AgeTech, Ethics and Equity: Towards a Cultural Shift in AgeTech Ethical Responsibility
Notice bibliographique
Résumé
Population ageing is a global phenomenon which presents major challenges for the provision of care at home and in the community (ONS, 2018). Challenges include the human and economic costs associated with increasing numbers of older people with poor physical and mental health, loneliness, and isolation challenges (Mihalopoulos et al., 2020). The global ageing population has led to a growth in the development of technology designed to improve the health, well-being, independence, and quality of life of older people across various settings (Fang, 2022). This emerging field, known as “AgeTech,” refers to “the use of advanced technologies such as information and communications technologies (ICT’s), technologies related to e-health, robotics, mobile technologies, artificial intelligence (AI), ambient systems, and pervasive computing to drive technology-based innovation to benefit older adults” (Sixsmith, et al., 2020 p1; see also Pruchno, 2019; Sixsmith, Sixsmith, Fang, and Horst, 2020). AgeTech has the potential to contribute in positive ways to the everyday life and care of older people by improving access to services and social supports, increasing safety and community inclusion; increasing independence and health, as well as reducing the impact of disability and cognitive decline for older people (Sixsmith et al, 2020). At a societal level, AgeTech can provide opportunities for entrepreneurs and businesses (where funding and appropriate models exist) (Akpan, Udoh and Adebisi, 2022), reduce the human and financial cost of care (Mihalopoulos et al., 2020), and support ageing well in the right place (Golant, 2015).
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 | 0,058 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,016 | 0,111 |
| Communication savante | 0,028 | 0,031 |
| Science ouverte | 0,002 | 0,022 |
| Intégrité de la recherche | 0,010 | 0,025 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».