Feasibility and accuracy of a game-based automated audiometric application (Aud•It) for testing the hearing sensitivity of children and adults
Notice bibliographique
Résumé
This study explored the accuracy and the feasibility of a game-based automated hearing testing app (Aud⋅It) that utilized multiple novel strategies to ensure test accuracy. The effects of age and cognitive abilities on participants’ ability to complete Aud⋅It were also examined. Aud⋅It employs strategies including the three-alternative-forced-choice psychophysical paradigm and pairing the acoustic signals with visual alerts to lower the probability of random guessing. A total of 131 participants aged between 3 and 82 years were recruited. The app was implemented on iPads using ER1 insert earphones calibrated to ANSI standards. Thresholds were tested using Aud⋅It and conventional audiometry with test order counterbalanced. Tympanometry and otoacoustic emissions were used to check middle ear and outer hair cell functions. The Montreal Cognitive Assessment was used to screen the cognitive abilities of adult participants. For children aged ≥4 years and adults without cognitive impairment, 95% of their thresholds obtained using Aud⋅It and conventional audiometry agreed within 5 dB. Strong and significant correlation between the audiometric measures demonstrated high concurrent validity. Interclass correlation and Cronbach’s alpha values also indicate excellent agreement. Large threshold differences in most children aged 3 years and older adults with cognitive impairment, however, suggest they should be tested using conventional audiometry by trained audiologists. Aud⋅It is a viable tool for screening children ≥4 years of age and adults, who do not have difficulties understanding test instructions. Future studies will examine if the same candidacy criteria are valid for populations in low-to-middle-income countries.
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 | 0,000 | 0,000 |
| 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 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 ».