Irremediably Flawed Nature of Analog Validation Methodology of Malingering Tests
Notice bibliographique
Résumé
Background: Analog validation of malingering tests was evoked by Smith and Burger in 1997 as a method they used to "validate" their Structured Inventory of Malingered Symptomatology (SIMS). Their procedure consists in comparing students instructed to respond honestly with those instructed to feign medical symptoms. The procedure was adopted by others, notably by Holly Miller for the development of her Miller Forensic Assessment of Symptoms Test (M-FAST). Since both the SIMS and M-FAST consist of legitimate medical symptoms incorrectly scored as indicators of malingering, the analog validation could also be used on other known lists of legitimate medical symptoms, such as the Beck Depression Inventory-II (BDI-2).Method: 20 adults (mean age 47.9 years, SD=16.5) were instructed to respond twice to the BDI-2, at first by responding honestly and then while feigning or simulating "very severe depression." Results:The mean score was 6.5 (SD=7.6)for the honest responses and 52.2 (SD=6.2) for feigned or simulated depression.There was no overlap in the distribution of these two sets of scores.In our sample, any cutoff from 30 to 40 points would result in statistics of 100% sensitivity, 100% specificity, and 100% efficiency.The cutoff of 14 or more points (Beck's lower end of the category of mild depression) would result in 100% sensitivity, 85% specificity, and 92.5% efficiency. Discussion and Conclusion:Our easily replicable study demonstrates methodological shortcomings of analog validations.Malingering tests validated in such a fatally flawed manner, in particular the SIMS and the M-FAST, may adequately differentiate reporters from non-reporters of medical symptoms, but not legitimate patients from malingerers.
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 | 0,000 | 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 | 0,000 |
| 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 ».