Dimensionality analysis of the German version of the Screen for Cognitive Impairment in Psychiatry (SCIP-G)
Notice bibliographique
Résumé
Psychiatric disorders, especially schizophrenia, are characterised by cognitive impairment. The rapid detection of cognitive dysfunction - also in the course of the disease - is of great importance. The Screen for Cognitive Impairment in Psychiatry (SCIP) was developed to provide screening of psychiatric patients in clinical practice and is available in several languages. Prior psychometric investigations into the dimensionality of the SCIP have produced two different models: a one-factor model assumes that the five subscales of the SCIP load together, whereas an alternative model suggests that the subscales load on two factors, namely verbal memory and processing speed. We carried out a confirmatory factor analysis of the German version of the SCIP (SCIP-G). 323 patients with psychotic, bipolar affective, and depressive disorders were studied. The one-factor approach did not yield an acceptable model fit (chi-squared test: χ2 = 109.5, df = 5, p < 0.001, χ2/df = 21.9). A two-factor solution, with the subtests Verbal Learning Test-Immediate Recall, Delayed Recall Test of the VLT, and Working Memory Test loading on the first factor, whereas the subtests Verbal Fluency Test and Psychomotor Speed Test loading on the second factor, obtained a good model fit (χ2 = 6.7, df = 3, p = 0.08, χ2/df = 2.2). These data show that a good model fit can be achieved with a two-factor solution for the SCIP. This study is the first to conduct a confirmatory factor analysis using the German SCIP version and to test its dimensional structure using a hypothesis-testing approach.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».