Quantification of Meta-Therapy in Conversation Training Therapy
Notice bibliographique
Résumé
PURPOSE: Meta-therapy (MT) is a clinical entity that plays a pivotal role in the success of voice therapy. This descriptive study is the first empirical research to describe and quantify the use of MT in comparison to other treatment modalities during conversation training therapy (CTT). METHOD: Twenty-four prerecorded CTT sessions featuring six voice-specialized speech-language pathologists (SLPs) were converted into audio files and transcribed into text files. Trained annotators (experienced and novice voice-specialized SLPs) identified the use of MT and four other treatment modalities (direct treatment, education and indirect treatment, and counseling) during the therapy sessions. Descriptive statistics and intra- and inter-annotator agreements (Cohen's kappa) were generated. RESULTS: MT was used systematically throughout the course of CTT, both as a stand-alone therapeutic approach and in conjunction with other treatment modalities. When blended with other treatment modalities, MT accounted, on average, for 31% of all clinical dialogues within the course of treatment. Intra-annotation reliability was generally high. However, inter-annotator reliability was notably lower and did not differ between novice and experienced SLPs, not only for MT but also for the other four treatment modalities. CONCLUSIONS: This study underscores the multifaceted nature of MT and supports the notion that it is a core element of voice therapy. We propose that MT could be formally taught to future SLPs alongside other clinical components (e.g., indirect treatment, direct treatment, and counseling). This study also highlights the need for standardization and operationalization of all key components of voice therapy. SUPPLEMENTAL MATERIAL: https://doi.org/10.23641/asha.29405753.
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 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».