A Comparison of Methods for Teaching Discrimination of Acceptance and Commitment Therapy/Training Processes in Samples of Verbal Behaviour
Notice bibliographique
Résumé
Accurate identification of the six core processes of Acceptance and Commitment Therapy/ Training (ACT) is foundational for practitioners, yet no published research has compared methods for teaching this skill. This exploratory study compared the efficacy and efficiency of two methods (discrimination training, DT and self-paced, mastery-based training, SPMB) for training graduate students to identify ACT processes using speech samples. Two ACT processes were selected as training targets based on a logical analysis conducted with six behaviour analysts trained in ACT. Respondents rated fusion/defusion and lack of present moment awareness (PMA)/PMA to be of relatively equal discrimination difficulty. The training procedures were compared in an adapted alternating treatment design embedded within a delayed concurrent multiple baseline design across three students. In the DT condition modules, participants viewed training videos, completed exercises, whereas in the SPMB condition modules, participants read chapters of an ACT text in the SPMB condition modules. Following modules in either condition, participants completed skill assessments to assess their ability to discriminate the target ACT skills. Participants listened to samples of verbal behaviour then selected which ACT process they observed. Skill assessment results suggest that the most efficacious training method is SPMB. However, when false positives (identifying a sample of verbal behaviour as the target skill when it is the control skill) are included in scoring, DT is the more efficacious training method. Participants did not rate one training method more favorably than the other. Findings have the potential to inform future ACT research and ultimately increase the effectiveness of ACT interventions.
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 | 0,008 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».