Showing 发布 s 与 label 性状复合体. 显示所有帖子
Showing 发布 s 与 label 性状复合体. 显示所有帖子

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, 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), 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 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。  考虑到它是由 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; 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 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 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 》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)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)。

2011年6月28日,星期二

研究方向:大脑复杂性,预测工作成功,神经科学/创造力,流体智商和性格




Bassett,D. S.和Gazzaniga,M. S.(2011)。了解人脑的复杂性。认知科学趋势,15(5),200-209。

尽管神经科学探究的最终目的是获得对大脑及其运作方式与大脑的了解,但当前的大多数努力主要集中在使用越来越详细的数据的小问题上。但是,可能有可能成功解决更大的心理问题–这些神经科学研究的累积发现与物理和哲学的补充方法相结合的大脑机制。我们认为,大脑可以理解为一个复杂的系统或网络,其中心理状态是由多个物理和功能水平之间的相互作用产生的。实现进一步的概念进步将至关重要地取决于关于认知特性的广泛讨论以及当前可用或必须开发的用于研究思维的工具–brain mechanisms.
文章大纲



Ziegler,M.,Dietl,E.,Danay,E.,Vogel,M.&Buhner,M.(2011)。通过一般的心理能力,特定能力测验和(非)结构化面试来预测培训的成功:采用独特样本进行的荟萃分析。国际选择与评估杂志,19(2),170-182。


一些荟萃分析将大量与预测培训成功有关的研究结合在一起。一般的心理能力被认为是具有特定能力或测验的最佳预测指标,但很少能解释额外的差异。但是,只有很少的研究测量了一个样本中的所有预测变量。因此,经常根据其他研究来估计相互关系。而且,现在有纠正范围限制的新方法。本荟萃分析使用的样本来自一家德国公司,在该公司中,对不同学徒的申请人进行了智力结构测试,特定能力测试以及结构化和非结构化面试。因此,不必从其他数据中估算不同评估工具之间的相互关系。最终检查的结果是标准变量,该结果至少应在原始评估后2年进行。证实了一般智力的主导作用。但是,确定了可以用作有价值的补充的特定能力。工作的复杂性缓解了某些关系。研究发现,结构化访谈具有比一般智力更好的递增效度。另一方面,无组织的采访表现不佳。讨论了实际含义。


Sawyer,K。(2011)。创造力的认知神经科学:评论评论。创造力研究杂志,23(2),137-154。

近年来,关于创造力的认知神经科学研究已经频繁出现。迄今为止,尚未发表对这些研究的全面而严格的评论。本文的第一部分简要介绍了认知神经科学家使用的3种主要方法:脑电图(EEG),正电子发射断层扫描(PET)和功能磁共振成像(fMRI)。第二部分提供了与创造力相关的认知过程的认知神经科学研究的全面综述。第三部分是对这些研究的批判性考察。目的是要明确清楚这些研究可以适当解释的确切含义。结论为创造力研究人员和认知神经科学家之间的未来研究合作提供了建议。


Djapo,N.,Kolenovic Djapo,J.,Djokic,R.和Fako,I.(2011年)。卡特尔(Cattell)的16PF与流体和结晶智能之间的关系。人格与个体差异,51(1),63-67。

该研究的目的是探讨五个全球因素与Cattell的16个维度之间的关系’的人格模型和流畅而结晶的智力。三所高中共有105名三年级学生(男性占45.7%)参加了这项研究。流体智能由Raven测量’通过Mill Hill词汇量表对高级进阶矩阵和结晶智能进行了测量。人格特质通过十六个人格因子问卷进行测量。焦虑既与体液无关,也与结晶智力无关。外向性和自我控制与体液智力呈负相关,而强硬意识与体液智力呈正相关。独立性与明确的智力呈正相关,而“坚强”与否与智力呈负相关。回归分析表明,除焦虑外,所有广泛的人格因素都是流体智力的重要预测因子。当综合在一起时,这些因素占流体智力得分方差的25%。以结晶智能为标准变量的回归模型在统计上不显着。研究结果与Chamorro一致


-使用我的Kevin McGrew的iPad使用BlogPress的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注释文章中 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


2008年11月22日,星期六

今日大图:特质-智商+个性+兴趣

[dbl点击图片放大]

我喜欢能够通过大图,图表或模型综合研究的作者/研究人员。其中一位研究员是 P·阿克曼,他对智力,个性和兴趣(主要是成年人)之间的关系进行了出色的研究。上面是他的一个不错的人物,展示了“性状复合体“ (相似 理查德·斯诺(Richard 雪 )s 致力于“才能”。他的工作与我通过摄影大视野了解学校才能的尝试非常一致。 超越智商项目.

如果您想了解有关阿克曼研究的更多信息,请仔细阅读两篇文章(从很多文章中精选……他非常多产-第1条; 第二条)

Technorati标签: , , , , , , , , , , ,