Scoring the DSM-IV Personality Disorders Using the Five-Factor Model: Development and Validation of Normative Scores for North American, French, and Dutch-Flemish Samples
Notice bibliographique
Résumé
Five-Factor Model (FFM) personality disorder (PD) counts have demonstrated significant convergent and discriminant validity with DSM-IV PD symptoms. However, these FFM PD counts are of limited clinical use without normative data because it is difficult to determine what a specific score means with regard to the relative level of elevation. The current study presents data from three large normative samples that can be used as norms for the FFM PD counts in the respective countries: United States (N = 1,000), France (N = 801), and Belgium-Netherlands (N = 549). The present study also examines the performance, with regard to diagnostic efficiency, of statistically-defined cut-offs at 1.5 standard deviations above the mean (T > or = 65) versus previously identified cut-offs using receiver-operator characteristics (ROC) analyses. These cut-offs are tested in three clinical samples-one from each of the aforementioned countries. In general, the T > or = 65 cut-offs performed similarly to those identified using ROC analyses and manifested properties relevant to a screening instrument. These normative data allow FFM data to be used in a flexible and comprehensive manner, which may include scoring this type of personality data in order to screen for DSM-IV PD constructs.
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 | 0,000 |
| 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 | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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; 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 ».