Measurement specificity with modern methods: Using dimensions, facets, and items from personality assessments to predict performance.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The use of personality measures to predict work-related outcomes has been of great interest over the past several decades. The present study used machine learning (ML) to examine the optimal level in the personality hierarchy to use in developing predictive algorithms. This issue was examined in a sample of incumbent police officers (N = 1,043) who completed a multifaceted personality measure and were rated on their job performance. Criterion-related validity was investigated as a function of level of operationalization in the personality hierarchy (dimensions, facets, items), scoring method (unit weighting, ordinary least-squares regression, elastic net regression), content relevance (all items vs. job-related items), and sample size (100, 200, 300, 500, 800). Results showed that empirically derived scores outperformed unit weighting across all levels of the personality hierarchy. The highest validity estimates were consistently obtained using elastic net scoring (with hyperparameter tuning resulting in solutions closer to ridge regression) at the item level, with minimal differences between ordinary least squares and elastic net for dimensions or facets with at least moderate sample sizes (N ≥ 200). An exploratory modeling approach where all item content was used did not outperform scoring when the item pool was relegated to only job-relevant personality traits. Taken together, findings suggest that personality scoring should occur at narrow operationalizations down to at least the facet level. In addition, this study demonstrated how ML can be used to not only maximize criterion-related validity but also to test long-standing theoretical problems in the organizational sciences. (PsycInfo Database Record (c) 2022 APA, all rights reserved).
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 découle