Automated Indices of Clustering and Switching of Semantic Verbal Fluency in Parkinson’s Disease
Notice bibliographique
Résumé
OBJECTIVES: Deficits in semantic verbal fluency (SVF) can stem from dysfunction of an executive control system and/or of semantic knowledge. Previous analyses of SVF responses were devised to characterize these two components including switching and mean cluster size (MCS) indices, but these rely on subjective experimenter-based assessment of the words' relatedness. To address this limitation, computational data-driven SVF indices have been developed. Our aim is to assess the validity and usefulness of these automated indices in the context of cognitive decline in Parkinson's disease (PD). METHODS: This is a retrospective study including 50 advanced PD patients with (n=28) or without (n=22) mild cognitive impairment (PD-MCI). We analyzed animal SVF outputs using an automated computational approach yielding switching, MCS, and cumulative relatedness (CuRel) indices. We compared these indices to the classic experimenter-based switching and MCS indices to assess concurrent validity, and against neuropsychological measures of executive functioning and semantic knowledge to assess construct validity. We also examined whether these indices were impaired and predicted PD-MCI. RESULTS: Automated switching indices, but not MCS or CuRel, showed evidence of concurrent and construct validity, and characterized individual difference in advanced PD. Automated switching indices also outperformed the experimenter-dependent index in predicting the presence of PD-MCI. CONCLUSION: Computational methods hold promise as fine-grained, unbiased indices reflecting the executive component of SVF, but none of the methods provided valid measures of semantic knowledge in PD. Our data also confirm that SVF are not adequate tests of semantic memory in patients with executive dysfunction such as PD. (JINS, 2018, 24, 1047-1056).
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».