Machine Learning to Assess Language Impairments in Older Adults
Notice bibliographique
Résumé
Abstract Objectives: The main objective of this paper is to propose a methodology based on machine learning classifiers for assessing language impairments associated with dementia in older adults. To do so, we compare the impact of different types of language tasks, features, and recording media on our ML-based methodology’s efficiency. Methodology: The methodology encompasses the following steps: 1) Extracting linguistic and acoustic features from subjects’ speeches which have been collected from subjects with dementia ( N =9) and subjects without dementia ( N =13); 2) Employing feature selection methods to rank informative features; 3) Training ML classifiers using extracted features to recognize subjects with dementia from subjects without dementia; 4) Evaluating the classifiers; 5) Selecting the most accurate classifiers to develop the languages assessment tools. Results: Our results indicate that 1) we can find more predictive linguistic markers to distinguish language impairment associated with dementia from participants’ speech produced during the picture description language task than the story recall task. 2) a phone-based recording interface provides a more high-quality language dataset than the web-based recording systems; 3) classifiers trained with selected features from acoustic features or linguistic features show higher performance than the classifiers trained with pure features. Conclusion: Our results show that the tree-based classifiers that have been trained using the PD dataset can be used to develop an ML-based language assessment tool that can detect language impairment associated with dementia as quickly as possible.
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 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 | 0,011 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,001 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».