Generalization in Aphasia Treatment: A Tutorial for Speech-Language Pathologists
Notice bibliographique
Résumé
PURPOSE: Generalization has been defined and instantiated in a variety of ways over the last half-century, and this lack of consistency has created challenges for speech-language pathologists to plan for, implement, and measure generalization in aphasia treatment protocols. This tutorial provides an overview of generalization with a focus on how it relates to aphasia intervention, including a synthesis of existing principles of generalization and examples of how these can be embedded in approaches to aphasia treatment in clinical and research settings. METHOD: Three articles collectively listing 20 principles of generalization formed the foundation for this tutorial. The seminal work of Stokes and Baer (1977) focused attention on generalization in behavioral change following treatment. Two aphasia-specific resources identified principles of generalization in relation to aphasia treatment (Coppens & Patterson, 2018; Thompson, 1989). A selective literature review was conducted to identify evidence-based examples of each of these 20 principles from the extant literature. RESULTS: Five principles of generalization were synthesized from the original list of 20. Each principle was supported by studies drawn from the aphasia treatment literature to exemplify its application. CONCLUSIONS: Generalization is an essential aspect of meaningful aphasia intervention. Successful generalization requires the same dedication to strategic planning and outcome measurement as the direct training aspect of intervention. Although not all people with aphasia are likely to benefit equally from each of the principles reviewed herein, our synthesis provides information to consider for maximizing generalization of aphasia treatment outcomes. SUPPLEMENTAL MATERIAL: https://doi.org/10.23641/asha.24714399.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».