Value Added by Assessing Nonspoken Vocabulary in Minimally Speaking Autistic Children
Notice bibliographique
Résumé
PURPOSE: There is a scarcity of language assessment tools properly adapted for use with minimally speaking autistic children. As these children often use nonspoken methods of communication (i.e., augmentative and alternative communication [AAC]), modification of traditional assessment tools is needed to capture the full range of their communicative repertoires. We modified the MacArthur-Bates Communicative Development Inventories (CDI) to explore how vocabulary size and composition are impacted by considering nonspoken, as well as spoken, expressive vocabulary (AAC-modified CDI: Words and Gestures). METHOD: Our initial sample consisted of 16 minimally speaking autistic children, 3-9 years old, whose caregivers completed our modified CDI after taking part in an AAC intervention. Our final sample included 15 participants, after removing an outlier. RESULTS: = .75). Verbs made up a sizable portion (13.3%) of vocabulary when accounting for all modalities, while nouns made up the majority (51.5%). CONCLUSIONS: We demonstrated the value of including both spoken and nonspoken modalities of communication when assessing the expressive vocabulary of minimally speaking autistic children. Prior work has shown that minimally speaking autistic children's spoken vocabulary was prominent in verbs (i.e., contained proportionally more verbs than that of vocabulary-matched typically developing children). In our sample, which used a broader definition of minimally speaking, we found that the proportions of verbs and nouns were consistent with what has been reported for typically developing children with similar-sized productive vocabularies.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 | 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 ».