MétaCan
Menu
Back to cohort
Record W7162376115

Cultural adaptation and pilot standardization of the screening test fast in healthy Greek adults 18- 50 years old

2019· other· el· W7162376115 on OpenAlexaboutno aff
Έλλη Ταμπουράκη, Μαρία Ραφαέλα Τζαβάρα

Bibliographic record

VenueΝημερτής · 2019
Typeother
Languageel
Field
Topic
Canadian institutionsnot available
Fundersnot available
KeywordsScreening testStandardizationTest (biology)Adaptation (eye)CognitionCognitive Assessment System
DOInot available

Abstract

fetched live from OpenAlex

Η αφασία είναι μία πάθηση που επηρεάζει την επικοινωνία. Χαρακτηρίζεται πρωτίστως από την απώλεια της ικανότητας για λειτουργική ομιλία. Μπορεί να συνοδεύεται και από απώλεια της ικανότητας κατανόησης του προφορικού ή γραπτού λόγου. Στην περίπτωση της αφασίας, ανάλογα τον τύπο, το άτομο έχει διαταραγμένη ομιλία, δε δύναται να αποδώσει το σωστό νόημα στις λέξεις, να κατανοεί το περιεχόμενο των λέξεων και πολλές φορές να διαβάζει. Τα κύρια συμπτώματα της αφασίας περιλαμβάνουν τη ροή του λόγου, την κατανόηση, την επανάληψη, την κατονομασία, την ανάγνωση και τη γραφή. Ως εκ τούτου στόχος της παρούσας μελέτης ήταν η στάθμιση του FAST (Frenchay Aphasia Screening Test) σε υγιή ελληνικό πληθυσμό και να αναλυθούν τα αποτελέσματα του. Μεθοδολογία: Για να εξασφαλιστεί ότι τα άτομα που επρόκειτο τα εξετασθούν είχαν γνωστική λειτουργικότητα, δηλαδή ορθό λόγο, σκέψη και αντίληψη, προηγήθηκαν δύο δοκιμασίες: το MOCA (Montreal Cognitive Assessment) καθώς και το BNT (Boston Naming Test). Το δείγμα της έρευνας αποτελείτο από 100 άτομα άντρες και γυναίκες ηλικίας 18 έως 51 ετών. Τα άτομα αυτά επιλέχθηκαν τυχαία και συμμετείχαν εθελοντικά. Μετά τη διαδικασία των δοκιμασιών ακολούθησε διεξοδική στατιστική ανάλυση των αποτελεσμάτων με σκοπό τη σύγκριση των μεταβλητών έτσι ώστε σε τελικό επίπεδο να γίνει αντιληπτό εάν οι καταγραφές του δείγματος καταλήγουν σε ορθά αποτελέσματα και επομένως αν θα μπορεί να διαμοιραστεί το FAST σε υγιή πληθυσμό και μετέπειτα σε αφασικούς ασθενείς. Αποτελέσματα: Ύστερα από τη σύγκριση των αποτελεσμάτων που πραγματοποιήθηκε με βάση το συγκεκριμένο δείγμα ατόμων προκύπτει το συμπέρασμα ότι τα δημογραφικά χαρακτηριστικά δεν επηρεάζουν τη βαθμολογία που επιτυγχάνεται στα ανιχνευτικά εργαλεία: (MOCA, BNT, FAST) και στις υποκατηγορίες του FAST. Επομένως, αφού καμία από τις μεταβλητές που εξετάστηκαν (φύλο, ηλικία, επάγγελμα, εκπαίδευση, γνώση ξένων γλωσσών και το επίπεδο αυτών, προτίμηση χεριού, όραση) δεν επηρεάζουν την έκβαση των αποτελεσμάτων, το FAST κρίνεται ως ένα αντικειμενικό εργαλείο ανίχνευσης το οποίο δεν εξαρτάται από τους προαναφερθέντες παράγοντες. Κατά συνέπεια με βάση τη συγκεκριμένη έρευνα θα μπορούσε να χορηγηθεί καθολικά στον πληθυσμό χωρίς εξαιρέσεις καθώς και να χρησιμοποιηθεί για την μετέπειτα έρευνα άλλων μελλοντικών επιστημονικών και ερευνητικών ερωτημάτων. Το συμπέρασμα αυτό διαφαίνεται από το γεγονός ότι δεν υπάρχει συσχέτιση μεταξύ των μεταβλητών. Για να καταλήξουμε στο σημείο αυτό πρωτίστως έγινε σύγκριση των δημογραφικών χαρακτηριστικών με το κάθε εργαλείο ξεχωριστά και έπειτα των εργαλείων μεταξύ τους και συγκεκριμένα των MOCA-FAST και BNT-FAST και των υποκατηγοριών του. Έπειτα από λεπτομερή ανάλυση βρέθηκε πως δεν υπάρχει στατιστική σημαντικότητα μεταξύ των μεταβλητών γιατί p>0.05. Επομένως σε όλα τα t-test έγινε αποδεκτή η μηδενική υπόθεση. Παρ’όλα αυτά, υπάρχουν αρκετοί παράγοντες ανάμεσα στα εργαλεία που συγκρίθηκαν (π.χ.: αύξηση των συμμετεχόντων στην έρευνα), οι οποίοι θα μπορούσαν να δημιουργήσουν συνθήκες όπου να παρουσιαστούν στατιστικώς σημαντικές διαφορές και κατά συνέπεια να αλλάξει η έκβαση των αποτελεσμάτων.

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 imitation

Not 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.

metaresearch head score (Codex)0.008
metaresearch head score (Gemma)0.023
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.013
Threshold uncertainty score0.042

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0080.023
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0010.001
Science and technology studies0.0010.001
Scholarly communication0.0010.001
Open science0.0010.002
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0020.001

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 head0.036
GPT teacher head0.274
Teacher spread0.237 · 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 source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
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
Published2019
Admission routes1
Has abstractyes

Explore more

Same venueΝημερτήςFrench-language works237,207