Absenteeism In Children with ADHD Symptomology: The Roles of Parental Educational Support and Parent-Teacher Trust
Notice bibliographique
Résumé
Youth with ADHD are absent from school at twice the rate of their non-ADHD peers (Niemi et al., 2022). While parental educational support benefits academic outcomes, its impact on school attendance in children with ADHD is less understood, as is the relationship between school attendance in children with ADHD and parent-teacher trust. This study investigates two questions: (1) Is parental educational support associated with school attendance among children with ADHD symptoms, and does child age moderate this? (2) Is parent-teacher trust associated with children’s school attendance, and does child age moderate this? In 2022, data were collected from 95 parents of children aged 9–14 with ADHD symptoms across Canada. Regression analyses indicated that greater parental educational support was significantly associated with fewer school absences, R² = .20, F(3, 90) = 7.36, p < .001. Moreover, moderation analysis showed that child age significantly moderated this relationship, such that the effect of parental support on reducing absences was stronger for older children, b = –.05, p = .005. Parent-teacher trust was also significantly associated with fewer absences, R² = .16, F(3, 90) = 5.68, p = .001. However, moderation analysis found that child age did not significantly moderate this relationship, b = –.06, t(94) = –0.393, p = .694. These findings suggest that both parental support for learning and strong parent-teacher trust contribute to improved school attendance among children with ADHD symptoms. Notably, the role of parental support becomes increasingly important as children age. This insight may guide educators and health professionals in fostering collaboration to reduce absenteeism in this population.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».