Bias in Acoustic‐ and Linguistic‐based Classifications of Alzheimer’s Disease
Notice bibliographique
Résumé
Abstract Background It is crucial to identify patients with Alzheimer’s disease (AD). To do so, various attempts have been made to develop AI and non‐AI assessments, among which some focus on developing acoustic‐ and linguistic‐based classifiers. They are based on the detection of impairments in their language and speech, which can manifest years before other cognitive impairments associated with AD appear. The fact is that most of the current vocal and language classifiers of AD have been trained using the Pitt corpus, which is an imbalanced class and gender dataset. These two characteristics could be enough to bias such classifiers making them untrustworthy and unsuitable for integration into AD care settings. This paper presents a novel method for collecting vocal data to reduce the impact of potential sources of bias on acoustic and linguistic classifiers for AD. Method We will use a data collection approach that collects voices from participants (i.e., patients with AD and healthy controls) with diversity in race, gender, educational, socioeconomic, and cultural backgrounds. Participants will be asked to perform diverse language tasks, including word association, verbal fluency, and grammaticality judgment tasks. Following such an approach can ensure we collect oral data that wouldn’t be affected by selection, recruitment, sociolinguistics, and gender biases. Results The main result of this study is the creation of a benchmark vocal dataset from diverse gender and racial groups and ensuring that the data is representative of the population with AD. We expect such data to be used for evaluating and validating and help AI developers to successfully develop fair acoustic and linguistic classifiers of AD. It, in its turn, can motivate healthcare professionals to employ these systems as assistants to identify patients with AD from their voices quickly. Conclusion The Pitt corpus is a biased data set. Thus, acoustic and linguistic classifiers trained upon it can not be considered trustworthy AI systems. The AI developers that aim to deploy vocal systems into Alzheimer’s disease care settings would need unbiased vocal data. This study proposed a method to collect such verbal data.
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 | 0,015 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».