MétaCan
Menu
Retour à la cohorte
Enregistrement W7162362010

Complexity of narration and image description in a healthy adult population between thw ages of 40-50 years old: Pilot results

2020· other· el· W7162362010 sur OpenAlexaboutno aff
Μαρία Κοντογεωργοπούλου, Διονυσία Χρονοπούλου

Notice bibliographique

RevueΝημερτής · 2020
Typeother
Langueel
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNarrativePopulationCognitionState (computer science)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Εισαγωγή: Η παρούσα ερευνητική εργασία είναι βασισμένη στην ανάλυση του περιγραφικού και αφηγηματικού λόγου μέσω εικόνας. H περιγραφή της εικόνας παρέχει μια έγκυρη προσέγγιση για τη δειγματοληψία λόγου (Cooper, 1990), επιτρέπει τη σύγκριση των επιδόσεων εντός και μεταξύ ομάδων (Mackenzie et al., 2007), και μπορεί να χρησιμοποιηθεί ως δείκτης εκτίμησης της γλωσσικής ικανότητας με την πάροδο του χρόνου. Η περιγραφή μιας σκηνής εξετάζει και αξιολογεί το σημασιολογικό περιεχόμενο, σύνταξη και πραγματολογική χρήση του λόγου και εμπλέκει το άτομο σε ατομική ερμηνεία και αυθόρμητες περιγραφές. Σκοπός: Ο σκοπός της συγκεκριμένης έρευνας ήταν να αναλυθεί το δείγμα λόγου και να γίνει διερεύνηση του ερωτήματος αν κάποιες συγκεκριμένες μεταβλητές επηρεάζουν την απόδοση περιγραφής βάση δείγματος λόγου. Ειδικότερα αυτές οι μεταβλητές είναιː το μορφωτικό/εκπαιδευτικό υπόβαθρο, τα έτη εργασίας, η ηλικία, η ψυχολογική κατάσταση των συμμετεχόντων, η γνωστική ικανότητα, ο χρόνος δαπάνης στα μέσα κοινωνικής δικτύωσης, ο τρόπος ενημέρωσης, η ανάγνωση βιβλίων, το ιστορικό πιθανής διαταραχής λόγου και ομιλίας, καθώς και η πολυπλοκότητα της εικόνας. Μεθοδολογία: Η έρευνα βασίστηκε στην ανάλυση δειγμάτων λόγου από συμμετέχοντες που ανήκουν στο ηλικιακό εύρος των 40-50 ετών. Αυτό ορίστηκε ως πρώτη απαραίτητη προϋπόθεση ενώ η δεύτερη αναγκαία προϋπόθεση ήταν όλοι οι συμμετέχοντες να είναι σωματικά και νοητικά υγιείς. Τα άτομα αυτά κλήθηκαν αρχικά να συμπληρώσουν ένα συνεναιτικό έγγραφο, τις απαντήσεις ενός γενικού ερωτηματολογίου καθώς και να απαντήσουν στις ερωτήσεις της κλίμακας Άγχους και Κατάθλιψης (HADS) και να συμπληρώσουν τις δοκιμασίες Montreal Cognitive Assessment (MoCa) και Mini-Mental State Examination (MMSE). Έπειτα προχωρούσαν στην περιγραφή τριών εικόνων , οι οποίες ήταν συγκεκριμένα οιː Cookie Theft, η εικόνα για τη δοκιμασία περιγραφής από το τεστ Aphasia Screening Test (AST) και η εικόνα για τη δοκιμασία περιγραφής από το Comprehensive Aphasia Test (CAT). Αποτελέσματα: Σύμφωνα με τα αποτελέσματα της έρευνας διαπιστώθηκε ότι η πολυπλοκότερη και περιπλοκότερη εικόνα προς περιγραφή κρίθηκε πως ήταν η εικόνα του εργαλείου Aphasia Screening Test με βάση τις αποκρίσεις των συμμετεχόντων. Εν συνεχεία τοποθετείται η εικόνα του εργαλείου Comprehensive Aphasia Test και τέλος η εικόνα Cookie Theft. Η επίδοση των συμμετεχόντων στην αναγνώριση και περιγραφή των κύριων γεγονότων κάθε εικόνας παρουσιάζει διαφορά ανάμεσα στις τρεις εικόνες. Τέλος αναφορικά με τους ποικίλους παράγοντες που μελετήθηκαν, για να ερευνηθεί κατά πόσο αυτοί επηρεάζουν την επίδοση των υποκειμένων στην περιγραφή και αφήγηση, διαπιστώθηκε ότι άμεση επίδραση και συσχέτιση με την επίδοση είχε η ηλικία, το φύλο, το μορφωτικό επίπεδο, τα έτη εργασίας καθώς και η ψυχολογική κατάσταση των συμμετεχόντων. Συζήτηση: Tα αποτελέσματα της συγκεκριμένης έρευνας επεκτείνουν αποτελέσματα προηγούμενης έρευνας (Παναγιώτου, Πετράκου, Πετροπούλου, 2019 – υπεύθυνη καθηγήτρια Δρ Μίχου Αιμιλία) αποδεικνύοντας ότι η ικανότητα επίδοσης στον αφηγηματικό και περιγραφικό λόγο σχετίζεται άμεσα με συγκεκριμένες μεταβλητές (ηλικία, φύλο, μορφωτικό επίπεδο, έτη εργασίας, ψυχολογική κατάσταση) ακόμα και σε μικρό δείγμα συμμετεχόντων ,συγκεκριμένου όμως ηλικιακού εύρους (40-50 ετών). Τα πορίσματα αυτά είναι ιδιαίτερα σημαντικά αφού συμβάλλουν στην δημιουργία νορμών και βάσεων δεδομένων, που ακολούθως γεννούν νέα πεδία διερεύνησης στο σχεδιασμό εργαλείων, για χρήση στο τομέα της αξιολόγησης και θεραπείας διαταραχών λόγου και ομιλίας.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,023
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,023
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0020,002
Communication savante0,0030,002
Science ouverte0,0010,004
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,098
Tête enseignante GPT0,314
Écart entre enseignants0,217 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueΝημερτήςTravaux en français237 207