Application du renforcement non contingent pour réduire les comportements problématiques chez les personnes ayant un trouble du spectre de l’autisme
Bibliographic record
Abstract
Le renforcement non contingent (RNC) est une intervention basée sur des données probantes pour réduire les comportements problématiques chez les personnes ayant un trouble du spectre de l’autisme (TSA). L’intervention implique de donner à ces personnes quelque chose qu’elles préfèrent, généralement le renforçateur qui maintient le comportement problématique, sur une base régulière ou continue. L’article a un but pédagogique : décrire et discuter des facteurs à considérer lors de l’application du RNC auprès de personnes ayant un TSA. L’importance d’effectuer une évaluation fonctionnelle avant d’intervenir est expliquée en précisant les différentes catégories de renforçateurs qui maintiennent les comportements problématiques. Ensuite, l’identification des stimuli préférés est décrite au cas où le renforçateur qui maintient le comportement problématique ne puisse pas être utilisé dans le cadre du RNC. Par la suite, deux différentes procédures sont présentées pour la mise en place de l’intervention. Un exemple clinique fictif illustre l’utilisation du RNC avec un jeune enfant ayant un TSA, qui émet un comportement problématique (crier) lors de rencontres à la maison entre sa mère et une professionnelle. Enfin, les avantages et les désavantages de l’intervention ainsi que des suggestions éventuelles de recherche sont discutés dans le but de promouvoir une application optimale du RNC auprès des personnes ayant un TSA.
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 | 0.005 | 0.026 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 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".