پيش‌بيني كننده‌هاي جمعيت شناختي اختلالات يادگيري در دانش‌آموزان مقطع ابتدايي استان گلستان

Demographic predictors of learning disorders for elementary students in Golestan Stateprovince

هدف پژوهش حاضر بررسي پيش بيني كننده‌هاي جمعيت شناختي اختلالات يادگيري در دانش‌آموزان ابتدايي استان گلستان بود. در يك مطالعه‌ي مقطعي واپس نگر، 702 نفر از دانش‌آموزان پايه‌هاي دوم تا پنجم ابتدايي استان گلستان با استفاده از روش نمونه‌گيري خوشه‌اي چندمرحله‌اي انتخاب شدند و پرسشنامه‌ي اطلاعات جمعيت شناختي، مقياس تجديدنظر شده‌ي هوشي وكسلر كودكان (WISC-R)، مقياس درجه‌بندي مايكل بام جهت سنجش ناتواني‌هاي كلي يادگيري به همراه مصاحبه باليني را تكميل كردند. داده ها با استفاده از آزمون خي دو و رگرسيون لوجستيك دو مقوله‌اي به روش ورود هم‌زمان با نرم‌افزارPASW تحليل گرديد. نتايج نشان داد كه وضعيت اجتماعي- اقتصادي و محل سكونت قادر بودند به طور معناداري دانش‌آموزان داراي اختلالات يادگيري را از دانش‌آموزان فاقد اختلالات يادگيري تفكيك نمايند. مدل كامل رگرسيون نشان داد كه 9/96% موارد به طور صحيح طبقه بندي شدند. وضعيت اجتماعي- اقتصادي پايين و سكونت در نواحي روستايي در پيدايش طبقه كلي اختلالات يادگيري سهيم هستند و ميزان بالايي از احتمال ابتلا به اختلالات يادگيري را پيش بيني مي‌نمايند. اين يافته‌ها داراي پيامدهاي كاربردي در طراحي مداخلات و آموزش‌هاي ترميمي در اختلالات يادگيري است.

The purpose of this study was to investigate the demographic predictors of learning disorders in elemenentary students of Golestan province. In a retrospective cross-sectional study,702 elementary students from grades two to five in Golestan province selected by multistage cluster sampling method responded to a demographic information questionnaire, the Wechsler Intelligence Scale for Children-Revised (WISC-R), and the Myklebust Rating Scale along with a clinical interview to assess overall learning disabilities. Data were analyzed by chi square and binary logistic regression methods with PASW software. Results showed that socio-economic status and location of residence significantly differentiate students with learning disorders from those without learning disorders. The total regression model showed that 96.9% of this sample were classified correctly. Lower socio-economic status and residence in rural areas contribute to the overall incidence of learning disorders and predicted the likelihood of having a learning disorder. These results have implications for programming interventions and remedial training for learning disabled children.