MétaCan
Menu
Retour à la cohorte
Enregistrement W4376543525 · doi:10.1353/aad.2023.0004

Investigating the Writing Achievement of Deaf Learners

2023· article· en· W4376543525 sur OpenAlexaboutno aff
Connie Mayer, Beverly J. Trezek

Notice bibliographique

RevueAmerican annals of the deaf · 2023
Typearticle
Langueen
DomainePsychology
ThématiqueHearing Impairment and Communication
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPsychologyHearing lossContext (archaeology)PerceptionCohortTest (biology)PopulationAudiologyStandardized testAcademic achievementDevelopmental psychologyMathematics educationMedicine

Résumé

récupéré en direct d'OpenAlex

This study investigated writing achievement in a Canadian cohort of school-aged deaf learners (N = 64). In the current context, in which most students are educated in inclusive settings and use hearing technologies, the goal was to establish whether outcomes approach those of hearing-age peers and identify demographic factors (e.g., gender, grade, additional disability, home language, hearing loss, hearing technology, auditory perception) influencing performance. Results indicated that a high percentage of participants performed in the average range or higher on a standardized, norm-referenced assessment, the Test of Written Language-Fourth Edition (TOWL-4, Hammill & Larsen, 2009). Grade, type of hearing loss, higher auditory perception scores, and absence of an additional disability were identified as variables of significance. As auditory access continues to improve, additional investigations of writing achievement in this population will be essential to further inform educational policy and pedagogical practice.

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)0,000
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 enseignants0,388
Score d'incertitude au seuil0,193

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,128
Tête enseignante GPT0,402
Écart entre enseignants0,274 · 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

Citations3
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAmerican annals of the deafMême sujetHearing Impairment and CommunicationTravaux en français237 207