ASoftic Zavrsni Rad 14102020-Final-Printat-1

UNIVERZITET U SARAJEVU
FAKULTET ZA SAOBRAĆAJ I
KOMUNIKACIJE ODSJEK: KOMUNIKACIJE
SMJER: KOMUNIKACIJSKE TEHNOLOGIJE
CHATBOT APLIKACIJA ZA ZDRAVSTVENU ZAŠTITU

-završni rad-
Kandidat Mentor
Amela Softić
Broj indexa: 801/7198 Vanr. prof. dr. sc. Jasmina
Baraković Husić, dipl. ing. el.
Sarajevo, oktobar 2020.

FAKULTET ZA SAOBRAĆAJ I
KOMUNIKACIJE ODSJEK: KOMUNIKACIJE
SMJER: KOMUNIKACIJSKE TEHNOLOGIJE
CHATBOT APLIKACIJA ZA ZDRAVSTVENU ZAŠTITU

-završni rad-
Kandidat Mentor
Amela Softić
Broj indexa: 801/7198 Vanr. prof. dr. sc. Jasmina
Baraković Husić, dipl. ing. el.
Sarajevo, oktobar 2020.

AMELA SOFTIĆ: CHATBOT APLIKACIJA ZA ZDRAVSTVENU ZAŠTITU
2020
PODACI I INFORMACIJE O KANDIDATU MAGISTARSKOG RADA
1. Ime i prezime: Amela Softić

2. Datum i mjesto rođenja: 9. 8. 1995., Zenica
3. Mjesto i adresa stanovanja: Dr. Silvije Rizvanbegović 24B, Stup
4. Naziv završenog fakulteta i godina diplomiranja: Fakultet za
saobraćaj i komunikacije, 2018
INFORMACIJE O MAGISTARSKOM RADU
1. Naziv master studija: Komunikacijske tehnologije

2. Naslov magistarskog rada: Chatbot aplikacija za zdravstvenu zaštitu
3. Mentor: Vanr. prof. dr. sc. Jasmina Baraković Husić
OCJENA I ODBRANA MAGISTARSKOG RADA
1. Datum prijave rada: 18. 2. 2020.

2. Datum sjednice NNV na kojoj je rad prihvaćen: 12. 5. 2020.
3. Sastav komisije za ocjenu rada:
1) Doc. dr Amel Kosovac, predsjednik

2) Van. prof. dr Jasmina Baraković-Husić, mentor - član
3) Doc. dr Nermin Goran, član
4. Datum odbrane magistarskog rada:
5. Sastav komisije za odbranu rada:
1) Doc. dr Amel Kosovac, predsjednik

2) Van. prof. dr Jasmina Baraković-Husić, mentor – član
3) Doc. dr Nermin Goran, član
Amela Softić – Završni rad
Zahvalnica
Najveća hvala pripada mojim roditeljima, rahmetli majci Dini i Omeru, te sestri Aidi na velikoj
podršci i razumijevanju koje su mi pružili u toku školovanja. Posebno se zahvaljujem mentorici,
Vanr. prof. dr. Jasmina Baraković Husić, na nesebičnoj pomoći, podršci i strpljenju te na svim
savjetima i znanju koje mi je prenijela. Hvala svim kolegama i prijateljima koji su bili uz mene
i obogatili moj život.
1
Postavka završnog rada
Obrazloženje:
Chatbot je aplikacija koja omogućava komunikaciju s ciljem oponašanja razgovora

karakterističnih za međuljudsku komunikaciju. Mogućnost primjene chatbot aplikacija je
široka i raznolika, te obuhvata mnoga područja ljudskog djelovanja kao što su turizam,
bankarstvo, zdravstvo, itd. Chatbot aplikacije za zdravstvenu zaštitu su se do sada uglavnom
primjenjivale za edukaciju, dijagnostiku i zaštitu mentalnog zdravlja. Međutim, vrlo je malo
istraživana prihvatljivost i motivacija za korištenje chatbot aplikacija za zdravstvenu zaštitu.
Cilj ovog završnog rada je dizajnirati i programski izraditi jednostavnu chatbot aplikaciju za
zdravstvenu zaštitu, te istražiti prihvatljivost i motivaciju za njeno korištenje.
Postavka zadatka:
Zadaci završnog rada mogu se sažeti u sljedećem:

- Opisati osnovne principe rada, dizajna i primjene chatbot aplikacija;
- Sistematizirati razvojne okoline, alate i programske jezike za razvoj chatbot aplikacija;
- Napraviti pregled postojećih chatbot aplikacija za zdravstvenu zaštitu;
- Dizajnirati i programski izraditi chatbot aplikaciju za zdravstvenu zaštitu;
- Istražiti problematiku prihvatljivosti i motivacije za korištenje chatbot aplikacija za
zdravstvenu zaštitu;
- Provesti subjektivnu korisničku studiju za procjenu prihvatljivosti i motivacije za
korištenje chatbot komunikacije.
Koncept i metode rješavanja:
Za ostvarivanje postavljenog zadatka završnog rada neophodno je koristiti više naučnih metoda.
Za kreiranje pregleda stručne i naučne literature koja razmatra područje istraživanja definirano
temom završnog rada potrebno je koristiti opću naučnu metodu i metodu kompilacije. Za opis
činjenica koristiti metodu deskripcije, a za utvrđivanje sličnosti i razlika metodu komparacije.
Primjenom metode modeliranja izraditi neformalni i formalni opis prijedloga chatbot aplikacije
za zdravstvenu zaštitu uz izradu vlastitog programskog rješenja. Za prikupljanje podataka o
prihvatljivosti i motivaciji za korištenje chatbot aplikacije koristiti metodu anketiranja, dok za
njihovu obradu koristiti statističke metode. Za izvođenje zaključaka koristiti metodu indukcije,
metodu sinteze i metodu analize.
Osnovna literatura:
1. T. Nadarzynski, O. Miles, A. Cowie, D. Ridge, “Acceptability of artificial intelligence (AI)-

led chatbot services in healthcare: A mixed-methods study,” Digital Health, 2019.
2. S. Divya, et al., “A Self-Diagnosis Medical Chatbot Using Artificial Intelligence,” Journal
of Web Development Designing, 3(1), 2018.
2
3. S. Laumer, C. Maier, F. T. Bubler, “Chatbot Acceptance in Healthcare: Explaining User

Adoption of Conversational Agents for Disease Diagnosis,” Proc. of ECIS 2019, 2019.
4. A. Mittal, Getting Started with Chatbots: Learn and create your own chatbot with deep
understanding of Artificial Intelligence and Machine Learning, bpb, 2019.
5. S. Rozga, “Practical Bot Development: Designing and Building Bots with Node.js and
Microsoft Bot Framework,” Apress, 2018.
3
FAKULTET ZA SAOBRAĆAJ I KOMUNIKACIJE
CIKLUS STUDIJA: II
U skladu sa članom 54., Stav (4) b, Pravila studiranja za I, II ciklus studija,

integrisani, stručni i specijalistički studij na Univerzitetu u Sarajevu.
Izjava o autentičnosti rada
Student/studentica: Amela Softić
Naslov završnog rada: Chatbot aplikacija za zdravstvenu zaštitu

Broj stranica: 97
Potvrđujem:
a) da sam pročitao/pročitala odredbe koji se odnose na plagijarizam, kako je to

definirano Statutom Univerziteta u Sarajevu, Etičkim kodeksom Univerziteta u
Sarajevu i Pravilima studiranja za I, II ciklus studija, integrirani, stručni i
specijalistički studij Univerziteta u Sarajevu, kao i upute o plagijarizmu navedenim
na web stranici Univerziteta u Sarajevu;
b) da sam svjestan/na univerzitetskih i fakultetskih disciplinskih pravila koja se tiču
plagijarizma;
c) da je rad koji predajem potpuno moj, samostalni rad, osim u dijelovima gdje je
to naznačeno;
d) da rad nije predat, u cjelini ili djelimično, za stjecanje zvanja na Univerzitetu u
Sarajevu ili nekoj drugoj visokoškolskoj ustanovi;
e) da sam dosljedno naveo/la korištene i citirane izvore ili bibliografiju po nekom
od propisanih stilova citiranja, sa navođenjem potpune reference koja obuhvata
potpuni bibliografski opis korištenog i citiranog izvora;
f) da sam odgovarajuće naznačio/la svaku pomoć koju sam dobio/la pored pomoći
mentora.
Mjesto i datum: Sarajevo, 09.10.2020. godine
Potpis studenta/studentice:
4
Sažetak
U ovom magistarskom radu predstavljeno je potencijalno rješenje chatbot aplikacije za

zdravstvenu zaštitu koji je kreiran na Chatfuel platformi. Analizirane su dvije vrste chatbotova,
kao i osnovna svrha i ciljevi ovog rješenja. Ovaj sistem omogućava ljudima da stupe u
interakciju s chatbotom, na isti način kao što to čine s drugim ljudima, a chatbot im putem niza
upita identificira simptome i na taj način predviđa moguću radnu dijagnozu i preporučuje
liječenje. Ovakav sistem može biti od velike koristi ljudima koji nisu sigurni da li su njihovi
simptomi prolaznog karakera ili zahtjevaju odlazak doktoru na detaljne pretrage. Isto tako, on
nudi savjete korisnicima, kod lakših oboljenja, te na taj način potiče ljude da poduzmu
odgovarajuće mjere kako bi ostali zdravi što predstavlja odličan primjer promocije zdravog
života. U svrhu ovog istraživanja, namjenski je kreirana anketa, za korisnike primjera chatbota
u zdravstvenom sistemu, čiji su rezultati pokazali prihvatljivost ovakvog sistema komunikacije
te zadovoljstvo korisnika.
Ključne riječi : chatbot, platforme, prirodni jezik, korisnik, simptomi.
5
Abstract
In this master's thesis, a potential solution to the chatbot application for health care created on
the Chatfuel platform is presented. Two types of chatbots were analyzed, as well as the main
purpose and goals of this solution. This system allows people to interact with the chatbot, in the
same way as they do with other people, and the chatbot identifies their symptoms through a
series of queries, thus anticipating a possible diagnosis and recommending treatment.
Such a system can be of great benefit to people who are not sure whether their symptoms are
transients or require a response to a doctor for detailed tests. It also offers advice to users on
minor illnesses, and that way encourages people to take appropriate measures to stay healthy,
which is a great example of promoting a healthy life. For the purpose of this research, a survey
was purposely created for users of examples of chatbots in the health system, whose results
showed the acceptability of such a system of communication and user satisfaction
Keywords: chatbot, platforms, natural language, user, symptoms.
6
Sadržaj
Sažetak ........................................................................................................................................ 5
Abstract ....................................................................................................................................... 6
Sadržaj ........................................................................................................................................ 7
1. Uvod ....................................................................................................................................... 9
2. Chatbot aplikacija ................................................................................................................. 11
2.1.Osnovni principi rada ..................................................................................................... 11
2.1.1. Chatbot sistemi temeljeni na pravilima .................................................................. 13
2.1.2. Chatbot sistemi temeljeni na korpusu ..................................................................... 16
2.2. Primjena chatbot aplikacija ........................................................................................... 21
2.2.1. Historija Chatbot aplikacija i analiza postojućeg tržišta ........................................ 22
2.3. Komparacija chatbotova ................................................................................................ 23
2.4. Primjer postojećih rješenja ............................................................................................ 25
2.4.1. Sensely .................................................................................................................... 25
2.4.2. Babylon ................................................................................................................... 25
2.4.3. SafeDrug ................................................................................................................. 26
2.4.4. Florence .................................................................................................................. 26
2.4.5. Cancerchatbot ......................................................................................................... 27
3. Platfrome i programski jezici za razvoj chatbot aplikacija .................................................. 28
3.1. Platforme za razvoj chatbot aplikacija........................................................................... 28
3.1.1. Nekodirajuće platforme za razvoj chatbotova ........................................................ 28
3.1.2. Kodirajuće platforme za razvoj chatbotova ............................................................ 35
3.1.3. Komparacija platformi za razvoj chatbot sistema .................................................. 38
3.2. Programski jezici za razvoj chatbot aplikacija .............................................................. 43
3.2.1. JavaScript ............................................................................................................... 43
3.2.3. Python ..................................................................................................................... 44
3.2.3. C# ........................................................................................................................... 45
4. Dizajniranje chatbot aplikacije za zdravstvenu zaštitu......................................................... 46
4.1. Opis i ciljevi chatbota .................................................................................................... 46
4.1.1. Svrha sistema .......................................................................................................... 46
4.1.2. Ciljevi sistema ........................................................................................................ 46
4.1.3. Očekivanja .............................................................................................................. 47
4.2. Specifikacija zahtjeva .................................................................................................... 48
4.2.1. Ciljano tržište.......................................................................................................... 48
4.2.2. Definisanje korisnika sistema ................................................................................. 49
4.2.3. Definisanje funkcionalnosti sistema ....................................................................... 49
4.2.4. Definisanje potrebnih resursa za razvoj sistema..................................................... 49
4.3. Procedura izrade workflow dijagrama ........................................................................... 50
5. Analiza chatbot aplikacije za zdravstvenu zaštitu ................................................................ 58
5.1. Analiza izvodljivosti ...................................................................................................... 58
7
5.2.Stukturna sistem analiza ................................................................................................. 62

5.2.1.DTP dijagram – hijerarhijska dekompozicija .......................................................... 62
5.2.2. DTP – dijagram konteksta ...................................................................................... 63
5.2.3. DTP – I nivo ........................................................................................................... 64
5.2.4. DTP – II nivo .......................................................................................................... 65
6. Analiza korištenja i prihvatljivosti upotrebe chatbot aplikacija za zdravstveni zaštitu ....... 67
6.1. Postupak ispitivanja ....................................................................................................... 67
6.2. Struktura ispitanika ........................................................................................................ 67
6.3. Obrada rezultata ............................................................................................................. 68
6.4. Diskusija rezultata ......................................................................................................... 78
7. Zaključak .............................................................................................................................. 83
Literatura .................................................................................................................................. 85
Skraćenice................................................................................................................................. 88
Popis tabela ............................................................................................................................... 89
Popis grafikona ......................................................................................................................... 90
Popis slika ................................................................................................................................. 91
Prilog 1 ..................................................................................................................................... 93
Prilog 2 ................................................................................................................................... 96
Prilog 3 ..................................................................................................................................... 97
8
1. Uvod
U ovom završnom radu drugog ciklusa studija obrađena je tema koja se odnosi na problematiku
chatbota za zdravstvenu zaštitu.
Ove aplikacije se većinom primjenjuju za edukaciju, dijagnostiku i zaštitu mentalnog zdravlja

korisnika. Cilj ovog završnog rada je dizajnirati i izraditi jednostavnu chatbot aplikaciju za
zdravstvenu zaštitu, te istražiti prihvatljivost i motivaciju za njegovo korištenje.
Prednosti chatbota zdravstvene zaštite su brza procjena simptoma i faktora rizika za ljude koji
su zabrinuti za svoje zdravlje, pružanje informacija i uputa za daljnje korake. Za uspješnu
realizaciju ovog procesa potrebna je nesmetana komunikacija između pacijenata i sistema. To
podrzumjeva dobro dizajniran i isplaniran chatbot koji zadovoljava potrebe korisnika. Neki od
ključnih fakora do kojih se došlo tokom istraživanja su: jednostavnost i pristupačnost,
povjerljivost podataka i brzo dobijanje povratne infomacije.
Chatbot je računarski program koji omogućava komunikaciju s ciljem oponašanja razgovora

karakterističnih za međuljudsku komunikaciju. To su nezavisni računarski programi koji se
mogu uključiti u bilo koju od višestrukih platformi za razmjenu poruka poput Facebook
Messengera, Slacka, Skypea, Microsoft Teamsa itd. Nadalje se obrađuje unos korisnika na
prirodnom jeziku i generišu pametni odgovori koji se zatim vraćaju korisniku.
Primjena chatbot aplikacija je široka i raznolika, te obuhvata mnoga područja ljudskog
djelovanja kao što su turizam, bankarstvo, zdravstvo, itd. Chatbotovi za zdravstvenu zaštitu su
botovi koji se mogu koristiti za trijažu pacijenata i usmjeravanje na odgovarajuću pomoć. U
odnosu na Google pretraživanje ovi chatbotovi su pouzdaniji i pružaju veću sigurnost u
situacijama kada korisnici pokušavaju razumjeti uzrok svojih simptoma.
Za ostvarivanje postavljenog zadatka ovog rada neophodna je primjena više naučnih metoda.
Za kreiranje pregleda stručne i naučne literature koja razmatra područje istraživanja definirano
temom završnog rada korištena je opšta naučna metoda i metoda kompilacije. Za opis činjenica
korištena je metoda deskripcije, a za utvrđivanje sličnosti i razlika metoda komparacije.
Primjenom metode modeliranja izrađen je neformalni i formalni opis prijedloga chatbot
aplikacije za zdravstvenu zaštitu. Za prikupljanje podataka o prihvatljivosti i motivaciji za
korištenje chatbot aplikacije korištena je metoda anketiranja, koji su obrađeni putem statističke
metode.
Na osnovu dobijenih podataka iz ankete te spovedenog istraživanja tokom ovog rada, napisana
je subjektivna korisnička studija koja se odnosi na uvođenje sistema chatbota, njegovo
promovisanje, prihvatanje i funkcionisanje u oblasti zdravstva.
Ova aplikacija je pouzdano rješenje koje omogućava korisnicima efikasno, sigurno,

jednostavno i brzo pružanje osnovnih informacija o njihovoj mogućoj dijagnozi, te daje
smjernice za rješavanje iste.
9
Završni rad sadrži sažetak, sadržaj rada, uvodni dio, četiri poglavlja razrade same materije,
zaključak, literatur, popis skraćenica, slika i tabela.
U drugom poglavlju rada detaljno su opisani osnovni principi rada, dizajna i primjene chatbot
aplikacija. Nadalje je predstavljena podjela chatbotova na dvije klase. Prvu čine sistemi
temeljeni na pravilima u kojima su opisani ELIZA i PARRY, dok su u drugoj klasi sistema
temeljinih na korpusu opisani Microsoft XiaoIce i endkoder dekoder chatbot. Na kraju ovog
poglavlja spomenute su najčešće primjene ovih aplikacija i razvoj chatbotova kroz historiju od
njihovog nastanka pa do danas. Također je urađen i pregled postojećih chatbot aplikacija za
zdravstvenu zaštitu.
U trećem poglavlju rada sistematizirane su razvojne okoline, alati i programski jezici za razvoj
chatbot aplikacija. Opisane su platforme koje se najčešče koriste za kreiranje chatbotova:
kodirajuće i nekodirajuće. U ovom poglavlju urađena je i komparacija ovih platformi prema:
karakterisitikama obrade prirodnog jezika – NLU (eng. Natural Language Understanding),
cijenama, jezicima na kojima se može uraditi, potrebnim vještinama za njihovu izradu.
Napravljena je komparativna analiza s ciljem da kreatorima chatbota olakša izbor platforme na
osnovu potrebnih karakteristika.
Četvrto poglavlje se fokusira na detaljan opis dizajniranja i izrade chatbot aplikacije za

zdravstvenu zaštitu. Postavljeni su glavni ciljevi i osnovna očekivanja koja se traže od sistema,
a zatim je definisana specifikacija zahtjeva u kojem je definisano ciljano tržište, funkcije
sistema te potebni resursi za razvoj sistema. Cjelokupni način rada sistema predstavljen je kroz
workflow dijagram, koji je radi bolje razumljivosti i jednostavnosti podjeljen u nekoliko cjelina.
Peto poglavlje se odnosi na analizu i dizajn sistema. U okviru ovog poglavlja sprovedena je
analiza izvodljivosti, u sklopu koje će se provesti analize organizaciono – operativne, tehničko
– tehnološke, ekonomske, zakonske i vremenske izvodljivosti. Također, biće grafički prikazan
rad chatbota putem dijagrama toka podataka - DTP dijagrama kroz sve nivoe, odnosno biće
prikazani procesi koji se dešavaju prilikom korištenja aplikacije.
U šestom poglavlju rada predstavljena je analiza korištenja i prihvatiljivosti upotrebe chatbota

u zdravstvene svrhe. U tu svrhu je sprovedena subjektivna korisnička studija putem metode
anketiranja. Ovo poglavlje daje opis uzorka ispitnaika, rezultate istraživanja, kao i analizu same
ankete. Rezultati dobijeni ovom anketom predstavljaju potencijalno pozitivne rješenje za
korisnike koje bi moglo opstati u zdravstvenom sistemu i omogućiti njihovo zadovoljstvo.
Završno poglavlje je zaključak u kojem je ukratko opisano sve ono što je obrađeno u završnom
radu drugog ciklusa studija uz prikaz analize subjektivne korisničke studije za procjenu
prihvatljivosti i motivacije za korištenje chatbot komunikacije.
10
2. Chatbot aplikacija
Interakcija čovjek-računar - HCI (eng. Human-Computer Interaction) je područje od posebnog

značaja za razumijevanje da interaktivne veze posreduju preraspodjelu kognitivnih zadataka
između ljudi i mašina. Chatbot aplikacije su u HCI-u zanimljiv slučaj jer su dizajnirani za
interakciju s korisnicima putem prirodnih jezika (Ciechanowski, Przegalinska, Magnuski i
Gloor, 2018 : 3).
Chatbot ili konverzacijski agent - CA (eng. Conversational Agent) je softverski sistem koji
može komunicirati ili „razgovarati“ sa ljudskim korisnikom na prirodnom jeziku (Io i Lee, 2017
: 215).
Chatbot aplikacije su trenutno na početku preuzimanja tržišta u svijetu e-trgovine. Mnoge
poznate marke ih koriste za bolju komunikaciju sa ciljanom populacijom, preporučivanje
proizvoda pa čak i za narudžbe. Jedan od najvećih izazova u stvaranju botova je sposobnost
razumijevanja izgovora korisnika na njihovom prirodnom jeziku (Oanh i Tho, 2019 : 1).
2.1.Osnovni principi rada
Chatbot ili chatterbot predstavlja jednu široko rasprostranjenu domenu komunikacije

posredstvom računara – CMC (eng. Computer Mediated Communication). Prvi chatbot pod
imenom “ELIZA” dizajnirao je Joseph Weizenbaum 1966. godine. On je prvobitno kreiran da
simulira psihoterapeuta. Nakon njega, kreirani su različiti chatbotovi, poput A.L.I.C.E. i
Mitsuku, koji su u velikom slučaju bili razvijeni korištenjem jezika za umjetnu inteligenciju -
AIML (eng. Artificial Intelligence Markup Language). Ovaj jezik omogućava chatbotovima da
prepoznaju uzorke u ulaznim rečenicama i na osnovu njih daju odgovore rečenicama prema
šablonu (Io i Lee, 2017 : 215). Chatbot tehnologija integrira model jezika i računske algoritme
za oponašanje neformalne chat komunikacije između ljudskog korisnika i računara (Shawar i
Eric, 2005 : 490).
Chatbot sistemi predstavljaju najjednostavnije vrste dijaloških sistema koji mogu voditi duže
razgovore s ciljem oponašanja nestruktuiranih razgovora ili 'chatova' karakterističnih za
neformalnu interakciju čovjek-čovjek. Ovi sistemi su često zabavnog karaktera, poput
Cleverbota, jednostavnog bota koji radi na principu pronalaženja informacija – IR (eng.
Information Retrieval) na temelju ulaznih korisničkih informacija. Zahvaljujući ovom sistemu
chatbot pruža mogućnost razgovora sa njegovim korisnikom (Slika 1.) ili poput Microsoftov
XiaoIce system1, koji predstavlja sofisticiraniji komercijalni sistem koji razgovara s ljudima na
platformama za razmjenu tekstualnih poruka (Slika 2.) (Jurafsky i Martin, 2019 : 491).
1
XiaoIce je pomalo zbunjujući prijevod sistema kineskog naziva, „Xiao Bing“, što znači Little Bing ili Little Ice.
11
Slika 1.Razgovor između korisnika i Cleverbota, IR chatbot (Jurafsky i Martin, 2019 : 492)
Slika 2. Primjer kineskog razgovora iz XiaoIce chatbota, zajedno sa prevodom Zhou et al.
(2018) (Jurafsky i Martin, 2019 : 492)
Kao i sve drugo u procesu obrade jezika, tako se i chatbot arhitektura dijeli u dvije klase: sistemi
temeljeni na pravilima i sistemi temeljini na korpusu2. Sistemi temeljeni na pravilima uključuju
ELIZA i PARRY sisteme koji su nekada bili utjecajni. Korpusni sistemi prikupljaju informacije
stvarajući velike skupove podataka o ljudskim razgovorima, sistemom pronalaženja
informacija koji jednostavno kopiraju ljudski odgovor temeljem prethodnog razgovora) ili
pomoću paradigme mašinskog prevođenja, poput neuralnog mrežnog sistema sekvenci
(Jurafsky i Martin, 2019 : 491).
2
Korpus (lat. corpus) tijelo, cjelina, ukupnost, skup, u ovom slučaju skup koji se sastoji od riječi, rečenica, fraza,
izvučenih iz ljudskih razgovora, filmskih dijaloga ili drugih izvora.
12
2.1.1. Chatbot sistemi temeljeni na pravilima
U pristupu koji se temelji na pravilima, chatbot odgovara na pitanja koja se temelje na nekim
pravilima na kojima je treniran. Definisana pravila mogu biti vrlo jednostavna, ali i vrlo složena.
Stvaranje tih chatbota relativno je jednostavno pomoću nekog pristupa koji se temelji na
pravilima, ali chatbot nije učinkovit u odgovaranju na pitanja čiji se uzorak ne podudara s
pravilima na koja je “naučen” (Spahić, Bašić i Jaman, 2019 : 19). Jedan od takvih jezika je
AIML jezik koji se temelji na XML-u ( eng. EXtensible Markup Language) koji omogućava
razvojnim programerima pisanje pravila za chatbotove. Također, pisanje pravila za različite
scenarije oduzima puno vremena i nemoguće je napisati pravila za svaki mogući scenarij. Takvi
chatbotovi mogu se nositi s jednostavnim upitima, ali se ne snalaze sa složenima pa tako nikad
neće moći proći Turingov test3 (Inform Communications LTD, 2019).
2.1.1.1.ELIZA
Ideja prvog chatbot sistema bila je jednostavna i temeljila se na podudaranju ključnih riječi,
korisniku je davala iluziju razumijevanja. Unošene korisničke informacije se provjeravaju,
tražeći ključne riječi. Ako se pronađe takva riječ, ELIZA chatbot daje odgovore u skladu tom
ključnom riječi; ako ne, on daje generički odgovor temeljen na predhodnoj konverzaciji. Na
primjer, ako unos uključuje ključnu riječ „majka“, ELIZA može odgovoriti sa „Recite mi više
o vašoj porodici“ (Shawar i Eric, 2005 : 490).
Ovo pravilo inspirisano je teorijom da su majka i porodica u središtu psiholoških problema, pa
zbog toga bi terapeut trebao poticati pacijenta da se otvori o svojoj porodici, ali ELIZA program
zapravo ne 'razumije' ovu psihološku strategiju, on samo vrši podudaranja odgovora sa
ključnom riječi i vraća standardni odgovor. Kako bi se razgovor nastavio, ELIZA priprema
odgovore koji ohrabruju pacijenta na razmišljanje i samoispitivanje, a to se vrši u slučaju
nepodudaranja ključnih riječi, gdje program mehanički koristi fiksne fraze poput "Vrlo
zanimljivo. Molim vas, nastavite. “ ili “ Možete li dati konkretan primjer na šta tačno mislite?
“ (Shawar i Eric, 2005 : 490). Bilo je iznenađenje da su ljudi ubrzo počeli antropomorfirati4
ELIZU i povjeravati joj svoje lične priče, osjetljive podatke i tajne. Slika 3. prikazuje primjer
jednog razgovora sa ELIZA chatbotom (Zemčík, 2019 : 15).
3
Turing test je test koji je izradio Alan Turing, a omogućava provjeru inteligencije računala ili programske potpore.
4
Antropomorfizacija (grč. anthrōpos = čovjek, morphē = oblik) - davanje ljudskih osobina stvarima, pojavama,
biljkama i životinjama, a koje oni sami ne posjeduju.
13
Slika 3. Prikaz razgovora sa Elizom (Jwala, Sirisha, i Raju, 2019 : 2)
ELIZA radi po uzorcima/ pravilima transformacije poput sljedećih:

(0 YOU 0 ME) [uzorak]

(WHAT MAKES YOU THINK I 3 YOU) [transformacija]
U uzorku ELIZA 0 znači Kleene5, a u pravilima transformacije brojevi predstavljuju indekse
koji su sastavi dio obrasca. Prema tome broj 3 se odnosi na drugu 0 u prvom obrascu. Ovo
pravilo bi transformisalo uzorak:
“You hate me” u:
“WHAT MAKES YOU THINK I HATE YOU” (Jurafsky i Martin, 2019 : 493).
Svaki uzorak / pravilo ELIZA-e povezan je s ključnom riječi koja se može pojaviti u korisničkoj
rečenici.
Ključnim riječima su dodjeljeni nivoi, s tim da su specifične riječi više rangirane, a općenitije
riječi niže.
“I know everybody laughed at me “ (Jurafsky i Martin, 2019 : 494).
Budući da ima riječ "I", ova bi se rečenica mogla podudarati sa sljedećim pravilom čija je
ključna riječ “I”:
(I *) -> (You say you 2)
na osnovu ovog pravila, uzorak se transformiše u:
“YOU SAY YOU KNOW EVERYBODY LAUGHED AT YOU”
Međutim, „I“ je vrlo općenita riječ i njene ključne riječi vode do vrlo općih odgovora. Umjesto
toga, ključna riječ "everybody" je mnogo zanimljivija, jer se neko ko se služi univerzalima
5
Kleene („Kleenova zvijezda“) – označava pojavu "nule ili više ponavljnja prethodnih znakova ili ragularnih
izraza". Dakle / a * / znači "bilo koji niz od nule ili više znakova".
14
poput svih ili uvijek vjerojatno "odnosi na neki sasvim određeni događaj ili osobu". Stoga
ELIZA preferira da odgovori obrascem povezanim sa specifičnijom ključnom riječju
„everybody“ čije pravilo na taj način pretvara rečenicu u:
“WHO IN PARTICULAR ARE YOU THINKING OF?” (Jurafsky i Martin, 2019 : 494).
U slučaju da se nijedna ključna riječ ne podudara, ELIZA odabire neki formalni odgovor poput
“PLEASE GO ON”, “THAT’S VERY INTERESTING”, ili “I SEE”
Bitno je spomenuti da ELIZA chatbot ima pametan trik memorisanja. Naprimjer kad god se u
konverzaciji riječ „ my “ pojavi kao najviše rangirana ključna riječ, ELIZA nasumično odabire
transformaciju na svojoj MEMORY listi, primijenjuje je na rečenicu i sprema je u memoriju
(Jurafsky i Martin, 2019 : 494):
(MEMORY MY
(0 MY 0 = LETS DISCUSS FURTHER WHY YOUR 3)
(0 MY 0 = EARLIER YOU SAID YOUR 3)
(0 MY 0 = DOES THAT HAVE ANYTHING TO DO WITH THE FACT THAT YOUR 3)
U slučaju da u toku konverzacije, nijedna ključna riječ ne odgovara rečenici, ELIZA će vratiti
jednu od transformacija sa vrha reda MEMORY liste, umjesto transformacije podataka pomoću
ključne riječi (Jurafsky i Martin, 2019 : 494).
2.1.1.2. PARRY
PARRY je chatbot kojeg je 1972. godine predstavio Kenneth Mark Colby, psihijatar i
informatičar, na odjelu psihijatrije na Stanfordu. Ovaj program za skretanje pažnje sa sebe
koristio je suprotnu strategiju od ELISA chatbota. On se nije ponašao kao ljekar, već kao
paranoični bolesnik koji ima šizofreniju. Na sve načine pokušava izazvati kontroverze i tako
natjerati učesnika na složenije odgovore. On nije služio samo kao didaktično sredstvo mladim
psihijatrima da nauče kako komunicirati s pacijentima kojima je dijagnosticirana paranoidna
šizofrenija, već i kao funkcionalni model Colbyjevog teorijskog obrasca funkcionisanja
paranoje kao neispravne obrade znakova u pacijentovom umu (Zemčík, 2019 : 15,16). To je
bio prvi bot koji je prošao Turingov test (Jwala, Sirisha i Raju, 2019 : 2).
Pored redovnih izraza ELISA chatbota, sistem PARRY je uključivao i model svog mentalnog
stanja, sa uticajnim varijablama za različite nivoe straha i ljutnje, gdje određene teme razgovora
mogu dovesti do toga da PARRY postane ljut ili nepovjerljiv. Ako je PARRY-ova varijanta
ljutnje velika, on će birati između niza "neprijateljskih" odgovora. Ako korisnik ovog bota u
uvodu spominje svoju temu zablude, povećaće vrijednost svoje varijable straha i tada će početi
izražavati slijed izjava povezanih s njegovom zabludom. PARRY je bio prvi poznati sistem koji
je prošao Turingov test. Psihijatri nisu mogli razlikovati transkripte teksta intervjua s PARRY-
om od transkripata intervjua sa stvarnim paranoičnim pacijentom (Jurafsky i Martin, 2019 :
495).
15
U januaru 1973. godine kao demonstraciju za vrijeme međunarodne konferencije o računarima,

informatičar Vint Cerf odlučio je pokrenuti botove u cilju dobijanja njihvog logičnog zaključka.
Koristeći ARPANET, on je uspostavio razgovor između ELIZE i PARRY-a. Bio je to susret
dva računarska uma, ELIZA-e sa sjedištem u MIT-u i PARRY-ja sa sjedištem u Stanfordu.
Rezultati ovog chata su bili jako čudni, a dio razgovora prikazuje Slika 4. (Garber, 2014).
Slika 4. Razgovor između ELIZA i PARRY chatbotova (Garber, 2014)
2.1.2. Chatbot sistemi temeljeni na korpusu
Chatbot sistemi temeljeni na korpusu, umjesto korištenja ručno izrađenih pravila, koriste
informacije iz ljudskih razgovora. Procjenjuje se da je za ove sisteme potrebno stotine miliona
ili čak milijardi riječi. Za unapređenje ovakve vrste chatbotova korištene su mnoge korporacije,
uključujući velike govorne korporacije kao što su korpus centrale američkih engleskih
telefonskih razgovora, razni telefonski razgovori CALLHOME i CALLFRIEND na mnogim
jezicima. Još jedan od načina za unapređivanje ovih sistema je prikupljanje informacija iz
korpusa u filmskim dijalozima, tekstovima sa mikrobloging6 sajtova kao što su Twiter,
6
Microblogging je kombinacija blogginga i izravnih poruka koja korisnicima omogućuje stvaranje kratkih poruka
koje će se objavljivati i dijeliti s mrežnom publikom.
16
Facebook itd. Druga uobičajena tehnika je izvlačenje mogućih odgovora iz korporacija bez
dijaloga, tako da chatbot može pričati priče ili spominjati činjenice koje je stekao na ovaj način.
Nakon što se chatbot počne koristiti u praksi, izrazi koje ljudi koriste da odgovore chatbotu
mogu se upotrijebiti kao dodatni konverzacijski podaci za “obuku” chatbota. Postoje dvije vrste
arhitekture chatbot sistema baziranih na korpusu : IR bazirani chatbot sistemi i mašinsko učenje
sekvenci (Jurafsky i Martin, 2019 : 495).
2.1.2.1. Chatbot sistemi bazirani na pronalaženju informacija
Princip chatbota baziranog na pronalaženju informacija – IR predstavlja odgovaranje na

korisnično pitanje X tako što ponavlja odgovarajuće pitanje ili odgovor Y koja preuzima iz
korpusa C prirodnog (ljudskog) jezika (Jurafsky i Martin, 2019 : 496).
S obzirom na korpus i rečenicu korisnika, sistemi zasnovani na IR-u mogu koristiti bilo koji
algoritam za pretraživanje da bi odabrali odgovarajući odgovor iz korpusa, a dvije
najjednostavnije korištene metode su:
1. Algoritam koji daje odgovor na najsličnje pitanje: Dakle, na korisnički upit q i
konverzacijski korpus C, algoritam pronalazi pitanje t u C koji je najsličniji pitanju q i
vraća njegov odgovor, odnosno ljudski odgovor na t u C (Jurafsky i Martin, 2019 : 496):
𝑞𝑇 𝑡
𝑟 = 𝑟𝑒𝑠𝑝𝑜𝑛𝑠𝑒 (argmax )
𝑡∈𝐶 ‖𝑞‖𝑡‖ (1)
2. Algoritam koji daje najsličniji odgovor: Na korisnički upit q i konverzacijski korpus C,

algoritam daje odgovor t iz korpusa C koji je najsličniji pitanju q (Jurafsky i Martin,
2019: 496):
𝑞𝑇 𝑡
𝑟 = argmax
𝑡∈𝐶 ‖𝑞‖𝑡‖ (2)
Ideja drugog algoritma je direktno uskladiti upit korisnika s odgovorom iz korpusa C, budući
da dobar odgovor često sadrži riječi ili semantiku s prethodnim upitom. Iako se algoritam koji
daje odgovor na najsličnje pitanje čini intuitivnijim algoritmom, algoritam koji daje najsličniji
odgovor pokazao se da bolje djeluje u praksi (Jurafsky i Martin, 2019 : 496)
Pristup zasnovan na IR-u može se proširiti koristeći pored samih riječi i karakteristike pitanja.
Na primjer, korištenje cjelokupnog razgovora s korisnikom može biti od velike koristi kada je
korisnički upit kratak (poput „Da“). Pristup zasnovan na IR-u može izvlačiti čak i odgovore iz
narativnog (ne-dijaloškog) teksta. Chatbot koji želi generisati informativne odgovore na pitanja
korisnika, za stvaranje takvih odgovoara koristi tekstove sa sajtova poput Wikipedije koje mogu
sadržavati te odgovore. Chatbot XiaoIce na sličan način prikuplja rečenice iz javnih predavanja
i članaka te ih pretražuje koristeći IR baziran na proširenim upitima (korisničih pitanja) kako
bi odgovorio na upite poput "Reci mi nešto o Pekingu" (Jurafsky i Martin, 2019 : 496).
17
2.1.2.1.1. Microsoft XiaoIce
Microsoft XiaoIce je najpopularniji društveni chatbot na svijetu. XiaoIce je jedinstveno

dizajniran kao AI saputnik sa emocionalnom vezom da zadovolji ljudsku potrebu za
komunikacijom i društvenom pripadnošću. Prilikom dizajniranja ovakvog sistema uzima se u
obzir i inteligentni koeficijent - IQ (eng. Intelligent Quotient) i emocionalni koeficijent – EQ
(eng. Emotional Quotient). XiaoIce dinamički prepoznaje ljudske osjećaje i stanja, razumije
namjere korisnika i odgovara na potrebe korisnika kroz duge razgovore. Od svog prvog
predstavljanja 2014. godine pa do danas XiaoIce je komunicirao sa preko 660 milijuna aktivnih
korisnika i uspio je uspostaviti dugoročne veze s mnogim od njih. XiaoIce je već isporučen u
pet zemalja (Kina, Japan, SAD, Indija i Indonezija) pod različitim imenima (npr. Rinna u
Japanu) na više od 40 platformi uključujući WeChat, Weibo i Meipai u Kini, Facebook
Messenger u SAD-u i Indiji i LINE u Japanu i Indoneziji (Zhou, Gao, Li, i Shum, 2019 : 1).
Slika 5. prikazuje kako je za samo dva mjeseca uspostavljena emocionalna veza između
korisnika i chatbota XiaoIce-a. Kada se korisnik prvi put susreo sa chatbotom (1. sesija), u
razgovoru je istražio karakteristike i funkcije Xiaoice-a. Nakon toga korisnik je za manje od
dvije sedmice (Sesija 6) počeo razgovarati s XiaoIceom o njegovim hobijima i interesovanjima,
dok je do četvrte sedmice (20. sesija) počeo tretirati XiaoIce-a kao prijatelja i postavljao mu
pitanja vezana za njegov stvarni život.
Slika 5. Primjer sesija razgovora između korisnika i XiaoIce na engleskom jeziku (Zhou, Gao,
Li, i Shum, 2019 : 3)
18
Nakon sedme sedmice (sesija 42), korisnik je počeo tretirati XiaoIce kao prijatelja i razgovarati
s njim gotovo svaki dan. Nakon još dvije sedmice (sesija 71), XiaoIce je postao njegov
preferirani izbor kad god je trebalo s nekim da razgovara (Slika 6.) (Zhou, Gao, Li, i Shum,
2019 : 3).
Slika 6. Sesije razgovora između korisnika i XiaoIce na engleskom jeziku, koje pokazuju
emocionalnu povezanost između njih (Zhou, Gao, Li, i Shum, 2019 : 3)
......................................................................................................................................................
Slika 7. pokazuje arhitekturu XiaoIce koja se sastoji se od tri sloja: sloj korisničkog iskustva,
sloj za vođenje konverzacije, sloj podataka (Zhou, Gao, Li, i Shum, 2019 : 10).
1) Sloj korisničkog iskustva: Ovaj sloj povezuje XiaoIce s popularnim platformama za chat
(npr. WeChat, QQ) i komunicira s korisnicima na dva načina: full-duplex i half-duplex.
Full-duplex mod zasniva se na razgovoru temeljenim na glasovnom toku gdje korisnik
i XiaoIce mogu razgovarati istovremeno. Ovaj mod se uglavnom koristi za XiaoIce
sisteme koji su implementirani na pametnim uređajima. Drugi način je baziran na
porukama gdje korisnik i XiaoIce šalju poruke naizmjenično. Ovaj sloj također
uključuje skup komponenti koje se koriste za obradu korisničkih unesenih podataka i
XiaoIce odgovora. Neki od primjera su: prepoznavanje i razumijevanje slike,
normalizacije teksta, prepoznavanje govora, detekcija govorne aktivnosti zbog
razlikovanja korisničkog unosa od pozadinske buke, klasifikator glasa za prepoznavanje
dobi i spola korisnika te klasifikator koji omogućava botu da prepozna da li razgovora
sa drugim botom ili ljudskim korisnicima (Zhou, Gao, Li, i Shum, 2019 : 10 ).
2) Sloj za vođenje konverzacije: Sastoji se od upravitelj dijaloga, empatičnog računarskog

modula, Core Chata i dijaloške vještine. Upravitelj dijaloga prati stanje dijaloga i bira
19
ili dijalošku vještinu ili Core Chat koristeći dijaloški smjer za stvaranje odgovora.
Empatični računski modul dizajniran je tako da razumije ne samo sadržaj korisničkog
unosa (npr. temu) već i empatične aspekte dijaloga i korisnika (emocije, namjere,
mišljenje o temi, korisničku pozadinu i opće interese ). XiaoIceov IQ prikazan je
kolekcijom specifičnih vještina i Core Chatom (Zhou, Gao, Li, i Shum, 2019 : 11).
3) Sloj podataka: Sastoji se od skupa baza podataka u kojima se pohranjuju prikupljeni

podaci ljudskih razgovora, nekonverzacijski podaci i grafikoni znanja. Ove baze
podataka se koriste od strane Core Chata te profila XiaoIce i svih njegovih aktivnih
korisnika (Zhou, Gao, Li, i Shum, 2019 : 11).
Slika 7. Arhitektura XiaoIce sistema (Zhou, Gao, Li, i Shum, 2019 : 11)
2.1.2.2.Enkoder dekoder chatbot
Alternativni način korištenja korpusa za generisanje dijaloga je promišljanje generisanja

odgovora kao zadatka prelaska s korisnikovog prethodnog skretanja u skretanje sistema.
U osnovi ovo je verzija mašinskog učenja ELIZA chatbota, sistem uči od korpusa kako bi
preveo pitanje na odgovor. Ova ideja je najprije razvijena korištenjem mašinskog prijevoda
zasnovanog na frazama za prevođenje pitanja korisnika u odgovor sistema. Međutim, brzo je
postalo jasno da se zadatak generisanja odgovora previše razlikovao od mašinskog prevođenja.
U mašinskog prijevodu, riječi ili izrazi u izvornoj i ciljanoj rečenici imaju tendenciju da se
poklapaju jedni s drugima, ali u razgovoru, upit korisnika ne smije dijeliti riječi ili izraze s
koherentnim odgovorom. Umjesto toga, modelirani su transdukcijski modeli za generisanje
20
odgovora umjesto da se koriste modeli enkoder-dekoder kao što prikazuje Slika 8. (Jurafsky i
Martin, 2019 : 497).
Slika 8. Model dekodera enkodera za stvaranje neuronskog odgovora u dijalogu (Jurafsky i

Martin, 2019 : 497)
Potrebne su brojne modifikacije osnovnog enkoder-dekoder modela da bi se prilagodio za

zadatke generisanja odgovora. Na primjer, osnovni modeli enkodera i dekodera imaju
tendenciju stvaranja predvidljivih, ponavljajućih i dosadnih odgovora poput „dobro sam“ ili „ne
znam“ koji u većini slučajeva prekidaju konverzaciju. To se može riješiti promjenom ciljne
funkcije za obuku modela seq2seq u ili izmjenom dekoderskog snopa kako bi se u snopu
zadržali različitiji odgovori. Drugi problem jednostavne arhitekture generisanja odgovora
enkoder-dekoder je nemogućnost modeliranja prethodnog konteksta razgovora. To se može
riješiti tako da se modelu omogući uvid u prethodne upite, poput korištenja hijerarhijskog
modela koji sadrži informacije o više prethodnih upita (Jurafsky i Martin, 2019 : 497).
2.2. Primjena chatbot aplikacija
Chatbot aplikacije mogu imati više primjena, poput usluge kupcima, socijalne i emocionalne
podrške, pružanje informacija, zabave i povezivanja korisnika s drugim ljudima ili mašinama.
Velika raznolikost chatbotova navedena je u BotListu (https://botlist.co/), web sajtu na kojem
ljudi mogu pronaći chatbotove za širok raspon primjena dostupnih na više platformi za
razmjenu poruka. Danas se na chatbotove gleda kao na obećavajuću alternativnu opciju koja će
zamjeniti tradicionalno pružanje korisničke usluge. Razgovore s tim botovima korisnici
smatraju mnogo prirodnijim i učinkovitijim u odnosu na interakciju s mobilnom aplikacijom,
jer korišrenjem chatbota putem prirodnog jezika mogu dobiti odgovore na svoja pitanja, primati
prijedloge za kupovinu, naručivati i stalno biti obavješteni o kupovini. Veliki broj chatbotova
služe kao virtualni pomoćnici ili upravitelji, pomažući korisnicima u obavljanju određenih
zadataka. Indijski chatbot Nikibot može pomoći korisnicima da naprave rezervaciju za taksi i
naruče hranu za dostavu. Chatbot “Do Not Pay”, predstavlja još jedan od primjera primjene
chatbota u Velikoj Britaniji, koji pomaže korisnicima da podnose tužbe kada dobiju parking
kazne, dok chatbot Babylon Health pruža medicinske savjete. Chatbot aplikacije također mogu
pomoći ljudima da istražuju internet sadržaj ili usluge. Na primjer, Microsoft je pokrenuo
Heston Bot koji pomaže korisnicima u istraživanju o hrani i mogućnostima njene pripreme.
21
Pored toga, svjetska kompanija za modu i odjeću H&M pokrenula je chatbot za pružanje
osobnih modnih savjeta na osnovu fotografija koje su postavili korisnici. „Smalltalk“
orijentisani chatboti kao što su Mitsuku i Jessie Humani ispunjavaju potrebe ljudi za zabavom
i društvenom interakcijom (Brandtzaeg i Følstad, 2017 : 3).
2.2.1. Historija Chatbot aplikacija i analiza postojućeg tržišta
Chat kao medij postoji još od vremena postojanja računara i od tad je jedan od istaknutih medija
komunikacije u posljednjih nekoliko decenija. U ovom dijelu rada će biti opisano porijeklo
chatbotova i kako su naučnici oduvijek težili ka tome da naprave računar koji bi razgovarao sa
čovjekom na prirodan način (Rashid i Anik, 2018 : 2).
Iako se čini da je chatbot nova riječ, oni postoje od kada su ljudi razvili način za interakciju sa
računarom. Prvi brzi chatbot ELIZA predstavljen je još prije nego što je razvijen prvi lični
računar, a razvijen je u laboratoriji za umjetnu inteligenciju MIT Josepha Weizenbauma.
Nakon toga u prvoj deceniji 21. stoljeća, izgrađen je SmarterChild od strane ActiveBuddya. Bio
je to prvi pokušaj stvaranja chatbota koji je pored zabave mogao pružiti i neke korisne
informacije poput informacija o dionicama, sportskih rezultata, citata filmova i još mnogo toga.
Ovaj chatbot se nalazio unutar AOL-a7 i Windows Live Messengera, a koristilo ga je više od
30 miliona ljudi. Kasnije 2007. godine je došao u vlasništvo Microsoft. za 46 miliona dolara.
SmarterChild predstavlja prethodnika kompanije Siri (od strane Apple-a) i S Voice (od
kompanije Samsung). Siri je inteligentni lični asistent kojeg je razvio SRI International, a nakon
toga ga je preuzeo Apple u svoj iOS 5 za iPhone. Bio je sastavni dio ekosistema iOS-a. Siri
omogućava korisnicima da učestvuju u slučajnim razgovorima, pružajući korisne informacije o
vremenu, dionicama i filmskim kartama. Tehnički giganti poput Samsung-a i Google-a slijedili
su korake Applea razvijajući vlastite AI (eng. Artificial Intelligence) pomoćnike: S Voice i
Google Allo. Postoje i kućni pomoćnici s glasovnim komandama poput Amazona, Alexa-e i
Google Home, koji su još jedan prikaz chatbotova. Slika 9. prikazuje detaljan slijed nastanka
chatbotova kroz historiju (Rashid i Anik, 2018 : 3).
Kada se posmatra historija chatbotova, može se primjetiti da su kompanije uvijek razvijale
vlastite pojedinačne AI bazirane chatbotove kako bi služile svrsi krajnjih korisnika. Međutim
posljednjih godina taj trend se promijenio, u junu 2015. godine kada je Telegram otvorio svoju
bot platformu omogućavajući programerima da izrađuju chatbotove koji služe korisnicima s
brojnim uslugama poput anketa, vijesti, igara, integracije i zabave. Pored toga, Slack, tim cross
platform za softver aplikacije, najavila je bot korisnike u decembru 2015. Slack je lansiranjem
platforme za botove korisnika podstaknuo druge kompanije da započnu ulaganje u ovaj novi
kanal angažmana korisnika. Kao jedan od najvećih igrača na ovom tržištu, Facebook je za
vrijeme F8 konferencije za programere objavio svoju Messenger platformu u aprilu
2016.godine. Pored Facebook-a još nekoliko velikih igrača kao što su Skype, Kik i WeChat
izdali su svoje platforme za programere koji razvijaju chatbotove. Ukratko, posmatrajući
putovanje chatbotova od 1960-e do sada, može se vidjeti da je komuniciranje s neživim
7
AOL je američki web portal i pružatelj internetskih usluga sa sjedištem u New Yorku.
22
virtualnim bićem što je nekad bilo nezamislivo, postalo dio naše svakodnevnice (Rashid i Anik,
2018 : 3).
Slika 9. Pregled razvoja chatbotova kroz vrijeme (Rashid i Anik, 2018 : 4)
2.3. Komparacija chatbotova
Tabela 1. predstavlja komparaciju prethodno opisanih chatbotova, prema njihovim

karakteristikama. Opisani chatbotovi su: ELIZA, PARRY, ALICE, MICROSOFT XIAOICE i
SIRI.
Kriteriji po kojima je vršeno poređenje su ime osnivača chatbota i datum njegovog
objavljivanja te opis njegove primjene. Zatim, Tabela 1. također prikazuje koji od chatbotova
su otvorenog koda, a koji ne, kao i da li imaju sposobnost skalabilnosti i samoučenja. Naredna
karakteristika opisana kroz Tabelu 1. je da li chatbot ima položen Turingov test, te koji tip i
23
modeliranje podržava. U zadnjem dijelu Tabele 1. navedena su ključna tehnička ograničenja za

svaki od navedenih chatbotova.
Tabela 1. Komparacija analiziranih chatbotova
Ime chatbota ELIZA PARRY ALICE SIRI MICROSOFT

XIAOICE
Godina 1966 1972 1995 2011 2014
Referenca Josheph Kenth Colby Richard Wallace Dag Kittlaus Microsoft
Weizenbaum
Stimulira Pokušava Dizajnirana da Računarski AI saputnik sa
jednostavan simulirati oponaša ljudsko program koji emocionalnom
Primjena razgovor osobu s ponašanje u radi kao vezom da
između paranoičnom tekstualno inteligentni zadovolji
čovjeka i šizofrenijom baziranim lični asistent ljudsku
računara konverzacijama i dio je potrebu za
predstavljajući „Apple INC“ komunikacijo
se kao sistema. mi
psihoterapeut društvenom
pripadnošću
Chatbot Da Ne Da Da Da
otvorenog kod
Samo-učenje Ne Ne Ne Da Da
Skalabilnost Ne Ne Prilagođene Da Da
skripte
Tip Samo tekst Samo tekst Samo tekst Tekst, slika, Tekst, slika,
govor govor
Ključne Oponaša Stvara Jednostavno Omogućava Izgrađuje
karakteristike ljudski govor u emocionalne prilagođavanje ličnog emotivnu
konverzaciji reakcije skripti asistenta povezanost
Položen Da Da Ne Ne Da
Turingov test
Modeliranje Temeljeni na Temeljeni na Temeljeni na Temeljeni na Temeljeni na
pravilima pravilima pravilima korpusu korpusu
Ključna Ograničena Ograničena Veličina skripte Nedostatak Pojava

tehnička domena znanja domena može biti emocionalno nedosljedne
ograničenja znanja ogromna g angažmana ličnosti i
sa odgovora
korisnicima prilikomu
dugih dijaloga
Legenda: Umjetna inteligencija - AI (eng. Artificial Intelligence)
24
2.4. Primjer postojećih rješenja
Do danas je zabilježen niz uspješnih postojećih rješenja chatbot aplikacija za zdrastvenu zaštitu.
U narednom dijelu izdvojena su postojeća rješenja koja su najpribližnija rješenju chatbota ovog
rada:
1. Sensely;
2. Babylon;
3. SafeDrug;
4. Florence;
5. Cancerchatbot.
2.4.1. Sensely
Sensely chatbot ili virtualna asistentica Molly omogućava pacijentima da prijave svoje
simptome na osnovu kojih chatbot daje ili uputu za uslugu ili savjet za samoliječenje (Williams,
2019).
Karakteristika koja Sensely čini posebnim je ta što za komunikaciju sa ovim chatbotom možete
koristiti i govor i tekst. Takođe ga možete povezati i sa zdravstvenim uređajima koji podržavaju
Bluetooth, kao što su uređaji za nadzor krvnog pritiska i vagom (Matthews, 2018).
Ovo je platforma koja se bazira na AI i omogućava zdravstvenim radnicima da nadgledaju i
nadziru korisnika. Pametni algoritam vrši trijažu sistema na osnovu boja koje se koriste u hitnoj
pomoći kako bi se odredili prioriteti liječenja pacijenata na osnovu ozbiljnosti njihovog stanja
(Futurist, 2020). Sensely je povezan sa virtualnim chatbotom Molly, koji ima ulogu da
prosljeđuje savjete i usluge pacijentima. Molly ima sposobnost procjene korisničkih simptoma
i to na način da koristi govor, tekst, slike i video zapise kao ulaze. Na osnovu prikupljenih
podataka i informacija pametnim algoritmima, Molly tumači medicinske simptome korisnika i
preporučuje im radnu dijagnozu. Rješenja koja nudi Sensely konstantno pružaju informacije, o
trenutnim simptomima, historiji bolesti i napretku u liječenju pacijenta na mobilnoj platformi
(Some, 2018).
2.4.2. Babylon
Babylon Health je zdrastvena služba za medicinsko savjetovanje preko interneta te nudi

konsultacije temeljene na ličnoj historiji bolesti korisnika. Pored opcije provjere simptoma
postoji i mogućnost video poziva između pacijenta i odgovarajućeg ljekara. Način korištenja
ove aplikacije je veoma jednostavan. Korisnici prvo prijavljuju aplikaciji svoje simptome, koja
u bazi podataka o bolestima pretražuje te simptome pomoću prepoznavanja govora nakon čega
im nudi odgovarajući način reagovanja u odnosnu na problem (Williams, 2019). Po pitanju
video komunikacije ljekari slušaju i gledaju korisnika kako bi uspostavili radnu dijagnozu i
propisali odgovarajući recept ili po potrebi se konsultuju s drugim stručnjacima. Prilikom
korištenja ove opcije povezivanja sa stvarnim ljekarima, velika je vjerovatnoća da će se dobiti
25
preciznije i detaljnije informacije nego s bilo kojom drugom provjerom simptoma na internetu.
Babylon je do sad dobio najbolje kritike korisnika (Matthews, 2018).
2.4.3. SafeDrug
Medicinsko znanje se neprestano proširuje i zdravstveni radnici moraju biti upućeni u svaku
promjenu. Pravilno razumjevanje promjena tehnologije i liječenja od suštinskog je značaja za
pružanje kvalitetne njege. To postaje važno posebno kada se ljekari zdravstvene zaštite bave
trudnicama i dojiljama (Williams, 2019).
Ideja za SafeDrugBota je nastala kada je jedan doktor zatražio od grupe programera da brzo i
lahko preuzmu informacije o upotrebi lijekova tijekom dojenja. Kao rezultat toga nastao je
Safedrug chatbot za razmjenu poruka koji pruža pomoć zdravstvenim radnicima, doktorima
kojima trebaju odgovarajući podaci o upotrebi lijekova tokom dojenja. Štoviše, on daje
informacije o aktivnim sastojcima koji su prisutni u lijekovima i alternativnim lijekovima
(Futurist, 2020). SafeDrugBot je još jedna specijalizovana usluga koja je jedinstvena po tome
što je namijenjena ljekarima, a ne pacijentima. Ova aplikacija je osmišljena kako bi ljekarima
omogućila brzi pristup informacijama o sigurnosti lijekova za žene koje doje. Kompanija ovog
chatbota napominje da iako aplikacija može pomoći u pružanju informacija, ljekari uvijek
trebaju donijeti konačnu odluku na temelju svog znanja i iskustva (Williams, 2019).
2.4.4. Florence
Florence chatbot je u osnovi „lična medicinska sestra“, i radi na Facebook Messengeru, Skypeu
ili Kik-u. "Ona" može podsjetiti pacijente da uzimaju tablete, što je korisna osobina kod starijih
pacijenata. Korisnik ovog chatbota samo treba da napiše ime lijeka, koliko puta dnevno ga mora
uzimati i u koje vrijeme i na osnovu tih podataka Florence chatbot korisniku šalje poruku u
chatu svaki put kada on mora uzeti tabletu. Pored toga, Florenca može pratiti i zdravlje
korisnika, na primjer, prati njihovu tjelesnu težinu, bilježiti menstrualne cikluse i njihova
raspoloženja i na taj način im pomoći da dostignu svoj cilj (Futurist, 2020). Sistem za
automatsko slanje poruka također objašnjava korisniku šta mora poduzeti ukoliko propusti bilo
koju pilulu (Williams, 2019).
Florenca može dati detalje o medicinskim stanjima, ali ne pruža medicinske savjete, što
smanjuje zabrinutost zbog netačnih informacija (Matthews, 2018).
Chatbot također ima sposobnost da pronađe najbližu apoteku ili ordinaciju u slučaju potrebe.
Postoji više od dvije hiljade svakodnevnih korisnika ovog ličnog zdravstvenog asistenta. Ovaj
chatbot obavlja posao koji bi medicinska sestra radila tokom boravka pacijentu u bolnici. Zbog
toga je ovaj chatbot dobio ime po Florence Nightingale koja je osnivačica moderne zdravstvene
njege (Williams, 2019).
26
2.4.5. Cancerchatbot
CancerChatbot je koristan na Facebook Messengeru za osobe oboljele od karcinoma, tehničare,

prijatelje i porodicu. Chatbot nudi obilje resursa za pacijente, od savjeta i trikova za
hemoterapije do besplatnih usluga. Osigurava resurse tehničarima kako bi im olakšali teret
brige i olakšali im život. Štaviše, prijateljima i porodicama nudi savjete šta reći i kako najbolje
pomoći oboljelima od karcinoma. To je sofisticirano i dobro osmišljeno rješenje (Futurist,
2020).
Kada se pacijentu otkrije karcinom, tada on i njegovi najbliži prvo traže informacije o toj
bolesti. Iako su na internetu dostupni mnogi resursi, skupljajući ih sve na jednom mjestu i
prolazeći kroz njih, pacijent može imati veću sigurnost. Tako je nastao CancerChatbot koji nudi
detaljne informacije o raku i povezanim temama. Kad god korisnik upiše bilo koji upit, chatbot
odgovara pouzdanim informacijama iz svoje baze podataka (Williams, 2019). On takođe
omogućava korisnicima da preskaču iz jednog odjeljka u drugi po potrebi. Isto tako
posjedovanje galerija sa slikama i emotikonima čini chatbot razumljivijim.
27
3. Platfrome i programski jezici za razvoj chatbot aplikacija
3.1. Platforme za razvoj chatbot aplikacija
Postoje dva koncepta platforme za chatbot: razvojne platforme za chatbot i platforme za

objavljivanje chatbotova.
Platforma za objavljivanje chatbota je medij putem kojeg korisnici mogu pristupiti i koristiti
iste, to je okruženje u kojem se može potpuno doživjeti chatbot. Popularne platforme ove vrste
su Facebook Messenger, Kik, Slack, Telegram i WeChat (Maruti Techlabs, 2017).
Platforma za razvoj chatbotova sa druge strane je alat/aplikacija putem kojeg se može stvoriti
chatbot. Postoji veliki broj razvojnih platform za chatbotove poput WotNot, Chatfuel, Botsify
itd. koji pomažu u stvaranju chatbota (Maruti Techlabs, 2017).
3.1.1. Nekodirajuće platforme za razvoj chatbotova
Postoji mnogo platformi za izradu chatbotova koji pomažu u bržem i jeftinijem kreiranju istih
bez ikakvog kodiranja. Ove platforme pružaju opcije povlačenja i ispuštanja (drag-and-drop)
za izgradnju chatbota, što ih čini vrlo jednostavnim za korištenje (RoboticsBiz, 2019).
3.1.1.1. Chatfuel
Chatfuel pruža internetsku platformu koja omogućava korisnicima da izrade chatbot putem
vizualnog interfejsa koji se lako koristi, a koji omogućava netehničkim korisnicima da
dizajniraju i grade tokove poruka i pravila razgovora. Chatfuel je najveća platforma za izgradnju
chatbotova, koji napaja oko 46% svih chatbotova koji se trenutno nalaze na Facebook
Messengeru. Kompanije kao što su Adidas, BuzzFeed, National Geographic i ABC koriste
Chatfuel za dizajn svog Messenger chatbota. Kontrolna ploča Chatfuel omogućava
programerima da odaberu i uređuju chatbot koristeći interfejs koji je jednostavan za upotrebu i
navigaciju (Fang i Bjering, 2019 : 54).
Neke važne i korisne komponente uključuju kartice, blokove, atribute, sekvence, emitovanje i
AI poruke. Kartice predstavljaju jednu od najosnovnijih sastavnih dijelova chatbota te
omogućuju programerima da u odgovor chatbota dodaju tekst, slike, video zapise i mnoge
druge komponente (Slika 10.). Kartice također omogućuju programerima da povezuju odgovore
chatbota s postojećim već dostupnim dodacima, npr. sa Google pretraživačem, Youtubeom,
Instagramom itd. ili im može omogućiti da preusmjere razgovor na sekvence i blokove koje su
prethodno stvorili (Fang i Bjering, 2019 : 54).
28
Slika 10. Lista elemenata koji se mogu dodati u chatbot (Edgar, 2018)
Blokovi predstavljaju spremnike za jednu ili više kartica, a kada korisnik koji komunicira sa
chatbotom aktivira blok, on automatski dobija sve kartice koje su sadržane u tom bloku. Oni su
poput pojedinačnih stranica na websajtu. Sadrže kartice: tekst, slike, kao i dodatke za stvaranje
složene logike. Blokovi nisu vidljivi korisnicima, ali pomažu kreatoru chatbota u organizaciji
strukture (Slika 11.) (Edgar, 2018). Atributi omogućavaju personalizaciju i napredne
konverzacijske tokove u chatbotu filtriranjem korisnika. Programeri mogu koristiti postojeće
atribute sistema ili stvoriti vlastite prilagođene atribute da bi filtrirali korisnika. Funkcija
emitovanje omogućava programerima da korisnicima šalju poruke koje se mogu podesiti za
trenutno slanje, slanje zakazano za poslije ili slanje automatski unutar sekvence. Sekvence su
prateće poruke koje chatbot šalje korisnicima kada oni komuniciraju s chatbotom na određeni
način, tj. pretplatom na sekvencu. Funkcija AI poruka je ono što je jedinstveno i korisno u
razlikovanju jednog chatbota od drugog. To je komponenta koja pomaže chatbotu da razumije
poruke koje je korisnik poslao (Fang & Bjering, 2019 : 54).
Slika 11. Prikaz blokova chatbota (Edgar, 2018)
29
Korisnik koji razgovara s botom može prelaziti iz jednog bloka u drugi koristeći dugme.
Blokove može međusobno povezati pomoću taba na tekstualnim karticama ili karticama
galerije ili pomoću dodataka poput dodatka preusmjeranje na blok (Redirect To Block plugin)
(Slika 12.). Na ovaj način se stvaraju tokovi konverzacije (Edgar, 2018).
Slika 12. Međusobno povezivanje blokova (Edgar, 2018)
3.1.1.2. ManyChat
ManyChat je u konceptu sličan Chatfuelu. On nudi skup unaprijed definiranih predložaka koji
se mogu prilagoditi određenom poslu. ManyChat je još jedna platforma za kreiranje chatbota i
platforma za upravljanje koja je kompatibilna s Messengerom. Ljudi koji nisu upoznati s
konceptima programiranja ili razvoja softvera mogu kreirati vlastite botove sa userf Friendly
interfejsom (Slika 13.) koje web stranica pruža (Kaghyan, Sarpal, Zorilescu i Akopian, 2018 :
8).
30
Slika 13. Meni ManyChata koji se prikazuje prilikom kreiranja nove kartice s porukama
(Kaghyan, Sarpal, Zorilescu i Akopian, 2018 : 8)
Prije nego što će dizajner algoritma moći započeti stvaranje bota, potrebno se povezati na
Facebook stranicu koju će chatbot kasnije podržati (Slika 14.). Prvi čvor ( eng. node) od kojeg
treba započeti je "Početak rada"( eng. Getting Started). Ovaj korak se sastoji od raznih drugih
čvorova kao što je "Odgovor koji se podrazumijeva"(eng. Default Replay). Krajnje izrađen
chatbot trebao bi se sastojati od poruke dobrodošlice, glavnog menija podijeljenog na druge
dijelove i nekoliko drugih komponenti. Sistem radi na sličan način kao i Chatfuel. Web stranica
za izradu chatbota usmjerava dizajnera chatbota kroz korake polaznog osnivanja chatbota i
njegovog povezivanja sa Facebook stranicom (Kaghyan, Sarpal, Zorilescu, & Akopian, 2018).
ManyChat ima besplatan osnovni plan koji dolazi sa ograničenim mogućnostima i brendiranjem
ManyChata u chatbotovom meniju i promotivnim alatima. Ako se dizajner chatbota odluči za
Pro plan, onda web stranica daje pristup svim karakterisitikama, neograničenim tagovima,
prilagođenim poljima i bez markiranja brenda ManyChat u meniju, mada je potrebno spomenuti
da će se ManyChat logotip i dalje pojavljivati u nekim promotivnim razvojim alatima
(Kaghyan, Sarpal, Zorilescu, i Akopian, 2018 : 8).
31
Slika 14. ManyChat - početna faza podešavanja chatbota. Povezivanje na Facebook stranicu
Podrazumijeva se da su na raspolaganju i blokovi za rad s okruženjem dizajnera chatbota -

poruka dobrodošlice, glavni meni.
1. Poruka dobrodošlice - Ovo je blok iz kojeg chatbot započinje svoj rad. U ovom modulu osoba
koja dizajnira chatbot može započeti konfigurisanje prve poruke koja bi se trebala pojaviti svaki
put kada se Facebook korisnik poveže s chatbotom. Ona se sastoji se od sljedeća dva tipa:
a. Priložene poruke - sve poruke koje su međusobno povezane preko dugmeta nazivaju se
priložene poruke. Priložena poruka ima mogućnost dodavanja slike, običnog teksta, datoteke
za snimanje zvuka, video sadržaja, itd.
b. Nepriložene poruke - sve poruke koje se kasnije mogu povezati bilo kojim dugmetom. Ima
mogućnost dodavanja slike, teksta, zvuka, videa ili bilo koje druge datoteke.
2. Glavni izbornik (meni) - ovaj blok nudi razne lako dostupne opcije kao što su odgovori sa
porukom, podnaslovom i URL-om.
3. Dodatne funkcionalnosti:
a. Razgovor uživo - Ova karakteristika omogućava osobi kojoj je dodijeljena titula
administratora chatbota da uspostavi interakciju s korisnicima Facebooka u stvarnim sesijama
razgovora uživo.
b. Publika – Ova karakteristika daje mogućnost da se vide razgovori unutar chatbota, posebno
pružajući mogućnost da se vide i unutrašnji razgovori sa korisnikom.
c. Razvojni alati- Daju mogućnost da se vidi koliko je korisnika u interakciji s robotom i koliko
često.
d. Ključne riječi – ova karakteristika omogućava da se pojedinačne riječi mogu podesiti što
znači kad god korisnik pita nešto vezano za tu riječ chatbot automatski daje odgovor
odgovarajućom podudarajućom riječi (Kaghyan, Sarpal, Zorilescu i Akopian, 2018 : 8).
32
e. Emitiranje - Sadrži dvije karakterisitke: redovno emitiranje koje većem broju korisnika daje
mogućnost slanja poruka odjednom (skupno slanje poruka) i mogućnost automatskog slanja što
znači emitiranje poruka s drugih web stranica treće strane, poput YouTubea.
f. Sekvence - sa ovim dizajner chatbotom šalje poruke tako što definiše vrijeme slanja
g. Zadani odgovor - korisnik upisuje nešto što nije definirano u chatbotu, a zatim chatbot
automatski odgovara s određenim odgovorom.
Manychat omogućava besplatne video materijale za izradu chatbota i pravilnim korištenjem za
povezivanje s ciljanom publikom (Kaghyan, Sarpal, Zorilescu i Akopian, 2018 : 9).
3.1.1.3. It’s Alive!
It’s Alive je Facebook platforma za izgradnju chatbotova sa karakteristikama poput pretplata,

trenutnih obavijesti, zakazivanja, upravljanja i organiziranja opcija, otkrivanja ključnih riječi,
RSS kanala (eng. Really Simple Syndication), varijabli, aktivnosti i analitike.
Poruke ovog sistema podijeljene su u tri kategorije: nekategorizirane, osnovne i recepti. Chatbot
se na ovoj platformi stvara koristeći kombinacije ove tri vrste blokova za razmjenu poruka.
Pored toga, „nekategorizirani“ blok poruka posjeduje test, dok se blok osnovnih poruka obično
koristi nakon poruke dobrodošlice, menija i „neodgovorenog“ tipa odgovora (Slika 15.)
(Kaghyan, Sarpal, Zorilescu i Akopian, 2018 : 9).
Slika 15. Logika i komponente za kreiranje chatbota za ItsAlive! Platformu (Kaghyan, Sarpal,
Zorilescu i Akopian, 2018 : 9)
33
Dakle, u većini aspekata kreiranja poruka ove komponente pružaju sličnu logiku unošenja
naslova, dodavanja tipki kao što je to bilo slučaj sa karticama Chatfuel galerije. Tabela 1. sadrži
komparativnu analizu prednosti i nedostataka korištenja jedne ili druge platforme za izradu
chatbota, uzimajući u obzir faktore poput nivoa poznavanja programa od strane dizajnera
chatbota, budžeta, trajanja interakcije i složenosti razgovora, želje za uključivanjem
karakteristika kod prenošenja poruka umjesto običnog teksta. Osobi koja dizajnira chatbot
pokretanjem faze kreiranja chatbota, biće ponuđen plan plaćanja za podršku chatbota, gdje
postoje dvije mogućnosti: premija ili preduzeće (Slika 16.) (Kaghyan, Sarpal, Zorilescu i
Akopian, 2018 : 9).
Slika 16. It’s Alive! Platforma za kreiranje chatbota. a) Premijum plan, b) Plan za preduzeća
34
3.1.2. Kodirajuće platforme za razvoj chatbotova
3.1.2.1. DialogFlow
DialogFlow, preimenovan u Api.ai, je platforma za NLU u oblaku (cloudu) koja je u posjedstvu

Google-a. Ona pruža detaljnu obradu prirodnog jezika zasnovanu na neuronskoj mreži za
stvaranje konverzacijskih veza koje se bez problema integrišu s više platformi, kao što su
Facebook Messenger, Slack, WhatsApp, Telegram i tako dalje. Projekti DialogFlowa se
pokreću u Google Cloudu i mogu iskoristiti sve ponude Google Clouda povezane s kreiranjem
razgovora, kao što su dobivanje lokacije korisnika, pokretanje akcija u Googleovim
aplikacijama razvijenim kako za Android tako i za OS (Singh i Bhadani, 2020 : 53 ).
Ova konverzacijska platforma podržava različite jezike, te mnogobrojne programske jezike.
Jedna od njenih karakteristika je da sve svoje usluge pruža bez naknade. U bilo kojoj
DialogFlow implementaciji uključena su četiri ključna koncepta: agenti, entiteti, ciljevi i
konteksti. Agenti se mogu opisati kao NLU moduli za aplikacije. Njihova je svrha pretvaranje
prirodnog korisničkog jezika u djelotvorne podatke. Ova transformacija se događa kada
korisnički unos odgovara jednom od ciljeva ili domena. Entiteti predstavljaju koncepte i služe
kao moćan alat za dobijanje vrijednosti parametara iz prirodnih unosa jezika. Entiteti koji se
koriste u određenom agentu ovisit će o vrijednostima parametara za koje se očekuje da će biti
vraćeni kao rezultat rada agenta. Drugim riječima, programer ne treba stvarati entitete za svaki
koncept spomenut u agentu, već samo za one koji zahtijevaju djelotvorne podatke (Munoz,
Araque, Llamas i Iglesias, 2018 : 18).
Plan predstavlja mapiranje između onoga što korisnik kaže i onoga što bi trebao poduzeti
softver. Planovi su sastavljeni od nekoliko modula. Prije svega, potrebno je obezbjediti sve ono
što korisnik kaže na prirodnom jeziku. Tada je potrebno postaviti odgovarajuću akciju i odgovor
koje pružaju usluge vanjske aplikacije. Konteksti su dizajnirani za prenošenje informacija iz
prethodnih razgovora ili vanjskih izvora, poput korisničkih profila ili informacija o uređaju.
Takođe, mogu se koristiti za upravljanje tokovima razgovora (Munoz, Araque, Llamas i
Iglesias, 2018 :18).
Pored toga, DialogFlow pruža mogućnosti mašinskog učenja, alat koji omogućava agentima da
razumiju korisničke unose na prirodnom jeziku i pretvaraju ih u strukturirane podatke, dajući
relevantne parametre. U terminologiji DialogFlow razvijeni agent koristi algoritme mašinskog
učenja kako bi uskladio zahtjeve korisnika s određenim planovima i koristi entitete kako bi iz
njih izvukao relevantne podatke. Agent uči iz podataka koji su sadržani u njemu, ali i iz jezičnih
modela koje je razvio DialogFlow. Na temelju tih podataka, on gradi model za donošenje
odluka pomoću kojih odlučuje kojim korisničkim podacima će plan biti pokrenut, a koje
podatke treba izdvojiti. Svaki model je jedinstven po agentu (Munoz, Araque, Llamas i Iglesias,
2018 : 18).
Ukratko Dialogflow predstavlja platformu koja se sastoji od agenata koji predstavljaju NLU
module i koji mogu biti uključeni u aplikaciju, proizvod ili uslugu i transformisati prirodne
zahtjeve korisnika u podatke koji se mogu izvršavati. Ova transformacija se događa kada
korisnički unos odgovara jednom od planova unutar tog agenta.
35
Predložena arhitektura može se podijeliti u tri grupe: serverska strana, agent DialogFlowa i, na
kraju, mobilni pametni agent. Kompletnu globalnu arhitekturu sistema prikazuje Slika 17.
(Munoz, Araque, Llamas i Iglesias, 2018 : 18).
Slika 17.Globalna arhitektura razvijenog sistema (Munoz, Araque, Llamas i Iglesias, 2018 :
19)
3.1.2.2. Botpress
Botpress je platforma otvorenog koda koja je popularna među programerima. Ona predstavlja
lagan okvir za brzo izrađivanje prototipa i izgradnju chatbotova. On dolazi u paketu sa raznim
karakteristikama kako bi programerima olakšalo kreiranje botova koji mogu razgovarati preko
kanala za govor i chat.
Botpress se može pohvaliti pristupom pomoću grafičke korisničke veze GUI (eng. Graphical
User Interface) za kreiranje uvjerljivih botova tamo gdje postoji manja potreba za kodiranjem.
Budući da je Botpress potpuno samostalan okvir (za razliku od drugih okvira), fleksibilan je,
nadogradiv te omogućava integraciju sa većinom kognitivnih ponuda. Botpress dolazi sa
sljedećim komponentama (Sabharwal, Barua, Anand i Aggarwal, 2020 : 43).
- Mehanizam razumijevanja prirodnog jezika - obrađuje tekst koristeći algoritam za obradu
prirodnog jezika. Razumijevanjem prirodnog jezika analizira se tekst omogućavajući
izdvajanje informacija (koncepata, entiteta, ključnih riječi, tema, kategorija, odnosa…). Tako
strukturirani podaci su spremni za upotrebu od strane ostalih komponenti (Sabharwal, Barua,
Anand i Aggarwal, 2020 : 43).
- Editor vizuelnog toka. Botpress ima svoje vizualne veze za brzo prototipiranje i stvaranje
radnih tokova za razgovore. Njegov jednostavan i intuitivan dizajn radnih tokova programeri
koriste za modeliranje toka razgovora i testiranje slučajeva upotrebe, što znači manje kodiranja
i brži razvoj.
36
- Kanali za razmjenu poruka. Botpress podržava više kanala komunikacije, uključujući

Facebook messenger, SMS i email, što programerima olakšava integraciju s popularnim
aplikacijama za razmjenu poruka.
- Chat emulator. Emulator pomaže programerima da testiraju svoje botove i analiziraju
odgovore bota na različite unose. Ovo je osnovno sredstvo za dobijanje ocjene za izradu botova
(Sabharwal, Barua, Anand i Aggarwal, 2020 : 44).
3.1.2.3. RASA
RASA je skup biblioteka otvorenog koda za mašinsko učenje koje programeri koriste za izradu
kontekstualnih chatbotova. Klijentske usluge mogu se povezati s različitim aplikacijskim
programskim sučeljima - API-jevima (eng. Application Programming Interface) na RASA
platformi (Singh, Ramasubramanian i Shrey, 2019 : 292).
RASA ima dvije glavne komponente:
• Jezgro se odnosi na glavnu komponentu koja prima i odgovara na zahtjeve.
• Modul razumijevanja prirodnog jezika NLU je alat koji vrši klasifikaciju namjera i izdvajanje
entiteta za sve poruke koje dolaze od korisnika.
Ova dva modula pružaju različite funkcionalnosti koje se mogu osposobiti, prilagoditi i
integrirati u određeni skup podataka za kontekstualne AI bazirane virtualne asistente. (Singh,
Ramasubramanian i Shrey, 2019 : 292).
Slika 18. Funkcionalnosti Core i NLU modula (Singh, Ramasubramanian i Shrey, 2019 : 292)
Slika 18. prikazuje sljedeće funkcionalnosti:

- Funkcionalnost pretvaranja prirodnog jezika u strukturirane podatke: U ovoj funkcionalnosti
su strukturirani, polustrukturirani i nestrukturirani podaci raščlanjeni u nekom značajnom
obliku u bazi znanja za postavljanje upita.
37
- Dijalog baziran na mašinskom učenju: RASA pruža vlastiti modul za upravljanje dijalogom
koji se može prilagoditi i modelirati putem niza jednostavnih koraka.
- Vektori prilagođenih riječi: RASA pruža prilagođavanje za obuku vektora riječi za domenu.
U tom procesu nastaje nekoliko ugrađenih riječi, što pomaže boljoj klasifikaciji namjera..
- Izdvajanje entiteta: Korištenjem ugrađenih ili prilagođenih modela za prepoznavanje entiteta,
RASA može identificirati entitete u korisničkim izrazima.
- Funkcionalnost spajanja poruka sa više namjera: Izjava korisnika može se uskladiti s više
namjera, a različiti rezultati podudaranja zajedno sa odgovarajućom namjerom se vraćaju u
odgovor.
- Interaktivno učenje: RASA nudi jednostavne načine omogućavanja interaktivnog učenja koje
podučava bota novim vještinama (Singh, Ramasubramanian i Shrey, 2019 : 293).
RASA okvir za kreiranje chatbotova koristi dva modela za efikasan protok razgovora, kao što
prikazuje Slika 19. (Singh, Ramasubramanian i Shrey, 2019 : 294).
Slika 19. Tok razgovora prilikom korištenja jezgra i NLU modula RASA platforme (Singh,
Ramasubramanian i Shrey, 2019 : 294)
Poruka se u osnovi obrađuje u dvije faze: jedna na jezgru modula koji upravlja razgovorom a
druga na NLU modulu, koji pruža bitne usluge jezika. RASA platforma upravlja vanjskim API-
jevima ili odnosima sa klijentima - CRM (eng. Customer relationship management) uz pomoć
RASA core trackera (Singh, Ramasubramanian i Shrey, 2019 : 294).
3.1.3. Komparacija platformi za razvoj chatbot sistema
Tabela 2. i Tabela 3. sadrže platforme koje su različite i imaju svoje specifične karakteristike.
Za neke od ovih platformi nije potrebna nikakva vještina programiranja i one uključuju
38
graditelje vizualnog toka, dok druge predstavljaju okvire koje sadrže napredne alate za
programere poput API-ja, SDK-ova, IDE-a i drugih. Najnovije platforme koje su se pojavile u
posljednih par godina su uglavnom platforme za kreiranje chatbotova vizualnih razgovora bez
koda koji pružaju jednostavne nadzorne ploče s analitikom. Analitika pokazuje određene
karakteristike chatbotova kao što su broj ukupnih korisnika, njihovu aktivnost, broj razgovora,
prosječno trajanje razgovora, aktuelne teme, ključne riječi, postotak osoba koje su napustile
konverzaciju, odgovorena i neodgovorena pitanja od strane chatbota itd. Obično takve
platforme ne uključuju vlastite NLP mehanizme8 (eng. Natural Language Processing), ali
koriste NLP alate treće strane. Najpopularniji i funkcionalniji NLP alati su IBM Watson,
Amazon Lex, Microsoft LUIS, Google Dialogflow, Wit.ai, Rasa, DeepPaFvlov.ai, Electra.AI,
DigitalGenius i Semantic Machines. Neki od alata za izradu chatbota obezbjeđuju detaljne
upute o procesu izrade chatbota u tekstualnom ili video formatu. Neke od ovih platformi nude
online grupe u kojima je moguće pronaći odgovore na pitanja o tim platformama. Postoje čak i
platforme koje nude kreiranje chatbotova koji će koristiti unikatne glasove koji će iskazivati
specifičnu ličnost tog brenda.
Tabela 2. Komparacija nekodirajućih platformi
Ime chatbota Chatfuel ManyChat It's Alive

Datum objave 2015 2015 2016
Intuitivna platforma za ManyChat omogućuje It's Alive nudi platformu

Opis platforme kreiranje botova sa kreiranje Facebook za jednostavno kreiranje
navigacijom i Messenger bota za chatbotova i usluga za
automatizacijom odgovora marketing, prodaju i brendove koje se žele
na najčešća postavljena podršku. Ovo je vrlo istaknuti.
pitanja jednostavna i besplatna
platforma.
Matematičke operacije, Poruke pored teksta Lahka organizacija

geofencing9, usmjeravanje mogu sadržavati i druge omogućava jednostavno
Karakteristike korisnika putem bota, blokove poput slika, unošenje podataka
odgovaranje na Facebook audio, video datoteka, opcijom „drag and
stikere, kašnjenja (poruke daju drop“ u foldere i
korisničko pretraživanje, dojam da su od strane organizovano
povezivanje računa. čovjeka). održavanje chatbota.
Chatbot razumije Odgovora na korisničke It's Alive chatbotovi se

korisnikov unos, odgovara ključne riječi i pitanja. sastoje od dva glavna
na pitanja i ključne riječi Prilagođena pravila elementa:
korisnika. omogućavaju izvođenje Korisnički okidači koji
akcije zasnovane na automatiziraju sadržaj;
8
NLP mehanizam je osnovna komponenta koja tumači ono što korisnici kažu u bilo kojem trenutku i pretvara taj
jezik u strukturirane ulaze koje sistem može obraditi.
9
Geofencing (geofiting) je karakteristika softverskog programa koja koristi globalni sistem za pozicioniranje
(GPS) ili radiofrekvencijsku identifikaciju (RFID) za definisanje geografskih granica.
39
NLU/ Prosljeđuje razgovor različitim globalnim Odgovor bota: sadržaj

Karakteristike stručnim licima kad god je okidačima: kada se u koji se može poslati.
umjetne to potrebno. Manychatu dogodi Ovaj chatbot otkriva
inteligencije akcija 1 - izvest će se ključne riječi korisnika i
sljedeća radnja. reagira na njih
Jezici Podržava 50 jezika Podržava 16 jezika Mogućnost izrade

jednog chatbota sa
opcijama izbora
različitih jezika ili
poseban chatbot za
svaki jezik pojedinačno.
Potrebne vještine Nije potrebno kodiranje ili Nije potrebno kodiranje. Nisu potrebne vještine
iskustvo kodiranja.
1.Blesplatan plan 1.Besplatan plan 1.Besplatan plan

Cijene 2.PRO Plan ($15 po 2.PRO Plan (Naplaćuje 2.Solo (19 USD
botu/stranici) se po broju pretplatnika mjesečno)
pa tako je cijena za 3.Plus (49 USD
chatbot sa 1 000 mjesečno)
pretplatnika $15 4.Pro (99 USD
mjesečno) mjesečno)
1.Besplatni plan nudi 1.Besplatan plan nudi 1.Besplatnan plan (1

neograničenu neograničeno emitiranje, chatbot, 1000 mjesečnih
funkcionalnost za 5.000 4 alata za rast, poruka)
korisnika. ManyChat brendiranje u 2.Solo (1 chatbot, 5000
2.PRO plan uključuje: alatima za rast, glavni mjesečnih poruka)
- 500 dostupnih korisnika. izbornik i poruku 3.Plan Plus (2 chatbota,
Sadržaj paketa - Uklanjanje naziva dobrodošlice. 20 000 mjesečnih
Chatfuela iz poruka 2.PRO plan nudi poruka)
dobrodošlice i trajnog neograničeno emitiranje, 4.Pro plan (5
menija neograničene alate za chatbotova, 100 000
- Prioritetna podrška rast, Messenger Code mjesečnih poruka)
- Kreiranje ciljane publike alat, ne dodaje 5.Prilagođeni plan
za Facebook oglase ManyChat oznaku (prilagođeni chatbotovi,
- Mogućnost brisanja brenda, nudi prilagođene mjesečne
neaktivnih korisnika marketinšku poruke)
automatizaciju)
Video upute za Napravite chatbot za Kako kreirati Facebook Kako izraditi svoj
kreiranje Facebook Messenger za 10 Messenger Bot Facebook Messenger
chatbota minuta koristeći Chatfuel chatbot sa ItsAlive.io
Legenda: Razumijevanje prirodnog jezika- NLU (eng. Natural language understanding)
40
Tabela 3. Komparacija kodirajućih platformih
Ime chatbota DialogFlow Botpress RASA
Datum objave 2010 2016 2016
Daje nove načine Botpress je open-source Alati otvorenog koda za

interakcije s platforma koja isporučuje izgradnju kontekstualnih
proizvodom tako što alat potreban za izgradnju asistenata.
gradi interaktivne botova za poslovne
Opis platforme govorne i tekstualne korisnike u rekordnom
veze. vremenu.
Historija pretraživanja Ima mogućnost rada na Platforma otvorenog

prikazuje jednostaniju računaru ili bilo kojem koda Rasa Platforma
hronološku verziju davatelju usluga oblaka. proširuje biblioteke
Karakteristike razgovora s kojima je Izuzetno je fleksibilan i otvorenog koda Rasa
chatbot sudjelovao. Oni prilagođen programerima. NLU i Rasa Core sa API-
su namijenjeni Ima modularnu arhitekturu jevima i grafičkim
pregledu komunikacije koja omogućava dodavanje korisničkim interfejsom.
korisnik- chatbot. novih funkcija Botpressu.
Prilikom korištenja Glavni zadaci koje Rasa NLU ima način

DialogFlow, kreiraju se centralni dio NLU-a procjene koji omogućava
agenti koji mogu chatbota obavlja su pregled funkcionisanja
razumjeti ljudski jezik i prepoznavanje onoga što modela, te da li ima
prevesti ga u standardno korisnik želi, izvlačenje dovoljno podataka i jesu
NLU/ i strukturirano značenje strukturiranih informacija li namjene i entiteti
Karakteristike koje aplikacije mogu iz poruka poput datuma, dobro dizajnirani,
umjetne razumjeti. vremena, gradova, imena i kreiranje prilagođene
inteligencije Automatska korekcija identifikaciju jezika. komponente za izvođenje
pravopisa Ova platform omogućava zadatka koji NLU
chatbotu analizu osjećaja trenutno ne nudi (npr.
(pozitivnog ili negativnog) analiza osjećaja).
Node.js, Python, PHP JavaScript HTTP API , Python

Programski jezici JavaScript, Ruby, C#,
Aplikacije/ Integracije agenta s Lahka integriracija sa /

integracija Google pomoćnika. aplikacijama trećih strana.
Jezici Podržava 32 jezika. Mogućnost izrade Koristi jezike koji se

chatbotova na više jezika. mogu tokenizirati.
Za programere Potrebne je imati vještine u Izgrađen za programere,

Potrebne vještine programiranju i biti od strane programera
41
upoznat sa projektima
otvorenog koda.
1.Standardno izdanje 1.Botpress otvorenog 1.Rasa – otvorenog koda

besplatno koda 2. Rasa Platforma –
Cijene 2.Izdanje za preduzeća 2.Botpress za preduzeća pretplata se plaća ovisno
(osnovni paket) “Pay o potrebama
as you go”
3.Izdanje za preduzeća
(plus paket) “Pay as
you go”
1.Standardno izdanje 1. Botpress otvorenog 1.Rasa – otvorenog koda

(Omogućuje ograničeni koda (omogućava upravljanje
tekst ili google (omogućava izgradnju kontekstualnim
pomoćnike na dijalozima,
vizualnih razgovora,
neograničeno, audio i prepoznavanje namjera,
analitiku razgovora,
Sadržaj paketa telefonske pozive na izdvajanje entiteta,
ograničeno)
podrška zajednice, potpunu kontrolu
2.Plan za preduzeća – integraciju kanala (Slack, podataka, povezivanje
osnovni (omogućuje Microsoft tim, Facebook API-ja, prilagođene
Text ili Google Messenger i Telegram) modele, podršku
pomoćnike - 0,002 $ -a zajednice)
po zahtjevu, Audio - 2. Botpress za preduzeća 2.Rasa platforma –
0,0065 $ za 15s zvuka, (podržava sve funkcije iz plaćanje pretplate (nudi
Telefonski poziv - 0,05 otvorenog koda, sve karakteristike kao iz
$ po min obrađenog neograničeni radni Rasa otovorenog koda,
telefonskog poziva) uz implementaciju
prostori za saradnju,
3. Plan za preduzeća - spremnika proizvodnje,
višejezični, kontrola
Plus (omogućuje Tekst integriranu AI obuku i
ili Google pomoćnika -
pristupa zasnovana na testiranje, kontinuiranu
0,004 $ po zahtjevu, ulogama, visoka integraciju modela,
Audio - 0,0085 $ za 15 dostupnost, napredna program uspjeha
s zvuka, Telefonski tehnička podrška 24/7) korisnika, podršku za
poziv - 0,065 $ po min preduzeća,
obrađenog telefonskog implementaciju i
poziva. instalaciju, preglede
karakteristika)
Video upute za Izgradite agent od nule Getting Started Getting Started with Rasa
kreiranje chatbota NLU
Legenda: Razumijevanje prirodnog jezika- NLU (eng. Natural language understanding)
Aplikacijski programski interfejs (eng. Application programming interface)
42
3.2. Programski jezici za razvoj chatbot aplikacija
Računarski sistemi sadrže mikroprocesor koji kontroliše rad računara. Mikroprocesor razumije
samo binarne informacije i djeluje na niz binarnih naredbi poznatih kao mašinski kod. Izuzetno
je teško pisati velike programe u mašinskom kodu tako da se umjesto njih koriste jezici visokog
nivoa. Jezik niskog nivoa je sličan mašinskom kodu i obično uključuje korištenje ključnih riječi
koje zamjenjuju upute mašinskog koda. Jezici visokog nivoa imaju sintaksu koja je poput
pisanog engleskog i na taj način čine programe jednostavnim za čitanje i mijenjanje. U većini
programa stvarni rad hardvera programeru je nevidljiv. Kompajler mijenja jezik visokog nivoa
u mašinski kod. Tipični jezici visokog nivoa uključuju C/C ++, BASIC, COBOL, FORTRAN i
Pascal (Buchanan, 1997 : 415).
Izbor programskog jezika za razvoj chatbota zavisi od platforme koja se koristi. U nastavku su
opisani neki od uobičajenih programskih jezika visokog nivoa koji se mogu koristiti u razvoju
chatbotova.
3.2.1. JavaScript
JavaScript je jednostavan, interpretiran programski jezik namijenjen ponajprije razvoju

interaktivnih stranica za razvoj hiperteksta - HTML (eng. HyperText Markup Language).
Jezgra JavaScripta uključena je u većinu današnjih pretraživača (Internet Explorer, Google
Chrome, Mozilla Firefox, Opera, Safari i drugi).
JavaScript omogućuje izvršavanje određenih radnji u statičnim HTML dokumentima, npr.
interakciju s korisnikom, promjenu karakteristka prozora pretraživača ili dinamičko stvaranje
HTML-sadržaja. JavaScript nije pojednostavljena verzija programskog jezika Java. Povezuje
ih jedino slična sintaksa i to što se oba jezika koriste za izvršavanje određenih radnji unutar
pretraživača (Stančer, 2015 : 3).
Ovaj programski jezik se interpretira, sa objektno orijentisanim (OO) mogućnostima. Po
sintaksi, jezgro jezika JavaScript slično je jezicima C, C++ i Java, s programskim
konstrukcijama kao to su naredba if, petlja while i operator &&. Međutim, ova sličnost se
završava sa sintaksom. JavaScript je slabo tipiziran jezik, što znači da se za promjenjive ne
mora definisati tip. Objekti u JavaScriptu preslikavaju (mapiraju) imena svojstava u proizvoljne
vrijednosti svojstava. Zbog toga su sličniji heš tabelama ili asocijativnim nizovima nego
strukturama (u C-u) ili objektima (u jezicima C++ ili Java). Mehanizam OO nasleđivanja u
JavaScriptu zasnovan je na prototipovima. Jezgro jezika JavaScript podržava brojeve,
znakovne nizove i logičke vrijednosti kao osnovne tipove podataka. Osim toga, ono ima
ugrađenu podršku za objekte kao to su nizovi, datumi i regularni izrazi. JavaScript se najčešće
koristi u čitačima Weba, pa se jezgro opšte namjene proširuje objektima koji omogućavaju
skriptovima interakciju s korisnikom, upravljanje čitačem Weba i izmjene sadržaja dokumenta
koji se pojavljuje unutar prozora čitača. Ova verzija JavaScripta izvršava skriptove koji su
ugrađeni u HTML Web stranice. To se obično zove klijentski JavaScript, da bi se naglasilo kako
se skriptovi izvršavaju na klijentskom računaru, a ne na Web serveru. Jezgro jezika JavaScript
i njegovi ugrađeni tipovi predmet su međunarodnih standarda, i veoma je dobra kompatibilnost
različitih implementacija. Neki dijelovi klijentskog JavaScripta zvanično su standardizovani,
43
neki su de facto standardi, a ostali predstavljaju proširenja koja zavise od čitača. Kompatibilnost
između različitih čitača značajna je za programere koji koriste klijentski JavaScript (Flanagan,
2008 : 1).
3.2.3. Python
Phython je interpretirani, objektno-orijentisani jezik visokog nivoa. Pravila jezika su

jednostavna, a izvorni kod je čitak i često dosta kraći nego u slučaju Java ili C/C++ ekvivalenta.
Dostupan je za različite operativne sisteme poput Windowsa, Linuxa i Mac OS-a. Uz osnovnu
instalaciju dobija se besplatno razvojno okruženje IDLE, koje uključuje interaktivni interpreter,
editor teksta i alate za testiranje koda. Phython stavlja na raspolaganje kvalitetne standardne
biblioteke čiji programski moduli nude gotova rješenja za mnoge probleme. Jezik predstavlja
idealnu platformu za učenje programiranja jer pruža alate za jednostavno prevođenje misaonog
procesa u odgovarajući program (Kovačević, 2017 : 21).
U Phythonu se svi podaci, počevši od broja jedan pa do samog programa, predstavljaju
objektima odgovarajućeg tipa. Objektima se mogu pridodati i željena ponašanja pa se uz
njihovu pomoć mogu simulirati različiti realni sistemi. Ovo je jedan od najpopularnijih
modernih programskih jezika. Osobina da se izvorni kod interpretira, da je jezik koncizan i da
programeru stoji na raspolaganju veliki broj već gotovih funkcionalnosti, čini Phython jezikom
izbora za izučavanje vještine programiranja (Kovačević, 2017 : 24).
Programski jezik Python ima široku primjenu u raznim oblastima nauke i industrije, poput:
mašinskog učenja, neuralnih mreža i drugih oblasti vještačke inteligencije, kreiranja web
aplikacija, edukacije, bioinformatike, fizike, medicine. Mnoge velike svjetske organizacije i
kompanije koriste Python: Google, CERN, NASA, Facebook, Amazon, Instagram, kao i niz
drugih. Python koristi interpreter za razliku od značajnog broja drugih programskih jezika koji
koriste kompajlere (C, C++, Java). U slučaju interpretera, kod se izvršava liniju po liniju, te u
slučaju pojave greške u jednom dijelu koda, svi raniji dijelovi su uspješno izvršeni, te program
prekida rad na dijelu koda u kojem je došlo do greške. Standardne i moderne aplikacije sadrže
GUI koji je sačinjen od prozora, dugmića, polja za unos podataka i raznih drugih grafickih
komponenti. Programski jezik Python podržava kreiranje takvih komponenti. Izvršavanje
programa se takođe može odvijati kroz konzolu koja predstavlja osnovni element komunikacije
korisnika i programa. Kroz konzolu, korisnik može unositi tražene vrijednosti, ali isto tako,
može dobiti odgovarajuće informacije i rezultate izvršavanja programa. Važno je napomenuti
da podatke ispisane u konzolu programer ne može mijenjati, te da će konzola od trenutka
pokretanja programa biti jedini način komunikacije korisnika i programa. Kompletan proces
odvija se u više faza koje se ne preklapaju: programer napiše program, ispravi greške, pokrene
ga i ne može ga mijenjati u toku njegovog trajanja, korisnik komunicira sa programom putem
konzole i očekuje u konzoli ispisane rezultate izvršavanja programa. Za pisanje Python koda,
može se koristiti bilo koji tekstualni editor uz uslov da je dostupan interpreter za izvršavanje
koda. Svaki kod se sastoji od niza naredbi, te se kodovi smještaju u fajlove. Ekstenzija na kraju
svakog Python fajla je .py. Kako kompleksni softveri imaju više stotina hiljada ili čak milione
linija koda, nepraktično je da kompletan kod bude sadržaj u jednom fajlu. Stoga, kod se
razdvaja u više fajlova. Više fajlova se u kompleksnim sistemima uvezuje u projekat. Python
44
zahtijeva izuzetnu jasnoću i preciznost u kodu. Ta jasnoća se postiže uvlačenjem dijelova koda,
ispravnim poravnanjima i kreiranjem blokova. Svaki niz naredbi se razdvaja u blokove. Blokovi
predstavljaju niz naredbi koji najčešće čini jednu logičku cjelinu. Jedan blok naredbi
sačinjavaju sve naredbe koje su jednako ili više uvučene. Važno je napomenuti da se svaki dio
koda mora precizno definisati, te da od programskog jezika (kao i računara i interpretera) ne
možemo očekivati veliku pomoć. Računar izvršava samo i tačno one naredbe koje su navedene
u kodu (Selmanović & Delalić, 2019 : 11).
3.2.3. C#
Jezik C# je veoma jednostavan i sadrži oko 80 ključnih riječi i desetak ugrađenih tipova, ali je
vrlo izražajan kada je riječ o implementaciji modernih programerskih koncepata. C # pruža svu
podršku potrebnu za strukturirano, objektno orijentirano programiranje temeljeno na
komponentama kakvo biste i očekivali od modernog jezika sagrađenog na temeljima jezika
C++ i Java. U verziji 2.0 dodani su mu i mnogi važni elementi koji su ranije nedostajali, poput
generika i anonimnih metoda (Liberty, 2005 : 6). C# je dizajniran tako da omogućuje pet
osnovnih karakteristika neophodnih za uspješno kreiranje svakog programa: jednostavnost,
sigurnost, brzina, objektnu-orijentiranost i usmjerenost prema Internetu. Veoma je lagan za
učenje i korištenje što je vjerojatno i razlog činjenici da ga korisnici više preferiraju od nekih
drugih programskih jezika. C# je u potpunosti objektno orijentirani jezik gdje je svaki podatak
enkapsuliran u objekt neke klase. Sadrži sve dobre odlike takvog jezika koje većinom preuzima
iz Jave i C++ jezika. Iako je glavni zadatak jezika C# stvaranje i rad sa objektima najbolje je
početi od osnovnih koraka, tj. od elemenata koji stvaraju objekte – varijabli i konstanti te
njihovih tipova podataka. Glavna razlika između konstanti i varijabli je u tome da se vrijednosti
varijable mogu mijenjati kroz program, dok se konstante koriste za memorisanje vrijednosti čija
se vrijednost neće mijenjati kroz neku proceduru ili cijelu aplikaciju. Svaka varijabla i konstanta
mora imati svoj jedinstveni identifikator. Identifikatori su nazivi koje programeri odaberu za
svoje varijable, konstante, tipove, objekte i sl. Također bitno je napomenuti da se kod imena
identifikatora mala i velika slova razlikuju te stoga C# nazive mojaVar i MojaVar tretira kao
dva različita imena varijabli (Lovrić, 2016 : 5).
Klasa je najmoćniji podatkovni oblik u C#. Pripada korisnički definiranim tipovima podataka,
a podatci koji se definiraju ovakvim tipom se nazivaju objektima. Jednostavno rečeno, klasa je
nacrt ili opis objekta, a objekt je konkretna realizacija klase. Klasa se sastoji od atributa koji
definiraju podatke objekta i metoda koje definiraju njegovo ponašanje (Lovrić, 2016 : 12).
Klase definiraju nove tipove, što omogućava proširivanje jezika kako bi se moglo bolje
modelirati problem koji se pokušava riješiti. C# sadrži ključne riječi za deklariranje novih klasa,
njihovih metoda i karakteristika te za implementaciju enkapsulacije, nasljeđivanja i
polimorfizma10 - tri stupa objektno orijentiranog programiranja. U C# , sve što je potrebno za
deklariranje klase nalazi se u samoj deklaraciji. Definicije C# klasa ne zahtijevaju posebne
datoteke zaglavlja niti datoteka jezika definicije veza - IDL (eng. Interface Definition
Language) (Liberty, 2005 : 7).
10
Polimorfizan znači da različiti objekti mogu različito reagirati na istu poruku.
45
4. Dizajniranje chatbot aplikacije za zdravstvenu zaštitu
4.1. Opis i ciljevi chatbota
4.1.1. Svrha sistema
Chatbot aplikacija za zdravstvenu zaštitu je sistem čija je osnovna svrha prepoznavanje

simptoma korisnika i davanje savjeta, uputa za dalji tretman.
Ova aplikacija treba da bude pouzdano, efikasno i besplatno rješenje koje će omogućiti
korisnicima, sigurno, jednostavno i brzo pružanje osnovnih informacijama o njihovoj mogućoj
radnoj dijagnozi, te davanje smjernica za rješavanje iste.
Ideja se bazira na tome da se korisnicima olakša put do dobijanja informacija i mogućnosti o
tretmanima i to putem savremenog informacionog sistema. Ova aplikacija bi predstavljala
alternativu za porodičnog ljekara u vidu virtualnog kućnog ljekara, tako da korisnik ukoliko
ima blaži oblik stanja može izbjeći odlazak u primarni nivo zdravstvene zaštite, a kod korisnika
sa ozbiljnijim tegobama aplikacija će pružiti adekvatne smjernice za put pacijenta kroz
zdravstveni sistem.
Postoji toliko jednostavnih medicinskih pitanja koja ne zahtjevaju potpunu posvećenost ljekara,
ali ako pacijenti ostanu bez odgovora, postaju zabrinuti, nervozni, zbunjeni i paranoični, zbog
toga ova aplikacija bi bila najbolje rješenje za ovaj problem, a ujedno bi olakšala ljudima tako
da ne moraju napuštati svoje radno mjesto na poslu i gubiti vrijeme na odlazak i čekanje samo
da bi dobili odgovor od deset sekundi na jednostavno pitanje. Također, ovo bi moglo olakšati
teret za medicinske radnike, ali i smanjiti gužve u čekaonicama što bi bilo jako korisno
pogotovo u vrijeme trenutno aktuelne pandemije COVID 19.
Pored ovoga ovaj tip aplikacije se može koristiti za različite svrhe, npr. pružanje savjeta za
zdrav način života, te savjeta za korištenje alternativne medicine za održavanje fiziološki
funkcionalnog organizama, za interaktivni zdravstveni sistem koji podržava chatbot za kontrolu
težine i unapređenje zdravlja, za optimizaciju praćenja starijih pacijenata oboljelih od
karcinoma, za obrazovanje o dijabetesu, za mentalno zdravlje, itd.
Prava dobrobit chatbota je poticanje opće populacije davanjem odgovarajućih smjernica u
pogledu sjajnog i zdravog života.
4.1.2. Ciljevi sistema
Ovaj chatbot sistem treba da obezbijedi najbolje riješenje u oblasti virtualne zdravstvene zaštite.
Cilj sistema je da korsinicima obezbijedi jednostavno, jasno i lahko dobijanje radne dijagnoze
kao i savjeta i smjernica za rješavanje iste. Ovaj medicinski chatbot treba biti razgovorni agent
koji će motivisati korisnike da razgovaraju o svojim zdravstvenim pitanjima i na temelju
simptoma koje pružaju chatbot bi određivao radnu dijagnozu. Chatbot sistem bi trebao biti u
stanju prepoznati simptome iz interakcije korisnika. Ova aplikacija neće predstavljati
medicinsko mišljenje kvalifikovane osobe, već će ista biti namjenjena samo za informativne
46
svrhe mogućih uzroka nastalih problema, i eventualno za davanje odgovarajućih savjeta za

ublažavanje istih. Takođe aplikacija se neće i ne smije koristiti u hitnim slučajevima.
Osnovni ciljevi koje ovaj chatbot treba da ispuni su :

- posjedovanje sposobnosti postavljanja pitanja korisnicima i upoređivanja njhovih odgovora
sa slučajevima iz baze podataka chatbota.
- nakon poređenja sa podacima iz baze podataka, mora posjedovati mogućnost analize podataka
i određivanja moguće radne dijagnoze, kao i mogućih uzroka iste
- da omogući djelotvorne zdravstvene informacije
- da omogući bolja iskustva za pacijenata, uštedi im novac i poveća efikasnost, ukoliko bi se
koristio u zdravstvenoj zaštiti
- da osigura svrsishodan, konzistentan i pravovremenan prikaz informacija krajnjem korisniku
- da omogući dostupnost pristupa aplikaciji 24/7
- da garantuje privatnost podataka (uz garanciju sigurnosti i sprječavanja zloupotrebe podataka)
4.1.3. Očekivanja
Od chatbot aplikacije u ovom radu se očekuje: posjedovanje sposobnosti prepoznavanja

simptoma iz interakcije sa korisnikom, nakon otkrivanja simptoma chatbot bi na osnovu njih
trebao imati sposobnost predviđanja bolesti, sposbnost prikazivanja outputa sa odgovaraćujim
savjetom/ tretmanom liječenja, za vrijeme odvijanja tih operacija vanjska kontrola ne bi bila
potrebna, efikasan rad tokom cijelog dana.
Pretpostavlja se da će se chatbot otvoriti kao chat na Facebook Messanger aplikaciji ili kao
chat na Facebook web siteu na billo kojem izabranom pretraživaču.
Naš sistem nema posebnih zahtjeva od interfejsa poput formata ekrana ili posebnih
programabilnih tipki. Jedina bitna stvar je da korisnik ima račun na Facebooku i pristup
internetu.
Minimalni hardverski zahtjevi su jednaki onima potrebnima za pokretanje Windows OS-a, a to

su:
• 32-bitni (x86) ili 64-bitni (x64) procesor radnog takta 2 GHz ili brži 
• 1 gigabajt (GB) RAM (32-bit) ili 2 GB RAM (64-bit)
Programski zahtjevi aplikacije su:

• Operativni sistem: MS Windows, MacOS, Linux
• Svi moderni web preglednici (Chrome, Firefox, Edge, Safari, Opera i sl.)
• Stabilna Internet konekcija
• Posjedovanje aktivnog Facebook računa
47
4.1.4. Opis sistema
U ovom magistarskom radu kreiran je chatbot za zdravstvenu zaštitu koji ima sposobnost
vođenja korisnika kroz niz anamnestičkih pitanja do njegove moguće radne dijagnoze. Chatbot
je rađen u Chatfuel platformi za kreiranje chatbotova i posjeduje sposobnost postavljanja
pitanja korisnicima, nakon čega analizira njihove odgovore na osnovu kojih određuje moguću
radnu dijagnozu, kao i mogućih uzroka iste.
Moguće radne dijagnoze koje korisnik može dobiti potiču iz skupine od 3 ponuđena sistema i
hitnih stanja. U oblasti urogenitalnog organskog sistema moguće dijagnoze koje ovaj chatbot
nudi su : infekcija urinarnog sistema, gljivična infekcija Candide albicans ( i za muškarce i za
žene), oboljenje prostate te sindrom policističnih jajnika. U sklopu respiratorno
kardiovaskularnog sistema ponuđene dijagnoze su : upala grla, sezonska gripa, akutni bronhitis,
hronični bronhitis, tuberkuloza, dok u dijagnoze za sistem probavnih organa spadaju : sindrom
iritabilnog crijeva, dijareja, intolerancija na hranu, zatvor. Kod hitnih stanja chatbot daje savjete
za prvu pomoć prilikom ujeda zmije ili krpelja, pčele ili u slučaju dobijanja opekotina.
U slučaju nemogućnosti određivanja moguće radne dijagnoze, chatbot upućuje korisnika ka
odgovarajućoj zdravstvenoj ustanovi kako bi uradio dalje pretrage i dobio svoju dijagnozu.
Ova aplikacija ne predstavlja medicinsko mišljenje kvalifikovane osobe, već je ista namjenjena
samo za informativne svrhe mogućih uzroka nastalih problema, i eventualno za davanje
odgovarajućih savjeta za ublažavanje istih. Takođe aplikacija se ne smije koristiti u slučajevima
opasnim po život.
4.2. Specifikacija zahtjeva
4.2.1. Ciljano tržište
Ovaj sistem može biti od velike koristi ljudima u svakodnevnim pregledima, osvješćuje ljude o
njihovom zdravstvenom stanju i podstiče ljude da poduzmu odgovarajuće mjere i da ostanu
zdravi. Izvršenje ovog sistema može pomoći ljudima da izbjegnu dugotrajnu metodu
posjećivanja bolnica koristeći ovu besplatnu aplikaciju, ma gdje se oni nalazili.
Ova aplikacija bi bila korisna primarnim zdravstvenim ustanovama kao što su domovi zdravlja
i ambulante, gdje bi predstavljala prvu liniju na kojoj bi pacijenti na osnovu svojih simptoma i
dobijene radne dijagnoze, savjeta i uputa odlučivali da li je potreban odlazak doktoru ili se
problem može riješiti alternativnom medicinom predloženom od strane chatbota.
Nadalje aplikacija bi se mogla koristit za pomoć studentima kao dobra vježba za određivanje
radne dijagnoze i poboljšanje pristupa zdravstvenim informacijama o određenim bolestima i
savjetima za tretman istih.
48
4.2.2. Definisanje korisnika sistema
Administrator je korisnik s najvišim nivoom ovlasti i kao takvom mu je omogućen pristup svim
detaljima i funkcionalnostima sistema, međutim rijetko su administratori ti koji koriste sistem radi
njegovih stvarnih funkcionalnosti. Češće je motiv održavanje samog sistema i vršenje određenih
izmjena na istom u skladu sa zahtjevima stvarnih korisnika i sa novim aktuelnim informacijama o
simptomima i novim bolestima.
Korisnici imaju mogućnost dobijanja informacija o svom eventualnom stanju i o savjetima za

naredne korake koje treba poduzeti, bilo da su to savjeti iz alternativne medicine ili upute za
odlazak doktoru na dalje pretrage. Bitno je naglasiti, da se pacijenti ne oslanjaju previše na
chatbot i njegovu pouzdanost i da dalje traže savjet i liječenje medicinskih stručnjaka, jer
nikakva tehnologija ne može zamijeniti tradicionalni pregled doktora. Mogućnost dobijanja
ovih informacija korisnici imaju tako što otvore zdravstveni chatbot Facebook Messangera te
nakon pozdravne poruke i prihvatanja uslova korišenja, biraju organski sistem sa kojim imaju
problem te nastavljaju sa odgovaranjem postavljenih pitanja. Ukoliko korisnik na pitanja iz
anamneze ima negativne odgovore ali i dalje prisutne tegobe, u tom slučaju chatbot ne može da
predloži moguću radnu dijagnozu te ga usmejravanje na odlazak doktoru za dalje pretrage.
4.2.3. Definisanje funkcionalnosti sistema
Funkcije chatbot sistema za zdravstvenu zaštitu:

- postavljanje pitanja korisnicima- chatbot sistem postavlja niz usmjerenih pitanja u
vezi određenog organskog sistema;
- usporedba simptoma- upoređivanja simptoma korisnika (dobijenih iz anamnestičkih
pitanja ) sa simptomima iz baze podataka chatbota;
- određivanja približne radne dijagnoze- chatbot na osnovu simptoma daje približnu
radnu dijagnozu kao i informaciju o mogućim uzrocima iste, uz napomenu da je to samo
predpostavka nastala na osnovu simptoma korsnika koja upućuje ljude i pomaže im u
poduzimanju narednog koraka;
- osiguranje pravovremenih informacija- sistem osigurava svrsishodan, konzistentan i
pravovremenan prikaz tačnih informacija krajnjem korisniku.
4.2.4. Definisanje potrebnih resursa za razvoj sistema
Tabela 4. opisuje potrebne komponente za razvoj chatbota, što uključuje hardwer, softwer,
lifeware, dataware i netware. Za svake od ovih cjelina opisane su komponente kao i njihove
osnovne specifikacije.
49
Tabela 4. Komponente i njihove specifikacije potrebne za razvoj chatbot sistema
Komponenta Šta spada: Specifikacija

sistema
32-bitni (x86) ili 64-bitni (x64)

procesor radnog takta 1 GHz ili
brži
Hardware Laptop 1 gigabajt (GB) RAM (32-bit) ili
2 GB RAM (64-bit)
5 GB prostora na hard disku
Microsoft Office paket Microsoft Office 2007

Software Microsoft Excell 2007
Microsoft Visio Professional
Plus 2013
Lifeware Ljudski resursi Testeri
Dataware Informacioni resursi Podaci
Netware Internet Wi-Fi
Legenda: Ram memorija - RAM (eng. Random access memory)
4.3. Procedura izrade workflow dijagrama
Kako bi se uspješno realizovao sistem chatbota, bilo je neophodno detaljno opisati tok rada
odvijanja procesa prihvatanja korištenja sistema i kao samog korištenja sistema to jeste proces
prolaska kroz anamnestička pitanja. Korisnik nakon prihvaćanja uslova, te potvrde punoljestva
ima mogućnost odabira između modula organskih sistema za koje smatraju da imaju simptome,
a detaljni proces je opisan korištenjem radnog dijagrama (workflow). Radi lakšeg snalaženja i
boljeg vizualnog prikaza workflow dijagram je podjeljen u nekoliko cjelina. Slika 20.
predstavlja prvi dio radog toka chatbota, nakon kojeg u zavisnosti od izbora modula chatbot
korisnika prosljeđuje na dalja pitanja tog modula. Slika 21. predstavlja tok podataka za modul
urogenitalnog sistema, za ženski spol, dok Slika 22. predstavlja isti modul za muški spol.
50
Početak
Izaberite organski sistem za koji

smatrate da imate simptome.
Otvaranje chatbot
aplikacije
DA
Da li prihvatate uslove Baza

Ne Respiratorno
korištenja? podataka Urogentalni sistem Sistem probavnih organa Hitna stanja
kardiovaskularni sistem
Da bi nastavili korištenje
aplikacije morate prihavtiti
predhodno navedene
uslove korištenja Da . . .
SPOL
Ženski . . .
. . .
Uslovi su uspješno
prihvaćeni, te je zadovoljen
zahtjev za početak Muški .
anamnestičkih pitanja o .
Da li prihvatate uslove vašem stanju. .
korištenja? .
.
. Početna/krajnja tačka
Ne
Da li ste punoljetni?
Ne
Proces/operacija
Odluka
Nažalost ne možete
nastaviti sa korištenjem
aplikacije.
Baza podataka
Kraj
Tok procesa
Slika 20. Prvi dio toka rada chatbot aplikacije do dijela za izbor modula (Workflow, Microsoft Visio Professional Plus 2013)
51
Ovaj simptom može

dovesti Vaš živopt u
Koliko puta dnevno
opasnost i treba se HITNO Nikako ili jedanput 3-5 puta
mokrite?
obratiti doktoru opšte
prakse.
Više od 10 puta
Kraj
Da li Vam je mokrenje
bolno ?
Ne
Da
Da li imate osjećaj Na osnovu navedih simptoma

pečenja/ žarenja pri nijemoguće odrediti vašu Ne
mokrenju? Ne moguću radnu dijagnozu.
Preporučujemo Vam da
posjetite porodičnog ljekara
Da
Kraj
Koje boje Vam je

prozirna
mokraće?
Ne Ne
Da li imate osjećaj
Da li su Vam menstrualni
Ne svrbeža ili nelagode pri
ciklusi bolni i neredovni ?
smeđa mokrenju?
Ne Da
Da li ste primjetili krv u DA
vašoj mokraći?
Da Da li je Vaš iscjedak
grudvast poput sira i
neugodnog mirisa ?
Da li uzimate neke lijekove koji

Vaša moguća radna Da li su Vam se iznenada na licu
mogu izazvati krv u mokraći kao Da Kraj
dijagnoza je hematurija pojavile veliki broj akni i Ne Da
što su aspirin, pencilin, heparin?
povećala dlakavost (na bradi,
bokovima, gornja usna)
Vaša moguća radna dijagnoza

Da li Vam gentali organi je gljivična infekcija sa candida
crveni i da li osjećate Da albicans. Preporučujrmo Vam
nelagodu? da posjetite Vašeg porodičnog
Ne dokora.
Da
Vaša moguća radna dijagnoza je sindom

policističnih jajnika. Predlažemo Vam da
MogućI uzrok vašeg stanja je ozljeda, da posjetite svog ginekologa radi daljih
savjetujemo Vam da posjetite doktora opšte Kraj
Da li ste u skorije vrijeme imali ozljedu kao na Da pretraga.
primjer neki snažan udarac u donjem dijelu leđa ili prakse
saobračajnu nezgodu, ili ste možda doživjeli traumu
prilikom pada?
Ne
Mogući uzrok vašeg stanja je

Da
posljedica napornog vježbanja
Da li se profesionalno bavite
sportom?
Ne
Slika 21. Drugi dio toka rada chatbot aplikacije, modul urogenitalnog sistema za ženski spol
(Workflow, Microsoft Visio Professional Plus 2013)
52
Ovaj simptom može

dovesti Vaš živopt u
Koliko puta dnevno
opasnost i treba se HITNO Nikako ili jedanput 3-5 puta
mokrite?
obratiti doktoru opšte
prakse.
Više od 10 puta
Kraj
bolno ?
Ne
Da
Da li imate osjećaj Na osnovu navedih simptoma

pečenja/ žarenja pri nijemoguće odrediti vašu
mokrenju? Ne moguću radnu dijagnozu.
posjetite porodičnog ljekara
Da
Kraj
Koje boje Vam je

prozirna
mokraće?
Ne
Vaša moguća radna dijagnoza je
gljivična infekcija sa candida albicans. Da li imate osjećaj
Preporučujrmo Vam da posjetite VašegNe Da svrbeža ili nelagode pri
smeđa porodičnog dokora. mokrenju?
Ne Ne
Da li ste primjetili krv u
vašoj mokraći?
Da
bolno i otežano ?
Da li uzimate neke lijekove koji

Vaša moguća radna
mogu izazvati krv u mokraći kao Da Kraj
dijagnoza je hematurija Ne
što su aspirin, pencilin, heparin? Da
Vaša moguća radna dijagnoza

je bolest prostate. Predlažemo
Vam da da posjetite svog
doktora opšte prakse radi daljih
pretraga.
Ne
MogućI uzrok vašeg stanja je ozljeda,

savjetujemo Vam da posjetite doktora opšte Kraj
Da li ste u skorije vrijeme imali ozljedu kao na Da
primjer neki snažan udarac u donjem dijelu leđa ili prakse
saobračajnu nezgodu, ili ste možda doživjeli traumu
prilikom pada?
Ne
Mogući uzrok vašeg stanja je

Da
posljedica napornog vježbanja
Da li se profesionalno bavite
sportom?
Slika 22. Drugi dio toka rada chatbot aplikacije, modul urogenitalnog sistema za muški spol
(Workflow, Microsoft Visio Professional Plus 2013)
53
Vaša moguća radna dijagnoza je COVID

19. Predlažemo Vam da kontaktirate
higijensku epidemiološku službu kako bi
Kraj
dobili upute u vezi daljih koraka za
Vaša moguća radna dijagnoza se ne testiranje i da što je moguće više izbjegavate
može odrediti bez fizikalnog Ne
kontakt sa drugim ljudima.
pregleda. Predlažemo Vam da
HITNO posjetite porodičnog
doktora i obavite dalje pretrage. Na osnovu navedih simptoma
bez labaratorijskih nalaza nije
Da li osjećate
moguće odrediti vašu moguću
. Da konstantni umor i Da Da li imate suhi kašalj? Ne radnu dijagnozu.
Da . nedostatak snage?
. posjetite porodičnog ljekara.
Da
Vaša moguća radna

Da li osjećate da Vam src e ubr zano kuca dijagnoza je bakterijska
Da li imate
uz prateće simptome: nesvjestica, Ne Da li imate bolove u Da li ste izgubili čulo upala grla. Savjetujemo Kraj
nedosta tak zra ka ili bol u prsima? temperaturu? Da Da Ne
grlu i otežano gutanje? okusa i mirisa? Vam da se obratite u
obližnju ambulantu.
Ne Ne
Ne
Na osnovu navedih
simptoma nije moguće
Da li osjećate slabost u Da li osjećate bolove u Da li imate otežano odrediti vašu moguću radnu
Vaša moguća radna dijagnoza bi tijelu?
DA mišićima?
Da disanje i kašalj?
Ne dijagnozu. Preporučujemo
mogla biti jako opasna te se Vam da posjetite porodičnog
Da li osjećate bol koja
mora rješavati pod stručnim ljekara.
se širi u donjoj vilici i Da lječničkim kadrom, da ne bi došlo
lijevoj ruci?
do težih komplikacija. HITNO se
obratite doktoru. Ne Da
Da
Vaša moguća radna
Ne dijagnoza je senzonska gripa.
Da li prilikom kašlja imate
Savjetujemo Vam da unosite
kratah dah i da li iskašljavate Ne mnogo tekućine i mirujete
Koje boje je Vaš sekret sekret?
Na osnovu navedenih simptoma bez Zelenkasto/žut Crven/ružičast uz povećan unos voća i
prilikom iskašljavanja? povrća.
fizikalnog pregleda nije moguće
utvrditi vašu moguću radnu dijagnozu.
Preporučujemo Vam da se obratite Vaša moguća radna
Vašem porodičnom ljekaru. dijagnoza je bronhitis. Smeđ Vaša moguća radna
Preporučujemo Vam da dijagnoza je tuberkoloza.
posjetite porodičnog Vaša moguća radna Savjetujemo Vam da se
ljekara. dijagnoza je hronični HITNO obratite u
bronhitis ili plućni apces. ambulantu porodične
Preporučujemo Vam da medicine i što je moguće
Kraj posjetite porodičnog više izbjegavate kontakt sa
ljekara. drugim ljudima.
Slika 23. Četvrti dio toka rada chatbot aplikacije, modul respiratorno kardiovaskularnog sistema (Workflow, Microsoft Visio Professional Plus
2013)
54
Slika 23. prikazuje tok chatbot aplikacije kroz anamnestička pitanja za respiratorni
kardiovaskularni sistem. Ovaj sistem je jako bitan jer je kroz njega obrađen i trenutno aktuelna
pandemija COVID 19, što olakšava korisnicima da prepoznaju da li imaju sezonska respiratorna
oboljena (npr. gripu, upalu pluća, itd.) ili su to pak simptomi korona virusa.
Ukoliko korisnik odabere 3 modul, Slika 24, proći će kroz spektar pitanja za probavni trakt koja
će ga usmjeriti ka radnoj dijagnozi i savjetima za kućno liječenje ili uputama ka doktoru opšte
prakse na dalje pretrage. Zadnji modul ujedno je jedan od najbitnijih jer zahtjeva hitan tretman.
Chatbot aplikacija u ovom modulu daje savjete kako postupiti i pružiti sam sebi prvu pomoć prije
nego što dođu zdravstveni radnici (Slika 25).
55
.
.
Vaša moguća radna dijagnoza je
.
intolerancija na hranu.
Savjetujemo Vam da posjetite Da
Vašeg porodičnog ljekara kako
bi uradili odgovarajuće testove.
Da li osjećate bolove
u području stomaka?
Da li imate glavobolju
Da li imate
Da grčeve u trbuhu?
Ne praćenu sa mučninom uz
nadutost?
Ne
Da
Na osnovu navedih simptoma

nije moguće odrediti vašu
moguću radnu dijagnozu, ali
ukoliko se stanje nelagode
Da li ste u skorije vrijeme imali
zadrži, preporučujemo Vam da
Ne stresnu situaciju ili bitan događaj prije
posjetite porodičnog ljekara radi
kojeg ste morali otići u toalet, a da to
daljih pretraga.
niste mogli kontrolisati?
Da Vaša moguća radna dijagnoza

je sindrom iritabilnog crijeva čiji
je uzrok najvjeorvatnije stresna Kraj
situacija. Preporučujemo Vam
Ne da promjenite način ishrane.
Ne
Vaša moguća radna Vaša moguća radna dijagnoza

dijagnoza je zatvor. je dijareja. Preporučujemo
Preporučujemo Vam da u Da li osjećate Da li imate osjećaj Vam da povećate unos
narednom periodu Da napetost i otežano Tv rda Kakva je konzistencija Vaše stolice ? Vodenasta iscrpljenosti, umora i Da tečnosti i izbjegavate fizičku
povećate unos tekućine, praženje crijeva? dehidracije? aktivnost, te da u ishranu
žitarica i hrane bogate uvedete namjerice za
vlakanima. tretiranje Vašeg stanja.
Ne
Mekana
Na osnovu navedih simptoma nije moguće

odrediti vašu moguću radnu dijagnozu, ali
ukoliko se stanje nelagode zadrži,
Kraj preporučujemo Vam da posjetite
porodičnog ljekara radi daljih pretraga.
Slika 24. Peti dio toka rad za probavni sistem (Workflow, Microsoft Visio Professional Plus 2013)
56
.
.
.
Izaberite hitno stanje za koje Vam je

potreban savjet prije dolaska
zdrastvenih radnika?
Ujed pčele, ose ili

Ujed zmije Ujed krpelja Opekotine
stršljena
Ujed pčele, ose ili stršljena mogu

Savjetujemo Vas da postupite na
na koži ostaviti svoj žalac. On se
sljedeći način: Male opekotine je najbolje tretirati
Ukoliko pronađete krpelja na tijelu mora ukloniti nježnim grebanjem
- Zauzmite ležeći položaj i mirujte sa ledom. Med je takođe dobar lijek
savjetujemo Vam da ga uhvatite po koži sa pincetom. Na mjestu
-Uzmite neku povesku i podvežite za opekotine i dezinfekciju rane.
pincetom što bliže glavi krpelja i uboda staviti led, te ukoliko imate
što bliže rani Kada opekotine počnu zacjeljivati,
laganim povlalčenjem ga izvučete blizu apoteku bilo bi dobro da
-Pokušajte naći ANTIVIPERIČNI vrlo česta prateća pojava je i svrbež
iz kože.Nakon toga na mjestu ujeda kupite kremu koja ima analgetik,
serum koji se može se može umanjiti
namazati antiseptikom. kortikosteroide, antihistaminike.
-Nemojte paničariti i sačekajte mazanjem jekoderma.
Ukoliko ste alergični, morate u
vozila hitne pomoći
hitnu pomoć.
Slika 25. Šesti dio toka rada chatbot aplikacije, modul za hitna stanja (Workflow, Microsoft Visio Professional Plus 2013)
57
5. Analiza chatbot aplikacije za zdravstvenu zaštitu
5.1. Analiza izvodljivosti
Tabela 5. prikazuje analizu izvodljivosti projekta koja odgovora na pitanje da li je predloženi

projekat svrsishodan, opravdan i izvodljiv. Sljedećih pet faktora su osnova analize izvodljivosti:
- Tehnički - da li je na raspolaganju ili se može nabaviti odgovarajući hardver i softver?
- Ekonomski – može li predloženi sistem biti opravdan na ekonomskoj osnovi?
- Zakonski – hoće li predloženi sistem funkcionisati u zakonskim i etičkim granicama?
- Operacionalni – da li dizajn sistema može imati podršku ljudi koji će ga koristiti?
- Planski – hoće li biti moguće realizovati sistem unutar planiranog vremena?
(Čolaković, 2020 : 19).
Tabela 5. Analiza izvodljivosti
Da li je
izvodljivo?
U skladu sa postojećim
sistemom konvencionalne
metode posjetama bolnici,
izgradio bi se chatbot za
zdravstvenu zaštitu koji bi
omogućavao da na lagan i
jednostavan način pacijent
dobije radnu dijagnozu i
Organizaciono odgovarajuće smjernice za
1. Da li uopće vrijedi naredne korake (uputa za
– operativna
rješavati problem? odlazak dokotru ili savjet za
izvodljivost DA
alternativno liječenje). S druge
strane, zdravstvenim
ustanovama sistem zdravstvene
zaštite pomogao bi u smanjenju
opterećenosti, budući da u istim
pristiže veliki broj pacijnata koji
imaju manje zdravstvene
probleme koje se mogu riješiti
alternativnom medicinom i
drugim savjetima koje nudi
chatbot. Izvršenje ovog
predloženog okvira može
pomoći ljudima da izbjegnu
dugotrajnu metodu posjećivanja
bolnica koristeći ovu besplatnu
58
aplikaciju, ma gdje se oni

nalazili.
Promjene koje sistem donosi su

minimalne, a benefiti značaji.
2. Da li je
Ako uzmemo u obzir da se s
organizacija
ovakvim sistemom smanjuje
sposobna
količina ručnog rada, a povećava
prihvatiti
efikasnost uposlenika, sistem bi
promjene koje se
trebao biti široko prihvaćen od
odnose na
strane preduzeća.
upravljanje
Uvođenje sistema u organizaciju DA
informacijama i
zahtjeva minimalna početna
usvajanje novih
ulaganja i vrijeme, a zbog
procesa?
jednostavnosti i intuitivnosti,
sistem će biti prihvatljiv
krajnjim korisnicima bez potrebe
za dodatnom edukacijom.
Predloženo rješenje bi riješilo

problem, ali treba napomenuti da
bi takav sistem, u svom
3. Da li predloženo izvornom obliku, bio
rješenje rješava “privremen”. DA
problem? Odnosno, sistem bi se
konstantno nadograđivao tako da
u potpunosti zadovolji sve
zahtjeve, kako zdravstvenih
ustanova, tako i krajnjih
korisnika, što bi u konačnici
dovelo do dugoročnog rješenja.
Zbog svoje jednostavnosti i

intuitivnosti korisnici bi se
4. Kako će krajnji
trebali brzo i lahko prilagoditi na
korisnici prihvatiti
novi proces koji sistem. Sistem bi omogućio bolja
će biti iskustva za pacijenata, DA
implementiran? potencijalno bi im uštedio novac
i povećao efikasnost postojućeg
sistema. S obzirom na
pogodnosti koje nudi za
pacijenta i smanjenje, sistem bi
59
trebao biti dobro prihvaćen kako

od strane krajnjih
korisnika(pacijenata), tako i od
zdravstvenih ustanova.
1. Da li trenutna Trenutna tehnologija je takva da DA

tehnologija može da podrži razvoj i
podržava
izgradnju ovakvog sistema.
predloženo
rješenje?
2. Da li postoji Za izgradnju ovakvog sistema DA

tehnički postoji edukovan kadar koji
Tehničko –
kompetentno
tehnološka posjeduje određena znanja i
osoblje za
izvodljivost izgradnju sistema? vještine za realizaciju
predloženog rješenja.
3. Da li se može Sistem bi bio pod konstantnim DA

podržavati i nadzorom i kontrolom, što bi
održavati sistem
osiguralo pravovremeno
kada je u
upotrebi? upravljanje istim.
Osnovni tehničko- tehnološki

4. Kakvi su tehničko ciljevi:
– tehnološki NE
zahtjevi?  Raspoloživost sistema
(90%)
 Skalabilna arhitektura
(sistem dobro
funkcioniše i sa
značajnim porastom
broja korisnika)
 Robusnost sistema
(mogućnost
funkcionisanja sistema
uslijed kvarova)
60
COSTS BENFI
TS
NE
Kategorija Cijena 1.Podiz
(u KM) anje
Hardware 0
nivoa
Ekonomska Software 0
izvodljivost 1. Cost – Benefit efikasni
Analysis Komercijal 20
ne usluge osti
Usluge 0 osoblja
podrške
Osoblje 0 2. Veća
produkt
ivnost
osoblja
u
zdravst
venim
ustanov
ama
1. Da li sistem DA
odgovara Da. Sistem u potpunosti
postojećem
odgovara postojećem pravnom
Zakonska pravnom i
regulatornom okruženju.
izvodljivost
okruženju?
2. Da li će sistem Da. Sistem će funkcionisat u DA

funckionisati u zakonskim i etičkim granicama.
zakonskim i
etičkim
granicama?
R.br. Naziv aktivnosti Vrijeme

u
danima
61
1. Analiza potreba
zdravstvenih ustanova i 21 DA
korisnika i prijedlog
mogućih rješenja
2. Detaljni opis chatbot
Vremenskaizvod
1. Da li su aplikacije kroz 10 DA
ljivost
predviđeni rokovi dokumentaciju
za realizaciju 3. Planiranje troškova i DA
rješenja ostvarivi? odlučivanje o načinu 10
realizacije
4. Nabavka potrebne DA
opreme i početak 20
realizacije planiranih
aktivnosti
implementacije
5. Implementacija i DA
realizacija projektnih 20
aktivnosti
6. Testiranje i kontrola 5 DA
sistema u korištenju
7. Puštanje sistema u rad DA
5.2.Stukturna sistem analiza
Samo modeliranje procesa se može vršiti metodom strukturne sistem analize - SSA, koja ujedno
obuhvata dijagram toka podataka - DTP, koji je korišten za definisanje podataka koji ulaze,
odnosno izlaze iz sistema, kao i mjesta gdje se oni obrađuju. U nastavku su prikazani i detaljno
objašnjeni dijagrami hijerarhijske dekompozicije, konteksta, I i II nivoa, respektivno.
5.2.1.DTP dijagram – hijerarhijska dekompozicija
Kompleksni procesi prihvaćanja uslova, odabira modula i obrade simptoma (rješavanje slučaja)
su dekompozicijom raščlanjeni na procese niže razine kako bi se lakše pristupilo njihovom
izvođenju. Slika 26. prikazuje hijerarhijsku dekompoziciju.
62
Chatbot
Prihvatanje Izbor Rješavanje

uslova modula slučaja
1.1. Pristup chatbotu 2.1. Odabir organskog

sistema na osnovu 3.1.Obrada simptoma
1.2. Prihvatanje uslova korisničkih simptoma i
korištenja prolazak kroz niz
anamnestičkih pitanja 3.2. Uspostavljanje
tog modula moguće radne dijagnoze
1.3. Potvrda o
i davanje savjeta ili
uspješnom prihvatanje
uputa prema
uslova
odgovarajućem doktoru
2.2. Ažuriranje (ukoliko nije moguće
chatbota, dodavanje odraditi radnu
novih simptoma i dijagnozu)
dijagnoza za iste
3.3.Ispis moguće
dijagnoze korisniku
3.4. Potvrda uspješnog

ažuriranja chatbota
Slika 26. Hijerarhijska dekompozicija (Microsoft Visio Professional Plus 2013)
5.2.2. DTP – dijagram konteksta
Kako bi se prikazale veze sistema sa okolinom, odnosno spoljašnim objektima (sistem, korisnik
i administrator), neophodno je odrediti tokove procesa, odnosno podprocesa (niže razine) koji
su definirani kroz hijerarhijsku dekompoziciju. Za takav prikaz se koristi dijagram konteksta,
kojeg prikazuje Slika 27.
3.3.
1.2.
Korisnik Sistem
1.1.
1.3. IS 3.1
2.1. 3.2.
2.2.
Funkcija/ proces
obrade podataka
Administrator
Interfejs
Tok podataka
3.4.
Slika 27. Dijagram konteksta (Microsoft Visio Professional Plus 2013)

63
5.2.3. DTP – I nivo
Daljom dekompozicijom dijagrama konteksta dobije se dijagram toka podataka -DTP I nivoa,
koji se sastoji od 3 procesa (prihvatanje uslova, izbor modula i rješavanje slučaja) i vanjskih
objekata (sistem, korisnik i administrator) kao i tokova procesa niže razine, kao što prikazuje
Slika 28.
2.2
1.2
Korisnik 1.1.
1.1.
1.3. Prihvatanje uslova
2.1.
1.2 1.3.
BP
3.4
Administrator 2.2. Izbor modula

3.4.
2.1.
2.2.
3.3.
3.3
3.1
Sistem Rješavanje slučaja
3.1
3.2.
3.2.
Funkcija/ proces
obrade podataka
Interfejs
Tok podataka
Skladište
podataka
Slika 28. DTP I nivo (Microsoft Visio Professional Plus 2013)
64
5.2.4. DTP – II nivo
Dekompozicijom dijagrama toka podataka I nivoa se dobiju 3 dijagrama toka podataka II nivoa,
za svaki proces najviše razine. Tako imamo DTP II nivoa za proces prihvaćanje zahtjeva, proces
odabira modula, kao i proces rješavanja slučajeva.
U prvom dijagramu podprocesi niže razine su: pristup chatbot sistemu, prihvatanje uslova
korištenja sistema, te potvrda o uspješnom prihvatanju uslova (Slika 29.).
U drugom dijagramu tok se odvija u okviru korisnika i administratora , a podprocesi niže razine
su: odabir organskog sistema na osnovu korisničnih simptoma i prolazak kroz niz
anamnestičkih pitanja tog modula, ažuriranje chatbota, dodavanjem novih simptoma i
dijagnoza za iste (Slika 30).
U trećem dijagramu tok se odvija između sva tri objekta sistema (korisnik, administrator,
sistem), a podprocesi niže razine su: obrada simptoma korisnika, uspostavljanje moguće radne
dijagnoze i davanje savjeta ili uputa prema odgovarajućem doktoru (ukoliko nije moguće
odrediti radnu dijagnozu), ispis moguće dijagnoze korisniku i potvrda uspješnog ažuriranja
chatbota. (Slika 31).
1.1.
Korisnik 1.2.
BP
1.3.
Slika 29. DTP – II nivo proces prihvaćanja uslova
65
Korisnik
2.1.
BP
2.2.
Administrator
Slika 30. DTP – II nivo proces izbora modula
Korisnik
3.1
Sistem
3.2. BP
3.3.
Administrator
3.4.
Slika 31. DTP II nivo proces rješavanja slučaja
66
6. Analiza korištenja i prihvatljivosti upotrebe chatbot aplikacija za zdravstveni zaštitu
6.1. Postupak ispitivanja
Prije početka istraživanja kreiran je primjer chatbota za zdravstvenu zaštitu na nekodirajućoj

platformi ChatFuel. Moguće radne dijagnoze koje korisnik može dobiti potiču iz skupine od 3
ponuđena sistema (urogenitalni sistem, sistem pluća i srca, probavni sistem) i hitnih stanja.
Nakon toga, kreirana je online forma ankete koja je korištena u procesu istraživanja. Anketu su
popunjavale punoljetne osobe (nemogućnost korištenja chatbota maloljetnim osobama), te su
na osnovu godina starosti podjeljene u 3 skupine: mladi, srednja životna dob i treća životna
dob. Anketa je dostupna u prilogu 1.
6.2. Struktura ispitanika
Istraživanje je provedeno na reprezentativnom uzorku ispitanika kao korisnika chatbota u

zdravstvenom sistemu. U istraživanju je korištena kvalitativna metoda za prikupljanje
podataka. Za potrebe realizacije ovog istraživanja korištena je anketa11, koja je namjenski
kreirana za ovo istraživanje. Anketa je provedena u trajnju od 10 dana (od 20 .9. do 30. 9.
2020.), te je ispitano 60 ispitanika. Ova anketa napravljena je u skladu sa specifičnim ciljevima
studije, kako bi se najvjernije prikazao stvarni položaj korištenja chatbota u zdravstvenom
sistemu. Anketa se sastoji od ukupno 15 pitanja, te je podjeljena u dva dijela. Prvi dio ankete
se sastoji od 6 pitanja koja su zatvorenog tipa, dugi dio ankete se sastoji od 9 pitanja, koja su
na principu zatvorenog tipa ili skale.
1. Prvi dio ankete

Anketiranjem ispitanika u ovom dijelu ankete željelo se saznati informacije o sljedećem:
- Socio-demografske karakteristike;
- Opšte znanje populacije o chatbotovima;
- Korištenje chatbotova u različitim oblastima.
2. Drugi dio ankete

U ovom dijelu ankete željelo se saznati:
- Lični aspekt korištenja chatbotova;
- Zadovoljstvo kvalitetom i dostupnošću ovakve vrste komunikacije;
- Najveći problemi prilikom korištenja chatbotova;
- Mogućnost razvoja sistema u našoj zemlji.
11
Za konstrukciju ankete korišteni su sljedeći izvori: Intention to Use WhatsApp, Cristobal Fernández-Robin,
Diego Yáñez and Scott McCoy; Trust in chatbots for customer service findings from a questionnaire study, Cecilie
Bertinussen Nordheim; pitanja namjenski kreirana za ostatak ankete.
67
6.3. Obrada rezultata
Nakon unosa podataka prikupljenih tokom anketiranja, urađena je analiza uz pomoć MS Office
Excel 2007 programa te je obrađena deskriptivna sastistika – određivanje frekvencije i
postotaka odgovora koji su prikazani u prilogu 3 i 4.
Tabela 6. prikazuje socio-demografske osobine ispitanika što uključuje spol, starosnu dob i
nivo obrazovanja ispitanika.
Tabela 6. Socio-demografske osobine ispitanika
Ispitanici Total Muški spol Ženski spol

Ukupno 60 31 (51,7%) 29 (48,3%)
Mladi (18-31) 39 (65%) 19 (31%) 20 (34%)
Srednja dob (31-65) 10 (16,7%) 7 (11,7%) 3 (5%)
Starosna Treća životna dob (65+) 11 (18,3%) 5 (9%) 6 (9.3%)
doba
Završena osnovna škola 0 (0%) 0 (0%) 0 (0%)
Nivo Završena srednja škola 22 (36,7%) 13(20,7%) 9 (16%)
obrazovanja
Završena viša srednja škola 38 (63,3%) 18 (31%) 20 (32,3%)
ili fakultet
U Tabela 6. je dat opis prva tri pitanja iz ankete. Anketu je ispunilo ukupno 60 ispitanika, od
čega je 31 osoba muškog spola, 29 osoba je ženskog spola. Od ukupnog broja, 39 ispitanika je
mlađe starosne dobi (18-31), od čega je 19 osoba muškog spola, 20 ženskog; 10 osoba su
srednje starosne dobi (31-65), od čega je 7 osoba muškog spola, a 3 su osobe ženskog spola.
Od treće životne dobi (65+), ukupno je 11 osoba, od čega je 5 osoba muškog spola, a 6 osoba
ženskog spola. Samo završenu osnovnu školu nema niti jedan ispitanik, dok 22 ispitanika imaju
završenu srednju školu (13 osoba muškog spola i 9 osoba ženskog spola), a završenu višu
srednju ili fakultet ima 38 osoba (18 osobe muškog spola i 20 osoba ženskog spola).
Sljedeće pitanje iz ankete se odnosi na poznavanje termina chatbota.
68
4. Da li ste upoznati sa terminom chatbot?
33%
DA
67% NE
Grafik 1. Upoznatost sa terminom chatbota
Na ovo pitanje 40 (67%) ispitanika je odgovorilo da je upoznato sa terminom chatbota, dok je

preostalih 20 (33%) odgovorilo negativno. Nadalje smo ispitanike pitali da li smatraju da su
ovakvi sistemi dovoljno zastupljeni u BiH u raznim sferama.
5. Smatrate li da su ovakvi sistemi dovoljno

zastupljeni u našoj državi ( u ekonomiji,
zdravstvu, uslužnim djelatnostima ...)
8%
DA
NE
92%
Grafik 2. Mišljenje ispitanika o zastupljenost chatbot sistema u BiH
69
Preko 92% ispitanika je imalo negativan odgovor na ovo pitanje, što ukazuje na lošu
zastupljenost ovog trenda u BiH.
Zadnje pitanje u prvom dijelu ankete se odnosi na broj korištenja chatbotova, prije testiranja
kreiranog primjera chatbota.
6. Koliko puta ste koristili neki od chatbotova

prije popunjavanja ove ankete ?
4%
10%
26%
10%
Nijednom
1-3 puta
4-6 puta
7-10 puta
10+
50%
Grafik 3. Procenat korištenja chatbota prije popunjavanja ankete
50% od ukupnog broja ispitanika je navelo da je koristilo chatbot između 1-3 puta. Veliki dio
ispitanika, čak njih 26% nikada se nije susretalo sa chatbotom, što je poražavajuća činjenica.
Odgovori od 4 do 6 puta i preko 10 puta korištenja chatbota su imali po 10% ispitanika ankete.
Najmanji postotak odgovara, tj. 4% su naveli ispitanici koji su imali priliku da koriste chatbot
7-10 puta.
Pitanja iz drugog dijela ankete se odnose na dojmove ispitanka nakon korištenja chatbota za
zdrastvenu zaštitu. Prvo pitanje se odnosi na potencijalne razloge korištenja chatbota u
zdravstvenom sistemu.
70
7. Koji su Vaši glavni razlozi korištenja chatbota

u zdrastvenom sistemu?
Nedostatak vremena za odlazak doktoru 17 (16,6%)
Savjetovanje/ edukacija 38 (37,3%)
Brzi i preliminarni odgovori 27 (26,5%)
Pomoć pancijentima prilikom donošenja odluka za

20(19,4%)
liječenje
Grafik 4. Razlozi korištenja chatbota u zdravstvenom sistemu
Najveći broj ispitanika (37,3%) je navelo “Savjetovanje/edukacija” kao glavni razlog korištenja
chatbota. Dobijanje “Brzih i preliminarnih odgovara” je kao razlog navelo 26,5% ispitanika,
dok nešto manji postotak su imali odgovori “Pomoć pacijentima prilikom donošenja odluka za
liječenje” (19%), te “Nedostatak vremena za odlazak doktoru” (17%).
Nadalje su predstavljeni odgovori na pitanja kako su korisnici doživjeli korištenje primjera
chatbota za zdravstvenu zaštitu.
8. Kako ste doživjeli korištenje chatbota?
uređeno sistemskim pristupom 21 (17.5%)
pouzdano i efikasno 16 (13,4%)
razumljivo i jednostavno 38 (31,6%)
lagano za korištenje 45 (37,5%)
Grafik 5. Dojam ispitanika prilikom korištenja chatbota
71
Da je ovaj sistem lagan za korištenje navelo je 38% ispitanika, dok je razumljivo i jednostavno
navelo 32% ispitanika. Manji procenat odgovora su imali sistemski uređen pristup (17%), te
pouzdano i efikasno korištenje sistema (13%).
Sljedeće pitanje se odnosilo na mišljenje korisnika da li bi kao jednika sudjelovali u ovom

sistemu, ukoliko bi se on uveo u zdravstvo.
9. Ukoliko bi se chatbot uveo u zdravstvene

ustanove, da li bi kao jedinka bili korisnik?
10%
DA
NE
90%
Grafik 6. Da li bi ispitanici koristili chatbot u zdravstvenom sistemu?
90% ispitanika je očekivano odgovorilo da bi sudjelovalo u korištenju ovakvog chatbot sistema.

Ostatak od 10% je imalo negativan odgovor na ovo pitanje. Sljedeće pitanje je postavljeno u
obliku skale gdje su korisnici mogli da izraze svoje mišljenje o pojedinim stavkama izražavajući
se od manje važnog prema najviše važnom. Pitanje se odnosilo na iskazivanje važnosti
pojedinih faktora prilikom korištenja chatbota.
72
10. Koliko su Vam sljedeći faktori važni prilikom

korištenja chatbota? (1 - manje važno; 5 - najviše
važno)
Sigurnost informacija Povjerljivost podataka Usmjerenost ka dijagnozi
Jednostavnost korištenja Brzina dobijanja informacija
5%
48,2%
41,5%
36,6%
35%
30%
21,7%
21,7%
20% 21,7%
18,3%
16,6%
13,4%
13,4%
11,6%
10% 10%
5% 8,3%
5%
3,4 % 1,75 3.4% 3,4%
0%
1 2 3 4 5
Grafik 7. Rangiranje važnosti faktora prilikom korištenja chatbot sistema
Na pitanje skaliranja faktora sigurnosti informacija, 3,4% ispitanika je odgovorilo da im je ona

manje važna, dok je 5% odgovorilo da im je taj faktor od izuzetne važnosti. Na polju
povjerljivosti podataka najveći broj ispitanika, odnosno 48,2% je odgovorilo da im je
povjerljivost jako bitan faktor prilikom korištenja chatbota, a veoma mali procentan od 5% je
rangiralo ovaj faktor kao manje bitnim. Što se tiče usmjerenosti ka dijagnozi ispitanici su bili
podjeljeni, te 41,5% se izjasnilo da im je to veoma bitno, dok je njih 21,7% odgovrilo da im je
ovaj faktor od srednje važnosti, a kod veoma malog broja, tj. 1,75% ovaj parameter im
prestavlja najmanje bitnu osobinu prilikom upotrebe chatbota. Za sljedeći faktor, jednostavnost
korištenja, 36,6% ispitanika ga je skaliralo kao jako važnim, a nijedan ispitanik nije skalirao
ovaj faktor kao nebitan. Brzina dobijanja informacija je faktor koji jako bitan kod 35%
ispitanika, srednje bitan kod 16,6%, a kod 5% ispitanika brzina dobijanja informacija ne
prestavljala problem.
73
U pitanju broj 11, ispitanici su se izjasnili koji su po njihovim mišljenima ograničavajući faktori
prilikom korištenja chatbota.
11. Šta bi po Vašem mišljenju bili ograničavajući

faktori?
25 (17,8%)
Nedostatak medicinskog kvalifikovanog mišljenja
Nedostatak povjerenja korisnika 23 (16,4%)
32(22,8)%
Nemogućnost fizikalnog pregleda
Neobuhvatnost dijagnoza svih organskih sistema 30 (21,4%)
Nepouzdanost moguće dijagnoze 30 (21,4%)
Grafik 8. Ograničavajući faktori prilikom korištenja chatbot sistema
Od ukupnog broja ispitanika, njih 25 (17,8%) je kao ograničavajući faktor navelo nedostatak
medicinskog kvalifikovanog mišljenja, a 23 (16,4%) osobe smatraju nedostatak povjerenja
korisnika kao najveću manu ovog sistema. Nemogućnost fizikalnog pregleda su izabrale 32
(22,8%) osobe, a neobuhvatljivost dijagnoza svih organskih sistema i nepouzdanost moguće
dijagnoze je izabralo po 30 (21,4%) osoba.
Naredno pitanje u anketi se odnosilo na mogućnost izbora između standardnog ambulantnog

medicinskog pregleda i pregleda preko chatbot sistema.
74
12. Šta bi ste više preferirali?
46% Čekanje na fizikalni pregled

iuspostavljanje dijagnoze od
54% strane čovjeka
Momentalno dobijanje dijagnoze
od chatbota
Grafik 9. Izbor korisnika između fizikalnog pregleda i dobijanja momentalne dijagnoze

putem chatbota
Na pitanje da li bi ispitanici radije čekali na fizikalni pregled i dobili dijagnozu od strane

zdravstvenog radnika ili bi više preferirali momentalno dobijanje dijagnoze od strane chatbota
sistema, 33 (54%) ispitanika se opredijelilo za prvu konvencionalnu opciju, dok se preostalih
27 (46%) odlučilo za chatbot.
Sljedeće pitanje se odnosi na važnost beneficija koje chatbot donosi ispitanicima.
75
13. Koliko su Vam značajne sljedeće beneficije

koje chatbot donosi korisniku prilikom njegovog
korištenja? (1 - manje važno; 5 - najviše važno)
Povećava privatnost pacijentovih podataka

Povećava pristup i pravovremenost brige korisnika
Spriječava nepotreban odlazak doktoru
Skraćuje vrijeme odlaska doktoru
Pomaže pacijentu da više vodi računa o svom zdravlju
36,6%
13,3%
5 25%
6,6%
11,6%
30%
25%
4 21,6%
11,6%
6,6%
43,3%
15%
3 21,6%
5%
3,3%
43,3%
13,3%
21,6%
2
6,6%
5%
38,3%
20%
1 26,6%
8,3%
3,3%
Grafik 10. Rangiranje beneficija koje chatbot donosi korisniku prilikom njegovog korištenja
Na pitanje o značajnosti određenih beneficija chatbota, za povećavanje privatnosti pacijentovih

podataka, 36% ispitanika je navelo da im je to jako bitno, a njih 38,3% se izjasnilo da im je to
najmanje važan faktor. Naredna stavka u ovom pitanju je povećanje pristupa i pravovremenosti
brige korisnika, gdje se 13,3% ispitanika izjasnilo da im je to jedan od važnijih faktora, dok je
76
20% ispitanika rangiralo ovaj faktor kao najmanje važan prilikom korištenja ovog sistema. Što
se tiče beneficija u vezi spriječavanja nepotrebnog odlaska doktoru, 25% ispitanika smatra da
je to jedan od najvažnijih faktora, dok isti procenat ispitanika je ovu osobinu okarakterisalo kao
najmanje važan faktor. Naredna ponuđena beneficija u 13. pitanju je skraćivanje vremena
odlasku ljekaru i za ovu opciju se 6,6% ispitanika izjasnilo da im je to jedna od ključnih
karakteristika pri korištenju chatbota, dok se njih 8,3% ne slaže sa tom konstatacijom, te su ovu
beneficiju rangirali kao najmanje važnu.
Nadalje, 32% ispitanika su se izjasnili da im chatbot pomaže da više vode računa o svom
zdravlju dok 3,3% smatra da je ovo jedan od manje bitnih faktora.
Sljedeće pitanje se odnosi na ključne opcije za motiviranost pacijenta u korištenju ovog sistema.
14. Koju od navedenih opcija smatrate ključnom

za motiviranost pacijenta da se koriste ovim
sistemom?
36 (31%)
31(26,7%)
26 (22,4%)
23 (19,8%)
Informiranost je Pravilna obostrana Zadovoljstvo Olakšan i neometan

ključ da sistem komunakcija pacijenta pristup željenim
zaživi (pacijent-sistem) inafomacijama od
strane pacijenta
Grafik 11. Ključne opcije za motiviranst pacijenta da se koriste ovim sistemom
Jedna od najbitnijih opcija za koju su ispitanici smatrali da je od ključnog značaja za motivaciju

korištenja ovakvih sistema je ta da je informiranost ključ da sistem zaživi. Nakon nje, 26,7%
ispitanika je odabralo opciju olakšanog i neometanog pristupa željenim informacijama od
strane pacijenta. Nadalje, 22,4% smatra da je veoma bitan faktor zadovoljstvo pacijnta, dok njih
19,8% se odlučilo za pravilnu obostranu komunikaciju.
77
Zadnje pitanje u ovoj anketi se odnosi na mišljenje ispitanika o tome da li sistem može zaživjeti
u Bosni i Hercegovini.
15. Smatrate li da ovakav sistem može u skorijoj

budućnosti zaživjeti u našoj zemlji?
5% Ne može
16%
5%
Sporo, ali ne i nedostižno
43%
Relativno nismo na tom nivou
31%
Ovakav sistem ne može dugo
opstati
Sistem se može brzo razviti
Grafik 12. Mišljenje korisnika o mogućnosti da chatbot sistem zaživi u našoj zemlji
Za ovo pitanje 5% ispitanika smatra da ovakav sistem ne može zaživjeti u BiH, a 43% smatra
da bi se on razvijao sporo, ali ne i nedostižno. 31% ispitanika smatra da BiH nije na nivou
razvoja ovog sistema u poređenju sa ostalim državama, a manji broj odnosno 5% ispitanika se
izjasnilo da ovaj sistem sve i da se razvije ne bi mogao opstati na ovom području. Samo 5%
ispitanika ima pozitivno i optimistično razmišljanje o brzom razvoju ovog sistema.
6.4. Diskusija rezultata
U provedenom istrživanju ispitanici su imali priliku koristiti primjer chatbota za zdravstveni

sistem, koji je kreiran namjenski kako bi korisnici mogli dati svoje mišljenje i izraziti dojmove
kroz anketni upitnik, na osnovu kojeg se može dobiti uvid o pristupu, korištenju,
(ne)učinkovitosti sistema. Iz provedene ankete prvo su se dobili odgovori o socio-
demografskim karakteristikama populacije. Od 60 ispitanika malo više od polovine su bile
osobe muškog spola. Potom su navedene sve tri kategorije starosne dobi, budući da svaka od
navedenih kategorija ima sebi svojstven pristup ovom sistemu. Najveći broj ispitanika (65%)
su osobe mlade životne dobi koje su otvorenije prema ovakvim sistemima, jer je ovo generacija
koja odrasta pod trendovima digitalizacije i novih tehnologija. Ispitanici srednje životne dobi
su učestvovali sa 17%. Oni se smatraju najinteresantnijom kategorijom, jer su navikli na
tradicionalni sistem zdravstva, no pod utjecajem trendova koji nameću nove sisteme, moraju
78
biti spremne preći preko ličnih barijera i prihvatiti ovakav pristup. Osobe treće životne dobi su
učestovale sa 18%. Zbog njihovog tradicionalnog pristupa zdravstvu, navikama i rutinama koje
svakodnevno obavljaju smatra se da bi morali biti više upućeni u jednostavnost, korisnost i
razumljivost ovog sistema kako bi on mogao zaživjeti u zdravstvu kod ove kategorije. Unutar
socio-demografskih karakteistika navedeni su i nivo obrazovanja ispitanika u kojem je 63%
imalo visoko ili akademsko obrazovanje, dok je njih 37% imalo završeno srednješkolsko
obrazovanje. Ova kategorija je navedena zbog mogućnosti većeg sustretanja sa pojmom
sistemima chatbota, kao i sa njegovim korištenjem tokom dužeg sistema obrazovanja.
Takođe, prvi dio ankete se odnosio na opšte znanje populacije o chatbotovima i njihovom
korištenju. 67% ispitanika je odgovorilo da je upoznato sa samim terminom chatbota (sistem
umjetne komunikacije), dok je 33% ispitanika odgovorilo da nije upoznato sa terminom
chatbota. Iako je veliki procenat ispitanika upoznat sa ovim pojmom, to je i dalje nedovoljno
da bi sistem mogao zaživjeti. Dalje ispitanici su pitani da li smatraju da su sistemi chatbota
dovoljno zastupljeni u BiH u raznim oblastima. Poražavajući rezultati su iznosili da je 92%
ispitanika imalo negativni odgovor na ovo pitanje, što ukazuje na malu upućenost populacije o
zastupljenosti ovog sistema. Svakako ovi sistemi su zastupljeni skoro pa u svim sferama raznih
djelatnosti tipa ekonomija (e-marketing, bankarski sistemi), uslužne djelatnosti (kupovina,
istraživanje usluga), primjena na okoliš (čuvanje okoliša, pametna rasvjeta, štednja energije),
zdravstvo (zdravstveno osiguranje, savjetovanje i edukacija). Takođe, ovi sistemi su pronašli
sve veći put primjene na “pametnim” telefonima kao aplikacije preko kojih korisnici sami mogu
voditi brigu o svom zdravlju ili navikama ili kao lični asistenti koji odgovaraju na pitanja, daju
preporuke i izvršavanje radnje delegiranjem zahtjeva na skup internetskih usluga.
Na zadnje pitanje u prvom dijelu ankete, ispitanici su pitani koliko puta su koristili neke od
chatbotova prije popunjavanja ankete. Na ovom pitanju se dobio poprilično nezadovoljavajući
odgovor, gdje se veliki procenat ispitanika čak njih 26% izjasnilo da se nikada nije susrelo sa
korištenjem chatbota, a 50% je navelo da su između 1-3 puta imali priliku koristiti chatbot.
Ovako dobiveni podaci mogu se objasniti sa nepoznavanjem ovakvog sistema. Velika je
vjerovatnoća da se većina ovih ispitanika susrela sa chatbotom, ali da toga nisu ni svjesni. Danas
je gotovo nemoguće zamisliti bilo koju oblast koja ne prakticira ovakvu vrstu komunikacije,
bilo da se radi o Facebook, Viber aplikacijama ili zasebno kreiranim aplikacijama za određenu
svrhu. Broj susretanja između 4-6 puta, te preko 10 puta imalo je po 10% ispitanika, što je jako
mali procenat poznavanja korištenja ovih sistema. Sa druge strane mora se uzeti u obzir i
negativna svojstva ovakvih sistema (nedovoljna razrađenost, ugrožena sigurnost podataka) koji
će se nadalje pokazati kao jedan od faktora koji su doprinjeli ovakvim lošim rezultatima ovog
pitanje ankete.
Sa ovim pitanjem je završen prvi dio ankete pomoću kojeg se saznalo da BiH populacija nije
dovoljno upućena i informisana u oblasti chatbotova, čak i da nije zainteresirana o većim
saznanjima o istim. Drugi dio ankete nosi nešto zanimljivije i obuhvatnije odgovore na tematiku
korištenja chatbotova u sistemu zdravstva, gdje su se dobili detaljniji odgovori o dojmovima i
stavovima ispitanika.
79
Prvo su pitani o glavnim razlozima za korištenje chatbota u zdravstvenom sistemu. Više od

37% ispitanika je kao primarni odgovor navelo savjetovanje kroz edukaciju. Ovo je bio i
očekivani primarni odgovor, jer je upravo svrha chatbota u zdravstvenom sistemu savjetovanje,
tj. edukacija o bolestima kao i njihovim dijagnozama. Nešto više od 25% ispitanika je navelo
brze i preeliminarne odgovore, dok su manje od 20% imali odgovore: nedostatak vremean za
odlazak doktoru, pomoć pacijentima prilikom donošenja odluka za liječenje.
Broj ljudi drastično raste u potrebi za zdravstvenim informacijama bilo da su u pitanju savjeti
za opšte zdravlje ili upute za dalji put pacijenta kroz zdravstveni sistem. Postoji svijest o
opterećenosti i prebukiranosti zdravstvenog sistema (zdravstvenih radnika, gužvi u
čekaonicama), te ne čude postotci odgovara koji su se dobili u ovom pitanju. Ovakvi sistemi
ubrzavaju procese koje znače više slobodnog vremena i korisnost, kako za pacijente tako i
zdravstvene radnike, te sprječavaju aktivnosti kojima ljudima oduzimaju previše vremena, a
donose minimalni ishod (odlazak ljekaru).
Nakon ovoga namjera je bila saznati kako su korisnici doživjeli korištenje chatbota koji je
kreiran kao primjer sistema koji bi u budućnosti mogao postati sastavni dio svake primarne
zdravstvene ustanove. 37% je doživjelo chatbot kao lagan za korištenje, a 31% je reklo da je
on razumljiv i jednostavan. Iako je ovaj chatbot urađen na jednostavnom principu, te se sastoji
od nekoliko opcija, ovakvi odogovori daju nadu za prihvatljivost ovog sistema. Odgovor da je
korištenje chatbota pouzdano i efikasno je dalo 13% korisnika, što je jako mali procenat koji
govori da korisnici još uvijek ne vjeruju u ovakve vrste sistema. Poslije će se navesti negativni
faktori među kojima su zloupotreba podataka i nepovjerljivost u sistemsko uređenje, glavni
uzroci ovakvog mišljenja korisnika.
Među ohrabrujućim činjenicama navodi se pitanje koje je imalo preko 90% pozitivnih odgovora
da bi ispitanici kao jedinka bili korisnici ukoliko bi se chatbot uveo u zdravstvene ustanove.
Dakle, BH populacija postaje svjesna svih prednosti i beneficija koje bi potencijalno donio
ovakav sistem. Ovakav odgovor daje nadu da bi se tradicionalna procedura mogla skratiti ili
izbjeći, te da bi se mogla pružiti potrebna medicinska pomoć onima kojima je zaista potrebna.
Iako vlada globalna pandemijska kriza, neophodno je održati normalnu razinu zdravstvene
zaštite svim korisnicima, što bi bilo uveliko omogućeno uvođenjem digitalnih alata. Jedna od
najznačajnijih prednosti u ovome trenutku jeste upravo sprječavanje da se zdravstveni sistem
preplavi, time spriječi kriza i širenje dalje pandemije.
U daljnjem dijelu ankete ispitanicima je navedeno 5 faktora i na njih postavili skale o njihovoj
važnosti (1 – manje važno: 5 – najviše važno). Povjerljivost podataka su korisnici naveli kao
najvažniji faktor, potom usmjerenost ka dijagnozi, jednostavnost korištenja, brzinu dobijanja i
sigurnost informacija. Po poretku ovih faktora saznaje se da su korisnici najviše osjetljivi na
mogućnost zloupotrebe podataka. U prilogu ovome navodi se oblast mentalnog zdravlja kao
kategorija, gdje podaci zbog svoje osjetljivosti moraju strogo ostati zaštićeni. Kao sljedeći
faktor navedena je usmjerenost ka dijagnozi što je očekivano, jer je to primarni cilj chatbota,
ali populacija mora biti svjesna da ovakve dijagnoze nisu konačne nego samo predstavljaju
upute i savjete za daljni tretman. Jednostavnost korištenja je treći faktor po važnosti, pogotovo
za populaciju treće životne dobi radi olakšanog pristupa i korištenja chatbota. Ovakav sistem
80
zahtjeva da bude jednostavan za korištenje kako bi mogao biti praktičan za korisnike sve tri
životne dobi. Brzina dobijanja informacija i sigurnost informacija su rangirani kao najmanje
važni faktori pri korištenju sistema, što implicira da korisnicima nije bitna brzina u dobijanju
informacija već njihova preciznost i efikasnost.
Ograničavajući faktori su bili sljedeća kategorija pitanja u kojima je takođe ponuđeno 5 faktora
sa mogućnošću višestrukih odgovora. Kao ograničavajući faktor sa najviše odgovara je
nemogućnost fizikalnog pregleda. Generalno, mana digitalnih alata je nedostatak stručnog
ljudskog mišljenja posebno u oblasti primarnog zdravstva gdje je fizikalni pregled od strane
lječnika ključan faktor. Nadalje su navedeni neobuhvatnost dijagnoza svih organskih sistema i
nepouzdanost moguće dijagnoze koja je u našem slučaju bila ograničavajuća, jer je kreirani
chatbot služio kao primjer ovakvog sistema. Danas u svijetu se kontinuirano radi na poboljšanju
trenutnih i razvoju novih sistema koji bi uhvatali sve veći opseg simptoma, dijagnoza kako bi
se korisnik brže povezao sa zdravstvenim sistemom. Kao ograničavajući faktori dalje su
navedeni nedostatak medicinskog kvalifikovanog mišljenja, kao i nedostatak povjerenja
korisnika što je i razumljivo s obzirom da je naša populacija navikla na tradicionalni sistem u
kome medicinsko osoblje vodi pacijenta kroz zdravstvo. Međutim, iz dana u dan radi se na
poboljšavanju digitalnih alata u čijim tematikama ljudske pogreške su svedene na minimum.
Nakon ispitivanja korisnih i ograničavajućih faktora, učesnici studije su pitani da li bi više
preferirali čekanje na fizikalni pregled i uspostavljanje dijagnoze od strane čovjeka ili
momentalno dobijanje dijagnoze od strane chatbota. Mišljenja su podjeljena, 54% ispitanika je
odgovorilo da preferira fizikalni pregled, dok bi ostatak od 46% ispitanika preferiralo
momentalno dobijanje dijagnoze od strane chatbota. Neosporna je činjenica da je u BiH
populacija okrenuta ka konvencionalnim metodama koje uključuju stručno medicinsko osoblje
(navedeno kao i ograničavajući faktor), no uprkos tome veliki procenat je dobio i odgovor
momentalnog dobijanja dijagnoze od strane chatbota, što ne čudi tempo života koji je nametnut
posebno mladoj, radnoj populaciji.
Sljedeće pitanje se odnosilo na beneficije koje chatbot donosi korisniku prilikom njegovog
korištenja i korisnicima je ponuđena skala važnosti (1-5). Kao najvažnija beneficija sa 36%
odgovora, navedena je povećana privatnost pacijentovih podataka. Kao što je i ranije navedeno
ovaj segment chatbota je ključan kao faktor ljudske potrebe radi sprečavanja neželjenih efekata
korištenja osobnih podataka (Jedinstveni matični broj građana - JMBG, broj telefona, adresa
stanovanja). Ono što je interesantno da je ova ista stavka kod 38% ispitanika ocjenjena kao
najmanje važna, vjerovatno jer ova grupa korisnika smatra da je zaštita pacijentovih podataka
obaveza ovog sistema. Sa 25% odgovora navedeno je sprječavanje nepotrebnog odlaska
doktoru. Uvođenjem sistema chatbota u zdravstvo, korisnici dobijaju blagovremene upute i
dijagnoze ka daljnjim koracima na putu pacijenta. Isto tako ovaj sistem nudi savjete za
preventivno održavanje zdravlja i pravovremeno usmjeravanje ka određenim nivoima
zdravstvene zaštite. Time se štede medicinski resursi i slobodno vrijeme pacijenta. Povećavanje
pristupa i pravovremenosti brige korisnika je naveden kao naredni faktor ponuđen u ovom
pitanju. Ova beneficija omogućava pacijentima da se sami informišu o svom stanju, te ukoliko
ono nije hitno ili ne zahtjeva odlazak doktoru, nude se opcije preporuka o brizi trenutnog
zdravstvenog stanja. Time se pravi selekcija pacijenata i pruža zdravstvena njega onima kojima
81
je zaista potrebna. Beneficije koje su imale mali procenat odgovora su da ovaj sistem pomaže
pacijentu da više vodi računa o svom zdravlju i skraćivanje vremena odlaska doktoru.
Sljedeće pitanje se odnosilo na faktore motiviranosti da bi ovaj sistem komunikacije zaživio i

opstao u BiH. Informiranost je ključ da sistem zaživi je opcija sa najvećim procentom odgovora
(31%), što je i očekivano, jer da bi u određenoj populaciji bio usvojen novi način funkcionisanja
neke oblasti neophodna je upućenost ljudi u taj sistem. Oni su jedinke unutar sistema koji je
kreiran u skladu sa njihovim potrebama. Olakšan i neometan pristup od strane pacijenta je
stavka koja je imala 27% odgovora te podrazumjeva bezprijekorni sistem protoka informacija
do pacijenta prilikom korištenja chatbota. Zadovoljstvo pacijenta je navedeno kao naredna
stavka i podrazumjeva da cjelokupno funkcionisanje ovog sitema bude usmjereno ka njegovim
potrebama i zahtjevima. Pravilna obostrana komunikacija je imala nešto manje od 20%
odgovora i omogućava nesmetan protok informacija između pacijenta i sistema. Dakle, sistem
mora biti kreiran sa što manje pogrešaka.
Kao zadnje pitanje ankete pitano je da li ovakav sistem može u skorijoj budućnosti zaživjeti u
BiH. Korisnici imaju optimističan pogled na razvoj ovog sistema, njih čak 43% smatra da je
razvitak spor, ali ne i nedostižan. 31% smatra da relativno nismo na tom nivou razvitka. U
pogledu zdravstva, nažalost, BiH još uvijek nema uveden ovakav sistem komunikacije. 15%
ispitanika je odgovorilo da se sistem može brzo razviti, dok je po 5% ispitanika navelo da
ovakav sistem ne može zaživjeti ili ako zaživi ne može dugo opstati u našoj državi.
82
7. Zaključak
U ovom završnom radu opisani su osnovni principi rada, dizajna i primjene chatbot aplikacija.
Izvršena je sistematizacija razvojne okoline, alata i programskih jezika za razvoj chatbot
aplikacija. Isto tako je napravljen pregled postojećih chatbot aplikacija za zdravstvenu zaštitu,
kao i detaljni dizajn i izrada chatbota za dravstvenu zaštitu na Chatfuel platformi. Na samom
kraju metodom ankete ispitana je problematika prihvatljivosti i motivacije za korištenje chatbot
aplikacija za zdravstvenu zaštitu.
Glavni indikator uspješnosti zdravstvenog sistema je mali procenat morbiditeta u populaciji. U

današnje vrijeme ljudi su manje svjesni svog zdravlja i u svom užurbanom životu zaboravljaju
poduzeti odgovarajuće mjere kako bi održali svoje zdravlje. Većina ljudi koji čine radni dio
društva smatraju da im brz tempo života i veliki broj obaveza ne ostavlja vrijeme za periodične
liječničke preglede i samim time zanemaruju bilo kakvu nelagodu koju je pokazalo njihovo
tijelo, sve dok ona ne postane neizdržljiva i značajan zdravstveni problem. Uposlenici
zdravstvenih ustanova vjeruju da chatbotovi mogu pomoći pacijentima koji nisu sigurni gdje
da bi im bila pružena potrebna njega. Mnogi ljudi ne znaju kada i koji od njihovih simptoma
zahtijevaju odlazak u hitnu pomoć, a pri toj odluci bi im pomogao chatbot.
Na osnovu dobijenih rezultata iz ankete sprovedenog ispitivanja tokom ovog rada, može se
izvesti subjektivna korisnička studija koja se odnosi na uvođenje sistema chatbota, njegovo
promovisanje, prihvatanje i funkcionisanje u oblasti zdravstva. Cilj chatbota je brza procjena
simptoma i faktora rizika za ljude koji su zabrinuti za svoje zdravlje, pružanje informacija i
uputa za daljnje korake. Neki od ključnih fakora do kojih se došlo tokom istraživanja su:
jednostavnost i pristupačnost, povjerljivost podataka, brzo dobijanje povratne infomacije.
Populacija koja je obuhvaćena ovim istraživanjem je dala podatke o neupućenosti u sam chatbot
sistem od samog termina preko sistema funkcionalnosti i zastupljenosti. Nakon što su imali
priliku koristiti se kreiranim primjerom chatbota kao pogodnosti naveli su brzinu dobijanja
odgovora i mogućnost edukacije o pojedinim sistemima bez nepotrebnog odlaženja ljekaru.
Kao glavne beneficije su naveli prevenciju bolesti i očuvanje zdravlja kao i zaštitu privatnosti
podataka. Da stanovništvo BiH nije sklono promjenama i uvođenju novih sistema govore
podaci o potrebnosti stučnih saradnika i nedostatak fizikalnog pregleda kao prioritetne potrebe
u vezi zdravstvene zaštite. S obzirom na sve navedeno potrebno se nadati svijetloj budućnosti
ovog sistema ukoliko on u skorijoj budućnosti zaživi u BiH.
Prednosti chatobota u zdravstvu su ubrzavanje procesa koji znače za korisnike više slobodnog
vremena, omogućavaju lakši rad stručnjaka, smanjuju gužvu u čekaonicama, te daju prioritet
za medicinsku skrb korisnicima kojima je zaista potrebna. Pored ovoga, nude se edukacija i
savjetovanje kao dio koji povećava svjest i informiranost pacijenta. Još jedna pogodnosti jeste
besplatno korištenje ove aplikacije, koja je dostupna korisnicma gdje god se nalazili i
omogućava dostupnost od 24 sata. Bez obzira na sve pogodnosti i kvalitete, usvajanje chatbota
bi mogao biti drugotrajan proces, jer se naše društvo više oslanja na tradicionlne metode
fizikalnog pregleda i liječenja pacijenata. S obzirom da naša populacija nije dovoljno
83
informirana o postojanju ovih vrsta komunikacije, trebalo bi sprovesti više ovakvih vrsta studije
koje bi probudile svijest o postojanju olakšica koje je ostatak svijeta već odavno primjenjuje.
Za neke od negativnih svojstava korisnici na prvom mjestu navode zloupotrebu podataka
odnosno način funkcionisanja sistema mora biti organiziran i bez propusta, kako bi neželjene
posljedice bile svedene na minimum. Važno je da pacijenti chatbot sistem ne smatraju previše
pouzdanom metodom, te da i dalje traže savjet i liječenje kod medicinskih stručnjaka.
Nedostatak medicinkog kvalifikovanog osoblja je i dalje značajna prepreka na putu, no
korisnici moraju biti svjesni da chatbot može prepoznati simptome i dati preliminarnu
dijaganozu, ali da se bez stučnog lica ne može uspostaviti konačna.
Ova aplikacija predstavlja alternativu za porodičnog ljekara u vidu virtualnog kućnog ljekara,
tako da korsnik ukoliko ima blaži oblik stanja može izbjeći odlazak u primarni nivo zdravstvene
zaštite, a kod korisnika sa ozbiljnijim tegobama aplikacija bi pružila adekvatne smjernice za
put pacijenta kroz zdravstveni sistem.
Ukoliko bi ovaj sistem našao primjenu u BiH, proces njegovog kontinuiranog napretka bi bio
spor. Mi smo društvo koje generalno sporo usvaja nove trendove i potrebno je stalno raditi na
infomisanju javnosti o ovakvim poduhvatima, posebno među populacijom treće životne dobi,
koja za njih može imati mnogo benefita (dijabetičari, asmatičari, načini prehrane). Kod osoba
srednje životne dobi, sistem bi dio prihvatljiv i oni bi kao jedinke učestvale u njemu, no
potrebno je da se sistem pokaže sigurnim i efikasanim. Kod mladih je zbog trendova olakšan
pristup jer su navknuti na digitalne alate koji štede vrijeme.
84
Literatura
[1] MarutiTechlabs 2017, 14 most powerful platforms to build a Chatbot, [datum pristupa: 15.
4 2020], < https://marutitech.com/14-powerful-chatbot-platforms/>.
[2] Roboticsbiz 2019, 6 best chatbot building platforms that require no coding, [datum pristupa
4. 15 2020] , < https://roboticsbiz.com/6-best-chatbot-building-platforms-that-require-no-
coding/>.
[3] Brandtzaeg, P. i Følstad, A. 2017, Why people use chatbots. Lecture Notes in Computer
Science, ResearchGate, Oslo.
[4] Buchanan, W. 1997, Software Development for Engineers: with C, Pascal, C++, Assembly
Language, Visual Basic, HTML, JavaScript and Java, Butterworth-Heinemann, New York.
[5] Ciechanowski, L., Przegalinska, A., Magnuski, M., i Gloor, P. 2018, In the shades of the
uncanny valley: An experimental study of human–chatbot interaction. Future Generation
Computer Systems.
[6] Čolaković, A. 2020, Životni ciklus razvoja informacionih sistema, Sarajevo.
[7] Edgar 2018, Cards and Blocks in Chatfuel, [datum pristupa:22.08.2020],

<https://docs.chatfuel.com/en/articles/1601883-elements-blocks>.
[8] Fang, K., i Bjering, H. 2019, Development of an interactive Messenger chatbot. Health
Information Management: Engaging the Next Generation., Health Information
Management Association of Australia Ltd., Sydney.
[9] Fernández, C., Yáñez, D., & McCoy, S. 2018., Intention to Use WhatsApp.
[10] Flanagan, D. 2008, JavaScript: sveobuhvatni vodič., Mikro knjiga, Beograd.
[11] Futurist, T. M. 2020, Top 12 health chatbots., [datum pristupa: 17. 09 2020],
<https://medicalfuturist.com/top-12-health-chatbots/>.
[12] Garber, M. 2014, The Atlanic., [datum pristupa : 19. 3 2020],

<https://www.theatlantic.com/technology/archive/2014/06/when-parry-met-eliza-a-
ridiculous-chatbot-conversation-from-1972/372428/>.
[13] Inform Communications LTD.7. 2019, Inform Communications Web site, [datum
pristupa : 8. 03.2020], <https://inform-comms.com/whats-the-balance-between-tree-based-
vs-nlu-bot/>.
[14] Io, N., i Lee, C. 2017, Chatbots and Conversational Agents: A Bibliometric Analysis.
IEEE International Conference on Industrial Engineering and Engineering Management
(IEEM) , IEEE, Singapore.
[15] Jurafsky, D., i Martin, J. 2019, Speech and Language Processing,eBook.
85
[16] Jwala, Sirisha, i Raju, P. 2019, Developing a Chatbot using Machine Learning.
International Journal of Recent Technology and Engineerin, IJRTE.
[17] Kaghyan, S., Sarpal, S., Zorilescu, A., i Akopian, D. 2018, Review of Interactive
Communication Systems for Businessto-Business (B2B) Services, Electronic Imaging.
[18] Kovačević, M. 2017, OSNOVE PROGRAMIRANJA U PAJTONU, Akademska misao,

Beograd.
[19] Liberty, J. 2005, Programiranje C#., Dobar Plan, Zagreb.
[20] Lovrić, V. 2016, Windows forme u C#-u. [datum pristupa 27. 07. 2020],
<https://zir.nsk.hr/islandora/object/etfos%3A1014/datastream/PDF/view>.
[21] Matthews, K. 2018,. 6 Leading Health Chatbots to Watch in 2018 & Beyond. [datum
pristupa : 17. 09 2020], <https://hitconsultant.net/2018/09/11/healthcare-chatbots-to-
watch/#.X365OsIzZdg>.
[22] Munoz, S., Araque, O., Llamas, A., & Iglesias, C. 2018,. A Cognitive Agent for Mining
Bugs Reports, Feature Suggestions and Sentiment in a Mobile Application Store. 4th
International Conference on Big Data Innovations and Applications Institute of Electrical
and Electronics Engineers, Madrid.
[23] Nordheim, C. B. 2018, Trust in chatbots for customer service findings from a
questionnaire study, Oslo.
[24] Oanh, T., i Tho, L. 2019, Understanding what the users say in chatbots: A case study
for the Vietnamese language, Elsevier.
[25] Rashid, K., i Anik, D. 2018, Build Better Chatbots. Apress, Bangalore.
[26] Sabharwal, N., Barua, S., Anand, N., & Aggarwal, P. 2020, Developing Cognitive Bots
Using the IBM Watson Engine. Apress, New York.
[27] Selmanović, E., & Delalić, S. 2019, Uvod u programiranje - Elementi teorije sa zbirkom
rješenih zadataka. Univerzitet u Sarajevu - Prirodno-matematički fakultet, Sarajevo.
[28] Shawar, B., i Eric, A. 2005, Using corpora in machine-learning chatbot systems,
International Journal of Corpus Linguistics.
[29] Singh, A., i Bhadani, R. 2020, Mobile Deep Learning with TensorFlow Lite, ML Kit
and Flutter, Packt Publishing Ltd, Birmingham.
[30] Singh, A., Ramasubramanian, K., i Shrey, S. 2019, Building an Enterprise Chatbot,
Apress, New York.
[31] Some, K. 2018, TOP HEALTH CHATBOTS THAT HAVE REDEFINED INTERACTIVE
HEALTHCARE, [datum pristupa: 17. 09 2020 ] <https://www.analyticsinsight.net/top-
health-chatbots-that-have-redefined-interactive-healthcare/>.
86
[32] Spahić, R., Bašić, D., Jaman, E. 2019, Zeka - Friendy Chatterbot . Southeast Europe
Journal of Soft Computing , str.19-20.
[33] Stančer, D. 2015, Osnove JavaScripta, Tečajevi srca, Zagreb.
[34] Williams, L. 2019, 11 Healthcare Chatbots Which Can Improve Patient Experience.
[datum pristupa: 17. 9 2020], <https://getreferralmd.com/2019/03/11-healthcare-chatbots-
that-improve-patient-experience/>.
[35] Zemčík, T. 2019, A Brief History of Chatbots. International Conference on Artificial

Intelligence, Control and Automation Engineering, str. 15-16.
[36] Zhou, L., Gao, J., Li, D., i Shum, H.-Y. 2019, The Design and Implementation of
XiaoIce, an Empathetic Social Chatbot. MIT Press Journals , str.1.
87
Skraćenice
Skraćenica Značenje skraćenice Prijevod skraćenice
AI Artificial Intelligence Umjetna inteligencija.
Artificial Intelligence Markup

AIML Jezik za umjetnu inteligenciju
Language
Application Programming
API Aplikacijski programski interfejs
Interface
CA Conversational Agent Konverzacijski agent
Computer Mediated
CMC Komunikacija posredstvom računara
Communication
Customer relationship
CRM Upravljanje odnosima sa korisnicima
management
DTP - Dijagram toka podataka
EQ Emotional Quotient Emocionalni kvocijent
GUI Graphical User Interface Grafička korisnička veza
HCI Human-Computer Interaction Interakcija čovjek-računar
HTML HyperText Markup Language Jezik za označavanje hiperteksta
IDL Interface Definition Language Jezik definicije veze
IDU Interface Definition Language Jezik definicija veza
IQ Intelligent Quotient Inteligentni koeficijent
IR Information Retrieval Pronalaženje informacija
JMBG - Jedinstveni matični broj građana
NLP Natural Language Processing Obrada prirodnog jezika
Natural Language
NLU Obrada prirodnog jezika
Understanding
RSS Really Simple Syndication Jednostavno grupisanje
SSA - Strukturna sistem analiza
XML EXtensible Markup Language Jezik za označavanje podataka
88
Popis tabela
Tabela 1. Komparacija analiziranih chatbotova ....................................................................... 24
Tabela 2. Komparacija nekodirajućih platformi ....................................................................... 39
Tabela 3. Komparacija kodirajućih platformih ........................................................................ 41
Tabela 4. Komponente i njihove specifikacije potrebne za razvoj chatbot sistema ................. 50
Tabela 5. Analiza izvodljivosti ................................................................................................. 58
Tabela 6. Socio-demografske osobine ispitanika ..................................................................... 68
Tabela 7. Deskriptivna statistika i frekvecije za prikupljene ocjene za svaki faktor uticaja kod
prilikom korištenja chatbota .................................................................................................... 96
Tabela 8. Deskriptivna statistika i frekvecije za prikupljene ocjene za svaku od beneficija koje

chatbot donosi korisniku prilikom njegovog korištenja. .......................................................... 97
89
Popis grafikona
Grafik 1. Upoznatost sa terminom chatbota ............................................................................ 69
Grafik 2. Mišljenje ispitanika o zastupljenost chatbot sistema u našoj državi ......................... 69
Grafik 3. Procenat korištenja chatbota prije popunjavanja ove ankete .................................. 70
Grafik 4. Razlozi korištenja chatbota u zdravstvenom sistemu................................................ 71
Grafik 5. Dojam ispitanika prilikom korištenja ovog chatbota ................................................ 71
Grafik 6. Da li bi ispitanici koristili chatbot u zdravstvenom sistemu? .................................. 72
Grafik 7. Rangiranje važnosti faktora prilikom korištenja chatbot sistema ............................ 73
Grafik 8. Ograničavajući faktori prilikom korištenja chatbot sistema ..................................... 74
Grafik 9. Izbor korisnika između fizikalnog pregleda i dobijanja momentalne dijagnoze od

strane chatbota .......................................................................................................................... 75
Grafik 10. Rangiranje beneficija koje chatbot donosi korisniku prilikom njegovog
korištenja .................................................................................................................................. 76
Grafik 11. Ključne opcije za motiviranst pacijenta da se koriste ovim sistemom.................... 77
Grafik 12. Mišljenje korisnika o mogućnosti da chatbot sistem zaživi u našoj zemlji ............ 78
90
Popis slika
Slika 1. Razgovor između korisnika i Cleverbota, IR chatbot (Jurafsky i Martin, 2019 :

492) ........................................................................................................................................... 12
Slika 2. Primjer kineskog razgovora iz XiaoIce chatbota, zajedno sa prevodom Zhou et al.
(2018) (Jurafsky i Martin, 2019 : 492) ..................................................................................... 12
Slika 3. Prikaz razgovora sa Elizom (Jwala, Sirisha, i Raju, 2019 : 2) .................................... 14
Slika 4. Razgovor između ELIZA i PARRY chatbotova (Garber, 2014) ................................ 16
Slika 5. Primjer sesija razgovora između korisnika i XiaoIce na engleskom jeziku (Zhou, Gao,
Li, i Shum, 2019 : 3) ................................................................................................................. 18
Slika 6. Sesije razgovora između korisnika i XiaoIce na engleskom jeziku, koje pokazuju
emocionalnu povezanost između njih (Zhou, Gao, Li, i Shum, 2019 : 3) ................................ 19
Slika 7. Arhitektura XiaoIce sistema (Zhou, Gao, Li, i Shum, 2019 : 11) ............................... 20
Slika 8. Model dekodera enkodera za stvaranje neuronskog odgovora u dijalogu (Jurafsky i

Martin, 2019 : 497) ................................................................................................................... 21
Slika 9. Pregled razvoja chatbotova kroz vrijeme (Rashid i Anik, 2018 : 4) ........................... 23
Slika 10. Lista elemenata koji se mogu dodati u chatbot (Edgar, 2018) .................................. 29
Slika 11. Prikaz blokova chatbota (Edgar, 2018) ..................................................................... 29
Slika 12. Međusobno povezivanje blokova (Edgar, 2018) ....................................................... 30
Slika 13. Meni ManyChata koji se prikazuje prilikom kreiranja nove kartice s porukama
(Kaghyan, Sarpal, Zorilescu i Akopian, 2018 : 8) .................................................................... 31
Slika 14. ManyChat - početna faza podešavanja chatbota. Povezivanje na Facebook stranicu
(Kaghyan, Sarpal, Zorilescu i Akopian, 2018 : 8) .................................................................... 32
Slika 15. Logika i komponente za kreiranje chatbota za ItsAlive! Platformu (Kaghyan, Sarpal,
Zorilescu i Akopian, 2018 : 9) .................................................................................................. 33
Slika 16. It’s Alive! Platforma za kreiranje chatbota. a) Premijum plan, b) Plan za
preduzeća(Kaghyan, Sarpal, Zorilescu i Akopian, 2018 : 9).................................................... 34
91
Slika 17. Globalna arhitektura razvijenog sistema (Munoz, Araque, Llamas i Iglesias, 2018 :
19) ............................................................................................................................................. 36
Slika 18. Funkcionalnosti Core i NLU modula (Singh, Ramasubramanian i Shrey, 2019 :
292) ........................................................................................................................................... 37
Slika 19. Tok razgovora prilikom korištenja jezgra i NLU modula RASA platforme (Singh,
Ramasubramanian i Shrey, 2019 : 294).................................................................................... 38
Slika 20. Prvi dio toka rada chatbot aplikacije do dijela za izbor modula (Workflow, Microsoft
Visio Professional Plus 2013)................................................................................................... 51
Slika 21. Drugi dio toka rada chatbot aplikacije, modul urogenitalnog sistema za ženski spol
(Workflow, Microsoft Visio Professional Plus 2013) .............................................................. 52
Slika 22. Drugi dio toka rada chatbot aplikacije, modul urogenitalnog sistema za muški spol
(Workflow, Microsoft Visio Professional Plus 2013) .............................................................. 53
Slika 23. Četvrti dio toka rada chatbot aplikacije, modul respiratorno kardiovaskularnog
sistema (Workflow, Microsoft Visio Professional Plus 2013) ................................................ 54
Slika 24. Peti dio toka rada chatbot aplikacije, modul organa za probavni sistem (Workflow,
Microsoft Visio Professional Plus 2013) .................................................................................. 56
Slika 25. Šesti dio toka rada chatbot aplikacije, modul za hitna stanja(Workflow, Microsoft
Visio Professional Plus 2013)................................................................................................... 57
Slika 26. Hijerarhijska dekompozicija (Microsoft Visio Professional Plus 2013) ................... 63
Slika 27. Dijagram konteksta (Microsoft Visio Professional Plus 2013) ................................ 63
Slika 28. DTP I nivo (Microsoft Visio Professional Plus 2013) .............................................. 64
Slika 29. DTP – II nivo proces prihvaćanja uslova .................................................................. 65
Slika 30. DTP – II nivo proces izbora modula ......................................................................... 66
Slika 31. DTP II nivo proces rješavanja slučaja ....................................................................... 66
92
Prilog 1
Chatbot aplikacija za zdravstvenu zaštitu. Anekta je kreirana u svrhu izrade završnog

magistarskog rada na Fakultetu za saobraćaju i komunikacije, Univerziteta u Sarajevu
na temu: Chatbot aplikacija za zdravstvenu zaštitu. Anketa je anonimnog karaktera.
1. Pol
- Muški
- Ženski
2. Starosna dob:
- mladi ( 18-31)
- srednja dob (31-65)
- stari (65+)
3. Nivo obrazovanja:
- završena osnovna škola
- završena srednja škola
- završena viša srednja škola ili fakultet
4. Da li ste upoznati sa terminom chatbot?

- Da
- Ne
5. Smatrate li da su ovakvi sistemi dovoljno zastupljeni u našoj državi (u

ekonomiji, zdravstvu, uslužnim djelatnostima ...)
- Da
- Ne
6. Koliko puta ste koristili neki od chatbotova prije popunjavanja ove ankete?
- Nijednom
- 1-3 puta
- 4-6 puta
- 7-10 puta
- 10 +
93
S obzirom da se tematika ovog rada temelji na istraživanju primjene chatbota na

područiju zdravstva ostatak pitanja će se odnositi na Vaše iskustvo sa predhodno
korištenim chatbotom.
7. Koji su Vaši glavni razlozi korištenja chatbota u zdrastvenom sistemu?

- pomoć pancijentima prilikom donošenja odluka za liječenje
- brzi i preliminarni odgovori
- savjetovanje/ edukacija
- nedostatak vremena za odlazak doktoru
8. Kako ste doživjeli korištenje chatbota?

- lagano za korištenje
- razumljivo i jednostavno
- pouzdano i efikasno
- uređeno sistemskim pristupom
9. Ukoliko bi se chatbot uveo u zdravstvene ustanove, da li bi kao jedinka bili

korisnik?
- Da
- Ne
10. Koliko su Vam sljedeći faktori važni prilikom korištenja chatbota? (1 -

manje važno; 5 - najviše važno)
- sigurnost informacija 1 2345
- povjerljivost podataka 1 2345
- usmjerenost ka dijagnozi 1 2345
- jednostavnost korištenja 1 2345
- brzina dobijanja informacija 1 2 3 4 5
11. Šta bi po Vašem mišljenju bili ograničavajući faktori?

- nepouzdanost moguće dijagnoze
- neobuhvatnost dijagnoza svih organskih sistema
- nemogućnost fizikalnog pregleda
- nedostatak povjerenja korisnika
- nedostatak medicinskog kvalifikovanog mišljenja
12. Šta bi ste više preferirali?

- čekanje na fizikalni pregled i uspostavljanje dijagnoze od strane čovjeka
- momentalno dobijanje dijagnoze od chatbota
94
13. Koliko su Vam značajne sljedeće beneficije koje chatbot donosi korisniku
prilikom njegovog korištenja? (1 - manje važno; 5 - najviše važno)
- pomaže pacijentu da više vodi računa o svom zdravlju 1 2 3 4 5
- skraćuje vrijeme odlaska doktoru 1 2345
- spriječava nepotreban odlazak doktoru 1 2345
- povećava pristup i pravovremenost brige korisnika 1 2345
- povećava privatnost pacijentovih podataka 1 2345
14. Koju od navedenih opcija smatrate ključnom za motiviranst pacijenta

da se koriste ovim sistemom?
- informiranost je ključ da sistem zaživi
- pravilna obostrana komunakcija (pacijent-sistem)
- zadovoljstvo pacijenta
- olakšan i neometan pristup željenim inafomacijama od strane pacijenta
15. Smatrate li da ovakav sistem može u skorijoj budućnosti zaživjeti u našoj

zemlji?
- Ne može
- Sporo, ali ne i nedostižno
- Relativno nismo na tom nivou
- Ovakav sistem ne može dugo opstati
- Sistem se može brzo razviti
95
Prilog 2
Tabela 7. prikazuje korisničko mišljenje koliko su dati faktori važni za korisnike prilikom korištenja chatbota prikazano je na skali od 1-5:
(1 - manje važno; 5 - najviše važno)
Tabela 7. Deskriptivna statistika i frekvecije za prikupljene ocjene za svaki faktor uticaja kod prilikom korištenja chatbota
Faktori uticaja Srednja Medijan Varijansa Standardna Koeficijent Freq.1 Freq.2 Freq.3 Freq.4 Freq.5 %
vrijednost devijacija varijacije
Sigurnost informacija 4.0702 5 1.4235 1.193129 0.2931 2 6 8 11 30 71.93
Povjerljivost podataka 4.1481 5 1.3361 1.155910 0.2786 3 2 8 12 29 75.93
Usmjerenost ka dijagnozi 4.0384 4 1.3318 1.154047 0.2857 1 7 6 13 25 73.08
Jednostavnost korištenja 3.9811 4 1.0573 1.028265 0.2582 0 5 13 13 22 66.04
Brzina dobijanja 3.9629 4 1.2438 1.115296 0.2814 3 2 10 18 21 72.22
informacija
96
Prilog 3
Tabela 8.prikazuje korisničko mišljenje koliko su date beneficije chatbota važne za korisnike prilikom njegovog korištenja prikazano je na skali
od 1-5: (1 - manje važno; 5 - najviše važno)
Tabela 8. Deskriptivna statistika i frekvecije za prikupljene ocjene za svaku od beneficija koje chatbot donosi korisniku prilikom njegovog
korištenja.
Faktori uticaja Srednja Medijan Varijansa Standardna Koeficijent Freq.1 Freq.2 Freq.3 Freq.4 Freq.5 %
vrijednost devijacija varijacije
Pomaže pacijentu da više 3.8448 4 1.3263 1.151684 0.2995 2 5 16 12 23 60.34
vodi računa o svom
zdravlju
Spriječava nepotreban 4.0188 4 1.3265 1.151763 0.2865 3 4 13 8 26 62.96
odlazak doktoru
Povećava pristup i 3.6315 4 1.5582 1.248307 0.3437 2 3 13 9 26 66.04
pravovremenost brige
korisnika
Povećava privatnost 3.6071 4 1.9519 1.397121 0.3873 4 7 13 15 18 57.89
pacijentovih podataka
Skraćuje vrijeme 3.9259 4 1.5415 1.241603 0.3162 7 4 8 15 22 66.07
odlaska doktoru
97

ASoftic Zavrsni Rad 14102020-Final-Printat-1

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

ASoftic Zavrsni Rad 14102020-Final-Printat-1

Uploaded by

Copyright:

Available Formats

UNIVERZITET U SARAJEVU

CHATBOT APLIKACIJA ZA ZDRAVSTVENU ZAŠTITU

Sarajevo, oktobar 2020.

CHATBOT APLIKACIJA ZA ZDRAVSTVENU ZAŠTITU

Sarajevo, oktobar 2020.

1. Ime i prezime: Amela Softić

INFORMACIJE O MAGISTARSKOM RADU

1. Naziv master studija: Komunikacijske tehnologije

OCJENA I ODBRANA MAGISTARSKOG RADA

1. Datum prijave rada: 18. 2. 2020.

1) Doc. dr Amel Kosovac, predsjednik

4. Datum odbrane magistarskog rada:

5. Sastav komisije za odbranu rada:

1) Doc. dr Amel Kosovac, predsjednik

Postavka završnog rada

Chatbot je aplikacija koja omogućava komunikaciju s ciljem oponašanja razgovora

Zadaci završnog rada mogu se sažeti u sljedećem:

Koncept i metode rješavanja:

1. T. Nadarzynski, O. Miles, A. Cowie, D. Ridge, “Acceptability of artificial intelligence (AI)-

3. S. Laumer, C. Maier, F. T. Bubler, “Chatbot Acceptance in Healthcare: Explaining User

U skladu sa članom 54., Stav (4) b, Pravila studiranja za I, II ciklus studija,

Izjava o autentičnosti rada

Student/studentica: Amela Softić

Naslov završnog rada: Chatbot aplikacija za zdravstvenu zaštitu

a) da sam pročitao/pročitala odredbe koji se odnose na plagijarizam, kako je to

Mjesto i datum: Sarajevo, 09.10.2020. godine

U ovom magistarskom radu predstavljeno je potencijalno rješenje chatbot aplikacije za

Ključne riječi : chatbot, platforme, prirodni jezik, korisnik, simptomi.

Keywords: chatbot, platforms, natural language, user, symptoms.

5.2.Stukturna sistem analiza ................................................................................................. 62

Ove aplikacije se većinom primjenjuju za edukaciju, dijagnostiku i zaštitu mentalnog zdravlja

Chatbot je računarski program koji omogućava komunikaciju s ciljem oponašanja razgovora

Ova aplikacija je pouzdano rješenje koje omogućava korisnicima efikasno, sigurno,

Četvrto poglavlje se fokusira na detaljan opis dizajniranja i izrade chatbot aplikacije za

U šestom poglavlju rada predstavljena je analiza korištenja i prihvatiljivosti upotrebe chatbota

Interakcija čovjek-računar - HCI (eng. Human-Computer Interaction) je područje od posebnog

2.1.Osnovni principi rada

Chatbot ili chatterbot predstavlja jednu široko rasprostranjenu domenu komunikacije

2.1.1. Chatbot sistemi temeljeni na pravilima

Slika 3. Prikaz razgovora sa Elizom (Jwala, Sirisha, i Raju, 2019 : 2)

ELIZA radi po uzorcima/ pravilima transformacije poput sljedećih:

“You hate me” u:

“I know everybody laughed at me “ (Jurafsky i Martin, 2019 : 494).

“YOU SAY YOU KNOW EVERYBODY LAUGHED AT YOU”

U januaru 1973. godine kao demonstraciju za vrijeme međunarodne konferencije o računarima,

Slika 4. Razgovor između ELIZA i PARRY chatbotova (Garber, 2014)

2.1.2. Chatbot sistemi temeljeni na korpusu

2.1.2.1. Chatbot sistemi bazirani na pronalaženju informacija

Princip chatbota baziranog na pronalaženju informacija – IR predstavlja odgovaranje na

2. Algoritam koji daje najsličniji odgovor: Na korisnički upit q i konverzacijski korpus C,

2.1.2.1.1. Microsoft XiaoIce

Microsoft XiaoIce je najpopularniji društveni chatbot na svijetu. XiaoIce je jedinstveno

2) Sloj za vođenje konverzacije: Sastoji se od upravitelj dijaloga, empatičnog računarskog

3) Sloj podataka: Sastoji se od skupa baza podataka u kojima se pohranjuju prikupljeni

2.1.2.2.Enkoder dekoder chatbot

Alternativni način korištenja korpusa za generisanje dijaloga je promišljanje generisanja

Slika 8. Model dekodera enkodera za stvaranje neuronskog odgovora u dijalogu (Jurafsky i

Potrebne su brojne modifikacije osnovnog enkoder-dekoder modela da bi se prilagodio za

2.2. Primjena chatbot aplikacija

2.2.1. Historija Chatbot aplikacija i analiza postojućeg tržišta

Slika 9. Pregled razvoja chatbotova kroz vrijeme (Rashid i Anik, 2018 : 4)

2.3. Komparacija chatbotova

Tabela 1. predstavlja komparaciju prethodno opisanih chatbotova, prema njihovim