Design of Interactive Artificial Intelligence for Early Cognitive Diagnosis
Notice bibliographique
Résumé
Due to the aging population in South Korea, the proportion of elderly people aged 65 and over is expected to increase from 14.9% in 2019 to 46.5% by 2067. The number of elderly people per 100 working-age population (15-64 years old) is also anticipated to rise to 102.4 by 2067. Population aging is recognized as a social issue, leading to problems such as increased chronic diseases, higher levels of elderly isolation, and insufficient medical infrastructure. To solve the problem of cognitive decline, such as dementia due to the aging of the population, research is actively being conducted in various fields, such as simulating cognitive ability and learning, inference, prediction, and problem-solving using artificial intelligence deep learning technology in the form of a fusion of artificial intelligence and realistic content technology. This study is on an interactive cognitive early diagnosis training system using artificial intelligence. The speech recognition technology for early cognitive diagnosis uses Selvas AI (Artificial Intelligence)'s speech recognition STT (Speech to Text)-TTS (Text to Speech). AI speech recognition interaction can increase psychological safety through conversation with users. It evaluates cognition (dementia) using MMSE (Mini-Mental State Examination)-K (DS), and it is a system that evaluates seven cognitive areas through the CERAD (Consortium to Establish a Registry for Alzheimer Disease)-K analysis system. The design of interactive artificial intelligence for early cognitive diagnosis aims to improve the cognitive function and daily living abilities of the elderly population.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».