Comparing psychotic experiences in low-and-middle-income-countries and high-income-countries with a focus on measurement invariance
Notice bibliographique
Résumé
Abstract Background The prevalence of psychotic experiences (PEs) is higher in low-and-middle-income-countries (LAMIC) than in high-income countries (HIC). Here, we examine whether this effect is explicable by measurement bias. Methods A community sample from 13 countries ( N = 7141) was used to examine the measurement invariance (MI) of a frequently used self-report measure of PEs, the Community Assessment of Psychic Experiences (CAPE), in LAMIC ( n = 2472) and HIC ( n = 4669). The CAPE measures positive (e.g. hallucinations), negative (e.g. avolition) and depressive symptoms. MI analyses were conducted with multiple-group confirmatory factor analyses. Results MI analyses showed similarities in the structure and understanding of the CAPE factors between LAMIC and HIC. Partial scalar invariance was found, allowing for latent score comparisons. Residual invariance was not found, indicating that sum score comparisons are biased. A comparison of latent scores before and after MI adjustment showed both overestimation (e.g. avolition, d = 0.03 into d = −0.42) and underestimation (e.g. magical thinking, d = −0.03 into d = 0.33) of PE in LAMIC relative to HIC. After adjusting the CAPE for MI, participants from LAMIC reported significantly higher levels on most CAPE factors but a significantly lower level of avolition. Conclusion Previous studies using sum scores to compare differences across countries are likely to be biased. The direction of the bias involves both over- and underestimation of PEs in LAMIC compared to HIC. Nevertheless, the study confirms the basic finding that PEs are more frequent in LAMIC than in HIC.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».