通过使用线性方程,内核方程,项目响应理论和机器学习方法协调CBCL和SDQADHD分数
Miljan Jović1, Maryam Amir Haeri1, Andrew Whitehouse2
1Department of Learning, Data Analytics and Technology, University of Twente, Enschede, Netherlands.
Frontiers in psychology
|July 25, 2024
概括
从儿童行为检查清单 (CBCL) 和优点和困难问卷 (SDQ) 中协调ADHD分数对于研究至关重要. 使用项目级数据的回归方法在规模协调方面被证明最有效.
科学领域:
- 心理测量 心理测量 心理测量
- 发展心理学 发展心理学
- 临床心理学 临床心理学
背景情况:
- 研究人员经常面临比较结果的挑战,原因是机构使用的各种尺度.
- 在研究联盟中,协调尺度对于有意义的数据聚合和分数比较至关重要.
研究的目的:
- 协调儿童行为检查表 (CBCL) 和优点和困难问卷 (SDQ) 的注意力缺陷/多动症 (ADHD) 评分.
- 评估和比较各种测试等效方法的有效性,以实现尺度协调.
主要方法:
- 采用普通人设计,对10至11.5岁儿童的1551份家长报告.
- 应用了线性方程,内核方程,物件响应理论 (IRT) 和机器学习方法 (回归,随机森林,支持矢量机器).
- 在交叉验证中使用根平均平方误差 (RMSE) 评估方法的有效性.
主要成果:
- 回归方法,特别是那些将结果视为间隔测量并使用项目级信息的方法,表现出卓越的性能.
- 机器学习方法,包括回归,在有效协调ADHD得分方面显示出希望.
结论:
- 在单组设计中,建议使用回归方法来协调CBCL和SDQ的ADHD得分.
- 项目级数据和间隔测量假设提高了ADHD构造的尺度协调的准确性.
更多相关视频
09:16Use of a Video Scoring Anchor for Rapid Serial Assessment of Social Communication in Toddlers
Published on: March 14, 2018
10.2K
05:48The Adventures of Fundi Intervention Based on the Cognitive and Emotional Processing in Attention Deficit Hyperactive Disorder Patients
Published on: June 12, 2020
5.7K
