MétaCan
Menu
Retour à la cohorte
Enregistrement W2904347693 · doi:10.2147/opth.s187131

Visual function, digital behavior and the vision performance index

2018· review· en· W2904347693 sur OpenAlexaff
Sarah Farukhi Ahmed, Kyle C. McDermott, Wesley K Burge, Iqbal Ike K. Ahmed, Devesh Varma, Yaping Joyce Liao, Alan S. Crandall, S Khizer R Khaderi

Notice bibliographique

RevueClinical ophthalmology · 2018
Typereview
Langueen
DomaineMedicine
ThématiqueOphthalmology and Visual Impairment Studies
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésVisual acuityArtificial intelligenceComputer visionOptometryComputer scienceMedicinePopulationPeripheral visionOphthalmology

Résumé

récupéré en direct d'OpenAlex

Historically, visual acuity has been the benchmark for visual function. It is used to measure therapeutic outcomes for vision-related services, products and interventions. Quantitative measurement of suboptimal visual acuity can potentially be corrected optically with proper refraction in some cases, but in many cases of reduced vision there is something else more serious that can potentially impact other aspects of visual function such as contrast sensitivity, color discrimination, peripheral field of view and higher-order visual processing. The measurement of visual acuity typically requires stimuli subject to some degree of standardization or calibration and has thus often been limited to clinical settings. However, we are spending increasing amounts of time interacting with devices that present high-resolution, full color images and video (hereafter, digital media) and can record our responses. Most of these devices can be used to measure visual acuity and other aspects of visual function, not just with targeted testing experiences but from typical device interactions. There is growing evidence that prolonged exposure to digital media can lead to various vision-related issues (eg, computer vision syndrome, dry eye, etc.). Our regular, daily interactions (digital behavior) can also be used to assess our visual function, passively and continuously. This allows us to expand vision health assessment beyond the clinic, to collect vision-related data in the whole range of settings for typical digital behavior from practically any population(s) of interest and to further explore just how our increasingly virtual interactions are affecting our vision. We present a tool that can be easily integrated into digital media to provide insights into our digital behavior.

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)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
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 Opus0,120
Tête enseignante GPT0,500
Écart entre enseignants0,380 · 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'étudeSans objet
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

Citations31
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueClinical ophthalmologyMême sujetOphthalmology and Visual Impairment StudiesTravaux en français237 207