Skill reacquisition after acquired brain injury: A holistic habit retraining model of neurorehabilitation
Notice bibliographique
Résumé
Persistent cognitive, emotional and behavioral dysfunction following brain injury present formidable challenges in the area of neurorehabilitation. This paper reviews a model and practical methodology for community based neurorehabilitation based upon: 1. Evidence from the "automatic learning" and "errorless learning" literature for skills relearning after brain injury; 2. A widely applicable task analytic approach to designing relevant skills retraining protocols; 3. Analysis of organic, reactive, developmental, and characterological obstacles to strategy utilization and relearning, and generation of effective therapeutic interventions; and 4. Procedures for (a) promoting rehabilitative strategy use adapted to acute and chronic neurologic losses, (b) an individual's inherent reinforcement preferences and coping style, (c) reliant on naturalistic reinforcers which highlight relationships to functional goals, utilize social networks, and (d) employ a simple and appealing cognitive attitudinal system and set of procedures. This Holistic Habit Retraining Model and methodology integrates core psychotherapeutic and learning principles as rehabilitation process ingredients necessary for optimal facilitation of skills retraining. It presents a model that generates practical, utilitarian strategies for retraining adaptive cognitive, emotional, behavioral and social skills, as well as strategies for overcoming common obstacles to utilizing methods that promote effective skills acquisition.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».