MétaCan
Menu
Retour à la cohorte
Enregistrement W4367052956 · doi:10.1177/10870547231168430

School-Based Neurofeedback Training for Sustained Attention

2023· article· en· W4367052956 sur OpenAlexaff
Jason Krell, Patrick K. Dolecki, Anderson Todd

Notice bibliographique

RevueJournal of Attention Disorders · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueAttention Deficit Hyperactivity Disorder
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésNeurofeedbackPsychologyPopulationAttention deficit hyperactivity disorderClinical psychologyDevelopmental psychologyCognitive psychologyElectroencephalographyPsychiatryMedicine

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: To determine whether in situ neurofeedback training can be used as a tool to build sustained attention in the general student population and whether gains in attention translate to more effective work habits and learning skills. METHOD: Students participated in attention training game-based neurofeedback in situ for a period of 35 sessions of 25 min each. The study was built as a one-group pretest-posttest quasi-experimental design. RESULTS: This study supports that classroom-based neurofeedback may be an effective tool to build sustained attention and translate these gains into observable work habits and learning behaviors including planning and organization. CONCLUSION: Neurofeedback has shown specificity in the treatment of Attention Deficit Hyperactivity Disorder. Published research has not, however, focused on its efficacy in developing attentional capacities in the general population. The promising results of this exploratory investigation warrant further applied research.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,231
Score d'incertitude au seuil0,841

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,058
Tête enseignante GPT0,350
Écart entre enseignants0,292 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Attention DisordersMême sujetAttention Deficit Hyperactivity DisorderTravaux en français237 207