Blog 進展紀錄：2015.10.19-2015.10.23

[進展/進度]

關於臉部表情之IRB

• 完成委員意見之回覆
• 完成紙本資料的準備
• 過程中發生一次補件需求（非原始資料要求的內容）
• 已排除上述狀況，重新送出紙本資料

---

[困境想法]

Mentalizing item bank

• 語意（ 直觀之行為表現）與意圖的差異：二者其實有差異，但目前的意圖問句無法區分此差異；此外，目前有些題目有這種差異，有些則否。續思考此問題，等待此概念更為清楚之後，可朝向：(1)如何問出二者之差異；以及 (2)如何建構有差異的題目情境。
• • 語意（直觀之行為表現 ）：直觀的意思或所傳達的資訊，如「我生日那天寵物店會開嗎？」，字面上的意思是詢問寵物店是否會開。
  • 意圖：動機或者欲達成的結果，如「我生日那天寵物店會開嗎？」的動機是「暗示我想要寵物當生日禮物」。
• 概念發展的階段與順序：概念發展的順序為意圖、需求然後才是信念，但彼此之間的關係似乎沒有這麼單純。目前發現的問題如下：
• • 信念影響個體對他人意圖的解讀：知道或者不知道一些事件影響個體對於他人意圖的判斷，也影響其後續的情緒、感受。
  • • 推測的動機與對方實際的動機可能不同，而這個動機對他人而言也可以是一種信念（個體認為另外一個個體行為的意義）？ 
  • 需求與信念的差異：需求是什麼？ 如解釋為偏好、個體的優先選擇，那是否為另外一種信念（對另外一個個體的瞭解）？
  • 或許發展的milestone呈現的是能否區分，但發展完成之後的作用卻是程度之分。這造成概念與難度之間的差異不相符的狀況。
• 進度：初步題目審核完成，接下來將統計目前的題目之數量並且補充不足之處，後找親友填寫測試。

---

[學習成果]

PASS & SFPASS稿件修改

• 釐清Chi-square, McNear's test與Marginal Homogeneity之差異：
• • Chi-square：適用於獨立樣本，將個案分為二分變項。
  • McNear's test：適用於相依樣本、將個案分為二分變項 。
  • Marginal Homogeneity test：適用於相依樣本、將個案分為二組以上者，可視為McNear's test的延伸。
  • 參考資料：http://www.sussex.ac.uk/its/pdfs/SPSS_Exact_Tests_21.pdf
• 以MATLAB執行10,000次之Bootstraps以估計Kazis' effect size與SRM的95%信賴區間
• • 概述：目的為產生Kazis' effect size與SRM之95%信賴區間
  • 1. 產生隨機亂數，每次產生263筆介於1-263之數字，數字可重複 (with replacement)。
    2. 依步驟1之結果，自原始資料中抽取個案之作答反應（亂數為1，則抽第1個人的資料；亂數為100，則抽第100個人的資料，以此類推）。
    3. 依公式計算Kazis' effect size與SRM，並紀錄此結果。
    4. 重複步驟1-3共10,000次，得到10,000筆Kazis' effect size與SRM之數值。
    5. 自小而大排序Kazis' effect size與SRM的數值，並且掐頭去尾刪除各2.5% （即保留251-9750位的數值） 。
    6. 取最大最小值，得95%信賴區間。
• 若MDC相對於滿分之比率與個體層級反應性之影響？
• • 問題：懷疑使用MDC是否造成相對於滿分之比率膨脹的狀況（SE差異不大，但因使用MDC而造成較差的結果） ？
  • 概述：比較PASS與SFPASS之MDC與SE相對於滿分之比率，發現PASS與SFPASS之MDC相對於滿分之比率差異較大 (0.09 vs. 0.15)，但以SE計算則不明顯 (0.03 vs. 0.05)，進而懷疑使用MDC計算會造成MDC相對於滿分之比率膨脹。後發現因MDC可視為SE得信耐區間，故比較對象應為1.96*SE，又二者公式只差根號2倍，故推測實際差異有限。但計算後仍發現些許差異，MDC估計相對於滿分得比率仍較使用SE大，或許使用SE估計的方法可得到較好的結果？
  • 未來繼續思考的議題：若直接比較IRT的結果與MDC估計的結果，會如何？ 那會是什麼東西之間的比較？
  • 補充1：PASS與SFPASS之MDC、SE相對於滿分之比率
  • • MDC是隨機測量誤差的一種指標，其計算方法為1.96*sqrt(2)*SE。
    • PASS之MDC(95)為3.2分，相對於總分之比率約為0.09；換算其SE為1.15，相對於滿分之比率約為0.03；1.96倍之SE為2.25，相對於滿分為0.06。
    • SFPASS之MDC(95)為2.2分，相對於總分之比率約為0.15；換算其SE為0.79，相對於滿分之比率約為0.05；1.96倍之SE為1.55，相對於滿分為0.10。
  • 補充2：MDC與1.96倍SE之公式
  • • MDC(95) = 1.96*sqrt(2)*SE
    • 1.96倍SE = 1.96*SE

---

[討論結論]

NA

---

[其他]

凱旋收案進度

• R-SFST
• • 修正R-SFST之bug。資料已可正常輸出。
  • 下周開始回收R-SFST之資料。
• 四種ToM測驗
• • 弦外之音測驗中開玩笑該題，若個案以「那只是比較大的狗」回答「為何A要這麼說？（參考答案為開玩笑）」是否給分？ ANS：我認為可給分，但宜記錄個案以這樣的方式回答，以做為我們未來修改的參考。

行為觀察測驗之介紹：關於Facial reader

• Facial reader的基礎為FACS系統：
• • 目前已知其可區分social smile, or true smile！
  • 可提供情緒種類、強度、個體之arsoual level等資訊（不知道如何辦到的）
• 應用：
• • 目前常應用於廣告試驗，或者其他神經心理的研究中。如讓受試者看影片，觀察其情緒並測量其情緒強度以決定哪些廣告的效果較好。
  • 也可用於訓練ASD的兒童做出符合FACS的表情；或者訓練他們變認他人表情所代表的情緒。（但是這樣訓練的意義，以及與現實生活的銜接部分可再考慮）
• 標準化：以耳朵等標記定位，且與受試者與攝影機之距離、拍攝角度等有關。提供可參考的motor unit資訊以判讀情緒。
• 文化差異：似乎提到其系統已經建立各文化的常模（他說model），因此沒有文化差異的問題、都可以辨認（但是不知道是否需要選擇模式，或者系統可以自己來）。
• 心理計量特性：似乎沒有這樣的資訊。講者認為這難以驗證（他指出相同的影片重覆分析，結果會相同。這樣算嗎？）
• • **若讓個體重複做出對他而言最開心的笑容，重複測量10次，結果是否會相同？  若否，評估結果之比較是否應較為保守呢？
• 補充：
• • #有提到ASD小朋友的表情較少、偏向中性。沒有直接回答是否有病人的model，只提到他們可被應用於訓練病人表達或者辨認表情。
  • 好像有FaceReader Online可以使用，有空再去瞭解一下其內容。