Models Under Scrutiny—the Strengths and Limitations of Our Theoretical Frameworks: a Comment on Holla et al.
Notice bibliographique
Résumé
Models offer heuristic frameworks regarding relationships among concepts. These proposed frameworks guide research as investigators seek to corroborate and/or qualify these relationships for specific populations. Avoidance of activity has emerged as an important factor in a number of models attempting to account for pain and disability outcomes among such groups as low back pain sufferers [1], elderly individuals prone to falls [2], and individuals with arthritis [3]. These models typically suggest a relationship between avoidance, physical deconditioning, and negative affect (e.g., depression). In each of these areas, work is underway to examine the limits and scope of the model in question. In the study by Holla et al. [4], the authors used structural equation modeling to examine the relationships between variables comprising the avoidance model of pain in osteoarthritis [5], namely pain severity, negative affect, avoidance coping, muscle strength, and activity limitation. In line with hypotheses derived from the model, findings confirmed that higher pain contributed to lessened muscle strength through the mediating impact of activity avoidance. In turn, lessened muscle strength mediated the relationship between avoidance and activity limitation (assed using self-report and in-lab performance). Diverging from the original model, negative affect was not found to moderate the relationship between pain and avoidance. Rather, findings suggested that, as with pain, avoidance coping mediated the relationship between negative affect and lower muscle strength. Additionally, the association between pain and avoidance appeared partially explained by negative affect. The final model included a number of direct relationships among variables which were not suggested by the original model structure. The authors note that such direct associations point to existence of alternative pathways between variables than those outlined by the avoidance model in its current form.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,056 | 0,205 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,013 | 0,033 |
| Communication savante | 0,012 | 0,023 |
| Science ouverte | 0,017 | 0,010 |
| Intégrité de la recherche | 0,091 | 0,134 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».