MétaCan
Menu
Back to cohort
Record W7162362010

Complexity of narration and image description in a healthy adult population between thw ages of 40-50 years old: Pilot results

2020· other· el· W7162362010 on OpenAlexaboutno aff
Μαρία Κοντογεωργοπούλου, Διονυσία Χρονοπούλου

Bibliographic record

VenueΝημερτής · 2020
Typeother
Languageel
Field
Topic
Canadian institutionsnot available
Fundersnot available
KeywordsNarrativePopulationCognitionState (computer science)
DOInot available

Abstract

fetched live from OpenAlex

Εισαγωγή: Η παρούσα ερευνητική εργασία είναι βασισμένη στην ανάλυση του περιγραφικού και αφηγηματικού λόγου μέσω εικόνας. H περιγραφή της εικόνας παρέχει μια έγκυρη προσέγγιση για τη δειγματοληψία λόγου (Cooper, 1990), επιτρέπει τη σύγκριση των επιδόσεων εντός και μεταξύ ομάδων (Mackenzie et al., 2007), και μπορεί να χρησιμοποιηθεί ως δείκτης εκτίμησης της γλωσσικής ικανότητας με την πάροδο του χρόνου. Η περιγραφή μιας σκηνής εξετάζει και αξιολογεί το σημασιολογικό περιεχόμενο, σύνταξη και πραγματολογική χρήση του λόγου και εμπλέκει το άτομο σε ατομική ερμηνεία και αυθόρμητες περιγραφές. Σκοπός: Ο σκοπός της συγκεκριμένης έρευνας ήταν να αναλυθεί το δείγμα λόγου και να γίνει διερεύνηση του ερωτήματος αν κάποιες συγκεκριμένες μεταβλητές επηρεάζουν την απόδοση περιγραφής βάση δείγματος λόγου. Ειδικότερα αυτές οι μεταβλητές είναιː το μορφωτικό/εκπαιδευτικό υπόβαθρο, τα έτη εργασίας, η ηλικία, η ψυχολογική κατάσταση των συμμετεχόντων, η γνωστική ικανότητα, ο χρόνος δαπάνης στα μέσα κοινωνικής δικτύωσης, ο τρόπος ενημέρωσης, η ανάγνωση βιβλίων, το ιστορικό πιθανής διαταραχής λόγου και ομιλίας, καθώς και η πολυπλοκότητα της εικόνας. Μεθοδολογία: Η έρευνα βασίστηκε στην ανάλυση δειγμάτων λόγου από συμμετέχοντες που ανήκουν στο ηλικιακό εύρος των 40-50 ετών. Αυτό ορίστηκε ως πρώτη απαραίτητη προϋπόθεση ενώ η δεύτερη αναγκαία προϋπόθεση ήταν όλοι οι συμμετέχοντες να είναι σωματικά και νοητικά υγιείς. Τα άτομα αυτά κλήθηκαν αρχικά να συμπληρώσουν ένα συνεναιτικό έγγραφο, τις απαντήσεις ενός γενικού ερωτηματολογίου καθώς και να απαντήσουν στις ερωτήσεις της κλίμακας Άγχους και Κατάθλιψης (HADS) και να συμπληρώσουν τις δοκιμασίες Montreal Cognitive Assessment (MoCa) και Mini-Mental State Examination (MMSE). Έπειτα προχωρούσαν στην περιγραφή τριών εικόνων , οι οποίες ήταν συγκεκριμένα οιː Cookie Theft, η εικόνα για τη δοκιμασία περιγραφής από το τεστ Aphasia Screening Test (AST) και η εικόνα για τη δοκιμασία περιγραφής από το Comprehensive Aphasia Test (CAT). Αποτελέσματα: Σύμφωνα με τα αποτελέσματα της έρευνας διαπιστώθηκε ότι η πολυπλοκότερη και περιπλοκότερη εικόνα προς περιγραφή κρίθηκε πως ήταν η εικόνα του εργαλείου Aphasia Screening Test με βάση τις αποκρίσεις των συμμετεχόντων. Εν συνεχεία τοποθετείται η εικόνα του εργαλείου Comprehensive Aphasia Test και τέλος η εικόνα Cookie Theft. Η επίδοση των συμμετεχόντων στην αναγνώριση και περιγραφή των κύριων γεγονότων κάθε εικόνας παρουσιάζει διαφορά ανάμεσα στις τρεις εικόνες. Τέλος αναφορικά με τους ποικίλους παράγοντες που μελετήθηκαν, για να ερευνηθεί κατά πόσο αυτοί επηρεάζουν την επίδοση των υποκειμένων στην περιγραφή και αφήγηση, διαπιστώθηκε ότι άμεση επίδραση και συσχέτιση με την επίδοση είχε η ηλικία, το φύλο, το μορφωτικό επίπεδο, τα έτη εργασίας καθώς και η ψυχολογική κατάσταση των συμμετεχόντων. Συζήτηση: Tα αποτελέσματα της συγκεκριμένης έρευνας επεκτείνουν αποτελέσματα προηγούμενης έρευνας (Παναγιώτου, Πετράκου, Πετροπούλου, 2019 – υπεύθυνη καθηγήτρια Δρ Μίχου Αιμιλία) αποδεικνύοντας ότι η ικανότητα επίδοσης στον αφηγηματικό και περιγραφικό λόγο σχετίζεται άμεσα με συγκεκριμένες μεταβλητές (ηλικία, φύλο, μορφωτικό επίπεδο, έτη εργασίας, ψυχολογική κατάσταση) ακόμα και σε μικρό δείγμα συμμετεχόντων ,συγκεκριμένου όμως ηλικιακού εύρους (40-50 ετών). Τα πορίσματα αυτά είναι ιδιαίτερα σημαντικά αφού συμβάλλουν στην δημιουργία νορμών και βάσεων δεδομένων, που ακολούθως γεννούν νέα πεδία διερεύνησης στο σχεδιασμό εργαλείων, για χρήση στο τομέα της αξιολόγησης και θεραπείας διαταραχών λόγου και ομιλίας.

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 imitation

Not 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.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.001
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.725
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.001
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.000
Bibliometrics0.0010.001
Science and technology studies0.0000.001
Scholarly communication0.0000.000
Open science0.0000.000
Research integrity0.0000.001
Insufficient payload (model declined to judge)0.0000.000

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.

Opus teacher head0.098
GPT teacher head0.314
Teacher spread0.217 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2020
Admission routes1
Has abstractyes

Explore more

Same venueΝημερτήςFrench-language works237,207