Development of a mobile application using OpenAI's artificial intelligence technology to study food consumption among indigenous populations in Canada and the USA
Notice bibliographique
Résumé
Дослідження, описане в роботі, концентрується на розробці та оцінці якості мобільної програми, яка має на меті допомогти дослідженню зібрати інформацію про споживання їжі корінним населенням Канади та США (індіанцями). Загальна інформація про додаток: він використовує мікрофон та диктовку тексту, а далі обробку цієї диктовки і перетворення її у стандартизований формат за допомогою технологій штучного інтелекту від компанії OpenAI для збереження інформації. Диктовка може відбуватися будь-яким стилем мовлення, що дозволяє отримати лише потрібну інформацію для дослідження. Це має підвищити ефективність збору інформації від піддослідних, оскільки знімає з них потребу вручну заповнювати різні форми та бланки. Воно визначає декілька ключових характеристик, які впливають на залучення користувачів та їх сприйняття програми. Згідно з результатами, важливими елементами для залучення користувачів та стимулювання їх участі є простота у використанні та точність обробки диктовки. Функціональні аспекти програми були визнані важливими, оскільки вона повинна мати корисні та практичні функції, які сприяють збору точних даних про споживання їжі. Якщо програма спрощує задачу заповнення форм і зменшує ручну роботу, то це збільшує шанси на успіх у зборі даних для дослідження. Дослідження також підтвердило, що користувачі сприймають досвід використання мобільної програми як корисний і практичний. Це означає, що користувачі не лише отримують задоволення від використання програми, але й вважають її корисною та цінною для досягнення своїх цілей щодо збору інформації про споживання їжі.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».