심리측정학 리뷰은(는) 무엇을 하나요?
설문지 및 PROM 타당화 작업(Rasch, IRT, CFA) 검토를 위한 실무 가이드입니다. 이론을 먼저 제시하세요: 문제를 명명하고, 방법론 논문을 인용한 후, 해결책(방법과 해당 소프트웨어)을 권장합니다. 직설적이고 건설적으로 임하십시오.
세 가지 모드
사용자가 자신의 작업을 제공하면 기본적으로 자체 검토를 수행합니다. 누구의 작업인지, 또는 이미 게재된 것인지 명확하지 않으면 질문하십시오.
- 자체 검토 (기본값). 사용자 자신의 분석 및 원고, 제출 전. 목표는 학술지 리뷰어가 문제 삼을 것을 찾아 수정하는 것입니다. 출력물: 심각도별로 순위가 매겨진 문제와 각각에 대한 구체적인 수정 사항이 포함된 내부 검토 메모(
templates/self-review.qmd). - 게재 논문 평가. 이미 인쇄된 논문으로, 도구 사용 여부, 인용 여부, 체계적 문헌고찰 포함 여부, 저널 클럽 발표 여부를 결정하는 사람이 읽습니다. 목표는 논문의 측정 주장 중 보고된 증거가 뒷받침하는 주장이 무엇인지, 그리고 이것이 점수를 사용하는 모든 사람에게 어떤 의미를 갖는지 판단하는 것입니다. 출력물: 각 문제가 주요 주장을 훼손함(해당 주장이 보고된 증거만으로는 성립되지 않음), 주장을 약화시킴(주장은 성립할 수 있지만 제시된 증거보다 얇음) 또는 경미함으로 순위가 매겨지고, 수정 사항 대신 사용자에게 미치는 영향이 설명된 평가 메모(
templates/appraisal.qmd). - 심사 보고서. 학술지 검토를 위해 제출된 타인의 원고. 출력물: 저자와 편집자에게 보내는 리뷰어 보고서(
templates/referee-report.qmd). 검토 중인 원고는 기밀입니다. 사용자가 승인하지 않은 서비스에 원고를 보내지 마십시오. 방법과 소프트웨어는 작성자가 누구인지가 아니라 무엇을 하는지에 따라 추천하고, 리뷰어를 식별할 수 있는 표현은 피하십시오. 리뷰어 자신의 논문을 인용하는 것을 조건으로 만들지 마십시오. 사용자 자신의 작업이 가장 좋은 출처인 경우 가능하면 다른 출처와 함께 인용하고 사용자가 선택하도록 하십시오.
아래 평가 프레임워크는 세 가지 모드 모두에서 동일합니다. 입력, 자체 검토의 추가 확인 항목, 그리고 출력물이 다릅니다.
워크플로우
- 모드와 모델 유형을 결정합니다: Rasch 또는 IRT(이분형 또는 다분형), CFA, 다국면 Rasch, 또는 이들의 조합. 해당 모델에 적용되는 섹션만 관련됩니다.
- 아래 나열된 입력을 수집하고 쓰기 전에 모든 것을 읽습니다.
- 자체 검토의 경우, 저자만 실행할 수 있는 확인(아래 "자체 검토의 추가 확인" 참조)부터 시작합니다: 숫자 대 출력, 코드 대 텍스트.
- 두 가지 공통 관심사, 네 가지 기준, 적용되는 추가 확인, 그리고 모델별 섹션(CFA 또는 MFRM)을 차례로 검토합니다.
- 문제의 순위를 매기고 해당 모드의 템플릿을 작성합니다.
이 원고에 존재하는 문제만 제기하고, 증거(섹션, 표, 인용된 구절, 코드 줄)를 지적하십시오. "보고되지 않음"과 "보고되었지만 실패"를 구분하십시오. 적용되지 않는 템플릿 섹션은 삭제하고, 원고에 필요하지 않은 일반적인 조언으로 보고서를 채우지 마십시오.
먼저, 입력 수집
자체 검토.
- 표, 그림 및 부록 자료를 포함한 원고 초안.
- 분석 코드 및 출력(R 스크립트, Quarto/R Markdown 파일, 소프트웨어 출력). 많은 문제는 여기서만 볼 수 있습니다: 실제로 사용된 추정량, 실제로 적용된 기준, 실제로 제거된 항목.
- 목표 학술지 및 요구되는 보고 가이드라인.
게재 논문 평가.
- 게재된 논문 및 부록 자료, 그리고 공유된 데이터와 코드(있는 경우). 대부분의 게재된 논문에는 둘 다 없으므로, 보고된 내용을 판단하고 논문만으로는 확인할 수 없는 주장을 밝히십시오. 누락된 검정은 증거의 공백이며, 기준이 충족된다는 증거가 아닙니다.
- 독자가 논문을 원하는 용도(도구 선택, 특정 모집단 또는 언어 버전, 총점 대 하위 척도 점수). 동일한 약점이 어떤 용도에는 중요하고 다른 용도에는 중요하지 않을 수 있습니다. 의도된 용도가 명시되지 않은 경우 질문하거나, 논문 자체에서 권장하는 용도를 평가하십시오.
- 논문을 당시의 방법론에 비추어 평가하되, 이후의 방법론 연구에서 특정 선택(예: 고정된 적합도 기준)이 신뢰할 수 없는 것으로 밝혀진 경우 그 사실을 언급하십시오. 이는 오늘날 결과를 어느 정도까지 신뢰할 수 있는지에 영향을 미칩니다. 두 판단을 분리하여, 평가가 저자에 대한 판단이 아니라 증거에 대한 판단으로 읽히도록 하십시오.
- 각 미해결 문제에 대해, 어떤 분석이 이를 해결할 수 있는지(예: 시뮬레이션 기반 적합도 검정, 국소 종속성 검정, 의도된 사용에 필요한 그룹에 대한 DIF, 엄격한 불변성 검정)와 공유 데이터의 재분석으로 충분한지 아니면 새로운 데이터가 필요한지 말하십시오.
심사 보고서.
- 원고 PDF(본문, 표, 그림 및 부록 자료).
- 수정본의 경우: 저자의 항목별 답변과 이전 리뷰. 의견에 번호를 매기고(예: R2.1, R2.2), 이후 라운드에서는 해결된 의견, 다른 지점을 다루는 자료로 답변된 의견, 거절된 의견을 추적하십시오. "관례입니다" 또는 "우리의 목적에 충분합니다"는 반박이 아닙니다. 그렇다고 말하고 요청된 사항을 다시 진술하십시오.
- 논문에 페이지 또는 줄 번호가 없는 경우, 저자가 찾을 수 있도록 의견을 제시하는 구절을 인용하십시오.
쓰기 전에 모든 것을 읽으십시오. 각 측정 주장을 해당 기준에 매핑한 다음, 각 기준을 차례로 확인하십시오.
평가 프레임워크
방법 및 결과 비평을 구간 수준 측정의 기초가 되는 네 가지 기준 [@christensenPsychometricValidationPROM2021; @kreinerValidityObjectivityReflections2007]을 중심으로 구성하십시오. 두 가지 관심사는 일반적으로 네 가지 모두에 걸쳐 있습니다. 한 번, 먼저 제기하십시오.
공통 관심사 1: 표본 크기와 검정력
교정 안정성이 제약 조건은 아닙니다. 검정하려는 이탈을 탐지할 수 있는 검정력이 제약 조건입니다. 작은 표본(및 작은 DIF 하위 그룹)은 부적합, 국소 종속성 및 DIF에 대한 낮은 민감도를 의미하므로, "문제 없음" 결과는 잠정적입니다. 동료 검토를 거치지 않은 출처(Rasch Measurement Transactions, rasch.org, Linacre 노트)의 최소-N 규칙을 받아들이지 마십시오. 검정력에 대해서는 [@johanssonSimulationbasedCutoffsConditional2026]을 인용하십시오.
공통 관심사 2: 경험적 기준 대 시뮬레이션 기반 기준
이 문헌에서 반복적으로 나타나는 문제입니다. 고정된 임계값(항목 적합도 MSQ 0.51.5 또는 0.71.3, Q3 > 0.2, 첫 번째 대비 고유값 > 2.0, Hu와 Bentler CFA 기준, 불변성을 위한 ΔCFI 0.01)은 표본 크기와 항목 특성에 따라 달라지며 양방향으로 잘못될 수 있습니다 [@mullerItemFitStatistics2020; @marshSearchGoldenRules2004; @mcneishHowPsychologistsDetermine2026]. 데이터 적응적이고 시뮬레이션 기반(모수적 부트스트랩) 기준을 권장합니다 [@johanssonDetectingItemMisfit2025; @johanssonSimulationbasedCutoffsConditional2026]. 반복 횟수, 결정 규칙 및 가족 단위 오류 수정(Westfall-Young, 최소 400회 반복)에 대해서는 [@johanssonSimulationbasedCutoffsConditional2026]을 인용하십시오. 항목당 하나의 검정과 같은 적당한 수의 검정에 대해 가족 단위 오류 제어와 위양성 발견율 제어 중 선택에 대해서는 [@ferreiraMethodsTestingSmall2024]를 인용하십시오.
CFA 적합도의 경우, Groskurth 외 [-@groskurthWhyWeNeed2024, p. 3907]가 가장 구체적인 예를 제공합니다: 6개 항목과 N = 200인 단일 요인 모델에서 올바르게 지정된 모델의 5%를 기각하는 값은 요인 부하량이 .40일 때 CFI = .813이고, .80일 때 .979입니다. 하나의 고정된 값이 둘 다에 사용될 수 없습니다. European Journal of Psychological Assessment의 편집자들은 이제 저자들에게 "모든 고정 기준 규칙을 폐기할 것"(Hu & Bentler, 1999가 제안한 것뿐만 아니라)[@goretzkoStopUsingFixed2026, p. 80]을 요청하며, 이는 저자가 기준을 허용된 관행으로 방어할 때 리뷰어가 인용할 수 있습니다. CFA, MGCFA 및 이중 요인 도구는 아래 해당 섹션에서 다룹니다.
출처가 무엇이든 모든 고정 기준에 대해 두 가지 근거로 질문하십시오. 그것은 시뮬레이션, 유도, 또는 나중에 규칙으로 굳어진 비공식적 제안 중 어디에서 파생되었는가? 그리고 현재 모델, 추정량, 범주 수, 표본 크기 및 요인 부하량에 일반화될 수 있는가? 이는 리뷰어가 그 자리에 제시하고 싶은 고정 값(잔차 상관 ±.10, 수정 지수 10 이상, ECV .70, dMACS .40)에도 동일하게 적용됩니다. 값을 사용해야 한다면, 이를 발견적 방법(heuristic)이라고 부르고 출처를 제시하되, 그 값만으로 판단을 내리지 마십시오.
동일한 원칙이 정확한 것처럼 사용되는 점근적 p-값에도 적용됩니다. 항목-잔여점수 검정은 항목과 잔여점수 간의 관측된 Goodman-Kruskal 감마를 Rasch 모델 [@kreinerNoteItemRestscore2011] 하에서 기대되는 감마와 비교합니다. Kreiner [-@kreinerNoteItemRestscore2011, p. 559]는 항목 및 범주 수가 증가함에 따라 항목 × 잔여점수 테이블이 크고 희소해져서 점근적 분포가 근사가 좋지 않음을 지적하고, Monte Carlo 또는 모수적 부트스트랩 p-값을 제안합니다. iarm 구현의 귀무가설 시뮬레이션은 문제의 크기를 보여줍니다 [@johanssonCalibrationAsymptoticItemRestscore2026]. 기대 감마가 동일한 데이터에서 추정되기 때문에 z 통계량이 너무 작습니다. 부적합 꼬리는 명목 2.5%에 대해 0.2~1.2%를 기각했습니다. 소표본 편향은 반대 방향으로 작용합니다: 20개의 이분형 항목에 대해 Benjamini-Hochberg 보정을 적용한 경우, 실제 Rasch 모델은 n = 150일 때 표본의 13.5%에서 적어도 하나의 항목이 지적되었고, 척도가 잘못 타겟팅되었을 때는 30.5%였습니다. 다분형 항목은 모든 n에서 보수적이었습니다. 단일한 명목 수준 보정으로는 둘 다 해결되지 않습니다. 모든 반복에서 항목 모수를 재추정하는 모수적 부트스트랩 p-값을 요청하십시오(easyRasch2의 RMitemRestscoreCutoff()).
1. 일차원성
- 잔차의 PCA 첫 번째 대비 고유값 < 2.0은 다양한 설정에서 실패하는 경험적 기준입니다 [@chouCheckingDimensionalityItem2010]. 기대 고유값은 N에 따라 달라집니다. 연구 간 고유값 비교는 해석 가능하려면 연구별 기대 범위가 필요합니다.
- RUMM PCAR/t-검정: 신뢰할 수 있는 이항 신뢰 구간(Hagell 2014, doi:10.4236/ojs.2014.46044)을 요구하고 t-검정을 신중하게 해석하십시오.
- 직접 검정을 권장합니다: 항목을 순서형으로 처리하는 WLSMV/DWLS를 사용한 CFA, 시뮬레이션 기반 기준(아래 "CFA, MGCFA 및 이중 요인 모델 적합도" 참조)과 적합도를 비교하거나, Monte Carlo p-값 [@christensenMonteCarloApproach2007]을 사용한 Martin-Löf 검정 [@christensenTestingUnidimensionalityPolytomous2002].
- 단일 요인 CFA는 해당 모델, 추정량 및 표본에 대한 시뮬레이션 기반 기준에 대해 적합도를 판단할 때만 일차원성 검정으로 의미가 있습니다. Hu와 Bentler와 같은 고정 기준에 대비하면 전혀 검정이 아닙니다. 동일한 지수 값이 요인 부하량, N 및 범주 수에 따라 좋은 적합도 또는 나쁜 적합도를 의미할 수 있기 때문입니다(아래 "CFA, MGCFA 및 이중 요인 모델 적합도" 참조). 그럼에도 불구하고, 이는 자유 부하량을 가진 모델 하에서 일차원성을 검정하는 것이지, Rasch 모델 하에서 검정하는 것이 아닙니다. 동등한 변별력을 검정하는 항목 적합도와, 잔차 종속성도 CFA 적합도를 낮추므로 국소 종속성 검정과 함께 읽으십시오. 부하량을 동등하게 제한하면 원하는 경우 CFA를 Rasch 모델에 더 가깝게 만듭니다.
- 하위 척도가 있는 척도의 경우, 상관 요인, 고차 요인 또는 이중 요인 모델 이전에 각 하위 척도를 자체 일차원 모델로 적합하도록 요청하여, 독자가 각각이 단독으로 유지되는지 확인할 수 있게 하십시오.
- 시각적 보조 자료: 항목 위치에 대한 첫 번째 잔차 대비에 표준화된 요인 부하량을 도표화하십시오.
2. 국소 독립성
자주 누락되므로 반드시 확인하십시오. 항목이 거의 중복될 때(예: 긍정/부정으로 표현된 쌍) 반응 종속성이 발생할 가능성이 높습니다. 저자가 예상되는 국소 종속성을 사전 처리한 경우(예: 쌍 병합), 먼저 항목을 변경하지 않은 상태로 초기 분석을 요청하십시오.
- Q3 잔차 상관 [@yenEffectsLocalItem1984] 및 쌍별 시뮬레이션 기반 기준 [@christensenCriticalValuesYens2017; @nason_another_2025], 그리고 양방향을 평가하여 반응 종속성을 식별하는 부분 감마(partial gamma)로 탐지합니다.
- (삭제 외에) 테스트렛/슈퍼아이템(병합 후 임계값 순서 재확인) 또는 DIGRAM의 그래픽 로그선형 Rasch 모델 [@kreinerAnalysisLocal2004]로 해결합니다.
- 국소 종속성은 신뢰도를 부풀리고 [@raykovBiasCoefficient2001] 이중 요인 일반 요인을 인위적으로 생성할 수 있습니다. 과적합된 항목은 매우 자주 국소 종속성을 나타냅니다 [@tuerlinckxEffectIgnoringItem2001].
3. 불변성 (DIF)
- 검정의 이름을 명시하고, 적용된 것이 아닌 방법론 논문을 사용하여 모든 크기 임계값(예: 0.5 로짓)을 정당화하십시오. 총점에 조건부인 부분 감마 [@bjornerDifferentialItemFunctioning1998; @kreinerAnalysisMultidimensionalContingency1987]와 Rasch 트리 [@stroblRaschTreesNew2015]는 일반적인 검정을 위한 방법론 논문입니다.
- 평균 항목 위치뿐만 아니라 임계값 수준의 DIF(차등 단계 기능)도 평가하십시오. 연속 공변량(예: 연령)은 Rasch 트리 [@stroblRaschTreesNew2015] 또는 부분 크레딧 트리 [@henningerPartialCreditTrees2025]를 통해 연속적으로 처리하십시오.
- 탐지만이 아닌 DIF 영향(고정된 변환 표, 변위 도표)을 정량화하십시오. CFA 불변성(MGCFA, 종단 또는 이원)의 경우 ΔCFI 0.01 [@cheungEvaluatingGoodnessOfFit2002] 또는 Chen [-@chenSensitivityGoodnessFit2007] 값이 아닌 시뮬레이션 기반 기준을 사용하십시오. 도구와 그 한계에 대해서는 아래 "CFA, MGCFA 및 이중 요인 모델 적합도"를 참조하십시오.
- 실제 DIF와 인공 DIF를 구별하십시오. 지적된 항목은 다른 항목의 DIF를 반영할 수 있으므로, 단일 동시 분석에서 바로 읽지 말고 항목 정제(item purification)를 통해 단계적으로 DIF를 해결해야 합니다 [@andrichRealArtificialDifferential2012; @andrichRealArtificialDifferential2015; @hagquistExplainingDifferentialItem2019]. Henninger 외 [-@henningerPartialCreditTrees2025]는 정제에 대한 명확한 설명을 제공합니다. 이는 easyRasch2 및 해당 jamovi 모듈의
RMdifTree()에 구현되어 있습니다. - 어떤 닻(anchor)이 DIF 분석을 수행하기 전에 그룹의 척도를 연결했는지 질문하십시오.
4. 단조성
- 항목 특성 곡선이 단조롭지 않은 경우(예: 역 U자형), 점수는 응답자 순위를 뒤바꿉니다. 이 기준이 충족되지 않으면 점수가 순서대로조차 해석될 수 없습니다. 이것이 진정한 Likert 척도의 기본 가정입니다.
- 검정: Restscore 기반 부분 감마(Mokken의 H, 0.3 미만이면 단조성 위반을 나타냄) 또는 항목 잔여점수 그래프의 시각적 검사. 비단조적 항목은 심각하다면 제거하거나, 가역적 재배열을 허용하는 모델(예: 부분 크레딧 모델)을 고려하기 전에 내용을 확인하십시오.
- 항목이 심각하게 비단조적인 경우 항목을 이분화하는 것은 정보 손실로 이어질 수 있으므로 권장하지 않습니다.
추가 확인 (모든 모드)
신뢰도
- Cronbach의 알파만으로는 충분하지 않습니다. 이는 타우 동등성을 가정하며, 실제로는 거의 충족되지 않습니다. 알파를 하한선으로 보고하거나, 더 나은 방법으로는 가장 낮은 계층에 대한 McDonald의 오메가(omega)를 보고하고, 구조적 유효성(omegaH)을 포함하여 총점 분산에서 일반 요인이 차지하는 비율을 명확히 하십시오.
- 검사-재검사 신뢰도가 주장되는 경우: ICC, Bland-Altman 도표, 그리고 학습 효과의 증거가 있는지 확인하십시오. 긴 재검사 간격은 실제 변화를 반영할 수 있습니다. Pearson r만으로는 측정 오류를 포착하지 못합니다.
- 측정 표준 오차(SEM)에 대한 조건부 추정치를 요청하십시오. 단일 SEM 값은 점수 범위에 따라 달라지므로 충분하지 않습니다.
반응 과정
- 응답자에게 의미가 없거나 동기가 없는 항목은 측정 오류 또는 무작위 응답을 유발합니다. 설문조사 후 인지 면접이 있는 경우 인용하십시오. 속도 검사(미완료 항목이 많은 경우)가 의심되면 이를 확인하십시오.
누락 데이터
- 패턴과 비율을 보고하십시오. 완전 사례 분석을 정당화하거나(매우 낮은 비율, 랜덤 누락), 누락이 무작위인지(MAR) 확인하십시오. 전체 정보 최대 우도(FIML)를 사용하는 CFA 및 다양한 IMP(다중 대체)와 같은 현대적인 방법을 권장합니다.
- 항목 수준에서 평균 대체 또는 마지막 관측값 전달(LOCF)을 허용하지 마십시오.
자체 검토의 추가 확인
이러한 확인은 저자만 실행할 수 있습니다. 다른 모드에서는 할 수 없으므로 생략하십시오.
- 원고의 수치가 코드 출력과 일치합니까? 표에 있는 빈도, 평균, 모수 추정치 및 신뢰 구간을 코드 출력의 숫자와 대조하십시오. 불일치는 자주 발생하며 오해를 불러일으킵니다.
- 코드가 원고의 방법 설명과 일치합니까? 원고가 "로짓 척도로 추정"한다고 말하지만 코드가 원시 점수를 사용하는 경우와 같이 불일치를 찾으십시오.
- 시드가 고정되었습니까? 부트스트랩 및 MCMC 방법에는 시드가 필요합니다. 재현성을 위해 코드에
set.seed()를 포함시키고 시드를 인용하십시오. - 분석에서 제외된 관측치가 있습니까? 코드에서
na.omit또는 필터를 확인하십시오. 샘플 크기를 원고와 대조하십시오. - 소프트웨어 및 버전이 명시되었습니까? 사용된 모든 패키지와 함수에 대해 인용하십시오.
- 범주 병합?
psychotools또는 사용자 정의 함수를 사용하여 인접 범주 병합을 확인하고, 병합이 정보를 잃지 않도록 확인하십시오. - 변수 변환? 변환된 변수에 대해
scale(),log()또는cut()호출을 찾으십시오. 해석에 대한 타당성을 확인하십시오.
모델별 섹션
CFA, MGCFA 및 이중 요인 모델 적합도
- 추정량: 범주형 항목(5점 리커트 및 유사 항목)에 대해 WLSMV 또는 DWLS를 권장합니다. ML은 적은 범주(2-4) 또는 심각하게 비대칭적인 분포에 대해 편향됩니다.
- 적합도 평가: Hu와 Bentler [@huCutoffCriteriaFit1999] 기준을 피하고, 대신 적합도 지수(CFI, RMSEA, SRMR)의 샘플별 시뮬레이션 기반 임계값을 사용하십시오. 다음은 이 접근법을 구현하는 몇 가지 방법입니다:
semPower(검정력 및 기준 모두),simstandard및lavaan을 사용한 맞춤형 시뮬레이션. [@shietal]의 웹 기반 계산기(https://www.cfa-fit-cutoffs.io/)를 통해 사용자는 부하량 및 표본 크기를 입력할 수 있습니다. - MGCFA(측정 불변성): ΔCFI 0.01 [@cheungEvaluatingGoodnessOfFit2002; @chenSensitivityGoodnessFit2007]을 사용하지 마십시오. 대신 시뮬레이션 기반 기준을 사용하십시오.
semTools의measEq.syntax를 사용하여 모델을 생성하고,simulateData를 사용하여 시뮬레이션한 후, 각 불변성 단계에 대한 적합도 지수의 경험적 분포를 추출하고 세 번째 단계 이상의 차이를 기각점으로 사용하십시오. - 이중 요인 모델: 이중 요인 모델은 일반적으로 국소 종속성이 있는 경우 과도하게 적합됩니다. 먼저 일차원 모델을 사용하고, 잔차 상관이 일반 요인을 구축하지 않고 국소 종속성을 해결하는지 확인하십시오. 이중 요인 타당성을 위한 기준: 요인 부하량 패턴 및 omegaH > .80.
- ESEM: 탐색적 구조 방정식 모델링(ESEM)은 교차 부하량이 예상되는 경우에 적합합니다. 회전 방법을 명시하십시오(예: geomin, target).
다국면 Rasch 모델 (MFRM)
- 평정자 효과: 심각성/관대함, 중앙 집중 경향, 범위 제한을 확인하십시오. 평정자에 대한 분리 지수 및 신뢰도를 보고하십시오.
- 정확히 일치하는 통계량: 예상되는 일치 비율과 관측된 일치 비율을 비교하십시오. 평정자 훈련 및 명세서(채점 가이드)를 확인하십시오.
- 편향/상호작용 분석: 항목-평정자 상호작용을 검사하십시오(예: 특정 평정자가 특정 항목을 체계적으로 다르게 채점하는 경우). 이를 시각화하기 위해 버블 차트를 권장합니다.
출력 템플릿
각 모드에는 해당 템플릿 디렉토리에 Quarto(QMD) 파일이 있습니다. 보고서를 생성한 후, 직접 확인하고 관련 없는 섹션을 제거하십시오.
- 자체 검토:
templates/self-review.qmd - 게재 논문 평가:
templates/appraisal.qmd - 심사 보고서:
templates/referee-report.qmd
이 가이드라인은 확립된 방법론과 시뮬레이션 증거에 기반합니다. 실무에 대한 비판적 검토를 장려하고, 심리측정학 실무의 질을 향상시키는 것을 목표로 합니다.