Developing a Measure of Fatigue for Deaf and Hard of Hearing Students
Notice bibliographique
Résumé
Fatigue is a prevalent issue in school-aged children and has been shown negatively impact well-being and academic performance. This is especially the case for deaf and hard of hearing (D/HH) students, who must produce greater auditory and visual efforts than their hearing peers, leading to greater levels of cognitive and physical fatigue. At present, there exists no standardized measure of fatigue that can be used in schools to specifically evaluate fatigue in students, let alone those who are D/HH. Such a measure would be incredibly valuable as it would allow for accurate identification of fatigue, allowing for supports and interventions to be implemented. The present research aimed to identify strengths and weaknesses of existing measures of fatigue in order to inform the construction of a measure that would specifically address fatigue in D/HH students. It was found that fatigue has largely been determined to be best assessed using a unidimensional measure with responses based on a 5- or 7-point Likert scale. Additionally, it was found that the development of measures usually follows the same general process. Items included in measures are typically generated based on focus-group interviews, then preliminary items are administered to a test group. Statistical tests are conducted based on the data generated to reduce the number of items, as well as to ensure reliability and validity. The next steps of this research will be to conduct focus group interviews to aid in generating preliminary items. Presented in absentia on April 27, 2020 at Student Research Day at MacEwan University in Edmonton, Alberta. (Conference cancelled) Faculty Mentor: Natalia Rohatyn-Martin Department: Biological Sciences
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».