這個月初有一篇稿件 "Evaluating the European Health Literacy Survey Questionnaire in patients with stroke: A latent trait analysis using Rasch modeling" 終於被 The Patient 期刊接受了！
這篇稿件應屬我的學術生涯中，投稿歷程最痛苦的一篇了吧！（雖然我的學術生涯還很短XD）痛苦到我第一次數度萌生撤稿的念頭。
這篇稿件投稿過程歷時近2年的時間（2015/10/19投稿第1本期刊），總共投了11本，且第11本還與超級專業又嚴謹（刁鑽）的審查者來回修改了4回！Response letter的長度從第一次的41頁，第二次的26頁，第三次的17頁，一直到最後一次的15頁，每每都是精闢又核心的修改建議，讓我對於Rasch分析的概念與資料分析方法有更深刻的認識。
這篇論文的修改，真的是讓我遇到高手中的高手了！這個審查者讓我又愛又恨，愛他的無私教導，感謝他每次都看超快又給了一堆具建設性的建議。很多建議都是我們研究室內原本所不知道的概念或方法。恨他讓我每次看完審查意見後都不知所措地痛苦掙扎，每個建議幾乎都必須整篇從頭到尾大改寫，每次改完都是紅通通的一篇，一副紅字才是原稿的樣子XD
感謝共同作者們給我的支持和協助，尤其是承德的技術指導以及謝老師的稿件修改建議，讓我能堅持下去沒有真的放棄：）也謝謝這位審查者帶給我的痛苦與成長！
2017年7月31日 星期一
2016年12月16日 星期五
HLS-EU-Q_cancer稿件投稿歷程
昨天有一篇稿件 "Validation of the European Health Literacy Survey Questionnaire in women with breast cancer" 終於被 Cancer Nursing 期刊接受了！
這篇稿件，光投稿過程就歷時超過1年半的時間（自2015/5/22投稿第一本期刊），歷經8本期刊的退稿（都是對主題沒興趣），終於在第9本期刊找到歸屬。在第9本期刊進入審查時，也是命運多舛，共回覆了兩回審查意見。在最終回審查時，editor為了等待其中一位reviewer上傳審查結果，拖了超過半年的時間，最後由editor自行完成審查。
投稿過程不甚順利，我歸納出以下2個原因：
1. 我們對於衛教/健康識能領域還很陌生，無法掌握相關期刊的偏好，所以我們只能窮舉出可能有興趣且還不錯的期刊，一直不斷被退稿再改投，試試大家的水溫。
2. 我們的研究主題為特定疾病族群的健康識能，這是個三不管地帶的主題。健康識能在公共衛生領域是個最近很熱門的議題，但這領域的期刊往往嫌我們的研究對象太狹隘了，難以類推至大眾；而在疾病相關的醫療領域，健康識能不是醫師們感興趣的議題。我們最後發現：護理領域對於這類主題較感興趣，因此往後可優先鎖定護理領域的期刊。
這篇論文投稿過程最大的收穫是，我學習到如何找投稿期刊。以往的稿件主要都是投稿到復健領域的期刊，老師對於復健領域的期刊很熟悉，總會在完成稿件時就告訴我們要投哪一本期刊。然而，我們團隊對於衛教/健康識能領域的期刊都很陌生，不會有人告訴我該投哪一本，在不斷被退稿的過程中，我必須獨立找出下一本可以投稿的期刊，再告訴共同作者們我接下來要投稿哪一本。這個過程有點無助，但也因此讓我現在對於找期刊這件事不會這麼徬徨不知所措了。我找投稿期刊的方法如下：1. 在Jane網站中輸入稿件標題，點選 "Find journals" 參考其建議的期刊清單、2. 排序EndNote中引用文獻之期刊，挑出出現頻率較高之期刊、3. 在PubMed中輸入稿件的keywords/Mesh terms檢索近幾年文獻，挑出出現頻率較高之期刊、4. 在JCR之subject category中找出與研究主題相關的category，再進入那些category檢視排名較前面的期刊，挑出潛在的期刊。最後再彙整上述4種方法所得的期刊清單，一一檢視其impact factor與排名，以及刊登相關主題的文章數。
回顧自己第一次投稿到現在，對於被退稿一事的接受能力已大幅提升。三年半前（碩一下），我第一次完成一篇論文，投稿國內的中文期刊，就被退稿了！（詳FIFE稿件被退稿了）當時收到通知時還眼眶泛淚，覺得自己的努力與能力都被否定了，哀怨了一整天，過了幾天才重新振作再改投其它期刊。而現在，我已經可以將退稿視為理所當然，本來就會有人喜歡我們的研究主題，也會有人對我們的研究主題沒興趣。收到退稿通知就當作天外突然飛來一件緊急任務，當天或幾天內再重新投稿，趕快把這件任務再丟出去就是了。
這篇稿件，光投稿過程就歷時超過1年半的時間（自2015/5/22投稿第一本期刊），歷經8本期刊的退稿（都是對主題沒興趣），終於在第9本期刊找到歸屬。在第9本期刊進入審查時，也是命運多舛，共回覆了兩回審查意見。在最終回審查時，editor為了等待其中一位reviewer上傳審查結果，拖了超過半年的時間，最後由editor自行完成審查。
投稿過程不甚順利，我歸納出以下2個原因：
1. 我們對於衛教/健康識能領域還很陌生，無法掌握相關期刊的偏好，所以我們只能窮舉出可能有興趣且還不錯的期刊，一直不斷被退稿再改投，試試大家的水溫。
2. 我們的研究主題為特定疾病族群的健康識能，這是個三不管地帶的主題。健康識能在公共衛生領域是個最近很熱門的議題，但這領域的期刊往往嫌我們的研究對象太狹隘了，難以類推至大眾；而在疾病相關的醫療領域，健康識能不是醫師們感興趣的議題。我們最後發現：護理領域對於這類主題較感興趣，因此往後可優先鎖定護理領域的期刊。
這篇論文投稿過程最大的收穫是，我學習到如何找投稿期刊。以往的稿件主要都是投稿到復健領域的期刊，老師對於復健領域的期刊很熟悉，總會在完成稿件時就告訴我們要投哪一本期刊。然而，我們團隊對於衛教/健康識能領域的期刊都很陌生，不會有人告訴我該投哪一本，在不斷被退稿的過程中，我必須獨立找出下一本可以投稿的期刊，再告訴共同作者們我接下來要投稿哪一本。這個過程有點無助，但也因此讓我現在對於找期刊這件事不會這麼徬徨不知所措了。我找投稿期刊的方法如下：1. 在Jane網站中輸入稿件標題，點選 "Find journals" 參考其建議的期刊清單、2. 排序EndNote中引用文獻之期刊，挑出出現頻率較高之期刊、3. 在PubMed中輸入稿件的keywords/Mesh terms檢索近幾年文獻，挑出出現頻率較高之期刊、4. 在JCR之subject category中找出與研究主題相關的category，再進入那些category檢視排名較前面的期刊，挑出潛在的期刊。最後再彙整上述4種方法所得的期刊清單，一一檢視其impact factor與排名，以及刊登相關主題的文章數。
回顧自己第一次投稿到現在，對於被退稿一事的接受能力已大幅提升。三年半前（碩一下），我第一次完成一篇論文，投稿國內的中文期刊，就被退稿了！（詳FIFE稿件被退稿了）當時收到通知時還眼眶泛淚，覺得自己的努力與能力都被否定了，哀怨了一整天，過了幾天才重新振作再改投其它期刊。而現在，我已經可以將退稿視為理所當然，本來就會有人喜歡我們的研究主題，也會有人對我們的研究主題沒興趣。收到退稿通知就當作天外突然飛來一件緊急任務，當天或幾天內再重新投稿，趕快把這件任務再丟出去就是了。
2015年5月31日 星期日
中風HLS-EU-Q寫作題材
更新後的資料共360筆，分別將題庫分為一個、三個與四個向度作分析，分析結果顯示：將題庫分為一或三個向度的信度最好（都>0.90），兩種分析方法的刪題結果相近，若標準僅考量infit MNSQ<1.4，則無需刪題（可作為發展CAT題庫的標準）；若考量infit & outfit MNSQ都需<1.4，則刪到目前為止已刪了6題還刪不完...（可作為發展短版紙本題庫的標準）
寫作題材部份，這筆資料可以寫成兩篇，一篇是依據Rasch分析的結果將HLS-EU-Q-47發展成短版紙本測驗；另一篇是將HLS-EU-Q-47發展成CAT。
主要考量為：我覺得光是以Rasch驗證construct validity有點站不住腳，容易被質疑為何不用CFA（CFA結果如下段*），但若結何construct validity與quantification，研究價值有限。主要原因為：1. 題數太多，光加總就很麻煩了，還要再將原始分數對照長長一串的表格才能得到Rasch score，使用上極為不便；2. 由於原始分數點就已夠多（若僅分一個向度：共47題*4點量尺），ordinal的資料特性已趨近連續分配，故使用原始分數對於後續信效度與反應性之分析結果影響相對較小；3. 若採用較嚴格的標準，需刪題，勢必得結合發展短版測驗的研究目的。
*CFA分析結果顯示：需刪除三題factor loading<0.5的題目（Items 4, 30 & 44）。
model fitting結果，chi-square/df=2.25、SRMR=0.08與RMSEA=0.06三者皆可在good的標準內，但CFI距acceptable標準有些距離 (0.82 vs. 0.90)
2014年12月26日 星期五
AAHLS分析結果與討論紀錄
Ÿ
Purpose: to examine the construct validity of the All Aspects of Health
Literacy Scale (AAHLS)
Ÿ
Measure: The AAHLS comprises 13 items covering 3 subdomains: functional
HL, communicative HL, and critical HL.
Ÿ
Data: 病人與家屬的data合併分析 (n=139)所得結果較僅分析病人的data (n=107)好，故以下呈現病人與家屬的data分析結果
Ÿ
Data analysis and critical values:
1.
CFA: χ2/df=2, RMSEA=0.06,
CFI=0.95, SRMR=0.08
2.
Rasch (PCM) analysis: infit and outfit MNSQ = 0.6-1.4
3.
Mokken scaling: Hi ≥ 0.3, scale H ≥ 0.5
|
method
|
unidimension
|
three
dimension
|
|
CFA
|
Ÿ initial model:
χ2=221.28 df=65 χ2/df=3.40 RMSEA=0.13 CFI=0.73 SRMR=0.09 ※ Poor model fit!
Ÿ 刪除factor loading <0.5的5題（第1-3、11、13題）：
χ2=121.64 df=20 χ2/df=6.08 RMSEA=0.19 CFI=0.80 SRMR=0.08 ※ Poorer model fit! |
Ÿ initial model:
χ2=117.24 df=62 χ2/df=1.89 RMSEA=0.08 CFI=0.90 SRMR=0.07 ※ Problems：第1題的error variance為負值，不合理，代表model有問題；若刪除第1題，換第2題的error variance為負值，然若同時刪除第1、2題，functional HL subdomain僅剩一題，無法以CFA分析 (model unidentified)。故刪除functional HL subdomain重新分析
Ÿ functional HL subdomain deleted:
χ2=70.20 df=34 χ2/df=2.06 RMSEA=0.09 CFI=0.93 SRMR=0.06 ※ RMSEA value was quite large, indicating inadequate fit, although the values of the other indices were acceptable.
Ÿ 刪除factor loading <0.5的2題（第11、13題）：
χ2=58.65 df=19 χ2/df=3.09 RMSEA=0.12 CFI=0.92 SRMR=0.06 ※ poorer model fit! |
|
Rasch
|
5 misfit
items were deleted (items 1-3, 11, 13):
PCA 85.5%
Rasch
reliability=0.77
|
3 misfit
items were deleted (items 10, 11, 13):
Rasch reliability:
functional HL=0.45 communicative HL=0.80 critical HL=0.82 |
|
Mokken
|
刪除5題Hi < 0.3的題目(items 1-3, 11, 13):
scale H=0.55
Reliability RHO= 0.89
|
|
後續論文撰寫計畫：分析結果不佳，若寫成論文，文章難以凸顯重點，發表機會不高。此外，樣本數不夠大，無法有力拒絕此工具之建構效度不佳。故資料暫擱置，留待日後發展測驗時之參考。
2014年12月21日 星期日
回覆response letter之歷練
此次"individual-level
responsiveness"稿件的
response letter 時，reviewer問到以下兩個較艱澀的問題，且我們並無法從既有的"individual-level
responsiveness"文獻中找到答案...
1. 我們參考Hobart文獻計算SC，作為individual-level indices。原計算公式為前後測Rasch分數之差異除以每個人前後測的SE，而前後測的SE為SEdiff = √[(SE discharge location)2 +
(SE admission location)2]。然而reviewer認為前後測為paired data，計算SEdiff 應扣除前後測分數的共變。
一開始看到reviewer的建議時，也認為他說的有道理，照做即可。沒想到重新計算後才發現問題：(1)共變為group-level的數據，我們無法取得每個人前後測分數的共變；(2)因為SE很小，共變數相對大很多，所以根號內數值會是負值。也就是說，扣除前後測分數的共變可能不合理。但我必須找出證據反駁，因此我回歸到SE的基礎概念去思考如何計算才是合理的。這讓我想到其實SEdiff 的概念很像MDC (minial detectable change)、SRD (smallest real di€erence)或RCI (reliable change index)，而上述三者計算公式中僅考量 √2 *SEM，或許找出原始文獻關於這些公式推導的理由，我就可以回答reviewer的問題了。因此最終我是以信度的概念來解釋individual-level responsiveness的指標：個案能力(True score)不變為驗證信度之基礎假設，故前後測觀察分數的變異皆僅由測量誤差造成。而測量誤差為獨立的隨機變項，共變為0。因此在計算SEdiff 時，我們不需要考量前後測分數的共變。SEdiff公式推導如下：
Admission location=True score +
measurement error admission (formula 1)
Discharge location=True score +
measurement error discharge
(formula 2)
(SEdiff)2 = Variance (Discharge location-
Admission location)
= Variance (True score + measurement error discharge -True score + measurement error admission)
= Variance (measurement error discharge) + Variance (measurement error admission) - 2Covariance (measurement error discharge, measurement error admission)
= (SE discharge location)2 + (SE admission location)2 – 0
= (SE discharge location)2 + (SE admission location)2 (formula 3)
= Variance (True score + measurement error discharge -True score + measurement error admission)
= Variance (measurement error discharge) + Variance (measurement error admission) - 2Covariance (measurement error discharge, measurement error admission)
= (SE discharge location)2 + (SE admission location)2 – 0
= (SE discharge location)2 + (SE admission location)2 (formula 3)
SEdiff = √[(SE discharge location)2 +
(SE admission location)2] (formula 4)
2. reviewer建議我們補充group-level和individual-level的external responsiveness。
關於這題的回覆方式我們掙扎了很久，由於是使用過去已發表文章之資料，該文章已清楚交代使用的工具除了STREAM外，還有BI，所以我們不能耍賴假裝我們沒評，勢必需要補充相關資訊。然而困難之處在於individual-level的external responsiveness定義我們還摸不清，要如何應用group-level external responsiveness的概念到individual-level，又能凸顯STREAM-27於individual-level external responsiveness之優勢？過程中我們嘗試了多種可能的分析方式，包括：
(1) paired t檢定STREAM-15和STREAM-27兩工具偵測出有顯著進步者之平均BI改變量是否有差異。但由於STREAM-27較敏感，所以可能求得BI平均改變量反而較STREAM-15少，我們難以說服讀者STREAM-27反應性較好，因為BI改變量較少，與一般邏輯不符。
(2)沿用group-level之計算方式，檢驗兩工具SC和BI change scores間的關係，然而此分析方式是group-level的分析方式，且結果無法凸顯STREAM-27於individual-level external responsiveness之優勢（因為BI計分較粗略，故反而與STREAM-15之相關較高）。
(3)以individual-level之分析方式，將STREAM變化量與BI變化量各分為三組，計算STREAM各組（顯著進步、不顯著進步、無變化或退步）與BI各組（進步≥MCID、進步<MCID、無變化或退步）之人數。但問題是要採用什麼指標較合適？若看分組一致性（如：STREAM為顯著進步，BI亦為進步≥MCID），那結果如同相關分析結果STREAM-15之一致性較佳（因為STREAM-15和BI都較粗略）。若引用external responsiveness最原始的定義，去分析STREAM偵測出有顯著進步者中，BI也有顯著進步的比例。則結果亦無法凸顯STREAM-27之優勢，因為STREAM-27較敏感，可偵測出較多人有顯著進步（分母較大，比例較小）。最終我們選用計算所有樣本中，STREAM有顯著進步，且BI 進步程度超過MCID之人數與比例，作為驗證individual-level external responsiveness的指標。
感謝過程中，老師、林恭宏和業太多次不厭其煩地聽我說明我的想法之合理性，並給我許多具體的建議 ❣❣❣
2013年11月15日 星期五
SK量表彙整結果與進度
目前彙整之主要結果：
1. 共16個量表被引用2次以上
2. 我們已取得全文之量表中，約40個量表被引用1次（未取得全文之量表將不納入介紹，因數量太多，且無法之道量表的評估層面）
3. 僅3個量表有心理計量驗證的文獻
目前已初步彙整完引用2次以上的量表介紹，以及心理計量評析表格
我們預計11月底前可彙整完僅引用1次的量表介紹（題數、題型與涵蓋的中風知識層面）
論文撰寫：方法由姿誼負責，結果由我負責。我們計畫於11月底前完成方法部份，12
月中完成結果之撰寫。
1. 共16個量表被引用2次以上
2. 我們已取得全文之量表中，約40個量表被引用1次（未取得全文之量表將不納入介紹，因數量太多，且無法之道量表的評估層面）
3. 僅3個量表有心理計量驗證的文獻
目前已初步彙整完引用2次以上的量表介紹，以及心理計量評析表格
我們預計11月底前可彙整完僅引用1次的量表介紹（題數、題型與涵蓋的中風知識層面）
論文撰寫：方法由姿誼負責，結果由我負責。我們計畫於11月底前完成方法部份，12
月中完成結果之撰寫。
2013年11月11日 星期一
英文論文主題規畫_1111revised
英文論文標題：Validation of the short-form Mandarin Health Literacy Scale in patients with stroke
研究目的：The purpose of this study was to examine the psychometric properties of the short-form Mandarin Health Literacy Scale (s-MHLS) in patients with stroke, including its internal consistency, convergent validity and discriminative validity. We hypothesized that (1) the s-MHLS would have good internal consistency; (2) the scores of the s-MHLS would show moderate correlation with the scores of the Public stroke knowledge quiz; and (3) the s-MHLS would be able to discriminate among different age groups and education levels.
與老師討論後決定刪除性別與自覺健康狀態之效標，原因如下：
1. 由於性別與健康識能之關係，目前研究尚未有定論，若以性別作為效標，將難以解釋結果：無法釐清是評估工具不好還是選擇的效標不適合。
2. 過去研究調查顯示：健康識能確實與健康狀態相關，然而此些調查之族群皆為一般群眾，健康程度好壞歧異度大。我們的研究族群已是"病患"，其health oucome受中風影響遠大於健康識能程度，不見得健康識能較好的個案功能較好，除非我們去控制其它所有可能影響功能的變項。
與老師討論後決定刪除性別與自覺健康狀態之效標，原因如下：
1. 由於性別與健康識能之關係，目前研究尚未有定論，若以性別作為效標，將難以解釋結果：無法釐清是評估工具不好還是選擇的效標不適合。
2. 過去研究調查顯示：健康識能確實與健康狀態相關，然而此些調查之族群皆為一般群眾，健康程度好壞歧異度大。我們的研究族群已是"病患"，其health oucome受中風影響遠大於健康識能程度，不見得健康識能較好的個案功能較好，除非我們去控制其它所有可能影響功能的變項。
2013年11月8日 星期五
s-MHLS心理計量特性分析結果
A total of 87
(54% male, 46% female) patients with stroke joined in this study. The average
age of participants was 57 years. The majority of participants were outpatients,
had 10 to 16 years of formal schooling (senior high to college) and lived in
urbanized cities. Other demographic characteristics of participants were shown
in Table 1.
Figure 1. Histogram with normal curve superimposed over the distribution of total scores of the short-form Mandarin Health Literacy Scale (s-MHLS).
Table 1. Demographic
characteristics of participants (n=87)
|
variable
|
mean
(SD)
|
n (%)
|
|
gender
|
|
|
|
male
|
|
47 (54%)
|
|
female
|
|
40 (46%)
|
|
age
|
57.37
(15.13)
|
|
|
years of formal education
|
|
|
|
1-6
|
|
20
(22%)
|
|
7-12
|
|
12 (14%)
|
|
13-16
|
|
30 (35%)
|
|
≥17
|
|
3 (3%)
|
|
occupation
|
|
|
|
retired
|
|
37 (43%)
|
|
unemployed
|
|
32 (37%)
|
|
labor
|
|
15 (17%)
|
|
manager
|
|
3 (3%)
|
|
urbanization level of residence
|
|
|
|
moderate to
highly urbanized cities
|
|
64 (74%)
|
|
developing
cities
|
|
12 (14%)
|
|
rural areas
|
|
7 (8%)
|
|
sources of patients
|
|
|
|
outpatients
|
|
77 (88%)
|
|
inpatients
|
|
10 (12%)
|
|
months after stroke
|
21.30
(25.84)
|
|
|
affected side
|
|
|
|
left
|
|
54 (62%)
|
|
right
|
|
29 (33%)
|
|
others
|
|
4 (5%)
|
|
health status
|
|
|
|
modified
Rankin Scale
|
2.49 (1.06)
|
|
|
Self-Rated
Health Status
|
61.96
(17.04)
|
|
|
Public Stroke Knowledge Quiz
|
13.33
(3.11)
|
|
|
s-MHLS
|
8.06 (2.84)
|
|
The mean s-MHLS
score was 8.06 in the study sample (range, 0 to 11), which was relatively lower
than the mean s-MHLS score of healthy adults (i.e., 9.01) in previous survey (Lee,
Tsai, Tsai, & Kuo, 2012). Figure 1 shows that the distributions of the s-MHLS
scores had significant skewness (i.e., -0.78). We found that more than 25%
patients got the highest score of the s-MHLS, which demonstrated that the
s-MHLS had a notable ceiling effect.
Figure 1. Histogram with normal curve superimposed over the distribution of total scores of the short-form Mandarin Health Literacy Scale (s-MHLS).
The s-MHLS displayed
high internal consistency, α=0.82. The s-MHLS score was highly correlated with
the Public stroke knowledge quiz score (r=0.62,
p<0.001), indicating high convergent
validity. However, the correlation between the s-MHLS score and the self-rated health
status was not significant (r=0.11, p=0.13). In terms of the discriminative validity
(Table 2), the s-MHLS scores exhibited significant differences between two age groups
(i.e., middle-aged and elder patients) (p<0.001).
The s-MHLS scores also showed significant between two educational levels (i.e.,
below junior high and above senior high) (p=0.001).
It's worth noting that there was no significant difference between male and
female in terms of the s-MHLS mean score.
Table 2. Results of discriminative
validity
|
criterion
|
mean
(SD)
|
t
|
p
|
|
gender
|
|
|
|
|
Male (n=47)
|
8.23 (2.77)
|
0.63
|
0.53
|
|
Female (n=40)
|
7.85 (2.94)
|
|
|
|
age (years)
|
|
|
|
|
≤ 59 (n=45)
|
9.18
(1.97)
|
4.16
|
<0.001‡
|
|
≥ 60 (n=42)
|
6.86
(3.14)
|
|
|
|
years of formal education
|
|
|
|
|
≤ 9 (n=31)
|
6.84
(2.90)
|
3.55
|
0.001
|
|
≥ 10 (n=53)
|
8.94 (2.45)
|
|
|
訂閱：
意見 (Atom)