Cross-Cultural Adaptation and Application of the One-Parameter Item Response Model to the Santa Clara Brief Compassion Scale (SCBCS)
Notice bibliographique
Résumé
Abstract Objectives International research has consistently demonstrated the positive impact of compassion towards others on both physical and mental well-being, with significant implications for mindfulness practice. Based on this evidence, we aimed to adapt the Santa Clara Brief Compassion Scale (SCBCS) into German while simultaneously conducting a cross-cultural validation and enhancing its measurement precision using Rasch methodology across samples from Germany, Ghana, India, and New Zealand. Method We applied the unrestricted Partial Credit Model to analyze data from a randomly selected subsample of 500 participants, drawn from a total convenience sample of 1822 individuals recruited from the general populations of Germany, Ghana, India, and New Zealand. Results Our initial analysis of the SCBCS showed significant misfit to the Rasch model ( χ 2 (30) = 58.48, p < 0.001), which was successfully addressed by testlet creation resulting in satisfactory model fit ( χ 2 (24) = 24.80, p = 0.09). This included strict unidimensionality, strong reliability (Person Separation Index = 0.81), and invariance across personal factors, such as country, educational levels, sex, and age. We then developed an algorithm for transforming ordinal scores to interval-level data to enhance the accuracy of the SCBCS. The scale demonstrated sound divergent and convergent validity. Conclusions Our study has validated both the German and English versions of the SCBCS using Rasch methodology. The precision of measuring compassion towards others using the two versions of the SCBCS can be further enhanced by applying the ordinal-to-interval transformation tables developed in this paper.
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 | 0,000 | 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 ».