210 - Technologies de l'information et des communications

Communications orales 08 h 00 → 17 h 00

Technologies de l'information et des communications

• Communication orale 08 h 01
  Exercice d’intégration de la diversité à l’aide de l’intelligence artificielle
  Emiliano Da Chagas (Institut du Savoir Montfort), Jean Grenier (Institut du savoir Montfort / Hôpital Montfort), Marie-Andrée Imbeault (Institut du Savoir Montfort), Bruno Tano (Hôpital Montfort), Elliot Verburg (Institut du savoir Montfort)

  De nos jours, la représentation de la diversité dans les communications est devenue impérative et plus que jamais accessible grâce aux technologies de communication modernes. Conscients de cet enjeu et de cette occasion, l’Hôpital Montfort en collaboration avec l’Institut du Savoir Montfort ont entrepris un exercice d’intégration stylistique de la diversité à l’aide de l’intelligence artificielle (IA), pour les illustrations de leur offre de soins en santé mentale,en télésanté, basée sur la théorie cognitive comportementale. Ce programme permettant aux communautés francophones en situation minoritaire au Canada de gérer leur santé mentale de manière autonome a été amélioré dans un souci de favoriser l’adaptation au contexte d’une société multiculturelle telle que la nôtre. Les buts étant de favoriser l’engagement à travers l’identification des patients, ainsi que l’analyse de l’intégration de l’IA dans les communications avec ceux-ci, la présente communication portera donc sur trois éléments : 1) le processus de modernisation; 2) Les défis rencontrés et le rôle central de l’IA; et 3) les aspirations futures incluant l’évaluation de l’acceptabilité de la communication avec l’IA chez les patients.

  ▶ Vidéo
• Communication orale 08 h 02
  Application de Formal Concept Analysis aux résultats et indicateurs de santé publique du gouvernement canadien
  Scarlett Kelly (Université d’Ottawa)

  Les soins de santé au Canada ont de sérieux problèmes de performance. L’atteinte des résultats ciblés est une méthode pour refléter la performance. L’indicateur est un outil important pour collecter des données afin de mesurer si les résultats ciblés sont atteints. Comprendre les relations entre les résultats et les indicateurs peut être un moyen d’acquérir une compréhension préliminaire de la question de la performance des soins de santé au Canada.

  Pour répondre à la question de recherche « quelle est la relation entre les résultats et les indicateurs et comment cette relation influence-t-elle la performance », cette recherche applique Formal Concept Analysis (FCA) pour examiner les relations entre les résultats et les indicateurs dans 12 ensembles de données issus des résultats 2021 de l'Agence de la santé publique du Canada. Pour appliquer la FCA afin de reconnaître la structure des données et de généraliser les similitudes et les relations, cette recherche applique des méthodes qualitatives pour coder les données d'indicateur et de résultat afin de générer des concepts. Un réseau plus efficace est construit après avoir appliqué la relation 1 : plusieurs données entre l’indicateur et le résultat, avec une explication détaillée des raisons pour lesquelles cette relation est applicable. Deux recommandations sont faites pour modifier la politique et les pratiques actuelles de collecte de données sur les résultats et pour établir des normes internationales sur la définition des résultats.

  ▶ Vidéo
• Communication orale 08 h 03
  Sensibilité des modèles de langue monolingues et multilingues à certaines structures linguistiques
  Diego Maupomé (UQAM - Université du Québec à Montréal), Marie-Jean Meurs (Université du Québec à Montréal), Junior Cédric Tonga (École Normale Supérieure Cachan)

  Les outils d’intelligence artificielle peuvent fournir une aide précieuse en soutien à la santé mentale, notamment en analysant les productions textuelles des personnes à risque. Afin de fournir des analyses pertinentes, il est primordial que de tels outils soient robustes à la diversité d'expression textuelle qui peut exister chez ces personnes. Dans cet esprit, nous étudions les effets que les différences d'ordre dialectique ont sur la représentation interne de messages textuels dans les modèles de langue courants en libre distribution. Nous comparons les modèles produits à partir de corpus en plusieurs langues avec ceux produits à partir de corpus francophones uniquement en les appliquant à des messages texte en français québécois.
  Pour ce faire, nous comparons l'encodage de messages textes que font ces modèles avec l'encodage des mêmes messages, normalisés en français standard. Ensuite, les modèles sont ajustés afin de rapprocher les encodages des deux versions d'un même message et ainsi faire abstraction des particularités d’expression qui distinguent ces versions.
  Nos résultats indiquent que les modèles produits à partir de corpus en français sont plus réceptifs à ces ajustements que ceux produits à partir de corpus multilingues.

  ▶ Vidéo