Cognitive training with adaptive algorithm improves cognitive ability in older people with MCI
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Recent discoveries indicating that the brain retains its ability to adapt and change throughout life have sparked interest in cognitive training (CT) as a possible means to postpone the development of dementia. Despite this, most research has focused on confirming the efficacy of training outcomes, with few studies examining the correlation between performance and results across various stages of training. In particular, the relationship between initial performance and the extent of improvement, the rate of learning, and the asymptotic performance level throughout the learning curve remains ambiguous. In this study, older adults underwent ten days of selective attention training using an adaptive algorithm, which enabled a detailed analysis of the learning curve's progression. Cognitive abilities were assessed before and after CT using the Mini-mental State Examination (MMSE) and the Montreal Cognitive Assessment (MoCA). The findings indicated that: (1) Initial performance is positively correlated with Learning amount and asymptotic performance level, and negatively correlated with learning speed; (2) Age is negatively correlated with learning speed, while it is positively correlated with the other three parameters. (3) Higher pre-training MMSE scores predicted higher post-training MMSE scores but less improvement; (4) Higher pre-training MoCA scores predicted higher post-training MoCA scores and less improvement; (5) The parameters of the learning curve did not correlate with performance on the MMSE or MoCA. These results indicate that: (1)Selective attention training using adaptive algorithms is an effective tool for cognitive intervention; (2) Older individuals with poor baseline cognitive abilities require more diversified cognitive training; (3) The study supports the compensation hypothesis.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle