Seeing the forest for the trees: Prevalence of low scores on the Wechsler Intelligence Scale for Children, fourth edition (WISC-IV).
Notice bibliographique
Résumé
Low scores across a battery of tests are common in healthy people and vary by demographic characteristics. The purpose of the present article was to present the base rates of low scores for the Wechsler Intelligence Scale for Children, fourth edition (WISC-IV; D. Wechsler, 2003). Participants included 2,200 children and adolescents between 6 and 16 years of age from the WISC-IV U.S. standardization sample. Measures considered in the base rates analyses included the 10 core subtests and the 4 index scores. Analyses were conducted for the entire standardization sample as well as stratified by different classifications of intelligence and different years of parental education. In the total sample, it is uncommon to have 6 or more subtest scores or 2 or more Index scores <or= 9th percentile. The prevalence of low scores typically increased with lesser intelligence and fewer years of parental education (e.g., children with below-average intelligence were 75 times more likely than children with above-intelligence to have at least one impaired subtest score). Consistent with existing studies of the base rates of low scores, some low scores on the WISC-IV were common in children and adolescents, and the frequency was related to a child's level of intelligence and parental education.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».