How well do DSM-5 criteria measure alcohol use disorder in the general population of older Swedish adolescents? An item response theory analysis
Notice bibliographique
Résumé
BACKGROUND: This study assesses the psychometric properties of DSM-5 criteria of AUD in older Swedish adolescents using item response theory models, focusing specifically on the precision of the scale at the cut-offs for mild, moderate, and severe AUD. METHODS: Data from the second wave of Futura01 was used. Futura01 is a nationally representative cohort study of Swedish people born 2001 and data for the second wave was collected when participants were 17/18 years old. This study included only participants who had consumed alcohol during the past 12 months (n = 2648). AUD was measured with 11 binary items. A 2-parameter logistic item response theory model (2PL) estimated the items' difficulty and discrimination parameters. RESULTS: 31.8% of the participants met criteria for AUD. Among these, 75.6% had mild AUD, 18.3% had moderate, and 6.1% had severe AUD. A unidimensional AUD model had a good fit and 2PL models showed that the scale measured AUD over all three cut-offs for AUD severity. Although discrimination parameters ranged from moderate (1.24) to very high (2.38), the more commonly endorsed items discriminated less well than the more difficult items, as also reflected in less precision of the estimates at lower levels of AUD severity. The diagnostic uncertainty was pronounced at the cut-off for mild AUD. CONCLUSION: DSM-5 criteria measure AUD with better precision at higher levels of AUD severity than at lower levels. As most older adolescents who fulfil an AUD diagnosis are in the mild category, notable uncertainties are involved when an AUD diagnosis is set in this group.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».