A systematic review of latent class analysis in psychology: Examining the gap between guidelines and research practice
Notice bibliographique
Résumé
Latent class analysis (LCA) can help identify unobserved classes of individuals in a population based on collected categorical data. It is commonly used in psychology to test hypotheses about sources of heterogeneity and class characteristics. However, careful decision-making is required in the modeling process. Its flexibility may explain why it is becoming more commonly used in psychology; however, it also highlights that there are many decision points in the modeling process, thus warranting a systematic literature review to document the use of LCA in psychology, mapping both the prevalence and quality of LCA studies. This systematic review followed the PRISMA guidelines and involved a comprehensive search across multiple databases, yielding 7,580 records related to latent class analysis. After removing duplicates and selecting a representative subsample, 377 documents were assessed for eligibility. Of these, 251 publications (comprising 313 LCAs) met the inclusion and exclusion criteria and were reviewed for this study. Each study was meticulously coded to map how the authors performed and reported each step of the LCA. Our analysis of these studies, in comparison with published guidelines, revealed notable discrepancies in how LCA is applied and reported. To support researchers in enhancing the quality of future LCA applications, we summarize key recommendations in a final section that outlines best practices for future LCA applications. The findings indicate a growing use of LCA in psychology but also highlight the need for greater methodological rigor and transparency in its implementation.
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 | 0,171 | 0,509 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,009 | 0,009 |
| Bibliométrie | 0,046 | 0,040 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,010 | 0,011 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».