MétaCan
Menu
Retour à la cohorte
Enregistrement W2043405049 · doi:10.1515/jisys-2014-0136

Ambient Assisted Living Technologies for Aging Well: A Scoping Review

2015· review· en· W2043405049 sur OpenAlexaff
Stephanie Blackman, Claudine Chantle Matlo, Charisse Bobrovitskiy, Ashley Waldoch, Mei Lan Fang, Piper Jackson, Alex Mihailidis, Louise Nygård, Arlene Astell, Andrew Sixsmith

Notice bibliographique

RevueJournal of Intelligent Systems · 2015
Typereview
Langueen
DomaineMedicine
ThématiqueDementia and Cognitive Impairment Research
Établissements canadiensToronto Rehabilitation InstituteUniversity of TorontoSimon Fraser UniversityDalhousie University
Organismes subventionnairesEconomic and Social Research Council
Mots-clésGerontechnologyAssisted livingQuality of life (healthcare)Cognitive impairmentGerontologyCognitionCognitive declineAging in placeDementiaPerspective (graphical)Activities of daily livingPsychologyComputer scienceMedicineArtificial intelligencePsychiatry

Résumé

récupéré en direct d'OpenAlex

Abstract Ambient assisted living (AAL) technology is of considerable interest in supporting the independence and quality of life of older adults. As such, it is a core focus of the emerging field of gerontechnology, which considers how technological innovation can aid health and well-being in older age. For this scoping review, a comprehensive search of databases and key journals was conducted from January to April of 2013 in order to identify AAL technologies that have the potential to help deal with some of the challenges associated with aging. In particular, we focused on technologies that could potentially be used by people living with some degree of cognitive impairment, ranging from normal cognitive aging to mild cognitive impairment up to earlier stages of dementia. Options currently available and those still under development were both included in our search. Fifty-nine technologies were identified and are outlined here, along with a discussion of history of AAL from a gerontological perspective and related theoretical considerations.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,012
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,003
Bibliométrie0,0130,013
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,153
Tête enseignante GPT0,462
Écart entre enseignants0,308 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations271
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Intelligent SystemsMême sujetDementia and Cognitive Impairment ResearchTravaux en français237 207