Influence of Language-Based Learning Disorder on Vulnerability to Depression among Adolescents in Secondary Schools in Meru County, Kenya
Notice bibliographique
Résumé
Adolescents should be able to score high in reading, write intelligibly and speak fluently so as to gain self-acceptance, achieve social roles, and be able to make friends and maintain healthy relationships. However, depression in adolescents causes poor psychosocial status and increases comorbidity to mental disorders. Therefore, the study sought to investigate effect of language-based learning disorder (LBLD) on vulnerability to depression among adolescents in secondary schools in Meru County, Kenya. The study used cross-section research approach and descriptive research design on a target population of 389 secondary schools in Meru County. The respondents were 389 principals, 1415 English language teachers and 311, 200 students. A sample size of 27 principals, 176 English language teachers and 297 students was obtained using purposive and simple random sampling methods respectively. The principals were interviewed; English language teachers answered questionnaires, and students undertook the Montreal Cognitive Assessment Tool [MoCA] test. MoCA assesses different cognitive domains, such as attention and concentration, executive functions, memory, language, vasoconstriction skills, conceptual thinking, calculations, and orientation. Pilot study was done in Ikuu Girls’ Secondary School, Chuka Boys and Ndagani Mixed Secondary School in Tharaka Nithi County. Using purposive sampling method, the study selected 3 principals, 18 English language teachers, and 30 students for the pre-test. Data was analyzed using descriptive statistics such as frequency, percentage and median. Inferential statistics such as linear regression and multiple regressions and regression coefficients were established. The findings revealed that schools lacked adequate resources and capacity to mitigate causes and consequences of language-based learning disorders. The study recommended that schools should put in place appropriate programs and engage experts to identify learners with language-based learning disorders. They should also seek early interventions to avert effect of LBLDS on learners.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».