Pienten lasten motorisen kehityksen arviointi : ammattilaisen tekemän arvioinnin ja Maiju-älypotkupuvun avulla toteutetun arvioinnin välinen yhteys
Bibliographic record
Abstract
Varhaisen motorisen kehityksen arviointi on tärkeää, sillä imeväisten motoriset taidot kehittyvät nopeasti ja voivat antaa viitteitä lapsen yleisestä kehityksestä. Perinteiset arviointimenetelmät, kuten fysioterapeutin tekemä havainnointi ja standardoidut testit, ovat laajalti käytössä, mutta ne ovat subjektiivisia ja vaativat asiantuntijan läsnäoloa. Teknologian kehittyessä uusia ja objektiivisempia menetelmiä on kehitetty täydentämään perinteisiä arviointikeinoja. Pro gradu -tutkielman tavoitteena oli arvioida Motor Assessment of Infants with a JUmpsuit (MAIJU) -älypotkupuvun käyttämän Baba Infant Motor Score (BIMS) -mittarin kykyä mitata alle 18 kuukauden ikäisten lasten motorista kehitystä verrattuna fysioterapeutin tekemään AIMS (Alberta Infant Motor Scale) -testiin. Tarkoituksena oli arvioida kahden erillisen mittausmenetelmän yhteensopivuutta ja tunnistaa mahdollisia systemaattisia eroja, jotka voisivat vaikuttaa menetelmien käytettävyyteen imeväisikäisten lasten motoristen taitojen arvioinnissa. Tutkimusaiheen valinta perustui tarpeeseen kehittää objektiivisempia ja saavutettavampia menetelmiä imeväisten motoristen taitojen arviointiin. Tutkielma toteutettiin osana PILKE (Pikku Imeväisten Liikkeen ja Kognition kehitys) -tutkimusta. Aineisto kerättiin 36:lta alle 18 kuukauden ikäiseltä lapselta. Tutkielmassa sovellettiin kvantitatiivisia menetelmiä, sillä tavoitteena oli objektiivisesti verrata kahden eri arviointimenetelmän yhtenevyyttä. Tutkielmassa verrattiin korrelaatiota AIMS-testin kokonaispistemäärän ja MAIJU-mittausten perusteella tehdyn motorisen kypsyyden kokonaisarvioinnin (BIMS) välillä. AIMS-testi on fysioterapeutin tekemä havainnointiin perustuva arvio, kun taas MAIJU-älypotkupuku mittaa imeväisten liikkumista BIMS-mittarilla potkupuvussa olevilla sensoreilla ja algoritmeilla. Yhteyttä analysoitiin Spearmanin korrelaatiokertoimella ja Bland-Altman-menetelmällä. Tulokset osoittivat vahvan korrelaation MAIJU-älypotkupuvun käyttämän BIMS-mittarin ja AIMS-testin välillä (r=0,970, p<0,001) mikä viittaa siihen, että BIMS-mittari tunnistaa motorisen kehityksen tasoja luotettavasti. Bland-Altman-analyysi osoitti kuitenkin systemaattisia eroja korkeilla motorisen kehityksen tasoilla. MAIJU-älypotkupuvun käyttämä BIMS-mittari antoi matalampia tuloksia kuin AIMS-testi, erityisesti korkeamman motorisen kehityksen tasoilla. Tämä viittaa siihen, ettei testien välinen ero pysynyt vakiona koko arviointiskaalan yli. Johtopäätöksenä voidaan todeta, että MAIJU-älypotkupuku ja sen käyttämä BIMS-mittari on lupaava menetelmä imeväisikäisillä lapsilla motorisen kehityksen arviointiin, mutta sen tuloksia tulisi tulkita varauksella erityisesti motorisen kehityksen arvioinnissa lapsilla, joiden motorinen kehitys on edennyt pidemmälle. MAIJU-älypotkupuvulla on potentiaalia toimia kvantitatiivisena ja objektiivisena menetelmänä, mutta lisätutkimuksia tarvitaan sen validoinnin vahvistamiseksi imeväisten eri kehitysvaiheissa.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 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".