Response Time to Detect Careless Responding and Its Relationship with and Prediction of Emotional Distress
Notice bibliographique
Résumé
People experiencing emotional distress struggle with cognitive and motivational decline, which has been correlated with patterns of careless responding. Although several methods have been used to detect careless responses in emotionally distressed respondents, the response time has not been widely explored. The current study conducted secondary data analyses on a sample (N = 37,819) who completed the Depression Anxiety Stress Scale (DASS-42) in an online survey between 2017 and 2019. First, a response-time-based approach––a normative threshold method––was used to identify careless responding and examine its association with emotional distress using the DASS-42. Second, four machine learning models––decision tree (DT), random forest (RF), support vector machine (SVM), and naive Bayes (NB)––were trained on DASS-42 item responses and response times to predict emotional distress severity level. A significant correlation was found between the number of careless responses and subscale scores of anxiety and stress. In addition, Mann-Whitney U tests showed statistically significant differences between careless and careful responders in depression, anxiety, and stress. Regarding the machine learning models, SVM was found to be the best predictive model for classifying distressed people with an accuracy, sensitivity, and specificity exceeding 90%. Our results suggest that, in addition to survey responses, response time can identify careless responders and predict distressed responders.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».