Can computerized working memory training improve impaired working memory, cognition and psychological health?
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.
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) | 0,001 | 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».