Tiedot

Kuinka sovittaa keskimääräiset tiedot yhden psykometrisen funktion saamiseksi?

Kuinka sovittaa keskimääräiset tiedot yhden psykometrisen funktion saamiseksi?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Minulla on psykofyysisiä tietoja liikesyrjintätehtävästä saadakseen PSE:n (subjektiivinen tasa-arvo). käytän psignifit ja ovat rakentaneet yksilöllisiä psykometrisiä logistisia toimintoja. Kuinka voin rakentaa jakauman keskiarvostetuilla tiedoilla?


Lyhyt vastaus
Psykometristen käyrien keskiarvo ei ehkä ole paras tapa yhdistää psykofyysisiä tietoja.

tausta
Tyypillisesti psykometrisistä käyristä poimitut kultastandardin tulosmitat yhdistetään ja niistä lasketaan keskiarvo tilastollisten analyysien ja niin edelleen suorittamiseksi.

Esimerkiksi visuaalisissa tieteissä paljon käytetty tulosmitta on näöntarkkuus, jossa esitellään esimerkiksi neljässä suunnassa olevat ritilät tavanomaisilla psykofysikaalisilla testeillä. Koska kyseessä on 4AFC -tehtävä, 62,5% oikea pistemäärä lasketaan kynnyksen mittana, jossa ritilöiden leveys vaihtelee, mitat sykleinä astetta kohden (cpd) tai vastaava näkökulman mitta.

Yksittäisten koehenkilöiden tulosten yhdistämiseksi ja keskiarvoistamiseksi terävyyspisteet lasketaan keskiarvoina, mitataan cpd:nä ja ei psykometriset käyrät. Katso esimerkkejä Nau et ai. (2013) ja Bach et ai. (1996).

Jos todella vaadit, voisit yhdistää kaikki mittaukset, jos käytetään jatkuvan ärsykkeen menetelmää tai vastaavaa paradigmaa. Sitten kootulla tiedolla voitaisiin suorittaa yksi psykometrinen sovitus. Tämän lähestymistavan ongelma, toisin kuin yllä kuvattu suositeltava menetelmä, on se, että sovitus tuottaa mahtavia tuloksia sovitettujen tulosparametrien erinomaisen pienten varianssien sekä suotuisten kuvaavien tilastollisten parametrien, kuten korrelaatiokertoimen, suhteen yksinkertaisesti siksi, että datapisteitä on niin monia ja siten monia vapausasteita. Lisäksi satunnaiset virheet, jotka tapahtuvat yhdessä tai muutamassa kohteessa, vaikuttavat nyt yleiseen sopivuuteen ja "outoja" datapisteitä yleensä peittää lukuisat datapisteet per x-arvo.

Parempi lähestymistapa tilastollisiin kuvaaviin tuloksiin olisi ensin laskea jokaisen datapisteen keskiarvo ja tehdä sitten sovitus. Kuitenkin myös tässä poikkeamat jäävät hämärän keskiarvomenettelyn vuoksi. Psykometristen sovitusten voima on siinä, että yksittäisiä aiheita voidaan analysoida.

Jos käytetään adaptiivista menetelmää edellä, menettely ei päde, koska jokaisella kohteella on eri x-arvot. Mukautuvat menettelyt eivät yleensä sovellu kovin hyvin käyrän sovittamiseen, koska kynnyksen ympärillä olevat datapisteet ovat tiheitä, mutta sattuman tasolle tai 100% oikein kohdistetut tutkimukset ovat harvoja tai niitä ei ole lainkaan. Siksi asymptootit ovat huonosti määriteltyjä. Voit halutessasi keskittää nämä tiedot laskemalla kunkin sovitetun parametrin keskiarvon ja muodostaa niistä "pääsovituksen". Varo kuitenkin logaritmisia arvoja, sillä niiden keskiarvon laskeminen ei ole mielivaltaista. Jälleen kuvailevat tilastolliset parametrit tulevat epäselviksi tällaisessa master-sovituksessa, ja tilastolliset analyysit vaikeutuvat.

Kaiken kaikkiaan neuvoni on pysyä psykometrisen käyrän yksittäisten tulosmittausten yhdistämisessä, eli, pidä kiinni PSE-tulosten yhdistämisestä.

Viitteet
- Nau et ai., Transl Vis Sci Technol (2013); 2(3): 1
- Bach et ai., optom Vis Sei (1996); 73(1): 49-53


JOHDANTO

Unettomuus on erittäin yleinen sairaus, ja siihen liittyy merkittävä taakka toimintahäiriöiden, terveydenhuoltokulujen ja lisääntyneen masennuksen riskin osalta. 1 𠄷 Korkeasta esiintyvyydestään ja merkittävästä sairastuvuudestaan ​​huolimatta unettomuus jää usein tunnistamatta ja hoitamatta osittain useiden arvioinnin esteiden vuoksi. Tarkka tapausten tunnistaminen on tärkeää pätevien arvioiden saamiseksi esiintyvyydestä/esiintyvyydestä ja arvioitaessa tautitaakkaa väestössä. Kliinisesti merkittävän unettomuuden tunnistaminen on myös tärkeää varhaiseen puuttumiseen ja sairastuvuuden vähentämiseen. Siksi tarvitaan luotettavia ja päteviä instrumentteja, jotka auttavat tutkijoita ja kliinikkoja arvioimaan unettomuutta erilaisissa tutkimus- ja kliinisissä yhteyksissä.

Unettomuuden arviointi on moniulotteinen ja siihen tulisi mieluiten sisältyä kliininen arviointi, ja sitä täydennetään itseraportointikyselyillä ja päivittäisillä unipäiväkirjoilla. Vaikka kliininen arviointi on edelleen kultainen standardi pätevän unettomuusdiagnoosin tekemisessä, 8,9 tällainen arviointi voi viedä aikaa rutiininomaisessa kliinisessä käytännössä ja saattaa estää joitakin terveydenhuollon ammattilaisia ​​tiedustelemasta järjestelmällisesti kaikkien potilaiden unta. Lyhyet ja pätevät kyselylomakkeet voivat helpottaa unettomuuden alustavaa seulontaa ja muodollista arviointia. Potilaan näkökulma on myös ratkaisevan tärkeä, jotta voidaan seurata edistymistä ja arvioida lopputulosta hoidon aloittamisen jälkeen. Sääntelyn näkökulmasta potilaiden raportoimia tuloksia käytetään yhä useammin todisteeksi hoidon tehokkuudesta kliinisissä tutkimuksissa. Sekä seulontatarkoituksiin että hoidon tulosten arviointiin tarvitaan lyhyitä, käytännöllisiä ja psykometrisesti järkeviä arviointityökaluja.

Tällä hetkellä on saatavilla useita potilaiden ilmoittamia kyselylomakkeita unettomuuden oireiden, vaikeusasteen, korrelaatioiden ja erilaisten konstruktien arvioimiseksi, joiden oletetaan myötävaikuttavan unettomuuden etiologiaan. 8,10 Unettomuuden seulonnassa ja hoitotuloksen arvioinnissa vaihtoehtoja on vähemmän. Näihin tarkoituksiin käytetyimpiä välineitä ovat esimerkiksi Insomnia Severity Index, 11 Pittsburgh Sleep Quality Index, 12 Insomnia Symptom Questionnaire, 13 ja Ateenan unettomuusasteikko. 14 Kohteiden lukumäärä, vastausmuoto ja aikaväli vaihtelevat eri laitteiden välillä, mutta niiden tarkoituksena on yleensä arvioida potilaan käsitys ja mitata unettomuuden subjektiiviset ulottuvuudet. Jokaisella näistä instrumenteista on omat etunsa ja rajoituksensa (katso katsausta Buysse et ai., Martin et ai., Morin ja Moul et ai.). 10,15 � The Unettomuuden vakavuusindeksi (ISI) on lyhyt instrumentti, joka on suunniteltu arvioimaan unettomuuden yö- ja päiväoireiden vakavuutta. Se on saatavana useilla kielillä ja sitä käytetään yhä enemmän hoitovasteiden mittarina kliinisessä tutkimuksessa. Vaikka sen psykometriset ominaisuudet, jotka käyttävät klassista testiteoriaa, on dokumentoitu aiemmin, 11,18 � tässä asiakirjassa raportoidaan lisävalidoinnista käyttäen tuotevastausteorian (IRT) analyysejä yksittäisten ISI-kohteiden ja vastaanottimen käyttökäyrien (ROC) vastausmallien tutkimiseksi tunnistaa optimaaliset leikkauspisteet tapausten löytämiseksi yhteisönäytteestä ja hoitovasteen arvioimiseksi kliinisestä näytteestä.


Psykometrisen testauksen historia

Käytpä sitten rekrytointiprosessia tai vain harkitset uuteen rooliin hakemista, olet luultavasti törmännyt erittäin tärkeään psykometriseen testiin. Psykometriset testit voivat tuntua uudelta siinä mielessä, että useimmat työnantajat alkavat nyt hyödyntää niitä rekrytointipyrkimyksissä kautta linjan, mutta useimmat ihmiset eivät ymmärrä pitkää historiaa psykometristen testien takana, koska ne ovat kehittyneet läpi ihmiskunnan historian. psykometriset testit, joita teemme tänään.

Ihmiskunnan historian alusta

Psykometrisiä testejä löytyy koko ihmiskunnan historiasta eri kulttuureissa ja uskonnoissa. Muinaisessa Kiinassa hakijoiden oli suoritettava tentit saadakseen arvokkaita ammatteja, joihin kuului tarve olla päteviä finanssipolitiikan, tulojen, maatalouden, armeijan ja lain kaltaisilla aloilla sekä testeissä, joilla määritettiin potentiaalisten sotilaiden fyysinen toimintakyky.

Psykometristen testien varhaiset muodot eivät olleet helppoja. Pikemminkin ne olivat taidon ja älyn sekä kestävyyden testi. Varhainen psykometrinen testi vaati ehdokasta osallistumaan testaukseen koko päivän ja yön-kuvittele, että seuraavan kerran otat ei-niin yksinkertaisen arvioinnin, joka kestää pari tuntia! Asiaa pahensi vielä se, että nämä testit olivat niin haastavia, että niiden läpäisyprosentti oli hieman yli 7 %. Voisi melkein sanoa, että nämä psykometriset testit eivät olleet vain pätevyyden arviointia, vaan ehdokkaiden työntämistä rajoihinsa löytääkseen ehdottoman parhaan.

Vaikka saattaa tuntua, että olisi ihanteellista kuulua tuohon 7 %:iin, valitettavasti se, että hän oli tällä eliittitasolla, ei merkinnyt sitä, että ehdokas olisi menestynyt. Pikemminkin se tarkoitti, että he siirtyivät viimeiselle psykometrisen testauksen kierrokselle, jonka läpäisyprosentti oli noin 3%. Harvat onnekkaat, jotka saavuttivat tämän, pääsivät haluttuihin julkishallinnon rooleihin. Tämä menettely poistettiin vuonna 1906, ja sen tilalle valittiin oikeudenmukaisempi, mutta silti vaikea testi, mutta tämän tyyppinen testaus on edelleen olemassa nykyaikaisessa Kiinassa, samoin kuin muissa lähimaissa, kuten Etelä-Korean tasavallassa.

Tarkkuuden tärkeys

Mielenkiintoista kyllä, Raamattu[1] mainitsee myös epävirallisen psykometrisen testin, jossa ryhmä ihmisiä lausui yhden sanan – mikä todistaa, että joskus pelkkä valmistautuminen riittää ylimääräisen edun saamiseksi. Tällaisia ​​psykometrisiä testejä on olemassa nykyään, varsinkin kun on kyse rooleista, jotka vaativat tarkan, selkeän ääntämisen tai tietylle alueelle ominaisen kieltyypin. Se näkyy myös ammateissa, joissa tarkkuus on välttämätöntä, kuten armeija, ja ehkä enemmänkin lääkärin ammatti, jossa tarkka ja selkeä viestintä voi olla elämän tai kuoleman tilanne.

Vaikka meillä on todisteita psykometrisistä testeistä, jotka ovat peräisin muinaisista lähteistä, tutkijat ovat yhtä mieltä siitä, että ensimmäisen todellisen psykometrisen testin, sen tunnistamisen suhteen, kehitti Francis Galton, joka loi 1880-luvulla testikehyksen osallistujien mittaamiseksi 'älykkyys perustuu heidän aistinvaraisten ja motoristen taitojensa tutkimukseen. Itse asiassa Francis Galton loi termin "psykometrinen" ja hänen työnsä tämän tehokkaan sensorisen ja motorisen psykometrisen testin kehittämiseksi vaikutti tunnettuun psykologian tohtori James Cattelliin, joka on tunnettu psykometristen testien kehittämisestä tuolloin. he olivat olleet koskaan ennen, kun Galtonin työtä kritisoitiin, koska se ei ollut kovin hyödyllinen koulutustulosten ennustamisessa.

Kohti modernia psykometristä testausta

Nykyaikaisen psykometrisen testin juuret ovat Ranskassa 1800-luvulla, ja sen tarkoituksena oli antaa lääkäreille mahdollisuus tunnistaa ja erottaa potilaat, joilla on mielenterveysongelmia ja jotka kärsivät mielisairaudesta.

Kolme tunnettua psykologia, Alfred Binet, Victor Henri ja Theodore Simon, kokoontuivat yhdessä kehittämään psykometrisen testin, jolla voitaisiin tunnistaa mielenterveysongelmista kärsivät lapset. Heillä kesti 15 vuotta kehittää uraauurtava arviointityökalunsa, jossa tarkasteltiin osallistujien sanallisia taitoja ja arvioitiin sitten heidän henkistä kapasiteettiaan. Heidän aikanaan "henkinen jälkeenjääneisyydeksi" kutsuttu testi tuli tunnetuksi Binet-Simon-testinä, ja on huomattavaa, että se on edelleen käytössä.

Se tunnetaan nyt nimellä Stanford-Binet-testi, ja se on viides painos, joka päivitettiin ja julkaistiin vuonna 2003 yhdessä Stanfordin tutkijan Lewis M. Termanin kanssa vastatakseen lasten diagnosoinnin haasteisiin nykyaikana. Terman käytti alkuperäistä Binet-Simonin älykkyysasteikkoa, mutta poisti ongelmalliset kulttuuriset oletukset, kuten tehtävän, joka vaati lapsen valitsemaan "kauneimman näköisen" henkilön, johon kulttuurinen ennakkoluulo voisi selvästikin vaikuttaa. Merkittävällä tarkistuksella, mutta alkuperäisen työn ytimeen perustuen, tuloksena oleva testi pystyy nyt tunnistamaan kehityspuutteita sekä älyllisiä haasteita.

Persoonallisuuden testaamisen juuret

Psykometriset testit sisältävät soveltuvuustestejä (kognitiiviset, älykkyystestit ja muut testit, jotka arvioivat soveltuvuutta tiedon tai taitojen sijaan), kykytestit (testit, jotka arvioivat opittuja tietoja ja taitoja – tämä voi olla oikeinkirjoitus- ja kielioppitesti, kirjoituskoe tai MS Office -testi) ja persoonallisuustestit. Persoonallisuustestit ovat erittäin suosittuja nykypäivän rekrytoinneissa, ja monet työnantajat haluavat löytää ehdokkaiden Myers-Briggs-persoonallisuustyypin huolimatta siitä, että monet psykologit eivät enää usko[2], että tulokset ovat merkityksellisiä.

Ennen suosittuja Myers-Briggejä ja muita talon sisäisiä persoonallisuustyyppejä, jotka antavat paremman kuvan siitä, kuinka joku käyttäytyisi työympäristössä toimivassa tiimissä, persoonallisuustestit olivat melko valitettavia, varsinkin jos et ollut yhteiskunnan nimittämä henkilö. ihanteellinen kauneus." Nyt kumottu frenologian käytäntö arvioi ehdokkaiden persoonallisuutta tarkastelemalla heidän fyysisiä piirteitään, erityisesti kasvoja ja päätä. Tohtori Franz Joseph Gallin luoma frenologia on hylätty pitkään, mutta siitä huolimatta se olisi vaikuttanut siihen, että monet epäonniset ehdokkaat olisivat menettäneet mahdollisuuksia yksinkertaisesti siksi, että ehdokas, jolla on "toivottavammat" fyysiset ominaisuudet, oli myös hakenut. Mielenkiintoista on, että Oxfordin yliopiston tutkijat ovat panneet frenologian testiin[3] eivätkä löytäneet mitään yhteyttä potilaan persoonallisuuden ja hänen kasvojensa ja päänsä muodon tai mittojen välillä.

Sodan tarpeisiin vastaaminen

Kuten olemme maininneet, muinainen Kiina oli ensimmäinen sivilisaatio, joka käytti psykometristä lähestymistapaa rekrytoidessaan, ja tämä ulottui myös heidän sotilaalliseen valintaansa. Länsimaiset armeijat seurasivat esimerkkiä ja pystyivät valitsemaan sotilaita, joilla oli sopivin persoonallisuus testillä, joka tunnettiin Woodworthin persoonallisuustietolomakkeena (1917).

Kuitenkin sen sijaan, että se olisi ollut kliininen testi, se oli itseraportoitu kartoitus, joka antoi ehdokkaille liikkumavaraa persoonallisuutensa esittämiseen. Testin tarkoituksena oli alun perin varmistaa, että hakijoilla ei ole riskiä kuorihokista, ja siitä tuli suosittu yleinen persoonallisuustesti.

Testi koostui 116 kysymyksestä[4], joihin ehdokas saattoi vastata "kyllä" tai "ei", ja se sisälsi paljastavia kysymyksiä, jotka auttoivat rekrytoijia tunnistamaan stressiriskissä olevat ihmiset. Vastaus "kyllä" kysymykseen "Vaivaako sinua työhösi liittyvät unelmat?" ovat saattaneet laittaa ehdokkaat joukkoon, joka ei sovellu sotilaselämään parhaiten, koska heihin vaikuttaisi liikaa se, mitä he näkivät ja tekivät päivittäin. Monet nykyaikaiset psykometriset testit, kuten Symptom Checklist 90, esittävät kysymyksiä, jotka ovat tulleet suoraan Woodworthin diagnostisesta testistä.

Psykometrinen testi tänään

Useimmat työnantajat käyttävät psykometrisiä testejä varmistaakseen, että he valitsevat ehdokkaita, joilla on oikea yhdistelmä taitoja, tietoja ja kykyjä sekä kyky oppia lisää työstä, sopeutua muutoksiin välittömästi ja kyky toimia hyvin edessään. stressi – jota useimmat työntekijät kohtaavat, kun roolit muuttuvat paljon vaativammiksi.

Psykometristen testien ala on kehittynyt vastaamaan työnantajan tarpeita. Työnantajan hakemusten määrä kasvaa ja kaikki hakijat halutaan arvioida objektiivisesti. Persoonallisuus- tai älykkyystestin sijaan ehdokkaita voidaan pyytää suorittamaan soveltuvuuskoe, joka kattaa kognitiiviset taidot, älykkyystesti tai muu testi, joka arvioi soveltuvuutta yleisesti eikä tietoa tai vakiintuneita taitoja.

Työnantajat voivat halutessaan hallinnoida soveltuvuustestin yksin tai yhdistää sen kykytestiin, jossa arvioidaan hakijoiden oppimat tiedot ja taidot - tämä voi olla välimerkitesti, tekstinkäsittelykoe tai Excel -testi. Lopuksi jotkut työnantajat päättävät edelleen käyttää persoonallisuustestejä, mikä voi itse asiassa olla hyvä asia sinulle ehdokkaana, koska se auttaa sinua määrittämään sinulle sopivan ympäristön. Muista, että työhaastattelu on hyvä aika selvittää, haluatko työskennellä mahdollisen työnantajan tarjoamassa ympäristössä, joten älä epäröi käyttää saamaasi näkemystä taidoistasi ja taipumuksistasi tehdäksesi valinnan, joka sopii sinulle. sinä.

Tämän kiehtovan historian ansiosta psykometriset testit paljastavat edelleen näkemyksen siitä, miten ihmiset työskentelevät, ja pienellä valmistelulla voivat auttaa sinua saamaan roolin, joka vastaa täydellisesti ainutlaatuisia taitoja, joita olet kehittänyt työelämäsi aikana – mikä voisi olla parempaa kuin se?


Sensation Seeking: Behavioral Expressions and Biosocial Bases

6 Psykofysiologia

Erot aivojen ja autonomisen hermoston psykofysiologisissa vasteissa ärsykkeen intensiteetin ja uutuuden funktiona on löydetty ja yleisesti toistettu (Zuckerman 1990). Kohtuullisesti voimakkaisiin ja uusiin ärsykkeisiin suuntautuva sykevaste on voimakkaampi korkean tunteen etsijöillä kuin matalalla, mikä ehkä heijastaa heidän kiinnostustaan ​​uusiin ärsykkeisiin (kokemuksen etsiminen) ja kiinnostuksesta toistuviin ärsykkeisiin (tylsyyden herkkyys).

Aivokuoren aiheuttama potentiaali (EP) kuvastaa aivokuoren vasteen suuruutta ärsykkeisiin. Lisäys-vähennys on mitta EP:n amplitudin välisestä suhteesta ärsykkeiden intensiteetin funktiona. Suuri positiivinen kaltevuus (lisäytyminen) on tyypillistä suuria tuntemuksia etsiville (ensisijaisesti estotyyppisille) ja erittäin alhainen kaltevuus, joka joskus heijastaa vasteen heikkenemistä korkeimmilla ärsykeintensiteeteillä (vähentäen), löytyy ensisijaisesti alhaisten tuntemusten etsijiltä. Nämä EP:tä lisäävät-vähentävät erot ovat liittyneet käyttäytymisen hallinnan eroihin yksittäisissä kissoissa ja rottakannoista, jotka ovat analogisia ihmisten tunteita etsivän käyttäytymisen kanssa (Siegel ja Driscoll 1996).


Johtopäätös

Mittasimme psykometrisiä toimintoja havainnointiin ja syrjintään sivuilla ja ilman, käyttämällä vahvaa psykofyysistä menetelmää. Tuloksemme vahvistavat, että havaitsemiseen käytettävät psykometriset toiminnot ovat litteämpiä sivuttaisten läsnä ollessa, että tämä litistyminen on lievästi läsnä psykometrisissä toiminnoissa syrjinnän lähellä havaitsemiskynnyksen lähellä ja että se katoaa käytännössä selvästi havaitsemiskynnyksen yläpuolella. TvC-muodossa piirrettynä syrjintätietomme kuvaavat kuviota, joka eroaa selvästi kahdesta muusta kirjallisuudessa raportoidusta mallista, vaikka erot johtuvat kohtuullisesti erilaisista psykofyysisistä menetelmistä, joita käytettiin näitä kolmea mallia raportoineissa tutkimuksissa.

Tuloksemme eivät toistaneet aikaisempien tutkimusten yleisintä havaintoa, nimittäin sitä, että korkeakontrastisilla tasoilla reuna-arvojen erottelukynnykset ovat korkeammat kuin ilman reunat. Koska menetelmämme eliminoi tyypin A järjestysvaikutukset, jotka harhaanjohtavat laajentavat psykometrisiä toimintoja, voidaan olettaa, että aiemmat tutkimukset ovat itse asiassa osoittaneet, että reunat lisäävät järjestysvaikutusten suuruutta ja siten tuottavat harhaanjohtavasti korkeampia erottelukynnyksiä. Tiedoistamme edelleen löydettyjen B-tyypin järjestysvaikutusten alkuperä on epäselvä, vaikka niillä on raportoitu olevan eri muotoja ja suuruusluokkaa eri olosuhteissa (Ulrich & Vorberg, 2009). Vaikka tässä vaiheessa on vain spekulaatiota, sivusuunnassa olevat B-tyypin järjestysvaikutukset eivät vaikuta kestämättömiltä. Toivottavasti jatkotutkimukset, jotka on suunniteltu myös eliminoimaan A-tyypin järjestysvaikutukset, selventävät, ovatko B-tyypin järjestysvaikutukset 2AFC-syrjintätehtävissä todella suurempia sivuilla kuin ilman niitä, ja ihannetapauksessa myös tunnistaa niiden syyt ja suunnittelee keinoja niiden poistamiseksi. saastuttava vaikutus.

Keskustelumme nykyisistä flanker -fasilitointivaikutusten malleista on kyseenalaistanut hypoteesin pätevyyden, jonka mukaan flankerit vähentävät epävarmuutta kohteen sijainnista. Myös laajalle levinnyt väite, jonka mukaan flankerit muuttavat kontrastivastefunktiota, on osoitettu heijastavan vain luonnollista tulosta mallintajan päätöksestä antaa tämä erityinen rooli flankereille valitsemalla mielivaltaisesti additiiviset kohinamallit dataan (ja onnistumalla siinä). ). Olemme osoittaneet, että vaihtoehtoinen valinta sovittaa multiplikatiivinen kohinamalli onnistuu myös ottamaan tiedot yhtä tarkasti huomioon, ja tämän tyyppisessä mallissa kontrastivastefunktio on sama flankereiden kanssa ja ilman, kun taas varianssifunktio eroaa kummassakin tapauksessa. . Näiden vaihtoehtoisten selitysten toiminnallinen vastaavuus paljastaa, että sivuvaikutusten syytä ei voida määrittää ennen kuin on kehitetty kokeellisia menetelmiä, jotka mahdollistavat kontrastivasteen ja varianssifunktioiden erillisen arvioinnin.


Big Data -ominaisuudet ja -analyysi

Big Datan ominaisuudet

Ei ole selvää yksimielisyyttä siitä, kuka loi termin 𠇋ig Data” tai sen määritelmän (Diebold, 2012). Yleisesti voidaan sanoa, että big data viittaa tietokokonaisuuksiin, joita ei voida havaita, hankkia, hallita ja käsitellä perinteisillä IT- ja ohjelmisto-/laitteistotyökaluilla siedettävässä ajassa (Chen et al., 2014). Hyväksymme tämän määritelmän big datalle. Määritämme suuret tiedot aineistoiksi, jotka ovat suuria verrattuna perinteisiin psykologisen tutkimuksen tietojoukkoihin. Tutkijat voivat edelleen analysoida suuria aineistoja tavallisilla tietokoneillaan, mutta tietojen käsittely voi viedä enemmän aikaa, jolloin tehokas data-analyysi on toivottavaa. On huomattava, että nämä määritelmät liittyvät kaikki laskentamahdollisuuksiin. 10 Gt: n tietojoukkoa, esimerkiksi kuvion Airlines -dataa, pidetään isona datana tyypillisissä tietokoneissa, joissa on 8 Gt RAM -muistia. Sama tietojoukko ei ole enää suuri työasemille, joissa on 128 Gt RAM -muistia.

Yksi ensimmäisistä, jotka kuvaili big dataa, oli luultavasti Laney (2001), joka käytti kolmea ulottuvuutta, nimittäin Volyymi, nopeus, ja Lajike (3 V) kuvatakseen haasteet big datalla. Suuri datamäärä tarkoittaa, että tietojoukon koko voi aiheuttaa ongelmia tallennuksen ja analysoinnin kanssa. Suurinopeuksisella datalla tarkoitetaan dataa, joka tulee suurella nopeudella ja/tai joka on käsiteltävä mahdollisimman lyhyessä ajassa (esim. reaaliaikainen käsittely). Monipuolinen data on dataa, joka koostuu monen tyyppisestä, usein jäsentämättömästä, kuten tekstin, valokuvien, videoiden ja numeroiden sekoituksista.

Neljäs usein mainittu V on totuudenmukaisuus, joka osoittaa laadun tärkeyden (tai totuudenmukaisuus) tiedoista (Saha ja Srivastava, 2014). Totuus eroaa luonteeltaan kolmesta muusta V:stä, koska totuus ei ole big datan ominaisuus sinänsä. Tietojen laatu on siis tärkeää kaikille tietojoukoille, ei vain suurille. Suuren datan keräämiseen käytettävistä menetelmistä johtuen datan todenperäisyyteen liittyvät ongelmat voivat kuitenkin olla suurempia suurilla aineistoilla kuin pienillä. Siksi suuren datan kanssa voi olla jopa tärkeämpää pohtia, ovatko dataan perustuvat johtopäätökset päteviä kuin huolellisesti hankituilla pienemmillä aineistoilla (Lazer et al., 2014 Puts et al., 2015)

Koska big data -analyysejä tehdään pääasiassa fysikaalisissa tieteissä ja liike-elämässä, ei yleensä yhteiskuntatieteissä, tiedon laatua ei useinkaan oteta huomioon kiinnostavien konstruktien luotettavuuden ja validiteetin kannalta, vaan seulonnan kannalta. päällekkäisiä tapauksia ja virheellisiä merkintöjä. Keskittymällä datan luotettavuuteen ja validiteettiin big datan todenmukaisuus on alue, jolla psykologia voi todella vaikuttaa big datan kenttään. Kuvissa näytämme kuinka luotettavuutta ja validiteettia voidaan arvioida suurissa ja suurissa aineistoissa. Esimerkki 1 osoittaa, kuinka mittausten luotettavuutta ja rakenteen pätevyyttä voidaan tutkia, ja esimerkki 2 havainnollistaa, kuinka erilaisia ​​regressiotekniikoita, joita usein käytetään ennustavan validiteetin tutkimiseen, voidaan soveltaa suuriin ja suuriin tietojoukkoihin.

Jotta suuria tietomääriä voidaan analysoida oikein tyypillisellä tietokoneella, tietojoukon koko ei voi olla suurempi kuin satunnaismuistin (RAM) määrä, joka on tyypillisissä tietokoneissa usein 4 tai 8 Gt. Tässä tutkimuksessa keskitytään yksinomaan siihen, kuinka käsitellä psykologian suurta määrää ja todenperäisyyttä niin, että psykologit voivat alkaa analysoida big dataa tutkimuksessaan.


Jyrkän psykometrisen funktion kaltevuuden tunnistaminen kliinisissä sovelluksissa nopeasti

Tarkkailijan psykometrisen toiminnan kaltevuuden tuntemus on mahdollisesti hyödyllistä kliinisessä visuaalisessa psykofysiikassa (esimerkiksi perimetriassa), mutta kliinisessä ympäristössä tarvittavat lyhyet testiajat tyypillisesti estävät kaltevuuden arvioinnin. Tutkimme tietokonesimulaatiolla useiden mahdollisten psykometrisen funktion kaltevuuden arvioinnin menetelmien suorituskykyä rajoitetuissa esityksissä (tavoite noin 30 tai 140 kokeeseen). Toimenpiteet perustuivat joko adaptiivisiin portaikkoihin tai Bayesin tekniikoihin, ja suorituskykyä verrattiin jatkuvan ärsykkeen menetelmään. Mukautus Ψ Algoritmi toimi parhaiten, sillä se pystyi luotettavasti tunnistamaan jyrkät ja litteät psykometriset funktiot alle 30 esityksessä, mutta matalien psykometristen toimintojen luotettava kvantifiointi ei ollut mahdollista.

Tutkimuksen kohokohdat

► Esittelemme kliinisesti käyttökelpoisia algoritmeja psykometrisen funktion kaltevuuden löytämiseksi ► Konstevichin ja Tylerin Psi-algoritmin sovitus toimii hyvin ► Jyrkät rinteet voidaan tunnistaa luotettavasti alle 30 esityksessä.


Piilotettu huomio vaikuttaa kontrastiherkkyyden psykometriseen toimintaan

Tutkimme ohimenevän peitetyn huomion vaikutusta kontrastin herkkyyden psykometriseen toimintaan suuntautumisen syrjintätehtävässä, kun kohde esitettiin yksin ilman häiriötekijöitä ja visuaalisia maskeja. Ohimenevä peitetty huomio alensi sekä kynnystä (kontrastivahvistusmekanismin mukaisesti) että, vähemmän johdonmukaisesti, psykometrisen toiminnon kaltevuutta. Arvioimme suorituskykyä kahdeksalla yhtä kaukana olevasta paikasta (epäkeskisyys 4,5 °) ja totesimme, että kynnys ja kaltevuus riippuivat kohdepaikasta - molemmat olivat korkeampia pystysuorassa kuin vaakasuora pituuspiiri, erityisesti suoraan kiinnityksen yläpuolella. Kaikki tehosteet olivat vahvoja useilla alueellisilla taajuuksilla, ja näkökentän epäsymmetriat kasvoivat paikkataajuuden myötä. Huolimatta psykometrisen toiminnon riippuvuudesta kohteen sijainnista, huomio paransi suorituskykyä samalla tavalla koko näkökentässä.

Ottaen huomioon, että tässä tutkimuksessa suljemme pois kaikki ulkoisen melun lähteet ja osoitimme kokeellisesti, että spatiaalinen epävarmuus ei voi selittää nykyisiä tuloksia, päättelemme, että havaittu huomionhyöty on yhdenmukainen signaalin tehostamisen kanssa.


Muut näkökohdat [muokkaa | muokkaa lähdettä]

Rasch -mallia arvostellaan sillä, että se on liian rajoittava tai määräävä, koska se ei salli jokaiselle kohteelle erilaista syrjintää. Monivalintakohteiden käyttöä opetusarvioinnissa kritisoidaan erityisesti siitä, että mallissa ei ole arvailua, koska vasen asymptootti lähestyy aina nollatodennäköisyyttä Rasch -mallissa. Nämä muunnelmat ovat saatavilla malleissa, kuten kahden ja kolmen parametrin logistisissa malleissa (Birnbaum, 1968). Tasaisen erottelun määrittely ja nollavasen asymptootti ovat kuitenkin mallin välttämättömiä ominaisuuksia yksinkertaisen, painottamattoman raakapistemäärän riittävyyden ylläpitämiseksi.

Kahden parametrin logistiikkamallissa (2PL-IRT Lord & amp; Novick, 1968) painotettu raakapisteytys on teoreettisesti riittävä henkilöparametreille, joissa painot annetaan malliparametreilla, joita kutsutaan syrjintäparametreiksi. Lord & Novickin yksiparametrinen logistinen malli, 1PL, näyttää samanlaiselta kuin Rasch-malli, sillä siinä ei ole syrjintäparametreja, mutta 1PL:llä on erilainen motivaatio ja hienovaraisesti erilainen parametrointi. 1PL on kuvaileva malli, joka tiivistää otoksen normaalijakaumana. Dikotominen Rasch-malli on mittausmalli, joka parametroi jokaisen näytteen jäsenen erikseen. Muitakin teknisiä eroja on. [Kuinka viitata ja linkittää yhteenvetoon tai tekstiin]

Verhelst & Glas (1995) johtavat ehdollisen maksimitodennäköisyyden (CML) yhtälöitä mallille, jota he kutsuvat One Parameter Logistic Model (OPLM) -malliksi. Algebrallisessa muodossa se näyttää olevan identtinen 2PL-mallin kanssa, mutta OPLM sisältää ennalta määritetyt erotteluindeksit 2PL:n arvioitujen erotteluparametrien sijaan. Kuten nämä kirjoittajat huomauttavat, ongelma, joka kohtaa arvioitaessa estimoituja erotteluparametreja, on se, että erot ovat tuntemattomia, mikä tarkoittaa, että painotettu raakapistemäärä "ei ole pelkkä tilasto, joten on mahdotonta käyttää CML:ää estimointimenetelmänä. " (Verhelst & Glas, 1995, s. 217). Toisin sanoen painotetun "pistemäärän" riittävyyttä 2PL:ssä ei voida käyttää sen tavan mukaan, jolla riittävä tilasto on määritelty. Jos painot lasketaan estimoinnin sijaan, kuten OPLM:ssä, ehdollinen estimointi on mahdollista ja Rasch-mallin ominaisuudet säilyvät (Verhelst, Glas & Verstralen, 1995 Verhelst & Glas, 1995). OPLM:ssä syrjintäindeksin arvot on rajoitettu välille 1 - 15. Tämän lähestymistavan rajoituksena on, että käytännössä syrjintäindeksien arvot on asetettava ennalta lähtökohtana. Tämä tarkoittaa sitä, että syrjintää arvioidaan jonkinlaisella tavalla, kun tarkoituksena on välttää sitä.


Liitännät

Psykologian laitos, Pennsylvanian yliopisto, Philadelphia, 19104, Pennsylvania, USA

Center for Perceptual Systems, University of Texas at Austin, Austin, Texas 78712, USA

Voit myös etsiä tätä tekijää PubMed Google Scholarista

Voit myös etsiä tätä tekijää PubMed Google Scholarista

Lahjoitukset

J.B. ja W.S.G. kehitti analyysin, suunnitteli kokeet ja kirjoitti paperin. J.B. suunnitteli projektin, analysoi tiedot ja suoritti kokeita.

Vastaava kirjoittaja


Piilotettu huomio vaikuttaa kontrastiherkkyyden psykometriseen toimintaan

Tutkimme ohimenevän peitetyn huomion vaikutusta kontrastin herkkyyden psykometriseen toimintaan suuntautumisen syrjintätehtävässä, kun kohde esitettiin yksin ilman häiriötekijöitä ja visuaalisia maskeja. Ohimenevä peitetty huomio alensi sekä kynnystä (kontrastivahvistusmekanismin mukaisesti) että, vähemmän johdonmukaisesti, psykometrisen toiminnon kaltevuutta. Arvioimme suorituskykyä kahdeksassa yhtä kaukana olevasta sijainnista (4,5 asteen epäkeskisyys) ja havaitsimme, että kynnys ja kaltevuus riippuivat kohteen sijainnista – molemmat olivat korkeammat pystysuorassa kuin vaakasuuntainen pituuspiiri, erityisesti suoraan kiinnityksen yläpuolella. Kaikki tehosteet olivat kestäviä useilla tilataajuuksilla, ja näkökentän epäsymmetria kasvoi tilataajuuden myötä. Huolimatta psykometrisen toiminnon riippuvuudesta kohteen sijainnista, huomio paransi suorituskykyä samalla tavalla koko näkökentässä.

Ottaen huomioon, että tässä tutkimuksessa suljemme pois kaikki ulkoisen melun lähteet ja osoitimme kokeellisesti, että spatiaalinen epävarmuus ei voi selittää nykyisiä tuloksia, päättelemme, että havaittu huomionhyöty on yhdenmukainen signaalin tehostamisen kanssa.


Johtopäätös

Mittasimme psykometriset toiminnot havaitsemista ja syrjintää varten sivuilla ja ilman niitä käyttämällä vankkaa psykofyysistä menetelmää. Our results confirm that psychometric functions for detection are flatter in the presence of flankers, that this flattening is mildly present in psychometric functions for discrimination near the detection threshold, and that it virtually disappears well above the detection threshold. When plotted in TvC form, our discrimination data describe a pattern that is distinctly different from two other patterns that have been reported in the literature, although the differences are reasonably attributed to the different psychophysical methods used across the studies that reported these three patterns.

Our results did not replicate the most common finding of earlier studies, namely that at high-contrast levels, discrimination thresholds with flankers are higher than those without flankers. Because our method eliminated Type-A order effects that spuriously broaden psychometric functions, one might speculate that, by comparison, what previous studies have actually shown is that flankers increase the magnitude of order effects, and thus produce spuriously higher discrimination thresholds. The origin of Type-B order effects still found in our data is unclear, although they have been reported to have different forms and magnitudes in different conditions (Ulrich & Vorberg, 2009). Although only a speculation at this point, flanker-contingent Type-B order effects do not seem untenable. Hopefully, further research designed also to eliminate Type-A order effects will clarify whether Type-B order effects in 2AFC discrimination tasks are actually larger with flankers than without them and, ideally, will also identify their causes and devise means for the elimination of their contaminating influence.

Our discussion of current models of flanker facilitation effects has questioned the validity of the hypothesis that flankers reduce uncertainty about the location of the target. Also, the widespread claim that flankers alter the contrast response function has been shown to reflect only the natural outcome of the modeler’s decision to attribute this particular role to the flankers by the arbitrary choice of fitting additive noise models to the data (and succeeding at that). We have shown that the alternative choice of fitting a multiplicative noise model also succeeds at accounting for the data equally accurately, and in this type of model, the contrast response function is the same with and without flankers, whereas the variance function differs in either case. The functional equivalence of these alternative explanations reveals that the cause of flanker effects cannot be determined until experimental procedures are devised that allow separate estimation of the contrast response and variance functions.


The History of Psychometric Testing

Whether you are going through the recruitment process or simply thinking about applying for a new role, you’ve probably come across the all-important psychometric test. Psychometric tests may seem new, in the sense that most employers are now beginning to utilize them in recruitment efforts across the board, but what most people don’t realize is the lengthy history behind psychometric tests themselves, which have developed throughout human history to be the psychometric tests we take today.

From the dawn of human history

Psychometric tests are found throughout human history, appearing across cultures and religions. In ancient China, candidates were required to take examinations in order to obtain prized occupations which involved the need to be competent in areas such as fiscal policies, revenue, agriculture, military, and law as well as tests that determined physical capability of potential soldiers.

Early forms of psychometric tests were not easy. Rather, they were a test of skill and intelligence, as well as endurance. An early psychometric test required the candidate to attend testing for a full day and night – imagine that next time you are taking a not-so-simple assessment spanning a couple of hours! To make matters worse, these tests were so challenging that they had a pass rate of little more than 7%. You could almost say these psychometric tests were not just about assessing competency they were about pushing candidates to their limits to find the absolute best.

While it may seem like it would be ideal to be in that 7%, unfortunately being at that elite level did not mean the candidate was successful. Rather, it meant they moved on to the final round of psychometric testing, which had a pass rate of about 3%. The lucky few that achieved this entered the much sought after public official roles. This procedure was eliminated in 1906, and a fairer but still difficult test was chosen in its place, but this type of testing still exists today in modern China, as well as other nearby countries such as the Republic of South Korea.

The importance of accuracy

Interestingly, the Bible[1] also makes a mention of an informal psychometric test, which involved a group of people pronouncing a single word – proving that sometimes just that little bit of preparation is all you need to gain an extra edge. These kinds of psychometric tests exist today, especially when it comes to roles which require exact, clear pronunciation or a type of language specific to one area. It can also be seen in occupations where accuracy is essential, such as the military, and perhaps to a greater extent the medical profession, where accurate and clear communication can be a life-or-death situation.

Although we have evidence of psychometric-type tests coming from ancient sources, researchers agree that the first true psychometric test, in terms of how we identify it today, was developed by Francis Galton, who in the 1880s created a framework of tests to gauge participants’ intelligence based on an examination of their sensory and motor skills. In fact, it was Francis Galton who created the term “psychometric” and his work in developing this efficient sensory and motor skill psychometric test went on to influence noted psychologist Dr. James Cattell, who is renowned for developing psychometric tests further at that time than they had ever been before, when Galton’s work was criticized as not being very useful when it came to predicting educational outcomes.

Toward modern psychometric testing

The modern type of psychometric test we know today has roots in France in the 19 th century and was devised to allow physicians to identify and separate patients with mental deficiencies and those experiencing mental illness.

Three renowned psychologists, Alfred Binet, Victor Henri, and Theodore Simon, got together to work on developing a psychometric test that could identify young children affected by mental deficiencies. It took them 15 years to develop their groundbreaking assessment tool, which looked at participants’ verbal skills and then assessed their level of mental capacity. Referred to as “mental retardation” in their day, the test became known as the Binet-Simon test, and remarkably, is still in use today.

Now known as the Stanford-Binet test, it is in its fifth edition, having been updated and released in 2003 in conjunction with Stanford researcher Lewis M. Terman to address the challenges of diagnosing children in the modern era. Terman used the original Binet-Simon Intelligence Scale, but removed problematic cultural assumptions, such as a task which required the child to select the “prettiest looking” person, which could clearly be affected by cultural bias. With significant revision, but based on the heart of the original work, the resulting test is now able to identify developmental deficiencies as well as intellectual challenges.

The roots of personality testing

Psychometric tests include aptitude tests (cognitive, IQ tests, and other tests that assess aptitude rather than knowledge or a skill set), ability tests (tests that assess learned knowledge and skills – this could be a spelling & grammar test, a typing test or an MS Office test), and personality tests. Personality tests are very popular in today’s recruitment, with plenty of employers looking to find candidates’ Myers-Briggs personality type, regardless of the fact that many psychologists no longer believe[2] the results are meaningful.

Before the popular Myers-Briggs, and other in-house personality types which give a better indication of how someone would behave in a team functioning inside a workplace environment, personality tests were rather unfortunate, especially if you weren’t what society termed “an ideal beauty.” The now debunked practice of phrenology assessed candidates’ personalities by looking at their physical features, in particular the face and head. Created by Dr. Franz Joseph Gall, phrenology has long been debunked, but nonetheless would have contributed toward many unlucky candidates losing out on opportunities simply because a candidate with more “desirable” physical features had also applied. Interestingly, researchers at the University of Oxford have put phrenology to the test[3] and found no link whatsoever between a patient’s personality with shape or measurements of their face and head.

Addressing the needs of war

As we have mentioned, ancient China was the first civilization on record to take a psychometric approach when recruiting, and this extended to their military selection. Western armies followed suit, and were able to select soldiers with what was considered the most suitable personality with a test which was known as the Woodworth Personality Data Sheet (1917).

However, rather than being an administered clinical test, it was a self-reported inventory that gave candidates some leeway on how they represented their personality. Initially designed to ensure candidates were not at risk of developing shell shock, the test became popular as a general personality test and paved the way for personality tests used in recruitment today.

The test consisted of 116 questions[4] where the candidate could respond “yes” or “no” and included revealing questions that helped recruiters identify people at risk of stress. Answering “yes” to “Are you troubled with dreams about your work?” may have put candidates into a pool not best suited for military life, as they would be too affected by what they saw and did on a daily basis. Plenty of modern psychometric tests, such as the Symptom Checklist 90, ask questions that have come directly from Woodworth’s diagnostic test.

Psychometric testing today

Most employers make use of psychometric testing to ensure they are selecting candidates with the right mix of skills, knowledge, and capabilities as well as the capacity to learn more on the job, adapt to changes instantaneously, and the ability to function well in the face of stress – which most workers deal with as roles become much more demanding.

The psychometric test industry has evolved to suit the needs of the employer, who is faced with increasing numbers of applications as well as a desire to assess all candidates objectively. So instead of just facing a personality or intelligence test, candidates may be asked to take an aptitude test covering cognitive skill, an IQ test, or another test that assesses aptitude in general rather than knowledge or an established skill set.

Employers can choose to administer an aptitude test alone, or combine it with an ability test which assesses the candidates’ learned knowledge and skills – this could be a punctuation test, a word processing test, or an Excel test. Finally, some employers still choose to use personality tests, which can actually be a good thing for you as a candidate as it helps you determine which environment is right for you. Remember, a job interview is a good time to see whether you want to work in the environment the potential employer offers, so don’t hesitate to use the insight you receive about your skills and tendencies to make a choice that is a good fit for you.

With such a fascinating history, psychometric tests continue to reveal insight into how people work, and with a little preparation, can help you land a role that perfectly matches the unique set of skills you’ve developed over your working life – what could be better than that?


Characteristics and Analysis of Big Data

Characteristics of Big Data

There is no clear consensus on neither who coined the term 𠇋ig Data” nor the definition of it (Diebold, 2012). In general one could say big data refers to datasets that cannot be perceived, acquired, managed, and processed by traditional IT and software/hardware tools within a tolerable time (Chen et al., 2014). We adopt this definition on big data. We define large data as datasets that are large in comparison to conventional datasets in psychological research. Researchers can still analyze large datasets with their standard computers but it may take more time to process the data, such that efficient data-analysis is desirable. It should be noted that these definitions are all relative to the computing facilities. A dataset of 10 GB, e.g., the Airlines data in the illustration, is considered as big data in typical computers with 8 GB RAM. The same dataset is no longer big for workstations with 128 GB RAM.

One of the first to describe big data was probably Laney (2001), who used three dimensions, namely Volume, Velocity, ja Variety (the 3 Vs), to describe the challenges with big data. High volume data means that the size of the dataset may lead to problems with storage and analysis. High velocity data refers to data that come in at a high rate and/or have to be processed within as short an amount of time as possible (e.g., real-time processing). High variety data are data consisting of many types, often unstructured, such as mixtures of text, photographs, videos, and numbers.

A fourth V that is often mentioned is Veracity, indicating the importance of the quality (or truthfulness) of the data (Saha and Srivastava, 2014). Veracity is different in kind from the other three Vs, as veracity is not a characteristic of big data sinänsä. That is, data quality is important for all datasets, not only big ones. However, due to the methods that are used to gather big data, the scale of the problems with respect to the veracity of data may be larger with big datasets than with small ones. Therefore, with big data it may be even more important to consider whether the conclusions based on the data are valid than with carefully obtained smaller datasets (Lazer et al., 2014 Puts et al., 2015)

As big data analyses are mainly performed in the physical sciences and business settings, and not commonly in the social sciences, the quality of the data is often not considered in terms of reliability and validity of the constructs of interest, but in terms of screening for duplicate cases and faulty entries. By focusing on the reliability and validity of the data, the veracity of big data is an area where psychology can really contribute to the field of big data. In the illustrations, we demonstrate how reliability and validity can be evaluated in big and large datasets. Example 1 shows how the reliability and the construct validity of the measures can be studied, while Example 2 illustrates how various regression techniques that are often used to study predictive validity, can be applied to big and large datasets.

In order to analyze large volumes of data properly using a typical computer, the size of the dataset cannot be larger than the amount of random-access memory (RAM), which will often be 4 or 8 GB on typical computers. The present study focuses exclusively on how to handle the large volume and the veracity of data in psychology so that psychologists may begin to analyze big data in their research.


Identifying steep psychometric function slope quickly in clinical applications

Knowledge of an observer’s psychometric function slope is potentially useful in clinical visual psychophysics (for example, perimetry), however, the short test times necessary in a clinical setting typically prevent slope estimation. We explore, using computer simulation, the performance of several possible procedures for estimating psychometric function slope within limited presentations (aiming for approximately 30 or 140 trials). Procedures were based on either adaptive staircase or Bayesian techniques, and performance was compared to a Method of Constant Stimuli. An adaptation of the Ψ algorithm was best performing, being able to reliably identify steep from flat psychometric functions in less than 30 presentations, however reliable quantification of shallow psychometric functions was not possible.

Research highlights

► We present clinically viable algorithms for finding psychometric function slope ► An adaption of the Psi algorithm of Konstevich and Tyler works well ► Steep slopes can be reliably identified in less than 30 presentations.


Sensation Seeking: Behavioral Expressions and Biosocial Bases

6 Psychophysiology

Differences in the psychophysiological responses of the brain and autonomic nervous system as a function of stimulus intensity and novelty have been found and generally replicated (Zuckerman 1990 ). The heart rate response reflecting orienting to moderately intense and novel stimuli is stronger in high sensation seekers than in lows, perhaps reflecting their interest in novel stimuli (experience seeking) and disinterest in repeated stimuli (boredom suceptibility).

The cortical evoked potential (EP) reflects the magnitude of the brain cortex response to stimuli. Augmenting–reducing is a measure of the relationship between amplitude of the EP as a function of the intensity of stimuli. A high positive slope (augmenting) is characteristic of high sensation seekers (primarily those of the disinhibition type) and very low slopes, sometimes reflecting a reduction of response at the highest stimulus intensities (reducing), is found primarily in low sensation seekers. These EP augmenting–reducing differences have been related to differences in behavioral control in individual cats and strains of rats analogous to sensation seeking behavior in humans (Siegel and Driscoll 1996 ).


Other considerations [ edit | muokkaa lähdettä]

A criticism of the Rasch model is that it is overly restrictive or prescriptive because it does not permit each item to have a different discrimination. A criticism specific to the use of multiple choice items in educational assessment is that there is no provision in the model for guessing because the left asymptote always approaches a zero probability in the Rasch model. These variations are available in models such as the two and three parameter logistic models (Birnbaum, 1968). However, the specification of uniform discrimination and zero left asymptote are necessary properties of the model in order to sustain sufficiency of the simple, unweighted raw score.

In the two-parameter logistic model (2PL-IRT Lord & Novick, 1968) the weighted raw score is theoretically sufficient for person parameters, where the weights are given by model parameters referred to as discrimination parameters. Lord & Novick's one-parameter logistic model, 1PL, appears similar to the Rasch model in that it does not have discrimination parameters, but 1PL has different motivation and subtly different parameterization. The 1PL is a descriptive model which summarizes the sample as a normal distribution. The dichotomous Rasch model is a measurement model which parameterizes each member of the sample individually. There are other technical differences. [How to reference and link to summary or text]

Verhelst & Glas (1995) derive Conditional Maximum Likelihood (CML) equations for a model they refer to as the One Parameter Logistic Model (OPLM). In algebraic form it appears to be identical with the 2PL model, but OPLM contains preset discrimination indexes rather than 2PL's estimated discrimination parameters. As noted by these authors, though, the problem one faces in estimation with estimated discrimination parameters is that the discriminations are unknown, meaning that the weighted raw score "is not a mere statistic, and hence it is impossible to use CML as an estimation method" (Verhelst & Glas, 1995, p. 217). That is, sufficiency of the weighted "score" in the 2PL cannot be used according to the way in which a sufficient statistic is defined. If the weights are imputed instead of being estimated, as in OPLM, conditional estimation is possible and the properties of the Rasch model are retained (Verhelst, Glas & Verstralen, 1995 Verhelst & Glas, 1995). In OPLM, the values of the discrimination index are restricted to between 1 and 15. A limitation of this approach is that in practice, values of discrimination indexes must be preset as a starting point. This means some type of estimation of discrimination is involved when the purpose is to avoid doing so.


Liitännät

Department of Psychology, University of Pennsylvania, Philadelphia, 19104, Pennsylvania, USA

Center for Perceptual Systems, University of Texas at Austin, Austin, Texas 78712, USA

Voit myös etsiä tätä tekijää PubMed Google Scholarista

Voit myös etsiä tätä tekijää PubMed Google Scholarista

Lahjoitukset

J.B. and W.S.G. developed the analysis, designed the experiments and wrote the paper. J.B. conceived the project, analysed the data and performed the experiments.

Vastaava kirjoittaja


JOHDANTO

Insomnia is a highly prevalent condition and carries significant burden in terms of functional impairment, health care costs, and increased risk of depression. 1 𠄷 Despite its high prevalence and significant morbidity, insomnia often remains unrecognized and untreated, partly due to several barriers to assessment. Accurate case identification is important for deriving valid estimates of prevalence/incidence and for assessing burden of disease in the population. Identifying clinically significant insomnia is also important to intervene early and reduce morbidity. Thus, reliable and valid instruments are needed to assist investigators and clinicians in evaluating insomnia in various research and clinical contexts.

The assessment of insomnia is multidimensional and should ideally include a clinical evaluation and be complemented by self-report questionnaires and daily sleep diaries. While a clinical evaluation remains the gold standard for making a valid insomnia diagnosis, 8,9 such an evaluation can be time-consuming in routine clinical practice and may discourage some health practitioners from systematically inquiring about sleep in all of their patients. Brief and valid questionnaires can facilitate the initial screening and formal evaluation of insomnia. The patient's perspective is also of critical importance to monitor progress and evaluate outcome after initiating treatment. From a regulatory perspective, patient-reported outcomes are becoming increasingly used to substantiate evidence of treatment effectiveness in clinical trials. There is a need for assessment tools that are brief, practical, and psychometrically sound both for screening purposes and treatment outcome evaluation.

There are currently several patient-reported questionnaires available for assessing insomnia symptoms, severity, correlates, and a variety of constructs presumed to contribute to the etiology of insomnia. 8,10 With regard to screening for insomnia and evaluating treatment outcome, there are fewer choices available. Some of the most widely used instruments for these purposes include, for example, the Insomnia Severity Index, 11 the Pittsburgh Sleep Quality Index, 12 the Insomnia Symptom Questionnaire, 13 and the Athens Insomnia Scale. 14 While the number of items, response format, and time frame varies across instruments, they are generally aimed at assessing the patient's perception and at quantifying subjective dimensions of insomnia. Each of these instruments has its own advantages and limitations (for reviews see Buysse et al., Martin et al., Morin, and Moul et al.). 10,15 � The Insomnia Severity Index (ISI) is a brief instrument that was designed to assess the severity of both nighttime and daytime components of insomnia. It is available in several languages and is increasingly used as a metric of treatment response in clinical research. While its psychometric properties using classical test theory have been documented previously, 11,18 � the present paper reports further validation using item response theory (IRT) analyses to examine response patterns on individual ISI items and receiver-operating curves (ROC) to identify optimal cut points for case finding in a community sample and for assessing treatment response in a clinical sample.


Katso video: Aritmeettinen lukujono (Saattaa 2022).