Co-creating Humanistic AI AgeTech to Support Dynamic Care Ecosystems: A Preliminary Guiding Model
Notice bibliographique
Résumé
As society rapidly digitizes, successful aging necessitates using technology for health and social care and social engagement. Technologies aimed to support older adults (e.g., smart homes, assistive robots, wheelchairs) are increasingly applying artificial intelligence (AI), and thereby creating ethical challenges to technology development and use. The international debate on AI ethics focuses on implications to society (e.g., bias, equity) and to individuals (e.g., privacy, consent). The relational nature of care, however, warrants a humanistic lens to examine how "AI AgeTech" will shape, and be shaped by, social networks or care ecosystems in terms of their care actors (i.e., older adults, care partners, service providers); inter-actor relations (e.g., care decision making) and relationships (e.g., social, professional); and evolving care arrangements. For instance, if an older adult's reduced functioning leads actors to renegotiate their risk tolerances and care routines, smart homes or robots become more than tools that actors configure; they become semiautonomous actors, in themselves, with the potential to influence functioning and interpersonal relationships. As an experientially diverse, transdisciplinary working group of older adults, care partners, researchers, clinicians, and entrepreneurs, we co-constructed intersectional care experiences, to guide technology research, development, and use. Our synthesis contributes a preliminary guiding model for AI AgeTech innovation that delineates humanistic attributes, values, and design orientations, and captures the ethical, sociological, and technological nuances of dynamic care ecosystems. Our visual probes and recommended tools and techniques offer researchers, developers/innovators, and care actors concrete ways of using this model to promote successful aging in AI-enabled futures.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».