Efficacy and Efficiency of Computer-Assisted Cognitive Stimulation in the Rehabilitation of Patients with Psychiatric Disorders: A Retrospective Analysis of Training Strategies and Intervention Duration
Notice bibliographique
Résumé
In recent years, the integration of technology into mental health interventions has shown promising results. This retrospective study analyses the efficacy and efficiency of computer-assisted cognitive stimulation (CACS) among a group of 92 psychiatric patients, of whom 32 were randomly selected to benefit from a personalised intervention. Data were collected on demographic variables (age, education level, urban/rural area), psychiatric diagnoses, therapeutic regimens, and scores on validated psychometric scales, Mini Mental State Examination (MMSE), and Montreal Cognitive Assessment (MoCA), assessed before and after the intervention. Detailed metrics related to the training modules, such as the number of sessions, level achieved and duration of each session were also analysed. The results indicate statistically significant increases in MMSE (from 22.94 to 24.31, p < 0.001) and MoCA (from 22.06 to 24.22, p < 0.001) scores after CACS therapy, highlighting notable improvements in cognitive functions. The robust correlations between changes in scores suggest a positive impact of the intervention on cognitive performance. However, the retrospective nature of the study imposes certain limitations such as the potential influence of confounding variables, the lack of rigorous control of the intervention and the impossibility of establishing direct causal relationships. In addition, these results support the opportunity to integrate artificial intelligence (AI) components in the development of educational interventions in mental health, opening new directions for future research in the field.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| 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 | 0,000 |
| 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 ».