Impact of a Multi-factor Digital Intervention on Reading and Affect Skills of Students with Reading Difficulties
Notice bibliographique
Résumé
Learning to read is a basic human right.However, not all children learn to read successfully.Thus, early diagnosis and targeted interventions are crucial for the 5 to 10% of children who have reading difficulties despite receiving adequate instruction.The focus of this thesis was to test whether participation in a 13-week computerized game-based reading intervention, Neuralign©, resulted in improvements in reading skills and affect for children in Grades 2 to 8 with reading difficulties or other challenges.Children were randomly assigned to be in the Neuralign© or waitlist group.Analyses of reading outcomes and reading affect after the intervention were conducted using multiple regression, controlling for pretest performance and cognitive skills.Results showed no evidence that Neuralign© influenced children's post-test scores on reading or affect skills.The current study adds to the literature about computer-based reading interventions by testing Neuralign© and provided useful direction for development of the intervention.principal investigator, Dr. Heather Douglas, for their consistent support throughout the completion of this project.Their patience, insight, attention to detail, and support enabled me to step out of my comfort zone and accomplish more than what I expected.I feel truly grateful and honoured for having the opportunity of being a mentee under Dr. LeFevre and Dr. Douglas.I am positive that the skills they have taught me will benefit me in my career in the future.Thank you.Second, I would like to extend my heartfelt gratitude
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».