Noise Affects Performance on the Montreal Cognitive Assessment
Bibliographic record
Abstract
RÉSUMÉ L’objectif était d’investiguer l’impact de la présence d’un bruit de fond sur la performance au Montreal Cognitive Assessment (MoCA). Deux versions du MoCA ont été administrées, utilisant écouteurs, avec des niveaux bas et élevés de bruit de fond à deux groupes de personnes âgées (un groupe présentant une audition cliniquement normale, le second présentant une perte d’audition) ainsi qu’à un groupe de jeunes adultes. Les niveaux d’intensité utilisés pour présenter la parole et le bruit étaient personnalisés en fonction des habiletés des participants présentant une perte de l’ouïe, et ce en vue de créer un niveau de difficulté uniforme à travers les participants dans la condition de bruit plus élevé. Les deux groupes de personnes âgées ont obtenu des scores plus faibles au MoCA en comparaison aux jeunes adultes. Il est également important de souligner que tous les participants ont obtenu des scores plus faibles au MoCA lorsque le test était administré dans un contexte de bruit élevé (M = 22,7/30), en comparaison à un contexte de bruit faible (M = 25,7/30, p < .001). Ces résultats suggèrent que le bruit de fond présent dans un contexte d’évaluation devrait être pris en considération au moment de l’administration de tests cognitifs ainsi que dans l’interprétation des résultats, en particulier lors de l’essai des adultes plus âgés.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".