Analyse, modélisation et implémentation de stratégies d’assistance : déploiement d’orthèses cognitives pour les activités instrumentales de la vie quotidienne des traumatisés crâniens
Bibliographic record
Abstract
Les orthèses cognitives peuvent améliorer l'autonomie des traumatisés craniocérébraux (TCC) sévères, tout en intégrant en continu le processus de réadaptation cognitive aux AIVQ au sein de leur domicile. Dans une démarche de conception participative interdisciplinaire, nos travaux ont permis de passer de la pratique des ergothérapeutes à la spécification formelle de plans d'intervention et à l'implémentation de cette pratique dans des orthèses cognitives. Dans cette thèse, une approche reposant sur les personae illustre d'abord les dysfonctionnements chez les TCC, leurs besoins d'assistance, ainsi que les besoins de leurs aidants. Ensuite, deux modèles sont élaborés. Le premier « Gestion dynamique de la réadaptation cognitive » s'intéresse en particulier au choix, à l'adaptation et à l'application d'interventions cognitives fondées sur les données probantes. Le second modèle « Assistance préventive » permet, en situation de danger potentiel, d'assister un TCC de manière progressive et adaptée pour écarter ce danger. Ces modèles sont utilisés de deux manières. D'une part, leur implémentation sous forme d'ontologie OWL illustre comment l'assistance peut être rendue sensible au contexte, dynamique et personnalisée. D'autre part, ils guident la conception et l'implémentation de COOK, une orthèse cognitive pour la préparation de repas, et d'un système de sécurité autonome (SSA) dédié à la prévention et à la sécurité des TCC lors de la préparation de repas. Finalement, une architecture logicielle pour la construction d'orthèses cognitives et dérivée.COOK et SSA ont été déployés au sein d'une résidence pour TCC. Trois résidents peuvent maintenant cuisiner de manière autonome.
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 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".