MétaCan
Menu
← Retour à la cohorte
Enregistrement W6977431082 · doi:10.6084/m9.figshare.23532093

Family-Professional Collaboration on Modified Ride-on Car Intervention for Young Children: Two Case Reports

2023· other· en· W6977431082 sur OpenAlexaboutno aff

Notice bibliographique

RevueFigshare · 2023
Typeother
Langueen
DomaineEngineering
ThématiqueMilitary Technology and Strategies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGoal Attainment ScalingIntervention (counseling)Bridging (networking)Brief interventionOccupational therapy

Résumé

récupéré en direct d'OpenAlex

The study aimed to describe the implementation of a collaborative ride-on car (ROC) intervention by applying a practice model of family-professional collaboration. The model involves specific strategies for collaboration, “visualizing a preferred future” and “scaling questions.” The participants were two young children with mobility limitations and their mothers. The 12-week of ROC intervention involved training sessions with a therapist and home sessions. The outcomes included the Canadian Occupational Performance Measure (COPM) and Goal Attainment Scaling (GAS). The collaborative strategies facilitated parent engagement in goal setting, planning, and evaluation. After the intervention, the mothers’ ratings of their children’s performance and parent satisfaction on the COPM increased by 6 and 3 points, respectively, and the level of goal attainment exceeded expectations (+1 on GAS) in both families. Prior to the ROC intervention, both families were hesitant to use powered mobility. However, the experience of participating in the ROC intervention process broadened parents’ perspectives on self-directed mobility and led them to explore options for their children to move independently. The collaborative ROC intervention can be used as an intervention for early mobility and a bridging step for families reluctant to use a powered wheelchair.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Étude de cas · Signal consensuel: Étude de cas
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0050,002
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,024
Tête enseignante GPT0,282
Écart entre enseignants0,258 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeÉtude de cas
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

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFigshare→Même sujetMilitary Technology and Strategies→Travaux en français237 207→