Current Trends in the Empirical Study of Cognitive Remediation for Schizophrenia
Notice bibliographique
Résumé
Cognitive remediation (CR) for schizophrenia is a learning-based behavioural skills training intervention designed to enhance neuro and (or) social cognitive skills, with the ultimate goal of generalization to improve psychosocial outcomes. This review summarizes conceptual approaches to CR for schizophrenia and the evidence for efficacy in clinical research settings. Four issues are at the forefront of ongoing research: the identification of techniques that produce the largest cognitive change, delineation of techniques that enhance transfer of cognitive skills to functional skills, the identification of CR methods that can be personalized to meet the specific cognitive and functional needs of each individual, and, all the while, ensuring that when CR methods are developed in a research setting, they remain scalable for delivery in the larger clinical community. In response to these issues, 3 prominent research trends have emerged: the rise of a new generation of computerized restorative cognitive training, the integration of CR with skills training to promote generalization, and the application of techniques to enhance motivation and learning during CR. As data on the neural basis of learning in people with schizophrenia become available, new technologies that harness the ability of the brain to make sustainable, functional changes may be integrated within a therapeutic context that promotes a personalized approach to learning. The development of transportable and scalable methods of CR that maximize the ability of people with schizophrenia to improve cognition will help them achieve personal goals for recovery.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,007 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».