MétaCan
Menu
Retour à la cohorte
Enregistrement W4401551124 · doi:10.1080/10573569.2024.2389795

Online Intervention to Prevent Summer Learning Loss For Struggling First Grade Writers

2024· article· en· W4401551124 sur OpenAlexafffund
Perry D. Klein, Madelyn Casola, Jill Dombroski, Kristen Wing-Yan Shaw, Serena C. Thompson

Notice bibliographique

RevueReading & Writing Quarterly · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueWriting and Handwriting Education
Établissements canadiensWestern University
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésSpellingHandwritingFluencyPsychologyIntervention (counseling)LegibilityMultiple baseline designTranscription (linguistics)SpellLearning disabilityMathematics educationDevelopmental psychologyLinguisticsComputer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

During summer vacation, lower-achieving students experience learning loss in writing. This study investigated online summer tutoring for first grade writers. The four participants were six months to two years below grade level on at least two of written expression, spelling, and handwriting fluency. A multiple probe design with five phases was used: (1) Baseline; (2) transcription intervention; (3) mid-assessment; (4) Self-Regulated Strategy Development intervention (SRSD); and (5) post-assessment. The transcription phase increased handwriting fluency, spelling in text, and spelling of frequently misspelled words, but not handwriting legibility. The SRSD intervention produced large gains in word count, holistic text quality, and Test of Early Written Language-3 Contextual Writing. Online tutoring can prevent summer learning loss and improve written expression.

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)0,002
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: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,726
Score d'incertitude au seuil0,908

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
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 Opus0,035
Tête enseignante GPT0,374
Écart entre enseignants0,339 · 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'étudeQualitatif
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

Citations2
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueReading & Writing QuarterlyMême sujetWriting and Handwriting EducationTravaux en français237 207