De Nederlandstalige vertaling van de MoCA-HI : een cognitieve screeningstest voor personen met gehoorverlies
Bibliographic record
Abstract
Gedragsmatige testen om cognitieve stoornissen te identificeren bevatten meestal gesproken items waardoor de resultaten door de gehoorstatus kunnen worden beïnvloed. Gehoorverlies kan aldus leiden tot foutieve identificatie en/of een overschatting van de ernst van de cognitieve stoornis. Recent werd, op basis van een reeds bestaande test, een Engelstalige cognitieve screeningstest voor personen met gehoorverlies ontwikkeld: de Montreal Cognitive Assessment Hearing-impaired (MoCA-HI). Het doel van het huidig onderzoek was het vertalen van de MoCA-HI naar een Nederlandstalige versie. De Engelstalige MoCA-HI werd via de voorwaarts-achterwaartse methode vertaald. Vier onderzoekers (twee audiologen, een neuropsycholoog en een psycholinguïst) namen deel aan het vertaalproces. De twee audiologen vertaalden, onafhankelijk van elkaar, de MoCA-HI van het Engels naar het Nederlands, waarna een consensusvertaling werd bepaald. Nadien controleerde de neuropsycholoog de Nederlandstalige versie op inhoud. Vervolgens werd deze Nederlandstalige versie opnieuw naar het Engels vertaald door de psycholinguïst. Deze ‘achterwaartse’ vertaling werd finaal door de officiële MoCA-instantie gecontroleerd op correctheid. De in het Nederlands vertaalde MoCA-HI is beschikbaar op de officiële MoCA-website. De beschikbaarheid van de Nederlandstalige MOCA-HI is een belangrijke stap vooruit in het gebruik van een cognitieve screeningstest voor personen met gehoorverlies en de bewustwording bij zorgverleners omtrent het belang van gehoor binnen een interdisciplinaire zorgomgeving.
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 | 0.016 | 0.027 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.010 | 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".