Introduction Développer des mesures psychologiques à court terme est essentiel pour réduire la charge des répondants, gagner du temps et conserver des ressources. Cependant, les approches existantes de développement à court terme nécessitent généralement une administration à grande échelle et s'appuient sur une analyse factorielle ou des techniques d'apprentissage automatique basées sur des données de réponse. Méthodes Cette étude propose une méthode novatrice et indépendante des données pour la réduction d'articles utilisant des intégrations sémantiques basées sur des transformateurs. Les articles de l'International Personality Item Pool Big-Five Factor Markers (IPIP-50) ont été intégrés à l'aide du modèle sentence-t5-xxl pour générer des représentations sémantiques denses. Ces intégrations ont été groupées via K-means, et des articles représentatifs ont été sélectionnés en fonction de leur proximité avec les centroïdes de groupe. Résultats La version courte de 30 articles préservait la structure originale à cinq facteurs et démontrait de solides propriétés psychométriques. Lorsqu'elle était comparée à la théorie des tests classiques et à un algorithme génétique, la méthode proposée a atteint des niveaux de fiabilité, de validité convergente et de performance prédictive comparables. Discussion Ces résultats mettent en évidence le potentiel des approches d'intégration basées sur des transformateurs pour une réduction efficace des articles et le développement d'articles. Les résultats soutiennent la faisabilité d'une alternative économiquement efficace, linguistiquement fondée aux méthodes de réduction dépendantes des données.
Jung et al. (Mercredi,) ont étudié cette question.