MétaCan
Menu
← Back to cohort
Record W7020933346

Mieux comprendre l’efficacité différentielle de l’intervention comportementale intensive auprès des enfants ayant un trouble du spectre de l’autisme

2021· dissertation· fr· W7020933346 on OpenAlexfundaboutno aff

Bibliographic record

VenuePapyrus : Institutional Repository (Université de Montréal) · 2021
Typedissertation
Languagefr
FieldSocial Sciences
TopicMigration and Labor Dynamics
Canadian institutionsnot available
FundersMinistère de la SantéMinistère de la Santé et des Services sociaux
KeywordsMedical screeningPublicsChildhood development
DOInot available

Abstract

fetched live from OpenAlex

L’intervention comportementale intensive (ICI) est l’intervention offerte par les services publics du Québec aux jeunes enfants diagnostiqués d’un trouble du spectre de l’autiste (TSA). Plusieurs organismes nationaux de santé considèrent l’ICI comme une intervention établie et de nombreuses méta-analyses soutiennent son efficacité. Cependant, les effets varient grandement d’un enfant à l’autre. Alors que certains enfants progressent significativement dans plusieurs sphères du développement, d’autres ne retirent qu’une modeste amélioration. Cette réponse différentielle à l’intervention demeure mal comprise : à l’heure actuelle, il n’y a pas de consensus sur la fiabilité des prédicteurs d’efficacité de l’ICI. L’objectif général de cette thèse est donc d’étudier la réponse différentielle à l’ICI dans un contexte québécois. Le premier article de cette thèse visait à évaluer les effets de l’ICI sur le fonctionnement adaptatif et les symptômes autistiques des enfants qui la reçoivent, de vérifier si les progrès se maintenaient dans le temps et d’identifier des prédicteurs d’efficacité. Les résultats ont révélé un changement non linéaire du fonctionnement adaptatif, caractérisé par une amélioration significative pendant la période d’intervention et un maintien des gains pendant la période de suivi, ainsi qu’une légère diminution linéaire des symptômes autistiques tout au long de l’étude. L’intensité de l’intervention, l’âge, le QI et les symptômes autistiques étaient associés soit à des progrès pendant la période d’intervention, soit à un maintien pendant la période de suivi. Le deuxième article investiguait la présence de sous-groupes plus homogènes (c.-à-d. des profils latents) chez les participants sur la base de leurs caractéristiques lors de leur entrée dans les services, examinait les prédicteurs sociodémographiques de l’appartenance à un profil particulier et vérifiait si l’appartenance aux profils était associée à une réponse différentielle à l’ICI. Nous avons trouvé quatre profils dans notre échantillon. Seul le revenu familial annuel prédisait l’appartenance au profil. Tous les profils ont progressé pendant de la période d’intervention, avec des changements d’ampleur variable. Au cours de la période de suivi, les profils ayant les manifestations les plus sévères ont montré une stabilité ou une amélioration du fonctionnement adaptatif, tandis que les deux profils ayant les manifestations les plus légères ont montré une légère diminution du fonctionnement adaptatif. Finalement, le dernier article visait à vérifier si l’apprentissage automatique (angl. machine learning) pouvait soutenir l’estimation du pronostic des enfants recevant de l’ICI. Pour ce faire, nous avons comparé la précision des prédictions (progrès versus pas de progrès) faites par cinq algorithmes et une assignation aléatoire. Les résultats indiquaient que les prédictions de tous les algorithmes étaient meilleures que l’assignation aléatoire. En conclusion, cette thèse discute des retombées des résultats la recherche, la pratique et pour le domaine de la psychoéducation.

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 imitation

Not 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.

metaresearch head score (Codex)0.006
metaresearch head score (Gemma)0.016
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.169
Threshold uncertainty score0.336

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0060.016
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0020.002
Bibliometrics0.0010.001
Science and technology studies0.0010.001
Scholarly communication0.0020.001
Open science0.0010.001
Research integrity0.0010.002
Insufficient payload (model declined to judge)0.0090.001

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.

Opus teacher head0.008
GPT teacher head0.208
Teacher spread0.200 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2021
Admission routes2
Has abstractyes

Explore more

Same venuePapyrus : Institutional Repository (Université de Montréal)→Same topicMigration and Labor Dynamics→French-language works237,207→