Exploratory Factor Analysis of the Canadian Wechsler Intelligence Scale for Children-Fifth Edition for a Sample of First Nations Students
Notice bibliographique
Résumé
Native Americans and First Nation students are overrepresented in special education and underrepresented in structural bias research of the intelligence measures that place them there. There are several empirical studies of test bias on the Wechsler scales due to their popularity within the school system, however there is little exploratory factor analysis research on these scales with the Native American Indian population. Further, the Native American Indian and First Nation population is a relatively small minority group compared to other racial and ethnic groups in North America and this group is underrepresented in government statistics and overlooked in funding for policies that provide prevention for several risk factors. This study aimed to discover the factor structure of the WISC-VCDN with First Nations students to provide understanding and better interpretation of scores to facilitate ethical data-based decision making and provision of special education services to First Nations students. A total of 102 participant data were collected and a replication of the Canivez, Watkins, and Dombrowski (2016) study was followed to ensure best practice of Exploratory Factor Analysis. Results indicated that a three-factor model was most viable for the First Nations students on the WISC-VCDN, which is dissimilar to previous research. However, results of the dominance of the general intelligence (g) factor was similar to previous research of the Wechsler scales using both methods of Exploratory and Confirmatory Factor Analysis. Future research directions and implications for First Nations students, data-based decision making, and special services eligibility is discussed.
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 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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».