One hundred and ten fundamentals of performance validity tests in neuropsychological forensic disability and related assessment II: Literature review
Notice bibliographique
Résumé
The concepts underlying performance validity tests (PVTs) change in focus and, also, the research in their use in forensic neuropsychological assessment is burgeoning. First, we review definitions, testing, and counting procedures. As well, ethics related to assessment have changed, in addition to admissibility laws for court. Next, we examine test construction, and provide a pertinent example of a recently developed PVT, the Inventory of Problems-Memory (IOP-M). In terms of recent empirical PVT research, we enumerate 15 themes that organize the field. There are five themes on foundations, five on extensions, and five on applications. They include: (a) for foundations: PVT validation, PVT fail base rate, PVT cut scores, creating new tests, and embedded PVTs; (b) for extensions, novel PVT approaches, advanced PVT technologies, remote PVTs, demographic research and limitations, and multivariate approaches; and (c) for other applications, clinical applications, students, psychological injuries, extreme conditions, and combinations with symptom validity tests (SVTs). The ongoing research on PVTs support their use in forensic neuropsychological assessment. In determining whether malingering or related attributions has taken place, the assessor needs to consider the full examinee profile; PVT data speak only to invalid response set.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 | 0,003 |
| 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 ».