Cognitive intra-individual variability as an emerging measure of neuropsychological inference: A narrative review of its history, methodology, empirical support, future directions, and recommendations for best practices
Notice bibliographique
Résumé
Objective: Cognitive intra-individual variability (IIV) is a commonly used research method to estimate how dispersed or inconsistent an examinee’s test scores are across measures that comprise a test battery or trial-by-trial responses on a single task. Elevated IIV has been hypothesized to reflect a failure of executive control due to alterations in brain activity or central nervous system integrity. Measures of IIV have a rich history. Growing empirical evidence supports their construct validity and potential for research and clinical applications. However, guidelines for calculating, interpreting, and implementing IIV measures in clinical practice are lacking. Here, we outline the history of IIV and its use in clinical research, summarize metrics for its calculation, review psychometric limitations, and explore future avenues of investigation, with a specific focus on dispersion-based (i.e., variability across tasks) IIV. Methods: A narrative review and commentary on the literature. Conclusions: IIV reliably differentiates clinical populations from healthy groups and predicts disease progression, everyday functioning, and mortality. Questions pertaining to the optimal methodology for IIV, its cognitive architecture, and its incremental validity remain unanswered. The evidence suggests that IIV has the potential to be used as a method of neuropsychological inference in traditional neuropsychological assessment and with ecological momentary assessments. We conclude this review with recommendations for best practices for employing IIV measures in research.
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 | 0,012 | 0,487 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».