ABBA Letter Alternation: A telehealth inspired measure of executive functioning/inhibitory control
Notice bibliographique
Résumé
Objective: To introduce ABBA Letter Alternation (ABBA) as a computerized measure of response inhibition/response alternation developed for telehealth following restrictions of in-person testing due to COVID-19. ABBA consists of two PowerPoint-administered trials: Letter Reading of 25 capital As or Bs individually presented, and Letter Alternation with instructions to say the opposite letter to what is presented. Method: We obtained initial normative ABBA performance from 899 healthy research volunteers participating in the Emory Healthy Brain Study (EHBS) with Montreal Cognitive Assessment (MoCA) scores 24/30 and higher. Cutpoints derived from the EHBS sample were applied to a series of 32 Parkinson disease (PD) patients being evaluated for deep brain stimulation to provide preliminary clinical validation. Trail Making B (TMT B) was also examined in both groups. Results: 775 (86.2%) EHBS participants made 0–1 ABBA Letter Alternation errors, 58 (6.5%) EHBS participants had 2 ABBA alternation errors, and 66 (7.3%) made 3+ errors. Applying these thresholds to PD patients, 22 (68.8%) made 0–1 alternation errors, 3 PD (9.4%) patients made 2 errors, and 7 PD subjects (21.8%) made 3+ errors, which significantly differed in frequency from the EHBS group (χ2=9.8, p=.007). EHBS vs. PD differed on MoCA, a medium effect (p<.00001; η2=.076), and on TMT B (p<.00001; η2=.158), which is considered a large effect. Conclusion: These results provide initial support for ABBA Letter Alternation as a response inhibition/response alternation. Application in larger clinical samples, in both telehealth and face-to-face settings, will be needed to more fully establish ABBA’s clinical utility.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».