Reliability and Validity of A Questionnaire for International Students in China with Educational Service Satisfaction in English Version-Taking Kunming Medical University as A Case
-
摘要:
目的 评价来华留学生全英文教学满意度量表(ISCESSE)的信度和效度。 方法 通过查阅文献、专家访谈和预调查自行编制全英文版本留学生教学服务满意度量表,对结果进行量表的信度和效度检验。其中信度用内部一致性的Cronbach’ s α系数、折半信度和组合信度、效度采用探索性因子分析和验证性因子分析评价量表的效度。 结果 共回收有效量表112份。该量表提取出教师教学水平、教师教学态度和学生自身素养3个维度,共24个条目。量表总的Cronbach’ s α系数为0.961,折半信度系数0.907,三个维度的Cronbach’ s α系数分别为0.926、0.935、0.917,组合信度为0.896、0.912、0.925。经过探索性因子分析,提取三个因子的累积方差贡献率分别是53.7%、62.9%和68.9%。各维度与总量表的相关系数为0.803~0.935 (P < 0.05)。验证性因子分析,模型整体适配度指标(如卡方自由度比值,RMSEA)基本满足要求,参数估计值误差方差均无负值,各条目与所在维度之间的标准化参数估计值除1个小于0.7外,其它均接近或高于0.8。 结论 该量表具有较好的信度和效度,可用于昆明医科大学来华留学生全英文教学服务满意度的评估。 Abstract:Objective To evaluate the reliability and validity of a questionnaire for International Students in China with Educational Service Satisfaction English version (ISCESSE). Methods Item and performance indicators were selected after expert groups discussion and preliminary experiments to construct the ISESSE. Cronbach's α coefficient and split-half reliability were used to evaluate the reliability as well as composite reliability. Exploratory factor analysis (EFA) and confirmatory factor analysis (CFA) were used to evaluate the validity. Results A total of 112 students were enrolled. The Cronbach's α coefficient, split-half reliability of the scale were 0.961, 0.907. The composite reliability of 3 dimension was 0.896、0.912、0.925, respectively. The Cronbach's αcoefficient of 3 dimension with 24 items was 0.926、0.935、0.917, respectively. EFA showed the cumulative variance proportion were 53.7%, 62.9%, and 68.9%. The correlation coefficients of each dimension and the total questionnaire ranged from 0.803 to 0.935 (P < 0.05). CFA showed that the goodness of fit index (such as χ2, RMSEA) indicated good model fitting and good structure validity. Except for one less than 0.7, the standardized parameters between each item and dimension were all close to or higher than 0.8, which also suggested a very favorable validity. Conclusion The established ISESSE is of good reliability and validity and could be used to evaluate the international students' Educational Service Satisfaction in Kunming Medical University. -
高组织学分级和淋巴血管侵犯(lymphovascular space invasion,LVSI)是与子宫内膜癌(endometrial cancer,EC)预后相关的危险因素[1]。目前,磁共振成像(magnetic resonance imaging,MRI)是评估EC的首选成像方式[2]。然而,传统的MRI无法提供与生物信息相关的特定参数,这对于在肿瘤中建立治疗策略至关重要。此外,术前检测LVSI一直是临床实践中的一个棘手问题,因为即使通过侵入性方法也很难评估LVSI[3]。扩散加权成像(diffusion-weighted imaging,DWI)是一种无创的功能MR技术,可用于评估EC侵袭性,使用单指数模型(mono-exponential mode,MEM)计算表观扩散系数(apparent-diffusion-coefficient,ADC),主要与细胞密度和细胞膜的完整性有关[4]。然而,它可能会受到血液微循环的影响,导致对扩散信息的高估。最近,已经建立了可以提供更准确的组织微观结构信息的双指数模型(bi-exponential model,BEM),能有效区分血液灌注与组织真实扩散效应,这不仅可以反映细胞结构,还可以提供有关未成熟血管中血管生成过程、微血管通透性以及微毛细血管血流量[5]。此外,Bennett等[6]提出的拉伸指数模型(stretched-exponential model,SEM),可用于描述分布扩散效应和体素内扩散速率的异质性,并被认为与组织异质性有关。然而,到目前为止,尚未探索同时评估不同DWI模型参数预测EC预后相关危险因素的作用。因此,本研究的目的是比较从MEM、BEM和SEM获得的参数评估EC预后相关的高组织学分级和LVSI的潜在价值。
1. 资料与方法
1.1 一般资料
选择2019年9月至2021年5月在湖南省妇幼保健院接受多b值DWI盆腔MRI检查的61例EC患者(中位年龄:54 岁;年龄范围:30~75岁)作为研究对象。纳入标准[7]:(1)经刮宫术怀疑EC的患者;(2)盆腔MRI检查前未接受任何肿瘤相关治疗的患者;(3)无MRI检查禁忌症的患者。排除标准为:(1)肿瘤过小(最大截面积 < 10 mm2,n = 4);(2) 图像质量差,伪影严重(n = 1);3)术前接受新辅助治疗的患者(n = 4)。
1.2 成像和数据采集
所有患者都在带有覆盖整个骨盆的8通道相控阵线圈的3-T MR成像装置(Discovery MR 750,美国GE Medical System公司)上接受了检查。将患者置于仰卧位,并在整个检查过程中将脚放在第1位。在执行多b值DWI之前,进行以下图像采集:矢状面中的T2加权快速自旋回波图像(重复时间[TR]/回波时间[TE]:4 000 ms/85 ms;切片厚度/间隙:4 mm/ 1 mm;视野:28 cm;激发次数[NEX]:2),冠状平面中的T2加权快速自旋回波图像(TR/TE:3 022 ms/85 ms;截面厚度/间隙:4 mm /1 mm;视野:36 cm;NEX:2),横向平面中的T1加权快速自旋回波图像(TR/TE:760 ms/最小ms;切片厚度/间隙:6 mm/1 mm;视场:34 cm;NEX:2),T2加权快速自旋回波和T2加权快速自旋回波图像在横向平面中具有脂肪抑制(TR/TE:4 000 ms/85 ms;切片厚度/间隙:获得 6 mm/1 mm;视野:34 cm;NEX:3)。多b值DWI在横向平面中使用单次回波平面序列执行(TR/TE:4 000 ms/最小值;截面厚度/间隙:6 mm/1 mm;视野:34 cm;NEX : 1,采集矩阵,128×160);DWI的空间覆盖与 T2加权图像和T1加权图像相同。在3个扩散方向上使用了总共13个不同的b值(0、50、100、150、200、300、500、800、1 000、1 300、1 500、1 700 和 2 000 s/mm2)。
1.3 感兴趣区域(ROI)
所有图像都传输到工作站(Advantage Workstation 4.6;GE Medical System)进行后处理。使用Function tool MADC软件(GE Healthcare)对得到的多b值DWI进行处理,获取参数图。2位放射科医生对彼此的结果以及详细的组织病理学数据不知情,独立地描绘了ROI。所有 ROI都直接共定位在所有参数图上,并且自动生成源自多个数学模型DWI的参数,见图1。
1.4 影像数据分析与处理
获得多b值DWI图像并将其传输到工作站(Advantage Workstation 4.6;GE Medical Systems)进行处理。这些图像由两名具有多年经验的放射科医生独立处理,他们在阅读妇科MRI时对组织病理学结果不知情。
使用MEM模型计算ADC值:S(b)/S(0) = exp(-b·ADC),其中S(b)表示存在扩散敏化时的信号强度,S(0)表示没有扩散敏化时的信号强度。
使用BEM模型计算了3个参数:Sb/S0 = [(1-f) exp(-b·D)] + [f·exp(-b·D*)],其中f是微血管体积分数(代表与微循环相关的扩散分数),D是纯扩散系数,D*代表与灌注相关的不连贯微循环。
使用SEM模型计算α和分布扩散系数(distributed diffusion coefficient,DDC):S(b)/S(0)=exp[(-b·DDC)α],其中α与体素内水分子扩散异质性。DDC代表平均体素内扩散速率。
1.5 组织学分析
从医学报告中收集临床数据,例如年龄和治疗计划。入组的61例患者均在湖南省妇幼保健院接受手术。从手术切除标本中评估组织病理学特征,这些标本由一位经验丰富的妇科肿瘤病理学家审查。根据组织学分级(低,1级或2级;高,3级和非子宫内膜样腺癌)和LVSI对肿瘤组织进行分类。
1.6 统计学处理
使用软件(MedCalc 15.8和SPSS 21.0)进行统计分析。数据显示为平均值±标准偏差或中位值(最小值-最大值)。计量资料采用Kolmogorov-Smirnov正态分布,组间比较采用双尾独立样本t检验或Mann-Whitney U检验。将显著参数纳入逐步多元逻辑回归分析,计算了优势比和95%置信区间(CI)。进行受试者工作特征曲线(ROC)以获得ROC曲线下面积(AUC)和最佳截止值,以及这些参数的敏感度和特异度。P < 0.05为差异有统计学意义。
2. 结果
2.1 患者的一般资料
所收集的患者的特征:MRI检查和手术之间的中位(范围)时间间隔为11d(中位:2~60d)。所有患者均接受初次手术,包括双侧输卵管卵巢切除术和子宫切除术。95.1 %的患者(58/61)进行了淋巴结切除术,包括盆腔淋巴结清扫术11例,盆腔及主动脉旁淋巴结清扫术47例;根据FIGO分期:ⅠA期38例(62.3%)、ⅠB期7例(11.5%)、Ⅱ期5例(8.2%)、Ⅲ期9例(14.7%)、Ⅳ期2例(3.3%);肌层浸润:浅表肌层浸润43例(70.5%)和深肌层浸润18例(29.5%);17例(27.9%)存在LVSI;组织学分级:低级43例(70.5%)和高级18例 (29.5%)。此外,42.6% (26/61) 的患者在手术后接受了辅助治疗。刮宫手术和盆腔MRI检查之间的中位(范围)时间间隔为20 d(14~32 d)。
2.2 肿瘤分级和LVSI评估
除D*和α外,高级别组的ADC、D、f和DDC显著低于低级别组(P < 0.05,AUC:0.699~0.882)。与ADC、D和f相比,DDC在区分高级别和低级别肿瘤方面的AUC最高(0.882)(P = 0.526、0.433和0.017)。与LVSI阴性肿瘤相比,LVSI阳性肿瘤的ADC、D*、f和DDC值显著降低(P < 0.05,AUC:0.671~0.759)。与ADC、D*和f相比,DDC在预测LVSI肿瘤方面具有更高的AUC,但差异无统计学意义(分别为P = 0.117、0.388和0.610)。此外,联合f和DDC在区分高级别和LVSI肿瘤方面显示出高于单个参数的AUC(0.895、0.797),见表1、表2,图2。
表 1 EC预后相关的高组织学分级和LVSI的不同DWI模型参数差异Table 1. High histological grades related to EC prognosis and differences in parameters of different DWI models of LVSI指标 ADC(×10−3 mm2/s) D(×10−3 mm2/s) D*(×10−3 mm2/s) f DDC(×10−3 mm2/s) α 肿瘤分级 低级 1.05 ± 0.12 0.66 ± 0.09 7.76(4.00~87.85) 0.26 ± 0.07 0.93 ± 0.16 0.73 ± 0.04 高级 0.87 ± 0.12 0.55 ± 0.06 7.10(4.64~29.20) 0.22 ± 0.06 0.69 ± 0.15 0.71 ± 0.07 t/U 6.472 5.417 1.062 2.523 9.471 1.245 P < 0.001* < 0.001* 0.635 0.041* < 0.001* 0.219 LVSI 阴性 1.03 ± 0.14 0.64 ± 0.01 7.32(4.00~87.85) 0.26 ± 0.07 0.91 ± 0.18 0.73 ± 0.05 阳性 0.93 ± 0.13 0.59 ± 0.08 10.2(4.96~56.95) 0.21 ± 0.08 0.75 ± 0.16 0.71 ± 0.05 t/U 4.233 1.938 2.755 3.981 4.520 1.742 P 0.018* 0.065 0.039* 0.017* 0.002* 0.051 *P < 0.05。 表 2 DWI模型得出的单个和组合参数在预测EC肿瘤分级和LVSI中的诊断性能Table 2. Diagnostic performance of individual and combined parameters derived from DWI models in predicting EC tumor grade and LVSI参数 截止值 AUC P 敏感度(%) 特异度(%) 肿瘤分级 ADC ≤ 0.945 0.862 < 0.001* 83.3 83.7 D ≤ 0.619 0.848 < 0.001* 94.4 58.1 f ≤ 0.233 0.699 0.005* 83.3 65.1 DDC ≤ 0.821 0.882 < 0.001* 88.9 79.1 联合f和DDC 0.895 < 0.001* 88.9 79.1 LVSI ADC(×10−3 mm2/s) ≤ 0.922 0.686 0.019* 58.8 81.8 D*(×10−3 mm2/s) > 5.805 0.671 0.017* 94.1 40.9 f ≤ 0.203 0.711 0.007* 58.8 77.3 DDC ≤ 0.931 0.759 < 0.001* 88.2 54.6 联合f和DDC 0.797 < 0.001* 76.5 70.5 *P < 0.05。 2.3 多元Logistic回归模型确定EC肿瘤分级和LVSI相关DWI模型参数
以EC肿瘤分级、LVSI作为因变量,将单因素分析中有统计学意义的变量(ADC: 0 = ≤0.945, 1 = > 0.945;D: 0 = ≤0.619, 1 = >0.619; f: 0 = ≤0.233, 1 = > 0.233; DDC: 0 = ≤ 0.821,1 = > 0.821)作为自变量,进行多元线性回归分析。f和DDC均可作为肿瘤分级和LVSI独立相关的预测因子,见表3。
表 3 多元Logistic回归模型确定EC肿瘤分级和LVSI相关DWI模型参数Table 3. Multivariate Logistic regression model to determine EC tumor grade and LVSI related DWI model parameters参数 OR 95 %CI P 方差膨胀因子a 模型拟合 肿瘤分级 常量 0.904 0.325~1.842 0.129 f 0.001 0~0.720 0.044 1.029 DDC 0.001 0~0.007 < 0.001* 1.029 LVSI 常量 0.823 0.394~1.438 0.321 f 0.001 0~0.336 0.030* 1.029 DDC 0.004 0~0.214 0.006* 1.029 a方差膨胀因子小于5,表明回归模型不存在多重共线性。*P < 0.05。 3. 讨论
笔者研究数据表明,不同数学模型多b值DWI可在手术前提供有关组织特性不同方面的综合信息,用于预测EC中与高组织学分级和LVSI相关的危险因素。此外,不同数学模型多b值DWI参数的观察者间一致性表现非常好,这对于考虑模型选择和成功的临床实施至关重要。
在MEM模型中,ADC参数可以反映组织的微观结构,如细胞结构和细胞膜的完整性,已被广泛用于表征恶性组织[8]。较高级别的肿瘤细胞结构和细胞膜的完整性增加,这是由细胞增殖引起的,导致水扩散障碍[9]。在本研究中,与低级别EC相比,高级别的ADC值显著降低,最高特异度为83.7%,与Yue等[10]报道的结果一致。此外,有LVSI的肿瘤的ADC显著低于没有LVSI的肿瘤,但其AUC分别低于f和DDC值。参考ADC值在LVSI的预测中存在一些不一致报道。Thieme等[11]证明LVSI的存在与较低的ADC相关。相比之下,Lavaud等[12]发现ADC值在区分有和没有LVSI的EC方面没有显著差异。ADC值量化了水分子扩散运动的程度,这与生物组织中的细胞密度有关;然而,与细胞密度相比,肿瘤血管分布可以对ADC产生相反的影响。因此,个体ADC值不足以评估EC中的所有高危因素;在预测EC中的LVSI 时需要来自非单指数模型的其他参数评估完整的肿瘤特征。
在BEM模型中,笔者发现灌注参数f可作为肿瘤分级和LVSI独立相关的预测因子。Wang等[13]得出结论,f在具有高度侵袭性特征的II型卵巢癌中显著降低。Yabuuchi等[14]报道,f值与正常血管生成量、完整血管在基底膜厚度和周细胞覆盖率方面相关。血管增生迂曲、血管分支紊乱,在高组织学分级肿瘤中更为明显。因此,在具有高组织学分级的EC中观察到较低f值可以通过血流推导到小的、渗漏的和效率低下的肿瘤毛细血管来解释。值得注意的是,f值与DDC结合在LVSI的预测中产生更好的诊断性能。笔者推测组织灌注可能是预测EC的重要因素,特别是对于具有LVSI的肿瘤。尽管D*值仅在区分有LVSI的肿瘤和没有LVSI的肿瘤方面有显著差异,然而D*值的波动范围较大(4.00~87.85),这可能是由于其对噪声的敏感性[15]。因此,非常有必要进行进一步的研究来调查D*值的可行性。
在SEM模型中,DDC参数被认为是反映多指数衰减特性的ADC的连续分布的加权和,能在存在多指数衰减的情况下更准确地描述了扩散[16]。本研究发现,在不同肿瘤分级或LVSI的EC中存在显著不同的DDC值,并且基于AUC结果,DDC在预测高级别、存在LVSI的肿瘤方面优于ADC,表明DDC可能是比ADC更强大和更优越的参数。在其他疾病中也报告了类似的结果[7]。此外,在预测高级别EC方面,与单独的 DDC相比,联合f和DDC提高了诊断性能。参数α提供了有关体素内水扩散异质性的信息,但本研究中α没有显示出与EC预后的相关性。
不同数学模型多b值DWI是一种有用且无创的方法,可用于预测EC预后相关的高组织学分级和LVSI,具有更全面的生物学信息。此外,与单个参数相比,组合参数具有更好的诊断性能,因此在评估预后相关风险因素方面具有更大的潜力,从而证明了多参数MR成像技术的优势,并提供了有希望的成像标志物,有助于选择最佳治疗方法。
-
表 1 ISESSE量表信度检验结果
Table 1. Reliability test results of ISESSE
维度(子题目数目) 克隆巴赫系数 折半系数 组合信度 教师教学水平(9) 0.925 0.896 0.926 教师教学态度(9) 0.933 0.912 0.935 学生自身素养(6) 0.915 0.925 0.917 量表总体(24) 0.961 0.907 0.972 表 2 ISCESSE量表条目在医学生中的因子载荷(n = 112)
Table 2. Factor loading of ISESSE scale in medical students (n = 112)
条目 教师教学
水平教师教学
态度学生自身
素养专业知识、技能水平 0.823 内容符合学生发展 0.716 跨文化意识 0.714 内容具有条理性和丰富性 0.694 全英文教学水平 0.664 不依赖于教材或ppt 0.662 不照本宣科,联系实际 0.654 多种教学方法 0.472 态度认真、严谨、敬业 0.455 课堂上给予足够的关注 0.942 积极与同学互动交流 0.787 优化和选择教学方法 0.704 引入知识和培养能力 0.613 按时上下课 0.541 课堂气氛民主、开放 0.535 平易近人,公平对待同学 0.506 调动气氛、及时回答问题 0.498 积极充实和更新教学内容 0.438 学生自身的学习态度 0.888 学生的英语成绩 0.849 学生思考发言,参与互动 0.839 学生完成课堂任务或作业 0.776 学生出勤率 0.686 学生课堂收获 0.674 特征值 12.885 2.220 1.205 方差贡献率 0.537 0.092 0.050 累计方差贡献率 0.537 0.629 0.680 表 3 ISCESSE量表验证性因子分析模型评价结果(n = 112)
Table 3. CFA of ISCESSE scale with model evaluation (n = 112)
项目 χ2/df CFI IFI TLI PGFI PNFI PCFI RMSEA 模型 2.574 0.826 0.828 0.807 0.902 0.673 0.745 0.119 拟合度判断标准 < 3 > 0.9 > 0.9 > 0.9 > 0.5 > 0.5 > 0.5 < 0.1 表 4 ISCESSE总量表与各维度的Spearman 相关系数(rs)
Table 4. Spearman’s rank correlation coefficient (rs) of ISCESSE total scale and each dimension
项目 教师教学水平 教师教学态度 学生自身素养 量表总体 教师教学水平 1 教师教学态度 .848** 1 学生自身素养 .614** .618** 1 量表总体 .935** .934** .803** 1 注:*P < 0.05, ** P < 0.01。 -
[1] 崔延强, 李云梅. “一带一路”倡议下大学国际化发展问题研究—基于云南省中外合作办学现状的考察[J]. 教师教育学报,2019,6(1):83-91. [2] 李红宾, 梁红敏, 彭云珠, 等. 来华留学生临床教学质量提升探索与实践[J]. 昆明医科大学学报,2020,41(3):150-153. doi: 10.3969/j.issn.1003-4706.2020.03.029 [3] 隋婧, 赵心蕊, 和一之, 等. 中国西部地区医学留学生教育现状调查及对策思考[J]. 临床医学研究与实践,2019,4(6):187-191. [4] 梁乃文, 王小燕, 侯振挺, 等. 湖南省公众安全感调查问卷及其与信度和效度分析[J]. 数理统计与管理,2012,31(6):1039-1048. [5] Berglund A L, Ericsson K. Different meanings of quality of life: a comparison between what elderly persons and geriatric staff believe is of importance[J]. Int J Nurs Pract,2003,9(2):112-119. doi: 10.1046/j.1322-7114.2003.00414.x [6] Fornell C, Larcker D F. Evaluating structural equation models with unobservable variables and measurement error[J]. Journal of Marketing Research,1981,18(1):39-50. doi: 10.1177/002224378101800104 [7] 孟琼, 罗家洪, 万崇华, 等. 胃癌患者生命质量测定量表EORTC QLQ-STO22中文版的制定和评价[J]. 昆明医科大学学报,2012,33(10):34-38. doi: 10.3969/j.issn.1003-4706.2012.10.009 [8] Van Der Scheer E A, Bijlsma H J E, Glas C A W. Validity and reliability of student perceptions of teaching quality in primary education[J]. School Effectiveness and School Improvement,2019,30(1):30-50. doi: 10.1080/09243453.2018.1539015 [9] 李跃平, 黄子杰. 验证性因子分析在量表结构效度考核中作用[J]. 中国公共卫生,2007,(10):1198-1199. doi: 10.11847/zgggws2007-23-10-25 [10] 吴明隆. 结构方程模型-AMOS的操作与应用[M]. 重庆: 重庆大学出版社, 2010: 37-68. [11] 熊家豪, 牟劲松, 赵淑英, 等. 我国大学生健康素养问卷的研制及信度和效度评价[J]. 中国卫生统计,2018,35(4):518-521. [12] Bakker A B. The work-related flow inventory: Construction and initial validation of the WOLF[J]. Journal of Vocational Behavior,2008,72(3):400-414. doi: 10.1016/j.jvb.2007.11.007 [13] 中国教育国际交流协会国际医学教育分会, 《来华留学生临床医学专业本科教育(英语授课)质量控制标准(试行)》[EB/OL].(2020-05-09)[2020-12-12]. http://www.ceaie.edu.cn/shewaibanxuezhiliangbaozhangbu/tongzhigonggao/1970.html. [14] 雷雯, 吴文娟, 李振坤, 等. 参与式教学在MBBS学生见习教学中的效果评价[J]. 昆明医科大学学报,2018,39(5):138-140. [15] 黄鑫, 胡敏予, 黄忆明. 血脂知识-态度-行为问卷的信度和效度检验[J]. 卫生研究,2008,(2):204-206. [16] Aydoğan S, Atay E, Metintaş S, et al. Reliability and validity of disability literacy scale for medical school students[J]. European Journal of Public Health,2019,29(Suppl4):298. [17] Ocal E E, Onsuz M F. Reliability and validity of healthy lifestyle behaviours scale in children[J]. European Journal of Public Health,2020,30(5):392. [18] Huang A Y, Wu K S, Li A N, et al. The reliability and validity of an assessment tool for developmental dyslexia in Chinese children[J]. International Journal of Environmental Research and Public Health,2020,17(10):3660. doi: 10.3390/ijerph17103660 [19] 郭太玮, 朱勤, 施鸿飞. 基于结构方程模型的大学生亚健康量表效度测评[J]. 中国卫生统计,2013,30(1):23-26,30. [20] 赵斐然, 周天驰, 张俊颖, 等. 量表(问卷)信度、效度评价在我国医学领域的应用与展望[J]. 中华中医药杂志,2014,29(7):2280-2283. 期刊类型引用(1)
1. 于松涛,张利姣. 子宫内膜癌腹腔镜术后预后不良患者的NLR等指标变化及其相关影响因素分析. 航空航天医学杂志. 2024(12): 1432-1434 . 百度学术
其他类型引用(2)
-