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

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 CHCCOG-->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9月10日,星期一

AP101简介#16:超越CHC:CHC内部域复杂度优化措施

[注意:  这是较大论文的工作草案(CHC认知成就研究20年的意义: 回到未来,超越CHC)将在第一个 塔夫茨大学理查德·伍德考克当代认知评估研究所开幕大会(2012年9月29日):  CHC理论和认知评估的发展。] 对WJ III测试战的工作知识将使本简介更容易理解,但这不是必需的。

B超越CHC:  ITD—CHC内部域复杂度优化 Measures
            优化中 CHC措施的认知复杂性
我最近开始认识到 不伦瑞克对称 派生的 柏林情报机构(BIS) 模型可以在应用智能研究中发挥作用,特别是对于增加预测指标的情况 通过最大化这些关系 通过匹配维度上的预测标准空间来建立关系 认知的 complexity.  What 是 认知的 complexity? 它为什么如此重要?  更重要的是,它应该扮演什么角色 设计智能电池以优化CHC COG-交流电H relations?
认知性 复杂性通常是通过检查单个测试负载来实现的 主成分分析中的第一个主成分(詹森, 1998).  的 high G-测试的基本原理是测试性能更高 cognitively 复杂 “调用更广泛的基本认知过程 (Jensen,1998; Stankov,2000,2005)”(McGrew,2010b,第452页)。  High g装货 测试通常是MDS(多维缩放)radex模型的中心 (点击此处查看AP101简要报告#15: 认知能力成就特质示例)—但是这种同构不会 always hold.   大卫·洛曼(David Lohman),是 理查德·斯诺(Richard 雪)’s,已广泛使用MDS方法来研究情报,并且拥有一个 最好地掌握了什么认知复杂性,如 hyperspace of MDS 数字s, 有助于s 至 understanding 情报 和 intelligence tests.  According 至 Lohman (2011), those tests closer 至 的 center are more 认知复杂due 五 possible factors—大量的认知成分过程;积累 加快组件差异:更重要的组件流程(例如, 推理);注意控制和工作记忆的需求增加;和/或 或对自适应功能(组装,控制和监视)有更多要求。 Schneider’s (in press) 抽象级别 广泛的CHC因素的描述类似于 认知复杂性。  He uses 的 simple 100米栏成绩的示例。  According 至 施耐德 (in press), one could 在dependently measure 100 米冲刺速度,然后停滞不前,越过障碍(两者 能力的例子)。  However, 进行100米的比赛并不是两种狭narrow的能力的总和。 更多的是狭义能力的非加法组合和整合。 这个比喻抓住了 认知复杂性—在认知测量领域,这是任务 在成功完成任务时,罗曼列举了五个因素中的更多因素 performance.
至关重要 重要性是对因素或 能力域的广度(即, broad 要么 狭窄) 同义的 with 认知复杂性.  更多 重要的是,认知复杂性并不总是一个测试设计概念(因为 由Brunswick Symmetry和BIS模型定义) 明确地 纳入 "智能"情报 test design (ITD)。  许多测试已经纳入了这一概念 他们的设计计划中的认知复杂性,但是我相信这种类型的 认知复杂性与CHC内部域的认知不同 这里讨论的复杂性。
对于 例如,根据考夫曼和考夫曼(2004)的观点,“在开发KABC-II时, 作者没有努力发展‘pure’五个CHC的测量任务 broad 能力。  在 理论, Gv 任务应排除 Gf 要么 s例如,以及其他广泛能力的测试,例如 GC 要么 l,仅应衡量该能力而已。 但实际上, 像KABC-II这样的认知能力综合测试可以衡量问题 在不同环境下和不同条件下解决 复杂 有必要评估 高级功能”(第16页;增加了斜体)。 虽然考夫曼’强调重要性 CHC接地的智力测试电池中认知复杂的测量方法 描述将复杂的措施定义为 阶乘复杂或 来自多个CHC领域的能力的混合度量.  的 Kaufman’也可以解决认知问题 非CHC神经认知三嵌段功能性Luria的复杂性 当他们指出重要的是要提供神经认知模型 评估“动态整合这三个模块” (Kaufman &Kaufman,2004年,第13页)。   对神经认知整合(以及因此的复杂性)的强调是 也是最新Wechsler电池的明确设计目标。 如WAIS-IV手册(Wechsler,2008年)所述, “尽管评估和划分更多内容有明显的优势 认知功能领域狭窄,几个问题值得关注。 首先,认知功能是相互关联的, 在功能和神经方面,使其难以测量纯域 认知功能” (p. 2).  Furthermore, “measuring psychometrically 纯 factors of discrete domains 可能对研究有用,但不一定会产生信息 在实际应用中具有丰富的临床意义或实用性(Zachary, 1900)” (Wechsler, p. 3).   Finally, 埃利奥特(Elliott,2007)同样主张承认的重要性 基于神经认知“复杂 信息处理”(第15页;增加了斜体)。 DAS-III,可进行描述于CHC中的测试或复合材料测量 域,在测试设计中同样重要。
ITD 这里阐述和提出的原则是努力发展 认知上复杂的测量 在广泛范围内 CHC domains—也就是说,无法通过能力融合来实现复杂性 跨越CHC广泛的领域,而不是尝试直接链接到神经认知 network 在tegration.[1]  基于Brunswick对称性的BIS模型 提供了通过开发和分析实现此目标的框架 通过关注认知来测试复杂性 内容 运作方面。 
图12 展示了大多数关键WJ III的二维MDS Radex模型的结果, 狭窄的CHC认知和成就集群(适用于来自 到成年后期大约6岁)。 [2]   The 当前 图12中结果的解释重点仅在于程度 of 认知复杂性 (proximity 至 的 center of 的 数字) of 的 broad 和同一域内的WJ III狭窄群集( 内容和操作方面 不是当前材料的重点)。  Within a domain 的 最广泛的 三测 父母 聚类由黑色圆圈表示。[3] 两次测试的广泛类由灰色设计 circles.  Two test 狭窄 后代 广泛领域内的集群是 由白色圆圈指定。  All 域中的群集通过以下方式连接到最广泛的父广泛群集: lines. 至关重要的 信息是各自父母的域内认知复杂性 和兄弟姐妹集群,以它们与中心的相对距离表示 of 的 数字. 一些有趣的结论 are apparent. [点击图片可放大]

首先,作为 可以预期,WJ III GIA-Ext集群几乎完美地集中在 figure—它显然是认知上最复杂的WJ III集群。  相比之下,三个WJ III Gv集群 在认知复杂性方面比所有其他具有 没有特定的Gv集群显示明显的认知复杂性优势。   As 预期的是,测得的阅读和数学成绩集群主要是 认知上复杂的措施。  However, 那些与基本情况打交道的成就集群 技能 (数学计算—MTHCAL;基本阅读技巧—RDGBS) are 不太复杂 应用 集群(阅读理解-RDGCMP;数学推理-MTHREA)。 
最多 图12中有趣的发现是差异性认知复杂性 CHC域中的模式(至少有一个父级和至少一个父级 offspring cluster).  对于 example, 的 较窄的知觉速度(Gs-P)后代簇在认知上更为复杂 而不是广泛的父Gs集群。  的 broad Gs集群由视觉匹配(Gs-P)和决策速度组成 (Gs-R9; l-NA)测试,用于衡量不同的窄能力的测试。 相反,感知速度簇(Gs-P) 由两个测试组成,这两个测试都测量相同的窄 能力(感知速度)。  这个 finding 乍看之下似乎有点反常理,就像人们期望的那样 由测量不同内容和操作的测试(Gs集群)组成 (包括以上定义和讨论在内)比其中一项更为复杂 相同的窄能力(Gs-P)的两个量度。 但是,一项任务必须分析两者 感知速度测试,以了解尽管两者都被分类为 测量相同的窄能力(感知速度),两者都不同 stimulus 内容认知操作.  视觉匹配需要处理数字刺激。 划掉要求处理 visual-figural 刺激。  的se are two different 内容方面 在BIS模型中。  划掉视觉图形刺激在空间上更具挑战性 而不是视觉匹配中的简单数字。  此外,视觉比对测试要求应试者快速 查找并发现并标记两个相同的数字对。 相反,在淘汰测试中 为对象提供目标的视觉图形形状,然后对象必须 快速扫描一行复杂的视觉图像,并标记两个与 the target. 有趣的是,其他 unpublished  我已经完成的分析,视觉 匹配测试通常是对定量成就测试进行加载或分组 而Cross Out经常显示加载Gv因子。 因此,任务分析 内容 认知的 operations WJ III感知速度测试表明,尽管两者都是 被归类为Gs-P的狭窄指标,它们在任务上明显不同 requirements.  更多 important, 的 结合感知速度群集测试,似乎需要更多 认知过程比广义Gs簇复杂。 这一发现与阿克曼(Ackerman)一致, Beier 和 Boyle’s(2002)的研究表明,感知速度具有 通过识别以下四个子类型来扩展因子水平 感知速度(即模式识别,扫描,内存和复杂性; see 麦格鲁2005 和 施耐德 &McGrew,2012年,关于 速度能力的分层组织模型)。 基于Bruinswick对称/ 国际清算银行认知 复杂性原则,人们会预测一个由两个组成的Gs-P集群 相同任务的并行形式(例如,两个视觉匹配或两个交叉 测试)的认知复杂度将不如广义Gs。 这可能是正确的提示 假设存在于对Gsm-MS-MW域结果的检查中。
WJ III GSM 群集是数字反转(MW)和单词记忆的组合 (MS) tests. 相比之下,WJ III 听觉记忆跨度群集(AUDMS; GSM-MS)群集在认知上要少得多 与Gsm相比更复杂(请参见图12)。  就像在上下文中描述的感知速度(Gs-P)集群一样 处理速度家族集群,听觉内存跨度集群是 由具有相同内存跨度(MS)窄能力的两个测试组成 分类(单词记忆;句子记忆)。 为什么这个狭窄的集群不那么复杂 它广泛的母体Gsm集群,而Gs-P和Gs则相反吗? 任务分析表明,两个记忆 跨度测试比两个感知速度测试更相似。 单词记忆和句子记忆 测试需要相同的认知操作—只需按顺序重复一次, 与主题说话的单词或句子。  这与WJ III感知速度群集不同 分类的窄Gs-P测试最有可能同时调用通用和不同 认知成分操作。  Also, 内存跨度群集测试由来自相同BIS内容的刺激组成 方面(即单词和句子;听觉语言/语言)。 相比之下,Gs-P视觉匹配和 淘汰测试涉及两个不同的内容方面(数字和 visual-figural).
在 相比之下,WJ III工作记忆簇(Gsm-MW)在认知上更强 比父Gsm群集复杂。  这个 发现与先前的WJ III s /感知速度和WJ III一致 Gsm /审核内存跨度讨论。  的 WJ III工作记忆簇由倒数和听觉组成 工作记忆测试。  Numbers Reversed 需要从一个BIS内容方面处理刺激—numeric stimuli. 相反,听觉工作 记忆需要处理来自两个BIS含量因素的刺激—numeric 和听觉语言/语言;数字和单词)。 两项测试的认知操作 also differ.  两者都需要持有 主动工作记忆空间中的刺激。 反转数字则需要简单 以相反的顺序复制数字。  相反,听觉工作记忆测试需要存储 数字和单词在单独的块中,然后产生 每个块(数字或单词)的前向顺序,在一个块之前 the other. 更加依赖分裂 注意在听觉工作记忆测试中最有可能发生。 
综上所述, 图12中显示的结果表明它是 可能发展 聚类分数在相同的认知复杂度上有所不同 broad CHCdomain.  更重要的发现是,将聚类分类为宽还是窄并不能提供有关度量认知复杂性的信息。 认知上的复杂性,如 将聚类分为宽泛还是窄窄分类无法提供有关度量认知复杂性的信息。 认知复杂性e Lohman感,可以在CHC域中实现,而无需诉诸混合 跨CHC域的能力。  最后, 狭窄的簇在认知上可能更复杂,因此可能更好 复杂的学校成绩的预测指标,而不是广泛的集群或其他狭窄的指标 clusters. 

含义 用于测试电池设计和评估策略
认可 认知复杂性作为一项重要的ITD原则表明,推动 在当代测试电池中或在 跨电池评估的构建,未能认识到 认知复杂性。  I plead guilty 至 通过我在WJ III的设计中的作用为这一重点做出了贡献 广泛关注CHC域构建体的广泛表示—most WJ III 狭窄的CHC集群需要使用第三本WJ III认知书( 诊断补充;伍德科克,麦格鲁,马瑟& Schrank, 2003). 同样地,有罪的人被控罪 CHC因子在原始模型开发中的代表性 跨电池评估原则(Flanagan&麦格鲁(McGrew),1997年;麦格鲁& Flanagan, 1998)。 
也是 我的结论是 窄一点更好结论 麦格鲁和温德林(2010) 可能需要修改。   重温麦格鲁和温德林(2010) results suggest that 较窄的CHC集群更能预测 学业成绩之所以如此之所以不一定是因为范围狭窄, 但是因为它们在认知上更加复杂.  我提供一个假设,即更正确的原则是 认知复杂measures 更好。   我欢迎专注于新的研究 测试这个原理。
在 回想起来,鉴于WJ III星团的宇宙,宽窄融合 智能电池配置(或跨电池评估)的方法可能 be more 适当。  Based exclusively 根据图12所示的结果,将出现以下簇 那些可能会更好地出现在“front 结束” of 的 WJ III 要么 a 选择性测试构建评估—考官应该去的那些集群 首先考虑每个CHC广泛领域:  Fluid Reasoning (Gf)[4],理解知识 (Gc),长期检索(Glr),工作记忆(Gsm-MW),音素意识3 (Ga-PC)和感知速度(Gs-P)。  No 虽然狭窄的可视化集群是 在认知上比Gv和Gv3集群稍微复杂一些。 以上表明,如果广泛的集群是 Gs,Gsm和Gv的域所需的,然后进行除“front end”或特色测试和群集需要管理 必要的Gs(决策速度),Gsm(文字记忆)和Gv(图片) Recognition) tests.

利用ITD测试设计原则 优化CHC内部集群的认知复杂度表明, WJ III测试的不同重点和配置可能更多 appropriate. 建议 高于WJ III群集复杂度优先级或特征模型可能会允许 从业人员管理学校成绩的最佳预测者。 我进一步假设这种认知 基于复杂度的宽窄测试设计原理最可能适用于 坚持主要关注的其他智能测试电池 测试是两个或更多能力的最纯粹指标 在所提供的广泛的CHC解释方案之内。 当然,这是一个经验性的问题 求助于其他电池的研究。  更多 有用的类似MDS Radex跨电池认知复杂度分析 情报数据集。[5]

参考文献 (不包含在这篇文章中。 完整的论文将在不久的将来宣布并可供阅读和下载)



[1]这个 并不意味着认知复杂性可能与 the 人类连接体 或不同的大脑网络。我为当代感到兴奋 脑网络研究(Bressler&梅农,2010年;科尔,亚尔科尼,雷波夫斯, Anticevic &勇敢,2012年;托加,克拉克,汤普森,沙特克,& Van 喇叭, 2012;范登赫维尔&Sporns,2011),特别是那些 证明了神经网络效率与工作记忆之间的联系, 控制注意力和临床疾病,例如注意力缺陷多动症(Brewer,Worunsky, Gray, Tang, Weber &Kober,2011年;鲁兹,史格格,邓恩,& Davidson, 2008; McVay & Kane, 2012). 的 顶额-额叶整合(P-FIT) 理论 智力与CHC相关联,尤其令人着迷 心理测量指标(Colom,Haier,Head,Álvarez-Linera,Quiroga,Shih,&荣格,2009年;迪里,彭克,&约翰逊,2010年;海尔,2009年;荣格& Haier, 2007年),并且可以与CHC认知优化的心理测量方法联系起来。
[2] 只要 包括阅读和数学类,以简化 结果和事实,如先前所报道的,阅读和写作措施 在多变量分析中通常无法很好地区分—and thus 的 w CHC理论中的领域。
[3]GIA-Ext也用黑色圆圈表示。
[4] 尽管WJ III流体推理3群集(Gf3)稍微靠近 center of 的 数字, 的 difference from 流体推理(Gf) 是 不 large 和 时间效率将证明需要进行两次测试的Gf集群。
[5] 它 重要的是要注意认知复杂性的分析和解释 这里讨论的是特定于 仅在WJ III电池内。度 WJ III认知集群中的认知复杂度与 其他智能电池的综合得分只能通过 跨电池MDS复杂性分析。

2012年7月18日,星期三

澄清智力能力构造术语


      的 terms 能力,认知能力,成就,能力,能力成就是 在当代的心理和教育评估界中被抛弃, 通常没有清楚地了解之间的异同 and among 的 terms.  例如,什么 does an “aptitude-achievement”当代背景下的差异 SLD识别的模型(请参阅 弗拉纳根& Fiorrello, 2010), 意思?  在哪里的才能 CHC model?  这里有人说这很关键 情报评估专业人员和研究人员开始使用商定的条件来 避免混淆,加强合作并促进研究 synthesis.  本着这种精神,下图说明了能力,认知能力, 成就能力和才能。  这些概念上的区别主要来自 卡洛尔(1993)和斯诺和同事的工作(Corono等,2001)。    [点击图片可放大]

            如 reflected in 的 数字, all constructs 在 的 CHCmodel are 能力。 根据Carroll(1991)的说法,“用来描述个人的属性, 能力 指可能的变化 处于任务难度极限水平的个人 基于这种管腔水平的测量),在任何给定的情况下, 在所有条件下看起来都不错,个人在 定义的任务类别” (第8页,斜体原件)。[1] 用更简单的语言“every 能力 是 根据某种性能或性能潜力来定义(p。 4).” 能力的总体领域 includes 认知的 和 成就能力 as well as 才能 (看到 数字).  认知性 abilities 是完成任务的能力“在 正确或适当地处理心理信息对 成功的表现”(第10页;斜体为正)。 运营的关键组成部分 认知能力的定义是 处理中 心理信息 (Carroll,1993)。  成就 能力 “指度 以某种旨在产生学习效果的程序进行学习,例如非正式或非正式 非正式的教学课程,或一段时间的主题自学,或 practice of a skill” (p. 17).  如 reflected in 的 above 数字, 的 CHC域 of w 和 Gq are consistent with this 定义 and Carroll’表示这些能力通常是通过 achievement tests.  Most 评定 专业人员按照以下术语使用认知能力和成就能力 这些定义。  However, 的 术语能力常常被误解。
            Carroll (1993)使用狭义的定义 才能—“to 指可能的认知能力 预测性的 某些将来的学习成功” (p. 16; emphasis added). 功能重点 预测是确定能力的狭窄定义的关键,因此 indicated 通过 的 two horizontal arrows 在 的 数字.  这些箭头,连接阴影的CHC 可以预测成就能力结果的狭窄能力 域,是本文中使用的能力定义。
 能力的定义要狭窄得多 比理查德(Richard)的著作所反映的更广泛的能力概念 Snow.   雪’s 不ion of 才能 includes both 认知的 和非认知性(和服的) 特点 个体(Corno等,2002; 雪等,1996)。 对才能的更广泛定义 代表了人类的才能“人类的特征 成功或失败是人生的重要追求。个人 每次挑战中的表现都会显示出能力差异 活动评估”(Corno等人,2002,第xxiii页)。与许多相反 当前的假设,能力是 和能力一样 根据Corno等人。 (2002),能力是执行的力量 某种类型的特定任务,形式多种多样—阅读理解, 数学推理,空间能力,感知速度,特定领域 知识(例如人文科学),身体协调等。 这与卡洛尔一致’s 定义 of 能力. 根据斯诺和 同事,才智与准备就绪的概念更加吻合, 适用性,易感性和倾向性,所有这些都表明“predisposition 以适合或不适合特定情况或阶层的方式做出回应 的情况。共同点是潜力—潜在的质量使 在特定条件下开发或生产更多 advanced performance”(Corno等,2002,第3页;参见Scheffler,1985)。 这个更广泛的定义包括非认知 诸如成就动机,免于焦虑, 自我概念,对冲动的控制等 超越智商项目)。 
如 reflected 在 的 模型 在 的 above 数字, 认知的 和成就能力的区别主要在于对学位的重视程度 信息处理(认知)能力的程度 是从非正式和正式的指导(成就)中获得的更多结果。  Here, 才能 被定义为特定认知的组合,汞齐或复合物 结合在一起可以最好地预测特定成就领域的能力. 认知能力永远是认知 abilities. 一些认知能力 contribute 学术或学术 才能,这是实用的功能度量实体—not trait-like cognitive 能力。  Different academic 或学术才能,具体取决于感兴趣的成就领域, 可能具有某些共同的认知能力(一般领域),并且 包括特定成就领域特有的认知能力 (domain-specific).  A simple 和 useful 区别在于认知能力和成就更像是独特的 人的认知要素表中的能力,同时具有不同的才能 代表不同的认知元素的组合,以务实 predictive function.  对于 的 quantoid 读者,基于因子分析的潜在特征之间的区别(认知 能力)和基于多元回归的成就功能预测因子 结果(认知能力)可能有助于澄清有时模糊的讨论 认知和成就的能力和才能。



[1] 如 Carroll(1993)指出,管腔是指 使用的值“为了利用以下事实 在这些水平上获得最准确的测量” (p. 8).

CHCCOG-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-成就的一致性或一致性.  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·斯诺和同事 (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 在 的 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,“WJTCA-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 模型s.  In a sense, 的 field has now caught up with 的 WJ/WJ-R operationalization of 才能 clusters 和 的y would now serve an important role 在 的 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 不同 成就 domains, which 是 在 的 heart of 的 new SLD模型。

是时候让SAPT回来了...回到未来...as 的 logic of 的ir design 是 a nice fit with 的 才能 component of 的 才能成就 consistency/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。



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。  请享用。


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


产生者: 标签生成器
Technorati标签: , , ,

2009年9月1日,星期二

CHC认知成就关系项目完成!完成了!


















[双击图像放大]

我很高兴地宣布完成 卡特尔-霍恩-卡洛尔(CHC)认知能力成就研究综合 项目,首先在 先前的帖子. 的 目的 该项目的目的是系统地综合关键 卡特尔·洪·卡罗尔(CHC)认知能力理论 设计研究,调查广泛和狭窄的CHC能力与学校成绩之间的关系。

该项目可以通过以下方式访问 可点击的MindMap视觉图形导航工具 (类似于上面的图片...但“活动”和“动态”)或通过更传统的方式 网页轮廓导航方法。您可以通过相应主页右上角的选项在不同的导航方法之间来回切换。

反馈表示赞赏。我要求将反馈收集到 CHC 和/或 国家航空航天局 专业的Listserv,一种机制,可以更动态地进行思想,思想,反应,批评,建议等的交换。

该项目采用简报形式,目前正在CHC特刊中 学校心理学 (麦格鲁&温德林,印刷中)。

请享用。


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

供电 抄写员.

2009年6月2日,星期二

学位论文:CHC预测三年级状态阅读



利用Cattell-Horn-Carroll的特定认知能力来增强对宾夕法尼亚州三年级状态评估系统的阅读预测
作者:宾夕法尼亚州印第安纳大学的Nicholson,Kathleen J.,博士编辑,2009年,共86页; AAT 3352434





抽象

这项相关研究检查了关于69个幼儿园和一年级学生在三年级状态评估中的以后阅读成绩的三种预测模型。

第一个预测模型分析了性别,年龄和母亲的受教育程度,作为宾夕法尼亚州立州评估系统(PSSA)三年级的阅读表现的预测指标。第二种预测模型检查了基本早期识字技能动态指标(DIBELS)音素分段流利度(PSF)量度在PSSA上预测阅读成绩的能力。第三个模型分析了Cattell-Horn-Carroll(CHC)特定认知能力的使用,以增强对阅读成绩的PSF的预测。

分析的结果(Kendall的Tau B)显示,基线预测变量(性别,年龄和母亲的受教育程度)与学生在PSSA上的表现之间无显着相关性。同样,在第二个模型中,学生对DIBELS的PSF量度的表现表明与以后的阅读成绩没有关系。在第三个模型中,CHC的特定认知能力并未增强对阅读表现的预测。尽管流体智能(Gf)与PSSA评分之间存在显着的相关性,但样本量太小,无法推广。此外,Gf并非与文献中阅读成绩相关的CHC因素之一。

范围的限制可能会影响结果,因为大多数学生接受了特殊教育,而一半的样本不精通PSSA。

Technorati标签: , , , , , , , , , ,