Retail industry consists of the establishment of selling consumer goods (i.e. technology, pharmaceuticals, food and beverages, apparels and accessories, home improvement etc.) and services (i.e. specialty and movies) to customers through multiple channels of distribution including both the traditional brickand-mortar and online retailing. Managing corporate reputation of retail companies is crucial as it has many advantages, for instance, it has been proven to impact generated revenues (Wang et al., 2016). But, in order to be able to manage corporate reputation, one has to be able to measure it, or, nowadays even better, listen to relevant social signals that are out there on the public web. One of the most extensive and widely used frameworks for measuring corporate reputation is through conducting elaborated surveys with respective stakeholders (Fombrun et al., 2015). This approach is valuable but deemed to be laborious and resource-heavy and will not allow to generate automatic alerts and quick and live insights that are extremely needed in this era of internet. For these purposes a social listening approach is needed that can be tailored to online data such as consumer reviews as the main data source. Online review datasets are a form of electronic Word-of-Mouth (WOM) that, when a data source is picked that is relevant to retail, commonly contain relevant information about customers’ perceptions regarding products (Pookulangara, 2011) and that are massively available. The algorithm that we have built in our application provides retailers with reputation scores for all variables that are deemed to be relevant to retail in the model of Fombrun et al. (2015). Examples of such variables for products and services are high quality, good value, stands behind, and meets customer needs. We propose a new set of subvariables with which these variables can be operationalized for retail in particular. Scores are being calculated using proportions of positive opinion pairs such as <fast, delivery> or <rude, staff> that have been designed per variable. With these important insights extracted, companies can act accordingly and proceed to improve their corporate reputation. It is important to emphasize that, once the design is complete and implemented, all processing can be performed completely automatic and unsupervised. The application makes use of a state of the art aspect-based sentiment analysis (ABSA) framework because of ABSA’s ability to generate sentiment scores for all relevant variables and aspects. Since most online data is in open form and we deliberately want to avoid labelling any data by human experts, the unsupervised aspectator algorithm has been picked. It employs a lexicon to calculate sentiment scores and uses syntactic dependency paths to discover candidate aspects (Bancken et al., 2014). We have applied our approach to a large number of online review datasets that we sampled from a list of 50 top global retailers according to National Retail Federation (2020), including both offline and online operation, and that we scraped from trustpilot, a public website that is well-known to retailers. The algorithm has carefully been evaluated by manually annotating a randomly sampled subset of the datasets for validation purposes by two independent annotators. The Kappa’s score on this subset was 80%.
MULTIFILE
Retail industry consists of the establishment of selling consumer goods (i.e. technology, pharmaceuticals, food and beverages, apparels and accessories, home improvement etc.) and services (i.e. specialty and movies) to customers through multiple channels of distribution including both the traditional brickand-mortar and online retailing. Managing corporate reputation of retail companies is crucial as it has many advantages, for instance, it has been proven to impact generated revenues (Wang et al., 2016). But, in order to be able to manage corporate reputation, one has to be able to measure it, or, nowadays even better, listen to relevant social signals that are out there on the public web. One of the most extensive and widely used frameworks for measuring corporate reputation is through conducting elaborated surveys with respective stakeholders (Fombrun et al., 2015). This approach is valuable but deemed to be laborious and resource-heavy and will not allow to generate automatic alerts and quick and live insights that are extremely needed in this era of internet. For these purposes a social listening approach is needed that can be tailored to online data such as consumer reviews as the main data source. Online review datasets are a form of electronic Word-of-Mouth (WOM) that, when a data source is picked that is relevant to retail, commonly contain relevant information about customers’ perceptions regarding products (Pookulangara, 2011) and that are massively available. The algorithm that we have built in our application provides retailers with reputation scores for all variables that are deemed to be relevant to retail in the model of Fombrun et al. (2015). Examples of such variables for products and services are high quality, good value, stands behind, and meets customer needs. We propose a new set of subvariables with which these variables can be operationalized for retail in particular. Scores are being calculated using proportions of positive opinion pairs such as <fast, delivery> or <rude, staff> that have been designed per variable. With these important insights extracted, companies can act accordingly and proceed to improve their corporate reputation. It is important to emphasize that, once the design is complete and implemented, all processing can be performed completely automatic and unsupervised. The application makes use of a state of the art aspect-based sentiment analysis (ABSA) framework because of ABSA’s ability to generate sentiment scores for all relevant variables and aspects. Since most online data is in open form and we deliberately want to avoid labelling any data by human experts, the unsupervised aspectator algorithm has been picked. It employs a lexicon to calculate sentiment scores and uses syntactic dependency paths to discover candidate aspects (Bancken et al., 2014). We have applied our approach to a large number of online review datasets that we sampled from a list of 50 top global retailers according to National Retail Federation (2020), including both offline and online operation, and that we scraped from trustpilot, a public website that is well-known to retailers. The algorithm has carefully been evaluated by manually annotating a randomly sampled subset of the datasets for validation purposes by two independent annotators. The Kappa’s score on this subset was 80%.
MULTIFILE
Previous research shows that automatic tendency to approach alcohol plays a causal role in problematic alcohol use and can be retrained by Approach Bias Modification (ApBM). ApBM has been shown to be effective for patients diagnosed with alcohol use disorder (AUD) in inpatient treatment. This study aimed to investigate the effectiveness of adding an online ApBM to treatment as usual (TAU) in an outpatient setting compared to receiving TAU with an online placebo training. 139 AUD patients receiving face-to-face or online treatment as usual (TAU) participated in the study. The patients were randomized to an active or placebo version of 8 sessions of online ApBM over a 5-week period. The weekly consumed standard units of alcohol (primary outcome) was measured at pre-and post-training, 3 and 6 months follow-up. Approach tendency was measured pre-and-post ApBM training. No additional effect of ApBM was found on alcohol intake, nor other outcomes such as craving, depression, anxiety, or stress. A significant reduction of the alcohol approach bias was found. This research showed that approach bias retraining in AUD patients in an outpatient treatment setting reduces the tendency to approach alcohol, but this training effect does not translate into a significant difference in alcohol reduction between groups. Explanations for the lack of effects of ApBM on alcohol consumption are treatment goal and severity of AUD. Future ApBM research should target outpatients with an abstinence goal and offer alternative, more user-friendly modes of delivering ApBM training.
Lage rugpijn is een veel voorkomende aandoening en een belangrijke reden voor patiënten om de eerstelijnsfysiotherapeut te bezoeken. De sociaaleconomische gevolgen van lage rugpijn zijn groot en worden voor het leeuwendeel veroorzaakt door patiënten die lijden aan chronische pijnklachten met als mogelijk gevolg veel medische consumptie, (langdurend) ziekteverzuim en arbeidsongeschiktheid. Om chronische rugpijn te voorkomen is het belangrijk om in een vroeg stadium de kans hierop in te kunnen schatten door psychosociale en mogelijk andere risicofactoren op chronische pijnklachten te herkennen. In de fysiotherapierichtlijn lage rugpijn ontbreekt een heldere aanbeveling over de wijze waarop deze risicofactoren moeten worden gemeten en geïnterpreteerd. Dientengevolge worden in de praktijk hiervoor verschillende vragenlijsten en/of criteria gebruikt. Onder fysiotherapeuten is er vraag naar een hanteerbare en accurate methodiek om deze risico-inschatting te kunnen maken. Fysiotherapeuten zijn met deze vraag naar het lectoraat Musculoskeletale Revalidatie van de Hogeschool van Arnhem en Nijmegen gegaan en dit heeft aanleiding gegeven om samen met projectpartners een onderzoek op te zetten waarin een dergelijke methodiek ontwikkeld wordt. De voorgestelde methodiek betreft een Clinical Decision Support Tool: een digitale tool waarmee op basis van patiëntkarakteristieken en meetinstrumenten een geïndividualiseerde kans op chronische pijn kan worden bepaald gekoppeld aan een behandeladvies conform de lage rugpijnrichtlijn. Om dit te bereiken zal eerst worden geïnventariseerd welke methoden fysiotherapeuten nu reeds gebruiken en welke in de literatuur worden genoemd. Op basis hiervan wordt een keuze gemaakt t.a.v. data die digitaal verzameld gaan worden in minimaal 16 fysiotherapiepraktijken waarbij patiënten gedurende 12 weken gevolgd gaan worden. Met de verzamelde data worden met machine-learning algoritmes ontwikkeld voor het berekenen van de kans op chroniciteit. De algoritmes worden ingebouwd in een en online calculator, de Clinical Decision Support Tool, en een gebruiksvriendelijke prototype app. Bij het ontwikkelen van de tool worden de eindgebruikers (fysiotherapeuten maar ook patiënten) intensief betrokken. Op deze manier wordt gegarandeerd dat de tool aansluit bij de wensen en behoeften van de doelgroep. De tool berekent de kans op chroniciteit en geeft een behandeladvies. Daarnaast kan de tool gebruikt worden om patiënten te informeren en te betrekken bij de besluitvorming.
Eén van de lastige opgaven voor de sportfysiotherapeut die sporters na een voorste kruisband reconstructie revalideert, is om de patiënt zo snel mogelijk, maar zonder kans op nieuw letsel, terug op het sportveld te krijgen. Er bestaan geen eenduidige criteria op basis waarvan de sportfysiotherapeut de sporter goed kan adviseren of het veilig is het sporten te hervatten of dat er nog verder gerevalideerd moet worden. Het RAAK-mkb onderzoeksproject ‘Vaste Grond voor Knikkende Knieën’ heeft zich gericht op het verbeteren van de kwaliteit van de sportfysiotherapie door het ontwikkelen van een protocol voor sporthervatting na traumatische knieblessures (gericht op revalidatie na een voorste kruisbandreconstructie). Het uiteindelijke doel van het project was voor de praktijk bruikbare criteria te ontwikkelen waarmee (sport) fysiotherapeuten revalidatiedoelen kunnen vaststellen en geblesseerde sporters gericht kunnen adviseren over sporthervatting. Hierbij is een prototype online tool ontwikkelt die gebruikt kan worden door sportfysiotherapeuten in het werkveld als hulpmiddel voor sporthervatting bij revalidatie na een voorste kruisbandreconstructie. Om het prototype verder door te ontwikkelen tot een applicatie die online beschikbaar kan worden gesteld aan alle sportfysiotherapeuten, bijvoorbeeld als online tool op de website van relevante beroepsorganisaties, is het wenselijk de gebruiksvriendelijkheid en toepasbaarheid van deze online tool en calculator verder inzichtelijk te maken en te optimaliseren. Dit kan gedaan worden door middel van zogenoemde field trials gericht op usability testing in de context van de eindgebruiker (de sportfysiotherapeut). Bij deze usability testing zal éénmaal een groep 6 sportfysiotherapeuten deelnemen aan een testronde, waarbij de verbeterpunten worden doorgevoerd in het prototype. Door uitvoering van deze Top-up kan de geoptimaliseerde tool daadwerkelijk online komen en wordt het bereik en de betrokkenheid van de beroepspraktijk vergroot: ieder (sport)fysiotherapeut kan de tool gaan gebruiken in het werkveld als hulpmiddel voor sporthervatting bij revalidatie na een voorste kruisbandreconstructie.
De fysiotherapie staat in toenemende mate onder druk om zorg van goede kwaliteit te leveren. Alleen kwalitatief goede, effectieve en doelmatige zorg zal door zorgverzekeraars in de toekomst worden ingekocht. Dit geldt ook voor de sportfysiotherapie, het deelgebied van de fysiotherapie dat zich richt op de revalidatie en advisering van geblesseerde sporters. Eén van de lastige opgaven voor de sportfysiotherapeut is om de patiënt zo snel mogelijk, maar zonder kans op nieuw letsel, terug op het sportveld te krijgen. Er bestaan geen eenduidige criteria op basis waarvan de sportfysiotherapeut de sporter goed kan adviseren of het veilig is het sporten te hervatten of dat er nog verder gerevalideerd moet worden. Als deze er wel zouden zijn, kan het handelen van de sportfysiotherapeut beter onderbouwd worden. Dit levert niet alleen effectievere en betere zorg op maar het verbetert ook de positie van de sportfysiotherapie. Nederlandse fysiotherapiepraktijken hebben het lectoraat Musculoskeletale Revalidatie van de Hogeschool van Arnhem en Nijmegen daarom benaderd om antwoord te krijgen op de vraag hoe dit proces van sporthervatting vormgegeven kan worden bij sporters die herstellen van traumatisch knieblessures. Dit is één van de belangrijkste doelgroepen van de sportfysiotherapeut. Gezamenlijk is deze praktijkvraag omgevormd naar drie projectdoelstellingen: 1. het in kaart brengen van factoren op basis waarvan sportfysiotherapeuten kunnen inschatten of een sporter na een traumatische knieblessure het sporten weer kan hervatten; 2. op basis van deze factoren ontwikkelen van een predictieregel om de kans op sporthervatting op het niveau van voor de blessure te voorspellen; 3. het ontwikkelen van een (prototype) online tool die door de sportfysiotherapeut gebruikt kan worden om de kans op veilige sporthervatting te berekenen. Om de praktijkvraag te beantwoorden wordt samengewerkt in een consortium. Dit consortium bestaat uit de volgende organisaties: - Praktijkgerichte onderzoeksinstellingen: Hogeschool van Arnhem en Nijmegen, lectoraten Musculoskeletale Revalidatie en Model-Based Information Systems, en Hogeschool van Amsterdam, lectoraat Sportzorg; - Universiteit: Radboud universitair medisch centrum (Radboudumc); - Beroepsorganisaties: Koninklijk Nederlands Genootschap voor Fysiotherapie en Nederlandse Vereniging voor Fysiotherapie in de Sportgezondheidszorg - MKB: een 10-tal sportfysiotherapiepraktijken verspreid over het land. Bij de samenstelling van het consortium is gekozen voor een goede mix tussen praktijkorganisaties, onderzoeksinstituten en onderwijsinstellingen. Daarnaast is er sprake van cross-sectorale samenwerking doordat kennis vanuit de sport, gezondheidszorg, onderwijs en technologie met elkaar verbonden wordt.
