P.135 Automated awake brain mapping with eloquentaid: a novel tool for low-resource settings
Notice bibliographique
Résumé
Background: Intraoperative testing for awake craniotomies requires a multidisciplinary team which may not be available in low-resource settings. We explored the creation of an AI tool for automated testing. Methods: We developed a NodeJS application, EloquentAid (https://www.eloquentaid.com/), for language testing automation. The workflow was as follows: users select an image-based naming task and verbally identify the image in English. Then, the application transcribes the response using OpenAI’s Whisper transcription service. Finally, the application evaluates response correctness. Feedback is provided through auditory and color signals. To assess its reliability, we tested the EloquentAid versus a human rater using a 57-item test based on the Boston Naming Test. Participants were neurosurgery and neurology residents from the Philippines. Qualitative surveys were obtained post-test. Results: A total of 798 observations were recorded (N=14). Human-application agreement was 60.52%. Cohen’s kappa was 0.31 (fair agreement). There were no false positive identifications by EloquentAid. Noun-type was felt to affect human error (i.e. “knocker,” “yolk,” “trellis”). Accent and pronunciation were felt to affect EloquentAid errors. Conclusions: EloquentAid is a promising tool to facilitate intraoperative testing and brain mapping using AI for speech recognition and response evaluation. Preliminary data shows fair human-app agreements. Improvements in test items and pronunciation recognition may be made.
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 | 0,003 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,006 |
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 ».