劉 蕾1，于國泳1，林 鑫2，周 琴2，王 晨，吳安石

據(jù)艾媒咨詢(iiMedia Research)發(fā)布的《2016-2017中國移動醫(yī)療健康市場研究報告》顯示，移動端應用產品在“醫(yī)療咨詢”和“醫(yī)生服務”方面發(fā)展前景樂觀。這些具有特定服務對象的應用程序和移動社交平臺，可提供醫(yī)學界重大新聞、專家講座資訊、病例討論內容、科研課題經驗等，進而提升醫(yī)務人員的專業(yè)技能，方便醫(yī)生進行學術知識交流和經驗分享[1]。

利用微信這一當前熱點社交類APP的多重功能，輔助創(chuàng)新醫(yī)學教育的案例層出不窮，如在本科生見習教學[2]、住院醫(yī)師培養(yǎng)[3]、臨床專業(yè)技能培訓[4]、學術討論與互動分享[5]等領域進行了積極深入的探索和實踐，效果良好。特別是微信公眾平臺，因具有更多元的信息載體形式、更廣泛的用戶群體、更便捷的操作平臺、更具時效性的互動功能，越來越多的醫(yī)學界學術機構將微信公眾平臺作為傳播成果、樹立品牌、與受眾有效溝通的主流途徑。

然而，隨著醫(yī)學領域學術公眾號數(shù)量的不斷增多，日常工作繁重、學習時間緊張的科研和臨床工作者選擇訂閱哪些公眾號、利用哪些公眾號輔助教學，可以及時獲取知識、體驗精準推送、提升互動效率，從而避免信息冗余、重復提醒等困擾成為亟待討論的問題。因此，選用科學、高效的評價方法對醫(yī)學類微信公眾號的學術知識獲取效果和實際影響進行系統(tǒng)評價，進而更好地指導學術類微信公眾平臺的知識內容建設，幫助教育教學和科研管理工作者遴選優(yōu)質教學資料十分必要。

1 研究現(xiàn)狀

目前，國內外學者對于借力微信公眾平臺等社交媒體開展醫(yī)學教育、進行教學效果評價等方面的研究主要聚焦在應用現(xiàn)狀概述與分析、知識內容建設、平臺功能實踐、用戶使用情況調查、優(yōu)劣勢總結與建議等。在麻醉學領域，蔣晶晶等[6]針對基于微信構建的教學公眾互動平臺現(xiàn)狀進行分析，同時結合當前教學實際，探究合理的針對性策略；繆雪蓉等[7]按照麻醉論壇、麻醉學會、講課視頻、麻醉知識、醫(yī)院麻醉科及麻醉專業(yè)雜志對公眾號進行分類，分別統(tǒng)計受眾的使用情況并討論；許軍軍等[8]通過問卷調查獲得用戶了解微信公眾號等自媒體的途徑、閱讀習慣、內容偏好等，并提出建設意見。

涉及科研學術、專業(yè)領域類微信公眾號評價的相關研究則重點關注微信公眾號的內容分析、教育影響力探究、微信知識服務能力、傳播效果評價標準的構建等。張莉曼[9]、閆奕文[10]等分別構建評價指標，對智庫和政務微信公眾號的傳播影響力進行了評價。雖然已有研究者提出了學術微信公眾號的評價指標，但對用戶產生實際作用效果的評價仍不多見，以醫(yī)學教育為目的創(chuàng)建的公眾號的評價研究則更少。綜上，醫(yī)學類微信公眾號應用廣泛，在醫(yī)教研各方面發(fā)揮著高效作用，需要針對這些公眾號的學術知識獲取效果進行系統(tǒng)評價。

2 資料與方法

本文旨在根據(jù)已有知識獲取效果評價體系研究成果，遴選以麻醉學為代表的典型樣本，利用所得數(shù)據(jù)創(chuàng)建BP神經網絡、訓練和仿真測試，并驗證模型的合理性和科學性，以期通過評價結果更好地了解醫(yī)學類微信公眾號用戶獲取知識的實際效果，以及影響效果的因素指標，進而為領域內的知識交流分享與學術信息傳播、各專業(yè)機構開展基于微信公眾號的教育與服務提供必要的決策參考和實踐建議。

2.1 基于移動社交平臺的學術知識獲取效果評價體系

應用合理且具有針對性的評價指標體系是對微信公眾號學術知識獲取效果進行評價的重要基礎。本文綜合已有研究成果，依據(jù)既有文獻中的移動社交平臺(Mobile Social Networking Platform,MSNP)知識獲取影響因素概念模型，從知識特性、知識提供方、知識獲取方、知識獲取情景4個方面構建、約簡并經過實證研究的“微信知識獲取效果評價指標體系”[11]。

2.2 樣本公眾號選取

以麻醉學微信公眾號為代表，選取15個微信公眾號作為研究樣本。筆者通過在北京朝陽醫(yī)院麻醉科科室內進行訪談推薦，根據(jù)清博大數(shù)據(jù)-清博指數(shù)的“微信傳播指數(shù)WCI”排名[12]，綜合考慮醫(yī)院麻醉科、學協(xié)會組織、商業(yè)機構等不同性質的運營主體和特色，選取以“協(xié)和麻醉大講堂”“中華醫(yī)學會麻醉學分會”“新青年麻醉論壇”等為代表的15個微信公眾號作為研究樣本(表1)。為方便計算、考慮數(shù)據(jù)保密性等，依次使用S1-S15代表15個樣本。

2.3 數(shù)據(jù)獲取

在研究過程中，根據(jù)研究內容確定“微信知識獲取效果評價指標體系”中各項指標的定義和量化方式(表2)。將指標A1-G2分別賦予變量名稱X1-X15，其中定性指標共9項，采用專家打分并以網絡和實地走訪的形式開展問卷調查，選取從事麻醉學臨床科研工作教師3名、具有豐富使用經驗的麻醉學微信公眾號用戶5名、有麻醉學微信公眾號運營經驗者2名，通過微信公眾號搜索功能查找、關注樣本公眾號，分別對指標打分，取分數(shù)的幾何平均值作為定性指標的量化數(shù)據(jù)。

以10分制為標準，分數(shù)越高，代表該公眾號的學術知識獲取效果越佳。

定量指標共6項，通過“清博大數(shù)據(jù)-清博指數(shù)”的統(tǒng)計功能、開放API接口并進行數(shù)據(jù)采集，獲得2018年7月1日至2018年11月30日統(tǒng)計時間范圍內的各項值，作為定量指標的量化數(shù)據(jù)[13]。綜合評分指標1項，請前述10位專家，體驗樣本整體學術實力、知識權威性、學術傳播影響力、受眾獲取知識效果、服務能力等，并給出綜合評分Y。受篇幅所限，表3直接展示了15個樣本公眾號的知識獲取效果評價原始數(shù)據(jù)。

表2 微信知識獲取效果評價指標及解釋說明

表3 15個微信公眾號樣本指標評價及綜合評價原始數(shù)據(jù)

續(xù)表3 15個微信公眾號樣本指標評價及綜合評價原始數(shù)據(jù)

2.4 構建基于BP神經網絡的微信公眾號學術知識獲取效果評價模型

2.4.1 BP神經網絡模型

本文中涉及的BP神經網絡是前向神經網絡的核心部分，采用了Rumelhart、McClelland等提出的誤差反向傳播算法(Error Back Propagation)，極為廣泛地應用于整個人工神經網絡體系中。BP神經網絡是一種模擬人腦處理信息的智能化非線性學習系統(tǒng)，通過誤差的反向傳播對網絡的權值和閾值進行不斷調整，保證神經網絡期望輸出與實際輸出之間誤差的平方和最小，以使實際網絡輸出值盡可能地接近期望值，從而提高網絡學習的適應能力[14]。BP神經網絡包含輸入層、輸出層及若干個隱含層，各層次神經元個數(shù)一般根據(jù)實際問題而確定，各層次之間的神經元形成全連接，同層之間的神經元無連接。已有Kolrnogorov定理證明BP神經網絡中采用1個隱含層即可以任意精度地逼近任意映射關系，因此本文在研究設計中采用三層BP神經網絡模型，典型的網絡拓撲結構如圖1所示。本文構建BP神經網絡的步驟如圖2所示。

圖1 三層BP神經網絡結構拓撲圖

圖2 BP神經網絡構建流程

2.4.2 數(shù)據(jù)處理

將獲取的15個樣本公眾號的知識獲取效果評價原始數(shù)據(jù)導入Matlab R2016a軟件，讀取數(shù)據(jù)、使用format long g函數(shù)設置數(shù)據(jù)精度，然后對樣本進行隨機化處理，隨后定義訓練集(12個)和測試集(3個)。在正式訓練BP網絡前，使用min-max標準化方法對數(shù)據(jù)進行歸一化處理，將網絡訓練的目標數(shù)據(jù)映射到激活函數(shù)的值域[0,1]。采用mapminmax函數(shù)處理后的數(shù)據(jù)如表4所示。

2.4.3 參數(shù)設定與模型訓練

本文選取“微信公眾號學術知識獲取效果評價指標”的15個二級指標作為輸入單元，共15個節(jié)點，將微信公眾號的學術知識獲取效果評價結果作為輸出層節(jié)點，神經元個數(shù)為1。根據(jù)經驗公式和實踐，本文將隱含層節(jié)點數(shù)的取值范圍設定在區(qū)間[4,12]，經循環(huán)優(yōu)化后如圖3所示，進而確定隱含層神經元hidnumber為8時訓練誤差MSE最小，最終選用的神經網絡為“15*8*1”結構。學習率數(shù)的選擇影響著網絡的收斂速度、識別效果，因此本文將lrset設定為區(qū)間[0.01,0.2]，同樣經網絡循環(huán)優(yōu)化，確定訓練誤差最小時的最優(yōu)學習率為0.05，如圖4所示。

進行BP神經網絡的創(chuàng)建、訓練與仿真，利用Matlab工具箱中的函數(shù)進行權值和閾值的初始化，設定允許最大的迭代次數(shù)為1 000次，精度goal為0.000000001，采用前文確定的學習率。選擇 “tansig”“purelin”作為隱含層和輸出層的傳輸(激活)函數(shù)， trainrp RPROP為訓練函數(shù)，“l(fā)earngdm”為學習函數(shù)，“mse”為性能函數(shù)。

如圖5所示的訓練過程，經過14次迭代，在第8次時訓練性能達到最佳，實際輸出與期望輸出的結果非常接近，且兩者之間的誤差達到預設目標。

2.4.4 仿真與結果輸出

將3個測試樣本的指標數(shù)據(jù)作為輸入值，將其相對應的由10位專家打分獲得的綜合評分作為期望輸出值。調用配置好的BP網絡進行仿真測試，并對結果數(shù)據(jù)進行反歸一化梳理。對比專家評價獲得的期望輸出與BP網絡的實際輸出(表5)，誤差控制在0.1之內。

表4 15個隨機樣本歸一化數(shù)據(jù)

續(xù)表4 15個隨機樣本歸一化數(shù)據(jù)

3 結果

經測試集輸出結果發(fā)現(xiàn)，誤差控制在理想范圍之內，說明本文基于BP神經網絡構建的微信公眾號學術知識獲取效果評價模型具有現(xiàn)實可行性，能夠在實際應用中對新的學術公眾平臺樣本進行較為準確的預測，并指導領域內各專業(yè)機構對學術類公眾號進行建設和改進。

根據(jù)BP神經網絡的實際輸出值，將15個樣本按從高到低排序，并與公眾號樣本進行匹配。然后對排名前20%的公眾號進行分析，發(fā)現(xiàn)這些樣本公眾號在知識板塊標識度、提升知識水平程度、用戶對知識內容的分享意愿、再利用程度、“閱讀”數(shù)量、“點贊”數(shù)量以及用戶活躍度7個方面具有較為優(yōu)異的表現(xiàn)，說明上述指標成為提升微信公眾號學術知識獲取效果的關鍵點，需要在微信公眾號運營維護時，注重發(fā)布信息的質量和有效性、滿足用戶的實際信息需求和信息重復利用功能、維護既有用戶的依賴性和活躍度等。

圖3 隱含層節(jié)點數(shù)對訓練誤差的影響

圖4 學習率數(shù)對訓練誤差的影響

圖5 神經網絡訓練情況與表現(xiàn)

測試樣本編號期望輸出BP實際輸出絕對誤差誤差/%137.24597877.229171312-0.01681-0.23196147.52782557.6185570710.0907321.205283157.14609247.071452469-0.07464-1.04449

4 討論

BP神經網絡作為整個人工神經網絡體系中的精華部分，廣泛應用于分類識別、逼近、回歸、壓縮等領域。本文將其應用于醫(yī)學領域微信公眾號學術知識的獲取效果評價，根據(jù)評價對象和樣本特點選取了較有針對性的評價指標，進而規(guī)避了人為賦予指標權重類評價方法的主觀性，同時也提升了評價過程的速度和效率。此外，經過驗證，本文設計的BP神經網絡具有較為良好的仿真性和實用性。因此，該模型還可根據(jù)不同主體的特征和需求進行拓展，從而增加評價模型的適應性和通用性，以廣泛應用于其他領域學術類微信公眾號效果的評價與測試。

需要注意的是，本文設計的BP神經網絡具有一定的局限性。首先，關于樣本依賴性。網絡模型的逼近和推廣能力與學習樣本的典型性密切相關[14]。本文選取的15個麻醉學微信公眾號作為樣本，數(shù)量較少且為專家或學習者推薦的具有代表性的公眾號，因此算法的最終效果與15個樣本的自身條件存在一定程度的關系。其次，BP網絡需要的參數(shù)較多，如各層神經元個數(shù)、學習率、初始權重等，且各類參數(shù)的選擇尚無有效的方法和規(guī)則，只能通過經驗試湊，實踐中還需深入分析各參數(shù)的合理值[14]。另外，定性指標仍需專業(yè)用戶打分后才能利用BP神經網絡模型進行評價和分析，可重復操作性和實踐性有待提升。在下一步研究中，仍需對應用不同方式獲得的醫(yī)學類微信公眾號學術知識獲取效果評價結果加以對比，進而發(fā)現(xiàn)本文所構建模型的優(yōu)劣勢并加以完善。

5 結語

本文針對醫(yī)學領域較為成熟的微信公眾號的知識內容和運營特點，利用“微信知識獲取效果評價指標體系”并確定量化方法，選取15個專家和用戶推薦的具有代表性的麻醉學微信公眾號作為研究樣本，獲取研究數(shù)據(jù)，進而設計并提出了基于BP神經網絡的醫(yī)學類微信公眾號學術效果評價模型。通過網絡訓練、仿真和測試，試驗該方法用于評價學術類微信公眾平臺的可行性，從輸出結果中探究今后建設的重點內容和方向，以期幫助臨床和科研工作者更好地選擇、利用和推廣新媒體知識平臺。運用本文提出的模型，還可對醫(yī)學類微信公眾號的學術知識獲取效果和實際影響進行系統(tǒng)評價，以更好地指導學科領域內“互聯(lián)網+”新媒體學術知識平臺建設，幫助教育工作者遴選優(yōu)質、權威的教學資料。