California Verbal Learning Test Indicators of Suboptimal Performance in a Sample of Head-Injury Litigants
Notice bibliographique
Résumé
Cutoff scores suggested by Millis, Putnam, Adams, and Ricker (1995) for detecting suboptimal performance on indices from the California Verbal Learning Test (CVLT) were evaluated using data from 193 compensation-seeking participants. All participants claimed to have suffered a blow to the head in an accident causing subsequent deterioration in cognitive function. The participants were divided into those with negligible or possible mild brain injuries and those with clear evidence of moderate to severe brain injuries. In addition to the CVLT, all participants were administered the Computerized Assessment of Response Bias (CARB), a two-alternative forced choice test of recognition memory that is used to detect feigned cognitive impairment. For all CVLT indices, the distributions of outcome (valid vs. suboptimal performance) was unrelated to age and brain injury severity, and only weakly associated with education. However, a significantly higher proportion of males than females obtained scores in the suboptimal performance range. The CVLT indices were not fully redundant with each other with respect to binary participant classifications; substantial disagreement between pairwise classifications was found among those participants who obtained at least one score in the suboptimal performance range. CVLT index classifications were also found to be non-redundant with classifications based on CARB scores. The CVLT may thus add useful data over and above that obtained from symptom validity testing. However, the data suggest that the use of the strategy where any one or more below-cutoff CVLT scores are considered a positive indicator of suboptimal performance may be associated with a higher than acceptable false-positive error rate.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 tête enseignante, 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 ».