Development of Classifier of Engagement in Occupation With Machine Learning (CEOML) for Quantifying Context
Notice bibliographique
Résumé
In the evaluation of engagement in occupation, it is important to access the qualitative data, including the client context. However, there are no tools capable of quantifying such data. The purpose of this study is to develop a Classifier of Engagement in Occupation with Machine Learning (CEOML) that is capable of quantifying context and evaluating engagement in occupation through the application of Natural Language Processing (NLP) and to validate the model performance. A supervised machine learning approach was adopted in this study for the development of clinical artificial intelligence, and it was conducted based on the Minimum Information about Clinical Artificial Intelligence Modeling. The research object was the Twitter data comprising 1,542 tweets posted over a one-week period, beginning on April 1, 2020. Bidirectional Encoder Representations from Transformers, an NLP model, was fine-tuned to learn a dataset labeled for the status of engagement in occupation. The model performance was validated using indicators (sensitivity, specificity, positive predictive value, negative predictive value, F-measure, and area under the curve of receiver operating characteristic curve), Cohen’s weighted kappa coefficient, and the attention level of the model to the text. The CEOML demonstrated suitable model performance, on par with the Canadian Occupational Performance Measure. High interpretability of the CEOML was also confirmed based on its level of attention. The developed CEOML can quantify and classify problems of engagement in occupation based on the client 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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 0,001 |
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 ».