2012年7月5日,星期四

AP101简报13:CHC一致的学术才能集群:回到未来


这是先前标题下发布的一组分析的延续  在SLD上下文中实现智能测试的可视化图形工具: 形成性概念和工具.  建议您阅读上一篇文章,以获得必要的背景和上下文,这里不再赘述。

第三 method SLD识别方法 (POSW; 优势模式 weaknesses主要由 弗拉纳根and colleagues, 以及 海尔及其同事和纳格列里 (see 弗拉纳根& Fiorrello, 2010 以进行概述和讨论)。 这些POSW第三种方法SLD模型的中心概念是,具有可能的SLD的个人必须显示出经验或理论上证明与该人缺乏的成就领域最相关的认知能力的认知缺陷。 也就是说,个人的认知缺陷与个人的学术缺陷是一致或一致的,在其他认知/成就优势的背景下,则表明在非SLD领域的优势。 我经常将其称为 特定领域或能力和成就的综合体。

这些模型中固有的是 才能-成就的一致性或一致性.  重要的是要注意,才智是 与一般智力或智商相同。 在这种情况下,才智借鉴了已经存在了数十年的历史/传统才智概念。 理查德·斯诺和同事 (IMHO)撰写了有关此能力定义的最佳信息。 能力包括 认知的和服的 一个人的特征(请参阅 超越智商项目).  但是对于这个特定的职位,我仅关注能力的认知部分,简单来说,这代表了特定的CHC狭义或广义认知能力的最佳组合,这些能力与特定狭义或广泛认知中的成功高度相关成就领域。

与不同成就领域最相关的CHC狭窄或广泛能力是什么? 该信息由Flanagan及其同事(以各种形式 跨电池书籍和章节),最近在结构化的实证研究中 麦格鲁和温德林(2010).  这些基于CHC的COG-ACH关系摘要为评估专业人士提供了有关特定的广泛或狭窄的CHC能力的信息,这些能力与sudomain在阅读和数学以及写作方面的影响最大。 此外,McGrew和Wendling(2010)的综合报告提供了有关发展考虑因素的信息-也就是说,CHC能力对于不同成就领域的相对重要性随年龄的变化而变化。 McGrew和Wendling(2010)给出了三个年龄段(6-8岁; 9-13岁; 14-18岁)的研究结果。

在这种情况下,我进行了一系列分析(请参阅上面提到的第一篇文章作为推荐的背景读物g)以McGrew和Wendling(2010)的发现作为初始起点,并使用逻辑,经验和理论方面的考虑来确定两个示例性成就领域在相同三个年龄组中的最佳WJ III认知测验预测指标集。 从那以后,我就确定了两个成就领域(基础阅读技巧-BRS;数学推理-MR)中最好的认知预测器。 然后,我在WJ III NU规范数据中进行了每组精心选择的预测变量测试,并针对6岁至18岁之间的每个年龄段运行了多个回归模型。 我保存了每个预测变量的标准化回归系数, 按年龄绘制它们。绘制的原始标准化系数显示出清晰的系统发展趋势,但由于采样误差而出现明显的“反弹”。 因此,我使用非线性平滑函数生成了平滑曲线...该平滑曲线代表总体参数的最佳估计。 这项技术先前已用于探索WJ-R / WJ III集群与成就之间关系的各种研究中(请参见 麦格鲁(1993) and McGrew和Wrightston,1997年 举例说明和方法说明)。 以下是用于预测WJ III基本阅读技能群集的两个重要预测指标(言语理解;视觉听觉学习)的原始标准化系数和平滑曲线的图。 [点击图片放大]。显然,口头理解和视听学习的相对重要性随着年龄的增长而系统地增加/减少。

接下来的两个图显示了基于CHC的能力倾向聚类的最终平滑结果,用于预测《 WJ III基本阅读技能》和《数学推理》聚类。

查看两个数字后,可以讨论很多内容。 以下是一些评论和想法。
  • 我所说的组成 CHC 一致的学术才能集群 进行理论和经验(CHC-->ACH研究综合)的意义。例如,在BRS和MR中,Gc-LD / VL能力(言语理解力)在所有年龄段都是显着的,并且随着年龄的增长,重要性逐渐增加。 在BRS中,视觉听觉联想记忆(Glr-MA; Vis-Aud。Learning)在学年早期(6至9岁)非常重要,但随后在预测模型中不再重要。 在MR模型中找不到此功能(测试)。  Gf 能力(定量推理-RQ,数字矩阵;通用顺序推理-RG,分析-综合)在各个年龄段对于预测数学推理成绩都很重要。 实际上,两者的相对重要性都随着年龄的增长而增加,特别是对于Gf-RQ(数字矩阵)的度量。 这两个Gf测试在BRS图中找不到。 相反, Ga能力(声音融合;声音意识)在BRS模型中很重要。 Gs 和 GSM -WM (一般领域 认知效率变量)同时存在于BRS和MR模型中。
  • 与WJ III通用智力能力(GIA-Std)集群相比,CHC一致的学力才能集群的解释方差量(多个R平方;图中的表)更高。.  在MR的最老年龄尤其如此。 当然,由于多重回归的性质,这些值会利用机会因素,并且在独立样本交叉验证中可能会有所缩小(是的...我可以将样本分成两半以进行开发,然后交叉验证模型。 。但我没有)。 
  • 这些按年龄划分的图比McGrew提供了更精确的CHC能力与成就之间关系的发展性质的图。&Wendling(2010)和Flanagan及其同事评论。 这些发现表明,在选择针对推荐人的选择性评估的测试时(请参阅McGrew&温德林(Wendling),2010年)至关重要的是,审查员必须了解CHC-ACH关系研究的发展性。 一些特定的狭窄CHC测试显示了各个年龄段的如此巨大变化,这一事实表明: 那些实施基于CHC的能力达成一致SLD模型的人员在确定应为一致性模型的能力部分检查哪些CHC能力时,必须谨慎,不要使用“一刀切”的方法。  在某些年龄级别可能非常重要的能力在其他年龄级别可能不重要(例如,在WJ III BRS才能集群中进行的Vis-Aud。学习)。 
  • 以上结果进一步证实了McGrew的结论&Wendling(2010)指出,要开发更多以“智能”为参照对象的选择性评估策略,需要认识到这一过程需要对 CHC 能力X Ach域X年龄的三向交互 (发展状况)
这些结果表明,智力评估领域,特别是在与教育有关的评估方面,应“回到未来。"  1977年的WJ和1989年的WJ-R电池都包括学术能力组(SAPT; 点击这里 读取McGrew的两本WJTCA书中的相关精选文本)作为WJ / WJ -R 的一部分 务实的决策差异模型.  特别是,请参阅 I型能力成就差异 第二个特征。 





WJ 和WJ-R SAPT 是整个范本样本中四个最佳预测测试的差分加权组合。 请参阅下面的两个图,它们显示了使用的加权方案。 由于现在缺乏计算机化的标准表和评分功能,因此所有年龄段均使用了一套平均测试权重。

[WJ SAPT 权重]




 As I 写于1986年 ,“ 由于其权重系统的差异,WJTCA的“学术能力”集群应提供一些在心理教育评估领域可获得的最佳课程特定的期望信息。”(第217页)。 伍德洛克(1984)),以捍卫SAPT 学校心理学评论明确指出,这些集群的组成是为了进行最佳的能力-成就比较。 He stated that "四个学业能力分类中的每一个所包含的认知技能的混合代表了与那些可以从WJ认知子测验中获得的成就技能的最佳匹配”(第359页)。 但是,当时WJ SAPT 的价值并未得到充分的重视,这在很大程度上是由于IQ-ACH差异模型限制了评估专业人员按计划使用这些度量(McGrew,1994)。 不幸的是,这导致他们在WJ III中被淘汰,并被预测成绩(PA)选项取代,该选项根据基于WJ III的七个独立测试的基于年龄的最佳权重,提供了特定成就领域的成就预测GIA-Std群集。 尽管绩效评估的指标比GIA-Std更有效,更强,但基于PA的方法从未引起许多评估专家的关注……出于多种原因(此处未涵盖)。

正如我在1994年重申的那样,在讨论WJ-R SAPT (与以前相同的链接)时,“ WJ TCA-R差分智能集群的目的是提供对 当前 成就水平。 如果一个人在测量与特定成就领域相关的认知能力的个人测试中得分较低,并且这些测试包括在能力倾向集群中,那么该人当前的成就期望也应降低。 比起WJTCA-R或其他测试得出的任何基础广泛的得分,较窄的WJTCA-R不同的能力簇将更准确地传达此预期信息”(第223页)。

最初的WJ和WJ-R SAPT 是 作为一致性/一致性概念的一个明确定义的综合SLD识别模型的一部分,Flanagan等人,Hale等人和Naglieri最终提出了这种方法。 它们是作为更一般的心理教育的一部分提出的 务实的决策模型.  但是,很明显,WJ和WJ-R SAPT 领先于他们的时代,因为它们在哲学上与当代第三种方法的能力实现一致性/一致性组件的能力部分保持一致 SLD 楷模.  In a sense, the field has now caught up with the WJ /WJ-R operationalization of 才能 clusters 和 they would now serve an important role in the 才能-consistency SLD 模型。 我认为,它们代表了可操作的最佳可用衡量方法 特定领域的才能 for different 成就 domains, which is 在 the heart of the new SLD 模型。

是时候让SAPT回来了...回到未来...as the logic of their design is a nice fit with the 才能 component of the 才能-achievement consistency/concordance SLD 模型。 现在该领域已准备好进行此类概念化和开发的措施。


但是,现在可以通过本(和之前)帖子中介绍的方法和分析来改进原始概念。 它们可以通过两种方法进行改进:

1.   CHC 一致的能力倾向集群(又名CHC设计者能力倾向).  Creating  4-5个测试集群是成就子域的最佳预测指标 应该利用现有的CHC COG->选择初始测试池以包含在预测模型中时的ACH关系文献.  现有的研究文献还应指导最终模型中变量的选择...不应让模型受预测的原始经验驱动。 这与WJ和WJ-R SAPT S不同,WJ和WJ-R SAPT S主要是基于经验标准(组合预测最大的成就差异)而设计的,尽管通过事后CHC镜头观察时,其构成通常具有相当大的理论意义。

2.  提供不同CHC SAPT 中测试的基于年龄的发展权重.  WJ III的作者通过WJ III计算机评分软件实施了一种构建基于年龄的差分加权GIA g分数的方法时,提供了必要的创新以使其成为可能。 相同的技术可以很容易地应用于权重不断变化的CHC设计的SAPTS的开发(根据上述模型中的平滑曲线)。 该技术可用。

最后,我完全认识到,使用增量方差分区多元回归方法开发基于CHC的SAPT的过程存在很大的局限性。 In other papers (g +特异 使用SEM因果模型进行能力研究)我一直对这种方法持批评态度。 该方法在此处以“智能”方式使用.....预测因子的初始库的选择受CHC COG-ACH现有文献的指导,并且不允许变量盲目地进入最终模型。 本文(和之前的文章)的目的是证明设计CHC一致的学术才能集群的可行性。 我正在用其他方法进行其他分析,以扩展和改进这套形成性分析和结果。

建造它,他们就会来。



没意见: