Propiedades psicométricas del Vancouver Obsessional Compulsive Inventory (VOCI) en dos muestras no clínicas de población española
Bibliographic record
Abstract
La validación de instrumentos de evaluación en diferentes contextos culturales es importante tanto para la investigación como para la práctica clínica.Tanto para replicar una investigación en un contexto cultural diferente al original (Mataix-Cols, Sánchez-Turet y Vallejo, 2002) como para evaluar los efectos de un tratamiento (Arrindell, de Vlaming, Eisenhardt, van Berkum y Kwee, 2002) se deben utilizar instrumentos validados en la población con la que se trabaja.En los últimos años se han elaborado en el ámbito del trastorno obsesivo-compulsivo (TOC) numerosos instrumentos que evalúan síntomas obsesivo-compulsivos [véase Taylor (1998), para una revisión].Algunas de estas medidas, como el Padua Inventory (PI; Sanavio, 1988), el Obsessive-Compulsive Inventory (OCI; Foa, Kozak, Salkovskis, Coles y Amir, 1998) y el Maudsley Obsessional Compulsive Inventory (MOCI; Hodgson y Rachman, 1977), han sufrido revisiones que han sido validadas en diferentes idiomas.Aunque en general estos inventarios presentan buenas propiedades psicométricas, también tienen algunas limitaciones.La escala objeto del presente estudio, el Vancouver Obsessional Compulsive Inventory (VOCI; Thordarson et al., 2004), es una revisión del MO-CI diseñada con el fin de superar algunos de estos inconvenientes y ya está disponible en varios idiomas (Radomsky et al., 2006).Dentro de los instrumentos que evalúan síntomas obsesivocompulsivos, uno de los más utilizados es el Padua Inventory-Washington State University-Revision (PI-WSU-R; Burns, Keortge, Formea y Sternberger, 1996), el cual se elaboró con el objetivo de superar las limitaciones del PI.Concretamente, Freeston et al. (1994) demostraron que ciertos ítems del PI pueden medir preocupaciones en lugar de obsesiones.El PI-WSU-R es una medida más independiente de las preocupaciones que el original.Sin embargo, este instrumento no evalúa ciertas obsesiones y compulsiones relevantes, como la acumulación o la neutralización.Otro inventario importante es el Obsessive-Compulsive Inventory-Revised (OCI-R;Foa et al., 2002), desarrollado con la finalidad de mejorar el OCI.La cumplimentación del OCI puede ser confusa dado que cada ítem se puntúa en base a dos dimensiones: frecuencia y malestar.Además Foa et al. (1998) encontraron que ambas escalas correlacionaban de forma elevada, lo que sugiere que la información que aportan es redundante.El OCI-R es una versión más corta, que evalúa sólo el malestar que provocan los síntomas y que presenta buena fiabilidad y validez.No obstante, algunos estudios han encontrado que las subescalas acumulación y orden no tienen buena validez discriminante (Foa et al., 2002).Por otro lado, la evaluación que realiza las obsesiones es limitada, ya que no incluye intrusiones importantes como son las sexuales, de daño o blasfemia.Thordarson et al. (2004) diseñaron el VOCI con el objetivo de corregir algunos de los inconvenientes previamente mencionados y, sobre todo, de superar las limitaciones de uno de los cuestionarios más utilizados y recomendados para su uso en el estudio del TOC, el MOCI.En concreto, la subescala lentitud del MOCI ha mostrado tener una consistencia interna muy baja (Emmelcamp,
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".