Visualization of residents in long-term care centres through mobile natural user interfaces (NUI)
Notice bibliographique
Résumé
Large volumes of formal data and informal information are generated in daily workflow activities of caregivers at long-term care centers. Health data are captured formally through record keeping using paper based forms for regular updates; however, capturing informal information related to resident activities is more challenging. This unstructured data covers social contacts, family events, therapy sessions, and other happenings. The challenges arise firstly from digitizing and aggregating these data sets, because in long-term care, both datasets are essential to assess and support well-being. Secondly, visual analytics seeks to provide caregivers with much better and more effective ways to understand changes in residents' status over long durations, while improving their services immediately. Automated processing and comparison of data is valuable yet human judgment is required to apply analyses to the care of specific residents and develop support across similar groups. This suggests that the integration of automated analysis methods and interactive visualization methods is necessary. Thirdly, direct, multi-sensor handheld devices promise a set of natural input modality in providing interaction techniques such as speech, gesture, touch, and other sensor-based techniques that may facilitate just-in-time ease of analysis. In our research, we concentrate on providing effective visual analytics tools combined with appropriate natural user interfaces (NUI). In this poster, we present a set of NUI designs towards creating a social media platform for caregivers, which integrates automated analysis methods and natural interaction techniques to enable caregivers to capture, store, visualize, and analyze both formal data and informal information. Our research will evaluate whether NUI's make a difference in supporting long-term caregivers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».