Notice bibliographique
Résumé
At DOMUS for the past 14 years, several cognitive orthotics were designed and implemented and evaluated, most of the time using participatory design. The resulting set of orthotics can support a wide variety of activities of daily living (ADL) to foster autonomy at home for people with cognitive impairments, e.g. medication, meal preparation, or budget. DOMUS benefits from a rich and versatile research infrastructure to design, implement, and evaluate such orthotics, namely a smart apartment on the campus, a living lab in an alternative housing unit for people with traumatic brain injury (TBI), seniors' residences, personal residences (apartments and houses). To different extents, all these places can be considered as living labs. In this paper, building on our extensive experience, we first show that participative design is the best-suited methodology for developing cognitive orthotics in living labs. Clinical researchers, caregivers, and end users are involved from the start. This ensures that design is user driven and that assistive technologies will satisfy users needs. Then we propose a classification of living labs according to the levels of control one can have on which and how much technology is deployed, on how space is organized and how it may vary from experiment to experiment, and on how the progression and execution of a scenario can be constrained or not. For each category of living labs, we discuss their different yet complementary characteristics, highlighting their pros and cons. For instance, our smart apartment provides tight control over technology, space, and execution of predefined scenarios. Accordingly evaluations then provide a lot of useful and reliable information about technology and the ability for people to use it, but less on acceptance of the technology and its integration at one's real home in her daily life habits.
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 | 0,001 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 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 ».