In order to optimize collaboration between Speech and Language Therapists (SLTs) and parents of children with Developmental Language Disorders (DLD), our aim was to study what is needed for SLTs to transition from the parent-as-therapist aide model to the FCC model and optimal collaborate with parents. Chapter 2 discusses the significance of demystifying collaborative working by making explicit how collaboration works. Chapter 3 examines SLTs’ perspectives on engaging parents in parent-child interaction therapy, utilizing a secondary analysis of interview data. Chapter 4 presents a systematic review of specific strategies that therapists can employ to enhance their collaboration with parents of children with developmental disabilities. Chapter 5 explores the needs of parents in their collaborative interactions with SLTs during therapy for their children with DLD, based on semi-structured interviews. Chapter 6 reports the findings from a behavioral analysis of how SLTs currently engage with parents of children with DLD, using data from focus groups. Chapter 7 offers a general discussion on the findings of this thesis, synthesizing insights from previous chapters to propose recommendations for practice and future research.
In a class or group of twenty children, - statistically - one child has a developmental language disorder (DLD). For children with DLD it is very difficult to keep up at school. The problems in the language also easily lead to miscommunication, which can cause behavioral problems. The timely recognition of a DLD is of great importance for early treatment. This way you can prevent or reduce problems at school, at home and in the children's leisure time. At the moment, children with DLD are not always identified early.Problems in language development can be identified early, for example at the age of two by child health workers. Parents, kindergarten teachers and elementary school teachers can also identify problems in children's language development. This requires a language screening instrument that can easily determine whether a child's language is 'at risk' or 'not at risk'. Early identification of language problems is important, but until today children are still missed. In this dissertation I present a new instrument for the identification of problems in the language development of children from one to six years old, the Early Language Scale (ELS). I also describe the development of the milestones in the language development of children, how good the current screening at the age of two at the health care office is and what parents think of this language screening. The ELS appears to detect DLD in young children well and can therefore make an important contribution to the detection of these problems at the primary health care.
In this study, we compared the impact of audio-, video-, and text-chat interaction on target language use during online learner-learner interaction and on learner affect amongst adolescent learners of German as a foreign language. Repeated measures and ANOVA analyses revealed a high percentage of target language output in all conditions for all four tasks, especially in text- chat. Audio-chatters produced the most output and used the most meaning negotiation, compensation strategies, self-repair and other-repair strategies. Learners in all conditions gained in enjoyment, willingness to communicate and self-efficacy. Anxiety reduced for text-chatters. Task effects partly determined the quantity of L2 output, while condition effects determined meaning-oriented and form-focused processing.
MULTIFILE
Developing a framework that integrates Advanced Language Models into the qualitative research process.Qualitative research, vital for understanding complex phenomena, is often limited by labour-intensive data collection, transcription, and analysis processes. This hinders scalability, accessibility, and efficiency in both academic and industry contexts. As a result, insights are often delayed or incomplete, impacting decision-making, policy development, and innovation. The lack of tools to enhance accuracy and reduce human error exacerbates these challenges, particularly for projects requiring large datasets or quick iterations. Addressing these inefficiencies through AI-driven solutions like AIDA can empower researchers, enhance outcomes, and make qualitative research more inclusive, impactful, and efficient.The AIDA project enhances qualitative research by integrating AI technologies to streamline transcription, coding, and analysis processes. This innovation enables researchers to analyse larger datasets with greater efficiency and accuracy, providing faster and more comprehensive insights. By reducing manual effort and human error, AIDA empowers organisations to make informed decisions and implement evidence-based policies more effectively. Its scalability supports diverse societal and industry applications, from healthcare to market research, fostering innovation and addressing complex challenges. Ultimately, AIDA contributes to improving research quality, accessibility, and societal relevance, driving advancements across multiple sectors.
Aanleiding Nieuwsuitgeverijen bevinden zich in zwaar weer. Economische malaise en toegenomen concurrentie in het pluriforme medialandschap dwingen uitgeverijen om enerzijds kosten te besparen en tegelijkertijd te investeren in innovatie. De verdere automatisering van de nieuwsredactie vormt hierbij een uitdaging. Buiten de branche ontstaan technieken die uitgeverijen hierbij zouden kunnen gebruiken. Deze zijn nog niet 'vertaald' naar gebruiksvriendelijke systemen voor redactieprocessen. De deelnemers aan het project formuleren voor dit braakliggend terrein een praktijkgericht onderzoek. Doelstelling Dit onderzoek wil antwoord geven op de vraag: Hoe kunnen bewezen en nieuw te ontwikkelen technieken uit het domein van 'natural language processing' een bijdrage leveren aan de automatisering van een nieuwsredactie en het journalistieke product? 'Natural language processing' - het automatisch genereren van taal - is het onderwerp van het onderzoek. In het werkveld staat deze ontwikkeling bekend als 'automated journalism' of 'robotjournalistiek'. Het onderzoek richt zich enerzijds op ontwikkeling van algoritmes ('robots') en anderzijds op de impact van deze technologische ontwikkelingen op het nieuwsveld. De impact wordt onderzocht uit zowel het perspectief van de journalist als de nieuwsconsument. De projectdeelnemers ontwikkelen binnen dit onderzoek twee prototypes die samen het automated-journalismsysteem vormen. Dit systeem gaat tijdens en na het project gebruikt worden door onderzoekers, journalisten, docenten en studenten. Beoogde resultaten Het concrete resultaat van het project is een prototype van een geautomatiseerd redactiesysteem. Verder levert het project inzicht op in de verankering van dit soort systemen binnen een nieuwsredactie. Het onderzoek biedt een nieuw perspectief op de manier waarop de nieuwsconsument de ontwikkeling van 'automated journalism' in Nederland waardeert. Het projectteam deelt de onderzoekresultaten door middel van presentaties voor de uitgeverijbranche, presentaties op wetenschappelijke conferenties, publicaties in (vak)tijdschriften, reflectiebijeenkomsten met collega-opleidingen en een samenvattende white paper.
Journalisten die veel interactie met hun publiek hebben (zoals consumentenprogramma’s) ontvangen via diverse, vaak besloten, kanalen (Facebook Messenger, WhatsApp, e-mail, fora) een grote stroom tips en/of berichten. Radio Dabanga, bijvoorbeeld, een op Soedan gericht radiostation in Amsterdam en ook een redactie met veel publieksinteractie, krijgt alleen al via WhatsApp 500-3000 berichten per dag. Met een redactie van twee mensen kan niet alles gelezen worden. Maar zelfs als dat kon, dan kan nog niet alles geverifieerd. Het gevolg is dat berichten gemist worden, dat Dabanga-journalisten vooral zoeken naar hun al bekende afzenders, en dat zij permanent het gevoel hebben belangrijke informatie te missen, waardoor zij hun contacten tekort te doen. Dit consortium onderzoekt of data science technieken hierbij kunnen helpen. Natural language processing technieken kunnen helpen de berichtenstroom beter te structureren waardoor tips over laag-frequente onderwerpen niet over het hoofd gezien worden. Recommender systemen kunnen ingezet worden om een betrouwbaarheidsindex te ontwerpen voor tot nog toe onbekende afzenders. Het resultaat is dan minder ondergesneeuwde tips en minder ondergesneeuwde afzenders. De uitkomsten worden getest met journalistenpanels. Bij goede resultaten uit bovenstaande onderzoeken, bouwt het consortium een prototype van de Berichtentemmer: een tool die helpt berichten uit diverse kanalen per onderwerp te structureren. Daardoor kunnen journalisten hun netwerken beter en efficiënter benutten. Bij het bouwen van deze tool hoort ook dat de gebruikte algoritmen transparant moeten zijn voor de journalist en de presentatie van de resultaten niet sturend mag zijn. Het consortium bestaat daarom uit een ‘Data science’-projectgroep voor het ontwerpen en testen van de algoritmen, en uit een ‘Ethiek & design’-projectgroep voor het ontwerpen van richtlijnen over transparantie van de algoritmen en de datavisualisatie. Tenslotte is er een ontwikkelgroep bestaande uit een combinatie van studenten en professional developers. Zij bouwen het prototype.
