Are facet-specific task trainings efficient in improving children’s executive functions and why (they might not be)? A multi-facet latent change score approach
Notice bibliographique
Résumé
It currently remains unclear how facet-specific trainings of three core modules of executive function (EF; updating, switching, and inhibition) directly compare regarding efficacy, whether improvements on trained tasks transfer to nontrained EF tasks, and which factors predict children's improvements. The current study systematically investigated three separate EF trainings in 6- to 11-year-old children (N = 229) using EF-specific trainings that were similar in structure, design, and intensity. Children participated in pre- and posttest assessments of the three EFs and were randomly allocated to one of three EF trainings or to an active or passive control group. Multivariate latent change score models revealed that only the updating group showed training-specific improvements in task performance that were larger compared with active controls as well as passive controls. In contrast, there were no training-specific benefits of training switching or inhibition. Latent changes in the three EF tasks were largely independent, and there was no evidence of transfer effects to nontrained EF tasks. Lower baseline performance and older age predicted larger changes in EF performance. These seemingly opposing effects support compensation accounts as well as developmental theories of EF, and they highlight the importance of simultaneously accounting for multiple predictors within one model. In line with recent theoretical proposals of EF development, we provide new systematic evidence that questions whether modular task trainings represent an efficient approach to improve performance in narrow or in broader indicators of EF. Thereby, this evidence ultimately highlights the need for more comprehensive assessments of EF and, subsequently, the development of new training approaches.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».