Showing 发布s 与 label SLD . 显示所有帖子
Showing 发布s 与 label SLD . 显示所有帖子

2017年2月8日星期三

提供WJ IV 会计准则委员会 8:WJ IV核心选择性评估流程可用于识别特定的学习障碍

点击图片可放大


四世 会计准则委员会 #8(WJ IV™用于特定学习障碍识别的核心选择性评估过程现已推出(点击这里下载)

弗雷德里克·A·施兰克(Fredrick A.

塔米·斯蒂芬斯·皮塞科(Tammy L.Stephens-Pisecco)博士

爱德华·舒尔茨博士

抽象
每个WJ IV电池都包含一个“core” set 测试 that provides a representative survey 的 测得的能力 通过 the battery. Examiners can selectively administer additional tests 至 provide greater breadth 的 测量 in an area 的 认识 要么 linguistic competency 要么 in a domain 的 成就. 这个 如 sessment Service Bulletin describes how 至 use the 四世 in a 核心-selective evaluation process (C-SEP) for identification 的 a 具体 学习 disability (SLD). 的 basic premise 的 C-SEP model for SLD identification 是 that test selection 和 data 分析 are proportional 至 problem 复杂ity—based on the presenting problem 要么 referral question 和 the evaluator's professional judgment in determining what tests 至 administer . 在 formation provided in this bulletin can be used 至 support professional judgment in determining what tests, beyond the 核心 tests, 至 administer in an evaluation. Test-to-cluster 相关性 tables support the 有效期 的 C-SEP as a data-based model for diagnostic decision making.

我确实提供了附录,该附录报告了所有年龄段的所有认知和口语测验与WJ IV成就群之间的WJ IV规范样本之间的相关性。我们没有时间在技术手册中获得此信息。如ASB所述,它应有助于设计针对推荐人的选择性评估。

-使用iPad上的BlogPress发布

2016年11月22日星期二

研究方向:特定学习障碍中的认知集群

特定学习障碍中的认知集群

  1. 米歇尔·波莱蒂(Michele Poletti),PsyD1
  2. 艾丽莎·卡雷塔(Elisa Carretta), 多发性硬化症2,3
  3. 劳拉·邦维奇尼(Laura Bonvicini), 多发性硬化症2,3
  4. 保罗·乔治·罗西博士2,3
  1. 1意大利雷焦艾米利亚的AUSL儿童和青少年神经精神病学服务
  2. 2意大利雷焦艾米利亚的AUSL机构间流行病学部门
  3. 3Arcispedale S.Maria Nuova,IRCCS,雷焦艾米利亚,意大利
  1. 雷吉欧·艾米利亚(Ausl)的儿童神经精神病学研究中心心理健康与病理成瘾系Michele Poletti, 通过意大利雷焦艾米利亚的42号Amendola 2号楼。电子邮件: [email protected]

抽象

的 heterogeneity among 孩子们 与 学习障碍仍然是一个障碍和挑战 他们的概念化。 尽管已经有了一种尺寸方法 支持,分类方法仍然是最常用的方法,例如 recent 第五版 精神疾病诊断与统计手册. 单一总体诊断类别的介绍 特定学习障碍(SLD)可能过分强调 个体间临床差异 类别内的认知功能和学习能力 to 当前的多种认知缺陷模型 神经发育障碍的基础。的表征 specific 认知的 profiles associated 与 an already SLD清单可能有助于识别SLD的早期认知标记 风险 非典型认知的独特轨迹 导致SLD的发展。从这个角度来看,我们应用了一个集群 analysis 至 identify 组s 的 孩子们 与 a 诊断和统计手册–based 诊断 的 SLD 与 similar 认知的 profiles 和 至 describe the 集群与SLD子类型之间的关联。 A sample 的 205 孩子们 与 a 诊断 的 SLD 被录取了。聚类分析(集聚层次分析和 nonhierarchical 迭代聚类技术) successively on 10 核心 subtests 的 韦氏儿童智力量表–Fourth Edition. 采用了4集群解决方案,并且发现了外部验证 SLD亚型频率和学习方面的差异 集群之间的熟练程度。临床意义 对这些发现进行了讨论,并为进一步研究寻找了方向。

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 与in a week. Below 是 the abstract

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 Composite,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 的 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 testing approach was illustrated 与 two approaches 至 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 与in CHC domains 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) a call 至 return 至 old ideas 与 new 方法s (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10月15日,星期一

研究领域:阅读的认知神经模型:荟萃分析

出色的研究综合研究,将阅读能力/残疾的认知模型与大脑区域相关联。出色地使用颜色和数字来展示研究结果单击图像放大。

 

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 the 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 is, it was possible 至 explore the relations between 和 among the 核心 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 the 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 of measures 与 predominant 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, the 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 (excluding BCAEXT which 是 near the center) 认知的 operations 与 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 correlated 与 数学 成就; 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 very consistent 与 the 国际清算银行 内容-faceted 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]楷模 the same two dimensions emerge along 与 a 第三自动进行故意/受控的认知处理 尺寸 is consistent 与 the prominent dual-process 楷模 的 认识 和 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  (看到 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 very consistent 与 the extant CHC COG->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 that the “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 abilities in explaining 数学 和 concurrently indicate a problem 与 the 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 的 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 pool 的 CHC measures associated 与 the academic deficit.

- 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 this 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 the 不 ion 的 一致性 among the multiple 认知的, 重要学术学习领域的能力和成就要素,或 domain 的 SLD 。  As 不 ed in the 前面介绍的CAATC的操作定义,重点是 星座 或 elements that 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 the 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, the 内聚度 与in 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。  

的 stronger the 与in-CAATC cohesion, the more confidence one could 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 this 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 those 与 这些技能和兴趣去追求这些指标的发展。  也, the 当前 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 consistent 与 nature—与CAATC的识别 分类单元’s[10] 更好的近似“nature carved at the 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 than 要么 分类 根据具体切割 分数扎根于“administrative conveniences 与 boundaries 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 学术能力 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 of a particular 科学 要么 subject, that deals 与 分类; 尤其是 的系统分类 living 要么 ganisms”(第3193页;斜体为正本)

超越CHC:认知能力成就特质(CAATC)


本最新帖子是我在一个 试图更好地理解人类认知能力的构成, 能力和成就能力。  这些努力是开发中手稿的一部分,我将 完成时宣布。

今天’s post 定义一个 认知能力特质 complex (CAATC).  这个 material 应该已经包括在我之前的 澄清度 智力能力建设 发布,但我的想法(基于 后续数据分析)尚未确定。 我强烈建议读者访问 阅读当前帖子之前的先前帖子。  同样,另一篇先前的帖子定义并演示了如何 develop 发展敏感 CHC一致的学术才能集群 必须作为背景 read.  的 concept 的 学术能力 是不可或缺的 current 发布. 最后,如果读者是 not familiar 与 the 当前 优势模式 weakness (POSW) 第三种方法的SLD识别模型应该快速浏览一下 弗拉纳根and Fiorrello (2010). 由于以下文字是 在形成阶段,我没有包括所有参考。 我会尽可能提供一些超链接 对于那些可能想阅读这些资源的人的参考。

超越 CHC: 认知能力成就 特质(CAATC)

我相信各种 第三种方法SLD 方法将受益于框架 更广泛的概念和理论框架。  无论SLD型号名称如何(例如,concordance-discordance; 差异/一致性;双重差异/一致性)模型 核心都是基于特定的概念 模式或配置 能力,才能和成就 与不同成就领域中不同类型的SLD相关(请参阅 Flanagan & Fiorrello, 2010).  的 每个模型的视觉图形表示通常包括三种形状 (代表构建结构域)以及两个对象之间的简单差异比较 域(通常由箭头指定)。    虽然干净有效地增进了概念理解, 这样的模型往往暗示着一些简单的多域差异 score approach 至 defining SLD 。  此外,这些模型的基本原理反映了狭par的 当代联邦SLD法规和当代研究的基础 来自特殊教育,学校心理学/神经心理学和 心理计量因素分析智力研究。 其他方面的开创性和历史研究 心理学的各个角落(例如个人差异,教育心理学), 专注于测量和测量的理论和方法的发展 描述不同人类能力的特征模式或配置 特质,在当代SLD模型文献中被大大忽略了。  

理查德·斯诺(Richard 雪)’s seminal study 的 能力复合体 (在不同的时间,他也称为 化合物和构型)(科诺 et al., 2002;斯诺(1987年)是最杰出的教育心理学 example.  Building on 雪’s work, Ackerman’s (1996) PPIK (智能即过程,个性,兴趣, 智力的知识模型)产生了令人着迷的 基于研究的特质复合体见解。  In an 心理学年度回顾 关于智力差异的文章(评估个体差异的科学和社会意义:“Sinking 轴的几个关键点”), 鲁宾斯基(2000) 通过以下方式认识到Snow和Ackerman(及其他人)的工作的相似之处 discussion 的 星座 的 跨域属性。  Although these 研究计划通常涉及更广泛的人类特征 领域(智能,成就,动机,个性,兴趣等), 对跨域和域内的模式或配置的关注类似于 当代SLD第三种方法模型的重点。 

我相信研究和概念化 第三方法POSW SLD 模型将受益于被视为狭窄的子集 of a larger set 的 性状复合体. 当代SLD评估研究可以 受益于以下方面展示的概念和方法上的进步 特质复杂的有组织研究(例如,参见Ackerman,1996,2000; Ackerman, Bowen, Beier &坎弗(Kanfer),2001年; Chamorro-Premuzic的Ackerman& Furnham, 2011).[1] 例如,这项历史研究将 有助于提醒当代评估人士,能力的成就 关系不容易用简单的线性关系(和数字)描述,并且 通常需要互动和关系的概念化 多维超空间(参见Snow,1987年)。

为了提出这个建议,我建议各种 第三方法POSW SLD 模型被认为是试图理解和衡量认知能力成就特质的尝试 complexes.  从阿克曼那里自由借钱 (阿克曼,1997年;阿克曼&贝尔(2005)。 Cronbach(1967)和Snow(1989)的作品, 特征 complex 在最一般的意义上定义为“sets 的 特征s that 结合起来会影响某种类型的结果…这些特质足够 相互关联,建议探索相互因果的相互依存关系” (Ackerman, 1997, p. 187).  这个 定义 是 consistent 与 the 定义 in the 更短 English Dictionary (2002)定义了名词 复杂 as “1  A 复杂整体一组相关元素…2  化学. 结合形成的物质或种类 of simpler ones”(第468页;原文为粗体)。  在当前情况下,我定义了 认知能力成就 trait 复杂 (CAATC)作为 a 星座或相关认知,能力和成就的组合 当以功能性方式组合在一起时可以促进或 阻碍学术学习

在我的下一篇文章中 系列文章我将介绍我认为可以提供的形成性探索性数据分析 希望更好地衡量,描述和解释学校学习—with 对当前第三种方法SLD识别模型的修订的意义。



[1] 使用此更广泛的上下文还可以作为必要的提醒(和链接 研究)认知,能力,成就的主要目标之一 测试是识别能力-治疗-相互作用(ATI’s) that 可以指导教学干预(见Corno等,2002)。

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7月5日,星期四

AP101简报13:CHC一致的学术才能集群:回到未来


这是先前标题下发布的一组分析的延续  在SLD上下文中实现智能测试的可视化图形工具: 形成性概念和工具.  建议您阅读上一篇文章,以获得必要的背景和上下文,这里不再赘述。

第三 method SLD识别方法 (POSW; 优势模式 weaknesses主要由 弗拉纳根and colleagues, 以及 海尔及其同事和纳格列里 (see 弗拉纳根& Fiorrello, 2010 以进行概述和讨论)。 这些POSW第三种方法SLD模型的中心概念是,具有可能的SLD的个人必须显示出经验或理论上证明与该人缺乏的成就领域最相关的认知能力的认知缺陷。 也就是说,个人的认知缺陷与个人的学术缺陷是一致或一致的,在其他认知/成就优势的背景下,这些优势表明了非SLD领域的优势。 我经常将其称为 特定领域或能力和成就的综合体。

这些模型中固有的是 才能-achievement 一致性 要么 concordance.  重要的是要注意,才智是 与一般智力或智商相同。 在这种情况下,才智借鉴了已经存在了数十年的历史/传统才智概念。 理查德·斯诺(Richard 雪) 和 colleagues (IMHO)撰写了有关此能力定义的最佳信息。 能力包括 认知的和服的 一个人的特征(请参阅 超越智商项目 )。  但是对于这个特定的职位,我仅关注能力的认知部分,简单来说,这代表了特定的CHC狭义或广义认知能力的最佳组合,这些能力与特定狭义或广泛认知中的成功高度相关成就领域。

与不同成就领域最相关的CHC狭窄或广泛能力是什么? 该信息由Flanagan及其同事(以各种形式 跨电池书籍和章节),最近在结构化的实证研究中 麦格鲁和温德林(2010 )。  这些基于CHC的COG-ACH关系摘要为评估专业人士提供了有关特定的广泛或狭窄的CHC能力的信息,这些能力与sudomain在阅读和数学以及写作(在较小程度上)最相关。 此外,McGrew和Wendling(2010)的综合报告提供了有关发展考虑因素的信息-也就是说,CHC能力对于不同成就领域的相对重要性随年龄的变化而变化。 McGrew和Wendling(2010)给出了三个年龄段(6-8岁; 9-13岁; 14-18岁)的研究结果。

在这种情况下,我进行了一系列分析(请参阅上面提到的第一篇文章作为推荐的背景读物g)以McGrew和Wendling(2010)的发现作为初始起点,并使用逻辑,经验和理论方面的考虑来确定两个示例性成就领域在相同三个年龄组中的最佳WJ III认知测验预测指标集。 从那以后,我就确定了两个成就领域(基础阅读技巧-BRS;数学推理-MR)中最好的认知预测器。 然后,我在WJ III NU规范数据中进行了每组精心选择的预测变量测试,并针对6岁至18岁之间的每个年龄段运行了多个回归模型。 我保存了每个预测变量的标准化回归系数, 按年龄绘制它们。绘制的原始标准化系数显示出清晰的系统发展趋势,但由于采样误差而出现明显的“反弹”。 因此,我使用非线性平滑函数生成了平滑曲线...该平滑曲线代表总体参数的最佳估计。 这项技术先前已用于探索WJ-R / WJ III集群与成就之间关系的各种研究中(请参见 麦格鲁(1993) and McGrew和Wrightston,1997年 举例说明和方法说明)。 以下是用于预测WJ III基本阅读技能群集的两个重要预测指标(言语理解;视觉听觉学习)的原始标准化系数和平滑曲线的图。 [点击图片放大]。显然,语言理解和视觉听觉学习的相对重要性随着年龄的增长而系统地增加/减少。

接下来的两个图显示了基于CHC的能力倾向聚类的最终平滑结果,用于预测WJ III基本阅读技能和数学推理聚类。

查看两个数字后,可以讨论很多内容。 以下是一些评论和想法。
  • 我所说的组成 CHC 一致的学术才能集群 进行理论和经验(CHC-->ACH研究综合)的意义。例如,在BRS和MR中,Gc-LD / VL能力(言语理解力)在所有年龄段都是显着的,并且随着年龄的增长,重要性逐渐增加。 在BRS中,视觉听觉联想记忆(Glr-MA; Vis-Aud。Learning)在学年早期(6至9岁)非常重要,但随后在预测模型中不再重要。 在MR模型中找不到此功能(测试)。  Gf 能力(定量推理-RQ,数字矩阵;通用顺序推理-RG,分析-综合)在各个年龄段对于预测数学推理成绩都很重要。 实际上,两者的相对重要性都随着年龄的增长而增加,特别是对于Gf-RQ(数字矩阵)的度量。 这两个Gf测试在BRS图中找不到。 相反, Ga能力(声音融合;声音意识)在BRS模型中很重要。 Gs 和 GSM -WM (一般领域 认知效率变量)同时存在于BRS和MR模型中。
  • 与WJ III通用智力能力(GIA-Std)集群相比,CHC一致的学力才能集群的解释方差量(多个R平方;图中的表)更高。 .  在MR的最老年龄尤其如此。 当然,由于多重回归的性质,这些值会利用机会因素,并且在独立样本交叉验证中可能会有所缩小(是的...我可以将样本分成两半以进行开发,然后交叉验证模型。 。但我没有)。 
  • 这些按年龄划分的图比McGrew提供了更精确的CHC能力与成就之间关系的发展性质的图。&Wendling(2010)和Flanagan及其同事评论。 这些发现表明,在选择针对推荐人的选择性评估的测试时(请参阅McGrew&温德林(Wendling),2010年)至关重要的是,审查员必须了解CHC-ACH关系研究的发展性。 一些特定的狭窄CHC测试显示了各个年龄段的如此巨大变化,这一事实表明: 那些实施基于CHC的能力达成一致SLD模型的人员在确定应为一致性模型的能力部分检查哪些CHC能力时,必须谨慎,不要使用“一刀切”的方法。  在某些年龄段可能非常重要的能力在其他年龄段可能不重要(例如,在WJ III BRS能力倾向群集中进行的Vis-Aud。学习)。 
  • 以上结果进一步证实了McGrew的结论&Wendling(2010)指出,要开发更多以“智能”为参照对象的选择性评估策略,需要认识到这一过程需要对 CHC 能力X Ach域X年龄的三向交互 (发展状况)
这些结果表明,智力评估领域,特别是在与教育有关的评估方面,应“回到未来。"  1977年的WJ和1989年的WJ-R电池都包括学术能力组(SAPT; 点击这里 读取McGrew的两本WJTCA书中的相关精选文本)作为WJ / WJ -R的一部分 务实的决策差异模型.  特别是,请参阅 Type I 才能成就 discrepancy feature in the second 数字。  





WJ 和WJ-R SAPT是整个范本样本中四个最佳预测测试的差分加权组合。 请参见下面的两个图,它们显示了所使用的加权方案。 由于现在缺乏计算机化的标准表和评分功能,因此所有年龄段均使用了一套平均测试权重。

[WJ SAPT权重]




 As I 写于1986年 ,“ 由于它们的加权权重系统不同,WJTCA的学业才能群应该提供一些在心理教育评估领域可获得的最佳课程特定的期望信息”(第217页)。 伍德洛克(1984)),以捍卫SAPT 学校心理学评论明确指出,这些集群的组成是为了进行最佳的能力-成就比较。 He stated that "四个学业能力分类中的每一个所包含的认知技能的混合代表了与那些可以通过WJ认知子测验获得的成就技能的最佳匹配”(第359页)。 但是,当时WJ SAPT的价值并未得到充分的重视,这在很大程度上是由于IQ-ACH差异模型限制了评估专业人员按计划使用这些度量(McGrew,1994)。 不幸的是,这导致他们在WJ III中被淘汰,并被预测成绩(PA)选项取代,该选项根据基于WJ III的七个独立测试的基于年龄的最佳权重,提供了特定成就领域的成就预测GIA-Std群集。 尽管绩效评估的指标比GIA-Std更有效,更强,但基于PA的方法从未引起许多评估专家的关注……出于多种原因(此处未涵盖)。

正如我在1994年重申的那样,在讨论WJ-R SAPT(与以前相同的链接)时,“ WJ TCA-R差分智能集群的目的是提供对 当前 成就水平。 如果一个人在测量与特定成就领域相关的认知能力的个人测试中得分较低,并且这些测试包括在能力倾向集群中,那么该人当前的成就期望也应降低。 比起WJTCA-R或其他测试得出的任何基础广泛的得分,较窄的WJTCA-R不同的能力簇将更准确地传达此预期信息”(第223页)。

最初的WJ和WJ-R SAPT是 作为一致性/一致性概念的一个明确定义的综合SLD识别模型的一部分,Flanagan等人,Hale等人和Naglieri最终提出了这种方法。 它们是作为更一般的心理教育的一部分提出的 务实的决策模型.  但是,很明显,WJ和WJ-R SAPT领先于他们的时代,因为它们在哲学上与当代第三种方法的能力实现一致性/一致性组件的能力部分保持一致 SLD 楷模.  In a sense, the field has now caught up 与 the WJ /WJ-R operationalization 的 才能 clusters 和 they would now serve an important role in the 才能-consistency SLD 模型。 我认为,它们代表了可操作的最佳可用衡量方法 特定领域的才能 for different 成就 domains, which 是 在 the heart 的 new SLD 模型。

是时候让SAPT回来了...回到未来...as the logic 的ir design 是 a nice fit 与 the 才能 component 的 才能成就 一致性/concordance SLD 模型。 现在该领域已准备好进行此类概念化和开发的措施。


但是,现在可以通过本(和之前)帖子中介绍的方法和分析来改进原始概念。 它们可以通过两种方法进行改进:

1.   CHC 一致的能力倾向集群(又名CHC设计者能力倾向).  Creating  4-5个测试集群是成就子域的最佳预测指标 应该利用现有的CHC COG->选择初始测试池以包含在预测模型中时的ACH关系文献.  现有的研究文献还应指导最终模型中变量的选择...不应让模型受预测的原始经验驱动。 这与WJ和WJ-R SAPTS不同,WJ和WJ-R SAPTS主要是基于经验标准(组合预测最大的成就差异)而设计的,尽管通过事后CHC镜头观察时,它们的构成通常具有相当大的理论意义。

2.  提供不同CHC SAPT中测试的基于年龄的发展权重.  WJ III的作者通过WJ III计算机评分软件实施了一种构建基于年龄的差分加权GIA g分数的方法时,提供了必要的创新以使其成为可能。  相同的技术可以很容易地应用于权重不断变化的CHC设计的SAPTS的开发(根据上述模型中的平滑曲线)。 该技术可用。

最后,我完全认识到,使用增量方差分区多元回归方法开发基于CHC的SAPT的过程存在很大的局限性。 In other papers (g +特异 使用SEM因果模型进行能力研究)我一直对这种方法持批评态度。 该方法在此处以“智能”方式使用.....预测因子的初始库的选择受CHC COG-ACH现有文献的指导,并且不允许变量盲目地进入最终模型。  本文(和之前的文章)的目的是证明设计CHC一致的学术才能集群的可行性。 我正在用其他方法进行其他分析,以扩展和改进这套形成性分析和结果。

建造它,他们就会来。