Using Video Modeling to Teach Facial Expression Recognition in Individuals Diagnosed with Autism Spectrum Disorder in a Variety of Contexts
Notice bibliographique
Résumé
Autism Spectrum Disorder (ASD) is a developmental disability that appears within the first three years of life. ASD involves impairments in social communication and interaction which includes limitations in verbal and non verbal communication such as understanding and using body language, gestures, and facial expressions (American Psychiatric Association, 2013). Facial expressions are vital in communicating social and emotional cues and understanding facial expressions is important to understanding simple social situations and acting appropriately (Akmanpglu, 2015). In this study, we will attempt to increase individuals with ASD’s ability to recognize 3 basic human emotions, happy, sad, and mad, and their corresponding facial expression in different social contexts. This will be done using a teaching method known as video modeling. This study will be a multiple baseline across targets design with 5 participants. It will take place over 9 weeks with 30 minute sessions each week. We hypothesize that the participants will be able to determine how a person is feeling just by reading their facial expressions instead of the contextual cues of situations more often than before the video modelling sessions took place. Learning to label these emotions in others could possibly lead to having more appropriate responses and interactions with others displaying these emotions in the future. Faculty Mentors: Russ Powell and Miranda Macauley Department: Psychology (Honours)
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».