Network analysis of narrative discourse and attention-deficit hyperactivity symptoms in adults
Notice bibliographique
Résumé
Previous research investigating language in attention-deficit hyperactivity disorder (ADHD) has demonstrated several deficits in many aspects. However, no previous study employed quantitative methodology providing objective measures that could be compared among different studies with diverse samples. To fill this gap, we used network analysis to investigate how ADHD symptomatology impacts narrative discourse, a complex linguistic task considered to be an ecological measure of language. Fifty-eight adults (34 females and 24 males) with a mean age of 26 years old and a mean of 17 years of educational level were administered the Adult Self-Rating Scale for ADHD symptomatology. They also completed the State-Trait Anxiety Inventory, the Beck Depression Inventory and the Urgency, Premeditation, Perseverance, Sensation Seeking Behavior Scale. Intelligence quotient was calculated. Individuals were asked to tell a story based on a wordless picture book. Speech was recorded and transcribed as an input to SpeechGraphs software. Parameters were total number of words (TNW), number of loops of one node (L1), repeated edges (RE), largest strongly connected component (LSC) and average shortest path (ASP). Verbosity was controlled. Statistical analysis was corrected for multiples comparisons and partial correlations were performed for confounding variables. After controlling for anxiety, depression, IQ, and impulsiveness ADHD symptomatology was positively correlated with L1 and negatively correlated with LSC. TNW was positively correlated with ADHD symptoms. In a subdomain analysis, both inattention and hyperactivity-impulsivity were negatively correlated with LSC. Only hyperactivity-impulsivity positively correlated with TNW and L1. Results indicated a correlation between ADHD symptoms and lower connectedness in narrative discourse (as indicated by higher L1 and lower LSC), as well as higher total number of words (TNW). Our results suggest that the higher the number of ADHD symptoms, the less connectivity among words, and a higher number of words in narrative discourse.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».