Tracing the Interpersonal Web of Psychopathology: Dyadic Data Analysis Methods for Clinical Researchers
Notice bibliographique
Résumé
Recent advances in dyadic data analysis techniques, which treat the dyad, rather than the individual, as the unit of analysis, offer great potential for clinical researchers studying psychopathology. Accordingly, the present article provides readers with a foundation for understanding how the web of interpersonal processes surrounding psychopathology can be modeled and analyzed. The authors start by describing why the analysis of dyadic behaviour may be particularly important for clinical researchers and how issues of dependence that lie at the heart of dyadic data may be productively studied. Next, they describe design issues to consider when studying the interactions of dyads, as well as different kinds of outcome and predictor variables and their data-analytic implications. They introduce the actor-partner interdependence model (APIM), and explain in detail how to estimate it using structural equation modeling (SEM) for both distinguishable and indistinguishable dyads. Extensions of the basic APIM to allow for moderation and mediation, as well as alternative dyadic models involving dyadic latent variables are also covered. Toward the end of the article, the authors describe various approaches for incorporating psychopathology into dyadic SEMs and provide a list of basic questions for clinical researchers to consider when setting up a dyadic model for data analysis.
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 | 0,088 | 0,195 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,009 | 0,012 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,006 | 0,010 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».