Efficacy of a self‐administered treatment using a smart tablet to improve functional vocabulary in post‐stroke aphasia: a case‐series study
Notice bibliographique
Résumé
BACKGROUND: Aphasia is an acquired language disorder that occurs secondary to brain injury, such as stroke. It causes communication difficulties that have a significant impact on quality of life and social relationships. Although the efficacy of speech-language therapy has been clearly demonstrated in this population, long-term services are currently limited due to logistical and financial constraints. In this context, the potential contribution of technology, such as smart tablets, is worth exploring, especially to improve vocabulary that is relevant in daily life. AIMS: The main aim was to investigate the efficacy of a self-administered treatment using a smart tablet to improve naming of functional words in post-stroke anomia. METHODS & PROCEDURES: Four adults with post-stroke aphasia took part in the study. An ABA design with multiple baselines was used to compare naming performances for four equivalent lists: (1) trained with functional words chosen with the participant; (2) trained with words randomly chosen from a picture database; (3) exposed but not trained; and (4) not exposed (control). OUTCOMES & RESULTS: For all participants, the treatment self-administered at home (four times/week for 4 weeks) resulted in a significant improvement for both sets of trained words that was maintained 2 months after the end of treatment. Moreover, in two participants, evidence of generalization to conversation was found. CONCLUSIONS & IMPLICATIONS: This study confirms the efficacy of using smart tablets to improve naming in post-stroke aphasia. Although more studies are needed, the use of new technologies is unquestionably a promising approach to improve communication skills in people with aphasia, especially by targeting vocabulary that is relevant to them in their daily lives.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».