Expanding Statistical Frontiers in Sexual Science: Taxometric, Invariance, and Equivalence Testing
Notice bibliographique
Résumé
Sexual scientists must choose from among myriad methodological and analytical approaches when investigating their research questions. How can scholars learn whether sexualities are discrete or continuous? How is sexuality constructed? And to what extent are sexuality-related groups similar to or different from one another? Though commonplace, quantitative attempts at addressing these research questions require users to possess an increasingly deep repertoire of statistical knowledge and programming skills. Recently developed open-source software offers powerful yet accessible capacity to researchers wishing to perform strong quantitative tests. Taking advantage of these new statistical opportunities will require sexual scientists to become familiar with new analyses, including taxometric analysis, tests of measurement variability and differential item functioning, and equivalence testing. In the current article, I discuss each of these analyses, providing conceptual and historical overviews. I also address common misunderstandings for each analysis that may discourage researchers from implementing them. Finally, I describe current best practices when using each analysis, providing reproducible coding examples and interpretations along the way, in an attempt to reduce barriers to the uptake of these analyses. By aspiring to explore these new statistical frontiers in sexual science, sexuality researchers will be better positioned to test their substantive theories of interest.
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 | 0,134 | 0,273 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,017 | 0,023 |
| Études des sciences et des technologies | 0,002 | 0,019 |
| Communication savante | 0,009 | 0,015 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».