Modeling Interinformant Agreement in the Absence of a “Gold Standard”
Notice bibliographique
Résumé
Epidemiological surveys of child and adolescent mental disorders often rely on multiple informants to get a complete diagnostic picture. A consistent finding in the literature is that different informants often do not identify the same children as being disordered. However, because current strategies for estimating interinformant agreement often involve categorizing children using less than perfectly sensitive and/or specific symptoms, biased estimates of interinformant agreement are likely. The aim of this report was to illustrate how latent class analysis (LCA) can be used to model interinformant agreement in the absence of a "gold standard". The proposed model consists of informant-specific latent variables each made up of two or more latent classes corresponding to different levels of symptomatology. Unlike most previous applications of LCA this model allows us to model the extent to which the prevalence of the disorder is the same across informants; and, in addition, the association between informants. The data set comes from a prospective longitudinal study of 2,264 children from Quebec (1,155 boys and 1,109 girls). In grade 2, teachers and mothers independently rated each child on three physical aggression behavior symptoms. We satisfactorily accounted for the cross-classification of the behavior symptoms by postulating the existence of two latent variables--one for each informant each made up of three latent classes of children: low-, medium-, and high-aggressive. The results showed that the prevalence of low- and medium-aggressive children in the population differed from teacher to mother, but that the prevalence of high-aggressive children did not. We found that the association between teacher and mother was large and positive and did not vary according to the child's physical aggression state or gender; in contrast, the association between physical aggression and gender was not the same for mother and teacher. Limitations and other potential applications of the proposed model are discussed.
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 | 0,162 | 0,250 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».