Análisis de clases latentes como técnica de identificación de tipologías
Notice bibliographique
Résumé
En Psicología es frecuente encontrar situaciones en las que se necesita realizar algún tipo de clasificación de personas en subgrupos o clases. Existen técnicas de análisis multivariado como el Análisis Clúster Jerárquico (HCA) que se utilizan habitualmente para este fin. Actualmente, existe un interés creciente por la técnica de Análisis de Clases Latentes (LCA), si bien es una técnica relativamente poco conocida y utilizada. Varios autores han destacado que el LCA presenta importantes ventajas respecto al HCA, en especial que el LCA permite obtener medidas de bondad de ajuste. El objetivo de este trabajo es presentar varias aplicaciones del LCA tanto a partir de un estudio de simulación como a partir de datos reales, y comparar el desempeño de esta técnica frente al HCA. Los resultados a partir de la simulación indican que el LCA tiene una elevada capacidad para detectar estructuras de clase. Los resultados del estudio a partir de datos reales muestran que las distintas clases o mixturas presentes en los datos pueden estar solapadas, lo que dificulta la agrupación de clases al aplicar LCA. El HCA puede ser una buena herramienta de análisis para el investigador aplicado, ya que puede orientar sobre el mejor modelo de LCA que se debería interpretar. En contextos de investigación en los que el modelo teórico no es claro, se recomienda utilizar ambas técnicas con el fin de buscar convergencia de resultados.
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 | 0,021 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».