P4‐390: TESTING LOCALLY DEVELOPED LANGUAGE APPS TO REDUCE CAREGIVER STRESS AND PROMOTE “AGING IN PLACE” AS IT RELATES TO DEMENTIA IN INDIGENOUS POPULATIONS
Notice bibliographique
Résumé
In collaboration with our Community Research Advisory Committee (CRAC) our project introduces and tests locally developed language apps for their applicability, user friendliness, and impacts to individuals affected by dementia and their caregivers. It documents development of cultural competencies over an 18 month period. We will demonstrate how language as a protective factor can provide tangible benefits to Indigenous caregivers and their families. In collaboration with our Community Research Advisory Committee (CRAC) the project utilizes Indigenous Research Methodologies (IRM) to develop an innovative practice to reduce caregiver stress and allow people with dementia in Indigenous communities to “age in place”. This solution can support aging in place by utilizing the First Nations’ communities’ specific protective factors for prevention. We will examine the suitability, effectiveness and use of five locally developed language apps in the File Hills Qu'Appelle Tribal Council (all inclusive: Cree, Saulteaux, Dakota, Lakota, and Nakota). Ten electronic devices (iPads) pre-loaded with the individual's relevant language app will be used as the test device, and provided to ten caregivers of individuals with dementia. We will use observation to measure this as well as documenting regular feedback from the participants. This project allows us to build a framework to integrate First Nation roles, traditions, perspectives and ways of knowing and knowledge into the delivery of dementia care through language. Development of these cultural competencies within the system will support families and individuals affected by dementia, allowing them to improve their quality of life, normalize use of technology and finally to make recommendations for change. This project is unique because it tests a product and a service that is culturally relevant.
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 | 0,009 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,003 |
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 ».