Volet clinique de la conception et de l’évaluation d’une technologie d’assistance à la préparation de repas conçue avec et pour des personnes ayant subi un Traumatisme CranioCérébral (TCC) grave
Bibliographic record
Abstract
Introduction : Au Canada, 100 000 personnes sont victimes d'un traumatisme craniocérébral (TCC) annuellement. Les 16-24 ans présentent l’un des taux d’incidence les plus élevés, ce qui signifie qu’une grande partie des victimes et ces personnes vivront en moyenne 50 ans avec les séquelles physiques et cognitives du TCC. De plus, 10% des personnes qui ont subi un traumatisme crânien souffriront des séquelles d’un TCC grave leur causant d’importantes difficultés de fonctionnement, particulièrement au niveau des activités plus complexes de la vie quotidienne, comme la préparation de repas. Les technologies d’assistance à la cognition (TAC) ont démontré leur pertinence pour faciliter le fonctionnement dans leurs habitudes de vie des personnes vivant avec les séquelles d’un TCC. Toutefois, aucune TAC spécifique à la préparation de repas et à cette clientèle n’est actuellement disponible. Méthodologie : La présente thèse présente le volet clinique de la conception d’une technologie d’assistance à la préparation des repas, conception réalisée dans le cadre d’un projet interdisciplinaire joignant les sciences de la réadaptation et de l’informatique. Cette technologie d’assistance nommée COOK (Cognitive Orthosis for coOKing) a été développée avec et pour des personnes qui ont subi un TCC grave vivant en résidence spécialisée. Une approche de conception centrée sur l’utilisateur a d’ailleurs été retenue et organise le projet en trois grandes étapes : 1- l’analyse des besoins 2- le design de la TAC et 3- l’évaluation de ses effets. Une analyse des besoins a d’abord été réalisée auprès des futurs utilisateurs ainsi qu’auprès des acteurs clés afin de dresser le profil des futurs utilisateurs, d’identifier les interventions pertinentes pour optimiser leur fonctionnement et pour ensuite traduire ces interventions en exigences cliniques pour faciliter le design. La phase de design a permis de développer une technologie basée sur les données probantes en réadaptation cognitive et répondant aux besoins spécifiques des futurs utilisateurs. Ces derniers ont d’ailleurs collaboré avec l’équipe tout au long de cette phase. COOK a ensuite été implanté chez les trois participants afin d’évaluer les effets de son utilisation à court et long terme (1, 3 et 6 mois post-implantation) et d’améliorer son utilisabilité. Résultats : Grâce à l’analyse des besoins, trois profils de futurs utilisateurs ont été dressés et les meilleures pratiques en réadaptation cognitive pour répondre à leurs besoins spécifiques ont été identifiées, facilitant ainsi la conception interdisciplinaire de COOK. Avec l’aide de COOK et d’interventions cliniques complémentaires, les trois participants ont tous repris la préparation des repas de façon sécuritaire. De plus, COOK a démontré une efficacité intéressante et les participants étaient satisfaits de la technologie, sauf auprès d’un participant qui ne voyait pas l’utilité pour lui. Conclusion : Cette technologie semble donc prometteuse pour la réadaptation et le maintien à domicile de clientèles présentant des incapacités cognitives. D’autres travaux seront nécessaires afin d’adapter cette technologie à d’autres clientèles et différents milieux de vie.
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 | 0.012 | 0.031 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.016 | 0.003 |
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".