MétaCan
Menu
Retour à la cohorte
Enregistrement W2887226899 · doi:10.20533/licej.2040.2589.2016.0323

Enhancing Classroom Teaching for Students with Speech and Language Exceptionalities: A Social-Emotional Program

2016· article· en· W2887226899 sur OpenAlexaff
Emmanuela Tedone, Krista R. Muis, Ingrid E. Sladeczek

Notice bibliographique

RevueLiteracy Information and Computer Education Journal · 2016
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueEFL/ESL Teaching and Learning
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésComputer scienceSocial emotional learningPsychologyMathematics educationDevelopmental psychology

Résumé

récupéré en direct d'OpenAlex

Studies have shown that children with speech and language exceptionalities often have or are at risk of developing poor social and emotional skills [1], [14], [2], [3].Past research has examined the impact of social communication programs on children with disabilities [4], [5], [6], [7] or focused on cognitive and behavioral skills rather than emotional learning [8].The current study addressed this gap in the literature by evaluating the effectiveness of a school program in teaching social and emotional learning to children from the ages of four to seven with communication diagnoses.The program was taught over three months and was adapted from Cartledge and Kleefeld's [9] social skills program.Five teachers completed the Taxonomy of Problematic Social Situations for Children [10] or the Preschool Taxonomy of Problem Situations [11], and the Emotion Regulation Checklist [12].Social and emotional competencies were assessed at two time points.The findings showed that the program was effective at improving Emotion Regulation subscale scores in first grade students.Successful programs contribute to improved performance in social and academic contexts for children with speech and language exceptionalities [2], [3].

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,315
Écart entre enseignants0,304 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLiteracy Information and Computer Education JournalMême sujetEFL/ESL Teaching and LearningTravaux en français237 207