The efficacy of treatments for sentence production deficits in aphasia: a systematic review
Notice bibliographique
Résumé
Background: Many individuals with aphasia (IWA) experience sentence production deficits (SPD), which can affect their daily interactions. Even if distinct treatments have been developed to improve these deficits, their efficacy is not always thoroughly measured, which makes it difficult to determine the optimal treatment for a given IWA. Objective: The primary objective of this study is to analyse the efficacy of the treatments that have been proposed for SPD in terms of gains on trained items, generalization to untreated items, maintenance of the acquired gains, and transfer to other contexts. Methods: A systematic review was conducted across the following databases: PubMed, CINHAL, and LLBA. Results: Twenty-five studies met criteria for this review, regrouping 11 different SPD treatments and 84 IWA. Different types of treatment were found. They mainly target verbs, sentence structures, or morphology. Concerning efficacy, gains on trained items and generalization to untreated items were demonstrated for almost every treatment, whereas the other efficacy measures were not always reported or improved. IWA characteristics and intensity treatment variables were also analysed for each treatment. Conclusions: No matter whether they focus on verbs, sentence structures, or morphology, most of the analysed treatments seem to be effective for improving SPD in IWA. Through various treatments, efficacy seems to be dependent on IWA’s characteristics such as time post-stroke and aphasia severity.
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 | 0,004 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».