De taalontwikkeling van hoogbegaafde kinderen met dyslexie
Bibliographic record
Abstract
Achtergrond: Bij hoogbegaafde kinderen kan er sprake zijn van een leerstoornis, maar dit wordt in de praktijk vaak niet opgemerkt. Indien een leerstoornis niet onderkend wordt, kan dit bij een kind leiden tot sociaal-emotionele problematiek. \nDoel: Het eerste doel van het onderzoek is nagaan of er verschillen zijn tussen hoogbegaafde en gemiddeld intelligente kinderen met en zonder dyslexie op de vroege taalontwikkeling. Daarnaast wordt onderzocht in hoeverre lees- en spellingsvaardigheden en de onderliggende factoren van dyslexie, een rol spelen bij de diagnostiek van dyslexie bij hoogbegaafde kinderen. \nMethode: Aan het onderzoek namen 109 participanten van zes tot tien jaar deel bij wie de lees-, spellingsvaardigheden, tekstbegrip, fonemisch bewustzijn en benoemsnelheid zijn gemeten. De kinderen zijn ingedeeld in vier groepen, namelijk hoogbegaafde kinderen met en zonder dyslexie en gemiddeld intelligente kinderen met en zonder dyslexie.\nResultaten: Hoogbegaafde kinderen met dyslexie doorlopen de vroege taalontwikkeling significant vaker sneller of normaal, terwijl gemiddeld intelligente kinderen met dyslexie deze vaker trager of normaal doorlopen. Hoogbegaafde kinderen en gemiddeld intelligente kinderen behalen op lezen, spelling, fonemisch bewustzijn en benoemsnelheid significant hogere scores dan hoogbegaafde kinderen met dyslexie. \nConclusie: Hoogbegaafde kinderen met dyslexie doorlopen de vroege taalontwikkeling niet significant verschillend van hoogbegaafde kinderen en gemiddeld intelligente kinderen zonder dyslexie, terwijl zij op lezen, spelling, fonemisch bewustzijn en benoemsnelheid significant lagere scores behalen. Dyslexie zou door deze lagere scores ook bij hoogbegaafde kinderen gesignaleerd kunnen worden.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".