显示带有标签的帖子 LD. 显示所有帖子
显示带有标签的帖子 LD. 显示所有帖子

2015年2月11日,星期三

四世 会计准则委员会#3:WJ IV Gf-Gc复合材料和SLD识别

我很高兴地宣布 四世评估服务公告#3 (WJ IV Gf-Gc复合材料及其在识别特定学习障碍中的用途)是 现在可以在这里。它将在发布者处发布 四世网站 一周之内。下面是摘要

伍德科克-约翰逊 IV(WJ IV; Schrank,McGrew,&Mather,2014a)讨论了认知能力的WJ IV测试(WJ IV COG; Schrank,McGrew,&马瑟(Mather),2014b)Gf-Gc 综合,将其构成与WJ IV COG通用智力(GIA)得分的构成进行对比,并合成重要信息,以支持将其用作对智力发展或智力水平的可靠有效评估。作者还建议,相关的WJ IV COG Gf-Gc复合/其他能力比较程序可以产生与2004年联邦个人重新授权允许的任何模型中的特定学习障碍(SLD)识别有关的信息。残疾人教育改善法(IDEA).




点击图片可放大

从我的iPad使用BlogPress发布

2012年12月25日,星期二

我们做什么'我们从CHC COG-ACH关系研究的20年中学到了:回到未来,超越CHC

我在会议上提交的论文草稿 第一理查德·伍德考克认知评估研究所 (过去的春季在塔夫茨大学)现在可以通过点击 这里。下面列出了12个数字中的三个...作为嘲讽:)。最终论文将由 WMF出版社.

 

2012年11月25日,星期日

CHC认知成就研究20年的意义:回到未来以及超越CHC

[点击图片放大]
 
关键从我第一次演讲时的幻灯片 理查德·伍德考克认知评估研究所 现在发布在 幻灯片分享. 我以为我以前曾发布过这些内容,但似乎找不到它们。  So 他们来了 第一次(或第二次)。 以下是我也提交的论文摘要,最终由 WMF出版社.


已经学到了很多 CHC CHC COG-->期间的ACH关系 过去20年(麦格鲁& Wendling’s, 2010).  本文基于现有研究,首先阐明了 definitions of 能力, 认知能力, 成就能力才能.  之间的差异 一般领域特定领域CHC预测学校成绩的指标。   卡夫曼的承诺’s “intelligent” 情报 通过两种方法说明了测试方法 基于CHC的选择性引荐为重点的评估(SRFA) .  接下来,一些新 智能 test design (ITD)原则进行了描述, 通过一系列采用各种方法的探索性数据分析证明 数据分析工具(多元回归,SEM因果建模, 多维缩放)。  ITD 原理和分析得出了建造 发育敏感的CHC一致性 学术能力集群,可以在以下方面发挥重要作用的措施 SLD的当代第三种方法(优势和劣势模式) identification. 
需要超越 COG的简单概念化COG-->讨论并证明了ACH关系和SLD识别模型 通过CHC COG的介绍和讨论-->交流电H因果SEM模型。  另一个 例如确定和量化建议 认知能力成就特质复合体 (CAATC)。  当前PSW第三方法SLD的修订 提出了将集成CAATC的模型。  最后,需要纳入 认知复杂度 测试 and 综合分数 在CHC域内 在设计和组织智能测试电池(以改善 提出了对学校成绩的预测)。  本文提出的各种建议代表了 (a)呼吁以新方法回归旧观念(回到未来)或(b)接受新的想法,概念和 需要心理学家超越主导者范围的方法 人类认知能力的CHC分类法(即 超越CHC)。




2012年8月10日,星期五

AP101摘要#15:超越CHC:认知能力成就特质复杂分析:对SLD评估和Dx的影响




这个 是一系列澄清认知性质的文章中的最后一篇, 能力,成就能力建设。  读者应咨询 前 post (包含指向所有先前背景文章的链接)定义了认知能力,能力,成就能力和 CHC 认知能力成就特质复合体)。 很抱歉没有包含参考资料 list. 这些帖子是 手稿正在准备中,我想发布到IQs Corner以获得我的反馈 可能会纳入最终稿中。  参考是我要做的最后一件事。

超越CHC:  CHC 认知能力成就特质分析

I 先前曾争论说,替代性非因素分析方法论(例如, 多维的 scaling-MDS)和理论镜头需要用于经过验证的CHC 更好理解的措施“both 的 内容流程 基本表现 在不同的认知任务上” (McGrew,2005,第172页)。  When MDS “faceted”方法已被应用 以前通过探索性或验证性因子方法分析的数据集, “以前对测试和构造特征的新见解 被强大的因素分析统计机制所掩盖。” (施耐德 &麦格鲁(McGrew),2012年,第13页。 110) .[1]   

以下 类似于Beauducel,Brocke和 Liepmann(2001),Beauducel和Kersting(2002),SÜß和Beauducel(2005), 塔克·德罗布and Salthouse (2009;这是个 很棒 MDS的示例与同一变量集的因子分析同时进行分析)和Wilhelm(2005),我进行了所有WJ-R标准化 学科(麦格鲁,韦德&伍德考克(1991)) (即按列表方式删除丢失的数据)用于WJ-R广泛认知 扩展能力(BCA-EXT),阅读能力(RAPT),数学能力(MAPT), 书面语言能力(WLAPT),Gf-Gc认知因素(Gf,Gc,Glr,Gsm, Gv,Ga,Gs),广泛阅读(BRDG),广泛数学(BMATH)和广泛写作 语言(BWLANG)成就聚类到 古特曼 Radex MDS 分析(n =早期学习的4,328个科目 年到成年后期)。[2]  MDS程序更加轻松 线性统计模型的假设,并允许同时分析 共享公共变量或测试的变量—导致 使用线性时由于过度的多重共线性而引起的非收敛问题 statistical 楷模. 这个功能使它 可能探索已投入运营的WJ-R的相似程度 认知能力,一般智力构造的量度(g),学术能力和学术能力 成就,一次分析。  That 是,有可能探索核心之间的关系 基于CHC的元素 认知能力成就 性状复合体(CAATC).  的 结果如图1所示。[点击图片放大] 


图1(点击图片放大)

WJ-R MDS Analysis: 基本解释

在 Guttman Radex模型,最接近二维图中心的变量是 most 认知复杂。 也, 这些变量沿着两个连续的或连续的维度定位,通常具有实质性/理论上的解释。  图1中的两个维度标记为A<->B 和 C<->D.  通过对图1的回顾得出以下结论:

--WJ-R g-measure(BCA-EXT)几乎直接位于图的中心 是最认知的复杂变量。  考虑到它是一个包含以下内容的组合,这在理论上是有意义的 来自7个CHC Gf-Gc认知域的14个测试。 有时接近MDS图的中心 考虑的证据 g.

-读写能力 (GRWAPT)和MAPT在认知上也很复杂。  Both 的 GRWAPT[3] 和MAPT集群包含四个相等加权的测试,其中四个 不同的Gf-Gc能力—因此,发现它们也属于 大多数认知上复杂的WJ-R措施不足为奇。 CHC Gf-Gc对Gf和Gc的认知测量 与Gv,Glr,Ga和Gsm相比,在认知上要复杂得多。[4]

--A<->B 维度似乎反映了每个刺激变量的顺序 内容,是MDS中的常见发现 analyses. 认知变量 包含连续体中线(Gv,Glr,Gf,Gs,MAPT)的左侧 主要措施 视觉图形 或数字/定量 特征。  连续变量中线右侧的大多数变量 (GRWAPT,Gc,Ga,Gsm,BRDG,BWLANG)的特点是 听觉语言,语言或口头.  这个 视觉图形/数字/听觉语言定量/语言/言语 内容维度与口头,图形和数字内容非常相似 facets 的 柏林情报模型 Structure (BIS;SÜß和Beauducel,2005年)。[5] 

--C<->D 维度似乎反映了变量的顺序 认知操作或过程, another common finding in MDS 分析。  连续中线以上(Gv, Glr,Ga,Gc,Gsm,BCAEXT,GRWAPT)主要由认知能力组成 涉及心理过程或操作的任务。 相反,尽管不一致,但三个 连续中线以下的最低变量是成就能力 群集(BRDG BWLANG; BMATH)。  Thus, 的 C<->D 维度被解释为代表一个 认知操作/过程到获得的知识/产品 尺寸。

-与 因素分析,对MDS的解释越是定性和主观。 可能具有共同维度的变量 通常被识别为位于相对直线或平面上 单独的象限或分区或紧密的分组(通常由 圆形或椭圆形或通过线形连接)。 检查由A创建的四个象限<->B C<->D 尺寸(见图1)提出以下建议。 交流象限被解释为代表 (不包括中心附近的BCAEXT)认知操作 视觉图形内容(Gv; l)。  的 CB 象限被解释为代表听觉语言/语言/语言 基于内容的认知操作。  的 BC 象限仅包括三个广泛的成就集群,因此是一个成就 或获得的知识维度。  最后,DA象限可以解释为认知操作 涉及定量操作或数字刺激(例如,Gf 与数学成绩相关;麦格鲁&温特林,2010年;一半的 Gs-P群集是视觉匹配测试,需要高效的 数值刺激的知觉处理—Glr-N).[6] 这四个象限的解释是 与BIS内容高度一致 操作内容 模型研究。

- 对两个连续和四个象限的理论解释提供了 对WJ-R测量的能力的潜在重要见解 measures. 更重要的是 结论为大自然提供了潜在的重要理论见解 智力,通常在使用因子时无法得出的见解 分析方法(请参阅Schneider&McGrew,2012;SÜß和Beauducel,2005)。 在我完成的其他MDS分析中,类似 视觉图形/数字/听觉语言定量/语言/言语认知的 运营/过程到获得的知识/产品 连续尺寸 出现了(McGrew,2005; Schneider& McGrew, 2012). 当我研究了少数3-D MDS时[7] 相同的二维模型和第三个模型一起出现 自动进行故意/受控的认知处理 尺寸 与著名的认知和双过程模型一致 神经认知功能(Evans,2008,2011; Barrouillet,2011; Reyna& 布雷纳德,2011年;里科&奥弗顿,2011年;西斯塔诺维奇& Toplak, 2011) 通常被区分为Type I / II或System I / II  (see Kahneman’s,2011年,倍受赞誉 思考,快和慢).[8] 

- 这些 CHC中不存在的高阶认知处理维度 分类学,建议中间层(或跨广泛的维度 CHC能力)可能是当前三层CHC的有用补充 model. 这些高阶维度可能 捕捉基本的神经认知过程的本质,并争取 moving 超越CHC 集成 神经认知研究,以更好地理解智力表现。


WJ-R MDS Analysis: 认知能力成就 性状综合体(CAATC)解释

数字 图2是图1所示结果的扩展。 建议使用两种不同的CAATC。 首先确定这些 BMATH和BRDG / BWLANG成就变量,然后将它们连接起来 各自SAPT的变量(GRWAPT; MAPT)。 接下来,最接近的认知Gf-Gc测度 处于相同的一般线性路径中的那些被连接(目标是找到 数学和阅读最接近直线的相关变量 line). 椭圆形涵盖整个 包含两个重叠在 figure. 代表的虚线 每个认知能力成就特征的近似对分 绘制了复杂的向量。  Finally, an 近似相关(r = .55;看到 图2)通过测量估算了两个多维CAATC之间 CAATC矢量虚线之间的夹角。[9]

图2(点击图片放大)

如 建议将图2中所示的数学和读写CAATC作为 从可行的角度看待认知之间的关系 能力,才能和成就能力。 主要结论,见解和 从图1和2得出的问题是:

- 看起来 存在通过使用CHC接地经验确定CAATC的潜力 理论上,现存的CHC COG->ACH关系研究和多维 scaling. 它似乎也有可能 估计不同性状复合体之间的相关性(请参阅 数学/读写写作特质 r=图2中的.55)。 我建议这些初步 研究结果可能有助于认知成就评估和研究领域 更好地近似人类认知能力的多维性质, 能力和成就能力。

-虽然WJ-R 电池不能像WJ III那样全面地衡量CHC能力, 各自数学和阅读/写作CAATC中的认知能力为 与现有的CHC COG-非常一致>CHC relations research (McGrew & Wendling, 2010; 点击这里 用于视觉图形摘要)。  的 读写特质复合体(参见图2)包括Ga-PC,Gc-LD / VL和 GRWAPT,Gs-P和Gsm-MS的能力,列为一般领域和 domain-specific 能力 在图3中。  在数学方面,特征复杂度包括Gf-RG的指标, Gv-MV,以及通过MAPT,Gs-P(可视匹配,也可以点击Gs-N)和 Gc-LD / VL,数学领域通用或领域特定的能力 in 数字 3. 工作内存(Gsm-WM)为 不存在(如图3所示),因为WJ-R电池不包含电池 可以进入分析的工作内存集群。


图3(点击图片放大)

-也 感兴趣的是三个WJ-R认知因素(Gsm-MS,Glr-MA,Gs-P) 排除在外 从超空间 拟议的数学和读写CAATC的表示形式。 尽管投机性很高,但可能是 它们与指定性状复合体的分离可能表明, 如果已知与阅读或数学成绩有关, 独立于较窄的特征复合体可能表明它们 代表领域一般能力。  Glr-MA和Gs-P都在图3中列为领域通用能力。 需要进行其他工作来确定是否 CHC措施的独立性(与确定的CAATC无关) 与成就相关的信息表示领域的一般能力。 或者,考虑到 先前展示的CHC COG-的发展细微差别>ACH关系 结果显示在图1和2中,其中使用了WJ-R的整个年龄范围 措施,可能以未知方式掩盖或扭曲调查结果。

- 那些 了解CHC COG->ACH关系研究显然会注意到 在图3中包括某些Gv能力(Vz,SR,MV)以及 将WJ-R Gv-MV / CS群集包含为拟议的数学CAATC的一部分 (图2),尽管缺乏一致报告的重要CHC Gv-ACH relations.  麦格鲁和温德林(2010) 认识到一些Gv能力 显然与阅读和数学成就有关(尤其是后者) 在非CHC组织的研究中。  的y speculated 日at 的 “Gv Mystery”可能是由于某些Gv能力 能力或 他们的评论中包含的认知能力不包括Gv量度 测量与Gv相关的复杂Vz或MV过程。  在这种情况下,这可能是一个重要发现(通过方法 如上所述),WJ-R Gv度量意外地包含在数学CAATC中。 这可能支持Gv的重要性 能够解释数学并同时表明存在问题 operational Gv 措施。 

-长 WJ-R Gv量度到图中心的距离(见图2) 表示WJ-R Gv量度,其中包括分类为 CS和MV的指标在认知上并不复杂。 这个结论与洛曼是一致的’s Gv能力的开创性回顾(Lohman,1979年),他特别提到了CS MV代表低水平的Gv过程,“此类测试及其因素 始终位于缩放表示的边缘附近,或 层次模型的底部”(Lohman,1979,126-127)。 我提出了数学CAATC的假设 图2中表明 Gv a math-relevant domain,但更复杂的Gv测试(例如3-D mental“mind’s eye”回转;复杂的视觉工作记忆),这将更接近 MDS超空间的中心,需要开发并包含在认知中 batteries. 这个建议是一致的 with Wittmann’s concept of 不伦瑞克对称, 反过来,其基础是 对称 在大多数科学领域中,成功都是至关重要的 (Wittmann & SÜß, 1999).  的 Brunswick对称模型认为,为了最大化预测或 预测变量和标准变量之间的解释,应与 预测变量和预测变量的认知复杂性水平 标准空间(Hunt,2011; Wittmann& SÜß, 1999). WJ-R Gv-WJ-R BRMATH关系可以表示 从低(WJ-R Gv)到高(WJ-R BMATH)预测器-准则复杂度 不匹配,因此注定了一切可能 重要的关系。 

-研究人员 SLD领域的从业者应该认识到 POSW “aptitude-achievement”对差异进行评估以确定 “consistency”,是领域通用能力和领域特定能力的组合 在许多方面包括对特定成就领域的才能,可以被认为是 通用情报的迷你代理(g)。 在图1和2中,BCA-EXT和MAPT以及 GRWAPT变量非常接近(也代表高 相关性),并且都在MDS Radex模型的中心附近。 WJ-R之间的明显关联 BCA-EXT(在用于生成图10中的CAATC的WJ-R数据中)和RAPT, WLAPT和MAPT群集分别为.91,.89和.91。 这反映了CHC COG-的现实>ACH 在阅读和数学成绩,认知测验或类集方面的研究 with high g负荷(即措施) Gc和Gf),以及共享的领域通用能力,始终在 与学业赤字相关的CHC措施库。

- 然而 GRWAPT和MAPT在以下内容/操作象限中的位置 图1和图2表明,由CHC设计的差异化程度更高 域SAPT措施可能会制定。  MAPT与 两项GRWAPT量度为.82至.84,表明共有约69% variance. GRWAPT和MAPT都很强大 相关的SAPT,但每个中仍然存在唯一的差异。 此外,WJ-R SAPT措施用于 该分析是同等加权的聚类,而不是差异化的 加权聚类,与原始《 WJ》中的相同。  As 提出的先前y,研究表明最佳SAPT 预测需要随着年龄的增长而逐渐改变权重。 我认为对发展敏感的发展 CHC设计的SAPT将导致RAPT和MAPT之间的相关性较低 measures.


超越CHC理论:  认知能力成就特质和SLD识别 Models

的 测量,绘制和量化CAATC的可能性引起了人们的兴趣 重新概念化识别方法的可能性 SLD. 图4展示了通用 流行的第三种方法的SLD模型的表示形式以及 进行概念性修订的提案。  如 尽管前面提到过,但流行的POSW模型(图4的左半部分) 有助于沟通和增进对概念的理解 的方法,很简单。   Implementation 的模型需要连续的简单(通常是多次)计算 不能捕捉多维和多元的差异 人类认知,能力和成就能力的性质。  我相信CAATC代表在 图2,尽管仍然明显不完美且容易出错 现实的非线性本质,是复杂本质的更好近似 认知特质特质的复杂关系。  图4的右侧是概念化SLD的初步尝试 在CAATC框架内。  在 日is 形成模型,当前第三种方法模型的底部两个组成部分 (即学术和认知上的弱点)已合并为一个 多维CAATC域。



图4(点击图片放大)

民航总局 better operationalize 的 不ion of 一致性 among 的 multiple 认知的, 重要学术学习领域的能力和成就要素,或 domain of SLD。  As 不ed in 的 前面介绍的CAATC的操作定义,重点是 星座 或 elements 日at are 有关 和是 合并的 一起在功能上 fashion. 这些特征意味着 集中向内的力的形式,将元素紧密地拉在一起 like magnetism. 凝聚力出现 这种形式的多元素键合最合适的术语。  凝聚 根据定义 较短的英语牛津词典 (2002),作为“的行为或条件 粘在一起或粘连;保持团结的趋势” (p. 444). 元素粘合和粘性也 conveyed in 的 预约定价安排字典 Psychology (VandenBos,2007)凝聚力定义为“the unity 要么 群体的团结,如联系的力量所表明 整个小组的成员” (p. 192). 因此,在基于CAATC的SLD提案中 Figure 4, 的 内聚度 内 CAATC(由圆形图标形状设计)被认为是不可分割的, 确定是否具有强大凝聚力的CAATC的关键步骤 存在特别的学术领域赤字。  

中国民航总局内部的凝聚力越强,人们就越有信心 在可能表明SLD的CAATC标识中放置。 重点是量化CAATC内聚力 被认为是尝试进行以下操作的必要但不充分的第一步 基于多元POSW识别SLD。  如果CAATC表现出非常弱的内聚力,则假设 可能的SLD应该减少考虑。  如果有显着(尚待定义)中度到强度CAATC 凝聚力,然后将CAATC与认知/学术优势进行比较 概念模型的一部分适用于SLD。 为了简化,基于POSW的SLD识别 首先将基于确定一个薄弱环节 内聚的 然后确定的特定CAATC 与其他认知和其他方面的相对优势明显不同 achievement domains.  

当然, 此模型的其他变体需要进一步探索。 例如,应该不一致/不一致 在其他根据经验确定和量化的CAATC之间进行比较? CAATC与CAATC之间的比较是否会高 与经验和理论相关的CAATC(例如,基本的阅读技巧和 基本的写作技巧),与经验和理论上的比较 相关的CAATC到CAATC域(例如,基本阅读技能和数学 推理),对诊断重要吗?  目前,我的问题多于答案。
      
是—这个提议的框架是投机性的, 概念化的形成阶段。  它基于探索性数据分析,理论考虑, 以及合理的逻辑。  It 是 不 yet ready 适用于实践。  Appropriate 统计指标和用于操作域程度的方法 凝聚力是必需的。  I do 不 see 日is 作为基于以下方法的不可克服的障碍 欧几里得 距离度量(例如, 马哈拉诺比斯 和或 明可夫斯基 距离)可以量化 CAATC测度之间的衔接以及所有特征复杂元素与测验的距离 重心 存在一个CAATC。 或者,统计学家比我想象的要聪明得多 应用基于质心的多元统计量来量化和比较 CAATC域内聚。  I urge 日ose with 这些技能和兴趣去追求这些指标的发展。  也, 的 current limited exploratory results WJ-R的数据应在更多现代样本中复制和扩展 CHC认知,能力和成就测试的范围更大,并且 clusters. 我鼓励分割样本 CAATC模型的开发和交叉验证 WJ III 规范数据。

拟议的CAATC框架,并集成到 目前,SLD模型只是—a proposal. 还没有准备好进行黄金时间的现场实施。 它在这里作为一种形成性思想提出, 希望会鼓励其他人去探索。 额外的研发,其中一些 我在上面建议的要么证明这是一种有前途的方法 或有效性有限的想法或实践约束过多的想法 使其难以实施。  尽管如此,这里提出的结果还是有希望的。 结果表明可能增加 更好地定义SLD和学习更复杂的复合体方面的进展 与自然一致—与CAATC的识别 分类单元’s[10] 更好的近似“nature carved at 的 joints”(Meehl,1973,Greenspan,2006引用并解释 MR / ID 诊断的背景)。  Such a 发展将与雷诺兹和拉金保持一致’s(1987)诉状,25年 以前,为了更好地代表性格的残疾识别方法 taxon’s rather 日an 要么 分类 根据具体切割 分数扎根于“有边界的行政便利 出于政治和经济考虑而创建” (p. 342). 






[1] 看到 SÜß和Beauducel(2005)和Tucker-Drob 和Salthouse(2009)对这些方法的出色描述,以及 说明性结果。

[2] 对WJ-R电池进行了分析,因为它是WJ系列的最新版本 include scholastic 才能 集群。

[3] 如 在图1中注意到,阅读和书面语言能力集群 是分析中的独立变量,共有4个通用测试中的3个,并且几乎 在MDS图中重叠。  Thus, for 为简单起见,在图1中将它们组合为单个GRWAPT变量。 这也是一致的因素分析 读写成就变量的过程通常会产生一个 Grw因子而不是将读写因子分开。

[4]首要的 狭窄 测得的能力 每个认知Gf-Gc簇所包含的标签 cluster. 与《 WJ III》相反​​, Gf-Gc集群并非全部按照以下方式构建 广阔 Gf-Gc能力(请参阅McGrew,1997; McGrew& 鹬, 2001). 只有WJ-R Gf和Gc群集可以 根据广泛的要求解释为衡量广泛的领域 测度必须包括不同狭义能力的指标(例如概念 形成-I和分析-合成-RG)。  现在认为其他五个WJ-R Gf-Gc集群有效 CHC能力较弱的指标(Gsm-MS; 嘎-PC; l-MA; Gv-MV / CS; s-P)。

[5] BIS模型是一种启发式框架, 从因子分析和MDS方面分析中得出, 对不同任务的绩效进行分类,不应视为 基于因子的智力特征性状结构模型 CHC 理论. 尽管如此,古特曼·拉德克斯(Guttman Radex) MDS模型通常与基于分层因子的模型具有很强的相似性 基于相同的变量集(Kyllonen,1996;SÜß& Beauducel, 2005; Tucker-Drob & Salthouse, 2009).

[6] MAPT群集还包括两个Gf测试和视觉匹配。

[7] WJ 可针对以下年龄段的9-13岁受试者的III 3-D MDS模型 http://www.charliscraftykitchen.com/2008/10/wj-iii-guttman-radex-mds-analysis.html

[8] A 相似的维度作为合理的高阶认知过程出现 前面提到的Carroll 50 WJ III测试类型分析中的尺寸 variables.

[9] 使用三角函数, 余弦 的 两个特征复数向量的交集被转换为 correlation. 我感谢Joel Schneider博士 通过帮助弥补我在久已失去的基本三角学专业知识方面的不足 将测量的角度转换为相关性的excel电子表格。

[10]较短的牛津英语词典定义一个 分类单元 as “a 分类单元omic 组 任何种族,如物种,家族,阶级等;这样的生物中包含的生物 group” (p. 3193) 和 分类单元omy as “classification, 尤其是关于其一般法律或原则;科学的分支,或 涉及分类的特定科学或学科; 尤其是 的系统分类 living 要么ganisms”(第3193页;斜体为正本)

2012年7月18日,星期三

CHC COG-ACH关系:视觉图形摘要

在准备手稿时,我开发了以下视觉摘要: 成立窄版CHC-->Rdg / Math Ach关系摘要.  它基于对 麦格鲁& Wendling (2010)。  点击图片可放大。


2012年7月6日,星期五

关于拟议的DSM-5 SLD标准的​​意见:Colker,Shaywitz,Shaywitz& Simon




A 以下文件的副本 在7月4日的假期找到了进入我的收件箱的路。它由Colker,Shaywitz,Shaywitz和Simon撰写。

从法律和医学/科学角度对DSM-5特定学习障碍拟议标准的评论



由Kevin McGrew的iPad使用BlogPress发布
www.themindhub.com

2012年6月29日,星期五

研究领域:阅读理解干预-研究综合




双击图像放大


由Kevin McGrew的iPad使用BlogPress发布
www.themindhub.com

另一项Flynn效应研究:对LD诊断的影响

本文将被添加到 弗林效应档案项目 下次更新时。点击图片可放大。


由Kevin McGrew的iPad使用BlogPress发布
www.themindhub.com

研究方向:LD大学生的CHC认知能力和数学能力




Very interesting study 通过 Dr. Briley Proctor on 的 relations between CHC 认知能力 和 数学 成就 in LD university students. 的 results, in general, are very consistent with 的 referenced 麦格鲁& Wendling CHC-->交流电H research synthesis (2010). 的 article references 日at 评论 as "in press." 的 actual published 评论 can be found 这里.






由Kevin McGrew的iPad使用BlogPress发布
www.themindhub.com

2012年5月28日,星期一

在SLD上下文中实施智能测试的视觉图形工具:形成性概念和工具

这篇文章中的幻灯片是初步的发现和形成性思想,它们将经过一段潜伏期,并有望最终出现在演示文稿和手稿中。正在开发该材料以帮助充实智能 选择性转诊评估 用于RTI治疗抵抗者,并提供信息以帮助实施各种 第三方法 一致性/concordance 楷模 for SLD。我相信,如果人们对数字进行足够的研究,这些数字就可以说明一切。熟悉全套的WJ III认知测验(包括诊断增补)会有所帮助,因为它可以使人破译测验名称的缩写。此外,还需要熟悉第三种方法一致性/一致性SLD模型的一般概念(请参阅 弗拉纳根和菲奥雷洛,2010年)。 也, one needs to be familiar with 的 CHC术语代码 了解每个测试被归类为测量的内容。

下面是Flanagan和Fiorello,2010年提出的第三种方法SLD模型的直观表示。 [点击图片可放大]



这些结果来自我对WJ III规范数据的艺术+科学探索性数据分析,这些数据由 麦格鲁和温德林(2010)。分析包括(a)使用WJ III认知测试的选定子集(一次一次使用向后消除变量;一次一次使用变量的后向消除)对两个阅读和两个数学成就子域(此处仅列出两个)进行多元回归预测。最后输入,以确保它们仍然不是应该保留在最终模型中的重要预测变量),(b)通过6-18岁之间的第一个未旋转的主成分计算所有认知测试g负荷,以及(c)多维WJ III认知预测因子的完整集合的比例缩放(MDS-Guttman Radex模型)。

提出了可视化的图形摘要,希望激发人们关于如何使用这些演示方法的思考,以使考官能够以数据为基础(但数量是有目的的),理论和逻辑进行智能的选择性推荐参考评估决策。

利益冲突警告。我是《 WJ III》的合著者。

点击图片放大。


















下面是第三种方法与上面的幻灯片之间的概念链接。




MDS illustrative 模型。









前三张幻灯片和第三种方法SLD模型之间的概念链接




由Kevin McGrew的iPad使用BlogPress发布
www.themindhub.com

2012年5月15日,星期二

有关CHC 列表服务器的讨论

它的发布没有任何解释,目的是在CHC 列表服务器上引起讨论。

点击图片可放大




由Kevin McGrew的iPad使用BlogPress发布
www.themindhub.com

2012年3月12日,星期一

研究领域:认知成就关系和特征研究

双击图像放大

Fuch等人。继续做一些很好的认知成就LD相关研究。我担心的是,似乎从未尝试将其与过去20年来完成的现有CHC齿轮关系研究联系起来(例如, McGrew和Wendling,2010年)






-凯文·麦格鲁(Kevin McGrew)的iPad使用BlogPress发布

2012年3月1日,星期四

行动计划101简介#12:使用IQ部件分数作为SLD和MR / ID 诊断中一般智力的指标

   
           历史上的概念 一般情报(g), 由全球情报测试电池组负责 全尺寸 智商得分对于具有以下特征的个体的定义和分类至关重要 特殊学习障碍(SLD) 以及具有 智障(ID)。  最近,当代的定义和操作标准提高了智能测试能力 综合 要么 部分分数 在SLD的诊断和分类中扮演更重要的角色,而在ID中则更重要。
            在 的 case of SLD, 第三方法 一致性 定义在(a)识别 一致性 低成就与相关的认知能力或加工障碍之间的关系;(b)个人必须表现出相对的认知和成就优势的要求(请参见 菲拉内罗弗拉纳根& Ortiz, 2010)。 在第三种方法SLD方法中,没有强调全局IQ分数。
            在 contrast, 的 11 版本 协会智障:定义,分类和支持系统 手册(AAIDD,2010年)将通用情报和全球综合智商得分作为对以下方面的定义的核心 智力功能. 这并非没有挑战。 例如,AAIDD ID 定义具有 被批评 因为过分依赖通用情报的构建,而忽略了当代心理学计量学理论和实证研究,这些研究已经集中在多维的智力层次模型上(即, 卡特尔-洪恩卡罗尔或CHC理论)。
潜在的限制“作为一般智能障碍的ID”定义是由 智障残疾人确定委员会,在 国家研究委员会 报告“智力低下: 确定获得社会保障福利的资格” (Reschly, Meyers & Hartel, 2001). 这个国家专家委员会的结论是“在接下来的十年中,可能会更进一步地调整智力测验以及从中得出的IQ分数以及Horn-Cattell和Carroll模型。 结果,未来几乎可以肯定会更多地依赖零件分数,例如 GC Gf,以及传统的复合IQ。 也就是说,传统的综合智商可能不会下降,但是与过去相比,将会更加重视零件得分”(Reschly et al。,2002,p.94)。 委员会指出“每当质疑一个或多个部分分数(子测试,量表)的有效性时,检查员还必须质疑该测试是否’的总分适合指导诊断决策。 总考试成绩通常被认为是客户的最佳估计’的整体智力功能。 但是,在某些情况下,总的测试成绩可能并不能完全代表整体认知功能,这对于某些人以及对他们而言都是如此。” (p. 106-107).
           在SLD和ID诊断和分类中,对智能测试电池复合零件评分的日益重视,提出了许多测量和概念问题(Reschly等,2002)。 例如,统计学上的显着差异是什么? 有什么有意义的区别? 当质疑整体智商时,哪些适当的认知能力应作为一般智力的代理? 总测验分数应为多少? 
适当的认知能力 只会是这里讨论的唯一问题。 这个问题解决 哪个组件或零件的分数与一般智力更相关(g)—也就是说,组成部分的分数很高 g装载机? 传统的共识是 GC (结晶的智力;理解知识)Gf (流体情报或推理) 是最高的 g负荷措施和构造,并且在诊断ID时最有可能成为身份提升的候选人(Reschly等,2002)。 尽管并非总是明确说明,但第三种方法一致性SLD定义指定个人必须证明“至少具有一般认知能力或智力的平均水平”(Flanagan et al。,2010,p.745),这是一个隐含地暗示认知能力和成分得分较高的陈述。 g-ness。
表1旨在为在SLD和ID的诊断和分类中使用零部件评分提供指导(单击图像放大并使用浏览器缩放功能) 查看;建议你 点击这里 来访问表格的PDF副本。并对其进行放大)。 表1总结了具有令人满意的心理测量特征(即国家规范样本,复合材料足够的信度和效度)的,全面的,国家规范的,单独管理的情报电池 g-得分)用于ID和SLD的诊断。



综合 g-得分 列列出了每个情报电池提供的全球一般情报得分。 这个分数是一个人的最佳估计的一般智力,目前与AAIDD的ID诊断最相关。  All 综合 g表1中列出的-scores满足 詹森s(1998) 心理测量误差 标准作为一般智力的有效估计。  如 per 詹森s 测试次数 标准,所有智能电池 g-复合材料基于 最少九个 测试样本 至少三个 主要认知能力领域。  如 per 詹森s 各种测试 标准(即信息内容,各种心理操作的技能和要求),从CHC理论的角度来看,电池的能力范围覆盖范围会有所不同四个(CAS,SB5),五个(KABC-II,WISC-IV,WAIS-IV),六个(DAS-II)和七个(WJ III)(奥尔蒂斯Flanagan& Alfonso, 2007; 基思& Reynolds, 2010)。  根据詹森(Jensen,1998)的建议, 用于估计的特定测试集合 g 应该以尽可能少的测试数量尽可能接近地成为所有类型的心理测试的代表样本,并且应该尽可能平均地代表各种测试 (第85页)。 用户应咨询以下来源 Flanagan等。 (2007年)基思和雷诺兹,2010年) 确定每个智能电池如何近似詹森的最佳设计标准,测量的特定CHC域以及每个电池组合中CHC域的比例表示 g-得分。
表1中还包括每个电池提供的组成部分的比例(例如,WAIS-IV语言理解指数,感知推理指数,工作记忆指数和处理速度指数),其后分别是 -电池 g-加载。[1]  Examination 的 g现有电池的综合得分的高低(请参阅表1的最后三列)表明了传统的假设,即 GfGC 是通用情报的最佳代理 掌握所有情报电池.[2] 
在SB5的情况下,所有五个复合零件得分在 g-装载(h2 = .72至.79)。 没有一个SB5复合零件得分比其他SB5得分更好地暗示了一般的一般智力(当不使用整体IQ得分时)。 另一个极端是WJ III,其中流体推理,理解知识,长期存储和检索聚类得分最高 g-WJ III中基于部分得分的解释的代理。 WJ III视觉处理和处理速度群集不是复合零件评分,应该强调其为一般智能的指标。 在所有包含处理速度组件分数的电池(DAS-II,WAIS-IV,WISC-IV,WJ III)中,各自的处理速度量表始终是通用情报的最薄弱的代表,因此不会被视为良好的智能产品。一般情报估计。 
           同样清楚的是,不能假设测得能力的相似名称的合成物应具有相似的相对 g-不同电池内的状态。  For example, 的 Gv 达斯-II(空间能力),SB5(视觉空间处理)中的(视觉空间或视觉处理)集群相对较强 g-在各自的电池中进行测量,但对于WJ III视觉处理集群则不能说相同的方法。 更有趣的是WAIS-IV和WISC-IV相对值的差异 g-加载类似听起来不错的索引分数。 
例如,工作记忆指数最高 gWAIS-IV中的加载组件分数(与感知推理指数并列),但在WISC-IV中仅排名第三(四分之三)。  工作内存索引由WAIS-IV中的数字跨度和算术子测试以及WISC-IV中的数字跨度和字母序号子测试组成。 据报道,算术子测试是阶乘复杂的测试,可能会利用流体智能(Gf-RQ—定量推理),定量知识(Gq),工作记忆(GSM),以及可能的处理速度(s;基思& Reynolds, 2010; 菲尔普斯,麦格鲁,诺皮克& Ford, 2005)。   算术子测试的阶乘复杂特性(实质上使它的功能像迷你算子一样,g 代理)将解释为什么WAIS-IV工作内存指数是一个很好的代理 g 在WAIS-IV中,但不在WISC-IV中。 WAIS-IV和WISC-IV工作记忆指数量表尽管命名相同,但是 测量相同的结构。

A 严重警告 是那个 g无法比较不同电池的负载。  g当分析中包含的各种措施的组合发生变化时,载荷可能会发生变化。 不同的“风味” g 可能导致(Carroll,1993; 詹森,1998)。比较的唯一方法 g电池的极性经过适当设计 交叉或联合电池 分析(例如,在普通样品中分析的WAIS-IV,SB5和WJ III)。
上面和下面的智能电池示例说明,那些使用组成部分分数作为人的估计的人’的一般智力必须了解其组成和心理测验 g-每个智能电池内组件的得分得分。 并非所有不同智能电池中的所有零部件得分都是相同的(关于 g-ness)。  也, 不 all similarly named factor-based 综合分数 may measure 的 same identical construct 和 may vary in degree of 内 battery G-内斯。 对于因子分析中的因子命名,以及基于因子的智力测验综合评分,这并不是一个新问题。 悬崖(1983) 描述了这个 名义上的谬误 用简单的语言—“如果我们命名某事,这并不意味着我们了解它” (p. 120). 




[1] 如表1的脚注所示,所有综合得分 g凯文·麦格鲁(Kevin McGrew)通过在每本智能电池技术手册(请注意WJ III的例外情况)中输入已发布的相关矩阵的最小数量(涵盖的最大年龄范围)来计算负载(以获得WJ III的例外) g负荷估算。 对于每个智能电池,可以为每个年龄区分的相关矩阵计算和报告这些值。 但是,此表的目的是提供尽可能最佳的 平均 在每个智能电池的整个寿命范围内的价值。 弗洛伊德(Floyd)和同事发表了年龄差异的文章 g达斯-II和WJ III的装载。 这些值未使用,因为它们基于 主要公因子 分析方法, 分析测试之间的可靠共享方差。 尽管主要因素和 主成分 通常,载荷将在相同的相对位置订购量度,主因数载荷通常会较低。 鉴于不完善的清单综合量表分数是在实践中使用的分数,因此也可以使计算 g表1中报告的载荷在这项工作中使用了主成分分析。同样的理由用于不使用较高阶的潜在因子负荷 g每个测试电池的SEM / 终审法院分析中的因素。 CFA分析得出的负荷代表了基础理论能力结构与 g 清除测量错误。  此外,电池技术手册(或独立的期刊文章)中报告的最终CFA解决方案通常会使测试变得相当复杂(加载多个潜在因子),这种测量模型与清单/观察实践中使用的综合评分。 高阶潜在因子加载 g因子通常会基于清单指标而与主成分负载有很大不同,无论是绝对大小还是相对大小(例如, 正在加载 g 在WJ III技术手册中,这与清单变量基于 表1中报告的负载) 
[2]h2 值是用于比较相对数量的值 g-每个智能电池中组成部分中存在的方差得分。