Predicting Adherence to Computer-Based Cognitive Training Programs Among Older Adults Using Source-Free Domain Adaptation: Algorithm Development and Validation
Notice bibliographique
Résumé
BACKGROUND: Cognitive decline in the aging population presents an unprecedented challenge worldwide. Recent research has shown the potential of cognitive training programs to mitigate cognitive decline. However, these interventions require sustained adherence to be effective, which can be challenging. OBJECTIVE: In this study, we aim to enhance the accuracy of predicting adherence patterns in cognitive training programs for older adults, with the goal of developing personalized support systems that promote adherence and improve cognitive outcomes. METHODS: A major challenge in developing deep neural networks for predicting adherence patterns is the limited availability of individual participants' training data. Although domain adaptation techniques can address this issue by leveraging training data from other clinical studies, our research considers a more practical scenario where the use of such data from other studies is restricted due to privacy and confidentiality concerns. Therefore, we used source-free domain adaptation (SFDA), which uses models trained on other cognitive studies without requiring access to the corresponding datasets. To the best of our knowledge, this is the first effort to use SFDA to predict older adults' daily adherence to cognitive training programs. RESULTS: Using data from 3 previously conducted cognitive training intervention studies, our results demonstrated the efficacy of deep learning models combined with SFDA to accurately predict adherence lapses while addressing data privacy concerns. CONCLUSIONS: Our findings indicate that deep learning and SFDA techniques can be useful in the development of adherence support systems for computerized cognitive training, aimed at improving the health and well-being of older adults.
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 | 0,001 | 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 | 0,001 | 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 ».