A Comparison of Different Methods for Measuring Individual Change in Kindergarten Children
Notice bibliographique
Résumé
Measuring progress in students is an important consideration when making decisions in education, clinical practice, and research. However, change due to learning over time at the group level cannot be applied to interpret individual change. Therefore, the current study compared four methods for measuring individual change: reliable change index controlling for practice effects (RCI), standardized individual difference (SID), estimated standardized regression-based (SRB) change, and a normalization approach. Participants included 157 children (4 years initially and 5 years at follow-up) who completed measures of language, reading, and mathematics and were tested 1 year apart. We measured individual differences in children as they developed academic-relevant competencies. The RCI and SID indices yielded the same results. While group-based statistics did not find a change overall, the RCI/SID and SRB methods identified 7.64% and 8.28% of students as having changed, respectively. Further, in a subgroup of 54 low scorers, the RCI/SID and SRB methods indicated that 14.81% and 16.67% of students changed, respectively, whereas the normalization method identified a higher rate at 24.07%. The RCI, SID, and SRB methods showed similar results, whereas the normalization method differed from the others. Finally, a practical tool (Excel-based Growth Calculator) is provided to assist practitioners in evaluating individual change. Overall, these methods provide starting points for measuring change in individuals.
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 | 0,028 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».