Re-assessing the incremental predictive validity of Implicit Association Tests
Notice bibliographique
Résumé
Indirect measures of attitudes or stereotypes, such as the Implicit Association Test (IAT), assess associations that are relatively automatic, unintentional, or uncontrollable. A primary argument for the IAT’s use is that it can predict relevant outcomes beyond parallel direct measures, such as self-report (a claim referred to as demonstrating incremental predictive validity). Prior work on this issue relied primarily on least squares linear regression analyses, which are unable to correct for measurement (un)reliability and may then seriously inflate false positive rates in claims of incremental predictive validity. Properly accounting for the impact of measurement reliability requires using Structural Equation Modeling (SEM). In a pre-registered analysis, we investigated 10 IATs and 250 outcomes variables ( N > 14,000), and found that 69.6% of outcomes were reliably correlated with the IAT. Among outcomes that were associated with both the IAT and self-report, the IAT showed incremental predictive validity in 58.6% of cases using least squares linear regression analysis and 59.2% of cases when using SEM, with the two analytic approaches reaching the same conclusion 91.4% of the time. Though the two analysis strategies largely converged, discrepancies were large enough to suggest a non trivial percentage of conclusions drawn from least squares linear regression will be erroneous. As only SEM properly accounts for measurement reliability, it should be adopted in future analyses. To facilitate that goal, we provide tools for researchers to complete SEM analyses on tests concerning the incremental predictive validity of the IAT.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,133 | 0,547 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,008 |
| Science ouverte | 0,005 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».