Rasch analysis of <scp>DSM</scp> ‐5 alcohol use disorder in a large inpatient sample
Notice bibliographique
Résumé
BACKGROUND: In the present study, we extend previous psychometric evaluations of the DSM-5 alcohol use disorder (AUD) criteria using Rasch analysis in a large clinical sample. METHODS: Adult patients with AUD (N = 1101) completed the DSM-5 AUD symptom checklist as part of routine clinical assessment upon admission to an inpatient substance use disorder treatment program. We conducted Rasch analysis of responses to the 11 criteria, examining model fit and item severities. We also examined whether there was evidence of differential item functioning based on sex and age. RESULTS: Results supported the unidimensionality and local independence of the criteria, although some items were a suboptimal fit to the Rasch model. In particular, across all indicators, hazardous use exhibited misfit with model expectations. Additionally, the range of item severities did not span the full range of problem severity within this clinical sample, with many patients at the high end of the severity continuum and no items to differentiate them. There was evidence of differential item functioning by both sex and age, but effect size indices suggested that differences were unlikely to be clinically meaningful. CONCLUSIONS: The present study supports the unidimensionality of the DSM-5 AUD diagnosis, but the misfit of certain items to the Rasch model and the narrow range of item severities suggest that more granular distinctions in AUD may be limited in high-severity samples. The results also suggest that the assumptions of interval-level measurement may not hold in clinical populations.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».