Modeling Dual-Task Performance: Identifying Key Predictors Using Artificial Neural Networks
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
Dual-task paradigms that combine cognitive and motor tasks offer a valuable lens for detecting subtle impairments in cognitive and physical functioning, especially in older adults. This study used artificial neural network (ANN) modeling to predict clinical, cognitive, and psychosocial outcomes from integrated gait, speech-linguistic, demographic, physiological, and psychological data collected during single- and dual-task conditions. Forty healthy adults (ages 20-84) completed physical, cognitive, and psychosocial assessments and a dual-task walking task involving cell phone use. ANN models were optimized using hyperparameter tuning and k-fold cross-validation to predict outcomes such as the Montreal Cognitive Assessment (MOCA), Trail Making Tests (TMT A and B), Activities-Specific Balance Confidence (ABC) Scale, Geriatric Depression Scale (GDS), and measures of memory, affect, and social support. The models achieved high accuracy for MOCA (100%), ABC (80%), memory function (80%), and social support satisfaction (75%). Feature importance analyses revealed key predictors such as speech-linguistic markers and sensory impairments. First-person plural pronoun used and authenticity of internal thoughts during dual-task emerged as strong predictors of MOCA and memory. Models were less accurate for complex executive tasks like TMT A and B. These findings support the potential of ANN models for the early detection of cognitive and psychosocial changes.
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 | 0,000 | 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 | 0,000 |
| 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 découle