显示带有标签的帖子 认知能力成就特质复合体. 显示所有帖子
显示带有标签的帖子 认知能力成就特质复合体. 显示所有帖子

2013年2月19日,星期二

学习模型的动机和学术能力(MACM)承诺途径:跨越Rubicon走向学习行动

[2-24-13。  Since this 要么iginal 博客文章出现了,我已经收到了印刷版的要求。 为了满足此要求,我已将此帖子发布为第一篇 心灵中心 (TM值)酒吧。该出版物可以下载 这里。]

 

人类行为只有一个明确的定律—个体差异法则. 人比他们大同小异。大概没有一种环境比正规教育能更快地引起个体差异。
 
当老师或家长要求他们帮助理解为什么某个学生未能获得足够的成绩时,学校心理学家传统上会寻求情报。 虽然了解学生’一般的,广泛的和特定的认知能力为确定总体期望和特殊教学服务的需求提供重要信息,至多,认知能力的测评仅占学生的大约40%至50%’的预期成绩。 仍然有很多原因无法解释。 此外,尝试修改情报或识别基于证据的尝试 认知-能力-成就互动(ATI) 可以在单个学生的水平上实施的方法,还没有提供认知能力测试与循证教学或认知可修改性建议之间的神奇联系。 显然,学校心理学家必须去“超越智商”帮助老师,家长和学生本人,最大程度地提高学生的学习能力。
    
但…if not IQ…then what? 比较合适的问题是“应在认知能力评估信息中添加什么以帮助学校心理学家促进所有学习者的学习? ” 为了给这个问题提供一些答案,本文的制定主要有三个目标。 首先,提出了一个概念框架,以帮助学校心理学家更好地理解与学习相关的评估和教学计划时要考虑的明显的非认知性个体差异学生变量。 第二,定义模型的主要领域。 最后,各个域如何在一个 学习承诺路径模型 简要介绍了(跨越主动学习的论题)。

超越智商: 什么学校学习模式告诉了我们

已开发出许多全面的学校学习模型来描述和解释学校学习过程(请参阅McGrew,Johnson,Cosio,& Evans, 2004).  沃尔伯格(1981) 教育生产力理论 是少数经过实验检验的学校学习理论之一。 Walberg的模型基于对3,000多项研究的广泛审查和整合(DiPerna,Volpe&史蒂芬(Stephen),2002年; Wang,Haertel和Walberg,1997年)。 Walberg等。报告指出以下关键变量对于理解学校学习很重要—学生的能力和先前的成就,动机,年龄或发展水平,教学数量,教学质量,教室环境,家庭环境,同伴群体以及在学校外接触大众传媒的情况(沃尔伯格,弗雷泽& Welch, 1986). 前三个变量(能力,动机和年龄)反映 学生个体差异特征. 第四和第五变量反映 教学特点  (数量和质量)以及最后四个变量(教室的气候,家庭环境,同伴群体和媒体接触程度)代表了 心理环境 (DiPerna et al。,2002)。 显然,学生特征对于学校学习很重要,但它们仅构成完整学习方程式的一部分。

沃尔伯格(Walberg)研究小组(参见Wang,Haertel,&Walberg,1993年)还得出这样的结论:心理,教学和家庭环境特征(近端 variables) had a more significant impact on 成就 than variables such as state-, district-, 要么 school-level policy 和 demographics (distal variables). 对于实践学校心理学家来说更重要的结论是: 学生特征(即社交,行为,动机,情感,认知,元认知)是 近端 对学习成果影响最大的变量 (DiPerna et al。,2002)。

超越智商: 非认知学习者特征分类法的需求

如果学校心理学家要专注于与学习最相关的学生特征(除了认知能力之外),应优先考虑哪些个体差异学生特征领域? 甚至在学校心理学文献中提到的潜在重要的非认知领域的部分列表也是惊人的。 社会情感学习。  Motivation.  Self-efficacy.  Engagement. 学习和功课技巧。  Resilience. 执行功能。 投入学习时间。 自我调节的学习策略。  社会的 skills.  社会和情绪智力。 这些不同的构造之间有什么异同? 每个结构都由一个维度组成,还是每个结构域内都有一个复杂的子域特征模型? 学校心理学家从哪里开始?  我认为答案首先在于概述重要的非认知学习相关学生特征的工作分类法。

我是公认的分类学家。 正如在人类认知能力的背景下所述,乔尔·施耐德和我说“一个有用的分类系统通过阐明相应的区别并掩盖琐碎的差异来塑造我们如何看待复杂现象。一个错误指定的分类系统会使我们转向无关紧要的事物,并使我们无法采取生产行动。想象一下,如果我们必须使用占星术分类系统来进行人员选拔,大学入学,陪审团选择或临床诊断。随之而来的效率低下,不准确和不公正的程度使人难以置信。 分类是严肃的事(施耐德&麦格鲁(McGrew),2012年,第13页。 99).
 
我认为,在定义和阐明重要的非认知学生特征的教学含义之前,必须首先界定广泛的领域。 此外,我认为任何有效的分类法都必须来自现有的经验和理论文献,而不应来自倡导,政策,政治领域或狭窄的单一特征研究计划。 尽管已经阐明了多种学校学习模式,但直到最近,基于数十年的教育和心理学研究,才出现了一种具有足够广度和深度的模式,其潜力可作为一种“bridging”教育与心理学理论/研究与教育实践之间的机制。

理查德·斯诺(Richard 雪)及其同事根据一项庞大的教育研究与研究集成系统计划,概述了学习分类法的临时性和有前途的才能(Corno等,2002;雪,哥诺,& Jackson, 1996).  理查德·斯诺(Richard 雪)’不幸的是,大多数学校心理学的工作都在雷达屏下进行。 希望这篇简短的文章通过描述一个以斯诺为灵感的框架来纠正这种疏忽,以理解影响学校学习的最突出的非认知学生特征。

首次描述了基于近三十年来对当代学校学习研究的全面回顾和整合,概述经过调整和更新的Snow模型的尝试。 McGrew等。 (2004年). 此模型下一次修订为 学术能力和动机模型 (麦格鲁,2007年).  图1展示了 修订和更新了McGrew 2007 MACM模型。

[点击图片可放大]








学术能力和动机模型(MACM):  A Brief Overview

 MACM模型包括以下三个广泛的领域: 自我定位(动机),意志控制(认知策略和风格)对他人的取向(社交能力)。 [1]  如图1所示,当前关注的是习惯性的动机和自愿性领域。 术语“顺从”和“自愿”可以部分解释为什么Snow和他的同事的工作没有被广泛地注入教育和学校心理学中。 顺从和意志不是教育或心理学中常用的术语,坦率地说,如果用来形容学生的特征,会引起老师和父母的困惑。 但是,它们很重要,并且已经存在了很长时间“人类心理功能的古老三部曲,包括认知,情感和挫折”(Corno,1996年,第14页,加上斜体)。 本文旨在扩大情报理论和测试领域许多巨头所表达的能力的重要性。

可以找到包含MACM特征的详细定义和理论基础的PDF文件 这里这里.

长期以来,当试图解释聪明的表现或行为时,长期以来就公认认知能力是新娘认知的重要特征。  的 预约定价安排心理学词典 (Vandenbos,2007)定义conation为“将知识,影响,动力,欲望和本能与行为联系起来的动机的主动(相对于惯常)部分。 伴随着认知和情感,顺服是传统上确定的三个心智成分之一”(第210页;大写原件)。 所有心理学家都将查尔斯·斯皮尔曼(Charles 矛兵)与智力的心理学计量学研究相结合,他认识到了惯常能力的重要性。 斯皮尔曼(1927)说“认识到与认知和情感相分离的认知过程不可能与之分离,因为认识到所有这些都是一个人的直觉和行为中不可分割的方面,正如他的名字所暗示的那样,他本人是不可分割的” (p. 2). 被认为是现代智力测验之父的阿尔弗雷德·比奈(Alfred Binet)也认识到“非智力”认知或智力表现的因素。 根据Corno等人。 (2002):
  • Binet在对情报的著名描述中总结了他的研究:‘倾向于并保持明确方向的趋势;为了达到预期目的而进行适应的能力;以及自我批评的力量’(Terman,1916年,第45页)。 所有这三个短语至少与推理能力一样,都代表了对立的过程和态度。 Binet的智力概念很像Snow的才智概念(第5页)。
听起来很相似的大卫·韦克斯勒(David 韦克斯勒)强调了交往能力的重要性,他将其称为非智力因素(例如,持续性,好奇心和动机)(Zachary,1990)。  在 韦克斯勒’s (1994) own words, “当我们的量表测量智力中的非智力因素和智力因素时,它们将更接近地衡量现实生活中与智力行为相对应的因素”(韦克斯勒,1944年,第103页)。 最近,《 WJ,WJ-R和WJ III》的第一作者Richard 鹬在他的著作中 认知表现和信息处理模型,包括 促进抑制剂 该域既包含类似内部concon的特征(例如健康,注意力和注意力,认知方式),又包含外部变量(例如环境干扰)“修改认知表现的好坏,通常会覆盖先前描述的认知能力中优点和缺点的影响”(Woodcock,1998,第146页)。

我谦卑地站在Spearman,Binet,Wechsler,Woodcock和Snow的肩膀上 并建议学校心理学家在学生能力和成就的模型中组织他们关于学生基本学习特征的思考,这种模型认识到能力的重要性。 为了消除实施此建议的术语障碍, 习惯性能力已重命名为 动机 (对自我的取向)和 认知策略和风格 (自愿控制;请参见图1)。  Being even more direct 和 simple, I have modified 和 extended the key question approach to understanding 成就 动机 as presented 通过 Wigfield 和 Eccles (2002).  的 major domains represented 在MACM模型中 (see 数字 1) can be reduced to 五个基本问题(从Wigfield借用和修订&(Eccles,2002)学校心理学家在收集和整合有关重要的非认知性学校学习相关学生信息的信息时应提出要求.

  • 学生认为他们可以完成任务吗? 这个问题着重于了解学生’关于他们感知的控制源,学业自我效能感,学业自我概念和能力概念的自我信念。
  • 学生是否想完成任务,出于什么原因?  在思考这个问题时,目标是了解学生’的动机取向,例如学业和内在动机的程度,目标取向的类型以及学生’目标设定能力。 此外,应考虑了解学生如何看重学校学习以及他们的全球和情境特定学术领域的学术兴趣。
  • 学生要完成任务需要做什么? 在教育环境中取得成功的必要条件是高动力和积极的自我信念。 桥梁必须将能力,自我信念和动力与面向行动的行为联系起来。  桥梁是激励控制或自我调节的学习策略(例如学习技能,认知和学习策略,参与度)的存在,它们使个人可以管理实现目标的努力。
  • 什么学生’响应任务的典型方法是什么?  这个 question 焦点es on determining if a student has characteristic stable styles for approaching 学习 tasks, success 要么 failure (e.g., self-worth protection; adaptive help-seeking) that either need to be enhanced 要么 modified to insure increased positive 成就 outcomes. 
  • 学生如何对他人表现以成功完成任务? 传统上,美国学校重视学生的特征,例如公民身份,对社会规则和规范的遵守,合作以及积极的社会行为。 不懂得如何(或缺乏适当技能)适当和负责任地行为的学生,学习失败的风险增加,并且可能无法发展归属感或亲戚关系。 

MACM框架和学习模式的承诺途径: 跨越Rubicon学习行动

的re 是 no consensus explanatory model outlining how the various constructs included in 数字 1 interact 中 the MACM model 要么 with other important learner characteristics (e.g., 认知能力) to produce positive 成就 outcomes. 在他们的介绍中 能力和动机手册, a seminal 在tempt to corral the major theories 和 research regarding 动机, self-regulatory 流程 和 权限, Elliot 和 Dweck (2005) summarize this state of affairs when they stated, with regard to the weaknesses in the 成就动机文学:
  • 文献缺乏连贯性和清晰的结构参数集,并且文献过于狭窄且范围有限。 从本质上讲,通常称为“成就动机文学”代表着相当松散的理论和经验工作纲要,重点是对术语的口语理解“achievement” (第5页)。 
近期的一系列报告进一步说明了指定单一共识解释性或因果关系的MACM实现模型这一不可能的任务。 教育政策中心(CEP)-学生动机: 学校改革的缺失要素 (招待员& Kober, 2012a). CEP的基础是关于学生动机维度的不少于八种不同的专家或理论观点(在图1中仅代表了MACM模型的动机组成部分)’s series of six different policy briefs (招待员& Kober, 2012b).

Not only 是 the number of proposed explanatory 楷模 of 成就 动机 a barrier to incorporating the MACM learner characteristics into 学校心理ology practice, the complexity of some 的 楷模 是 not practice friendly.  For example, the general expectancy-value model of 成就 选择包括11个独立的模型组件(每个组件具有1至5个子组件)以及组件之间的12种以上的不同单向或双向箭头(Eccles,2005年)。 仅关注评估的模型 自我调节过程中的焦虑 包括5个模型组件和9个单向箭头,而建议的模型 自我障碍,这只是一种自我保护方式(即 习惯风格 在MACM模型中—请参见图1),该图具有11个不同的组件和13个不同的箭头(Rhodewalt& Vohs, 2005). 最后,MACM模型包括两个与目标相关的构造(学术目标定位和学术目标设定)—参见图1中的动机取向部分),而1996年对心理学中目标构建的综述列出了31个提出了类似目标构建的理论,并提出了人类目标的6个域,24个子域分类法(Austin& Vancouver, 1996).
 
在此背景下,Snow的简化改编’在学术领域的动态范式(Corno,1993年)。 假定简化模型的呈现是帮助学校心理学家从树上看到阿甘的第一步,因此增加了成功整合心理学的机会。 MACM概念在他们的评估和教学计划库中。 基于MACM的Snow适应和扩展’的模型如图2所示。    
[点击幻灯片放大]

简单来说,了解学习者的核心是三个阶段’s commitment pathway to 学习 和 成就. 学习者首先要解决以下问题“我可以做这个任务吗?” 和 “我想做这个任务吗,为什么?” 这些问题反映出学习者正在思考或思考他们关于自己可以做什么,他们想做什么或被要求去做的信念,以及他们对如何前进形成的意图(正面或负面)的信念。  Cleary等。 (2010年)形容为 前瞻性的 阶段或在学生完成学习任务之前发生的那些过程。 例如,对科学抱有浓厚兴趣和掌握目标的方​​向(即,为了学习和掌握新技能而学习)的学生很可能会决定在科学项目上投入持续的努力。 相反,具有长期学习失败历史的学习者可能不会感到自己有能力(自我效能低下),并且可能希望避免以失败为主要目标,从而导致做出不同的决定。—对科学项目的承诺程度不同,并且可能会部署自我保护的习惯性行为。 承诺为某项任务采取行动的行为被喻为“穿越卢比孔”(Corno,1993; Corno等,2002)。  一旦致力于实施计划,学生将实现目标的成功转移给他们 自我调节的学习策略 (自愿控制)—实施计划和意图。 学生已进入问题所解决的领域“我需要怎么做才能成功完成任务?

当然,这是对一个明显的非线性过程的过于简单的解释,其中,如果最初的目标需要修改,则计划实施和自我调节的结果可能需要回到考虑和计划阶段(例如,学生设置了不切实际的目标以在数学项目上完美表现)。 在对行动关键点的承诺上发生了多次递归和动态迭代(Rubicon;请参见图1中的箭头圆圈),其动机需要修改认知控制和调节策略,并且经常需要认知策略反馈,需要目标调整和计划变更。


摘要评论

希望这个简短的描述 MACM 模型和 MACM对学习途径模型的承诺 (使Rubicon跨入学习行动)可以激发思想,研究和进一步的发展。 此模型的更新将发布在此博客上,通常可以通过单击 MACM超越智商 博客卷上的博客标签。

参考说明

这篇文章中引用的大多数参考文献都可以在以下网址找到: McGrew等。 (2004年) 麦格鲁(2007).

-------------------------------------------------- -------------------------------------------------- ---------------

[1] 这些的完整描述和讨论 三个主MACM域在这里是不可能的。有兴趣的读者应该 评论Corno等。 (2002),和 McGrew等。 (2004年) 麦格鲁(2007)。  重要的是要 请注意,MACM模型只是一个 部分的 相关学校相关分类 个体差异特征。  此处提供的模型仅列出了两个类别下的常规类别 areas of 社交能力 并且不包括 身体和心理运动 能力,情感或社会情感特征,认知 能力和诸如人格之类的总体结构,Corno等人。 (2002年) 将更智能的大分类法包括在内 constructs.  社会文献 智力,社交认知和社交技能需要接受治疗 单独的章节或书籍。  社会的 ability 是 included 在MACM模型中 to reflect an awareness 的 importance 讨论重要问题时的社交能力和行为建构 非认知特征对学校的成功很重要。

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 predictors of school 成就 were defined.   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 prediction of school 成就) was proposed.  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性分析: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, aptitude, 成就 能力建构.  读者应咨询 前 post (which contains links to all prior background 发布s) that defined 认知能力, 才能, 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), Tucker-Drob和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 Language (BWLANG) 成就 clusters to a 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 of the lowest variables below the continua midline are the 成就 ability 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 (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 quadrant only includes the three 广阔 成就 clusters, 和 是 thus an 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 with 数学 成就; McGrew &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 the BMATH 和 BRDG/BWLANG 成就 variables 和 next connecting these 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 abilities, 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, aptitudes, 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, that if known to be 有关 to 读-writing 要么 数学 成就, their 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) related to 成就 indicates 一般领域 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 have clearly been linked to 读 和 数学 成就 (especially the later) 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 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 comprise an 才能 for a specific 成就 domain in many ways can be considered a 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 research as in both 读 和 数学 成就, 认知的 tests 要么 clusters 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 Figures 1 和 2 suggests that more differentiated CHC-designed 成就 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 nature of human 认知的, 才能, 和 成就 能力.  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 of 一致性 among the multiple 认知的, aptitude, 和 成就 elements of an important academic 学习 domain 要么 domain of 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 中 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 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 with 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 with a larger range of both CHC 认知的, 才能, 和 成就 tests 和 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 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“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 of 读 和 写作 成就 variables that typically produce a single 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)