Instruments to Gauge Emotional Regulation in Children with Disabilities: A Scoping Review
Notice bibliographique
Résumé
Background: Children with disabilities have less emotional regulation than children without disabilities, and 62.2% have mental health disorders, leading to high levels of comorbidity. Various instruments to measure emotion regulation in children have been developed, but instruments with adequate validity and reliability have not been reported. One way to gauge emotional regulation is to use a measurement instrument. This study aimed to explore instruments of assessment of emotion regulation in children with disabilities that have adequate validity and reliability.
 Methods: This scoping review was conducted to explore the instruments measuring the emotional regulation of children with disabilities. The search was conducted through the Google Scholar, PubMed, and Science Direct databases and included articles published between 2016-2021. The selection process was done according to the Preferred Reporting Elements for Systematic Review and Descriptive Analysis (PRISMA) guidelines. The search process used appropriate populations, concepts, and contexts. The critical appraisal used the Joanna Briggs Institute checklist.
 Results: Out of 22,835 articles, 14 articles were selected for this review. Some instruments can be applied to measure the emotional regulation of children with disabilities, such as ERC, DERS, FEEL-KJ, ERICA, EDI, BRIEF, ERQ, and CERQ. In general, if the instrument has a good internal consistency, then it can be used to measure the emotional regulation of children and teenagers with disabilities aged 4-19 years.
 Conclusion: All of the identified instruments can be used to measure the emotional regulation of children with disabilities.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».