Assistive technology outcomes in post-secondary students with disabilities: the influence of diagnosis, gender, and class-level
Notice bibliographique
Résumé
This study investigated how outcomes of assistive technology (AT) services for college students with disabilities are influenced by diagnosis, gender and class-level (e.g., Freshman). Students' pre- and post-intervention ratings of their performance and satisfaction of common academic tasks (using the Canadian Occupational Performance Measure, COPM) were analyzed, as well as students' responses on a survey about AT service provision, use, and preferences. Data from 455 students revealed "learning disability" to be the most prevalent diagnosis (38%), similar numbers of females and males served, and Freshmen (23.1%) as the largest class-level seeking AT services. For COPM data, each two-way analysis of variance (ANOVA) (grouping variable = diagnosis) revealed that pre-post change scores significantly improved for the entire sample, and that students with a mood disorder experienced the greatest changes compared to other diagnoses. COPM scores significantly and similarly improved for females and males, and across class levels. AT Survey ratings about timeliness of services and independent AT use were significantly lower for students with mobility deficits/pain and neurological damage, respectively. Gender and class-level variables did not significantly impact AT Survey ratings. The study results reveal that features of a college student's diagnosis may influence AT service outcomes, and student-perceptions of AT services ability to use AT. Implications for Rehabilitation College students who are Freshman and/or who have a learning disability are the most prevalent students referred for campus-based assistive technology services. While student ratings of academic task performance significantly increase across diagnostic groupings, these improvements were greatest for those with a mood disorder compared to other diagnostic groups. Service-providers should consider that features of certain diagnoses or disabilities may influence the student?s perception of AT service provision and their ability to use AT. A student's gender and class-level (e.g., Freshman) do not appear to influence the outcomes of AT services for college students with disabilities.
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 | 0,002 | 0,016 |
| 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 | 0,002 | 0,022 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».