Detecting Exaggeration and Malingering With the Trail Making Test
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The purpose of this study was to examine whether unusual performance on the Trail Making Test could be indicative of deliberate exaggeration. Participants were 571 patients seen as part of a hospital trauma service who had acute traumatic brain injuries, and 228 patients involved in head injury litigation. As expected, the hospital patients with more severe traumatic brain injuries performed more poorly than the patients with less severe brain injuries on Trails A and Trails B. Cutoff score tables were developed for the patients with acute traumatic brain injuries for the total sample and by injury severity groups. Scores falling at or below the 5th percentile were considered suspicious for possible exaggeration. The performances of the head injury litigants who exaggerated on at least one well-validated symptom validity test were compared to these cutoffs. Very high positive predictive values for individuals with very mild head injuries on Trails A and B were identified (i.e., both 100%); lower positive predictive values were obtained for individuals with more severe head injuries (55.6-60%). The negative predictive values were only moderate (range=66.4-78.2%), and the sensitivity was very low (range = 7.1-18.5%) for all groups. Scores that fall in the range of possible biased responding should be considered "red flags" for the clinician because they likely do not make biological or psychometric sense. However, the sensitivity of the test for deliberate exaggeration is very low, so clinicians who rely on this test in isolation to identify deliberately poor performance will fail to identify the vast majority of cases.
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.
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 | 0,003 |
| 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 | 0,000 | 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 découle