Modeling intraindividual change over time in the absence of a “Gold Standard”
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
Looking at intra-individual change over time in a particular phenomenon may present some methodological challenges. The aim of this report was: 1. To show the effect of independent classification errors on the estimation of incidence and remission rates. 2. To show how a logitbased time-specific latent variables model can be used to model two distinct components of intraindividual change over time in the absence of a "gold standard", namely: (a) the continuity and discontinuity in the latent states over time; and (b) the strength of the\nassociation between the time-specific latent variables. 3. To illustrate this model using data on physical aggression from a representative sample of Canadian children assessed at 8-9 years of age and then again two years later at 10-11 years of age. The results showed that classification errors can yield either gross under or over estimates of the true incidence and remission rates. Furthermore, remission was far more sensitive than incidence to classification errors whereas incidence varied more drastically than remission depending on the amount of classification errors. We found that there was no association in the region off the main diagonal of the transition probability matrix beyond that expected by chance alone. In general, the stability of a 8-9 year-old child's latent physical aggression status (i.e., low-, medium- or high-aggressive) did not depend on its severity. Furthermore, the likelihood of changing from one latent physical aggression status to another was generally equal to the one of changing from the latter to the former.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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 découle