The efficacy of confrontational naming treatments for aphasia: a meta-analysis
Notice bibliographique
Résumé
Background Previous systematic reviews and meta-analyses have only mentioned a few confrontational naming treatment methods. There is no recent literature on the effect of different treatment methods and on comparing their efficacy with each other.Objective The purpose of this study was to: a) collect treatment methods for addressing confrontational naming deficits in patients with aphasia; b) examine the number of studies on treatment methods; c) evaluate the level of evidence for these treatment methods; d) determine the efficacy of the explored treatment methods; and e) compare various treatment methods.Methods We searched Scopus, ISI Web of Sciences, PubMed, Cochrane Library, ProQuest, Clinical Key, Science Direct, and Springer electronic databases for articles published from January 2009 to March 2023. A meta-analysis was conducted using comprehensive meta-analysis (CMA2) software. A funnel plot was applied to examine the influence of outliers. Furthermore, Cochran’s Q test and the I-square (I2) index were utilized to assess the homogeneity of effect sizes in the included studies.Results Of the 1808 articles identified, 66 were included in the final synthesis (1496 participants). Among the studies reviewed, 62.69% were found to have high effect sizes, 19.40% had medium effect sizes, and 17.91% showed an effect size of less than 0.3, indicating low efficacy. The syntactic cueing method, errorless learning, and action observation methods had high effect sizes (E.S = 0.93, E.S = 0.89, E.S = 0.88, respectively). The personalized cueing method had low effect sizes (E.S = 0.22).Conclusions This systematic review extracted and compared various treatment methods for naming deficits in individuals with aphasia. Evidence has shown that syntactic cueing, errorless learning, and action observation methods have the highest effect size and are, therefore, the most effective. Additionally, the SFA and gestural methods are effective interventions, considering the abundance of studies, high level of evidence, and substantial effect size.
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 | 0,026 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,022 | 0,053 |
| Bibliométrie | 0,010 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».