MétaCan
Menu
Retour à la cohorte
Enregistrement W4416214455 · doi:10.4018/979-8-3373-5462-0.ch001

Empowering Elderly Care Through Artificial Intelligence

2025· book-chapter· W4416214455 sur OpenAlexaff
Nikhil Kumar Goyal, Navin Kumar Goyal, S. Sathish Kumar, Ritam Dutta, Vishal Kothari, Sanjay Kumar Sinha

Notice bibliographique

RevueAdvances in computational intelligence and robotics book series · 2025
Typebook-chapter
Langue
DomaineMedicine
ThématiqueArtificial Intelligence in Healthcare and Education
Établissements canadiensHyperion Technologies (Canada)
Organismes subventionnairesnon disponible
Mots-clésFeelingElderly careHealth careSocial isolationElderly peopleIsolation (microbiology)Emotional intelligenceSocial care

Résumé

récupéré en direct d'OpenAlex

This section discusses how artificial intelligence (AI) can transform the elderly care sector and positively impact how aging populations live. As the world is becoming an aging society increased pressure to ensure patients receive personalised, effective and sustainable healthcare is being placed on traditional healthcare systems. These technologies (AI technologies) are finding innovative solutions to needs in remote health monitoring and wellness, disease prediction, companionship, and rehabilitation, as well as, fall detection. Other ways that AI helps in emotional well-being are besides clinical support by eliminating the feeling of social isolation with the help of virtual assistants and socially interactive robots. The chapter presents a technological overview of AI in elderly care application and indicates its potential advantages, but critically analyzes its ethical consequences, as well as psychological and societal effects.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,551
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,002
Communication savante0,0000,002
Science ouverte0,0010,000
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,094
Tête enseignante GPT0,418
Écart entre enseignants0,325 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in computational intelligence and robotics book seriesMême sujetArtificial Intelligence in Healthcare and EducationTravaux en français237 207