Multilevel Latent Class Profile Analysis: An Application to Stage-Sequential Patterns of Alcohol Use in a Sample of Canadian Youth
Notice bibliographique
Résumé
Recently, latent class analysis (LCA) and its variants have been proposed to identify subgroups of individuals who follow similar sequential patterns of latent class membership for longitudinal study. A primary assumption underlying the family of LCA is that individual observations are independent. In many applications, however, particularly in research on adolescent substance use, individuals are often dependent because of multilevel data structure, where the unit of observation (e.g., students) is nested in higher level units (e.g., schools). In this study, we propose multilevel latent class profile analysis (MLCPA), which will allow us to analyze the longitudinal data with a multilevel structure under the framework of LCA. We apply an MLCPA using data from the COMPASS study, a 9-year study funded by the Canadian Institutes of Health Research and Health Canada, in order to identify representative sequential drinking patterns of Canadian youth and investigate whether these sequential patterns vary across schools. The MLCPA identified three common student-level drinking behaviors: <i>non-drinker</i>, <i>ever lifetime</i>, and <i>binge drinker</i>. The sequence of drinking behaviors can be classified into one of three longitudinal sequential patterns: <i>non-drinking stayer</i>, <i>light drinking advancer</i>, and <i>heavy drinking advancer</i>. In addition, MLCPA uncovered two latent clusters (<i>low-use school</i> and <i>high-use school</i>) out of 64 schools in Ontario and Alberta based on the prevalences of sequential drinking patterns.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,007 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 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 ».