Gv（视觉空间）能力很重要：STEM相关研究

尽管发现主要的个人IQ测验中的Gv测验始终未能证明与标准化成绩测验之间具有很强的相关性，但临床经验和其他研究继续表明，强大的Gv测验能力与复杂的更高层次的科学，技术领域的表现相关，工程和数学。 我们在应用IQ测试开发中只需要针对这些特定的Gv能力开发更好的度量标准，或者认识到我们当前的依存成绩测试变量无法利用这些专业知识领域。  鲁宾斯基（Lubinski）的更多信息。

Lubinski，D.（2010年）。空间能力和STEM：沉睡中的人才识别和发展巨人。
人格与个体差异，49（4）344-351。 （点击这里阅读更多)

空间能力是个体差异的有力系统来源，在复杂的学习和工作环境中已被忽略；在对专业知识和创造力发展的建模中也被忽略了。然而，超过50年的纵向研究记录了空间能力在教育和职业环境中所扮演的重要角色，在其中，对人物，图案和形状的复杂推理至关重要。鉴于当今信息时代发展STEM（科学，技术，工程和数学）人才的推动力，有机会强调空间能力的心理意义。这样做可能会为按能力进行交互和安德伍德的研究提供参考’s（1975）提出利用个体差异作为理论建构的坩埚的想法。将空间能力纳入用于高级学习机会的人才鉴定程序中，发现了人才储备不足，无法满足不断发展的技术世界的复杂需求；此外，在不考虑空间能力的情况下选择STEM中的进阶学习机会的学生可能是医源性的。
文章大纲

1.空间能力和STEM：数十年的纵向研究
2.早熟的青年
3.讨论
4.更广泛的心理含义

Technorati标签： 心理学, 学校心理学, 发展心理学, 教育心理学, 法医心理学, 神经心理学, 特殊教育, 情报, 认知能力, 认识, 智力理论, CHC理论, CHC, 卡特尔·洪·卡罗尔, 情报, 认识, 智商, 智商测试, Gv, 视觉空间, 视觉处理, 干, 科学, 工程, 技术, 数学

量子角：层次线性建模（HLM）入门

当越来越多的应用期刊发表文章时，我向复杂的统计方法介绍较少的面向统计的读者时，我很喜欢它，因为我经常发现这些“傻瓜的量化解释”是对复杂统计方法的出色介绍。 今天我发现 资优儿童季刊 已发布了由两部分组成的简短文章系列，为您提供了不错的介绍 HLM. 我从未运行过HLM模型，因此我发现简介非常有帮助。 如此之多，以至于我可能会在一些合适的数据集上运行一些HLM，而我只是看到它起作用。

以下是这两篇文章。  Enjoy.  Kudos to GCQ 和 麦考奇博士.

麦考奇（D.B.& Adelson, J. L. 处理依赖性（第1部分）： 了解集群数据的影响。  资优儿童季刊，54（2）152-155。

本文从概念上介绍了有关聚类（嵌套）数据分析的问题。我们定义了类内相关系数（ICC）和设计效果，并解释了它们对标准误差的影响。当ICC大于0时，则设计效果大于1。在这种情况下，低估了独立性假设下产生的标准误差。这会增加I型错误率。我们简要说明了非独立性对标准误差的影响。我们表明，在考虑了设计效果之后，我们对测试统计量的统计显着性所做的决定会有所变化。当我们无法解释数据的聚类性质时，我们得出结论，两组之间的差异具有统计学意义。但是，一旦我们针对设计效果调整了标准误差，则差异不再具有统计显着性。

麦考奇（D.B.(2010). Dealing With Dependence (Part II): A 通用电器ntle Introduction to Hierarchical Linear
造型。 天才儿童季刊，54（3）252-256。

I在教育中，最自然发生的数据聚集在上下文中。学生聚集在教室内，教室聚集在学校内，学校聚集在地区内。当人们聚集在自然形成的组织单位（例如学校，教室或地区）中时，来自同一集群的人们的响应可能表现出某种程度的相互关联。分层线性建模的使用使研究人员可以针对这种非独立性进行调整和建模。此外，尝试了解同一集群中的人们彼此之间的相似程度，然后尝试找出有助于我们理解集群内部和集群之间差异的变量，可能具有巨大的实质意义。在HLM中，我们努力理解和解释感兴趣的结果变量的群内和群内变异性。我们还可以在个人级别（级别1）和上下文级别（级别2）上使用预测变量来解释因变量的方差。本文提供了一个使用实际数据集的简单示例，并逐步解释了简单的分层线性模型，以说明该技术的实用性。

Technorati标签： 心理学, 学校心理学, 发展心理学, 教育心理学, 法医心理学, 神经心理学, 特殊教育, 情报, 认知能力, 认识, 智力理论, 统计, HLM, 分层线性建模, 天才, 资优儿童季刊, quatoids角