MétaCan
Menu
Retour à la cohorte
Enregistrement W4412051552 · doi:10.6000/2292-2598.2025.13.02.5

Exploring the use of Assistive Digital Resources in Enhancing Learning for Students with Intellectual Disabilities in Cross River and Akwa Ibom States, Nigeria

2025· article· en· W4412051552 sur OpenAlexvenueno aff
Oluwaseun Omowumi Akin-Fakorede, Virginia Emmanuel Ironbar, John Fidelis Inaku, Mokutima E. Ekpo, Margaret Sylvanus Umoh, Effiom Veronica Nakanda, Olofu Paul Agbade, Columbus Deku Bessong, Napoleon Osang Bessong, Ojong Rose Ayiba, Micheal Obi Odey, Joseph Abang Odok, Lucy Obil Arop, Odey Samuel Eburu, Eturki Eborty Egbonyi, Akomaye Agwu Undie, Bernard Atrogor Oko

Notice bibliographique

RevueJournal of Intellectual Disability - Diagnosis and Treatment · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueOnline Learning and Analytics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAssistive technologyPsychologyComputer scienceHuman–computer interaction

Résumé

récupéré en direct d'OpenAlex

Aim: Understanding how these digital resources are being utilized in special education contexts is essential to improving learning outcomes and bridging the digital divide for students with intellectual disabilities. The study examined the use of assistive digital resources to enhance learning for students with intellectual disabilities in Cross River and Akwa Ibom States, Nigeria. Five study objectives were stated to guide the research. Five research questions were formulated, and three hypotheses were stated. A literature review was conducted in line with the study variables. Method: This study adopted a descriptive survey research design. The area of the study is Cross River and Akwa Ibom States. The population of this study comprises all six special education and inclusive schools in Cross River and Akwa Ibom States—709 teachers, school heads, and education officers were directly involved in teaching or supporting students with intellectual disabilities—3,020 Students with intellectual disabilities (where possible, for observational data). A multi-stage sampling technique was used. A purposive sampling was used to select 4 LGAs, stratified sampling was used, and a simple random sampling technique was used. The instrument for data collection is a questionnaire, which was validated by experts in Measurement and Evaluation at the University of Uyo. The instrument was subjected to test reliability using the Cronbach Alpha reliability method. The test result revealed a reliability index of 0.81. Data from the questionnaire was analyzed using descriptive statistics (mean, frequency, percentage) and inferential statistics (Pearson correlation, independent t-test) to test the hypotheses. Results: The results revealed a significant relationship between the availability of assistive digital resources and their utilization level in teaching students with intellectual disabilities. There is also a significant relationship between the use of assistive digital resources and the learning outcomes of students with intellectual disabilities. There is a significant difference between urban and rural schools in the availability of assistive digital learning tools for students with intellectual disabilities. Conclusion: Based on the study's results, it was concluded that there is a significant relationship between the availability of assistive digital resources and their level of utilization in teaching students with intellectual disabilities. There is also a significant relationship between the use of assistive digital resources and the learning outcomes of students with intellectual disabilities. There is a significant difference between urban and rural schools in the availability of assistive digital learning tools for students with intellectual disabilities. Recommendation: Schools and disability support centers should implement peer-mentoring programs and anti-drug clubs that empower students to resist negative peer pressure.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,572

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,071
Tête enseignante GPT0,326
Écart entre enseignants0,255 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Intellectual Disability - Diagnosis and TreatmentMême sujetOnline Learning and AnalyticsTravaux en français237 207