Capturing Expert Knowledge for the Personalization of Cognitive Rehabilitation: Study Combining Computational Modeling and a Participatory Design Strategy
Notice bibliographique
Résumé
BACKGROUND: Cognitive impairments after stroke are not always given sufficient attention despite the critical limitations they impose on activities of daily living (ADLs). Although there is substantial evidence on cognitive rehabilitation benefits, its implementation is limited because of time and human resource's demands. Moreover, many cognitive rehabilitation interventions lack a robust theoretical framework in the selection of paper-and-pencil tasks by the clinicians. In this endeavor, it would be useful to have a tool that could generate standardized paper-and-pencil tasks, parameterized according to patients' needs. OBJECTIVE: In this study, we aimed to present a framework for the creation of personalized cognitive rehabilitation tasks based on a participatory design strategy. METHODS: We selected 11 paper-and-pencil tasks from standard clinical practice and parameterized them with multiple configurations. A total of 67 tasks were assessed according to their cognitive demands (attention, memory, language, and executive functions) and overall difficulty by 20 rehabilitation professionals. RESULTS: After assessing the internal consistency of the data-that is, alpha values from .918 to .997-we identified the parameters that significantly affected cognitive functions and proposed specific models for each task. Through computational modeling, we operationalized the tasks into their intrinsic parameters and developed a Web tool that generates personalized paper-and-pencil tasks-the Task Generator (TG). CONCLUSIONS: Our framework proposes an objective and quantitative personalization strategy tailored to each patient in multiple cognitive domains (attention, memory, language, and executive functions) derived from expert knowledge and materialized in the TG app, a cognitive rehabilitation Web tool.
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 | 0,028 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».