Characterizing the ASD–ADHD phenotype: measurement structure and invariance in a clinical sample
Notice bibliographique
Résumé
BACKGROUND: Autism Spectrum Disorder (ASD) and Attention Deficit Hyperactivity Disorder (ADHD) have considerable overlap, supporting the need for a dimensional framework that examines neurodevelopmental domains which cross traditional diagnostic boundaries. In the following study, we use factor analysis to deconstruct the ASD-ADHD phenotype into its underlying phenotypic domains and test for measurement invariance across adaptive functioning, age, gender and ASD/ADHD clinical diagnoses. METHODS: Participants included children and youth (aged 3-20 years) with a clinical diagnosis of ASD (n = 727) or ADHD (n = 770) for a total of 1,497 participants. Parents of these children completed the Social Communication Questionnaire (SCQ), a measure of autism symptoms, and the Strengths and Weaknesses of ADHD and Normal Behaviour (SWAN) questionnaire, a measure of ADHD symptoms. An exploratory factor analysis (EFA) was performed on combined SCQ and SWAN items. This was followed by a confirmatory factor analysis (CFA) and tests of measurement invariance. RESULTS: EFA revealed a four-factor solution (inattention, hyperactivity/impulsivity, social-communication, and restricted, repetitive, behaviours and interests (RRBI)) and a CFA confirmed good model fit. This solution also showed good model fit across subgroups of interest. CONCLUSIONS: Our study shows that a combined ASD-ADHD phenotype is characterized by two latent ASD domains (social communication and RRBIs) and two latent ADHD domains (inattention and hyperactivity/impulsivity). We established measurement invariance of the derived measurement model across adaptive functioning, age, gender and ASD/ADHD diagnoses.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».