Top-Down Computerized Cognitive Remediation in Schizophrenia: A Case Study of an Individual with Impairment in Verbal Fluency
Notice bibliographique
Résumé
The objective of this case study was to assess the specific effect of cognitive remediation for schizophrenia on the pattern of cognitive impairments. Case A is a 33-year-old man with a schizophrenia diagnosis and impairments in visual memory, inhibition, problem solving, and verbal fluency. He was provided with a therapist delivered cognitive remediation program involving practice and strategy which was designed to train attention, memory, executive functioning, visual-perceptual processing, and metacognitive skills. Neuropsychological and clinical assessments were administered at baseline and after three months of treatment. At posttest assessment, Case A had improved significantly on targeted (visual memory and problem solving) and nontargeted (verbal fluency) cognitive processes. The results of the current case study suggest that (1) it is possible to improve specific cognitive processes with targeted exercises, as seen by the improvement in visual memory due to training exercises targeting this cognitive domain; (2) cognitive remediation can produce improvements in cognitive processes not targeted during remediation since verbal fluency was improved while there was no training exercise on this specific cognitive process; and (3) including learning strategies in cognitive remediation increases the value of the approach and enhances participant improvement, possibly because strategies using verbalization can lead to improvement in verbal fluency even if it was not practiced.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».