在选择性观察下的反事实患者满意度推断：一种面向在线咨询服务的基于理论驱动的机器学习设计方法

《Information & Management》：Counterfactual Patient Satisfaction Inference Under Selective Observation: A Theory-Driven Machine Learning Design Approach for Online Consultation Services

　　在线健康社区依赖于患者自愿提供的咨询后评分，但在我们的研究环境中，超过90%的咨询并未获得评分，且已有的评分存在正向偏差。基于计算设计科学研究与阐述可能性模型，我们开发了一种理论驱动的工具，用于在选择性观测情况下推断反事实满意度。该工具结合了基于ELM的中心路径与边缘路径特征、异构堆叠技术以及支持感知自训练机制，并融入潜在结构检测与评审者支持诊断功能。通过中国某在线健康社区的咨询数据测试，该工具在预测已有评审者评分方面表现优异，同时相比RoBERTa和基于API的ChatGPT5.4，其推理延迟显著降低。消融实验与SHAP分析表明，边缘路径线索的预测能力强于中心路径线索。对于未留下反馈的患者，通过偏移诊断、支持分析以及大语言模型融合的代理验证，该工具能生成较少正向偏斜的反事实估计值，且在一致性方面优于传统的监督学习、半监督学习及领域适配基准模型。一项包含275名参与者的随机实验进一步显示，当满意度得分过高且差异较小之时，患者在选择医生时会更重视评论数量。本研究提出了一种理论驱动的设计方法，将满意度形成、选择性反馈可观测性、反事实推断以及数字医疗中的声誉信号应用有机结合起来。