使用全生成模型增强爱荷华州博任务的心理测量特性

科学领域:

• 认知心理学 认知心理学
• 心理测量 心理测量 心理测量
• 计算神经科学是一种神经科学.

背景情况:

• 在个体差异研究中的行为任务受到心理测量特性不佳的挑战,特别是测试复试可靠性较低.
• 爱荷华州博任务 (IGT) 是一种广泛使用的行为任务,但其传统分析方法的可靠性中等.
• 提高行为任务的心理测量特性对于推进对个人差异和心理构造的研究至关重要.

研究的目的:

• 证明IGT的完全生成建模与传统分析方法相比,提高了测试-重新测试可靠性和有效性.
• 使用IGT数据调查生成建模的潜力,以更好地描述内部化病理.
• 为了比较一个完整的生成模型的心理测量特性,结合结果表示学习 (ORL) 模型,与传统的IGT总结分数.

主要方法:

• 收集了来自两次会议的IGT参与者的数据,分隔一个月.
• 开发并应用了一个完整的生成模型,包括一个人级的ORL计算模型和一个群组级可靠性模型.
• 分析了IGT数据,使用传统的总结得分 (选择好的甲板的比例) 和理论上丰富的ORL绩效指标.

主要成果:

• 与传统的总结分数 (r = .35) 相比,全生成模型对ORL性能指标的测试-重新测试可靠性得到了显著改善 (相关性在0.64到0.83之间).
• ORL参数捕获了不同的心理过程,包括奖励学习率,惩罚学习率,赢得频率灵敏度,坚持倾向和记忆衰退.
• ORL参数与内部化症状 (例如,惩罚学习率与抑郁症,坚持倾向与无情感) 有显著的关联,与传统的总结分数不同.

结论:

• 完整的生成建模显著提高了IGT对个体差异研究的测试-重新测试可靠性和有效性.
• 在生成框架内,ORL模型提供了比传统的总结分数更细致,更符合心理测量标准的认知过程评估.
• 生成模型有望提高行为任务的心理测量严谨性,从而推进心理学和相关领域的研究.