EXPLORING THE EFFICACY OF MOCA SCORE CORRECTIONS IN REDUCING THE INFLUENCE OF RACE/ETHNICITY
Notice bibliographique
Résumé
Abstract As studies have highlighted significant differences in test score distributions between ethnicities, we chose to examine if the MoCA corrections for education curb racial differences. Therefore, we use data from the NIA Alzheimer's Disease Research Center (ADRC) program to explore the efficacy of score corrections in reducing the influence of race/ethnicity. This study utilized the NACC dataset to analyze data covering UDS visits from September 2005 to February 2021. Participants included in the analyses (n= 11987, 64.9% women, 12.3 % Black/African American, mean age 73□9.460; 16□4.98 years of education) were all cognitively normal. The analyses uses the Montreal Cognitive Assessment (MoCA) with and without correction for education (addition of one point for less than 12 years of education), via cut off score derived cognitive status categories. A 2x3 contingency table revealed a statistically significant association between participants’ race (black vs white) and performance on the uncorrected MoCA, X22,n=5291=188.971, p<.001, and the corrected MoCA X22,n=5282=167.073, p<.001. Additionally, a One-way ANCOVA analysis comparing the correlation of education and uncorrected MoCA score for Black/African American (r=.425, p<.001) and White participants (r=.198, p<.001) shows a significant difference between the two groups F1,5288=167.992, p<.001. Specifically, in Black/African American participants, the correlation is much stronger suggesting that years of education is a greater determinant of cognitive status. These results demonstrate that regardless of controlling for education via adding buffer points significant racial disparities in global cognition scores were still present. Alternative corrections for race and education should be considered for future test adaptations.
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 | 0,030 | 0,126 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».