What Apps Do Postsecondary Students with Attention Deficit Hyperactivity Disorder Actually Find Helpful for Doing Schoolwork? An Empirical Study
Notice bibliographique
Résumé
Attention Deficit Hyperactivity Disorder (ADHD) experts and individuals with ADHD have made many recommendations concerning mobile apps that could potentially help college students succeed. But do students know about these recommended apps? Do they find them useful? How do students use mobile apps for completing schoolwork? To answer these questions we carried out two empirical studies. In study 1, 35 Canadian postsecondary students who self-reported ADHD and 74 students without disabilities completed an online LimeSurvey questionnaire and indicated which of 20 expert recommended schoolwork-related apps they had tried and which they liked. In Study 2, nine students with ADHD specified how they used their technologies to complete schoolwork. Results indicate that students with and without ADHD were familiar with only 13 of the 20 apps recommended by experts, and that they liked only 11. For completing academic work, the most popular apps were built-in smartphone camera and recording apps. Students also found Microsoft, Google, Pomodoro and Kahoot apps helpful. Discord was the most popular app for collaboration with classmates. Results show that students with and without ADHD found the same apps and technologies helpful. To the best of our knowledge this is the first study to actually query students with ADHD about their app use and preferences. We conclude that disability service providers, academic administrators and access technologists need to stay up-to-date about general use mobile apps to enable them to make appropriate recommendations to help students with ADHD succeed in college.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».