Can computerized working memory training improve impaired working memory, cognition and psychological health?
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
OBJECTIVE: To study if computerized working memory (WM) training, in the sub-acute phase after acquired brain injury, in patients with impaired WM, improves WM, cognition and psychological health. RESEARCH DESIGN: A randomized study (n = 47) with an intervention group (IG) and a control group (CG), mean age 47.7 years. The WAIS-III NI, Digit span, Arithmetic, Letter-Number Sequences (Working Memory sub-scale), Spatial span, the Barrow Neurological Institute Screen for Higher Cerebral Functions (BNIS) and the self-rating scales DEX and HADS were administered at baseline and at follow-ups at 6 and 18 weeks. Both groups underwent integrated rehabilitation. The IG also trained with the computerized WM training program, Cogmed QM, which was offered to the CG and followed up after the study completion. RESULTS: Both groups improved after their WM training in Working Memory, BNIS and in Digit span, particularly the reversed section. Both the BNIS and the Digit span differed significantly between the IG and CG due to the greater improvement in the IG after their WM training. Psychological health improved as both groups reported less depressive symptoms and the CG also less anxiety, after the training. CONCLUSION: Results indicated that computerized WM training can improve working memory, cognition and psychological health.
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 | 0,000 | 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) | 0,001 | 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