Améliorer le rappel des individus âgés de 60 ans et plus à l’aide de l’entretien cognitif : une revue et méta-analyse
Bibliographic record
Abstract
Les aînés sont souvent perçus comme des témoins peu fiables, une perception qui est partiellement appuyée par des travaux qui démontrent que les témoignages des aînés tendent à être moins détaillés que ceux produits par des témoins plus jeunes. L'entretien cognitif est une technique d'interrogatoire qui repose sur des stratégies de rappel issues des sciences cognitives. Plusieurs travaux récents démontrent l'efficacité de l'entretien cognitif auprès d'échantillons de jeunes adultes. Toutefois, la recherche portant sur l'utilisation de l'entretien cognitif auprès de témoins âgés est récente et en développement. Le présent article effectue une synthèse des travaux portant sur l'efficacité de l'entretien cognitif auprès d'aînés ainsi qu'une méta-analyse des données publiées à ce jour. La méta-analyse comprend sept études traitant des performances de participants aînés et comparant l'efficacité de l'entretien cognitif à celle obtenue en employant d'autres techniques de rappel. Les résultats démontrent une augmentation du nombre de détails corrects rappelés quand l'entretien cognitif est utilisé. Cependant, les données actuelles ne permettent pas de conclusion valide pour le nombre de détails incorrects ou sur l'exactitude du rappel. La discussion présente les forces et faiblesses des travaux publiés à ce jour de manière à favoriser le développement futur de ce domaine de recherche.
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 | 0.011 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.008 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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".