Comparison of Literal, Inferential, and Intentional Text Comprehension in Children with Mild or Severe Closed-Head Injury
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Children with head injury have impairments in pragmatic language at the level of both single words and texts. Text comprehension deficits are likely to be the more consequential for everyday and academic function, yet the relative magnitudes of literal and nonliteral text comprehension deficits have not been measured. DESIGN: We compared the magnitude of the impairment in three forms of text comprehension for children with mild or severe head injury relative with controls: literal language (understanding literal text information), inferential language (making pragmatic inferences, textual coherence inferences, or enriching inferences), and the language of mental states and intentions (eg, producing speech acts, appreciating irony, and understanding deception). MEASURES: Effect sizes were used to measure the magnitude of the difference between children with head injury and age-matched controls. RESULTS: Children with severe closed-head injury were significantly impaired on tasks of literal text understanding, inferencing, and intentionality. Children with mild head injury were impaired on some inferencing and all intentionality tasks, although they had no literal text comprehension deficits. CONCLUSIONS: For both groups, the greatest deficits (ie, the largest effect sizes) were on tasks requiring understanding of the language of mental states and intentions. The data bear on the long-term effects of childhood closed-head injury on text- and discourse-level language and also on the nature and timing of language rehabilitation in children with head injury.
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.
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 | 0,000 |
| 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 | 0,001 |
| 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 découle