Considering Approaches to Pervasiveness in the Context of Personality Psychology
Notice bibliographique
Résumé
In experimental psychology, the term “pervasiveness” has been introduced to refer to the proportion of participants who exhibit an effect. This paper is a review of existing methods that could be used to extend the idea of pervasiveness to cross-sectional correlational data. More specifically, I consider how bivariate or multivariate effect sizes can be expressed or contextualized through proportions or percentages of individuals via the following methods: Kendall’s Tau, Common Language Effect Size indicators (Dunlap’s CLr, Li and Waisman’s B P , Rosenthal and Rubin’s BESD and Mõttus’ TACT), rule-based methods (mostly Association Rule Mining, but Comparative Configural Models such as QCA and CORA are briefly discussed) and Observation Oriented Modeling. I illustrate the use of these methods in personality psychology using data from Soto's LOOPR project and highlight strengths and limitations for the different methods. I show that an Observed Percentage of Concordant Pairs (OPCP), easily obtained from Kendall’s Tau, can be used as a general-purpose common language effect size that also provides information on pervasiveness. The ‘pervasive’ R package, that provides the OPCP and information on a set of rules for use in a simple or multivariate regression setting, is introduced.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».