Analyses traditionnelles et FDI des échelles de mesure: application à l‘échelle de l'intensité du raisonnement cognitif
Notice bibliographique
Résumé
Abstract Traditional scale purification methods and IRT analyses are applied to a Chinese version of the short Need for Cognition scale (18 items). Traditional methods indicate that the scale contains one clear dominant factor (α = 0.822). Nevertheless, it is also indicated that the composite contains poor items, which should perhaps be deleted from the scale. This is made particularly evident by the presence of low factor loadings. On the other hand, IRT analyses identify anomalies with individual scale items that are not made apparent with traditional methods. In particular, some items do not tend to discriminate well between individuals who score highly or poorly on Need for Cognition. Résumé Les méthodes traditionnelles d'épuration ainsi qu'une approche basée sur le fonctionnement différentiel de l'ltem (FDI) sont comparées lors de l'analyse psychométrique d'une version chinoise de l'échelle de l'intensité du raisonnement cognitif réduite à 18 items. D'une part, les résultats rapportés par l'approche traditionnelle démontrent qu'un facteur dominant est clairement identifié (α = 0.822). Néanmoins, le composé qui en résulte renferme des items ayant des saturations relativement faibles. Ceci indique done que certains de ces items devraient être potentiellement éliminés. D'autre part, l'analyse FDI révèle des faiblesses de certains items de cette échelle non décelables par les procédures traditionnelles. Parmi ces faiblesses, nous pouvons citer la capacité discriminatoire réduite entre des individus présentant unfaible ou un grand niveau de l'intensité du raisonnement cognitif.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».