Predicting <i>Diagnostic and Statistical Manual of Mental Disorders‐IV</i> personality disorders with the five‐factor model of personality and the personality psychopathology five
Notice bibliographique
Résumé
Abstract The five‐factor model of personality (FFM), derived from personality trait psychology, is increasingly used to describe personality disorders (PDs). Critics have argued, however, that the personality traits of the FFM fail to capture adequately the full range of personality psychopathology. In this investigation, the personality domains of the personality psychopathology five (PSY‐5), an alternative model designed specifically to assess pathological traits, were compared to the domain traits from the FFM in the prediction of the PD symptom counts. The personality traits from both dimensional models were assessed in a sample of 138 psychiatric patients with the Minnesota Multiphasic Personality Inventory‐2 (MMPI‐2) and the revised NEO personality inventory (NEO PI‐R), respectively. Both instruments significantly predicted all 10 PD symptoms and contributed on average an additional 10% of the variance beyond that predicted by the other instrument. Whereas the MMPI‐2 PSY‐5 scales were comparatively better predictors of paranoid, schizotypal, narcissistic and antisocial PD symptom counts, the NEO PI‐R domain scales outperformed the MMPI‐2 PSY‐5 scales in the prediction of borderline, avoidant and dependent PD symptom counts. Copyright © 2008 John Wiley & Sons, Ltd.
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 | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».