MARVINA : un assistant conversationnel (Chatbot) en soutien à l’autogestion pour les personnes atteintes d’un cancer du sein
Bibliographic record
Abstract
Contexte : Le cancer du sein est le cancer le plus répandu chez les femmes au Canada, avec environ 7 000 nouveaux cas annuels au Québec. Les patientes font face à des défis d’autogestion, d’accès à des informations fiables et de soutien émotionnel tout au long de leur parcours de soins. Objectifs : Cette étude vise à évaluer les besoins des patientes atteintes de cancer du sein afin de coconstruire l’assistant conversationnel MARVINA, en vue d’améliorer l’autogestion de la maladie, la gestion des effets secondaires et l’accès à des informations personnalisées. Méthodologie : L’étude qualitative a été menée avec 12 patientes du CHUM, via des groupes de discussion et la collecte d’informations sociodémographiques. Les patientes ont partagé leurs attentes concernant les traitements, les effets secondaires et le soutien émotionnel. L’analyse repose sur le Technology Acceptance Model (TAM) et le cadre NASSS pour comprendre l'adoption et l'usage de MARVINA. Résultats : Les patientes ont exprimé le besoin d'un accès personnalisé à des informations fiables, d’un soutien continu, et d'une meilleure gestion des effets secondaires. Elles ont également souligné l'importance de la confidentialité des données. MARVINA pourrait répondre à ces besoins en offrant des réponses adaptées à chaque patiente, tout en renforçant l'observance thérapeutique. Discussion : L'implication des patientes dans la coconstruction de MARVINA a amélioré la pertinence de l'outil. Toutefois, des défis techniques et éthiques, notamment en matière de protection des données et de confidentialité, ont été identifiés. Des mesures ont été prises pour garantir la qualité des données malgré ces contraintes. Conclusion : MARVINA a le potentiel d’améliorer l’autogestion et la qualité de vie des patientes atteintes de cancer du sein, tout en posant les bases pour une meilleure intégration des technologies numériques en santé.
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 | 0.007 | 0.023 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.018 | 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".