Spatial analysis for psychologists: How to use individual-level data for research at the geographically aggregated level.
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
Psychologists have become increasingly interested in the geographical organization of psychological phenomena. Such studies typically seek to identify geographical variation in psychological characteristics and examine the causes and consequences of that variation. Geo-psychological research offers unique advantages, such as a wide variety of easily obtainable behavioral outcomes. However, studies at the geographically aggregate level also come with unique challenges that require psychologists to work with unfamiliar data formats, sources, measures, and statistical problems. The present article aims to present psychologists with a methodological roadmap that equips them with basic analytical techniques for geographical analysis. Across five sections, we provide a step-by-step tutorial and walk readers through a full geo-psychological research project. We provide guidance for (a) choosing an appropriate geographical level and aggregating individual data, (b) spatializing data and mapping geographical distributions, (c) creating and managing spatial weights matrices, (d) assessing geographical clustering and identifying distributional patterns, and (e) regressing spatial data using spatial regression models. Throughout the tutorial, we alternate between explanatory sections that feature in-depth background information and hands-on sections that use real data to demonstrate the practical implementation of each step in R. The full R code and all data used in this demonstration are available from the OSF project page accompanying this article. (PsycInfo Database Record (c) 2023 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 | 0,036 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,004 | 0,001 |
| 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 découle