Multilingual text normalization for computer‐based detection of Alzheimer’s disease
Notice bibliographique
Résumé
Abstract Background Understanding how Alzheimer’s Disease affects linguistic functions could improve early detection of the disease, since many studies have demonstrated that language alterations can appear at an early stage. In order to measure those functions, we process and analyze transcripts from multiple corpora based on the Cookie‐Theft picture description task. Text normalization plays a big role when it comes to creating a solid dataset from a heterogeneous corpus of patients’ interviews. Current tools for this type of task are limited and tend to be language and context dependant. Method This paper presents a simple and efficient method to process textual data in a pipeline architecture, sequencing sub‐problems of cleaning and normalization tasks. Since some of them are language and context dependant, they were made easily configurable, increasing scalability when dealing with new corpora. Then, multiple measures are extracted while cleaning transcripts, as it also contains valuable information, like the number of repetitions or incomplete words removed. Result Results show that we are able to improve performance on this time consuming task when working with a multilingual dataset compared to previous studies. In fact, we were able to normalize a French and English Cookie‐Theft corpus easily. Given the great diversity of languages and related structures, this method therefore has certain limitations. Moreover, our findings have shown great potential in cleaning and normalizing measures extracted for detecting Alzheimer’s disease. For instance, the number of retracings removed from transcripts revealed a significant correlation (> 0.5) with the severity of cognitive impairment. Conclusion Thus, this paper contributes to Alzheimer’s disease literature by presenting an efficient tool which allows to speed up the cleaning and normalization process of transcripts. Furthermore, extracted measures from this task could improve results when training for a predictive model in AD detection, since it captures some metrics highly correlated with the patient’s mental health status. Finally, this tool could eventually be used for different types of description tasks since it is not dependant of the context.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,005 |
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 ».