Evaluation of methods for teaching electronic visual scanning to children with cerebral palsy: two series of case studies
Notice bibliographique
Résumé
Purpose: To evaluate the effectiveness of two instructional techniques in teaching electronic row–column scanning to children with cerebral palsy. Method: Two case series involving four participants each. Eight children, four boys and four girls (ages 3–13 years), were assigned to one of two intervention groups and completed three baseline and five intervention sessions. One intervention (n = 4) consisted of computer-based activities alone, while the other intervention (n = 4) consisted of a sequential approach starting with paper-based activities and then shifting to computer-based activities. Results: Participants within both groups demonstrated varying degrees of skill mastery (80% accuracy or better) of linear and, for some, electronic row–column scanning within the training phases of the intervention sessions. However, there was no clinically important change in test scores between baseline and outcome measures for either group. Conclusions: Significant challenges exist when studying the effectiveness of instructional techniques for teaching electronic row–column scanning to children with cerebral palsy. These case series provide information regarding the importance of selecting the most appropriate scanning technique to ensure reliable switch activation, carefully structuring the teaching environment to optimize learning, and being cognizant of the impact of fatigue and motivation on performance.Implications for RehabilitationResearch and PracticeExamining the effectiveness of techniques to teach electronic row–column scanning to children with cerebral palsy (CP) is challengingUsing a case-series approach to evaluate instructional techniques for electronic row–column scanning is clinically feasible as a first step, given the limited number of children with CP in any settingOur case-series demonstrated the importance of selecting the most appropriate scanning technique to ensure reliable switch activation, carefully structuring the teaching environment to optimize learning, and being aware of the impact of fatigue and motivation on performance.
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 | 0,007 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».