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

2012年11月20日,星期二

AP 101简报18:在Atkins 先生 / ID 死刑案件中对成就测验分数的误解和误用:第2部分-预期等级的等效范围

第二部分 AP 101简介#18 该系列现已在IQ的Corner sister博客上提供- ICDP博客。

AP 101简介#18: 对成绩测试成绩的误解和滥用 阿特金斯 先生 / ID 死刑案件: 第2部分-预期成绩当量范围

凯文·麦格鲁(Kevin S.
应用心理测验研究所(IAP)





2012年11月18日,星期日

AP 101简报17:在Atkins 先生 / ID 死刑案件中对成就测验分数的误解和误用:第1部分-预期标准分数的范围

可以从以下位置获得以下AP 101心理测量摘要: 智商的角落 姐妹博客...的 ICDP博客.  点击这里。

AP 101摘要#17: 对成绩测试成绩的误解和滥用 阿特金斯 先生 / ID 死刑案件: 第1部分-预期标准分数范围

凯文·麦格鲁(Kevin S.
应用心理测验研究所(IAP)

2012年10月2日,星期二

老师对学生成绩的判断有多准确?新的荟萃分析

点击图片放大

.63的平均相关性表明,尽管在统计学上有意义,但教师对学生成绩的判断仅占实际学生成绩的40%。作者提出了一个很好的解释模型来解释发现。

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 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 the GRWAPT[3]和 MAPT clusters are comprised 的 四 equally weighted tests 的 四 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)。  在specting the 四 quadrants created 通过 the A<->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]  的 解释 的se 四 quadrants 是 very consistent 与 the 国际清算银行 内容-faceted 操作内容 模型研究。

- theoretical 解释 的 two continua 和 四 quadrants provides 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 third 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  (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 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 abilities 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 notion 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 noted 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 not 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 not 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 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 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 current pattern 的 strengths 和 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 to 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2月8日,星期三

研究字节:认知与成就之间的关系g

双击图像放大。

我很荣幸被列入这一组著名的智力学者研究项目。 [利益冲突-我是本研究中使用的WJ III的合著者]















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

2011年12月22日,星期四

超越智商:智商,自我控制,测验成绩和成绩








通过发布 DraftCraft应用

2011年10月5日,星期三

研究字节:基于发现的学习不是那么好吗?荟萃分析

我认为,荟萃分析可以定量地组织大量的研究,这是一个主题,是需要倾听的研究。这是另一个,这引发了关于基于发现的学习的功效的问题。我看起来更明确/结构化的学习更好。

双击图像放大。







-使用Kevin McGrew的iPad的BlogPress进行iPost

2011年5月21日,星期六

超越智商(又称阿甘正传效应):为什么学业成就比智商还重要?

本文很好地概述了非认知特质在理解学术成就中的重要性。我一直认为,理查德·斯诺(Richard 雪)关于特质复杂性和能力的工作在评估实践以及阿克曼(Ackerman)的PPIK特质复杂性工作中一直被忽视。人类行为是多种多样且复杂的。...迫切需要行动 超越智商.

点击图片可放大。每个注释的其他注释和指向其他资源的链接均嵌入在带注释的文章中。 智商阅读 特征。




以下是来自文章PDF中引用的文章(带有链接)的个人能力模型。



-使用我的Kevin McGrew的iPad使用BlogPress的iPost

产生者: 标签生成器


2011年5月13日,星期五

使用WJ III电池进行CHC狭窄能力评估:IAP Applied Psychometrics 101#12

我很高兴发布以下工作文件:  行动计划应用心理计量学101#12: 使用WJ III电池进行CHC狭窄能力评估.

下面是摘要:

  • 最近,《学校心理学》(PITS)特刊“took stock”CHC研究的过去20年(牛顿&McGrew,2010年)。 McGrew和Wendling(2010)在这期特刊中回顾了现存的CHC认知成就关系研究,并得出结论:“主要行动是在狭窄的能力水平上” (p, 669).  McGrew和Wendling得出结论,如果目标是更好地理解,评估和发展针对阅读(例如,语音,理解)和数学(例如,计算,解决问题)子区域的干预措施,则缩小范围更好。 广泛的(第二层)CHC能力(例如,流体推理-Gf;听觉处理-Ga)可以最好地预测和解释广泛的学术领域(例如,总阅读量或广泛阅读量)。 但是,狭窄的(第一层)能力最好地预测和解释狭窄的学术领域(例如,阅读理解力)。
  • 本工作文件的目的是列出(a)WJ III测试作者提供的基于规范的狭窄CHC能力集群和(b)其他临床窄集群的列表(测试作者未在已发布的WJ III中提供)。 第二个目的是列出可能来自其他主要情报或成就电池的补充测试或综合,以用于补充所列的WJ III窄能力集群。  

本文档来自两个最近的演讲,其中我总结了当代研究,这些研究调查了广泛和狭窄的CHC能力与阅读和数学成绩之间的关系。 观众参与者,尤其是 佐治亚州学校心理学会 大会上,建议我需要制定一份有关WJ III相关资料内容的摘要表。 这份报告是对那些人承诺的“可交付成果”。 谢谢佐治亚州的学校心理学家。 该报告具有一些额外功能(例如Schenider&McGrew,正在发布CHC v2.0模型和定义-将于今年秋天在Flanagan中发布&哈里森(Harrison)的第三版 当代智力评估). 此奖励功能是一组简短的定义,建议读者在发布时阅读完整的章节以获取更多详细信息。

感谢您提供反馈意见,因为这是一项正在进行的工作。 我希望在此发生任何反馈/评论 CHC列表服务器 (n = 1282且还在不断增长),因为与博客平台的评论功能相比,它可以更动态地交流思想。

谢谢。  Enjoy.


-使用我的Kevin McGrew的iPad使用BlogPress的iPost


产生者: 标签生成器
Technorati标签: , , ,

2010年12月14日,星期二

研究领域:认知就业测试-老化策略-认知阈值

来自我最喜欢的期刊之一的三篇有趣的文章-心理科学的最新方向.

和往常一样,当我做一个 研究字节/简要 帖子,如果有人想阅读原始文章,我可以通过电子邮件与他人分享,但要理解的是,提供该文章是为了交换有关内容的简短来宾帖子。 :)(如果有兴趣,请通过[email protected]与我联系)。另外,如果帖子中包含图形/图像,通常可以通过单击图像将它们放大。












-使用我的Kevin McGrew的iPad使用BlogPress的iPost


2010年10月7日,星期四

研究字节10-7-10:学前执行功能,常识,注意&视觉运动对于以后的学校成功很重要

有关后续学校成功的可能早期预测因素的更多研究

克拉克·克拉克(Clark)&Woodward,L.J.(2010)。学前执行功能预测
早期数学成就。发展心理学,46(5),1176-1191。
有学习障碍的学龄儿童已被证明执行功能受损。但是,人们对学龄前执行功能预测未来数学成就的效用和特异性了解得很少。这项研究检查了4岁儿童在发展中的执行功能与入学1年后6岁儿童随后的数学成绩之间的联系。该研究样本包括104名儿童的区域代表性队列,其预期年龄为2至6岁。在4岁时,孩子们完成了一系列执行功能任务,评估了计划,设定的班次和抑制性控制。教师完成了学前版本的执行功能行为评估量表。在6岁时就收集了儿童数学成绩的临床和课堂测评结果。结果表明,学龄前儿童在变位,抑制控制和一般执行行为方面的表现,导致儿童在学校早期数学成绩的变化很大。即使考虑到一般认知能力和阅读能力的个体差异,这些关联仍然存在。研究结果表明,执行功能的早期测量可能有助于识别可能在学习数学技能和概念方面遇到困难的儿童。他们还建议,这些执行技能的支架可能是早期数学教育中有用的附加组件。


GRissmer,D.,Grimm,K.J.,Aiyer,S.M.,Murrah,W.M.,&Steele,J.S.(2010年)。精细运动技能和早期
对世界的理解:两项新的入学准备指标。发展心理学,46(5),
1008-1017.
邓肯等。 (2007年)提出了一种新方法,用于确定幼儿园的准备就绪因素,并通过确定幼儿园入学前后所衡量的儿童发展技能中的哪些能预测以后的阅读和数学成绩来量化其重要性。本文扩展了Duncan等人的工作,以使用6个纵向数据集来识别幼儿园准备就绪因素。他们的结果将幼儿园的数学和阅读准备及注意力确定为主要的长期预测指标,但未发现社交技能或内在和外在行为的影响。我们从3个数据集中并入了运动技能测评,发现良好的运动技能是以后成绩的另一个有力预测指标。使用其中一个数据集,我们还预测了以后的科学成绩,并结合了对社交和自然世界常识的其他早期测试作为预测指标。我们发现,常识测验是迄今为止科学和阅读能力最强的预测指标,并且对以后的数学预测也做出了重要贡献,这使该测验的内容成为另一个重要的幼儿园准备就绪指标。总的来说,注意力,良好的运动技能和一般知识比单独的早期数学和阅读成绩更能更好地预测以后的数学,阅读和科学成绩。

Technorati标签: , , , , , , , , , , , , , , , , , , , , , , , , , ,

研究字节10-7-2010:父母-早"number talk"对于以后的数学成就很重要

Levine,S. C.,Suriyakham,L.W.,Rowe,M.L.,Huttenlocher,J.&Gunderson,E. A.(2010)。在幼儿数字知识发展中,什么才算重要?发展心理学,46(5),1309-1319。

先前的研究表明,儿童入学前的数学知识差异很大,并且这种差异预测了小学的成就水平。在对44个学龄前儿童的不同样本进行的纵向研究中,我们研究了他们对数字单词的基本含义的理解程度(例如,知道该单词“four”指具有4个项目的集合)“number talk” they hear from their primary caregiver in the early home environment. Results from 5 visits showed substantial variation in parents' 号码交谈 to 孩子们 between the ages 的 14 和 30 months. 更多over, this variation predicted 孩子们's knowledge 的 cardinal meanings 的 number words 在 46 months, even when socioeconomic status 和 other measures 的 parent 和 child talk were controlled. 的se findings suggest that encouraging parents to talk about number 与 their toddlers, 和 providing them 与 effective ways to do so, may positively impact 孩子们's 学校成绩.

Technorati标签: , , , , , , , , , , , , , , , , , , , , , , ,

2010年9月18日,星期六

研究字节9-18-2010:GF和数学纵向研究

M.Ferrao&Almeida,L.流体智力作为学习的预测因子:应用于Mathsta的纵向多层次方法。  学习和个体差异。

抽象
的 association between 流体智能 和 inter-个体差异 was investigated using multilevel growth curve modeling applied to data measuring intra-individual improvement on 数学 成就 tests. A sample 的 166 students (88 boys 和 78 girls), ranging in age from 11 to 14 (M = 12.3, SD = 0.64), was tested. 的se individuals took 四 数学 成就 tests, which were vertically equated via Item Response 的ory, 在 the beginning 和 end 的 seventh 和 eighth grade. 的 认知能力 studied were Numerical Reasoning, 抽象 Reasoning, Verbal Reasoning, 和 Spatial Reasoning (as measured 通过 the Differential Reasoning Test). 的 general 认知的 factor was significantly associated 与 the parameters 的 initial level (intercept) 和 rate 的 change (slope). A high level 的 情报 was associated 与 higher initial scores, as well as a steeper rise in 数学 scores across the two years.

关键词:增长曲线建模情报;数学学习;多层次分析

Technorati标签: , , , , , , , , , , , , , , , , , , , , , ,

2010年7月14日,星期三

研究字节7-14-10:学术问题的早期发现和预测-JLD的特殊问题

汤姆森,J。M.,&Hogan,T.P.(2010)。简介:早期发现阅读风险的研究进展。学习障碍杂志,43(4),291-293。

Adlof,S.M.,Catts,H.W.,&Lee,J.(2010年)。幼儿园二年级与八年级阅读理解障碍的预测因子。学习障碍杂志,43(4),332-345。
多项研究表明,幼儿园的语音意识和字母知识测评是小学三年级阅读成绩的良好预测指标。但是,对以后阅读成绩的早期预测因素的关注较少。这项研究使用了改进的最佳子集变量选择技术,以检验早期和晚期阅读理解障碍的幼儿园预测因素。参加者包括433名儿童,他们参与了语言和阅读能力的纵向研究。幼儿园测验除了评估语音意识,字母知识,命名速度和非语言认知能力外,还评估了各种语言技能。阅读理解能力在二年级和八年级进行评估。结果表明,需要变量的不同组合来最佳地预测二年级和八年级阅读障碍。尽管一些变量有效地预测了两个年级的阅读障碍,但它们的相对贡献随时间变化。根据阅读理解随时间变化的性质讨论了这些结果。进一步的研究将有助于改善对以后阅读障碍的早期识别。

K.H. Corriveau,美国Goswami,&Thomson,J.M.(2010年)。学龄前和幼儿园人口的听觉处理和早期识字技能。学习障碍杂志,43(4),369-382。
尽管在学龄人口和婴儿前瞻性研究中已经研究了听觉处理与阅读相关技能之间的关系,但是在紧接正式阅读指导之前的这段时间里,对这些变量之间关系的理解很少。在这项横断面研究中,对88名三岁至六岁儿童的横断面和纵向混合样本进行了听觉处理,语音意识,早期识字能力和一般能力的评估。横断面和纵向分析的结果都表明,早期听觉上升时间敏感性对于发展语音意识技能,尤其是对韵律意识的发展至关重要。

Hogan,T.P.(2010)。  A short report: 单词级的语音和词汇特征相互作用以影响音素意识
在这项研究中,我们检查了单词级语音和词汇特征对早期音素意识的影响。通常是年龄在61至78个月的发育中儿童,他们完成了基于音素的单音单任务,其中包括辅音—vowel—辅音词集(例如,“chair—chain—ship”)随音素特性,声音对比相似度(相似与异同)和词汇特征,邻域密度(密集与稀疏)而正交变化。在参与者的子样本中—词汇量最高的人—结果与语音和词汇特征对音素意识表现的预期交互作用相符:相较于相似声音的单词集与稀疏邻域中的单词相比,与密集邻域中的单词相比,不太可能产生正确的响应。与单词不同形成对比的单词集最有可能产生正确的响应,而与单词无关’邻域密度。基于这些发现,早期音素意识的理论应同时考虑单词和儿童水平对音素的影响。预计注意这些影响会导致更敏感和更具体的阅读风险度量。

Liu,P.D.,McBrideChang,C.,Wong,A.M.Y.,Tardif,T.,Stokes,S.F.,Fletcher,P.,&Shu,H.(2010年)。香港华裔儿童阅读能力低下的早期口语标记。学习杂志
残障,43(4),322-331。

这项研究调查了2到4岁的语言技能在多大程度上可以区分香港中国贫困人口与7岁以下的适当读者。选择了41位贫困读者(M = 87.6个月)和41位适当的读者(M = 88.3个月) )。两组年龄,父母相匹配 ’教育水平和非语言智力。以下语言任务在不同年龄段进行了测试:词汇表和2岁时的广东话发音测试; 3岁时无单词重复,粤语清晰,接受语法;以及4岁时的非单词重复,接受语法,句子模仿和故事理解。在2岁的词汇知识,3岁的广东话表达能力和4岁的接受语法技能,句子模仿和故事理解。在这些措施中,模仿句子在区分贫穷和适当的读者方面表现出最大的力量。

Smith,S. L.,Roberts,J.A.,Locke,J.L.,&Tozer,R.(2010年)。对阅读障碍儿童早期音节结构发展的探索性研究。学习障碍杂志,43(4),294-307。

在19例儿童中检查了8个月至19个月的冒奶现象,其中13例有阅读障碍(RD)的高风险,而6例正常阅读的儿童有RD的低风险。在这11个月的时间里,在五个阶段检查了音节复杂性的发展。结果表明,与没有RD的儿童相比,后来证明RD的儿童产生的典型话语比例较低,音节结构较简单。由于音节的复杂性是音素学复杂程度的早期指标,因此在这一水平上的差异可能为了解RD儿童语音系统的结构提供了一个窗口。讨论了该研究领域的未来方向

Torppa,M.,Lyytinen,P.,Erskine,J.,Eklund,K.,&Lyytinen,H.(2010年)。语言发展,读写能力,
以及有和没有家族性阅读障碍家族风险的芬兰儿童的阅读之间的联系和预测联系。
学习障碍杂志,43(4),308-321。

Jyväskylä阅读障碍症纵向研究对具有歧视性的语言标记和早期语言与读写能力之间的预测联系进行了回顾性研究,该研究从出生开始就追踪有家族性阅读障碍症风险的儿童。在198名儿童的基础上组成了三个小组’的阅读和拼写状态。从1.5岁到学龄期,检查了一组阅读障碍儿童(RD; n = 46)和两组来自非阅读障碍对照(TRC; n = 84)和阅读障碍家庭的典型读者(TRD; n = 68)。从2岁开始,在众多语言和读写能力(表达和接受语言,形态,语音敏感性,RAN和字母知识)方面,RD小组的表现均优于一般读者。通过接受字母命名,快速命名,形态和语音意识的措施,从接受性和表达性语言到阅读之间形成了最强的预测联系。
vanderLely,H.K. J.,&马歇尔河(2010)。在早期发现阅读困难风险中评估组件语言缺陷。学习障碍杂志,43(4),357-368。
本文重点介绍构成字母声音解码技巧和阅读理解基础的一些语言组件:特别是语音,形态和语法。许多阅读困难的儿童在开始阅读之前就已经发现了语言缺陷。因此,尽早识别语言障碍将有助于识别有阅读障碍风险的儿童。使用发展的心理语言学框架,作者提供了一个模型,说明语言障碍儿童的句法,形态和语音学如何分解。这篇文章报道了针对学龄前或学龄前儿童的这些语言能力的筛查测试,该测试确定了面临读写障碍风险且需要进一步评估的儿童。
霍根(德克萨斯州)&Thomson,J.M.(2010年)。 《学习障碍杂志》特别版的结尾“阅读风险的早期发现中的进展”:阅读风险的早期发现中的未来进展:亚组,
动态关系和高级方法。学习障碍杂志,43(4),383-386。
在此特别版中,有六项研究和一项综合研究着重于早期识别阅读障碍。出现了一个熟悉的主题:阅读涉及多个子系统,这些子系统在整个开发过程中动态交互,从而使早期识别成为可能。“moving target”(参见Speece,2005年)。基于本版中的累积发现,我们对早期发现阅读风险提出了五个主要考虑因素:(a)注意阅读的定义和贫困读者的异质性; (b)纵向动态关系; (c)应用先进的,理论驱动的方法和统计模型; (d)早期识别导致规定性的早期干预; (e)在多语言,多元文化的人群中进行早期识别。


Technorati标签: , , , , , , , , , , , , , , , , , , , , , ,