Screeningverktøy for kognitiv funksjon og bilkjøring.
Bibliographic record
Abstract
Det er ulike årsaker til at personer med førerkort ikke lenger er i stand til å kjøre bil. Det kan for eksempel skyldes hjerneslag, traumatisk hjerneskade, eller begynnende demens. For å vurdere om personer med mistenkt kognitiv svikt er i stand til å kjøre bil, er det behov for gode tester som kan kategorisere personer i tre grupper: (1) er ikke i stand til å kjøre bil, (2) er i stand til å kjøre bil, (3) bør henvises til mer omfattende vurderinger av kognitive evner. I denne rapporten har vi kartlagt hva som finnes av kognitive screeningtester for å vurdere funksjoner med betydning for bilkjøringsevne, og hvor gode testene er til å forutsi hvem som vil bestå en praktisk kjøretest eller hvem som vil oppleve en bilulykke de nærmeste årene etter screeningtesten. Vårt hovedbudskap er at: Vi har ikke funnet noen kognitive screeningtester som har god dokumentasjon på diagnostisk nøyaktighet for å forutsi prestasjon på praktiske kjøretester. Tester som kunne oppdage minst 65 prosent av farlige bilførere i alle studier var Montreal Cognitive Assessment (MoCa, oppdaget 70-85 %), klokketesten (oppdaget 65-71 %) og Trail-Making Test-B (oppdaget 70-77 %). Vi har i de fleste tilfeller liten eller svært liten tillit til resultatene. Det var stor variasjon i hvor gode testene var for å forutsi resultater på en praktisk kjøretest. Det er et stort behov for standardisering av utfallsmålene og testbatteriene i forskning om screeningtester for kjøreferdighet. Vi kan derfor ikke konkludere på spørsmålet om hvilke(n) test(er) som egner seg best for å vurdere om personer med mistenkt kognitiv svikt er egnet til å fortsette å kjøre bil.
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 | 0.008 | 0.031 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.003 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.094 | 0.030 |
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".