دانلود رایگان ترجمه مقاله ساختار مقیاس هوش وکسلر برای کودکان – Frontiersin 2016

Frontiersin

دانلود رایگان مقاله انگلیسی ساختار مقیاس هوشی وکسلر برای کودکان – نسخه چهارم در یک گروه از کودکان مبتلا به ADHD به همراه ترجمه فارسی

 

عنوان فارسی مقاله: ساختار مقیاس هوشی وکسلر برای کودکان – نسخه چهارم در یک گروه از کودکان مبتلا به ADHD
عنوان انگلیسی مقاله: Structure of the Wechsler Intelligence Scale for Children – Fourth Edition in a Group of Children with ADHD
رشته های مرتبط: روانشناسی و پزشکی، روانشناسی بالینی کودک و نوجوان، روانشناسی شناخت، روانپزشکی و سنجش و شناخت
فرمت مقالات رایگان مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF میباشند
کیفیت ترجمه کیفیت ترجمه این مقاله پایین میباشد 
نشریه Frontiersin
کد محصول f161

مقاله انگلیسی رایگان (PDF)

دانلود رایگان مقاله انگلیسی

ترجمه فارسی رایگان (PDF)

دانلود رایگان ترجمه مقاله

خرید ترجمه با فرمت ورد

خرید ترجمه مقاله با فرمت ورد
جستجوی ترجمه مقالات جستجوی ترجمه مقالات روانشناسی

 

 

بخشی از ترجمه فارسی مقاله:

بحث
یک هدف این مطالعه، بررسی قابلیت جر مدل WISC/ چهارساختار، مدل CHC/ پنج ساختار، مدل WISC/ مرتبه بالاتر، مدل CHC/ مرتبه بالاتر و مدل WISC/ دوساختار برای ۱۰ WISC- IV آزمون فرعی در یک گروه از کودکان مبتلا به ADHD بود. همانطور که پیش بینی شده، یافته های هر پنج مدل پشتیبانی شد. همبستگی بین ساختارها در مدل های WISC/ چهار- ساختار و CHC / پنج- ساختار همه بالا بودند (محدوده از ۰٫۴۲ تا ۰٫۸۱)، و ضرایب الگوی ساختار عوامل اصلی در عامل کلی در مدل های WISC/ ساختار مرتبه بالاتر و CHC/ ساختار مرتبه بالاتر نیز بالا بودند (محدوده از ۰٫۶۴ تا ۰٫۹۹). این نوع همبستگی بالا یک درجه بیشتر برای هر مدل WISC/ ساختار مرتبه بالاتر، مدل CHC/ ساختار مرتبه بالاتر یا مدل WISC/ دوساختار پیشنهاد می شود. بین این مدل ها، WISC/ مدل دوساختاری مناسبتر نشان داد. بنابراین با وجود تناسب برای تمام مدل های تست شده، مدل WISC/ دوساختاری را می توان بیشتر از مدل WISC/ ساختار مرتبه بالاتر، یا مدل CHC/ ساختار مرتبه بالاتر ترجیح داد.
مطابق با یافته های ما، مطالعات گذشته مربوط به کودکان مبتلا به ADHD نیز حمایت از مدل WISC/ چهار- ساختار (Styck و واتکینز، ۲۰۱۴؛ یانگ و همکاران، ۲۰۱۳؛ تالر و همکاران، ۲۰۱۵)، مدل CHC/ پنج– ساختار (تالر و همکاران، ۲۰۱۵)، و WISC/ مدل مرتبه بالاتر (Styck و واتکینز، ۲۰۱۴) را گزارش کرده اند. همچنین، مطالعات قبلی مربوط به ۱۰ مغز WISC آزمون فرعی با جامعه کلی، نمونه های مراجعه کننده به درمانگاه و کودکان با اختلالات یادگیری، مدل های WISC/ چهار- ساختار، WISC/ ساختار مرتبه بالاتر، و WISC/ دوساختار، با حمایت بهتر را پشتیبانی کرده اند (واتکینز و همکاران، ۲۰۰۶، ۲۰۱۳؛ واتکینز، ۲۰۱۰؛ Devena و همکاران، ۲۰۱۳؛ ناکانو و واتکینز، ۲۰۱۳؛ Canivez، ۲۰۱۴؛ Styck و واتکینز، ۲۰۱۶). برای همه ۱۵ آزمون فرعی، پشتیبانی نیز برای مدل CHC/ پنج ساختار و مدل CHC/ ساختار مرتبه بالاتر گزارش شده است (چن و همکاران، ۲۰۰۹؛ کیت و همکاران، ۲۰۰۶؛ Golay و همکاران، ۲۰۱۳).
برای WISC/ دوساختار در مطالعه حاضر، تمام آزمون های فرعی ضرایب الگوی ساختار را بطور آماری معنی دار و برجسته در ساختار کلی نشان داد. اگر چه هشت آزمون فرعی همچنین ضرایب آماری معنی دار و برجسته الگوی ساختار در ساختار خاص خود را دارند، در یک مفهوم مطلق، به جز دو آزمون فرعی نشان داده شده، تمام ضرایب الگوی ساختار بالاتر در کل از عوامل خاص بودند. مقادیر ECV برای ساختار کلی بسیار بالاتر از (۰٫۷۰) آن هم برای ساختار خاص (محدوده از ۰٫۰۰ تا ۰٫۱۲) بود. مقدار ω_h برای ساختار کلی در این مدل نیز بسیار بالاتر از (۰٫۸۱) نسبت به ساختار خاص (محدوده از ۰٫۰۲ تا ۰٫۴۳) بود. بنابراین، مدل WISC/ دوساختار را می توان یک مدل بهینه برای ساختار عاملی ۱۰ مغز آزمون فرعی WISC-IV نشان داد. این یافته ها همانطور که انتظار می رود بودند و در کل مطابق با داده های موجود مربوط به کودکان هستند (Devena و همکاران، ۲۰۱۳؛ واتکینز و همکاران، ۲۰۱۳؛ Canivez، ۲۰۱۴).
اگر چه یافته های ما مقایسه با داده های موجود هستند، آنها نیز داده های موجود را گسترش می دهند. این مطالعه اولین بار برای نشان دادن حمایت برای مدل WISC/ دوساختاری ۱۰ مغز آزمون فرعی WISC-IVدر یک گروه از کودکان مبتلا به ADHD است. اگر چه Styck و واتکینز (۲۰۱۴) راه حل قابل قبول مدل را نیافتند، یافته های حمایتی ما از این مدل به احتمال زیاد دقیق تر است. این امکان وجود دارد که اندازه نمونه (N=233) در مطالعه Styck و واتکینز (۲۰۱۴) ممکن است بیش از حد پایین برای این مدل تخمین زده شده باشد(با ۳۰ پارامترها برآورد شده باشد). یافته های ما نیز به احتمال زیاد بیشتر مربوط به ADHD از یافته های گزارش شده توسط Styck و واتکینز (۲۰۱۴) است. در حالی که Styck و واتکینز (۲۰۱۴) برای تجویز استفاده شده توسط شرکت کنندگان غربال نشدند، همه شرکت کنندگان در مطالعه حاضر با تجویز رایگان در زمان تست بودند. همچنین، Styck و واتکینز (۲۰۱۴) اشاره کردند که، تشخیص ADHD در مطالعه خود ممکن است به معیارهای تشخیصی استاندارد مانند در DSM- 5(انجمن روانپزشکی آمریکا [APA]، ۲۰۱۳) پیوسته باشد، همانطور که تشخیص اغلب دارای پیوستگی با قانون بهبود آموزش معلولیت به افراد (۲۰۰۴) است.
سومین یافته جدید در مطالعه حاضر در رابطه با چگونگی ساختارها در پیش بینی دوساختاری خواندن و عملکرد حساب کردن است. این یافته ها نشان داد که ساختار کلی و ساختار خاص WM پیش بینی توانایی خواندن و حساب کردن است. هیچ یک از ساختارهای خاص خواندن یا حساب کردن پیش بینی نشدند. این روابط اینچنین پیش بینی شده است. همانطور که این روابط برای کودکان مبتلا به ADHD مورد بررسی قرار نگرفت، این یافته ها جدید می باشند. لازم به ذکر است، با این حال، یافته های ما و تعبیر وارده از آن گزارش توسط Glutting و همکاران (۲۰۰۶) برای یک نمونه هنجاری متفاوت است. آنها گزارش دادند که FSIQ برای حدود ۶۰% از واریانس برای هر دو هم خواندن و هم حساب کردن و نمره شاخص مقیاس فرعی کمتر از ۱% واریانس در پیش بینی اختصاص داده شده اضافه شده است.
یافته های ما دارای پیامدهایی برای استفاده از WISC-IV در کودکان مبتلا به ADHD است. چنانچه ECV یک ساختار کلی را می توان به عنوان درجه ابعاد UNI ساختار کلی به ساختار خاص تفسیر کرد (Reise و همکاران، ۲۰۱۳a)، این یافته ها پشتیبانی استفاده از نمرات FSIQ، اما نه نمرات مقیاس فرعی را نشان می دهد. همچنینω_h اندازه گیری یک اعتبار پیوسته درونی (برونر و همکاران، ۲۰۱۲) است، یافته های ما سطح بالایی از دقت اندازه گیری شاخص FSIQ، و دقت کم برای نمرات مقیاس زیرمقیاس را نشان می دهد، در نتیجه اضافه کردن پشتیبانی بیشتر برای استفاده از نمره FSIQ و زیرمقیاس فرعی نمرات مقیاس نیست (Schwean و McCrimmon، ۲۰۰۸؛ فلاناگان و همکاران، ۲۰۱۳). در این رابطه، اگر چه یافته های ما نشان دادند که ساختار خاص WM پیش بینی توانایی های خواندن و حساب کردن، ECV کم آن و مقدارω_s (به ترتیب ۰٫۰۵ و ۰٫۱۷) معنی می دهد که پیش بینی این ساختار ممکن است تفسیر بشود. به طور کلی، می توان گفت که تجزیه و تحلیل مشخصات که با هدف نقاط قوت عنوان خاص و ضعیف بر اساس اختلاف در نمرات آزمون فرعی است (وکسلر، ۲۰۰۳؛ فلاناگان و کافمن، ۲۰۰۴) ممکن است از ارزش کمی برخوردار باشد. توصیه ما درکل برای استفاده از FSIQ بیشتر از نمرات مقیاس مطابق با توصیه های موجود برای کودکان است (بودین و همکاران، ۲۰۰۹؛ واتکینز، ۲۰۱۰؛ Devena و همکاران، ۲۰۱۳؛Golay و همکاران، ۲۰۱۳؛ ناکانو و واتکینز، ۲۰۱۳؛ واتکینز و همکاران، ۲۰۱۳؛ Canivez، ۲۰۱۴؛ Styck و واتکینز، ۲۰۱۶). از آنجا که این توصیه به طور غیر مستقیم از طریق پشتیبان برای مدل دوساختاری اساسی پایه گذاری می شود، اینچنین عملی نیاز به وجود اطمینان حاصل بدون تعصب در نمره FSIQ دارد. با توجه به reise و همکاران (۲۰۱۳b) این می تواند فرض شود که مقادیر ECV و ω_h ساختار کلی به ترتیب ۰٫۶۰ و ۰٫۷۰ هستند. از آنجا که این مورد برای ساختار کلی در هر دو مدل هم WISC/ دوساختاری و هم CHC/ ساختارمرتبه بالاتر بود، آن شرح می دهد که نمره FSIQ مغرضانه نخواهد شد.
اگر چه ما به نفع نمره FSIQ استدلال می کنیم، یافته های پژوهش مقدار ω_s نسبتا بالا برای مقیاس فرعی PS را نشان داد، با هر دو آزمون فرعی آن (برنامه نویسی و جستجو نماد) ضرایب الگوی ساختار در ساختار خاص بالاتر از ساختار کلی می باشد. این یافته ها ممکن است که بتواند PS را بالا برد، در بخشی که، یک اندازه گیری از توانایی ها در PS توسط FSIQ ارائه می شود.
محدودیت هایی در این مطالعه هستند که نیاز به تفسیر یافته ها و نتیجه گیری در این مطالعه در نظر گرفته می شوند. اول اینکه، تمام شرکت کنندگان در این مطالعه از درمانگاه بودند، و یک نمونه تصادفی تلقی نمی شوند. بنابراین، ممکن است که این امکان تعصب برای نمونه مورد بررسی قرار گیرد، محدود کردن نتیجه گیری و یافته ها در کل در این مطالعه به ADHD می رسد. در سطح عملی، با این حال، به دست آوردن آن دشوار و تقریبا غیر ممکن برای نمونه های تصادفی شامل نمونه های بالینی است. نمونه های تصادفی در واقع، مطالعات قبلی ای که ساختار عامل WISC-IV در کودکان مبتلا به ADHD را بررسی کرده اند و استفاده کرده اند نیست (یانگ و همکاران، ۲۰۱۳؛ Styck و واتکینز، ۲۰۱۴؛ تالر و همکاران، ۲۰۱۵). دوم اینکه، آن ممکن است که به عنوان نمونه ما، مانند مطالعات قبلی در این زمینه، از نظر روانی بسیار ناهماهنگ بود، یافته ممکن است گم شده باشند. اگر چه شواهدی وجود دارد که عدم تجانس نمونه بطور بالقوه می تواند تحت تاثیر نتایج موجود از تحلیل ساختار کلی قرار گیرد (Delis و همکاران، ۲۰۰۳)، Devena و همکاران (۲۰۱۳) تفاوتی در تحلیل ساختاری WISC-IV بین نمونه کامل و نمونه ای از این نمونه که کودکان بدون ناتوانی و اختلال ADHD از مطالعه حذف شدند، نداشته باشد. بنابراین ممکن است که عدم تجانس نمونه یک متغیر مداخله گر در رابطه با نمرات WISC-IV نباشد. سوم اینکه، در مطالعه حاضر ضرایب الگوی ساختار آزمون فرعی در مدل WISC/ دوساختاری با WM و عوامل PS برابر محدود شد، چنانچه این مدل دیگر عاقلانه بطور تجربی درک شده بود. بدین ترتیب، یافته ها ممکن است گم شده باشند. اگر چه ما تعدادی از محدودیت ها را برجسته کرده ایم، اما معتقدیم که این یافته ها در مطالعه حاضر اضافه به نوشتیجات در مدل ساختاری WISC-IV و برای کودکان مبتلا به ADHD و به طور کلی کودکان، و همچنین کفایت استفاده از نمره FSIQ (بیش از نمرات مقیاس) برای پژوهش و عملکرد بالینی است. این امر می تواند مفید باشد اگر مطالعات بیشتری در این زمینه، برای توجه به محدودیت های برجسته شده در اینجا انجام شود.

بخشی از مقاله انگلیسی:

DISCUSSION

One aim of the study was to examine the applicability of the WISC/four-factor model, CHC/five-factor model, WISC/higher order model, CHC/ higher order model, and WISC/bifactor model for the 10 WISC–IV core subtests in a group of children with ADHD. As predicted, the findings supported all five models. The correlations among the factors in the WISC/four-factor and CHC/five-factor models were all high (ranging from 0.42 to 0.81), and the factor pattern coefficients of the primary factors on the general factor in the WISC/higher order factor and CHC/higher order factor models were also high (ranging from 0.64 to 0.99). Such high correlations suggest more preference for either the WISC/higher order factor model, CHC/higher order factor model, or WISC/bifactor model. Between these models, the WISC/bifactor model showed better fit. Thus despite the good fit for all models tested, the WISC/bifactor model can be considered more preferable than the WISC/ higher order factor model, or the CHC/higher order factor model. Consistent with our findings, past studies involving children with ADHD have also reported support for the WISC/fourfactor model (Yang et al., 2013; Styck and Watkins, 2014; Thaler et al., 2015), CHC/five-factor model (Thaler et al., 2015), and WISC/higher order model (Styck and Watkins, 2014). Also, previous studies involving the 10 core WISC subtests with the general community, clinic-referred samples, and children with learning disorders, have supported the WISC/four-factor, WISC/higher order factor, and WISC/bifactor models, with better support for the WISC/bifactor model (Watkins et al., 2006, 2013; Watkins, 2010; Devena et al., 2013; Nakano and Watkins, 2013; Canivez, 2014; Styck and Watkins, 2016). For all 15 subtests, support has also been reported for the CHC/fivefactor model and CHC/ higher order factor model (Chen et al., 2009; Keith et al., 2006; Golay et al., 2013). For the WISC/bifactor in the current study, all subtests showed statistically significant and salient factor pattern coefficients on the general factor. Although eight subtests also showed statistically significant and salient factor pattern coefficients on their specific factors, in an absolute sense, except for two subtests, all the factor pattern coefficients were higher on the general than the specific factors. The ECV values for the general factors were much higher (0.70) than that for the specific factors (ranging from 0.00 to 0.12). The ωh value for the general factor in this model was also much higher (0.81) than the ωs values of the specific factors (ranging from 0.02 to 0.43). Thus, the WISC/bifactor model can be considered an optimum model to represent the factor structure of the 10 core WISC-IV subtests. These findings were as expected and are consistent with existing data involving children in general (Devena et al., 2013; Watkins et al., 2013; Canivez, 2014). Although our findings are highly comparable with existing data, they also extend existing data. This is the first study to demonstrate support for the WISC/bifactor model for the 10 WISC–IV core subtests in a group of children with ADHD. Although Styck and Watkins (2014) did not find an admissible solution for this model, our findings supportive of this model are likely to be more accurate. It is possible that the sample size (N = 233) in the Styck and Watkins (2014) study may have been too low for estimating this model (with 30 parameters to be estimated). Our findings are also likely to be more relevant for ADHD than the findings reported by Styck and Watkins (2014). While Styck and Watkins (2014) did not screen for medication used by participants, all participants in the current study were medication-free at the time of testing. Also, as noted by Styck and Watkins (2014), the ADHD diagnosis in their study may not have adhered to the standard diagnostic criteria, such as in DSM- 5 (American Psychiatric Association [APA], 2013), as diagnosis had to also adhere to the Individuals With Disabilities Education Improvement Act (2004). A third new finding in the current study is in relation to how the factors in the bifactor predict reading and arithmetic performance. The findings showed that the general factor and the WM specific factor predicted reading and arithmetic ability. None of the specific factors predicted reading or arithmetic. These relations were as predicted. As these relations have not been examined for children with ADHD, these findings are new. It is to be noted, however, that our findings and interpretations differ from those reported by Glutting et al. (2006) for a normative sample. They reported that the FSIQ accounted for approximately 60% of the variance for both reading and arithmetic scores, and the subscale index scores added less than 1% variance in the predictions. Our findings have implications for the use of WISC-IV with children with ADHD. As the ECV of a general factor can be interpreted as the degree of unidimensionality of general factor to the specific factors (Reise et al., 2013a), these findings indicate support for utilization of FSIQ scores, but not the subscale scores. As ωh is a measure of internal consistency reliability (Brunner et al., 2012), our findings indicate high level of measurement precision for the FSIQ index, and low precision for the subscale scale scores, thereby adding further support for the utilization of the FSIQ score and not subscale scores (Schwean and McCrimmon, 2008; Flanagan et al., 2013). In this respect, although our findings showed that the WM specific factor predicted reading and arithmetic abilities, its low ECV and the ωs values (0.05 and 0.17, respectively) means that predictions from this factor may not be interpretable. Overall, it can be argued that profile analysis that aims to ascertain strengths and weaknesses on the basis of discrepancies in subtest scores (Wechsler, 2003; Flanagan and Kaufman, 2004) may be of little value. Our recommendation for the use of the FSIQ over the subscale scores is consistent with existing recommendations for children in general (Bodin et al., 2009; Watkins, 2010; Devena et al., 2013; Golay et al., 2013; Nakano and Watkins, 2013; Watkins et al., 2013; Canivez, 2014; Styck and Watkins, 2016). Since this recommendation is based indirectly via support for the bifactor model, such practice needs to ensure that there will be no bias in the FSIQ score. According to Reise et al. (2013b) this can be assumed if the ECV and ωh values of the general factor are ≥۰٫۶۰ and ≥۰٫۷۰, respectively. As this was the case for the general factors in both the WISC/bifactor and CHC/higher order factor models, it follows that the FSIQ score will not be biased. Although we have argued in favor of the FSIQ score, the study findings showed a relatively high ωs value for the PS subscale, with both its subtests (Coding and Symbol Search) having higher factor pattern coefficients on the specific factor than the general factor. These findings raise the possibility that the PS could, in part, provide a measure of abilities in PS that is not captured by the FSIQ. There are limitations in this study that need to be considered when interpreting the findings and conclusions in this study. First, all the participants in this study were from the same clinic, and did not constitute a random sample. Thus, it is possible that this may constitute a bias for the sample examined, limiting the findings and conclusions made in this study to ADHD in general. At a practical level, however, it is difficult and virtually impossible to obtain random samples involving clinical samples. Indeed, the previous studies that have examined the factor structure of the WISC-IV in children with ADHD have not used random samples (Yang et al., 2013; Styck and Watkins, 2014; Thaler et al., 2015). Second, as it is possible that as our sample, like previous studies in this area, was highly heterogeneous in terms of psychopathology, the findings may have been confounded. Although there is evidence that sample heterogeneity could potentially influence the results of the factor analysis in general (Delis et al., 2003), Devena et al. (2013) found no difference in factor analysis of the WISC-IV between their full sample and a subsample of this sample that excluded children without disabilities and ADHD. Thus it is possible that sample heterogeneity may not be a confounding variable in relation to WISC-IV scores. Third, in the current study the factor pattern coefficients of the subtests in the WISC/bifactor model with the WM and PS factors were constrained equal, as this model was otherwise empirically under-identified. Thus, the findings may have been confounded. Although we have highlighted a number of limitations, we believe that the findings in the current study add to the literature on the structural model of the WISC-IV and for children with ADHD and children in general, and also the adequacy of using the FSIQ score (over the scale scores) for research and clinical practice. It would be useful if more studies were conducted in this area, taking into consideration the limitations highlighted here.

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *