Navigating Educational Hurdles: The Impact of Attention and Hyperactivity Problems on School Absenteeism
Notice bibliographique
Résumé
Attention deficit hyperactivity disorder (ADHD) is a chronic neurodevelopmental disorder that, if left undetected and untreated, can impede the life trajectory of thousands of children. Unfortunately, children and youth with this disorder often go unnoticed within the education system. Successful completion of education is critical for equipping students with ADHD with the skills to effectively manage their condition, leading to better overall life outcomes. Research has connected a lack of childhood skill development in managing ADHD symptoms with severe psychosocial outcomes such as failure in school, bleak employment outcomes, high crime and incarceration rates, and even premature death. Unfortunately, the COVID-19 pandemic has exacerbated these educational outcomes, disproportionately impacting school attendance rates among children with ADHD. This review aimed to investigate the relationship between attention and hyperactivity problems (AHP) among school-age children/youth and school absenteeism in both pre-pandemic and post-pandemic studies. The main objective was to investigate whether children with AHP were missing school at higher rates than their non-AHP peers. Through a systematic literature search across numerous databases, 1282 studies were assessed, identifying 35 studies focusing on the association between AHP and school absenteeism. Preliminary analyses revealed that students with AHP were more prone to experiencing increased school absenteeism, including cases of school refusal, avoidance, suspension, and expulsion. These findings are troubling as numerous studies have linked school absenteeism with adverse educational and psychosocial outcomes. Thus, there is an urgent need for educational and policy reforms that prioritize the support and accommodation of children with attention and hyperactivity problems.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».