Starten van de tool De tool wordt opgestart door een web browser te openen (bij voorkeur Google Chrome) en in de adresbalk te typen:

Transcriptie

1 Gist demo Toelichting op de interface en werking van de tool. v0.1, 20 januari 2016, Erik Boertjes v0.2, 1 februari 2016, Rianne Kaptein v0.3, 9 mei 2016, Rianne Kaptein Doel Met behulp van de tool beschreven in dit document kan gezocht worden in het Facebook archief van de Facebook groep GIST Support International. Het archief bestaat uit berichten die sinds de oprichting van de groep in 2011 tot aan juli 2015 gepost zijn. Starten van de tool De tool wordt opgestart door een web browser te openen (bij voorkeur Google Chrome) en in de adresbalk te typen: Bij het eerste gebruik wordt om een gebruikersnaam en wachtwoord gevraagd. Mail naar info@empoweredpatients.nl om een gebruikersnaam en wachtwoord te verkrijgen. Na het inloggen wordt onderstaand scherm getoond

2 Zoeken op trefwoorden In het tekstveld linksboven kunnen één of meer trefwoorden worden ingegeven. Druk daarna op de knop Search. Het system gaat nu op zoek naar berichten in het forum waar de gegeven trefwoorden in voorkomen. Hierbij wordt niet alleen gezocht met de gegeven trefwoorden, maar ook met woorden die vaak in dezelfde context voorkomen als de gegeven trefwoorden. Dit kunnen spellingvariaties of andere synoniemen zijn, of termen die nauw verbonden zijn met de gegeven trefwoorden. Achter de schermen: query expansie Query expansie gebeurt met behulp van het algoritme word2vec. Dit algoritme gaat voor elke zoekterm op zoek naar andere woorden die in dezelfde context als de zoekterm voorkomen. Hierbij wordt gebruik gemaakt van de complete collectie, i.e. alle berichten uit de GIST Support groep. De context bestaat uit een aantal van 8 woorden om de zoekterm heen. De 6 woorden die het hoogst gerankt worden door het algoritme worden aan de query toegevoegd.

3 Het systeem toont onder het zoekveld de termen waarmee gezocht is. Dit zijn dus, naast de ingevoerde termen (in dit voorbeeld: gleevec), de termen die hiermee nauw verbonden zijn (glivec, sutent, mg, 400mg, gleevic, tasigna en nexavar) De termen waarmee het systeem de vraag heeft uitgebreid zullen niet altijd relevant worden gevonden. De gebruiker kan de termen die niet relevant zijn uitzetten door erop te klikken.

4 In bovenstaand voorbeeld zijn mg, 400mg, tasigna en nexavar uitgezet. Door vervolgens op Search again te klikken wordt de zoekvraag opnieuw uitgevoerd, maar dan enkel met de termen die de gebruiker relevant vindt. De vraag wordt niet meer automatisch door het systeem uitgebreid. De zoekresultaten De rechterkant van het scherm toont de zoekresultaten (rood omlijnd in onderstaand figuur) gesorteerd op basis van relevante met betrekking tot de ingegeven zoekwoorden. Zoekresultaten bestaan uit berichten (posts) uit het Gist forum op Facebook. Een resultaat kan ofwel een eerste bericht van een thread zijn, ofwel een reactie op een eerder bericht in een thread. Resultaten van het laatste type (reactie) worden ingesprongen weergegeven met een grijze achtergrond.

5 1e bericht reactie reactie De trefwoorden waarop is gezocht worden gehighlight met een gele achtergrond. Andere termen krijgen soms een andere achtergrondkleur, zie voor een uitleg daarover het hoofdstuk het termen-netwerk. Soms is een reactie een zoekresultaat (omdat de gezochte trefwoorden er in voorkomen) maar het eerste bericht van de bijbehorende thread niet. In dat geval wordt toch het eerste bericht getoond. Sommige berichten worden dus getoond omdat ze een zoekresultaat zijn, andere worden getoond omdat een reactie erop een zoekresultaat is. Om onderscheid tussen die twee gevallen te maken, worden zoekresultaten weergegeven met een zwarte stip. In bovenstaand voorbeeld is de start van de thread geen zoekresultaat (het bevat geen enkele van de gezochte trefwoorden), maar een reactie erop wel. Die laatste krijgt een zwarte stip, de eerste niet. Gelijksoortige berichten zoeken Achter elk van de zoekresultaten in het resultatenscherm is een knop Search similar opgenomen. Hiermee kunnen berichten worden gezocht die lijken op het bericht waarvan de knop wordt ingedrukt.

6 Achter de schermen: gelijksoortige berichten zoeken Om gelijksoortige berichten te vinden wordt het hele bericht gebruikt als zoekvraag. Door het slimme wegingsalgoritme zullen de (stop)woorden zonder veel betekenis niet veel invloed hebben op de sortering van de zoekresultaten. Het termen-netwerk In het linkerdeel van het scherm wordt een netwerk getoond (gekleurde bollen met lijnen ertussen). Dit netwerk is een schematische weergave van de zoekresultaten aan de rechterkant van het scherm. Het netwerk geeft in één oogopslag een indruk van de meest voorkomende termen in de resultatenlijst. Het netwerk heeft de volgende doelen: het geven van (onverwachte) inzichten in verbanden tussen termen het geven van mogelijk interessante zoektermen waar de gebruiker nog niet aan had gedacht het geven van de mogelijkheid om zoekresultaten te filteren (zie Zoekresultaten verfijnen met het termen-netwerk) Elk van de gekleurde bollen representeert een term (die als label in de bol is geschreven). De grootte van een bol geeft aan hoe vaak de betreffende term in de totale set van zoekresultaten voorkomt. In onderstaand voorbeeld komen gleevec, sutent en nexavar relatief vaak voor, terwijl nausea, leg en tired relatief weinig voorkomen.

7 De dikte van de lijnen tussen de bollen geven weer in welke mate termen gezamenlijk voorkomen in berichten. De dikke lijn tussen sutent en gist geeft aan dat deze twee termen vaak samen in berichten voorkomen, en dus vermoedelijk veel met elkaar te maken hebben. Het feit dat er geen lijn is tussen bijvoorbeeld gleevec en nausea geeft aan dat deze termen weinig of niet samen voorkomen in een bericht. Dat zou aan kunnen geven dat het medicijn gleevec niet of nauwelijks in verband wordt gebracht met misselijkheid (nausea). Achter de schermen: bepalen van relaties tussen termen Termen worden aan elkaar gelinkt als ze samen in een bericht voorkomen. In hoe meer berichten ze samen voorkomen, hoe dikker de lijn tussen de termen. De kleur van elk van de bollen geeft de categorie aan van de term die in de bol staat. Blauwe bollen zijn medicijnen, groene bollen zijn lichaamsdelen, rode bollen zijn termen die te maken hebben met genen, etc. Elk van de termen wordt overeenkomstig gekleurd in de resultatenlijst. Zo is gemakkelijk te zien of een bericht over bijvoorbeeld medicijnen gaat of juist voornamelijk over voedsel. Achter de schermen: bepalen van de categorie van een term De categorie van een term wordt opgehaald uit een collectie van medische databases (Unified Medical Language System (UMLS) Op basis van string matching en elke heuristieken worden termen uit de tekst gekoppeld aan termen in de database. De termen in de databases zijn door medische experts handmatig toegekend.

8 De locatie van de bollen heeft geen betekenis. Een algoritme zorgt ervoor dat de bollen zo gepositioneerd worden dat er zo min mogelijk kruisende lijnen zijn, om zo het netwerk zo overzichtelijk mogelijk weer te geven. Toch kan het voorkomen dat niet helemaal duidelijk is hoe de verbindingen tussen de bollen precies lopen. Door met de muis boven over een bol te bewegen, lichten alle bollen die aan die bol gelinkt zijn geel op. Zo is gemakkelijk te zien welke termen er een relatie hebben met een gekozen term. Het voorbeeld hieronder laat zien welke termen er een relatie hebben met exon9. Zoekresultaten verfijnen met het termen-netwerk De zoekresultaten aan de rechterkant van het scherm zijn gesorteerd op basis van relevantie met betrekking tot de in het zoekveld gegeven trefwoorden. De volgorde kan gewijzigd worden door bollen in het netwerk uit te zetten. De gebruiker kan aangeven dat hij/zij bepaalde termen niet belangrijk vindt door op de betreffende bol in het netwerk te klikken. Deze wordt lichtgrijs (als teken dat de term niet relevant wordt gevonden). De volgorde van de zoekresultaten wordt aangepast: resultaten waar de niet-relevante term in voorkomt worden naar beneden verplaatst, waardoor de resultaten die alleen relevante termen bevatten bovenin de lijst terecht komen. In onderstaand voorbeeld zijn de termen nexavar en tasigna door de gebruiker aangemerkt als niet-relevant.

9 Door op een categorie onder in het scherm te klikken, worden alle termen die tot die categorie behoren in één keer aangemerkt als niet-relevant. De bollen van al deze termen worden lichtgrijs in het netwerk worden weergegeven. In onderstaand voorbeeld zijn de categorieën Body Part / Organ en Neoplastic Process aangemerkt als niet-relevant.

10 Door op een grijze bol of grijze categorie te klikken, wordt deze weer aangemerkt als relevant, en zullen de zoekresultaten overeenkomstig worden gesorteerd. Achter de schermen: sorteren van resultaten Elk bericht in de resultatenlijst krijgt een initiële score die gebaseerd is op de ingegeven zoektermen in het zoekveld. De zoekresultaten worden gesorteerd op basis van die score: berichten met een hoge score komen hoog in de lijst, berichten met een lage score komen onder in de lijst. De score wordt berekend op basis van term frequentie (TF) en de inverse document frequentie (IDF). TF betekent dat hoe vaker de zoektermen in het document voorkomen, hoe hoger de score. IDF betekent dat een matchende zoekterm die in bijna alle documenten voorkomt, bijv. GIST een lagere score oplevert dan een term die slechts in enkele van de documenten voorkomt, bijv. alvleesklier. Hiernaast wordt ook voor de lengte van het bericht genormaliseerd, een zoekterm voorkomend in een kort bericht zal een hogere score krijgen als in een lang bericht. Wanneer de gebruiker termen aanklikt in het netwerk en ze daarmee aanmerkt als niet-relevant, wordt de score van elk van de resultaten aangepast. De score van een bericht wordt gehalveerd, wanneer het bericht één of meer termen bevat die zijn aangemerkt als niet-relevant. Het aantal niet-relevant termen dat een bericht bevat maakt hierbij niet uit. Berichten die geen enkel niet-relevante term bevatten en goed scoren op basis van de zoektermen komen hierdoor boven in de lijst met zoekresultaten terecht.