Development of a mobile application using OpenAI's artificial intelligence technology to study food consumption among indigenous populations in Canada and the USA
Bibliographic record
Abstract
Дослідження, описане в роботі, концентрується на розробці та оцінці якості мобільної програми, яка має на меті допомогти дослідженню зібрати інформацію про споживання їжі корінним населенням Канади та США (індіанцями). Загальна інформація про додаток: він використовує мікрофон та диктовку тексту, а далі обробку цієї диктовки і перетворення її у стандартизований формат за допомогою технологій штучного інтелекту від компанії OpenAI для збереження інформації. Диктовка може відбуватися будь-яким стилем мовлення, що дозволяє отримати лише потрібну інформацію для дослідження. Це має підвищити ефективність збору інформації від піддослідних, оскільки знімає з них потребу вручну заповнювати різні форми та бланки. Воно визначає декілька ключових характеристик, які впливають на залучення користувачів та їх сприйняття програми. Згідно з результатами, важливими елементами для залучення користувачів та стимулювання їх участі є простота у використанні та точність обробки диктовки. Функціональні аспекти програми були визнані важливими, оскільки вона повинна мати корисні та практичні функції, які сприяють збору точних даних про споживання їжі. Якщо програма спрощує задачу заповнення форм і зменшує ручну роботу, то це збільшує шанси на успіх у зборі даних для дослідження. Дослідження також підтвердило, що користувачі сприймають досвід використання мобільної програми як корисний і практичний. Це означає, що користувачі не лише отримують задоволення від використання програми, але й вважають її корисною та цінною для досягнення своїх цілей щодо збору інформації про споживання їжі.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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 teacher head, 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".