Psychometric and Machine Learning Approaches to Reduce the Length of Scales.
Psychometric and Machine Learning Approaches to Reduce the Length of Scales.
复制标题
心理测量和机器学习方法可以减少量表的长度。
DOI：
10.1080/00273171.2020.1781585
复制
发表时间：
2021-11
影响因子：
3.8
通讯作者：
Gonzalez O
中科院分区：
文献类型：
--
作者：
Gonzalez O
简短的测量在心理学研究中很重要，因为它们减少了参与者的负担。研究人员可以从较长的措施中选择项目，以建立一个简短的形式或管理项目的参与者以前的反应条件。执行这些项目选择策略的研究人员要么专注于估计测量的精确分数（通常采用心理测量方法），要么专注于预测测量的分数（可能采用机器学习方法）。然而，目前尚不清楚心理测量和机器学习方法的得分如何相互比较。在本文中，以下四个统计方法来选择项目进行了审查和说明：项目反应理论建立静态简表，计算机自适应测试，遗传算法和回归树。这四种统计方法之间的理论优势和弱点进行了讨论，并考虑了心理测量学和机器学习领域之间的重叠。
Brief measures are important in psychology research because they reduce participant burden. Researchers can select items from longer measures either to build a short-form or to administer items conditional on a participant’s previous responses. Researchers who carry out these item selection strategies either focus on estimating a precise score on the measure (typically carried out in a psychometric approach) or on predicting the score on the measure (possibly taking a machine learning approach). However, it is unclear how scores from the psychometric and machine learning approaches compare to each other. In this paper, the following four statistical approaches to select items are reviewed and illustrated: item response theory to build static short-forms, computerized adaptive testing, the genetic algorithm, and regression trees. Theoretical strengths and weaknesses between these four statistical approaches are discussed, and the overlap between the areas of psychometrics and machine learning is considered.
登录
查看更多内容
影响因子：
4.8
作者：
De'Ath, G
通讯作者：
De'Ath, G
影响因子：
1.2
作者：
Choi SW;Swartz RJ
通讯作者：
Swartz RJ
影响因子：
3
作者：
BOCK, RD;AITKIN, M
通讯作者：
AITKIN, M
影响因子：
16.6
作者：
Eisenberg, Ian W.;Bissett, Patrick G.;Poldrack, Russell A.
通讯作者：
Poldrack, Russell A.
影响因子：
4.4
作者：
Carey, KB;Neal, DJ;Collins, SE
通讯作者：
Collins, SE