A Teacher’s Checklist for Evaluating Treatment Intrusiveness
Notice bibliographique
Résumé
Teachers are frequently involved in developing and evaluating treatments for problematic behaviors. Along with other members of the interdisciplinary team, they must determine the level of intrusiveness that a treatment may have on a student. Several factors that influence the intrusiveness of treatment procedures are described. These factors were used to develop a checklist that could be used systematically by teachers to evaluate the intrusiveness of treatments recommended by treatment teams. After the checklist was administered to a group of preservice teachers, it was found to be capable of discriminating among several treatment options described in a series of case vignettes. The implications of incorporating such a checklist into the design and implementation of treatments for problem behavior are discussed.Les enseignants sont souvent impliqués dans le développement et l’évaluation de traitements des problèmes de comportement. De concert avec d’autres membres d’une équipe interdisciplinaire, ils doivent déterminer dans quelle mesure un traitement est intrusif pour l’élève. L’article décrit plusieurs facteurs qui influencent le degré de discrétion des procédures. À partir de ces facteurs, on a dressé une liste de vérification dont pourraient se servir les enseignants de façon systématique pour évaluer à quel point les procédures recommandées par les équipes de traitement sont intrusives. La liste a été présentée à un groupe de stagiaires et s’est avérée capable de distinguer plusieurs options de traitement décrites dans une série de vignettes d’étude de cas. S’ensuit une discussion portant sur les conséquences d’incorporer une telle liste de vérification dans la conception et la mise en œuvre de traitements pour les problèmes de comportement.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,040 | 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 tête enseignante, 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 ».