دانلود رایگان ترجمه مقاله آنالیز دوعاملی اکتشافی مقیاس هوش وکسلر برای کودکان – الزویر 2015

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

فهرست مقاله:

چکیده
1- مقدمه
2- روش
2-1 شرکت کننده ها
2-2 ابزار
2-3 تحلیل و روش
3- نتایج
3-1 مقایسه معیار های استخراج عامل
3-2 تحلیل های دو عاملی اکتشافی
4- بحث

بخشی از ترجمه فارسی مقاله:

1- مقدمه
توسعه دهندگان نسخه پنجم مقیاس هوش وکسلر برای کودکا(WISC-V، وکسلر 2014 الف) بیان داشته اند که آنها نه تنها ازتئوری های شناختی، فکری و عصبی روانی ( کارول 1993، 2003، کاتلو هورن 1978، هورن 1991، هورن و بلانکسون 2012، هورن و کاتل 1966، نک کلاسکی، ویتاکر، مورفی،راجر2012، میلر و ماریکل 2012) برای ایجاد این مقیاس استفاده کرده اند، در عین حال ارتباط طولانی مدت خود را با مفهوم هوش عمومی اسپیرمن(1904) حفظ کرده اند. شواهد روایی ساختاری از طریق تحلیل عاملی تاییدی ایجاد و در راهنمای فنی و تفسیری WISC-V(وکسلر2014 ب) کزارش شده اند که شامل مشخصات مدل های فاکتور مرتبه بالاتر با یک فاکتور هوش عمومی مرتبه دوم می باشد که بر زیر مجموعه ها از طریق پنج فاکتور مرتبه اول اثردارد.با این حال، دانشمندان نگرانی هایی را در خصوص این ساختارمطرح کرده اند( کانویزو واتکین، کانویز، واتکین و دامبروسکی 2015). کانویزو واتکین و کانویز، واتکین، جیمز، جیمز و گود(2014) خاطر نشان کرده اند که جزییات کافی در توصیف شیوه تعریف عوامل و دلیل استفاده از براورد حداقل مربعات وزنی وجود داشت. برای مثال، براورد WLSمعمولابا داده های غیر طبیعی یا مقوله ای استفاده شده و نیازمند اندازه نمونه های بزرک تربوده و می تواند منجر به تغیین غلط مدل نسبت به براورد حداکثر درست نمایی شوند( هو، بنتلر و کانو، 1992، السون، فاس، تروی و هاول 2000 یان وچان 2005).کانویز و همکاران نیز نشان داده اند که مدل CFA مطلوب موجب برطرف شدن سادگی بیش از حد ساختار ساده با بارگذاری متقابل زیرآزمون های حسابی می شود.به علاوه یک ضریب مسیر استاندارد 1.00 بین فاکتور هوش عمومی مرتبه بالاتر و فاکتور استدلال سیال مرتبه اول وجود داشت که نشان میدهد g و FR دارای افزونگی تجربی هستند( لی، اشمیدت، هارترو لاور 2010). کانویز و همکاران نیز نگرانی خود را در مورد استفاده از آزمون های تفاضل کای اسکوئر مدل های تو در تو برای شناسایی مدل 5عاملی بیان کرده اند زیرا این رویکرد زمانی که مدل پایه به طور غلط تعیین شده باشد، مشکل افرین خواهد بود( یان و بنتلر 2004) و این رویکرد با اندازه های نمونه بزرگ قوی تر است.( میلسپ 2007).
5 مسئله دیگر مربوط به رویکرد ناشر آزمون در ثبت ساختارWISC-Vوجود دارد.در ابتدا،ناشر آزمون قادر به بررسی مدل های رقیب نظیر مدل دو عاملی نبود. مدل های دو عاملی گاهی اوقات برتر از مدل های مرتبه بالاتر می باشند( کانویز، ریس 2012) و برای تستهای قابلیت شناختی توصیه شده اند، زیر آن ها امکان تقسیم بندی واریانس فاکتور عمومی و فاکتور گروهی رامیدهند( بیجن،پارگین و پارکر 2014، کانویز 2014 ب، کانویزو همکاران 2015، 2014، کارول1997، گیکانک 2005،گیگانک و واتکین201، نلسون، کانویز و واتکین 2003،واتکین 2010، واتکین و بیجن 2014، واتگین، کانویز، جینز 2013،واتکین،کانویز، جیمز، گود2013،برنر،ناگی و ویلهم 2012) و مطابقبا تئوری سه لایه ای قابلیت شناختی کارول است( بیجن 2015). این به متخصصان بالینی و محققان در تعیین تفسیر پذیری عوامل گروهی کمک می کند( انجمن تحقیقات اموزشی امریکا، انجمن روان شناسی امریکا و شورای ملی سنجش اموزش 2014، گاستفون و ابرگ بنگفسون 2010).
دوما، براورد های پایایی مبتنی بر مدل از جمله زیر مقیاس های امگا و سلسله مراتبی امگا(گیکناک و واتکینز 2013، ریس 2012، ریس، بونیفای و هاویلاند 2013، شروتو لین 2012، زینبارگ، راول ، یاول و لی 2005، 2009) در راهنمای تفسیری و فنی در نظر گرفته نشد. محققان مختلف(کانیوز 2010، کانیوز 2014 الف، کانیوز و کاش 2013) و نیز معیار های آزمون روانی و آموزشی( انجمن تحقیقات آموزشی امریکا، انجمن روان شناسی امریکا و شورای ملی سنجش اموزش3014) بر لزوم این آمار در راهنمای آزمون ای کیوتاکیدکرده اند که زیرااین آماره، تفسیری را از زیر امتیاز ها ارایه میکند.همراه بااندازه گیری واریانس مشترک وکل، براوردهای به تعیین میزان تاکید تفسیری بر امتیازات طراحی شده برای اندازه گیری عوامل اصلی و فرعی کمک می کند.
سوم، محققان WISC-Vبه بررسی نتایج EFAنپرداخته اند: بلکه آن ها منحصرا برروشهای CFAدر زمان ارایه شواهد روایی ساختاری متکی بوده اند. گارسوچ(1983) و سایرین( براون 2015،کارول1993، ریس 2012) نشان داده اندکهEFAوCFA مکمل هم هستند وکاربران آزمون می توانند اطمینان زیادی به ساختار ابزارکنند به خصوص زمانی که هر دو روش ابزار اصلاح و مجددا فرموله شده باشد. برای مثال، حذف زیرازمون های تکمیل تصویر و استدلال کلامی و افزودن پازل های دیدار می تواندمنجر به تغییرات غیر منتظره در ساختار عامل WISC-V شود که ازEFA بیشترازCFAاستفاده میکند( استراس،اسپرین و هانتر 2000).
چهارما، تحقیقات مستقل قبلی در خصوص ساختار های عاملی آزمون هوش با استفاده از روش های EFA نتایج متفاوتی از مدل های مبتنی بر CFA زیر آزمون های آی کیو موجود ارایه کرده اند( کانویز 2008، کانویز و واتکین 2010 الف، 2010 ، دی استفانو و دامبروسکی 2006). درحقیقت، برخی از محققان خاطرنشان کرده اندکه تست های ای کیو امروزی دارای عوامل زیادی هستند( فرازیر و سانگ استورم 2007).
در نهایت، کانویزو همکاران(2015، 2014)اخیرا ماتریس همبستگی نمونه راتحت آزمون EFA بااستفاده از روشاشمید- لیمان قرار داده اند. روش SL راه حل عامل مرتبه دوم را به ساختار متعامد مرتبه اول تبدیل کردند که در آن عوامل گروهی و عمومی هردو به طور مستقیم بر متغیر های شاخص اثر دارند. اشمید و لیمان(1957) استدلال کرده اند که این فرایند ویژگی های مطلوب راه حل اریب را حفظ کردهو ساختار سلسله مراتبی متغیرها را افشامی کند. کارول 1995 تاکید کرده اند که عوامل متعامد تنها زمانی مناسب هستند که در زمینه راه حل اشمید لیمان تولید شوند. تحلیل SLکانویزو همکاران منجربه یک راه حل چهار عاملی شد که در آن استدلال سیال و زیر ازمون های مکانی ترگیب شدهوتشکیل WISC-IV دادند. به علاوه، نتایج حاکی ازبرتری عامل مرتبه بالاترgبوده و توصیه می کند که تاکید تفسیرانه اصلی بایستی بر FSIQبا تاکید تفسیری فرعی بر پردازش امتیاز شاخص سرعت متمرکز باشد.
اگرچه روش SL برای پارامتر سازی مجدد مدل مرتبه بالاتر برای شیوه ارتباط متغیر های اندازه گیری شده با عامل مرتبه دوم می باشد، مقادیر بار گذاری از تبدیل SL در صورتی می تواند اریبی داشته باشد که بار گذاری های متقابل وجود داشته باشد. هم چنین بار های همه متغیر های اندازه گیری شده برروی عامل گروهی به صورت تناسبی است. با توجه به این مسائل، جنریچ و بنتلر 2011 یک شیوه جایزین را برای روش EFA ارایه کرده است: تحلیل دو عاملی اکتشافی. آنها Ebfa را یک تحلیل عاملی اکتشافی ساده در نظر گرفته اند. EBFA برای براورد بار ها از مدل های دو عاملی به طور مستقیم طراحی شده است که به گفته جنریخ و بنتلر می توانند بهتر از تبدیل SL در برخی موارد باشند. تنها مقاله منتشر شده که به مقایسه دو روش درداده های توانایی شناختی پرداختهاند نتایج متناسبی را بین EBFAو SL نشان داده اند( دامبروسکی 2014 ب).

بخشی از مقاله انگلیسی:

1. Introduction

The developers of the Wechsler Intelligence Scale for Children—Fifth Edition (WISC-V; Wechsler, 2014a) stated that they not only used current cognitive, intellectual, and neuropsychological theories (Carroll, 1993, 2003; Cattell & Horn, 1978; Horn, 1991; Horn & Blankson, 2012; Horn & Cattell, 1966; McCloskey, Whitaker, Murphy, & Rogers, 2012; Miller & Maricle, 2012) to guide its creation, but also retained its longstanding linkage to Spearman’s (1904) notion of general intelligence. Evidence of structural validity was established via confirmatory factor analyses (CFA) and reported in the WISC-V Technical and Interpretive Manual (Wechsler, 2014b), which included the specification of higherorder factor models with a single second-order general intelligence (g) factor indirectly influencing subtests through five first-order factors. However, scholars have raised a number of concerns regarding that structure (Canivez & Watkins, in press; Canivez, Watkins, & Dombrowski, 2015). Canivez and Watkins (in press) and Canivez, Watkins, James, James, and Good (2014) noted that there was insufficient detail in describing how the factors were defined and why weighted least squares estimation was used. For example, WLS estimation is typically used with categorical or non-normal data, requires much larger sample sizes, and can lead to model misspecification more readily than maximum likelihood estimation (Hu, Bentler, & Kano, 1992; Olsson, Foss, Troye, & Howell, 2000; Yuan & Chan, 2005). Canivez and colleagues also indicated that the preferred CFA model abandoned the parsimony of simple structure by allowing cross-loadings of the Arithmetic subtest. Further, there was a standardized path coefficient of 1.00 between the higher-order general intelligence factor and the first-order Fluid Reasoning (FR) factor, suggesting that g and FR were empirically redundant (Le, Schmidt, Harter, & Lauver, 2010). Canivez et al. also expressed concern about the use of chi-square difference tests of nested models to identify the five-factor model because this approach has been shown to be misleading when the base model is misspecified (Yuan & Bentler, 2004) and is overly powerful with large sample sizes (Millsap, 2007). There are five additional issues with the test publisher’s approach to documenting the WISC-V structure. First, the test publisher did not examine rival models, such as a bifactor model. Bifactor models are sometimes preferred over higher-order models (Canivez, in press; Reise, 2012) and have been recommended for tests of cognitive ability because they allow for partitioning of general and group factor variance (Beaujean, Parkin, & Parker, 2014; Canivez, 2014b; Canivez et al., 2015, 2014; Carroll, 1997; Gignac, 2005, 2006; Gignac & Watkins, 2013; Nelson, Canivez, & Watkins, 2013; Watkins, 2010; Watkins & Beaujean, 2014; Watkins, Canivez, James, James, & Good, 2013; Brunner, Nagy, & Wilhelm, 2012) and are more in line with Carroll’s three-stratum theory cognitive ability (Beaujean, 2015). This inclusion would aid clinicians and researchers in determining the interpretability of group factors (American Educational Research Association, American Psychological Association, & National Council on Measurement in Education, 2014; Gustafsson & Aberg-Bengtsson, 2010). Second, model-based reliability estimates including omega-hierarchical (ωh) and omega-subscale (ωs) (Gignac & Watkins, 2013; Reise, 2012; Reise, Bonifay, & Haviland, 2013; Shrout & Lane, 2012; Zinbarg, Revelle, Yovel, & Li, 2005, 2009) were not included in the Technical and Interpretive Manual. Several researchers (e.g. Canivez, 2010; Canivez, 2014a; Canivez & Kush, 2013) as well as the Standards for educational and psychological testing (American Educational Research Association, American Psychological Association, & National Council on Measurement in Education, 2014), have emphasized the need for these statistics in IQ test manuals that recommend the interpretation of subscores. Along with the measurement of total and common variance for general- and group/specific, ω estimates can aid in determining how much interpretive emphasis should be placed upon scores designed to measure primary and secondary factors. Third, the WISC-V authors did not furnish EFA results; instead they relied exclusively upon CFA procedures when providing structural validity evidence. Gorsuch (1983) and others (e.g. Brown, 2015; Carroll, 1993; Reise, 2012) indicated that EFA and CFA are complementary, and test users can have greater confidence in an instrument’s structure when both procedures are in agreement, particularly when an instrument has been revised and reformulated. For instance, elimination of the Word Reasoning and Picture Completion subtests and addition of Visual Puzzles, Figure Weights, and Picture Span subtests could have caused unexpected changes to the WISC-V factor structure that would benefit from EFA prior to the use of CFA (Strauss, Spreen, & Hunter, 2000). Fourth, previous independent investigations of intelligence test factor structures using EFA methods have produced divergent results from those offered by CFA-based models of extant IQ subtests (e.g. Canivez, 2008; Canivez & Watkins, 2010a, 2010b; DiStefano & Dombrowski, 2006; Dombrowski, 2013; Dombrowski, 2014a, 2014b; Dombrowski & Watkins, 2013; Dombrowski, Watkins, & Brogan, 2009; Watkins, 2006). In fact, some researchers contend that present day IQ tests are overfactored (Frazier & Youngstrom, 2007). Finally, Canivez et al. (2015, 2014) recently subjected the WISC-V total sample correlation matrix to EFA using the Schmid–Leiman (SL) procedure. The SL procedure mathematically transforms a secondorder factor solution into an orthogonal first-order structure where general and group factors both directly influence indicator variables. Schmid and Leiman (1957) argued that this process “preserves the desired characteristics of the oblique solution” and “discloses the hierarchical structure of the variables” (p. 53). Carroll (1995) also emphasized that orthogonal factors are appropriate only when produced in the context of a Schmid–Leiman solution. Canivez et al.’s SL analysis resulted in a four-factor solution where the fluid reasoning and visual spatial subtests combined to form the WISC-IV’s previously identified perceptual reasoning factor. Additionally, their results revealed the preeminence of the higher-order g factor and prompted them to recommend that primary interpretative emphasis should be placed on the FSIQ with possible secondary interpretive emphasis on the processing speed index score. Although useful, the SL procedure is simply a re-parameterization of the higher-order model to show how the measured variables relate to the second-order factor and residualized versions of the first-order factors. As with higher-order models in general, loading values from the SL transformation may be biased if there are cross-loadings (Reise, 2012). Likewise, the loadings of all measured variables on a group factor are constrained to be proportional (Schmiedek & Li, 2004). Given these issues, Jennrich and Bentler (2011) developed an alternative to the SL procedure for EFA: exploratory bifactor analysis (EBFA). They described EBFA as “simply exploratory factor analysis using a bi-factor rotation criterion” (p. 2). EBFA is designed to estimate loadings from bifactor models directly, which Jennrich and Bentler contend can be better than the SL transformation in some cases. The only independently published article comparing the two procedures on cognitive ability data, however, found consistent results between EBFA and the SL (Dombrowski, 2014b).