論文の概要: Prediction of the Realisation of an Information Need: An EEG Study

• arxiv url: http://arxiv.org/abs/2406.08105v2
• Date: Thu, 13 Jun 2024 08:53:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-14 13:45:10.062137
• Title: Prediction of the Realisation of an Information Need: An EEG Study
• Title（参考訳）: 脳波による情報ニーズの実現予測
• Authors: Niall McGuire, Dr Yashar Moshfeghi,
• Abstract要約: 本研究は,質問応答(Q/A)タスクにおいて,14項目にわたる脳波データ内のINの実現を予測できる能力について検討した。 脳波データは、73.5%の精度で全被験者にわたるINの実現をリアルタイムに予測するのに十分である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One of the foundational goals of Information Retrieval (IR) is to satisfy searchers' Information Needs (IN). Understanding how INs physically manifest has long been a complex and elusive process. However, recent studies utilising Electroencephalography (EEG) data have provided real-time insights into the neural processes associated with INs. Unfortunately, they have yet to demonstrate how this insight can practically benefit the search experience. As such, within this study, we explore the ability to predict the realisation of IN within EEG data across 14 subjects whilst partaking in a Question-Answering (Q/A) task. Furthermore, we investigate the combinations of EEG features that yield optimal predictive performance, as well as identify regions within the Q/A queries where a subject's realisation of IN is more pronounced. The findings from this work demonstrate that EEG data is sufficient for the real-time prediction of the realisation of an IN across all subjects with an accuracy of 73.5% (SD 2.6%) and on a per-subject basis with an accuracy of 90.1% (SD 22.1%). This work helps to close the gap by bridging theoretical neuroscientific advancements with tangible improvements in information retrieval practices, paving the way for real-time prediction of the realisation of IN.
• Abstract（参考訳）: 情報検索 (IR) の基本的な目的の1つは、探索者の情報要求 (IN) を満たすことである。 INが物理的にどのように現れるかを理解することは、長い間複雑で解明されたプロセスであった。 しかし、脳波(EEG)データを利用した最近の研究は、INに関連する神経過程についてリアルタイムに洞察を与えている。 残念ながら、この洞察が検索体験にどう役立つかはまだ実証されていない。 そこで本研究では,質問応答(Q/A)タスクを受講しながら,脳波データ内でのINの実現を予測する能力について検討した。 さらに、最適な予測性能をもたらす脳波特徴の組み合わせについて検討し、また、被験者のINの実現がより顕著なQ/Aクエリ内の領域を特定する。 この結果から、脳波データは、73.5%(SD 2.6%)、90.1%(SD 22.1%)の精度で、すべての被験者のINの実現をリアルタイムに予測するのに十分であることが示された。 この研究は、情報検索の実践において明確な改善を施した理論的神経科学の進歩をブリッジすることでギャップを埋め、INの実現をリアルタイムで予測する道を開くことで、ギャップを埋めるのに役立つ。

関連論文リスト

• Emerging-properties Mapping Using Spatial Embedding Statistics: EMUSES [0.0]
  EMUSESは、データ内の潜伏構造を明らかにする高次元埋め込みを作成する革新的なアプローチである。 予測精度と解釈可能性のギャップを埋めることで、EMUSESは複雑な現象の多因子的起源を理解する強力なツールを提供する。
  論文  参考訳（メタデータ） (2024-06-20T13:39:14Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• The largest EEG-based BCI reproducibility study for open science: the MOABB benchmark [6.116258355914058]
  本研究は、オープン脳波データセットにおける脳-コンピュータインターフェース(BCI)の広範な解析を行う。 このようなベンチマークの必要性は、未公表のプロプライエタリなソリューションを生み出した産業の急速な進歩にある。
  論文  参考訳（メタデータ） (2024-04-03T15:18:50Z)
• Exploring Artificial Intelligence Methods for Energy Prediction in Healthcare Facilities: An In-Depth Extended Systematic Review [0.9208007322096533]
  本研究は, 病院ビルのエネルギー消費予測に機械学習と人工知能技術を用いた論文のPRISMAフレームワークを用いた文献レビューを行った。 このレビューでは、エネルギー予測に影響を与えるさまざまなデータ入力が明らかにされ、占有率と気象データが重要な予測因子として出現した。 この発見は、病院のエネルギー消費を最適化するAIの巨大な可能性を浮き彫りにしただけでなく、より包括的できめ細かい研究の必要性も浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-11-27T13:30:20Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• Master's Thesis: Out-of-distribution Detection with Energy-based Models [0.0]
  ディープラーニングは、自律運転や医療診断などのセキュリティ上重要な状況にますます適用されている。 研究者たちは先日、ニューラルネットワークがこれまで見たことのないデータであっても、予測に過度に自信を持っていることを発見しました。 本稿では,トレーニングデータ分布の整合化作業におけるEMMの能力について検討し,アウト・オブ・ディストリビューション(OOD)入力の検出を行う。
  論文  参考訳（メタデータ） (2023-01-28T15:40:30Z)
• Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
  我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。 我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
  論文  参考訳（メタデータ） (2022-07-18T11:38:32Z)
• Data augmentation for learning predictive models on EEG: a systematic comparison [79.84079335042456]
  脳波(EEG)分類タスクの深層学習は、ここ数年急速に増加している。 EEG分類タスクのディープラーニングは、比較的小さなEEGデータセットによって制限されている。 データ拡張は、コンピュータビジョンや音声などのアプリケーションにまたがる最先端のパフォーマンスを得るために重要な要素となっている。
  論文  参考訳（メタデータ） (2022-06-29T09:18:15Z)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)
• Deep Representation Learning of Patient Data from Electronic Health Records (EHR): A Systematic Review [20.621261286239967]
  患者表現学習とは、電子健康記録から意味のある情報をエンコードする患者の密度の高い数学的表現を学ぶことを指す。 本研究は, この分野の体系的なレビューを行い, 方法論的観点から質的, 定量的な分析を行った。
  論文  参考訳（メタデータ） (2020-10-06T15:18:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。