Abstract In many forensic psychiatric hospitals, patients’ mental health is monitored at regular intervals. Typically, clinicians score patients using a Likert scale on multiple criteria including hostility. Having an overview of patients’ scores benefits staff members in at least three ways. First, the scores may help adjust treatment to the individual patient; second, the change in scores over time allows an assessment of treatment effectiveness; third, the scores may warn staff that particular patients are at high risk of turning violent, either before or after release. Practical importance notwithstanding, current practices for the analysis of mental health scores are suboptimal: evaluations from different clinicians are averaged (as if the Likert scale were linear and the clinicians identical), and patients are analyzed in isolation (as if they were independent). Uncertainty estimates of the resulting score are often ignored. Here we outline a quantitative program for the analysis of mental health scores using cultural consensus theory (CCT; Anders and Batchelder, 2015). CCT models take into account the ordinal nature of the Likert scale, the individual differences among clinicians, and the possible commonalities between patients. In a simulation, we compare the predictive performance of the CCT model to the current practice of aggregating raw observations and, as an alternative, against often-used machine learning toolboxes. In addition, we outline the substantive conclusions afforded by the application of the CCT model. We end with recommendations for clinical practitioners who wish to apply CCT in their own work.

中文翻译：

---

法医精神病院患者心理健康评分评估的文化共识理论

摘要 在许多法医精神病医院，定期监测患者的心理健康状况。通常，临床医生使用李克特量表根据包括敌意在内的多个标准对患者进行评分。对患者评分的概览至少在三个方面使工作人员受益。首先，分数可能有助于根据个体患者调整治疗；其次，分数随时间的变化可以评估治疗效果；第三，分数可能会警告工作人员，特定患者在出院之前或之后都有发生暴力的高风险。尽管具有实际重要性，但目前分析心理健康评分的做法并不理想：来自不同临床医生的评估是平均的（好像李克特量表是线性的并且临床医生相同），并且患者被隔离分析（好像他们是独立的）。结果分数的不确定性估计经常被忽略。在这里，我们概述了使用文化共识理论（CCT；Anders 和 Batchelder，2015）分析心理健康评分的定量程序。CCT 模型考虑了李克特量表的顺序性质、临床医生之间的个体差异以及患者之间可能的共性。在模拟中，我们将 CCT 模型的预测性能与当前聚合原始观察的做法进行了比较，作为替代方案，我们将其与常用的机器学习工具箱进行了比较。此外，我们概述了应用 CCT 模型所提供的实质性结论。最后，我们为希望在自己的工作中应用 CCT 的临床从业者提供建议。结果分数的不确定性估计经常被忽略。在这里，我们概述了使用文化共识理论（CCT；Anders 和 Batchelder，2015）分析心理健康评分的定量程序。CCT 模型考虑了李克特量表的顺序性质、临床医生之间的个体差异以及患者之间可能的共性。在模拟中，我们将 CCT 模型的预测性能与当前聚合原始观察的做法进行了比较，作为替代方案，我们将其与常用的机器学习工具箱进行了比较。此外，我们概述了应用 CCT 模型所提供的实质性结论。最后，我们向希望在自己的工作中应用 CCT 的临床从业者提出建议。结果分数的不确定性估计经常被忽略。在这里，我们概述了使用文化共识理论（CCT；Anders 和 Batchelder，2015）分析心理健康评分的定量程序。CCT 模型考虑了李克特量表的顺序性质、临床医生之间的个体差异以及患者之间可能的共性。在模拟中，我们将 CCT 模型的预测性能与当前聚合原始观察的做法进行了比较，作为替代方案，我们将其与常用的机器学习工具箱进行了比较。此外，我们概述了应用 CCT 模型所提供的实质性结论。最后，我们为希望在自己的工作中应用 CCT 的临床从业者提供建议。在这里，我们概述了使用文化共识理论（CCT；Anders 和 Batchelder，2015）分析心理健康评分的定量程序。CCT 模型考虑了李克特量表的顺序性质、临床医生之间的个体差异以及患者之间可能的共性。在模拟中，我们将 CCT 模型的预测性能与当前聚合原始观察的做法进行了比较，作为替代方案，我们将其与常用的机器学习工具箱进行了比较。此外，我们概述了应用 CCT 模型所提供的实质性结论。最后，我们为希望在自己的工作中应用 CCT 的临床从业者提供建议。在这里，我们概述了使用文化共识理论（CCT；Anders 和 Batchelder，2015）分析心理健康评分的定量程序。CCT 模型考虑了李克特量表的顺序性质、临床医生之间的个体差异以及患者之间可能的共性。在模拟中，我们将 CCT 模型的预测性能与当前聚合原始观察的做法进行了比较，作为替代方案，我们将其与常用的机器学习工具箱进行了比较。此外，我们概述了应用 CCT 模型所提供的实质性结论。最后，我们为希望在自己的工作中应用 CCT 的临床从业者提供建议。CCT 模型考虑了李克特量表的顺序性、临床医生之间的个体差异以及患者之间可能的共性。在模拟中，我们将 CCT 模型的预测性能与当前聚合原始观察的做法进行了比较，作为替代方案，我们将其与常用的机器学习工具箱进行了比较。此外，我们概述了应用 CCT 模型所提供的实质性结论。最后，我们向希望在自己的工作中应用 CCT 的临床从业者提出建议。CCT 模型考虑了李克特量表的顺序性质、临床医生之间的个体差异以及患者之间可能的共性。在模拟中，我们将 CCT 模型的预测性能与当前聚合原始观察的做法进行了比较，作为替代方案，我们将其与常用的机器学习工具箱进行了比较。此外，我们概述了应用 CCT 模型所提供的实质性结论。最后，我们为希望在自己的工作中应用 CCT 的临床从业者提供建议。针对常用的机器学习工具箱。此外，我们概述了应用 CCT 模型所提供的实质性结论。最后，我们为希望在自己的工作中应用 CCT 的临床从业者提供建议。针对常用的机器学习工具箱。此外，我们概述了应用 CCT 模型所提供的实质性结论。最后，我们为希望在自己的工作中应用 CCT 的临床从业者提供建议。