Classification of general and personal semantic details in the Autobiographical Interview
Notice bibliographique
Résumé
The Autobiographical Interview (AI) separates internal (episodic) and external (non-episodic) details from transcribed protocols using an exhaustive and reliable scoring system. While the details comprising the internal composite are centered on elements of episodic memory, external details are more heterogeneous as they are meant to capture a variety of non-episodic utterances: general semantics, different types of personal semantics details, metacognitive statements, repetitions, and details about off topic events. Elevated external details are consistently observed in aging and in neurodegenerative diseases. In the present study, we augmented the AI scoring system to differentiate subtypes of external details to test whether the elevation of these details in aging and frontotemporal lobar degeneration (including mixed frontotemporal/semantic dementia [FTD/SD] and progressive non-fluent aphasia [PNFA]) would be specific to general and personal semantics or would concern all subtypes. Specifically, we separated general semantic details from personal semantic details (including autobiographical facts, self-knowledge, and repeated events). With aging, external detail elevation was observed for general and personal semantic details but not for other types of external details. In frontotemporal lobar degeneration, patients with FTD/SD (but not PNFA) generated an excess of personal semantic details ¬but not general semantic details. The increase in personal but not general semantic details in FTD/SD is consistent with prevalent impairment of general semantic memory in SD, and with the personalization of concepts in this condition. Under standard AI instructions, external details were intended to capture off-topic utterances and were not intended as a direct measure of semantic abilities. Future investigations concerned with semantic processing in aging and in dementia could modify standard instructions of the AI to directly probe semantic content.
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 | 0,005 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».