A guide to exploratory structural equation modeling (ESEM) and bifactor-ESEM in body image research
Notice bibliographique
Résumé
Traditionally, assessments of factor validity of body image instruments have relied on exploratory or confirmatory factor analysis. However, the emergence of exploratory structural equation modeling (ESEM), a resurgence of interest in bifactor models, and the ability to combine both models (bifactor-ESEM) is beginning to shape the future of body image research. For these analytic approaches to truly advance body image research, scholars will need to have a deep understanding of their use and application. To facilitate such understanding, we describe ESEM and bifactor-ESEM models for body image researchers and provide them with the tools they need to apply these methods in their own work. Specifically, we provide an overview of ESEM and bifactor-ESEM models, and describe their broad applicability to body image research. Next, we describe how ESEM and bifactor models can be used and, using an existing dataset of responses to the Acceptance of Cosmetic Surgery Scale, demonstrate how ESEM and bifactor-ESEM models can be deployed. To facilitate wider application of these ideas, we provide our Mplus syntax (inputs) in Supplementary Materials. Through this manuscript, we hope to assist researchers to better understand the strengths ESEM and bifactor models, and to use these approaches in their own work.
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 | 0,048 | 0,126 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,007 | 0,010 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,051 | 0,021 |
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 ».