Confidence and Training of Speech-Language Pathologists in Cognitive-Communication Disorders: Time to Rethink Graduate Education Models?
Notice bibliographique
Résumé
Purpose The purpose of this article is to highlight the need for increased focus on cognitive communication in North American speech-language pathology graduate education models. Method We describe key findings from a recent survey of acute care speech-language pathologists (SLPs) in the United States and expand upon the ensuing discussion at the 2020 International Cognitive-Communication Disorders Conference to consider some of the specific challenges of training for cognitive communication and make suggestions for rethinking how to prepare future clinicians to manage cognitive-communication disorders. Results Results from the survey of acute care SLPs indicated inconsistent confidence and training in managing cognitive-communication disorders. We discuss the pros and cons of several avenues for improving the consistency of cognitive-communication training, including a standalone cognitive-communication course, integrating cognitive communication in all courses across the speech-language pathology undergraduate and graduate curriculum, and using problem-based learning frameworks to better prepare students as independent thinkers in the area of cognitive communication and beyond. Conclusions Cognitive-communication disorders cut across clinical diagnoses and settings and are one of the largest and fastest growing parts of the SLP's scope of practice. Yet, surveys, including the one discussed here, have repeatedly indicated that SLPs do not feel prepared or confident to work with individuals with cognitive-communication disorders. We propose several avenues for increasing educational emphasis on cognitive communication. We hope these ideas will generate discussion and guide decision making to empower SLPs to think critically and step confidently into their roles as leaders in managing the heterogeneous and ever-growing populations of individuals with cognitive-communication disorders.
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 | 0,049 | 0,142 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,005 | 0,012 |
| Intégrité de la recherche | 0,004 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».