LD’s on the Brain: Teaching Students with Learning Disorders about their Unique Brains and Learning Profiles
Notice bibliographique
Résumé
This study examined the feasibility of implementing "Brain Building 101" as a psychoeducational feedback tool to help middle school students with Learning Disorders (LDs) understand their learning profiles. Using a case study approach, four 8th-grade students engaged in a two-session intervention designed to help students understand how they learn and identify strategies to support their learning. This intervention was designed using Growth Mindset principles within a Therapeutic Assessment framework to teach participants key concepts about brain function while collaboratively exploring their cognitive strengths and challenges. Results indicated that participants engaged well with and learned from the intervention, demonstrating increased self-awareness with a greater ability to articulate their strengths, challenges, and preferred learning styles. Participants demonstrated increased understanding of how they learn and were able to identify effective strategies for managing academic tasks. Results indicate that participants showed increased self-esteem by adopting growth mindset principles and reframing their learning profiles using strength-based language. Advocacy skills showed some improvement, with students expressing confidence in seeking support next year in high school. This study underscores the importance of teaching students with LDs about their learning profiles and equipping them with the knowledge and tools to navigate academic challenges. The findings highlight the potential and the value of structured, student-centered interventions in fostering meaningful change to participants’ self-awareness, self-esteem, and advocacy skills.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,005 |
| 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 ».