Effectiveness of iPad apps on visual-motor skills among children with special needs between 4y0m–7y11m
Notice bibliographique
Résumé
AIMS: The aim of this randomized controlled trial was to assess the effectiveness of interventions using iPad applications compared to traditional occupational therapy on visual-motor integration (VMI) in school-aged children with poor VMI skills. METHODS: Twenty children aged 4y0m to 7y11m with poor VMI skills were randomly assigned to the experimental group (interventions using iPad apps targeting VMI skills) or control group (traditional occupational therapy intervention sessions targeting VMI skills). The intervention phase consisted of two 40-min sessions per week, over a period of 10 weeks. Participants were required to attend a minimum of 8 and a maximum of 12 sessions. The subjects were tested using the Beery-VMI and the visual-motor subscale of the M-FUN, at baseline and follow-up. RESULTS: Results from a 2-way mixed design ANOVA yielded significant results for the main effect of time for the M-FUN total raw score, as well as in the subscales Amazing Mazes, Hidden Forks, Go Fishing and VM Behavior. However, gains did not differ between intervention types over time. No significant results were found for the Beery-VMI. CONCLUSIONS: This study supports the need for further research into the use of iPads for the development of VMI skills in the pediatric population. Implications for Rehabilitation This is the first study to look at the use of iPads with school-aged children with poor visual-motor skills. There is limited literature related to the use of iPads in pediatric occupational therapy, while they are increasingly being used in practice. When compared to the traditional occupational therapy interventions, participants in the iPad intervention appeared to be more interested, engaged and motivated to participate in the therapy sessions. Using iPad apps as an adjunct to therapy in intervention could be effective in improving VMI skills over time.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».