- News
Nationaler Siemens Excellence Award: Mitmachen beim Public Voting!
10.03.2023 Der Siemens Excellence Award geht in die nächste Runde: Nachdem letzten Sommer/ Herbst pro Fachhochschule die herausragendsten Abschlussarbeiten mit dem regionalen Siemens Excellence Award ausgezeichnet wurden, steht nun die nationale Ausscheidung an. Sophie Haug, Absolventin des Bachelors Informatik der Berner Fachhochschule und Gewinnerin des mit 4000 CHF dotierten regionalen Awards, steht im Rennen um den mit insgesamt 10'000 CHF dotierten nationalen Award.
Bis anhin pitchten die regionalen Gewinner*innen ihre Arbeiten vor einem Expertengremium aus Vertreter*innen der beteiligten Fachhochschulen und Siemens Schweiz. Das Preisgeld wird 2023 erstmals unterteilt in ein öffentliches Voting und ein Experten-Voting von je 5000 Franken. Die regionalen Gewinner*innen können somit zweimal ein Preisgeld von 5000 CHF gewinnen.
Mit Ihrer Stimme unterstützen Sie die BFH-Absolventin Sophie Haug beim Public Voting und ihrer Chance auf das Preisgeld von 5000 CHF!
Unterstützen Sie Sophie Haug mit Ihrer Stimme für die herausragende Abschlussarbeit «Natural Language Processing for Clinical Burnout Detection», in der sie eine Lösung zur Erkennung von klinischem Burn-out anhand von Textdaten mittels maschinellen Lernens und Datenanalyse (Natural Language Processing, NLP) präsentiert.
Das Voting läuft ab sofort bis am 31. März 2023, Mitternacht. Die Ergebnisse des öffentlichen Votings werden Anfang April 2023 bekannt gegeben.
«Natural Language Processing for Clinical Burnout Detection»
Neben der wissenschaftlichen Leistung wurden vor allem der Innovationsgrad und die gesellschaftliche Relevanz sowie die praktische Umsetzbarkeit der Arbeit bewertet. Sophie Haug hat in ihrer Arbeit Möglichkeiten untersucht, wie klinisches Burn-out anhand von Textdaten mittels maschinellen Lernens und Datenanalyse (Natural Language Processing) erkannt werden kann. Dank des Modells wurden vielversprechende Ergebnisse mit einer Gesamtgenauigkeit von 81,6 Prozent erzielt. Die Robustheit des Modells wurde durch Maskierung von Schlüsselwörtern und Kreuzvalidierung getestet. Darüber hinaus konnten mithilfe datenanalytischer Methoden einige interessante linguistische Marker identifiziert werden, die spezifisch für Burn-out und Depression sind. Der von Sophie Haug entwickelte Ansatz könnte im klinischen Umfeld zur Unterstützung der Beurteilung von Fachkräften der psychischen Gesundheit eingesetzt werden. Die Erkenntnisse aus dieser Bachelor-Arbeit fliessen am Departement Technik und Informatik in laufende Forschungsprojekte zu dem Thema ein.
