Scoring the Big Five for longitudinally assessed academic achievement predictiveness: Manifest, correlated‐factors model, and bifactor modeling across multiple contexts
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Based on a large ( N = 612) longitudinal sample in a teacher education program, we compared how three methods of personality scoring—manifest mean scores, correlated‐factors model scores, and bifactor model scores—predict academic achievement assessed by grade point averages. Furthermore, we compared predictiveness across honest responses, applicants' responses and responses collected under laboratory faking‐good instructions. To this end, a real‐life selection setting was part of our study (i.e., applicants to initial teacher education selected, among other things on their personality). We found the expected pattern of manifest mean scores (honest responses were the lowest, applicants' responses higher and faking‐good responses highest) and could demonstrate that applicant faking does not reduce personality assessment's predictiveness. Overall, correlated‐factors model scoring increased the predictiveness of honest and applicants' responses, and scoring via bifactor model even more so. No method of scoring could retrieve the predictiveness in the faking‐good response condition. Regarding the practical application within selection processes, bifactor model scores only slightly outperformed mean scores, and this only occurred in the case of small selection ratios. Nevertheless, we showed that there is criterion‐related and systematic variance within applicants' personality scores above and beyond their personality traits that can be extracted when modeled with bifactor models.
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.
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 | 0,004 | 0,003 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle