Language and reading in attention‐deficit/hyperactivity disorder and comorbid attention‐deficit/hyperactivity disorder + developmental language disorder
Notice bibliographique
Résumé
Abstract Background The current study sought to examine whether psycholinguistic assessments could discriminate children and adolescents with developmental language disorder (DLD) from those with attention‐deficit/hyperactivity disorder (ADHD; combined or inattentive subtype) and comorbid DLD + ADHD. Methods The Clinical Evaluation of Language Fundamentals—Screening Test (CELFST; Wiig et al., 2013), the Comprehensive Test of Phonological Processing ( nonword repetition subtest; Wagner et al., 2013), and the Test of Word Reading Efficiency ( sight word and phonemic decoding subtests; Torgesen et al., 2012) were examined in 441 children and adolescents between 6 and 16 years of age. Results The presence of a language disorder (with or without ADHD) predicted poor performance across tasks. Children and adolescents with ADHD (combined vs. inattentive) only significantly differed in sight word reading, in favor of those with combined type. Measures of reading efficiency could distinguish between the two types of ADHD, but not between other groups. Interestingly, scores on the standard language screener were no worse for children with ADHD + DLD than children with DLD only. Conclusions The combination of comorbid ADHD + DLD did not appear to be associated with lower language abilities, sight word reading, or phonemic decoding relative to DLD alone. Reading efficiency was effective in discriminating between ADHD subtypes. These findings offer valuable insights into differential diagnosis and the identification of comorbidity.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».