Motor cognitive processing speed estimation among the primary schoolchildren by deriving prediction formula: A cross-sectional study
Notice bibliographique
Résumé
ABSTRACT Objectives: Motor cognitive processing speed (MCPS) is often reported in terms of reaction time. In spite of being a significant indicator of function, behavior, and performance, MCPS is rarely used in clinics and schools to identify kids with slowed motor cognitive processing. The reason behind this is the lack of availability of convenient formula to estimate MCPS. Thereby, the aim of this study is to estimate the MCPS in the primary schoolchildren. Materials and Methods: Two hundred and four primary schoolchildren, aged 6–12 years, were recruited by the cluster sampling method for this cross-sectional study. MCPS was estimated by the ruler drop method (RDM). By this method, a metallic stainless steel ruler was suspended vertically such that 5 cm graduation of the lower was aligned between the web space of the child's hand, and the child was asked to catch the moving ruler as quickly as possible, once released from the examiner's hand. Distance the ruler traveled was recorded and converted into time, which is the MCPS. Multiple regression analysis of variables was performed to determine the influence of independent variables on MCPS. Results: Mean MCPS of the entire sample of 204 primary schoolchildren is 230.01 ms ± 26.5 standard deviation (95% confidence interval; 226.4–233.7 ms) that ranged from 162.9 to 321.6 ms. By stepwise regression analysis, we derived the regression equation, MCPS (ms) = 279.625–5.495 × age, with 41.3% (R = 0.413) predictability and 17.1% (R 2 = 0.171 and adjusted R 2 = 0.166) variability. Conclusion: MCPS prediction formula through RDM in the primary schoolchildren has been established.
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 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 | 0,002 |
| 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 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».