Notice bibliographique
Résumé
Recent mobile and automated audiometry technologies have allowed for the democratization of hearing healthcare and enables non-experts to deliver hearing tests.The problem remains that a large number of such users are not trained to interpret audiograms.In this work, we outline the development of an intelligent audiogram classification system.More specifically, we present how a training dataset was collected, the development of the classification system relying on supervised learning, as well as other tools designed for the analysis of audiograms in large databases.Using a dedicated annotation tool developed specifically for this study, the Rapid Audiogram Annotation Environment, we collected hundreds of audiogram annotations from three licensed audiologists.Our analysis demonstrates that inter-rater reliability is substantial or better for classification of hearing loss configuration, symmetry, and severity, in spite of the subjective nature of the classification task.Furthermore, our results suggest that the agreement nonexistent for the identification of audiometric notches or potentially unreliable thresholds.The system proposed here achieves a performance comparable to the state of the art, but is significantly more flexible.Finally, we demonstrate qualitatively that a method based on density estimation with Gaussian mixture models is useful for the detection of potential reliability issues in audiograms.iiiFirst and foremost, I would like to express my gratitude to my research advisor, Prof. James Green, for his guidance, his support during the difficult times, and for his unwavering patience.I thank him for continuously pushing me to take an extra step out of my comfort zone so that I can see a little farther and a little clearer.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; 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 ».