از مدل یابی عاملی تاییدی تا یادگیری ماشین: بررسی چند رویکردی ساختار عاملی و ویژگی های روان سنجی مقیاس PSS-۱۰

مقدمه: مقیاس استرس ادراک شده (PSS-۱۰)، ابزاری پرکاربرد برای سنجش استرس است. این مطالعه با هدف ارزیابی جامع تر ویژگی های روان سنجی PSS-۱۰ با به کارگیری ترکیبی از پنج رویکرد پیشرفته شامل مدل سازی معادله ساختاری، نظریه پاسخ پرسش، تحلیل گراف اکتشافی، تحلیل شبکه و یادگیری ماشین انجام شد.روش: در این مطالعه روان سنجی، ۱۲۷۸ دانشجوی دانشگاه آزاد اسلامی واحد گرمسار به روش نمونه گیری در دسترس انتخاب شدند. داده ها با استفاده از مدل های تحلیل عاملی (CFA، ESEM، ESEM-within-CFA)، مدل های نظریه پاسخ پرسش (GRM، GPCM و MPGCM)، تحلیل گراف اکتشافی (EGA)، تحلیل شبکه (با محاسبه شاخص های کانونی) و الگوریتم جنگل تصادفی تحلیل شدند. سپس شاخص های کلیدی هر رویکرد یکپارچه شده و هر گویه بر اساس عملکردش رتبه بندی شد تا گویه های هسته ای، مکمل و نیازمند بازنگری شناسایی شوند.نتایج: مدل ESEM-within-CFA با برازش عالی (۰۰۰/۰=RMSEA؛ ۰۰/۱=CFA) به عنوان مدل نهایی انتخاب شد. تحلیل های مستقل دیگر، از جمله نظریه پاسخ پرسش (مدل MGPCM)، تحلیل گراف اکتشافی و تحلیل شبکه، ساختار دوعاملی مقیاس (ناتوانی ادراک شده و خودکارآمدی ادراک شده) را تایید کردند. بر اساس رتبه بندی نهایی، گویه های ۲ و ۱۰ به عنوان گویه های هسته ای، گویه های ۱، ۳، ۸ و ۹ به عنوان گویه های مکمل و گویه های ۴، ۶، ۷ و به ویژه گویه ۵ به عنوان گویه های نیازمند بازنگری شناسایی شدند.بحث و نتیجه گیری: یافته ها نه تنها از اعتبار سازه ای قوی PSS-۱۰ حمایت کردند، بلکه نشان دادند که روش چند رویکردی به کار گرفته شده در این پژوهش، ابزار قدرتمندی را برای شناسایی دقیق گویه های کلیدی و بهینه سازی ابزارهای سنجش فراهم می کند.

کلیدواژه ها:

مقیاس استرس ادراک شده ، ساختار عاملی ، نظریه پاسخ پرسش ، تحلیل شبکه روانشناختی ، یادگیری ماشین