Crossing Language Barriers: Using Crossed Random Effects Modelling in Psycholinguistics Research
Notice bibliographique
Résumé
The purpose of this paper is to provide a brief review of multilevel modelling (MLM), also called hierarchical linear modelling (HLM), and to present a step-by-step tutorial on how to perform a crossed random effects model (CREM) analysis.The first part provides an overview of how hierarchical data have been analyzed in the past and how they are being analyzed presently.It then focuses on how these types of data have been dealt with in psycholinguistic research.It concludes with an overview of the steps involved in CREM, a form of MLM used for psycholinguistics data.The second part includes a tutorial demonstrating how to conduct a CREM analysis in SPSS, using the following steps: 1) clarify your research question, 2) determine if CREM is necessary, 3) choose an estimation method, 4) build your model, and 5) estimate the model's effect size.A short example on how to report CREM results in a scholarly article is also included.Many statistical techniques, such as analysis of variance (ANOVA) and ordinary least-squares (OLS) multiple regression, assume that observations are not correlated with one another.However, this is not always the case.Within many areas of psychology, measurements are not fully
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,046 | 0,133 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,006 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».