Notice bibliographique
Résumé
This research focuses on the impact of digital search on health information, primarily health insurance and health insurance literacy (HIL). Through the use of Methods AGI, a Google search simulation software, our study examined the health insurance search of young adults 18-25 and evaluated their literacy using the health insurance literacy measure (HILM). With the marketing of AI to mass audiences and its introduction as a tool for search, this study incorporated AI into the search simulation and measured AI interaction and its impact (if any) on the HIL of the participants. Recherche numérique et littératie en matière d'assurance maladie aux États-Unis RésuméCette étude se concentre sur l'impact de la recherche numérique sur l'information médicale, principalement l'information sur l'assurance maladie et la compréhension du système d'assurance maladie. Par le biais de l'utilisation d'un simulateur du moteur de recherche Google, cette étude a examiné la recherche d'informations médicales par les jeunes adultes qui ont entre 18 et 25 ans, et a évalué leur littératie en employant l'outil de mesure de la compréhension de l'assurance maladie (HILM). En raison de la commercialisation de l'IA au grand public et de son introduction en tant qu'outil de recherche, cette étude a incorporé l'IA dans la simulation de recherche et a mesuré si celle-ci avait un impact sur le développement de la compréhension du système d'assurance maladie chez les participants. Mots-clésAssurance maladie; Connaissances sur l'assurance maladie; Information médicale, Intelligence artificielle; Évaluation de recherche
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 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».