Cross-ministry data on service use and limitations faced by children in special education
Notice bibliographique
Résumé
BACKGROUND: Children with disabilities often face limitations that cross support sectors. OBJECTIVE: Our aim was to measure cross-ministry service use, outcomes, and functional limitations faced by children who qualified for special education. METHODS: We used longitudinal British Columbia ministry data linked to children (0-18y) registered in K-12 education. Children were grouped by special education funding (most to least; Level 1, Level 2, Level 3, Unfunded, and no special education), and related to 1) service use patterns, 2) the age they first used disability services, and 3) functional limitations reported in health visits. We also reported how length of special education use related to disability service use. RESULTS: Of 111,274 children, 154(0.1%) were Level 1, 4427(4.0%) Level 2, 2897(2.6%) Level 3, 13472(12.1%) Unfunded, and 90324(81.2%) not in special education. Children with higher funding levels, compared to lower levels of funding, generally were more likely to experience poorer outcomes, have functional limitations, have service needs, and receive early support. One exception was children with serious behavioral/mental health special education coding, which had poorer outcomes for their level of funding. Children received child disability supports early (about half of users started by 4y), but use was mostly limited to those with many years (9+years) of funded special education (70.7% of the all users) and biased to certain special education codes (i.e., Level 1, severe intellectual disability, and autism). CONCLUSIONS: This study provides evidence of the long-term, diverse needs of children in special education and may be used to inform decisions surrounding their support.
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 | 0,001 | 0,001 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».