The Use of Intensive Longitudinal Methods in Explanatory Personality Research
Notice bibliographique
Résumé
Intensive longitudinal methods (ILMs), in which data are gathered from participants multiple times with short intervals (typically 24 hours or less apart), have gained considerable ground in personality research and may be useful in exploring causality in both classic personality trait models and more novel contextualized personality state models. We briefly review the various terms and uses of ILMs in various fields of psychology and present five main strategies that can help researchers infer causality in ILM studies. We discuss the use of temporal precedence to establish causality, through both lagged analyses and natural experiments; the use of external measures and peer reports to go beyond self–report data; delving deeper into repeated measures to derive new indices; the use of contextual factors occurring during the measurement period; and combining experimental methods and ILMs. These strategies are illustrated by examples from existing research and by new empirical findings from two dyadic daily diary studies ( N = 80 and N = 108 couples) and an experience sampling method study of personality states ( N = 52). We conclude by offering a short checklist for designing ILM studies with causality in mind and look at the applicability of these strategies in the intersection of personality psychology and other psychological research domains. Copyright © 2018 European Association of Personality Psychology
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 | 0,080 | 0,187 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».