上正确地运用了剩余的、必需、同时也掌握了的、 选自所述选定的技能集合中的技能,从而答对了所述考题;所述模型将每种技能的掌握程度 定义为一个设定的水平,表示一名超过所述水平的受试者已经具备了相应的技能水平;以及
将根据受试者反应所获得的考试结果用于标定所述模型的具体考题,以得到技能已掌握 的预测,或者技能未掌握的预测,或者针对每一个由具体受试者和具体技能构成的组合不做 出任何预测。
12.如权利要求11所述的方法,包括:
构建一项其中包括若干考题的考试,当受试者j答错或答对考题i时,相应地分别有Xij =0或1;选择一个技能集合{αjk},当受试者j未掌握或已掌握技能k时,相应地分别有αjk= 0或1;以及
构建一个以数学方式表达的模型,包括参数{ π *,r*},所述参数按照下述概率描述了所 述考题如何依赖于所述选定的技能集合:
其中,Sij是正确运用全部必需技能的概率,由受试者掌握及未掌握这些必需技能所确定;在 Sij中针对考题/技能关系矩阵中所规定的、考题i所要求的m项技能对r*’s求积;π* i=∏ (πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在受试者未掌握技能k的情况下,将技能k 正确应用于考题i),πik=Prob(在受试者已掌握技能k的情况下,将技能k正确应用于考题 i),其中,pk是由使用者确定的、被判断为已掌握技能k的受试者比例。
13.一种方法,包括:
构建一项其中包括若干考题的考试,并选择一个技能集合,所述技能集合的设计目的 是:测定参加所述考试的受试者的能力水平,并测定每一个受试者已经掌握还是尚未掌握所 述技能;
构建一个以数学方式表达的模型,包括所述考题和所述选定的技能,所述选定的技能是 一个更大的技能组的子集,所述更大的技能组中的技能可以影响受试者的考试表现,所述更 大的技能组中未规定的剩余部分,通过剩余能力参数的形式,在所述模型中被体现;所述模 型中包括参数,所述参数描述了所述考题如何依赖于所述选定的技能集合,也描述了所述考 题如何依赖于所述剩余能力参数,还提供了对所述受试者掌握还是未掌握哪些技能的预测; 所述模型还解释了如下事件的概率,即:对每一道考题而言,每一名受试者可能已掌握了所 述考题所要求的全部技能,但未能在所述考题上正确地运用这些必需的、已经掌握的技能中 的至少一项,因此答错了这道题,其中,所述考题所要求的全部技能是所述选定的技能集合 的一个子集中的;以及如下事件的概率:对每一道考题而言,每一名受试者可能未掌握所述 考题所要求的技能中的至少一项,但仍然在所述考题上正确地运用了这些必需、但没有掌握 的技能中的每一项,同时,也在所述考题上正确地运用了剩余的、必需、同时也掌握了的、 选自所述选定的技能集合中的技能,从而答对了所述考题;所述模型针对所述选定的技能集 合中的技能对,表达了在每一个所述技能对的两个成员之间的正联系,还表达了对每一个技 能对正联系大小的估量,其中,针对每一个技能对的所述正联系可以由受试者对具体考题的 反应估计出来;以及
将根据受试者反应所获得的考试结果用于标定所述模型的具体考题,以得到技能已掌握 的预测,或者技能未掌握的预测,或者针对每一个由具体受试者和具体技能构成的组合不做 出任何预测。
14.如权利要求7所述的方法,包括:
构建一项其中包括若干考题的考试,当受试者j答错或答对考题i时,相应地分别有Xij =0或1;选择一个技能集合{αjk},当受试者j未掌握或已掌握技能k时,相应地分别有αjk= 0或1;以及
构建一个以数学方式表达的模型,包括参数{ π *,r*},所述参数按照下述概率描述了所 述考题如何依赖于所述选定的技能集合:
其中,Sij是正确运用全部必需技能的概率,由受试者掌握及未掌握这些必需技能所确定;在 Sij中针对考题/技能关系矩阵中所规定的、考题i所要求的m项技能对r*’s求积;π* i=∏ (πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在受试者未掌握技能k的情况下,将技能k 正确应用于考题i),πjk=Prob(在受试者已掌握技能k的情况下,将技能k正确应用于考题 i);间接表达了对每一个技能对正联系结构大小的测量,正如二值技能αk,αk’的连续二变量 正态技能前身α’k,α’k’之间的相关性σkk’所确定的那样,然后,所需的二值技能对αk,αk’可以 通过在一个指定的分界点处对每一个α’k进行分界而得到。
15.一种方法,包括:
构建一个集合,其中包括在医学上或精神病学上所关注的二值性患者症状或二值性个人 特征,并为了评估的目的选择一个规定的集合,其中包括每位患者具有或不具有的、可能的 医学或精神病学上的疾病,每位患者可能具有多种疾病;
构建一个以数学方式表达的模型,包括所述症状或特征以及所述为了评估而选出的规定 疾病;其中,潜在健康或生活质量参数代表了未包括在所述规定的疾病集合中的患者的潜在 方面;所述模型中包括参数,所述参数描述了所述症状或特征如何依赖于所述规定的疾病集 合,也描述了所述症状或特征如何依赖于潜在一般性健康或生活质量参数,其中,所述患者 的症状或特征提供了针对每一个参数的估计信息,使得可以对所述参数进行标定,也提供了 对所述可能疾病的似然预测;所述模型还解释了如下事件的概率,即:一名患者可能具有一 种疾病的典型症状或特征的集合,但是所述患者并未患有该疾病;以及,一名患者可能缺少 所述疾病的典型症状或特征中的至少一个,但所述患者却患有所述疾病;对于某些精神病学 或医学疾病而言,所述模型针对所述某些精神病学或医学疾病中的每一种,定义了被判断为 构成具有该疾病的水平;在所述选定疾病集合的所有疾病对中,所述模型针对其中的某些疾 病对表达了同样疾病对中的每一个之间的联系,可能是正联系或负联系的;还表达了对所述 选定疾病集合的每一个疾病对之间联系的大小的估量,所述的联系可以由所述患者对所述疾 病或特征的反应而估计出来;以及,利用应用了患者数据的所述模型,以得到对患者具有所 述规定的可能疾病集合中的每一种疾病的概率。
16.如权利要求15所述的方法,包括:
构建一项医学或精神病学诊断,其中包括观测到的症状/特征,当患者j未表现出或表现 出症状/特征i时,相应地分别有Xij=0或1;选择一个可能疾病的集合{αjk},当患者j具有 或不具有疾病k时,相应地分别有αjk=0或1;以及
构建一个以数学方式表达的模型,其中包括可识别的、因此能够被标定的参数{ π *, r*},所述参数按照下述概率描述了所述症状/特征如何依赖于所述选定的疾病集合:
其中,Sij是表现出症状/特征i的概率,由患者j具有或不具有所述疾病所确定,并且采用了 关于潜在健康/生活质量变量的完全性;针对关系矩阵中所规定的、与症状/特征i相联系的 m种疾病对r*’s求积;π* i=∏(πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在所述患者 具有疾病k的情况下,症状/特征i),πik=Prob(在所述患者不具有疾病k的情况下,症状/特 征i);间接表达了每一个疾病对之间联系的大小的估量,正如二值疾病αk,αk’的连续二变量 正态疾病前身α’k,α’k’之间的相关性σkk’所确定的那样,然后,所需的二值疾病对αk,αk’可以 通过如下方式产生:将每一个α’k在指定的疾病分界点处进行分界,从而使得疾病k的患病 概率pk被定义为等于Prob(α’k≥分界点),其中,这样定义的、被判断为构成具有所述疾病 (αk=0)的所述疾病的水平α’k,是通过选择α’k的分界点而实现的,其中,pk是被判断为具有 所述疾病的患者的比例,所述的比例是通过设定α’k的分界点而确定的,从而使得每一种疾 病通过连续的α’k及其分界点而获得了被赋予的水平,表示一名超过该水平的患者具有所述 疾病。
17.一种方法,包括:
构建一个集合,其中包括在医学上或精神病学上关注的二值性患者症状或二值性个人特 征,并为了评估的目的选择一个规定的集合,其中包括每位患者具有或不具有的、可能的医 学或精神病学上的疾病,每位患者可能具有多种疾病;
构建一个以数学方式表达的模型,包括所述症状或特征以及所述为了评估而选出的规定 疾病;其中,潜在健康或生活质量参数代表了未包括在所述规定的疾病集合中的患者的潜在 方面;所述模型中包括参数,所述参数描述了所述症状或特征如何依赖于所述规定的疾病集 合,也描述了所述症状或特征如何依赖于潜在一般性健康或生活质量参数,其中,所述患者 的症状或特征提供了针对每一个参数的估计信息,使得可以对所述参数进行标定,也提供了 对所述可能疾病的似然预测;所述模型还解释了如下事件的概率,即:一名患者可能具有一 种疾病的典型症状或特征的集合,但是所述患者并未患有该疾病;以及,一名患者可能缺少 所述疾病的典型症状或特征中的至少一个,但所述患者却患有所述疾病;在所述选定疾病集 合的所有疾病对中,所述模型针对其中的某些疾病对表达了同样疾病对中的每一个之间的联 系,可能是正联系或负联系的;还表达了对所述选定疾病集合的每一个疾病对之间联系大小 的估量,所述的联系可以由所述患者对所述疾病或特征的反应而估计出来;以及,利用应用 了患者数据的所述模型,以得到对患者具有所述规定的可能疾病集合中的每一种疾病的概 率。
18.如权利要求17所述的方法,包括:
构建一项医学或精神病学诊断,其中包括观测到的症状/特征,当患者j未表现出或表现 出症状/特征i时,相应地分别有Xij=0或1;选择一个可能疾病的集合{αjk},当患者j具有 或不具有疾病k时,相应地分别有αjk=0或1;以及
构建一个以数学方式表达的模型,其中包括可识别的、因此能够被标定的参数{ π *, r*},所述参数按照下述概率描述了所述症状/特征如何依赖于所述选定的疾病集合:
其中,Sij是表现出症状/特征i的概率,由患者j具有或不具有所述疾病所确定,并且采用了 关于潜在健康/生活质量变量的完全性;针对关系矩阵中所规定的、与症状/特征i相联系的 m种疾病对r*’s求积;π* i=∏(πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在所述患者 具有疾病k的情况下,症状/特征i),πik=Prob(在所述患者不具有疾病k的情况下,症状/特 征i);间接表达了每一个疾病对之间联系的大小的测量,正如二值疾病αk,αk’的连续二变量 正态疾病前身α’k,α’k’之间的相关性σkk’所确定的那样,然后,所需的二值疾病对αk,αk’可以 通过将每一个α’k在一个分界点处进行分界而得到。
19.一种方法,包括:
构建一个集合,其中包括在医学上或精神病学上所关注的二值性患者症状或二值性个人 特征,并为了评估的目的选择一个规定的集合,其中包括每位患者具有或不具有的、可能的 医学或精神病学上的疾病,每位患者可能具有多种疾病;
构建一个以数学方式表达的模型,包括所述症状或特征以及所述为了评估而选出的规定 疾病;其中,潜在健康或生活质量参数代表了未包括在所述规定的疾病集合中的患者的潜在 方面;所述模型中包括参数,所述参数描述了所述症状或特征如何依赖于所述规定的疾病集 合,也描述了所述症状或特征如何依赖于潜在一般性健康或生活质量参数,其中,所述患者 的症状或特征提供了针对每一个参数的估计信息,使得可以对所述参数进行标定,也提供了 对所述可能疾病的似然预测;所述模型还解释了如下事件的概率,即:一名患者可能具有一 种疾病的典型症状或特征的集合,但是所述患者并未患有该疾病;以及,一名患者可能缺少 所述疾病的典型症状或特征中的至少一个,但所述患者却患有所述疾病;对于某些精神病学 或医学疾病而言,所述模型针对所述某些精神病学或医学疾病中的每一种,定义了被判断为 构成具有该疾病的水平;以及,
利用应用了患者数据的所述模型,以得到对患者具有所述规定的可能疾病集合中的每一 种疾病的概率。
20.如权利要求19所述的方法,包括:
构建一项医学或精神病学诊断,其中包括观测到的症状/特征,当患者j未表现出或表现 出症状/特征i时,相应地分别有Xij=0或1;选择一个可能疾病的集合{αjk},当患者j具有 或不具有疾病k时,相应地分别有αjk=0或1;以及
构建一个以数学方式表达的模型,其中包括可识别的、因此能够被标定的参数{ π *, r*},所述参数按照下述概率描述了所述症状/特征如何依赖于所述选定的疾病集合:
其中,Sij是表现出症状/特征i的概率,由患者j具有或不具有所述疾病所确定,并且采用了 关于潜在健康/生活质量变量的完全性;针对关系矩阵中所规定的、与症状/特征i相联系的 m种疾病对r*’s求积;π* i=∏(πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在所述患者 具有疾病k的情况下,症状/特征i),πik=Prob(在所述患者不具有疾病k的情况下,症状/特 征i),其中,pk是被判断为具有所述疾病的患者的比例,是由定义所述疾病的使用者确定 的。
21.一种方法,包括:
构建一个集合,其中包括在医学上或精神病学上所关注的二值性患者症状或二值性个人 特征,并为了评估的目的选择一个规定的集合,其中包括每位患者具有或不具有的、可能的 医学或精神病学上的疾病,每位患者可能具有多种疾病;
构建一个以数学方式表达的模型,包括所述症状或特征以及所述为了评估而选出的规定 疾病;其中,潜在健康或生活质量参数代表了未包括在所述规定的疾病集合中的患者的潜在 方面;所述模型中包括参数,所述参数描述了所述症状或特征如何依赖于所述规定的疾病集 合,也描述了所述症状或特征如何依赖于潜在一般性健康或生活质量参数;所述模型还解释 了如下事件的概率,即:一名患者可能具有一种疾病的典型症状或特征的集合,但是所述患 者并未患有该疾病;以及,一名患者可能缺少所述疾病的典型症状或特征中的至少一个,但 所述患者却患有所述疾病;对于某些精神病学或医学疾病而言,所述模型针对所述某些精神 病学或医学疾病中的每一种,定义了被判断为构成具有该疾病的水平;在所述选定疾病集合 的所有疾病对中,所述模型针对其中的某些疾病对表达了同样疾病对中的每一个之间的联 系,可能是正联系或负联系的;还表达了对所述选定疾病集合的每一个疾病对之间联系大小 的估量,所述的联系可以由所述患者对所述疾病或特征的反应而估计出来;以及,
利用应用了患者数据的所述模型,以得到对患者具有所述规定的可能疾病集合中的每一 种疾病的概率。
22.如权利要求21所述的方法,包括:
构建一项医学或精神病学诊断,其中包括观测到的症状/特征,当患者j未表现出或表现 出症状/特征i时,相应地分别有Xij=0或1;选择一个可能疾病的集合{αjk},当患者j具有 或不具有疾病k时,相应地分别有αjk=0或1;以及
构建一个以数学方式表达的模型,其中包括参数{ π *,r*},所述参数按照下述概率描述 了所述症状/特征如何依赖于所述选定的疾病集合:
其中,Sij是表现出症状/特征i的概率,由患者j具有或不具有所述疾病所确定,并且采用了 关于潜在健康/生活质量变量的完全性;针对关系矩阵中所规定的、与症状/特征i相联系的 m种疾病对r*’s求积;π* i=∏(πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在所述患者 具有疾病k的情况下,症状/特征i),πik=Prob(在所述患者不具有疾病k的情况下,症状/特 征i);间接表达了每一个疾病对之间联系的大小的测量,正如二值疾病αk,αk’的连续二变量 正态疾病前身α’k,α’k’之间的相关性σkk’所确定的那样,然后,所需的二值疾病对αk,αk’可以 通过如下方式产生:将每一个α’k在指定的疾病分界点处进行分界,从而使得疾病k的患病 概率pk被定义为等于Prob(α’k≥分界点),其中,这样定义的、被判断为构成具有所述疾病 (αk=0)的所述疾病的水平α’k,是通过选择α’k的分界点而实现的,其中,pk是被判断为具有 所述疾病的患者的比例,所述的比例是通过设定α’k的分界点而确定的,从而使得每一种疾 病通过连续的α’k及其分界点而获得了被赋予的水平,表示一名超过该水平的患者具有所述 疾病。
23.一种方法,包括:
构建一个集合,其中包括在医学上或精神病学上所关注的二值性患者症状或二值性个人 特征,并为了评估的目的选择一个规定的集合,其中包括每位患者具有或不具有的、可能的 医学或精神病学上的疾病,每位患者可能具有多种疾病;
构建一个以数学方式表达的模型,包括所述症状或特征以及所述为了评估而选出的规定 疾病;其中,潜在健康或生活质量参数代表了未包括在所述规定的疾病集合中的患者的潜在 方面;所述模型中包括参数,所述参数描述了所述症状或特征如何依赖于所述规定的疾病集 合,也描述了所述症状或特征如何依赖于潜在一般性健康或生活质量参数,其中,所述患者 的症状或特征提供了针对每一个参数的估计信息,使得可以对所述参数进行标定,也提供了 对所述可能疾病的似然预测;所述模型还解释了如下事件的概率,即:一名患者可能具有一 种疾病的典型症状或特征的集合,但是所述患者并未患有该疾病;以及,一名患者可能缺少 所述疾病的典型症状或特征中的至少一个,但所述患者却患有所述疾病;以及,
利用应用了患者数据的所述模型,以得到对患者具有所述规定的可能疾病集合中的每一 种疾病的概率。
24.如权利要求23所述的方法,包括:
构建一项医学或精神病学诊断,其中包括观测到的症状/特征,当患者j未表现出或表现 出症状/特征i时,相应地分别有Xij=0或1;选择一个可能疾病的集合{αjk},当患者j具有 或不具有疾病k时,相应地分别有αjk=0或1;以及
构建一个以数学方式表达的模型,其中包括可识别的、因此能够被标定的参数{ π *, r*},所述参数按照下述概率描述了所述症状/特征如何依赖于所述选定的疾病集合:
其中,Sij是表现出症状/特征i的概率,由患者j具有或不具有所述疾病所确定,并且采用了 关于潜在健康/生活质量变量的完全性;针对关系矩阵中所规定的、与症状/特征i相联系的 m种疾病对r*’s求积;π* i=∏(πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在所述患者 具有疾病k的情况下,症状/特征i),πik=Prob(在所述患者不具有疾病k的情况下,症状/特 征i)。
25.一种方法,包括:
构建一个集合,其中包括在医学上或精神病学上所关注的二值性患者症状或二值性个人 特征,并为了评估的目的选择一个规定的集合,其中包括每位患者具有或不具有的、可能的 医学或精神病学上的疾病,每位患者可能具有多种疾病;
构建一个以数学方式表达的模型,包括所述症状或特征以及所述为了评估而选出的规定 疾病;其中,潜在健康或生活质量参数代表了未包括在所述规定的疾病集合中的患者的潜在 方面;所述模型中包括参数,所述参数描述了所述症状或特征如何依赖于所述规定的疾病集 合,也描述了所述症状或特征如何依赖于潜在一般性健康或生活质量参数;所述模型还解释 了如下事件的概率,即:一名患者可能具有一种疾病的典型症状或特征的集合,但是所述患 者并未患有该疾病;以及,一名患者可能缺少所述疾病的典型症状或特征中的至少一个,但 所述患者却患有所述疾病;对于某些精神病学或医学疾病而言,所述模型针对所述某些精神 病学或医学疾病中的每一种,定义了被判断为构成具有该疾病的水平;以及,
利用应用了患者数据的所述模型,以得到对患者具有所述规定的可能疾病集合中的每一 种疾病的概率。
26.如权利要求25所述的方法,包括:
构建一项医学或精神病学诊断,其中包括观测到的症状/特征,当患者j未表现出或表现 出症状/特征i时,相应地分别有Xij=0或1;选择一个可能疾病的集合{αjk},当患者j具有 或不具有疾病k时,相应地分别有αjk=0或1;以及
构建一个以数学方式表达的模型,其中包括参数{ π *,r*},所述参数按照下述概率描述 了所述症状/特征如何依赖于所述选定的疾病集合:
其中,Sij是表现出症状/特征i的概率,由患者j具有或不具有所述疾病所确定,并且采用了 关于潜在健康/生活质量变量的完全性;针对关系矩阵中所规定的、与症状/特征i相联系的 m种疾病对r*’s求积;π* i=∏(πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在所述患者 具有疾病k的情况下,症状/特征i),πik=Prob(在所述患者不具有疾病k的情况下,症状/特 征i),其中,pk是被判断为具有所述疾病的患者的比例,是由定义所述疾病的使用者确定 的。
27.一种方法,包括:
构建一个集合,其中包括在医学上或精神病学上所关注的二值性患者症状或二值性个人 特征,并为了评估的目的选择一个规定的集合,其中包括每位患者具有或不具有的、可能的 医学或精神病学上的疾病,每位患者可能具有多种疾病;
构建一个以数学方式表达的模型,包括所述症状或特征以及所述为了评估而选出的规定 疾病;其中,潜在健康或生活质量参数代表了未包括在所述规定的疾病集合中的患者的潜在 方面;所述模型中包括参数,所述参数描述了所述症状或特征如何依赖于所述规定的疾病集 合,也描述了所述症状或特征如何依赖于潜在一般性健康或生活质量;所述模型还解释了如 下事件的概率,即:一名患者可能具有一种疾病的典型症状或特征的集合,但是所述患者并 未患有该疾病;以及,一名患者可能缺少所述疾病的典型症状或特征中的至少一个,但所述 患者却患有所述疾病;在所述选定疾病集合的所有疾病对中,所述模型针对其中的某些疾病 对表达了同样疾病对中的每一个之间的联系,可能是正联系或负联系的;还表达了对所述选 定疾病集合的每一个疾病对之间相关的大小的估量,所述的联系可以由所述患者对所述疾病 或特征的反应而估计出来;以及,
利用应用了患者数据的所述模型,以得到对患者具有所述规定的可能疾病集合中的每一 种疾病的概率。
28.如权利要求27所述的方法,包括:
构建一项医学或精神病学诊断,其中包括观测到的症状/特征,当患者j未表现出或表现 出症状/特征i时,相应地分别有Xij=0或1;选择一个可能疾病的集合{αjk},当患者j具有 或不具有疾病k时,相应地分别有αjk=0或1;以及
构建一个以数学方式表达的模型,其中包括参数{ π *,r*},所述参数按照下述概率描述 了所述症状/特征如何依赖于所述选定的疾病集合:
其中,Sij是表现出症状/特征i的概率,由患者j具有或不具有所述疾病所确定,并且采用了 关于潜在健康/生活质量变量的完全性;针对关系矩阵中所规定的、与症状/特征i相联系的 m种疾病对r*’s求积;π* i=∏(πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在所述患者 具有疾病k的情况下,症状/特征i),πik=Prob(在所述患者不具有疾病k的情况下,症状/特 征i);间接表达了每一个疾病对之间联系的大小的测量,正如二值疾病αk,αk’的连续二变量 正态疾病前身α’k,α’k’之间的相关性σkk’所确定的那样,然后,所需的二值疾病对αk,αk’可以 通过将每一个α’k在一个分界点处进行分界而得到。
29.一种方法,包括:
构建一个其中包括若干二值记分的探针的集合,并选择一个集合,其中包括每个对象所 具有或不具有的、观测不到的若干二值属性,其目的是评估每一个被探测的所述对象的潜在 状态;
构建一个以数学方式表达的模型,包括所述探针和所述选定的属性,所述选定的属性是 一个更大的属性组的子集,所述更大的属性组中的属性可以影响对象对探针的反应,所述更 大的属性组中未规定的剩余部分,通过剩余状态参数的形式,在所述模型中被体现;所述模 型中包括参数,所述参数描述了所述探针如何依赖于所述选定的属性集合,也描述了所述探 针如何依赖于所述剩余状态参数,其中,对象对所述探针的反应提供了针对每一个参数的估 计信息,使得可以对所述参数进行标定,也提供了对所述对象具有或不具有哪些属性的预 测;所述模型还解释了如下事件的概率,即:对每一个具体探针而言,一个对象可能具有对 所述具体探针做出正反应所需的全部属性,但未能在所述的具体探针上适当地应用至少一项 必需属性,从而对所述具体探针做出了负反应,其中,所述对具体探针做出正反应所需的全 部属性是所述选定的属性集合的一个子集中的;以及如下事件的概率:对每一个具体探针而 言,一个对象可能未具有对所述探针做出正反应所需的规定属性中的至少一项,但仍然在所 述探针上适当地应用了所述未具有的、规定的必需属性,同时,也适当地应用了剩余的、必 需、同时也具有的、选自所述选定属性集合中的属性,从而对所述具体探针做出了正反应; 所述模型将具有每种属性的水平定义为一个设定的水平,所述设定的水平被判断为可令对象 具有所述的具体属性;所述模型针对所述选定属性集合的某些属性对,表达了每一个属性对 的两个成员之间的联系,所述联系可能是正的或负的;还表达了对每一个属性对的所述正的 或负的联系大小的估量,每一个属性对的所述联系可以由所述对象对所述具体探针的反应而 估计出来;
将根据所述对象的反应而获得的综合探测结果用于标定所述模型的具体探针;以及
得到具有所述属性的预测,或者不具有所述属性的预测,或者针对每一个由对象和规定 属性所构成的组合不做出任何预测。
30.如权利要求29所述的方法,包括:
构建一个集合,其中包括若干二值记分的探针,当对象j对探针i做出负反应或正反应 时,相应地分别有Xij=0或1;选择一个潜在属性的集合{αjk},当对象j不具有或具有属性 k时,相应地分别有αjk=0或1;以及
构建一个以数学方式表达的模型,包括可识别的、因此能够被标定的参数{ π *,r*},所 述参数按照下述概率描述了所述探针如何依赖于所述选定的潜在属性集合:
其中,Sij是对探针i做出正反应的概率,由对象j具有及不具有所述规定属性所确定,并且 采用了关于所述剩余状态的完全性;针对对探针i做出正反应所要求的m项属性对r*’s求 积;π* i=∏(πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在所述对象不具有属性k的情 况下,对探针i做出正反应),πik=Prob(在所述对象具有属性k的情况下,对探针i做出正 反应);间接表达了对每一个属性对正联系结构大小的测量,正如二值属性αk,αk’的连续二 变量正态属性前身α’k,α’k’之间的相关性σkk’所确定的那样,然后,所需的二值属性对αk,αk’ 可以通过如下方式产生:将每一个α’k在指定的具有水平分界点处进行分界,从而使得具有 属性k的概率pk(αk=1)被定义为等于Prob(α’k≥分界点),其中,这样定义的具有属性的水 平是通过选择α’k的分界点而实现的,pk是由使用者确定的、被判断为具有属性k的对象的 比例,从而使得每一种属性通过连续的α’k及其分界点而获得了被赋予的水平,表示一名超 过该水平的对象具有所述属性。
31.一种方法,包括:
构建一个其中包括若干二值记分的探针的集合,并选择一个集合,其中包括每个对象所 具有或不具有的、观测不到的若干二值属性,其目的是评估每一个被探测的所述对象的潜在 状态;
构建一个以数学方式表达的模型,包括所述探针和所述选定的属性,所述选定的属性是 一个更大的属性组的子集,所述更大的属性组中的属性可以影响对象对探针的反应,所述更 大的属性组中未规定的剩余部分,通过剩余状态参数的形式,在所述模型中被体现;所述模 型中包括参数,所述参数描述了所述探针如何依赖于所述选定的属性集合,也描述了所述探 针如何依赖于所述剩余状态参数,其中,对象对所述探针的反应提供了针对每一个参数的估 计信息,使得可以对所述参数进行标定,也提供了对所述对象具有或不具有哪些属性的预 测;所述模型还解释了如下事件的概率,即:对每一个具体探针而言,一个对象可能具有对 所述具体探针做出正反应所需的全部属性,但未能在所述的具体探针上适当地应用至少一项 必需属性,从而对所述具体探针做出了负反应,其中,所述对具体探针做出正反应所需的全 部属性是所述选定的属性集合的一个子集中的;以及如下事件的概率:对每一个具体探针而 言,一个对象可能未具有对所述探针做出正反应所需的规定属性中的至少一项,但仍然在所 述探针上适当地应用了所述未具有的、选定的必需属性,同时,也适当地应用了所述选定属 性集合中的、未规定的剩余属性,从而对所述具体探针做出了正反应;所述模型针对所述选 定属性集合的某些属性对,表达了每一个属性对的两个成员之间的联系,所述联系可能是正 的或负的;还表达了对每一个属性对的所述正的或负的联系的大小的估量,每一个属性对的 所述联系可以由所述对象对所述具体探针的反应而估计出来;
将根据所述对象的反应而获得的综合探测结果用于标定所述模型的具体探针;以及
得到具有所述属性的预测,或者不具有所述属性的预测,或者针对每一个由对象和规定 属性所构成的组合不做出任何预测。
32.如权利要求29所述的方法,包括:
构建一个集合,其中包括若干二值记分的探针,当对象j对探针i做出负反应或正反应 时,相应地分别有Xij=0或1;选择一个潜在属性的集合{αjk},当对象j不具有或具有属性 k时,相应地分别有αjk=0或1;以及
构建一个以数学方式表达的模型,包括可识别的、因此能够被标定的参数{ π *,r*},所 述参数按照下述概率描述了所述探针如何依赖于所述选定的潜在属性集合:
其中,Sij是对探针i做出正反应的概率,由对象j具有及不具有所述规定属性所确定,并且 采用了关于所述剩余状态的完全性;针对对探针i做出正反应所要求的m项属性对r*’s求 积;π* i=∏(πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在所述对象不具有属性k的情 况下,对探针i做出正反应),πik=Prob(在所述对象具有属性k的情况下,对探针i做出正 反应);间接表达了对每一个属性对正联系结构大小的测量,正如二值属性αk,αk’的连续二 变量正态属性前身α’k,α’k’之间的相关性σkk’所确定的那样,然后,所需的二值属性对αk,αk’ 可以通过将每一个α’k在某一水平进行分界而获得。
33.一种方法,包括:
构建一个其中包括若干二值记分的探针的集合,并选择一个集合,其中包括每个对象所 具有或不具有的、观测不到的若干二值属性,其目的是评估每一个被探测的所述对象的潜在 状态;
构建一个以数学方式表达的模型,包括所述探针和所述选定的属性,所述选定的属性是 一个更大的属性组的子集,所述更大的属性组中的属性可以影响对象对探针的反应,所述更 大的属性组中未规定的剩余部分,通过剩余状态参数的形式,在所述模型中被体现;所述模 型中包括参数,所述参数描述了所述探针如何依赖于所述选定的属性集合,也描述了所述探 针如何依赖于所述剩余状态参数,其中,对象对所述探针的反应提供了针对每一个参数的估 计信息,使得可以对所述参数进行标定,也提供了对所述对象具有或不具有哪些属性的预 测;所述模型还解释了如下事件的概率,即:对每一个具体探针而言,一个对象可能具有对 所述具体探针做出正反应所需的全部属性,但未能在所述的具体探针上适当地应用至少一项 必需属性,从而对所述具体探针做出了负反应,其中,所述对具体探针做出正反应所需的全 部属性是所述选定的属性集合的一个子集中的;以及如下事件的概率:对每一个具体探针而 言,一个对象可能未具有对所述探针做出正反应所需的规定属性中的至少一项,但仍然在所 述探针上适当地应用了所述未具有的、选定的必需属性,同时,也适当地应用了所述选定属 性集合中的、未规定的剩余属性,从而对所述具体探针做出了正反应;所述模型将具有每种 属性的水平定义为一个设定的水平,所述设定的水平被判断为可令对象具有所述的具体属 性;
将根据所述对象的反应而获得的综合探测结果用于标定所述模型的具体探针;以及
得到具有所述属性的预测,或者不具有所述属性的预测,或者针对每一个由对象和规定 属性所构成的组合不做出任何预测。
34.如权利要求29所述的方法,包括:
构建一个集合,其中包括若干二值记分的探针,当对象j对探针i做出负反应或正反应 时,相应地分别有Xij=0或1;选择一个潜在属性的集合{αjk},当对象j不具有或具有属性 k时,相应地分别有αjk=0或1;以及
构建一个以数学方式表达的模型,包括可识别的、因此能够被标定的参数{ π *,r*},所 述参数按照下述概率描述了所述探针如何依赖于所述选定的潜在属性集合:
其中,Sij是对探针i做出正反应的概率,由对象j具有及不具有所述规定属性所确定,并且 采用了关于所述剩余状态的完全性;针对对探针i做出正反应所要求的m项属性对r*’s求 积;π* i=∏(πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在所述对象不具有属性k的情 况下,对探针i做出正反应),πik=Prob(在所述对象具有属性k的情况下,对探针i做出正 反应),其中,pk是由使用者确定的、被判断为具有属性k的对象的比例。
35.一种方法,包括:
构建一个其中包括若干二值记分的探针的集合,并选择一个集合,其中包括每个对象所 具有或不具有的、观测不到的若干二值属性,其目的是评估每一个被探测的所述对象的潜在 状态;
构建一个以数学方式表达的模型,包括所述探针和所述选定的属性,所述选定的属性是 一个更大的属性组的子集,所述更大的属性组中的属性可以影响对象对探针的反应,所述更 大的属性组中未规定的剩余部分,通过剩余状态参数的形式,在所述模型中被体现;所述模 型中包括参数,所述参数描述了所述探针如何依赖于所述选定的属性集合,也描述了所述探 针如何依赖于所述剩余状态参数,所述模型中也包括对所述对象具有或不具有哪些属性的预 测;所述模型还解释了如下事件的概率,即:对每一个具体探针而言,一个对象可能具有对 所述具体探针做出正反应所需的全部属性,但未能在所述的具体探针上适当地应用至少一项 必需属性,从而对所述具体探针做出了负反应,其中,所述对具体探针做出正反应所需的全 部属性是所述选定的属性集合的一个子集中的;以及如下事件的概率:对每一个具体探针而 言,一个对象可能未具有对所述探针做出正反应所需的规定属性中的至少一项,但仍然在所 述探针上适当地应用了所述未具有的、选定的必需属性,同时,也适当地应用了所述选定属 性集合中的、未规定的剩余属性,从而对所述具体探针做出了正反应;所述模型将具有每种 属性的水平定义为一个设定的水平,所述设定的水平被判断为可令对象具有所述的具体属 性;所述模型针对所述选定属性集合的某些属性对,表达了每一个属性对的两个成员之间的 联系,所述联系可能是正的或负的;还表达了对每一个属性对的所述正的或负的联系的大小 的测量,每一个属性对的所述联系可以由所述对象对所述具体探针的反应而估计出来;
将根据所述对象的反应而获得的综合探测结果用于标定所述模型的具体探针;以及
得到具有所述属性的预测,或者不具有所述属性的预测,或者针对每一个由对象和规定 属性所构成的组合不做出任何预测。
36.如权利要求29所述的方法,包括:
构建一个集合,其中包括若干二值记分的探针,当对象j对探针i做出负反应或正反应 时,相应地分别有Xij=0或1;选择一个潜在属性的集合{αjk},当对象j不具有或具有属性 k时,相应地分别有αjk=0或1;以及
构建一个以数学方式表达的模型,包括参数{ π *,r*},所述参数按照下述概率描述了所 述探针如何依赖于所述选定的潜在属性集合:
其中,Sij是对探针i做出正反应的概率,由对象j具有及不具有所述规定属性所确定,并且 采用了关于所述剩余状态的完全性;针对对探针i做出正反应所要求的m项属性对r*’s求 积;π* i=∏(πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在所述对象不具有属性k的情 况下,对探针i做出正反应),πik=Prob(在所述对象具有属性k的情况下,对探针i做出正 反应);间接表达了对每一个属性对正联系结构大小的测量,正如二值属性αk,αk’的连续二 变量正态属性前身α’k,α’k’之间的相关性σkk’所确定的那样,然后,所需的二值属性对αk,αk’ 可以通过如下方式产生:将每一个α’k在指定的具有水平分界点处进行分界,从而使得具有 属性k的概率pk(αk=1)被定义为等于Prob(α’k≥分界点),其中,这样定义的具有属性的水 平是通过选择α’k的分界点而实现的,pk是由使用者确定的、被判断为具有属性k的对象的 比例,从而使得每一种属性通过连续的α’k及其分界点而获得了被赋予的水平,表示一名超 过该水平的对象具有所述属性。
37.一种方法,包括:
构建一个其中包括若干二值记分的探针的集合,并选择一个集合,其中包括每个对象所 具有或不具有的、观测不到的若干二值属性,其目的是评估每一个被探测的所述对象的潜在 状态;
构建一个以数学方式表达的模型,包括所述探针和所述选定的属性,所述选定的属性是 一个更大的属性组的子集,所述更大的属性组中的属性可以影响对象对探针的反应,所述更 大的属性组中未规定的剩余部分,通过剩余状态参数的形式,在所述模型中被体现;所述模 型中包括参数,所述参数描述了所述探针如何依赖于所述选定的属性集合,也描述了所述探 针如何依赖于所述剩余状态参数,其中,对象对所述探针的反应提供了针对每一个参数的估 计信息,使得可以对所述参数进行标定,也提供了对所述对象具有或不具有哪些属性的预 测;所述模型还解释了如下事件的概率,即:对每一个具体探针而言,一个对象可能具有对 所述具体探针做出正反应所需的全部属性,但未能在所述的具体探针上适当地应用至少一项 必需属性,从而对所述具体探针做出了负反应,其中,所述对具体探针做出正反应所需的全 部属性是所述选定的属性集合的一个子集中的;以及如下事件的概率:对每一个具体探针而 言,一个对象可能未具有对所述探针做出正反应所需的规定属性中的至少一项,但仍然在所 述探针上适当地应用了所述未具有的、选定的必需属性,同时,也适当地应用了所述选定属 性集合中的、未规定的剩余属性,从而对所述具体探针做出了正反应;
将根据所述对象的反应而获得的综合探测结果用于标定所述模型的具体探针;以及
得到具有所述属性的预测,或者不具有所述属性的预测,或者针对每一个由对象和规定 属性所构成的组合不做出任何预测。
38.如权利要求29所述的方法,包括:
构建一个集合,其中包括若干二值记分的探针,当对象j对探针i做出负反应或正反应 时,相应地分别有Xij=0或1;选择一个潜在属性的集合{αjk},当对象j不具有或具有属性 k时,相应地分别有αjk=0或1;以及
构建一个以数学方式表达的模型,包括可识别的、因此能够被标定的参数{ π *,r*},所 述参数按照下述概率描述了所述探针如何依赖于所述选定的潜在属性集合:
其中,Sij是对探针i做出正反应的概率,由对象j具有及不具有所述规定属性所确定,并且 采用了关于所述剩余状态的完全性;针对对探针i做出正反应所要求的m项属性对r*’s求 积;π* i=∏(πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在所述对象不具有属性k的情 况下,对探针i做出正反应),πik=Prob(在所述对象具有属性k的情况下,对探针i做出正 反应)。
39.一种方法,包括:
构建一个其中包括若干二值记分的探针的集合,并选择一个集合,其中包括每个对象所 具有或不具有的、观测不到的若干二值属性,其目的是评估每一个被探测的所述对象的潜在 状态;
构建一个以数学方式表达的模型,包括所述探针和所述选定的属性,所述选定的属性是 一个更大的属性组的子集,所述更大的属性组中的属性可以影响对象对探针的反应,所述更 大的属性组中未规定的剩余部分,通过剩余状态参数的形式,在所述模型中被体现;所述模 型中包括参数,所述参数描述了所述探针如何依赖于所述选定的属性集合,也描述了所述探 针如何依赖于所述剩余状态参数,以及对所述对象具有或不具有哪些属性的预测;所述模型 还解释了如下事件的概率,即:对每一个具体探针而言,一个对象可能具有对所述具体探针 做出正反应所需的全部属性,但未能在所述的具体探针上适当地应用至少一项必需属性,从 而对所述具体探针做出了负反应,其中,所述对具体探针做出正反应所需的全部属性是所述 选定的属性集合的一个子集中的;以及如下事件的概率:对每一个具体探针而言,一个对象 可能未具有对所述探针做出正反应所需的规定属性中的至少一项,但仍然在所述探针上适当 地应用了所述未具有的、规定的必需属性,同时,也适当地应用了所述选定属性集合中的、 未规定的剩余属性,从而对所述具体探针做出了正反应;所述模型将具有每种属性的水平定 义为一个设定的水平,所述设定的水平被判断为可令对象具有所述的具体属性;
将根据所述对象的反应而获得的综合探测结果用于标定所述模型的具体探针;以及
得到具有所述属性的预测,或者不具有所述属性的预测,或者针对每一个由对象和规定 属性所构成的组合不做出任何预测。
40.如权利要求39所述的方法,包括:
构建一个集合,其中包括若干二值记分的探针,当对象j对探针i做出负反应或正反应 时,相应地分别有Xij=0或1;选择一个潜在属性的集合{αjk},当对象j不具有或具有属性 k时,相应地分别有αjk=0或1;以及
构建一个以数学方式表达的模型,包括参数{ π *,r*},所述参数按照下述概率描述了所 述探针如何依赖于所述选定的潜在属性集合:
其中,Sij是对探针i做出正反应的概率,由对象j具有及不具有所述规定属性所确定,并且 采用了关于所述剩余状态的完全性;针对对探针i做出正反应所要求的m项属性对r*’s求 积;π* i=∏(πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在所述对象不具有属性k的情 况下,对探针i做出正反应),πik=Prob(在所述对象具有属性k的情况下,对探针i做出正 反应),其中,pk是由使用者确定的、被判断为具有属性k的对象的比例。
41.一种方法,包括:
构建一个其中包括若干二值记分的探针的集合,并选择一个集合,其中包括每个对象所 具有或不具有的、观测不到的若干二值属性,其目的是评估每一个被探测的所述对象的潜在 状态;
构建一个以数学方式表达的模型,包括所述探针和所述选定的属性,所述选定的属性是 一个更大的属性组的子集,所述更大的属性组中的属性可以影响对象对探针的反应,所述更 大的属性组中未规定的剩余部分,通过剩余状态参数的形式,在所述模型中被体现;所述模 型中包括参数,所述参数描述了所述探针如何依赖于所述选定的属性集合,也描述了所述探 针如何依赖于所述剩余状态参数,以及对所述对象具有或不具有哪些属性的预测;所述模型 还解释了如下事件的概率,即:对每一个具体探针而言,一个对象可能具有对所述具体探针 做出正反应所需的全部属性,但未能在所述的具体探针上适当地应用至少一项必需属性,从 而对所述具体探针做出了负反应,其中,所述对具体探针做出正反应所需的全部属性是所述 选定的属性集合的一个子集中的;以及如下事件的概率:对每一个具体探针而言,一个对象 可能未具有对所述探针做出正反应所需的规定属性中的至少一项,但仍然在所述探针上适当 地应用了所述未具有的、规定的必需属性,同时,也适当地应用了所述选定属性集合中的、 未规定的剩余属性,从而对所述具体探针做出了正反应;所述模型针对所述选定属性集合的 某些属性对,表达了每一个属性对的两个成员之间的联系,所述联系可能是正的或负的;还 表达了对每一个属性对的所述正的或负的联系大小的估量,每一个属性对的所述联系可以由 所述对象对所述具体探针的反应而估计出来;
将根据所述对象的反应而获得的综合探测结果用于标定所述模型的具体探针;以及
得到具有所述属性的预测,或者不具有所述属性的预测,或者针对每一个由对象和规定 属性所构成的组合不做出任何预测。
42.如权利要求29所述的方法,包括:
构建一个集合,其中包括若干二值记分的探针,当对象j对探针i做出负反应或正反应 时,相应地分别有Xij=0或1;选择一个潜在属性的集合{αjk},当对象j不具有或具有属性 k时,相应地分别有αjk=0或1;以及
构建一个以数学方式表达的模型,包括参数{ π *,r*},所述参数按照下述概率描述了所 述探针如何依赖于所述选定的潜在属性集合:
其中,Sij是对探针i做出正反应的概率,由对象j具有及不具有所述规定属性所确定,并且 采用了关于所述剩余状态的完全性;针对对探针i做出正反应所要求的m项属性对r*’s求 积;π* i=∏(πik),对k求积;r* ik=rik/πik,其中,rik=Prob(在所述对象不具有属性k的情 况下,对探针i做出正反应),πik=Prob(在所述对象具有属性k的情况下,对探针i做出正 反应);间接表达了对每一个属性对正联系大小的估量,正如二值属性αk,αk’的连续二变量 正态属性前身α’k,α’k’之间的相关性σkk’所确定的那样,然后,所需的二值属性对αk,αk’可以 通过将每一个α’k在某一具有水平分界点处进行分界而获得。
本发明提供了一种方法,通常用于对对象的潜在属性进行认知的、医学的及精神病学 的诊断,所述的对象通常是人,其中,采用了对对象进行二元计分检验(binary scored probing) 的手段。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
4-氨基吡啶在改善具有脱髓鞘和其它神经系统状况的患者的神经-认知和/或神经-精神病学损伤中的用途 | 2020-05-13 | 807 |
在治疗神经学和神经精神病学紊乱中用作GLYT-1抑制剂的三氮杂-螺哌啶衍生物 | 2020-05-12 | 97 |
作为代谢型谷氨酸受体激动剂用于治疗神经病学及精神病学病症的吡唑酮化合物 | 2020-05-12 | 343 |
促代谢型谷氨酸盐受体的嘧啶和喹啉增效剂 | 2020-05-20 | 1017 |
加上5-羟色胺和/或去甲肾上腺素抑制活性的部分多巴胺-D2受体激动剂 | 2020-05-20 | 212 |
一种预测治疗神经发育、神经学或神经精神病学疾病的临床益处的方法 | 2020-05-12 | 961 |
作为甘氨酸转运体1(GlyT-1)抑制剂用于治疗神经学和神经精神病学障碍的[4-(杂芳基)哌嗪-1-基]-(2,5-取代的-苯基)甲酮衍生物 | 2020-05-14 | 856 |
用于治疗或预防精神病学症状的组合物及方法 | 2020-05-11 | 406 |
代谢型谷氨酸受体吲哚增强剂 | 2020-05-15 | 875 |
作为甘氨酸转运体1(GlyT-1)抑制剂用于治疗神经学和神经精神病学障碍的2,5-二取代的苯甲酮衍生物 | 2020-05-14 | 744 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。