Mathematical Learning Disorder in School-Age Children with Attention-Deficit Hyperactivity Disorder
Notice bibliographique
Résumé
OBJECTIVES: To explore the prevalence of mathematics disorder (MD) relative to reading disorders (RD) in school-age children with attention-deficit hyperactivity disorder (ADHD) and examine the effects of age, sex, cooccurring conduct disorder (CD), and ADHD subtype on this comorbidity. METHODS: Participants were school-age children (n = 476) with confirmed DSM-IV diagnosis of ADHD. The assessment included semistructured parent and teacher interviews and standardized measures of intelligence, academic attainment, and language abilities. Based on the presence or absence of concurrent learning disorders, we compared the emerging 4 groups: ADHD-only, ADHD + MD, ADHD + RD, and ADHD + MD + RD. RESULTS: Overall prevalence of comorbid ADHD + MD was 18.1%. Age, sex, ADHD subtypes, or comorbid CD did not affect the frequency of MD. Children with concurrent ADHD and either MD or RD attained lower IQ, language, and academic scores than those with ADHD alone. Children with ADHD + MD + RD were more seriously impaired and demonstrated distinct deficits in receptive and expressive language. CONCLUSION: MDs are relatively common in school-age children with ADHD and are frequently associated with RDs. Children with ADHD + MD + RD are more severely impaired. These deficits simply cannot be explained as consequences of ADHD and might have unique biological underpinnings, with implications for diagnostic classification and therapeutic interventions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».