Apprentissage non supervisé des activités de la vie quotidienne à partir de fouille de données sur internet
Bibliographic record
Abstract
Au Québec, le vieillissement de la population est un problème majeur qui impacte notamment les dépenses dans le milieu de la santé. L’un des principaux défis que cela implique est le maintien à domicile prolongé des aînés et des personnes semi-autonomes. Afin de permettre ce maintien, il est alors nécessaire d’adapter l’environnement de vie de ces personnes en prenant en considération leurs capacités et leurs limites. Afin de trouver des solutions non intrusives à cette adaptation, une des solutions envisagées est l’utilisation de la technologie par la création d’un habitat intelligent capable de promouvoir l’autonomie et le bien-être des résidents. Cependant, la création d’un tel habitat présente son lot de défis scientifiques. L’un des principaux consiste en l’exploitation des données brutes provenant de capteurs hétérogènes distribués dans l’habitat intelligent, afin de parvenir à reconnaître les Activités de la Vie Quotidienne (AVQ) du résident. Les chercheurs se sont penchés depuis quelques décennies sur ce domaine, qu’on appelle plus communément la reconnaissance d’activités. L’une des manières de concevoir une approche de reconnaissance d’activités est d’abord la simple d’observation d’individus en train d’effectuer des activités et la création d’un ensemble de règles adaptées aux observations. Néanmoins, cette approche est manuelle et nécessite la réalisation d’expérimentations, c’est-à-dire une observation active par un humain du comportement du résident pour créer des règles adaptées. Une autre solution est l’utilisation d’algorithmes d’apprentissage sur des données tirées d’expérimentations. Cette approche a l’avantage d’automatiser la phase d’apprentissage, mais pas la phase expérimentale ; il est toujours nécessaire de disposer d’individus réalisant des activités dans un habitat intelligent. Afin de nous pencher sur ce problème d’automatisation, nous nous sommes tournés vers le web. Le web représentant une formidable source d’informations, nous pensons qu’il est possible de se passer des données réelles en utilisant les ressources disponibles sur celui-ci. Le contenu disponible étant très abondant et mis à jour régulièrement, il sera alors possible d’extraire un très grand nombre de modèles d’activités, c’est-à-dire une base de connaissances sur un très grand nombre d’activités comme les objets/substances impliqués dans leur réalisation ainsi que des informations temporelles (chronologie des étapes constituantes) et spatiales (lieu de réalisation). Cette manière de concevoir la reconnaissance d’activités n’ayant été qu’assez peu entrevue dans la littérature scientifique, le défi est de savoir si l’utilisation automatisée du web s’avère être une approche pertinente ou non. La problématique du projet de recherche est alors la suivante : "Dans quelle mesure est-il possible de réaliser automatiquement un apprentissage non supervisé des activités de la vie quotidienne à partir de fouille de données sur internet ?".
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 | 0.003 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 0.004 |
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".