Telepractice troubleshooting guide (McGill & Fiddler, 2021)
Notice bibliographique
Résumé
<b>Purpose: </b>Telepractice has been used as an alternative service delivery model in speech-language pathology across various settings and the scope of practice. Despite its utility and increasing demands resulting from the COVID-19 global pandemic, some clinicians and clients continue to report apprehension to adopting telepractice service delivery model due to discomfort with technology. Among currently available telepractice platforms, “ZOOM” is one of the popular platforms among speech-language pathologists (SLPs) in the United States because of its usability and subscription cost. However, many challenges have been experienced by clinicians and clients when ZOOM is used. The purpose of this article was twofold. The first goal of this article was to address barriers and challenges to implement successful telepractice SLP services. The second goal of this article was to develop four step-by-step troubleshooting manuals (one for client and one for clinician in both English and Spanish) to enhance its utility for users.<b>Conclusion:</b> Preliminary qualitative data showed that the manuals developed by the authors were useful and functional for graduate SLP students.<br><b>Supplemental Material S1. </b>Clinician English ZOOM manual. <br><b>Supplemental Material S2. </b>Client English ZOOM manual. <br><b>Supplemental Material S3. </b>Spanish manual for clinicians. <br><b>Supplemental Material S4. </b>Spanish manual for clients. <br>McGill, M., & Fiddler, K. (2021). A user's guide for understanding and addressing telepractice technology challenges via ZOOM. <i>Perspectives of the ASHA Special Interest Groups.</i> Advance online publication. https://doi.org/10.1044/2021_PERSP-20-00100
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 | 0,000 | 0,004 |
| 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 | 0,001 | 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) | 0,380 | 0,007 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».