Balancing Obligation and Autonomy: A Chatbot for Family Caregivers Facing Life-Sustaining Treatment Dilemmas
Notice bibliographique
Résumé
Abstract Family caregivers often expend excessive energy balancing care, personal life, and emotional stability, especially when illness limits the patient’s autonomy and intensifies ethical dilemmas surrounding the caregiver’s decision making. These dilemmas intensify in the absence of caregiver centered communication and support programs. This project seeks to fill the gap by proposing a self-reflective guiding AI chatbot designed to offer early stage emotional, ethical reflection and informative data before treatment decisions are made. This project builds on an ethical analysis framework that combines principal bioethics to address the moral and emotional costs of choosing life-sustaining treatment. Recognizing the need for early-stage emotional support before a decision is made, we propose a self-reflective AI chatbot prototype to help caregivers articulate their values, emotional reasoning, and potential areas of internal conflict. The chatbot includes a DASS-21-based emotional check-in, CBT-informed narrative prompts, and live-updating local welfare resource information when financial strain is detected. All interactions are anonymous and non-directive. The methodology includes a psychology-based assessment to measure stress levels, experiences of ethical conflict, and financial pressures. Qualitative research will be applied to explore family caregiver’s ethical and emotional pattern, aiming to reveal social and structural foundations in their decision-making process. This study offers a roadmap through an ethical lens for examining real world treatment decisions on behalf of patients. By addressing these systemic challenges and suggesting an intervention model, the research seeks to reduce the risk of unethical decisions among family caregivers, ultimately safeguarding patient rights.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».