Do People With Severe Traumatic Brain Injury Benefit From Making Errors? A Randomized Controlled Trial of Error-Based and Errorless Learning
Notice bibliographique
Résumé
BACKGROUND: Errorless learning (ELL) and error-based learning (EBL) are commonly used approaches to rehabilitation for people with traumatic brain injury (TBI). However, it is unknown whether making errors is beneficial in the learning process to promote skills generalization after severe TBI. OBJECTIVE: To compare the efficacy of ELL and EBL for improving skills generalization, self-awareness, behavioral competency, and psychosocial functioning after severe TBI. METHOD: A total of 54 adults (79% male; mean age = 38.0 years, SD = 13.4) with severe TBI were randomly allocated to ELL or EBL and received 8 × 1.5-hour therapy sessions that involved meal preparation and other goal-directed activities. The primary outcome was total errors on the Cooking Task (near-transfer). Secondary outcome measures included the Zoo Map Test (far-transfer), Awareness Questionnaire, Patient Competency Rating Scale, Sydney Psychosocial Reintegration Scale, and Care and Needs Scale. RESULTS: Controlling for baseline performance and years of education, participants in the EBL group made significantly fewer errors at postintervention (mean = 36.25; 95% CI = 32.5-40.0) than ELL participants (mean = 42.57; 95% CI = 38.8-46.3). EBL participants also demonstrated greater self-awareness and behavioral competency at postintervention than ELL participants ( P < .05). There were no significant differences on other secondary outcomes ( P > .05), or at the 6-month follow-up assessment. CONCLUSION: EBL was found to be more effective than ELL for enhancing skills generalization on a task related to training and improving self-awareness and behavioral competency.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».