COOK technology to support meal preparation following a severe traumatic brain injury: a usability mixed-methods single-case study in a real-world environment
Notice bibliographique
Résumé
Introduction Following a traumatic brain injury (TBI), meal preparation may become challenging as it involves multiple cognitive abilities and sub-tasks. To support this population, the Cognitive Orthosis for coOKing (COOK) was developed in partnership with an alternative residential resource for people with severe TBI. However, little is known about the usability of this technology to support people with TBI living in their own homes.Methods A usability study was conducted using a mixed-methods single-case design with a 35-year-old man with severe TBI living alone at home. The number of assistances provided, time taken and the percentage of unnecessary actions during a meal preparation task were documented nine times to explore the usability of COOK. Interviews were also conducted with the participant to document his satisfaction with COOK. Potential benefits were explored via the number of meals prepared per week.Results The usability of COOK was shown to be promising as the technology helped the participant prepare complex meals, while also reducing the number of assistances needed and the percentage of unnecessary actions. However, several technical issues and contextual factors influenced the efficiency and the participant’s satisfaction with COOK. Despite improving his self-confidence, COOK did not help the participant prepare more meals over time.Conclusion This study showed that COOK was easy to use and promising, despite technical and configuration issues. Results suggest the importance of further technological developments to improve COOK’s usability and fit with the needs of people with TBI living in their own homes.
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 | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».