L'évaluation cognitive d'individus atteints de déficience(s) sensorielle(s)
Bibliographic record
Abstract
Les déficiences visuelles et auditives sont toutes deux liées au déclin cognitif, qui se traduit par des résultats plus faibles aux tests cognitifs. Cependant, la plupart des outils cognitifs comprennent des tâches audio-visuelles et nécessitent une audition et une vision fonctionnelles. Par conséquent, l'administration de tests cognitifs à des personnes atteintes de déficience sensorielle est difficile et peut induire en erreur l'interprétation clinique. Les études présentées dans ce mémoire avaient pour objectif d'explorer la manière dont les chercheurs et les cliniciens adaptent leurs procédures de tests cognitifs tout en considérant les déficiences sensorielles. Pour atteindre cet objectif, une revue de la portée a exploré les adaptations rapportées aux procédures de tests cognitifs que les chercheurs ont employées lors de l'évaluation de personnes âgées ayant une double déficience sensorielle. Ensuite, une enquête clinique a examiné comment les ergothérapeutes adaptent leurs procédures de dépistage cognitif pour accommoder les personnes ayant une déficience sensorielle. Les résultats de ce mémoire indiquent un écart entre la recherche et la pratique concernant les stratégies issues de données empiriques et les stratégies utilisées en clinique afin d’accommoder les déficiences sensorielles pendant l'administration des tests cognitifs. Alors que les chercheurs disposent de ressources supplémentaires adéquates dans des domaines spécialisés des soins de santé, les ergothérapeutes se sentent moins compétents avec leurs clients atteints de déficience sensorielle. Cette divergence entre les stratégies empiriques et pratiques soulève la nécessité de diffuser aux cliniciens des stratégies alternatives standardisées et fondées sur des données probantes par le biais d'activités d'application des connaissances.
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 | 0.004 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".