Exploration of a new tool for assessing emotional inferencing after traumatic brain injury
Notice bibliographique
Résumé
OBJECTIVE: To explore validity of an assessment tool under development-the Emotional Inferencing from Stories Test (EIST). This measure is being designed to assess the ability of people with traumatic brain injury (TBI) to make inferences about the emotional state of others solely from contextual cues. METHODS AND PROCEDURES: Study 1: 25 stories were presented to 40 healthy young adults. From this data, two versions of the EIST (EIST-1; EIST-2) were created. Study 2: Each version was administered to a group of participants with moderate-to-severe TBI-EIST 1 group: 77 participants; EIST-2 group: 126 participants. Participants also completed a facial affect recognition (DANVA2-AF) test. Participants with facial affect recognition impairment returned 2 weeks later and were re-administered both tests. MAIN OUTCOMES: Participants with TBI scored significantly lower than the healthy group mean for EIST-1, F(1,114) = 68.49, p < 0.001, and EIST-2, F(1,163) = 177.39, p < 0.001. EIST scores in the EIST-2 group were significantly lower than the EIST-1 group, t = 4.47, p < 0.001. DANVA2-AF scores significantly correlated with EIST scores, EIST-1: r = 0.50, p < 0.001; EIST-2: r = 0.31, p < 0.001. Test-re-test reliability scores for the EIST were adequate. CONCLUSIONS: Both versions of the EIST were found to be sensitive to deficits in emotional inferencing. After further development, the EIST may provide clinicians valuable information for intervention planning.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».