An Inventory of Problems (IOP) Study of Symptom and Performance Validity in a Sample of Driver’s License Renewal or Reinstatement Applicants
Notice bibliographique
Résumé
Abstract This study aimed to investigate the specificity of the Inventory of Problems (IOP) tests, specifically the IOP-29 and its memory module (IOP-M), in a high-stakes environment. The study involved 114 Italian adults who applied for the renewal or reinstatement of their driver’s license after it had been revoked due to psychiatric, cognitive, or legal issues. The IOP-29 and the IOP-M were administered alongside other tests. Data analysis revealed very few positive results for both the IOP-29 and the IOP-M, indicating high specificity in detecting a possible negative response bias. In fact, the false positive rate (or, more accurately, the presumably false positive rate) was less than 5% for each of the two IOP components, meaning that the specificity for the standard cutoff values of each IOP component (i.e., IOP-29 ≥ 0.50 and IOP-M ≤ 29) was above 0.95. Taken together, these results contribute to the growing body of research supporting the use of the IOP-29 and IOP-M in applied settings where mild cognitive impairment might be present. However, further studies are needed to validate these results in populations with moderate or severe cognitive impairment.
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 ».