Em formação

Necessidade de Cognição - Distribuição na População

Necessidade de Cognição - Distribuição na População


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Existe algum dado sobre a distribuição dos vários níveis de necessidade de cognição (como inteligência, que pelo meu entendimento é dito seguir a distribuição normal)?

Especificamente, estou interessado em saber o quão comum é a necessidade "alta" de cognição (marquei-a entre aspas porque entendi que não há uma métrica bem definida para isso - corrija-me se estiver errado).


Evitar incertezas ou ambigüidade

As pessoas adotam certas mentalidades, estilos cognitivos e disposições porque satisfazem necessidades e motivos psicológicos, como necessidade de fechamento, ordem, estrutura e prevenção de incerteza ou ambigüidade. [3] Indivíduos que endossam a ideologia da extrema direita freqüentemente têm um desejo maior de obediência à autoridade, ordem, pureza, familiaridade, estrutura e uma mentalidade de visão de mundo rígida. [4] Particularmente, eles tendem a aderir a uma visão de mundo que é baseada no autoritarismo e na hierarquia entre grupos sociais. [5] Isso se reflete ainda mais em seu perfil psicológico, que é mais reflexo do desejo de dominação e subjugação baseada em grupo (incluindo a subordinação das mulheres), tradicionalismo e desigualdade social. [6] A tendência de dominar e subjugar grupos desfavorecidos e minoritários é particularmente expressa em posturas anti-imigrantes e xenófobas, forte preferência por uma população étnica, cultural e / ou racialmente homogênea e preconceito contra as minorias. [7] Além disso, o motivo para ver grupos sociais organizados ao longo de uma dimensão de superioridade-inferioridade é normalmente mais pronunciado entre pessoas que mantêm crenças de extrema direita e, portanto, são menos tolerantes com as comunidades LGBTQ, minorias étnicas e raciais, mulheres e preconceito generalizado em relação grupos de baixo status (por exemplo, os sem-teto e deficientes). [8]


Artigo ORIGINAL RESEARCH

  • 1 Departamento de Psicologia, Babe & # x015F-Bolyai University, Cluj-Napoca, Romênia
  • 2 Departamento de Organização, Open University of the Netherlands, Heerlen, Holanda

Vários fatores relativos ao contexto social (disponibilidade de contatos sociais plausíveis), bem como traços de personalidade, influenciam o surgimento de laços sociais que, em última análise, compõem a rede social pessoal de uma pessoa. Construímos um modelo de seleção situacional para argumentar que os traços de personalidade influenciam o processamento cognitivo de pistas sociais que, por sua vez, influenciam a preferência por laços sociais específicos. Mais especificamente, usamos um design cross-lagged para testar um modelo de mediação que explica os efeitos da necessidade de cognição (NFC) nas características de rede egocêntrica. Usamos os dados disponíveis no painel LISS, no qual uma amostra probabilística de participantes holandeses foi solicitada a preencher pesquisas anualmente. Testamos nosso modelo em dados coletados em três anos sucessivos e nossos resultados mostram que pessoas com pontuação alta em NFC tendem a girar em redes egocêntricas ricas em informações, caracterizadas por alta diversidade demográfica, alta dissimilaridade interpessoal e alto nível de escolaridade. Os resultados também mostram que o efeito da NFC nas características das redes sociais é mediado por julgamentos não preconceituosos.

& # x201CNenhum homem é uma ilha, inteiramente de si mesma & # x201D
(Jon Donne, 1624)


Como a necessidade de cognição e controle percebido estão diferencialmente ligados aos resultados emocionais na transição para a aposentadoria

Este estudo contrasta como a necessidade de cognição e controle percebido se relacionam ao afeto positivo e negativo em 351 adultos em transição para a aposentadoria (faixa etária de 44-79 anos, M = 60). A modelagem de equações estruturais foi usada para identificar caminhos significativos entre variáveis ​​exógenas de consciência, abertura e educação para a necessidade de cognição, e entre neuroticismo e saúde para o controle percebido. A necessidade de cognição e controle percebido emergiram como formas separadas e distintas de motivação, contribuindo para o afeto positivo e negativo neste modelo por meio de padrões diferentes e em graus diferentes. Os mediadores entre a necessidade de cognição e o afeto positivo foram a frequência da atividade cognitiva e o enfrentamento com foco no problema. O controle percebido teve efeitos diretos no afeto positivo e negativo e efeitos indiretos por meio da atividade cognitiva no afeto positivo. O modelo ajuda a explicar alguns dos mecanismos psicológicos fundamentais para uma adaptação bem-sucedida à mudança na idade adulta. A motivação disposicional da necessidade de cognição é descrita como uma força de caráter com valor preditivo único para adultos mais velhos.

Esta é uma prévia do conteúdo da assinatura, acesso através de sua instituição.


Descrição

Teoria Clássica de Teste
A Teoria Clássica do Teste [Spearman, 1904, Novick, 1966] concentra-se no mesmo objetivo e antes da conceituação de IRT era (e ainda é) usada para prever o traço latente de um indivíduo com base em uma pontuação total observada em um instrumento. No CTT, a pontuação verdadeira prediz o nível da variável latente e a pontuação observada. O erro é normalmente distribuído com uma média de 0 e um DP de 1.

Teoria de Resposta ao Item vs. Teoria Clássica de Teste

Suposições IRT

1) Monotonicidade - A suposição indica que conforme o nível do traço está aumentando, a probabilidade de uma resposta correta também aumenta2) Unidimensionalidade - O modelo assume que há um traço latente dominante sendo medido e que esse traço é a força motriz para as respostas observadas para cada item na medida3) Independência local - As respostas dadas aos itens separados em um teste são mutuamente independentes dado um certo nível de habilidade.4) Invariância - Podemos estimar os parâmetros do item de qualquer posição na curva de resposta do item. Assim, podemos estimar os parâmetros de um item de qualquer grupo de sujeitos que responderam ao item.

Se os pressupostos forem válidos, as diferenças na observação das respostas corretas entre os respondentes serão devido à variação em seu traço latente.
Função de resposta ao item e curva característica do item (ICC)

Os modelos IRT prevêem as respostas dos respondentes aos itens de um instrumento com base em sua posição no continuum do traço latente e nas características dos itens, também conhecidos como parâmetros. A função de resposta do item caracteriza essa associação. A suposição subjacente é que toda resposta a um item de um instrumento fornece alguma inclinação sobre o nível do traço ou habilidade latente do indivíduo. A capacidade da pessoa (θ) em termos simples é a probabilidade de endossar a resposta correta para esse item. Assim, quanto maior a capacidade do indivíduo, maior é a probabilidade de uma resposta correta. Esta relação pode ser representada graficamente e é conhecida como Curva Característica do Item. Conforme mostrado na figura, a curva é em forma de S (sigmóide / Ogive). Além disso, a probabilidade de endossar uma resposta correta aumenta monotonicamente à medida que a habilidade do respondente se torna maior. Deve-se notar que, teoricamente, a habilidade (θ) varia de -∞ a + ∞, no entanto, em aplicações, geralmente varia entre -3 e + 3.

Parâmetros do item

Conforme as habilidades das pessoas variam, sua posição no continuum do construto latente muda e é determinada pela amostra de respondentes e parâmetros de item. Um item deve ser sensível o suficiente para classificar os respondentes dentro do continuum não observável sugerido.


Dificuldade do item (bi) é o parâmetro que determina a maneira como o item se comporta ao longo da escala de habilidade. É determinado no ponto de probabilidade mediana, ou seja, a capacidade em que 50% dos entrevistados endossam a resposta correta. Em uma curva característica de item, os itens que são difíceis de endossar são deslocados para a direita da escala, indicando a maior habilidade dos respondentes que a endossam corretamente, enquanto aqueles, que são mais fáceis, são deslocados para a esquerda da escala de habilidade .

A Discriminação de Itens (ai) determina a taxa em que a probabilidade de endossar um item correto muda de acordo com os níveis de habilidade. Esse parâmetro é fundamental para diferenciar indivíduos que possuem níveis semelhantes do construto latente de interesse. O propósito final, para desenhar uma medida precisa, é incluir itens com alta discriminação, de forma a poder mapear os indivíduos ao longo do continuum do traço latente. Por outro lado, os pesquisadores devem ter cuidado se for observado que um item tem uma discriminação negativa, porque a probabilidade de endossar a resposta correta não deve diminuir à medida que a capacidade do respondente aumenta. Portanto, a revisão desses itens deve ser realizada. A escala para discriminação de itens, teoricamente, varia de -∞ a + ∞ e geralmente não excede 2, portanto, realisticamente, ela varia entre (0,2)

Adivinhação (ci) A adivinhação do item é o terceiro parâmetro responsável pela adivinhação de um item. Ele restringe a probabilidade de endossar a resposta correta conforme a habilidade se aproxima de -∞.

Invariância da População Em termos simples, os parâmetros dos itens se comportam de maneira semelhante em diferentes populações. Este não é o caso ao seguir o CTT na medição. Como a unidade de análise é o item no IRT, a localização do item (dificuldade) pode ser padronizada (sofrer transformação linear) entre as populações e, assim, os itens podem ser facilmente comparados. Uma nota importante a adicionar é que mesmo após a transformação linear, as estimativas de parâmetro derivadas de duas amostras não serão idênticas, a invariância como o nome indica se refere à invariância da população e, portanto, se aplica apenas aos parâmetros da população do item.

Tipos de modelo IRT

Modelos unidimensionais Os modelos unidimensionais preveem a capacidade dos itens de medir uma característica latente dominante.
Modelos Dicotômicos IRT
Os modelos IRT dicotômicos são usados ​​quando as respostas aos itens em uma medida são dicotômicas (ou seja, 0,1)

O modelo logístico de 1-parâmetro

O modelo é a forma mais simples de modelos IRT. É composto por um parâmetro que descreve o traço latente (habilidade - θ) da pessoa que responde aos itens e outro parâmetro para o item (dificuldade). A seguinte equação representa sua forma matemática:

O modelo representa a função de resposta do item para o Modelo Logístico de 1 - Parâmetro que prevê a probabilidade de uma resposta correta dada a habilidade do respondente e a dificuldade do item. No modelo 1-PL, o parâmetro de discriminação é fixo para todos os itens e, consequentemente, todas as curvas de característica do item correspondentes aos diferentes itens na medida são paralelas ao longo da escala de habilidade. A figura mostra 5 itens, o que está mais à direita é o mais difícil e provavelmente seria endossado corretamente por aqueles com uma habilidade superior.

Função de Informação de Teste

§ É a soma das probabilidades de endossar a resposta correta para todos os itens da medida e, portanto, estima a pontuação esperada no teste.
§ Nesta figura, a linha vermelha representa a probabilidade conjunta de todos os 5 itens (preto)

A Função de Informação do Item
Mostra a quantidade de informações que cada item fornece e é calculado multiplicando a probabilidade de endossar uma resposta correta multiplicada pela probabilidade de responder incorretamente.

Ressalta-se que a quantidade de informações em um determinado nível de habilidade é o inverso de sua variância, portanto, quanto maior a quantidade de informações fornecidas pelo item, maior será a precisão da medida. À medida que as informações do item são comparadas à habilidade, um gráfico revelador mostra a quantidade de informações fornecidas pelo item. Os itens medidos com mais precisão, fornecem mais informações e são representados graficamente para serem mais longos e estreitos, em comparação com suas contrapartes que fornecem menos informações. O ápice da curva corresponde ao valor de bi - a habilidade no ponto de probabilidade mediana. A quantidade máxima de informação fornecida seria dada quando a probabilidade de resposta correta ou incorreta fosse igual, ou seja, 50%. Os itens são mais informativos entre os respondentes que representam todo o continuum latente e, especialmente, entre aqueles que têm 50% de chance de responder de qualquer maneira.

Estimativa de capacidade
A suposição de independência local afirma que as respostas aos itens devem ser independentes e associadas apenas por meio da habilidade. Isso nos permite estimar a função de verossimilhança do padrão de resposta individual para a medida administrada pela multiplicação das probabilidades de resposta do item. A seguir, por meio de um processo iterativo, é calculada a estimativa de máxima verossimilhança da habilidade. Simplesmente, a estimativa de máxima verossimilhança nos fornece as pontuações esperadas para cada indivíduo.

O Modelo Rasch vs. Modelos Logísticos de 1 Parâmetro
Os modelos são matematicamente iguais, no entanto, o modelo Rasch restringe a discriminação do item (ai) a 1, enquanto o modelo logístico de 1 parâmetro se esforça para ajustar os dados o máximo possível e não limita o fator de discriminação a 1. No Rasch Modelo, o modelo é superior, pois está mais preocupado em desenvolver a variável que está sendo utilizada para medir a dimensão de interesse. Portanto, na construção de um encaixe do instrumento, o modelo Rasch seria o melhor, melhorando a precisão dos itens.

O Modelo Logístico de 2 Parâmetros


O modelo logístico de dois parâmetros prevê a probabilidade de uma resposta bem-sucedida usando dois parâmetros (dificuldade bi e discriminação de amplificador ai).
O parâmetro de discriminação pode variar entre os itens. Doravante, o ICC dos diferentes itens pode se cruzar e ter inclinações diferentes. Quanto mais acentuada a inclinação, maior a discriminação do item, pois será capaz de detectar diferenças sutis na habilidade dos respondentes.

A Função de Informação do Item

Como no caso do Modelo 1-PL, a informação é calculada como o produto entre a probabilidade de uma resposta correta e uma incorreta. No entanto, o produto é multiplicado pelo quadrado do parâmetro de discriminação. A implicação é que, quanto maior o parâmetro de discriminação, maiores são as informações fornecidas pelo item. Como o fator discriminante pode variar entre os itens, os gráficos da função das informações dos itens também podem ser diferentes.

Estimativa de capacidade
Com o modelo 2-PL, a suposição de independência local ainda é válida e a estimativa de máxima verossimilhança da habilidade é usada. Embora as probabilidades para os padrões de resposta ainda sejam somadas, elas agora são ponderadas pelo fator de discriminação de item para cada resposta. Suas funções de verossimilhança, portanto, podem diferir umas das outras e atingir o pico em diferentes níveis de θ.

O 3 - Modelo logístico de parâmetros


O modelo prevê a probabilidade de uma resposta correta, da mesma maneira que o modelo 1 - PL e o modelo 2 PL, mas é restringido por um terceiro parâmetro denominado parâmetro de suposição (também conhecido como parâmetro de pseudo chance), que restringe a probabilidade de endossar uma resposta correta quando a habilidade do respondente se aproxima de -∞. À medida que os respondentes respondem a um item por adivinhação, a quantidade de informações fornecidas por esse item diminui e a função do item de informação atinge um pico em um nível inferior em comparação com outras funções. Além disso, a dificuldade não é mais demarcada na probabilidade mediana. Os itens respondidos por adivinhação indicam que a habilidade do respondente é menor do que sua dificuldade.

Model Fit
Uma maneira de escolher qual modelo ajustar é avaliar o ajuste relativo do modelo por meio de seus critérios de informação. As estimativas de AIC são comparadas e o modelo com o AIC mais baixo é escolhido. Alternativamente, podemos utilizar o Qui-quadrado (Deviance) e medir a mudança na razão de verossimilhança logarítmica de 2 *. Como segue uma distribuição qui-quadrado, podemos estimar se os dois modelos são estatisticamente diferentes um do outro.

Outros modelos IRT

Inclui modelos que lidam com dados politômicos, como o modelo de resposta graduada e o modelo de crédito parcial. Esses modelos prevêem a pontuação esperada para cada categoria de resposta. Por outro lado, outros modelos IRT, como os modelos de resposta nominal, prevêem as pontuações esperadas de indivíduos respondendo itens com categorias de resposta não ordenadas (por exemplo, Sim, Não, Talvez). Neste breve resumo, nos concentramos em modelos IRT unidimensionais, preocupados com a medição de um traço latente, no entanto, esses modelos não seriam adequados na medição de mais de um construto ou traço latente. No último caso, o uso de modelos de IRT multidimensionais é recomendado. Consulte a lista de recursos abaixo para obter mais informações sobre esses modelos.

Formulários

Os modelos IRT podem ser aplicados com sucesso em muitos ambientes que aplicam avaliações (educação, psicologia, pesquisa de resultados de saúde, etc.). Ele também pode ser utilizado para projetar e aprimorar escalas / medidas, incluindo itens com alta discriminação que aumentam a precisão da ferramenta de medição e diminuem a carga de responder questionários longos. Como a unidade de análise do modelo IRT é o item, eles podem ser usados ​​para comparar itens de diferentes medidas, desde que estejam medindo o mesmo construto latente. Além disso, podem ser usados ​​no funcionamento diferencial dos itens, a fim de avaliar porque os itens que estão calibrados e em teste ainda se comportam de maneira diferente entre os grupos. Isso pode levar a pesquisas para identificar os agentes causais por trás das diferenças nas respostas e vinculá-los às características do grupo. Finalmente, eles podem ser usados ​​em Testes Adaptativos Computadorizados.


Referências

American Psychological Association, Center for Workforce Studies. (2008). Pesquisa APA 2008 de Provedores de Serviços de Saúde em Psicologia.

Karel, M. J., Gatz, M., & amp Smyer, M. A. (2012). Envelhecimento e saúde mental na próxima década: o que os psicólogos precisam saber. Psicólogo americano, 67, 184-198. doi: 10.1037 / a0025393

Knight, B. G., Karel, M. J., Hinrichsen, G. A., Qualls, S. H., & amp Duffy, M. (2009). Modelo de Pikes Peak para treinamento em geropsicologia profissional. Psicólogo americano, 64(3), 205-214. doi: 10.1037 / a0015059


Este artigo foi publicado originalmente no Fall Journal do California Psychology Licensing Board.


Métodos

Assuntos

Este estudo foi apoiado pelo Programa Pilar Nacional do Ministério da Ciência e Tecnologia da China (CMST) (número do projeto: 2009BAI77B03). O programa foi uma série de estudos multicêntricos realizados em Xangai, Pequim, Hefei, Nanchang, Ningbo, Xi'an e Hangzhou de 2011 a 2012.13 Os participantes foram inscritos atendendo aos seguintes critérios de inclusão no estudo: (1) chineses han, ≥60 anos de idade (2) nenhuma condição física importante, incluindo doenças do sistema nervoso ou doenças médicas instáveis, agudas ou com risco de vida e (3) nenhuma surdez ou cegueira, para completar a pesquisa. Indivíduos com histórico de doença mental ou outros transtornos que pudessem afetar a função cognitiva foram excluídos. Antes do estudo, todos os sujeitos assinaram o termo de consentimento.

Um total de 2.214 indivíduos foram incluídos neste estudo (cochilando: n = 1534, não cochilando: n = 680). Os participantes foram submetidos a uma série de avaliações de triagem, incluindo histórico médico, exames físicos e neurológicos e avaliações cognitivas. Todos os indivíduos foram avaliados por médicos clínicos para diagnosticar se tinham demência ou não por meio de entrevistas face a face. Todos os médicos examinadores aceitaram o treinamento obrigatório sobre avaliação da função cognitiva. Dos sujeitos, 739 indivíduos aceitaram exames de sangue (cochilando: n = 428 não cochilando: n = 311). Os sujeitos foram divididos em dois grupos com base em sua história de cochilos. O fluxograma é mostrado na figura 1.

Fluxograma de pesquisa. Esta imagem descreve nosso processo de pesquisa, critérios para inscrição e os sujeitos eventualmente incluídos no estudo.

Características do cochilo

Definimos cochilo da tarde como períodos de inatividade de pelo menos cinco minutos consecutivos classificados como sono (inatividade) após o almoço fora do horário principal de sono.10 14 Os participantes responderam aos itens relativos ao cochilo habitual. Um item perguntou: “... você cochilou depois do almoço que durou pelo menos 5 minutos e não mais do que 2 horas?” (respostas: “sim”, “não”). Codificamos os participantes que nunca cochilaram como “não cochilando” e aqueles que cochilaram como “cochilando”. Os participantes que relataram cochilos foram questionados adicionais relacionados ao cochilo, que foi, “Em média, com que frequência você cochilou durante uma semana”. Em seguida, categorizamos os participantes que cochilavam por frequência de cochilos: uma vez por semana (raramente), 1-3 vezes (alguns dias), 4 a 6 vezes (na maioria dos dias) ou 7 vezes (todos os dias). Indivíduos com condições de cochilo incertas foram excluídos.

Avaliações cognitivas

A versão de Pequim do Montreal Cognitive Assessment (MoCA) 15 e o Mini-Mental State Examination (MMSE) 16 foram usados ​​para medir a função cognitiva. Esses testes de triagem consistiam em 30 itens que mediam vários domínios cognitivos (incluindo espaço visual, memória, nomeação, atenção, cálculo, resumo, orientação e função da linguagem). O teste MoCA continha mais itens executivos de atenção do que o MMSE. MoCA foi sensível para detectar comprometimento cognitivo leve, e MMSE foi adequado para distinguir demência. A versão chinesa da Bateria de Testes Neuropsicológicos (NTB) também foi utilizada no estudo, 17 que detectou span de dígitos, aprendizagem verbal auditiva, aprendizagem associativa, retenção visual, fluência de linguagem, mapeamento e teste com blocos.

Características demográficas

Dados demográficos, estilo de vida, doença física e duração do sono noturno foram obtidos na inscrição CMST. O CMST também classificou o nível de escolaridade em analfabetismo, ensino fundamental, ensino médio, ensino médio ou ensino médio técnico, universidade ou superior. Os componentes do estilo de vida, que incluíam bebida, fumo e doenças físicas, incluindo hipertensão e diabetes, foram todos registrados.

Medição de índices sanguíneos

Após um período de jejum noturno (≥ 12 horas de duração do jejum, amostras de sangue periférico foram coletadas das 7:00 às 9:00. Tubos CAT Serum Sep Clot Activator e tubos anticoagulantes foram usados ​​para avaliar o perfil lipídico incluindo colesterol (CHOL), lipoproteína de densidade (LDL), lipoproteína de alta densidade (HDL) e ácido graxo triglicerídeo (TG) no Centro de Saúde Mental de Xangai.

Análise de dados

Os dados demográficos e o sono noturno foram analisados ​​por meio de um teste de modelo linear geral (GLM) para variáveis ​​contínuas e um teste χ 2 para as variáveis ​​categóricas entre os diferentes grupos. Os fatores de distinção entre os dois grupos assinalados com (*) na tabela 1 foram regredidos incluindo a idade. Os escores cognitivos foram analisados ​​usando uma análise de variância unilateral, enquanto os índices sanguíneos foram analisados ​​usando modelos lineares gerais e comparados entre os grupos após o ajuste para fatores distintivos. A análise de regressão linear stepwise foi empregada usando escores cognitivos como variáveis ​​dependentes e sexo (masculino / feminino), idade (anos), escolaridade (anos), cochilos (Y = 1 / N = 2), frequência de cochilos (uma vez por semana = 1 , 1-3 vezes = 2, 4 a 6 vezes = 3, todos os dias = 4), diabetes (S / N) e hipertensão (S / N) como variáveis ​​independentes (S: sim, N: não). O software SPSS V.17.0 com um valor de p bicaudal de 0,05 foi usado para todas as análises estatísticas.

Demografia e pontuações cognitivas dos sujeitos no envelhecimento da população chinesa Han


Método

Entrevistados

Os dados foram coletados por uma agência comercial de pesquisa de mercado (GfK, consulte www.gfk.com), como a primeira onda em um estudo longitudinal. Os entrevistados foram selecionados a partir de um painel existente para o qual os entrevistados se inscreveram voluntariamente. A pesquisa está em conformidade com o Código de Conduta da Holanda para a Prática Científica e o Comitê de Ética em Ciências Sociais da Universidade de Wageningen dispensou a necessidade de consentimento ético. Não houve perguntas enganosas na pesquisa, e as perguntas não causaram desconforto aos respondentes. Os participantes optaram por este estudo que foi realizado online por meio da agência de pesquisa de mercado GfK. Os autores não tiveram acesso a nenhuma informação de identificação sobre os participantes, pois GfK anonimou e desidentificou todos os dados antes do acesso do autor.

Como as informações sociodemográficas dos membros do painel são conhecidas pela agência de pesquisa, o painel permite uma amostragem aleatória estratificada de uma amostra nacionalmente representativa em gênero, idade e nível de educação da Holanda. O painel é composto por aproximadamente 12.000 entrevistados, que são repetidamente convidados a participar de estudos. O painel é mantido por meio de uma série de técnicas de amostragem, cuidando para que o painel permaneça representativo para a população. O acordo para participar do painel é entre 10% e 35% entre os convidados, cerca de 20% dos membros do painel são substituídos a cada ano. Os dados foram coletados na Holanda entre 16 de outubro e 6 de novembro de 2012. A agência de pesquisa abordou uma amostra bruta de 2.500 entrevistados de seu painel, dos quais 1.907 participaram (taxa de resposta de 76%). Destes, 51% eram do sexo masculino, 28% possuem baixo nível de escolaridade (ensino fundamental, ensino profissionalizante), 45% possuem ensino médio (ensino médio profissionalizante) e 27% possuem ensino superior (universidade de ciências aplicadas ou universidade ) A idade média dos entrevistados foi de 43 anos (DP = 13,2 anos, faixa etária de 18 a 65 anos).

A inspeção das respostas em todas as variáveis ​​mostrou padrões de resposta altamente improváveis ​​para 37 respondentes, que apresentaram variância zero em todas as variáveis. Esses 37 entrevistados foram removidos antes das análises (válido N = 1870). Depois de remover esses respondentes, não foram detectados mais outliers univariados e multivariados.

Projeto

Os entrevistados avaliaram um total de quatro aplicações. Cada entrevistado foi solicitado a avaliar os aplicativos familiares (não nanotecnologia) e os aplicativos não familiares relacionados (nanotecnologia). Além disso, cada entrevistado foi convidado a avaliar as aplicações de dois dos quatro domínios de aplicação (água e energia ou remédios e alimentos). Dentro de cada domínio de aplicativo, dois aplicativos diferentes foram especificados. Cada entrevistado julgou no total quatro das dezesseis aplicações disponíveis, como um fator de medidas repetidas incompletas em quatro domínios. As combinações de estímulos apresentadas aos grupos de respondentes podem ser encontradas na Tabela 1.


Resultados

Os valores de α de Cronbach variaram de 0 a 1, com números mais próximos de 1 refletindo uma maior confiabilidade, um valor ≥ 0,7 indica que os dados coletados refletem adequadamente as opiniões do participante sobre o conceito subjacente (Kline, 2005). Para NFC, α = 0,72 para ACC, α = 0,75 e para Evolução, α = 0,89, indicando que as perguntas feitas para cada tópico eram medidas confiáveis ​​de um único conceito subjacente.

A distribuição da pontuação para as pontuações NFC, ACC e Evolução é apresentada na Figura 1. Relativamente poucos alunos caíram na categoria baixa para ACC e Evolução: 1,6% e 3,3%, respectivamente. Embora essas porcentagens sejam pequenas, 1,6% representa 10 alunos, um número pequeno, mas grande o suficiente para análise estatística. A categoria média para ACC e Evolução tinha 26,0% e 25,5% dos alunos, respectivamente, e 72,5% e 71,2% estavam na categoria alta para ACC e Evolução, respectivamente. Os valores de ACC e Evolução foram significativamente maiores em alunos caracterizados como tendo NFC alto do que naqueles categorizados como tendo NFC médio ou baixo (P & lt 0,01 Figura 2).

Histogramas mostrando a distribuição dos alunos de acordo com sua (A) necessidade de cognição (NFC) (B) aceitação das mudanças climáticas antropogênicas (ACC) e (C) aceitação da evolução.

Histogramas mostrando a distribuição dos alunos de acordo com sua (A) necessidade de cognição (NFC) (B) aceitação das mudanças climáticas antropogênicas (ACC) e (C) aceitação da evolução.

Aceitação de (A) evolução e (B) mudança climática antropogênica (ACC) agrupadas por necessidade alta, média e baixa de cognição (NFC). As barras marcadas com “A” são significativamente diferentes daquelas marcadas com “B” (P & lt 0,01).

Aceitação de (A) evolução e (B) mudança climática antropogênica (ACC) agrupadas por necessidade alta, média e baixa de cognição (NFC). As barras marcadas com “A” são significativamente diferentes daquelas marcadas com “B” (P & lt 0,01).

Com uma correlação de r = 0,29 (R 2 = 0,09), o NFC sozinho ajuda a explicar a aceitação dos alunos do ACC (P & lt & lt 0,0001). Com uma correlação de r = 0,31 (R 2 = 0,10), o NFC sozinho ajuda a explicar a aceitação da evolução pelos alunos (P & lt & lt 0,0001). Com uma correlação de r = 0,445 (R 2 = 0,20), a aceitação dos alunos do ACC e a evolução foram significativamente relacionadas (p & lt & lt 0,0001). Essas estatísticas são altamente significativas, mas, uma vez que R 2 deve estar próximo de 1 para que o NFC seja a explicação principal da aceitação de um conceito científico por um aluno, deve haver outras influências que podem afetar a aceitação desses problemas pelos alunos.


Introdução

A prevalência de insuficiência cardíaca (IC) está crescendo rapidamente, afetando mais de 5 milhões de adultos nos EUA, com várias centenas de milhares de diagnosticados a cada ano (Mozaffarian et al., 2016 Ziaeian e Fonarow, 2016). A IC é responsável por 5% de todas as hospitalizações, com até um quarto desses pacientes readmitidos em 30 dias (Krumholz et al., 2009 Bergethon et al., 2016). Essas hospitalizações resultam em significativo fardo econômico e de saúde pública (Ziaeian e Fonarow, 2016). Dada a cronicidade da IC, é extremamente importante identificar os fatores de risco para hospitalizações repetidas.

Evidências crescentes ligam a IC a um declínio progressivo específico da doença (Leto e Feola, 2014) (Van Den Hurk et al., 2011 Almeida et al., 2012 Hjelm et al., 2012), com quase 3/4 de pacientes com IC mostrando sinais de possível comprometimento cognitivo (Hoth et al., 2008). O aumento da gravidade da IC está associado a uma maior disfunção cognitiva (Hoth et al., 2008 Pressler et al., 2010), embora haja algumas evidências em contrário (Feola, 2013). A disfunção cognitiva tem sido associada a autocuidado deficiente (Leto e Feola, 2014) e baixa adesão às recomendações de medicamentos e tratamentos (Alosco et al., 2012b Hawkins et al., 2012 Agarwal et al., 2016 Huynh et al., 2016 Dolansky et al., 2017), potencialmente contribuindo para o aumento da morbidade, hospitalização e morte por IC (Agarwal et al., 2016 Huynh et al., 2016). Dado o impacto estabelecido da disfunção cognitiva nos resultados médicos na IC, é de particular interesse examinar os fatores que interagem para prever a disfunção cognitiva nesta população para melhor compreender as variáveis ​​que aumentam o risco de hospitalização frequente.

O índice de massa corporal elevado (IMC, peso em kg / altura em m 2) está independentemente relacionado ao desempenho reduzido em medidas de aprendizagem, memória, função executiva e cognição global em indivíduos saudáveis ​​(Stanek et al., 2011 Dye et al. , 2017). Mais de 40% dos pacientes com IC são obesos (Kapoor e Heidenreich, 2010) e a obesidade pode exacerbar os déficits cognitivos na população com IC (Alosco et al., 2012a, 2014c). No entanto, a maneira pela qual o IMC elevado interage com a gravidade da IC para promover disfunção cognitiva não está clara.

Em indivíduos saudáveis, a ansiedade e a depressão também estão independentemente associadas a uma pior função cognitiva (McDermott e Ebmeier, 2009 Rock et al., 2014 Snyder et al., 2015 Shields et al., 2016). Psychological distress is quite prevalent in HF, with depression affecting up to 60% of patients (Yohannes et al., 2010) and up to 55% of patients demonstrating elevated anxiety (Easton et al., 2016). Both depression and anxiety in HF are risk factors for reduced quality of life, poor self-care, and higher rates of hospitalization and mortality (Yohannes et al., 2010 Sherwood et al., 2011 Kato et al., 2012 Ketterer et al., 2014 Suzuki et al., 2014 Alhurani et al., 2015 Tovar et al., 2016). While a growing literature demonstrates a relationship between depression and cognitive dysfunction in cardiovascular disease in general (Armstrong et al., 2018), and HF in particular (Foster et al., 2011 Garcia et al., 2011 Alosco et al., 2014a Hawkins et al., 2015a), it is unknown how anxiety impacts cognitive function in HF. A better understanding of mechanisms through which depression and anxiety may interact with HF severity to exacerbate cognitive dysfunction is an important step toward improving self-care and outcomes for this patient population.

It is essential to identify risk factors for poor self-care and repeated hospitalizations among HF patients. By investigating relationships among obesity, depression, anxiety, EF%, and cognitive function in HF, we can identify potential targets for cognitive and behavioral health treatment and contribute to improved quality of life for this population. While evidence suggests that obesity, psychological distress, and HF severity are independently related to cognitive dysfunction in HF, the current study aimed to address gaps in the literature by examining the interactive relationship between these variables. It was hypothesized that obesity and psychological distress would be related to reduced cognitive function, potentially interacting with HF severity.


Resultados

Cronbach’s α values ranged from 0 to 1, with numbers closer to 1 reflecting a higher reliability a value ≥ 0.7 indicates that the data collected adequately reflect the participant’s views on the underlying concept (Kline, 2005). For NFC, α = 0.72 for ACC, α = 0.75 and for Evolution, α = 0.89, indicating that the questions asked for each topic were reliable measures of a single underlying concept.

The score distribution for NFC, ACC, and Evolution scores is presented in Figure 1. Relatively few students fell into the low category for ACC and Evolution: 1.6% and 3.3%, respectively. Although these percentages are small, 1.6% represents 10 students, a small number but large enough for statistical analysis. The medium category for ACC and Evolution had 26.0% and 25.5% of students, respectively and 72.5% and 71.2% were in the high category for ACC and Evolution, respectively. Values for ACC and Evolution were significantly higher in students characterized as having high NFC than in those categorized as having medium or low NFC (P < 0.01 Figure 2).

Histograms showing distribution of students according to their measured (A) need for cognition (NFC) (B) acceptance of anthropogenic climate change (ACC) and (C) acceptance of evolution.

Histograms showing distribution of students according to their measured (A) need for cognition (NFC) (B) acceptance of anthropogenic climate change (ACC) and (C) acceptance of evolution.

Acceptance of (A) evolution and (B) anthropogenic climate change (ACC) as grouped by high, medium, and low need for cognition (NFC). Bars marked “A” are significantly different from those marked “B” (P < 0.01).

Acceptance of (A) evolution and (B) anthropogenic climate change (ACC) as grouped by high, medium, and low need for cognition (NFC). Bars marked “A” are significantly different from those marked “B” (P < 0.01).

With a correlation of r = 0.29 (R 2 = 0.09), NFC alone helps explain students’ acceptance of ACC (P < < 0.0001). With a correlation of r = 0.31 (R 2 = 0.10), NFC alone helps explain students’ acceptance of evolution (P < < 0.0001). With a correlation of r = 0.445 (R 2 = 0.20), students’ acceptance of ACC and evolution were significantly related (p < < 0.0001). These statistics are highly significant but, since R 2 must be near 1 for NFC to be the primary explanation of a student’s acceptance of a scientific concept, there must be other influences that can affect students’ acceptance of these issues.


Introdução

Heart failure (HF) is rapidly growing in prevalence, affecting over 5 million U.S. adults, with several hundred thousand more diagnosed each year (Mozaffarian et al., 2016 Ziaeian and Fonarow, 2016). HF accounts for 5% of all hospitalizations, with up to a quarter of those patients readmitted within 30 days (Krumholz et al., 2009 Bergethon et al., 2016). These hospitalizations result in significant economic and public health burden (Ziaeian and Fonarow, 2016). Given the chronicity of HF, it is critically important to identify risk factors for repeated hospitalizations.

Growing evidence links HF with a disease-specific (Leto and Feola, 2014), progressive decline in cognitive function (Van Den Hurk et al., 2011 Almeida et al., 2012 Hjelm et al., 2012), with nearly 3/4 of HF patients showing signs of possible cognitive impairment (Hoth et al., 2008). Increased severity of HF is associated with greater cognitive dysfunction (Hoth et al., 2008 Pressler et al., 2010), although there is some evidence to the contrary (Feola, 2013). Cognitive dysfunction has been associated with poor self-care (Leto and Feola, 2014) and low adherence to medication and treatment recommendations (Alosco et al., 2012b Hawkins et al., 2012 Agarwal et al., 2016 Huynh et al., 2016 Dolansky et al., 2017), potentially contributing to increased HF morbidity, hospitalization, and death (Agarwal et al., 2016 Huynh et al., 2016). Given the established impact of cognitive dysfunction on medical outcomes in HF, it is of particular interest to examine factors that interact to predict cognitive dysfunction in this population to better understand variables that increase risk for frequent hospitalization.

Elevated body mass index (BMI, weight in kg/height in m 2 ) is independently related to reduced performance on measures of learning, memory, executive function, and global cognition in otherwise healthy individuals (Stanek et al., 2011 Dye et al., 2017). More than 40% of HF patients are obese (Kapoor and Heidenreich, 2010) and obesity may exacerbate cognitive deficits in the HF population (Alosco et al., 2012a, 2014c). However, the way in which elevated BMI interacts with HF severity to promote cognitive dysfunction is unclear.

In healthy individuals, anxiety and depression are also independently associated with poorer cognitive function (McDermott and Ebmeier, 2009 Rock et al., 2014 Snyder et al., 2015 Shields et al., 2016). Psychological distress is quite prevalent in HF, with depression affecting up to 60% of patients (Yohannes et al., 2010) and up to 55% of patients demonstrating elevated anxiety (Easton et al., 2016). Both depression and anxiety in HF are risk factors for reduced quality of life, poor self-care, and higher rates of hospitalization and mortality (Yohannes et al., 2010 Sherwood et al., 2011 Kato et al., 2012 Ketterer et al., 2014 Suzuki et al., 2014 Alhurani et al., 2015 Tovar et al., 2016). While a growing literature demonstrates a relationship between depression and cognitive dysfunction in cardiovascular disease in general (Armstrong et al., 2018), and HF in particular (Foster et al., 2011 Garcia et al., 2011 Alosco et al., 2014a Hawkins et al., 2015a), it is unknown how anxiety impacts cognitive function in HF. A better understanding of mechanisms through which depression and anxiety may interact with HF severity to exacerbate cognitive dysfunction is an important step toward improving self-care and outcomes for this patient population.

It is essential to identify risk factors for poor self-care and repeated hospitalizations among HF patients. By investigating relationships among obesity, depression, anxiety, EF%, and cognitive function in HF, we can identify potential targets for cognitive and behavioral health treatment and contribute to improved quality of life for this population. While evidence suggests that obesity, psychological distress, and HF severity are independently related to cognitive dysfunction in HF, the current study aimed to address gaps in the literature by examining the interactive relationship between these variables. It was hypothesized that obesity and psychological distress would be related to reduced cognitive function, potentially interacting with HF severity.


ORIGINAL RESEARCH article

  • 1 Department of Psychology, Babeş-Bolyai University, Cluj-Napoca, Romania
  • 2 Department of Organisation, Open University of the Netherlands, Heerlen, Netherlands

Various factors pertaining to the social context (availability of plausible social contacts) as well as personality traits influence the emergence of social ties that ultimately compose one’s personal social network. We build on a situational selection model to argue that personality traits influence the cognitive processing of social cues that in turn influences the preference for particular social ties. More specifically, we use a cross-lagged design to test a mediation model explaining the effects of need for cognition (NFC) on egocentric network characteristics. We used the data available in the LISS panel, in which a probabilistic sample of Dutch participants were asked to fill in surveys annually. We tested our model on data collected in three successive years and our results show that people scoring high in NFC tend to revolve in information-rich egocentric networks, characterized by high demographic diversity, high interpersonal dissimilarity, and high average education. The results also show that the effect of NFC on social network characteristics is mediated by non-prejudicial judgments.

“No man is an island, entire of itself”
(Jon Donne, 1624)


Métodos

Assuntos

This study was supported by the National Pillar Program of the China Ministry of Science and Technology (CMST) (project number: 2009BAI77B03). The programme was a series of multicentric studies performed in Shanghai, Beijing, Hefei, Nanchang, Ningbo, Xi’an and Hangzhou from 2011 to 2012.13 Participants were enrolled meeting the following criteria for inclusion in the study: (1) Han Chinese, ≥60 years old (2) no major physical conditions, including nervous system diseases or unstable, acute or life-threatening medical diseases and (3) no deafness or blindness, to be able to complete the research. Individuals with a history of mental disease or other disorders that could affect cognitive function were excluded. Prior to the study, all subjects signed consent forms.

A total of 2214 subjects were included in this study (napping: n=1534, non-napping: n=680). Participants underwent a series of screening assessments including medical history, physical and neurological examinations, and cognitive assessments. All subjects were assessed by clinical physicians to diagnose whether they had dementia or not through face-to-face interviews. All the examining physicians accepted the compulsory training about cognitive function assessments. Out of the subjects, 739 individuals accepted blood tests (napping: n=428 non-napping: n=311). The subjects were divided into two groups based on their napping history. The flowchart is shown in figure 1.

Research flowchart. This picture describes our research process, criteria for enrolment and the subjects eventually included in the study.

Napping characteristics

We defined afternoon napping as periods of inactivity of at least five consecutive minutes scored as sleep (inactivity) after lunch outside of the main sleep schedule.10 14 Participants responded to items concerning habitual napping. One item asked, “… did you take naps after lunch which lasted at least 5 minutes and no more than 2 hours?” (responses: “yes”, “no”). We coded participants who never napped as “non-napping” and those who napped as “napping”. Participants who reported napping were asked additional nap-related questions which was, “On average, how often did you take naps during a week”. We then categorised the napping participants by nap frequency: once a week (rarely), 1–3 times (some days), 4 to 6 times (most days), or 7 times (every day). Individuals with uncertain napping conditions were excluded.

Cognitive assessments

The Beijing version of the Montreal Cognitive Assessment (MoCA)15 and Mini-Mental State Examination (MMSE)16 were used to measure cognitive function. These screening tests consisted of 30 items that measured multiple cognitive domains (including visual space, memory, naming, attention, calculation, abstract, orientation and language function). The MoCA test contained more attention-executive items than the MMSE. MoCA was sensitive to detect mild cognitive impairment, and MMSE was suited to distinguish dementia. The Chinese version of the Neuropsychological Test Battery (NTB) was also used in the study,17 which detected digit span, auditory verbal learning, associative learning, visual retention, language fluency, mapping and a test with blocks.

Demographic characteristics

Demographics, lifestyle, physical illness, and nighttime sleep duration were obtained on CMST enrolment. CMST also classified the educational attainment as illiteracy, primary school, junior high school, high school, or technical secondary school, University or above. Lifestyle components which included drinking, smoking and physical diseases including hypertension and diabetes were all recorded.

Measurement of blood indexes

Following an overnight fasting period (≥12-hour fasting duration, peripheral blood samples were collected from 7:00 to 9:00. CAT Serum Sep Clot Activator tubes and anticoagulant tubes were used to assay lipid profile including cholesterol (CHOL), low-density lipoprotein (LDL), high-density lipoprotein (HDL) and triglyceride fatty acid (TG) in the Shanghai Mental Health Center.

Análise de dados

Demographics and night sleep were analysed using a general linear model test (GLM) for continuous variables and a χ 2 test for the categorical variables between different groups. The distinguishing factors between the two groups signed with (*) in table 1 were regressed including age. Cognitive scores were analysed using one-way analysis of variance, while the blood indexes were analysed using general linear models and compared across groups after adjusting for distinguishing factors. Stepwise linear regression analysis was employed using cognitive scores as dependent variables, and sex (male/female), age (years), education (years), napping (Y=1/N=2), napping frequency (once a week=1, 1–3 times=2, 4 to 6 times=3, everyday=4), diabetes (Y/N) and hypertension (Y/N) as independent variables(Y: yes, N: no). SPSS V.17.0 software with a two-tailed p value of 0.05 was used for all of the statistical analyses.

Demography and cognitive scores of the subjects in the ageing Han Chinese population


Avoidance of uncertainty or ambiguity

People adopt certain mindsets, cognitive styles, and dispositions because they satisfy psychological needs and motives such as need for closure, order, structure, and avoidance of uncertainty or ambiguity. [3] Individuals who endorse far right ideology often have an increased desire for obedience to authority, order, purity, familiarity, structure, and a rigid worldview mentality. [4] Particularly, they tend to adhere to a worldview that is based on authoritarianism and hierarchy between social groups. [5] This is further reflected in their psychological profile, which is more reflective of the desire for group-based dominance and subjugation (including women’s subordination), traditionalism, and social inequality. [6] The tendency to dominate and subjugate disadvantaged and minority groups is particularly expressed in anti-immigrant and xenophobic stances, strong preference for an ethnically, culturally and/or racially homogeneous population, and prejudice against minorities. [7] Moreover, the motive to see social groups arranged along a superiority-inferiority dimension is typically more pronounced among people holding far right beliefs, and hence they are less tolerant of LGBTQ communities, ethnic and racial minorities, women, and generalized prejudice towards low-status groups (e.g., the homeless and disabled). [8]


How need for cognition and perceived control are differentially linked to emotional outcomes in the transition to retirement

This study contrasts how need for cognition and perceived control relate to positive and negative affect in 351 adults experiencing the transition to retirement (age range 44–79 years, M = 60). Structural equation modeling was used to identify significant pathways between exogenous variables of conscientiousness, openness, and education to need for cognition, and between neuroticism and health to perceived control. Need for cognition and perceived control emerged as separate and distinct forms of motivation, contributing to positive and negative affect in this model through differing patterns and to different degrees. Mediators between need for cognition and positive affect were frequency of cognitive activity and problem-focus coping. Perceived control had direct effects on positive and negative affect and indirect effects through cognitive activity on positive affect. The model helps to explain some of the psychological mechanisms instrumental in successful adaptation to change in adulthood. The dispositional motivation of need for cognition is described as a character strength with unique predictive value for older adults.

This is a preview of subscription content, access via your institution.


Método

Respondents

Data were collected by a commercial market research agency (GfK see www.gfk.com), as the first wave in a longitudinal study. Respondents were drawn from an existing panel for which respondents voluntarily registered. The research complies with the Netherlands Code of Conduct for Scientific Practice and the Social Sciences Ethics Committee of Wageningen University waived the need for ethical consent. There were no misleading questions in the survey, and the questions did not cause discomfort to respondents. The participants opted into this study that was conducted online through the market research agency GfK. The authors did not have access to any identifying information about the participants as GfK anonymized and de-identified all data prior to author access.

As the socio-demographic information of panel members is known to the research agency, the panel allows for stratified random sampling of a nationally representative sample on gender, age, and education level of the Netherlands. The panel consists of approximately 12,000 respondents, who are repeatedly invited to participate in studies. The panel is maintained through a range of sampling techniques, taking care that the panel remains representative for the population. Agreement to join the panel is between 10% and 35% among those invited about 20% of panel members are replaced each year. Data were collected in the Netherlands between 16 October and 6 November 2012. The research agency approached a gross sample of 2500 respondents from their panel, of whom 1907 participated (response rate of 76%). Of these, 51% were male, 28% have a low education level (primary school, vocational education), 45% have an intermediate (secondary vocational education), and 27% have a high education level (university of applied sciences, or university). The mean age of respondents was 43 years (SD = 13.2 years, age range 18–65 years).

Inspection of responses on all variables showed highly unlikely response patterns for 37 respondents, who had zero variance on all variables. These 37 respondents were removed prior to analyses (valid N = 1870). After removing these respondents, no further univariate and multivariate outliers were detected.

Projeto

Respondents judged a total of four applications. Each respondent was asked to rate both familiar (non-nanotechnology) applications and the related unfamiliar (nanotechnology) applications. In addition, each respondent was asked to judge applications from two out of four application domains (either water and energy, or medicine and food). Within each application domain, two different applications were specified. Each respondent judged in total four of the sixteen available applications, as an incomplete repeated measures factor across four domains. The combinations of stimuli as presented to groups of respondents can be found in Table 1.


Descrição

Classical Test Theory
Classical Test Theory [Spearman, 1904, Novick, 1966]focuses on the same objective and before the conceptualization of IRT it was (and still being) used to predict an individual’s latent trait based on an observed total score on an instrument. In CTT, the true score predicts the level of the latent variable and the observed score. The error is normally distributed with a mean of 0 and a SD of 1.

Item Response Theory vs. Classical Test Theory

IRT Assumptions

1) Monotonicity – The assumption indicates that as the trait level is increasing, the probability of a correct response also increases2) Unidimensionality – The model assumes that there is one dominant latent trait being measured and that this trait is the driving force for the responses observed for each item in the measure3) Local Independence – Responses given to the separate items in a test are mutually independent given a certain level of ability.4)Invariance – We are allowed to estimate the item parameters from any position on the item response curve. Accordingly, we can estimate the parameters of an item from any group of subjects who have answered the item.

If the assumptions hold, the differences in observing correct responses between respondents will be due to variation in their latent trait.
Item Response Function and Item Characteristic Curve (ICC)

IRT models predict respondents’ answers to an instrument’s items based on their position on the latent trait continuum and the items’ characteristics, also known as parameters.Item response function characterizes this association.The underlying assumption is that every response to an item on an instrument provides some inclination about the individual’s level of the latent trait or ability. The ability of the person (θ) in simple terms is the probability of endorsing the correct answer for that item.As such, the higher the individual’s ability, the higher is the probability of a correct response. This relationship can be depicted graphically and it’s known as the Item Characteristic Curve. As is shown in the figure, the curve is S-shaped (Sigmoid/Ogive). Furthermore, the probability of endorsing a correct response monotonically increases as the ability of the respondent becomes higher. It is to be noted that theoretically, ability (θ) ranges from -∞ to +∞, however in applications, it usually ranges between -3 and + 3.

Item Parameters

As people’s abilities vary, their position on the latent construct’s continuum changes and is determined by the sample of respondents and item parameters. An item must be sensitive enough to rate the respondents within the suggested unobservable continuum.


Item Difficulty (bi) is the parameter that determines the manner of which the item behaves along the ability scale. It is determined at the point of median probability i.e. the ability at which 50% of respondents endorse the correct answer. On an item characteristic curve, items that are difficult to endorse are shifted to the right of the scale, indicating the higher ability of the respondents who endorse it correctly, while those, which are easier, are more shifted to the left of the ability scale.

Item Discrimination (ai) determines the rate at which the probability of endorsing a correct item changes given ability levels. This parameter is imperative in differentiating between individuals possessing similar levels of the latent construct of interest. The ultimate purpose, for designing a precise measure is to include, items with high discrimination, in order to be able to map individuals along the continuum of the latent trait. On the other hand, researchers should exercise caution if an item is observed to have a negative discrimination because the probability of endorsing the correct answer shouldn’t decrease as the respondent’s ability increases. Hence, revision of these items should be carried out. The scale for item discrimination, theoretically, ranges from -∞ to +∞ and usually doesn’t exceed 2 therefore realistically it ranges between (0,2)

Guessing (ci) Item guessing is the third parameter that accounts for guessing on an item. It restricts the probability of endorsing the correct response as the ability approaches -∞.

Population Invariance In simple terms, the item parameters behave similarly in different populations. This is not the case when following the CTT in measurement. As the unit of analysis is the item in IRT, the location of the item (difficulty) can be standardized (undergo linear transformation) across populations and thus items can be easily compared. An important note to add is that even after linear transformation, the parameter estimates derived from two samples will not be identical, the invariance as the name states refers to population invariance and so it applies to item population parameters only.

IRT Model Types

Unidimensional ModelsUnidimensional models predict the ability of items measuring one dominant latent trait.
Dichotomous IRT Models
The dichotomous IRT Models are used when the responses to the items in a measure are dichotomous (i.e. 0,1)

The 1- Parameter logistic model

The model is the simplest form of IRT models. It is comprised of one parameter that describes the latent trait (ability – θ) of the person responding to the items as well as another parameter for the item (difficulty). The following equation represents its mathematical form:

The model represents the item response function for the 1 – Parameter Logistic Model predicting the probability of a correct response given the respondent’s ability and difficulty of the item. In the 1-PL model, the discrimination parameter is fixed for all items, and accordingly all the Item Characteristic Curves corresponding to the different items in the measure are parallel along the ability scale. The figure shows 5 items, the one on the furthest right is the hardest and would be probably endorsed correctly by those with a higher ability.

Test Information Function

§ It is the sum of probabilities of endorsing the correct answer for all the items in the measure and therefore estimates the expected test score.
§ In this figure, it the red line depicts the joint probability of all 5 items (black)

The Item Information Function
Shows you the amount of information each item provides and it is calculated by multiplying the probability of endorsing a correct response multiplied by the probability of answering incorrectly.

It is to be noted that the amount of information at a given ability level is the inverse of its variance, hence, the larger the amount of information provided by the item, the greater the precision of the measurement. As item information is plotted against ability, a revealing graph depicts the amount of information provided by the item. Items measured with more precision, provide more information and are graphically depicted to be longer and narrower, compared to their counterparts that provide lesser information. The apex of the curve corresponds with the value of bi – the ability at the point of median probability. The maximum amount of information provided would be given when the probability of answering correctly or wrongly are equal, i.e. 50%. Items are most informative among respondents that represent the entire latent continuum and especially among those who have a 50% chance of answering either way.

Estimating Ability
The assumption of local independence, states that item responses should be independent and only associated via the ability. This allows us to estimate the individual response pattern’s likelihood function for the measure administered by multiplication of the item response probabilities. Next, through, an iterative process, the maximum likelihood estimate of ability is calculated. Simply, the maximum likelihood estimate provides us with the expected scores for each individual.

The Rasch Model vs. 1- Parameter Logistic Models
The models are mathematically equal, however, the Rasch Model constrains the Item Discrimination (ai) to 1, while the 1-Parameter logistic model strives to fit the data as much as possible and does not limit the discrimination factor to 1. In the Rasch Model, the model is superior, as it is more concerned with developing the variable that is being used to measure the dimension of interest. Therefore, when constructing an instrument fitting, the Rasch Model would be best, improving the precision of the items.

The 2- Parameter Logistic Model


The two parameter logistic model predicts the probability of a successful answer using two parameters (difficulty bi & discrimination ai).
The discrimination parameter is allowed to vary between items. Henceforth, the ICC of the different items can intersect and have different slopes. The steeper the slope, the higher the discrimination of the item, as it will be able to detect subtle differences in the ability of the respondents.

The Item Information Function

As is the case with the 1-PL Model, the information is calculated as the product between the probability of a correct and an incorrect response. However, the product is multiplied by the square of the discrimination parameter. The implication is that, the larger the discrimination parameter, the greater the information provided by the item. As the discriminating factor is allowed to vary between items, the item information function graphs can look different too.

Estimating Ability
With the 2-PL Model, the assumption of local independence still holds, and the maximum likelihood estimation of the ability, is used. Although, the probabilities for the response patterns are still summed, they are now weighted by the item discrimination factor for each response. Their likelihood functions, therefore, can differ from each other and peak at different levels of θ.

The 3 – Parameter logistic model


The Model predicts the probability of a correct response, in the same manner as the 1 – PL Model and the 2 PL – Model but it is constrained by a third parameter called the guessing parameter (also known as the pseudo chance parameter), which restricts the probability of endorsing a correct response when the ability of the respondent approaches -∞. As respondents reply to an item by guessing, the amount of information provided by that item decreases and the information item function peaks at a lower level compared to other functions. Additionally, difficulty is no longer demarcated at median probability. Items answered by guessing, indicate that the respondent’s ability is lesser than its difficulty.

Model Fit
One way to choose which model to fit, is to assess the model’s Relative fit through its Information criteria. AIC estimates are compared and the model with the lower AIC is chosen. Alternatively, we can utilize the Chi-squared (Deviance) and measure the change in 2*loglikelihood ratio. As it follows a chi-square distribution, we can estimate if the two models are statistically different from each other.

Other IRT Models

Include models that handle polytomous data, such as the graded response model, and the partial credit model. These models, predict the expected score for each response category. On the other hand, other IRT models like the nominal response models, predict the expected scores of individuals answering items with unordered response categories (e.g. Yes, No, Maybe). In this brief summary, we focused on unidimensional IRT models, concerned with the measurement of one latent trait, however these models wouldn’t be appropriate in the measurement of more than one latent construct or trait. In the latter case, use of multidimensional IRT models is advised. Please see the resource list below for more information about these models.

Applications

IRT models can be applied successfully in many settings that apply assessments (education, psychology, health outcome research, etc.). It can also be utilized to design and hone scales/measures by including items with high discrimination that add to the precision of the measurement tool and lessens the burden of answering long questionnaires. As IRT model’s unit of analysis is the item, they can be used to compare items from different measures provided that they are measuring the same latent construct. Furthermore, they can be used in differential item functioning, in order to assess why items that are calibrated and test, still behave differently among groups. This can lead research into identifying the causative agents behind differences in responses and link them to group characteristics. Finally, they can be used in Computerized Adaptive Testing.


Referências

American Psychological Association, Center for Workforce Studies. (2008). 2008 APA Survey of Psychology Health Service Providers.

Karel, M. J., Gatz, M., & Smyer, M. A. (2012). Aging and mental health in the decade ahead: What psychologists need to know. American Psychologist, 67, 184-198. doi:10.1037/a0025393

Knight, B. G., Karel, M. J., Hinrichsen, G. A., Qualls, S. H., & Duffy, M. (2009). Pikes Peak model for training in professional geropsychology. American Psychologist, 64(3), 205-214. doi:10.1037/a0015059


This article originally appeared in the Fall Journal from the California Psychology Licensing Board.


Assista o vídeo: Distribuição da população no mundo ENEM VIDEO AULA (Julho 2022).


Comentários:

  1. Percy

    Só isso é necessário. Um tema interessante, vou participar. Eu sei, que juntos podemos chegar a uma resposta certa.

  2. Voodootaxe

    Feliz Natal parabenizando,

  3. Terrence

    Sua ideia é muito boa

  4. Tziyon

    Eu entro. E eu me deparei com isso. Vamos discutir esta questão. Aqui ou no PM.

  5. Blar

    Eu acho que você está errado. Vamos discutir. Envie -me um email para PM, vamos conversar.

  6. Lanu

    .Raramente. Você pode dizer essa exceção :) das regras



Escreve uma mensagem