wprowadzenie
Attention deficit / hyperactivity disorder (ADHD) jest jednym z najczęstszych zaburzeń psychologicznych w dzieciństwie (diagnostic and statistical manual of mental disorders; DSM-5; American Psychiatric Association , 2013). Główne wytyczne praktyki dla ADHD, takie jak że z American Academy of Child, I Adolescent Psychiatry (2007), zalecają testowanie inteligencji dla klinicznej oceny dzieci z ADHD., Głównym powodem tego jest to, że aż 70% dzieci z ADHD mają współistniejące zaburzenia uczenia się (Mayes et al., 2000; Mayes and Calhoun, 2006), a wiedza na poziomie intelektualnym jednostki może ułatwić lepsze zrozumienie zaburzeń uczenia się., Dodatkowo, ponieważ skala inteligencji Wechslera Dla Dzieci-czwarta edycja (WISC-IV; Wechsler, 2003) jest najczęściej stosowanym testem inteligencji (Gresham and Witt, 1997), wszechstronne zrozumienie jego struktury czynnikowej u dzieci z ADHD byłoby cenne, ponieważ mogłoby prowadzić do lepszego zrozumienia i ważniejszych informacji na temat zdolności intelektualnych, poznawczych i uczenia się tej grupy. W obecnym badaniu zbadano kilka modeli strukturalnych zaproponowanych dla WISC-IV w grupie dzieci i młodzieży (odtąd określane jako dzieci) z ADHD.,
WISC-IV mierzy zdolności intelektualne dzieci w wieku od 6 do 16 lat. Został opracowany w celu zapewnienia ogólnej miary ogólnej zdolności poznawczych, a także miary funkcjonowania intelektualnego w rozumieniu werbalnym( VC), rozumowaniu percepcyjnym (PR), pamięci roboczej (WM) i szybkości przetwarzania (PS). Podskale VC, PR, WM i PS zapewniają wyniki odpowiednio dla indeksu rozumienia werbalnego( VCI), indeksu rozumowania percepcyjnego (PRI), indeksu pamięci roboczej (WMI) i indeksu prędkości przetwarzania (psi)., Razem, VCI, PRI, WMI i PSI zapewniają ogólny poziom inteligencji lub pełną skalę IQ (Fsiq). Chociaż pełna wersja WISC-IV ma 15 podtestów, tylko dziesięć jest uważane za podstawowe i używane częściej podczas testowania inteligencji (Wechsler, 2003). Podstawowe podzestawy VC to słownictwo, podobieństwa i rozumienie. Podstawowe podzestawy dla PR to projektowanie bloków, pojęcia obrazu i rozumowanie macierzy. Podstawowe podzestawy dla WM to sekwencjonowanie cyfr i liter-numerów, a podstawowe podzestawy dla PR to kodowanie i wyszukiwanie symboli., Pozostałe pięć podzestawów, które są określane jako podzestawy uzupełniające, to informacje i rozumowanie słowne (część VC), dopełnienie obrazu (część PR), arytmetyka (część WM) i anulowanie (część PS).
struktura czynnika dla podstawowych podzestawów WISC-IV została zbadana w wielu badaniach z udziałem dzieci skierowanych do społeczności ogólnej i kliniki, w tym tych z zaburzeniami uczenia się (np., Wechsler, 2003; Keith, 2005; Watkins et al., 2006; Sattler, 2008; Bodin et al., 2009; Watkins, 2010; Devena et al., 2013; Nakano and Watkins, 2013; Watkins et al.,,2013; Canivez, 2014; Styck and Watkins, 2016). We wszystkich tych badaniach odnotowano wsparcie dla skośnego modelu czteroczynnikowego, modelu czynnika wyższego rzędu i modelu bifactor. Skośny model czterech czynników ma współczynniki dla VC, PR, WM i PS, odpowiadające podskalom dla VC, PR, WM i PS. Model wyższego rzędu ma współczynniki pierwszego rzędu dla VC, PR, WM i PS oraz pojedynczy czynnik ogólny wyższego rzędu., W tym modelu czynnik ogólny ujmuje wspólne wariancje wszystkich czynników pierwszego rzędu, a czynniki pierwszego rzędu ujmuje kowariancję w podzestawach składających się na czynniki. Model bifactor jest modelem ortogonalnym, z pięcioma podstawowymi czynnikami. W tym modelu wszystkie podesty obciążają ogólny czynnik, a każdy podest obciąża swój własny określony czynnik (VC, PR, WM lub PS)., Czynnik ogólny wychwytuje kowariancję wszystkich podzbiorów, a czynniki specyficzne VC, PR, WM i PS wychwytują unikalną kowariancję podzbiorów w nich po usunięciu kowariancji przechwyconej przez czynnik ogólny. W ten sposób specyficzne czynniki wychwytują ich wyjątkową wariancję. Skośne cztery czynniki, współczynnik wyższego rzędu i modele bifactor są pokazane na rysunku Rys. 11., Z wyjątkiem badania przeprowadzonego przez Nakano and Watkins (2013), inne badania, które porównały skośny model czteroczynnikowy, model czynnika wyższego rzędu i model bifactor, zgłosiły większe poparcie dla modelu bifactor niż czteroczynnikowy model skośny i model czynnika wyższego rzędu(Watkins, 2010; Devena et al., 2013; Watkins et al.,2013; Canivez, 2014; Styck and Watkins, 2016). Nakano i Watkins zgłaszali największe poparcie dla modelu czynnika wyższego rzędu, chociaż różnił się on minimalnie od modelu bifactor.,
dla modelu BIFACTOR WISC-IV, wiele wcześniejszych badań donosiło o wyjaśnionej wspólnej wariancji (ECV; Reise et al., 2013a), a także Omega hierarchiczne (WH) i omega subtesty (ws; McDonald, 1999; Zinbarg et al., 2005) odpowiednio czynników ogólnych i szczegółowych. ECV czynnika ogólnego jest wspólną wariancją wyjaśnioną przez czynnik ogólny podzielony przez całkowitą wspólną wariancję. ECV określonego czynnika jest wspólną wariancją wyjaśnioną przez określony czynnik podzieloną przez całkowitą wspólną wariancję., ECV czynnika ogólnego będzie wysoki, gdy istnieje mała wspólna wariancja poza czynnikiem ogólnym. Tak więc wysokie wartości wskazują na obecność ogólnego wymiaru w modelu bifactor (Reise et al., 2013a). Wartość WH czynnika ogólnego można interpretować jako oparty na modelu wskaźnik wiarygodności wewnętrznej spójności skali całkowitej (Brunner et al., 2012). Wh można również interpretować jako Estymator tego, ile wariancji w zsumowanych (standaryzowanych) wynikach można przypisać pojedynczemu współczynnikowi ogólnemu (McDonald, 1999)., Otrzymuje się go przez podzielenie kwoty wariancji wyjaśnionej przez współczynnik ogólny w skali przez całkowitą kwotę wariancji wyjaśnioną przez wszystkie pozycje w skali. Wartość ws określonego czynnika można interpretować jako oparty na modelu wskaźnik wiarygodności wewnętrznej spójności określonej skali, a Estymator tego, ile wariancji w zsumowanych (standaryzowanych) wynikach można przypisać konkretnemu współczynnikowi (McDonald, 1999; Brunner et al., 2012)., Jest on obliczany przez podzielenie kwoty wariancji wyjaśnionej przez konkretny Współczynnik przez całkowitą kwotę wariancji wyjaśnioną przez wszystkie pozycje w skali. Wartości dla wh i ws wahają się od 0 do 1, przy czym 0 oznacza brak niezawodności, a 1 odzwierciedla doskonałą niezawodność. Według Reise et al. (2013a), wartości wh i WS wynoszące co najmniej 0,75 są preferowane do znaczącej interpretacji skali.,
istniejące dane dla modelu BIFAKTOROWEGO WISC-IV pokazują, że ECV czynnika ogólnego jest od 2 do 3 razy większy niż łączny ECV czynników specyficznych, przy czym praktycznie wszystkie wariancje w podzestawach są wyjaśnione znacznie bardziej przez czynnik ogólny niż odpowiednie czynniki specyficzne (Watkins, 2010; Devena et al., 2013; Watkins et al.,2013; Canivez, 2014; Styck and Watkins, 2016). Ponadto, WH czynnika ogólnego jest znacznie wyższa (od 0,67 do 0,87) niż wartości ws czterech czynników specyficznych( od 0,10 do 0,53; Watkins, 2010; Devena et al.,, 2013; Watkins et al., 2013; Canivez, 2014; Styck and Watkins, 2016), dodając wsparcie dla wykorzystania wyniku FSIQ nad wynikami indeksu. Ustalenia te wskazują na poparcie obecności ogólnego wymiaru w modelu bifaktora i że tylko ogólny czynnik może być sensownie interpretowany. Wspierają one wykorzystanie całkowitej punktacji, a nie indeksów WISC-IV.
dla podstawowych subtestów, co najmniej trzy badania zbadały strukturę czynnika WISC-IV dla grup dzieci z ADHD (Yang et al., 2013; Styck and Watkins, 2014; Thaler et al., 2015)., We wszystkich tych badaniach stwierdzono poparcie dla czteroczynnikowego modelu skośnego. Znaleziono również wsparcie dla modelu czynnika wyższego rzędu (Styck and Watkins, 2014). Chociaż badanie Stycka i Watkinsa (2014) wykazało dobre dopasowanie do modelu bifactor, model ten został odrzucony, ponieważ miał niedopuszczalne rozwiązanie (jedna rezydualna wariancja była ujemna). Badanie Thaler et al. (2015) znalazł poparcie dla dwóch pięcioskładnikowych modeli skośnych, opartych na teoretycznym modelu inteligencji Cattella-Horna–Carrolla (CHC) (McGrew, 2005)., Jeden z tych modeli, zwany tu ukośnym modelem SS, obejmuje czynniki krystalizowanej inteligencji (GC; obejmujące słownictwo, podobieństwa i zrozumienie), płynne rozumowanie( gf; obejmujące pojęcia obrazu i rozumowanie macierzy), przetwarzanie wizualne( Gv; obejmujące projektowanie bloków i wyszukiwanie symboli), pamięć krótkotrwałą (Gsm; obejmujące rozpiętość cyfr i sekwencjonowanie liter i numerów) i PS (Gs; obejmujące Wyszukiwanie symboli i kodowanie). Model ten jest również pokazany na rysunku Rys. 11., Drugi model, zwany tutaj skośnym modelem MR-SS, różnił się od drugiego skośnego modelu SS pięciostopniowym określeniem logiki macierzy do obciążenia krzyżowego na współczynnik Gv. Jak widać, oba modele CHC nie są podobne do inspirowanych WISC-IV ukośnych modeli czteroczynnikowych, wyższego rzędu lub bifactor.
Jeśli chodzi o porównanie modeli, Styck and Watkins (2014) znaleźli lepsze dopasowanie do modelu czynnika wyższego rzędu niż skośnego modelu czterostopniowego. Thaler i in. (2015) stwierdził, że oba ich modele pięcioczynnikowe lepiej pasowały niż skośny model czteroczynnikowy., Chociaż skośny model MR-SS wykazał nieznacznie lepsze dopasowanie niż skośny Model SS, skośny Model SS został przyjęty jako lepszy model, ponieważ podsystem rozumowania macierzowego w skośnym modelu MR-SS nie obciążał znacząco współczynnika Gv. Dla modelu czynnika wyższego rzędu testowanego przez Stycka i Watkinsa (2014) oraz dla modelu pięcioczynnikowego ss wyższego rzędu skośnego zgłoszonego przez Thaler et al., (2015) the general factor explained more variance than the specific factor for all subtests, with the except of Coding and Symbol Search (both PS subtests). W badaniu Stycka i Watkinsa (2014) zarówno kodowanie, jak i wyszukiwanie symboli miały mniej więcej równe współczynniki ogólne i specyficzne dla PS. W badaniu Thaler et al. (2015) Wyszukiwanie symboli załadowane równo na czynnik ogólny i własny (PS) czynnik specyficzny, a kodowanie miało wyższe obciążenie na własny czynnik specyficzny (PS). Dla modeli wyższych czynników w AND Styck and Watkins (2014) i Thaler et al., (2015) badania, ECV czynnika ogólnego była około dwukrotnie całkowita ECV wszystkich czynników szczególnych razem. Styck and Watkins (2014) poinformowali również, że wartość Wh dla czynnika ogólnego (0,78) była znacznie wyższa niż wartości ws czterech czynników specyficznych (od 0,09 do 0,34), wskazując tym samym, że tylko FSIQ miał wiarygodność dźwięku.,
Ogólnie rzecz biorąc, w związku z tym, większość wyników dla struktury czynnika rdzenia WISC-IV subtestów u dzieci z ADHD są porównywalne z istniejącymi danymi dotyczącymi ogólnej społeczności i dzieci skierowanych do kliniki, w tym tych z zaburzeniami uczenia się (Watkins et al., 2006, 2013; Watkins, 2010; Devena et al., 2013; Nakano and Watkins, 2013; Canivez, 2014; Styck and Watkins, 2016). We wszystkich tych badaniach odnotowano wsparcie dla skośnego modelu czteroczynnikowego i modelu czynnika wyższego rzędu., Oparty na CHC model ukośny pięcioskładnikowy i struktura wyższego rzędu tego modelu zostały również poparte podczas badania wszystkich 15 (podstawowych i uzupełniających) podzestawów WISC-IV (Keith et al., 2006; Chen et al., 2009; Golaj i in., 2013).
pomimo podobieństw w ustaleniach dotyczących dzieci z ADHD i dzieci z ogólnej społeczności i klinik, pragniemy argumentować, że istnieją ograniczenia w istniejących ustaleniach dotyczących struktury czynnika WISC-IV u dzieci z ADHD. Po pierwsze, nie było tylko trzy badania z udziałem dzieci z ADHD (Yang et al.,, 2013; Styck and Watkins, 2014; Thaler et al., 2015), z tylko jednym badaniem raportującym na temat możliwości zastosowania modelu czynnika wyższego rzędu (Styck and Watkins, 2014) i modelu pięciokrotnego ukośnego (Thaler et al., 2015). Po drugie, badanie Stycka i Watkinsa (2014), jedyne badanie, które przetestowało możliwość zastosowania modelu bifactor dla dzieci z ADHD, nie znalazło dopuszczalnego rozwiązania dla tego modelu. Ponieważ w badaniu wykorzystano niewielką próbkę (N = 233), możliwe jest, że przy oszacowaniu 30 parametrów w modelu bifactor mogło to przyczynić się do niedopuszczalnego rozwiązania., Biorąc pod uwagę ogólnie solidne wsparcie dla modelu bifactor w społeczności i Klinice, o których mowa próbek, jest możliwe, że przy większych rozmiarach próbek, model bifactor będzie również wspierany dla dzieci z ADHD. Po trzecie, jak wskazano przez Styck and Watkins (2014), znaczenie wszystkich ich ustaleń dla dzieci z ADHD jest niepewna., Dzieje się tak, ponieważ jako szkoły multidyscyplinarne zespoły ewaluacyjne były odpowiedzialne za podejmowanie decyzji kwalifikacyjnych, które musiały stosować się do ustawy o poprawie edukacji osób niepełnosprawnych (2004), dzieci zidentyfikowane jako mające ADHD nie mogą być porównywalne do próbek dzieci z ADHD zdiagnozowanych w konwencjonalnych klinikach zdrowia psychicznego dzieci., Po czwarte, jak badanie przeprowadzone przez Styck and Watkins (2014) nie bierze pod uwagę statusu leków uczestników, nie można wykluczyć, że ich odkrycia nie były mylone przez efekty leków, jak wykazano, że długotrwałe stosowanie leków wpływa na IQ dzieci z ADHD (Gillberg et al., 1997; Gimpel et al., 2005).,
innym ograniczeniem jest to, że chociaż IQ konsekwentnie wykazano, że jest związane z osiągnięciami akademickimi( Naglieri i Bornstein, 2003), obecnie żadne badanie nie zbadało prognostycznej ważności czynników w modelu BIFACTOR WISC-IV, modelowanego pod względem czynnika ogólnego i specyficznych czynników reprezentujących skale indeksowe(VC, PR, WM i PS)., Wykorzystując wielokrotną analizę regresji obserwowanych wyników dla WISC-IV FSIQ, VCI, PRI, WMI i PSI, badania z udziałem próbek innych niż ADHD donosiły, że wyniki indeksu zapewniają tylko nieznacznie dodatkową wariancję w przewidywaniu wyników osiągnięć akademickich, w tym czytania i arytmetyki (Glutting et al., 2006; Canivez et al., 2014). Ostatnie badania (Beaujean et al.,, 2014), również z próbką bez ADHD, która modelowała wszystkie podstawowe i dodatkowe testy WISC-IV w kategoriach Cattell-Horn–Carroll (CHC; Schneider and McGrew, 2012) teoria zdolności poznawczych wykazała, że czynnik ogólny miał silniejszy związek z czytaniem i arytmetyką niż którykolwiek z określonych czynników. Podobne ustalenia zostały zgłoszone dla Wechsler adult Intelligence Scale-Fourth Edition (WAIS-IV; Wechsler, 2008) model bifactor z czynnikiem ogólnym i czynniki dla skal indeksowych (Kranzler et al., 2015)., Na podstawie tych ustaleń można spekulować, że ogólny czynnik inteligencji byłby również związany z możliwościami akademickimi dzieci z ADHD. Jednak, jak niska zdolność czytania (Gathercole et al., 2006; Alloway et al., 2009; Alloway i Alloway, 2010) i zdolność arytmetyczna (Bull i Scerif, 2001; Swanson i Sachse-Lee, 2001) były związane ze słabą WM, a jako wady WM były silnie związane z ADHD (Martinussen et al., 2005; Willcutt et al., 2005; Walshaw et al.,, 2010), specyficzny czynnik WM (który rejestruje zdolność WM niezależną od inteligencji ogólnej) może być również związany ze zdolnościami osiągnięć akademickich.
biorąc pod uwagę istniejące ograniczenia, pierwszym celem obecnego badania było zbadanie struktury czynnika dziesięciu subtestów rdzenia WISC–IV w dużej grupie (N = 812) dzieci z ADHD, wszystkie bezpośrednio zdiagnozowane przy użyciu kryteriów ADHD DSM-IV TR (American Psychiatric Association , 2000)., Ponieważ byli nowicjuszami w służbie zdrowia psychicznego, żaden z nich nie był na lekach i nie był na lekach w dowolnym momencie przed lub w trakcie testów. Zgodnie z wcześniej wspieranymi modelami, w badaniu zbadano następujące modele: skośny model czterostopniowy pierwszego rzędu, skośny model pięciostopniowy SS oparty na CHC, modele wyższego rzędu i bifaktor oparte na modelu czterostopniowym oraz model czynnika wyższego rzędu oparty na modelu pięciostopniowym SS., Ponieważ współczynniki wzoru cross-factor nie są dozwolone w modelu bifactor CFA (ponieważ zniekształca szacunki parametrów; Rios and Wells, 2014), równoważna wersja bifactor modelu SS PIĘCIOSKŁADNIKOWEGO nie została przetestowana, ponieważ ma obciążenia krzyżowe do wyszukiwania symboli., Aby zmniejszyć zamieszanie, skośne modele czterech i pięciu czynników będą określane jako WISC / model czterech czynników i CHC / model pięciu czynników, odpowiednio; modele wyższego rzędu z czterech i pięciu czynników głównych będą określane jako WISC / model wyższego rzędu i CHC / model wyższego rzędu, odpowiednio; a modele bifaktor z czterech czynników szczególnych będą określane jako model WISC / bifaktor. Pięć testowanych modeli przedstawiono na rysunku Rys. 11., Drugim celem badania było zbadanie ECV oraz niezawodności wewnętrznej spójności opartej na modelu dla czynników w modelu wybranym jako model optymalny. Trzecim celem było zbadanie, w jaki sposób ogólne i specyficzne czynniki w modelu bifactor przewidywały odczyt i arytmetykę. Opierając się na wcześniejszych ustaleniach dotyczących dzieci z ADHD i dzieci w ogóle, przewidzieliśmy wsparcie dla wszystkich testowanych modeli, przy czym model WISC / bifactor jest najlepiej dopasowanym modelem., W przypadku tego modelu spodziewaliśmy się, że z wyjątkiem kodowania i Wyszukiwania symboli współczynniki wzorca czynnika subtestów na czynnikach ogólnych będą stosunkowo wyższe niż na czynnikach szczegółowych. Spodziewaliśmy się również, że wartości ECV i Wh dla czynnika ogólnego będą stosunkowo wyższe niż wartości ECV i WS dla czynników szczegółowych. Spodziewaliśmy się również czynnika ogólnego i specyficznych czynników WM do przewidywania umiejętności czytania i arytmetyki.