Can Alexa, Cortana, Google Assistant and Siri save your life? A mixed-methods analysis of virtual digital assistants and their responses to first aid and basic life support queries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background Virtual digital assistants are devices that interact with the user through natural language processing and artificial intelligence. They can respond to verbal requests for first aid information. This study analyses the responses provided by the four most common devices. Methods This mixed-methods study employs structured interviews of the virtual digital assistants (Alexa, Cortana, Google Home and Siri) as well as descriptive statistical analyses. One hundred and twenty-three interview questions, based on 39 first aid topics, were employed. Responses were analysed for recognition and quality. Detection of query acuity was performed according to triage guidelines and response complexity was calculated. Results Device performance was highly variable. Alexa and Google Home demonstrated high rates of recognition (92% vs 98% (p=0.03)) and low-to-moderate congruence with guidelines (19% vs 56% (p=0.04)). They appropriately recommended emergency response system activation 46% of the time vs 16% (p=0.01) of the time, respectively. The overall low quality responses of Cortana and Siri prohibited their analysis. Mean response complexity for Alexa was ‘grade 10’ vs ‘grade 8’ for Google Home (p<0.001). Interpretation This is the first study to assess virtual digital assistants from a first aid and basic life support perspective, finding potential in this technology to provide life-saving instructions and activate the emergency response system. When asked common first aid related questions Google Home and Alexa outperformed Siri and Cortana. Overall, the device responses were of mixed quality ranging from the provision of factual guideline-based information to no response at all.
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.
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 | 0,000 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 découle