Investigating Older Adults' Use of a Socially Assistive Robot via Time Series Clustering and User Profiling: Descriptive Analysis Study
Notice bibliographique
Résumé
BACKGROUND: The aging population and the shortage of geriatric care workers are major global concerns. Socially assistive robots (SARs) have the potential to address these issues, but developing SARs for various types of users is still in its infancy. OBJECTIVE: This study aims to examine the characteristics and use patterns of SARs. METHODS: This study analyzed log data from 64 older adults who used a SAR called Hyodol for 60 days to understand use patterns and their relationship with user characteristics. Data on user interactions, robot-assisted content use, demographics, physical and mental health, and lifestyle were collected. Time series clustering was used to group users based on use patterns, followed by profiling analysis to relate these patterns to user characteristics. RESULTS: Overall, 4 time series clusters were created based on use patterns: helpers, friends, short-term users, and long-term users. Time series and profiling analyses revealed distinct patterns for each group. We found that older adults use SARs differently based on factors beyond demographics and health. This study demonstrates a data-driven approach to understanding user needs, and the findings can help tailor SAR interventions for specific user groups. CONCLUSIONS: This study extends our understanding of the factors associated with the long-term use of SARs for geriatric care and makes methodological contributions.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».