Fidgety Philip and the Suggested Clinical Immobilization Test: Annotation data for developing a machine learning algorithm
Notice bibliographique
Résumé
The cartoon Fidgety Philip, the banner of Western-ADHD diagnosis, depicts a ‘restless’ child exhibiting hyperactive-behaviors with hyper-arousability and/or hypermotor-restlessness (H-behaviors) during sitting. To overcome the gaps between differential diagnostic considerations and modern computing methodologies, we have developed a non-interpretative, neutral pictogram-guided phenotyping language (PG-PL) for describing body-segment movements during sitting (Journal of Psychiatric Research). To develop the PG-PL, seven research assistants annotated three original Fidgety Philip cartoons. Their annotations were analyzed with descriptive statistics. To review the PG-PL's performance, the same seven research assistants annotated 12 snapshots with free hand annotations, followed by using the PG-PL, each time in randomized sequence and on two separate occasions. After achieving satisfactory inter-observer agreements, the PG-PL annotation software was used for reviewing videos where the same seven research assistants annotated 12 one-minute long video clips. The video clip annotations were finally used to develop a machine learning algorithm for automated movement detection (Journal of Psychiatric Research). These data together demonstrate the value of the PG-PL for manually annotating human movement patterns. Researchers are able to reuse the data and the first version of the machine learning algorithm to further develop and refine the algorithm for differentiating movement patterns.
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 | 0,002 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».