Two Views of Invalid Response Set and Malingering Attributions in Forensic Assessment: Credibility and Non‐Credibility
Notice bibliographique
Résumé
This article reviews two major sets of six articles on malingering and invalid response set, which have diametrically opposite conclusions on the value of performance and symptom validity tests (PVTs and SVTs) in forensic and related disability assessments (FDRA). First, we review the six-article series by the Leonhards, which takes the stance that PVTs and SVTs lack sufficient conceptual and empirical support to be utilized in FDRA. More specifically, the Leonhards criticize the circularity in using PVTs both as predictors and outcome criterion variables. Also, they argue that PVTs are highly correlated and collinear. However, we note that the Leonhards refer to PVTs as "malingering" tests, which they are not. Next, our article summarizes Young six-article series on invalid response sets, which (a) provides revised definitions of key terms; (b) proposes a new multivariate cutoff for invalid performance tied to the number of PVTs administered ("the 30% rule"); and (c) reviews research on the base rate of invalid response sets (generally below 30%). Finally, the present article reviews additional papers criticizing the Leonhards' approach, and introduces new data that support the standard approach. We recommend continued conceptual and empirical refinement, while re-affirming the utility of PVTs and SVTs in FDRA.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,177 | 0,497 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,022 | 0,007 |
| Études des sciences et des technologies | 0,004 | 0,097 |
| Communication savante | 0,013 | 0,032 |
| Science ouverte | 0,006 | 0,016 |
| Intégrité de la recherche | 0,012 | 0,022 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».