Training Emotional Processing in Persons With Brain Injury
Notice bibliographique
Résumé
AIMS: To determine the effectiveness of 2 interventions for different aspects of emotion-processing deficits in adults with acquired brain injury (ABI). PARTICIPANTS: Nineteen participants with ABI (minimum 1 year postinjury) from Western New York and Southern Ontario, Canada. INTERVENTIONS: (1) Emotion processing from faces ("facial affect recognition" or FAR) and (2) emotion processing from written context by using "stories of emotional inference" (SEI). Ten randomly assigned participants received the FAR intervention, and 9 received the SEI protocol. Both interventions were administered 1 hour per day, 3 times per week, and completed in 6 to 9 sessions, and both incorporated participants' personal emotional experiences into training. OUTCOME MEASURES: (1) Facial affect, (2) vocal affect, (3) affect from videos, (4) emotional inference from context, and (5) emotional behavior. There were 2 pretests, a posttest, and a 2-week follow-up. RESULTS: FAR participants showed significantly improved emotion recognition from faces, ability to infer emotions from context, and socioemotional behavior, while the SEI group members exhibited significantly improved ability to infer how they would feel in a given context. CONCLUSION: Training can improve emotion perception in persons with ABI. Although further research is needed, the interventions are clinically practical and show promise for the population with ABI.
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 | 0,001 |
| 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) | 0,002 | 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 ».