Discriminating malingered attention Deficit Hyperactivity Disorder from genuine symptom reporting using novel Personality Assessment Inventory validity measures
Notice bibliographique
Résumé
It is now widely understood that ADHD can be feigned easily and convincingly. Despite this, almost no methods exist to assist clinicians in identifying when such behavior occurs. Recently, new validity indicators specific to feigned ADHD were reported for the Personality Assessment Inventory (PAI). Derived from a logistic regression, these algorithms are said to have excellent specificity and good sensitivity in identifying feigned ADHD. However, these authors compared those with genuine ADHD only to nonclinical undergraduate students (asked to respond honestly or asked to simulate ADHD); no criterion group of definite malingerers was included. We therefore investigated these new validity indicators with 331 postsecondary students who underwent assessment for possible ADHD and compared scores of those who were eventually diagnosed with ADHD (n = 111) to those who were not [Clinical controls (66), Definite malingerers (36); No diagnosis (117)]. The two proposed PAI algorithms were found to have poor positive predictive value (.19 and .17). Self-report validity measures from the Connors’ Adult Attention Rating Scale, and the Negative Impression Management scale on the PAI returned more positive results. Overall, more research is needed to better identify noncredible ADHD presentation, as the PAI-based methods proposed by Aita et al. appear inadequate as symptom validity measures.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».