اگه شما هم اهل دنیای روانشناسی و روشهای نوین پژوهش هستید، یه سری خبرهای جذاب و نکتههای کاربردی از جدیدترین مقالات مجله Advances in Methods and Practices in Psychological Science براتون دارم که واقعاً خوندنشون میارزه!
اول بریم سراغ ماجرای Open Science یا علم باز. داستان اینه که توی ده سال اخیر، حرکت به سمت علم باز حسابی روش قوی رفته، ولی بیشتر تو کشورهای پیشرفته اتفاق افتاده و کشورهای در حال توسعه کمتر تونستن ازش سود ببرن. حالا یه سری پژوهشگر خودشون دست به کار شدن و یه راهنمای چهارمرحلهای برای کشورهایی که منابع محدودی دارن پیشنهاد دادن: اول، با دسترسی به منابع باز شروع کنن، بعد کمکم با روشهای کمهزینهتر جلو برن، بعد وارد جامعههای علم باز بشن و در نهایت خودشون تو محله یا کشورشون رهبر این حوزه بشن. عملیاتیه و مرحلهای پیش میره! البته باید حواسمون باشه که بعضی چالشها و خطرها هم این وسط هست و باید مدل کار رو برای موقعیت خودمون شخصیسازی کنیم.
حالا بریم سراغ یه بحث فنیتر: تحلیل میانجیگری آماری (یا همون Statistical-mediation analysis) که روشیه برای فهم اینکه متغیرهای واسطهای (مثلاً رفتارهای خاص) چطور رابطه متغیر مستقل با متغیر وابسته رو توضیح میدن. مشکل اصلی اینجا بایاسهایی هست که به خاطر متغیرهای گمشده (confounders یعنی چیزهایی که نمیدونیم وجود دارن ولی رو نتایج اثر میذارن) وارد ماجرا میشن. توی یه مقاله سه روش بررسی حساسیت معرفی شده: روش باقیماندههای همبسته (correlated-residuals)، روش متغیر جاافتاده (left-out-variables-error)، و روش متغیر شبحگونه (phantom-variable). ته حرفشون اینه که هرچقدر اثر متغیر واسطه روی نتیجه قویتر باشه، احتمال خطای آماری کمتره. پس باید علاوه بر محاسبه اندازه اثر، از این روشهای بررسی هم استفاده کنیم.
راستی یه راهنمای باحال هم برای پژوهشگرهایی که میخوان نتایج آزمایششون رو از نمونههایی که الزماً نماینده جمعیت کلی نیستن به جمعیت هدف بزرگتر تعمیم بدن نوشته شده. به این کار میگن generalizability در آمار، یعنی اینکه بشه نتایج رو گسترش داد. یه سری توابع ساده در نرمافزار R درست کردن و قدم به قدم آموزش دادن که چطور این کارو بکنیم؛ خلاصه علمی که به درد سیاستگذاری بخوره!
یکی از چالشهای اساسی در تجزیه دادههای زوجی طولی (یعنی مثلاً اطلاعات مربوط به دو نفر در بازههای زمانی مختلف) اینه که مدلهای تصادفی (random effects: مدلی که اثر تفاوتهای افراد رو لحاظ میکنه) رو چطور تنظیم کنیم. یه راهنمای کاربردی نوشتن برای اینکه حالتهای مختلف رو تو برنامه SAS و R امتحان کنیم و با مشکلات همگرایی (nonconvergence یعنی مدلهای آماری گاهی جواب نمیدن یا به پاسخ نمیرسن) کنار بیایم. تازه برای طراحی تحقیق هم شبیهسازی داده پیشنهاد میکنن که کمک میکنه بهترین مدل رو پیدا کنیم.
یه مرور جالب روی مقالات MRI و fMRI هم هست. دیدن اطلاعات خیلی حیاتی رو مثل سن، قومیت شرکتکنندگان یا جمعیت هدف خیلی کم گزارش میکنن (مثلا فقط ۱۴.۸ درصد مطالعات هویت نژادی رو گفتن و ۱۹.۴ درصد جمعیت هدف رو). این کمبود گزارشگری شفاف باعث میشه تعمیمپذیری و اعتبار نتایج به شدت تحت تاثیر قرار بگیره.
و اما نقدها و بازخوردهایی که بعد از انتشار مقالهها داده میشه (بهش میگن postpublication critique، یعنی اینکه بعد از چاپ یکی بیاد و نقد بنویسه). بررسی کردن فقط ۲۳٪ از مجلات روانشناسی اجازه ارسال چنین نقدهایی رو میدن و درصد واقعی نقدهای منتشر شده تقریباً صفره! یعنی این سازوکار مهم برای بهبود و شفافیت علم، تقریباً کنار گذاشته شده.
یک بحث داغ دیگه درباره بحران تکرارپذیریه. بعضیها (مثلاً اسپرنس و استنلی) معتقد بودن توقع علمیها از تکرارپذیری خیلی بالاست و نباید با یک بار تکرار ناموفق وا بدیم. ولی یه گروه دیگه اومدن نشون دادن که قضاوت خیلی بدبینانه هم غلطه و شکست تکرار رو باید با دقت جدی گرفت، البته اگه مطالعه قوی و درست انجام شده باشه.
یکی از مشکلات بزرگ در روانشناسی، پدیدهی فراوانی ساختارها و مقیاسهاست (construct and measure proliferation: یعنی برای هر مفهوم کلی، دهها تعریف و ابزار سنجش مختلف درست شده). بررسی دادههای ۳۰ سال نشون داده هر سال هزاران مفهوم و مقیاس جدید منتشر میشه و اکثرشون هم خیلی کم استفاده میشن! این باعث سردرگمی و عدم پیشرفت جمعی علم میشه.
تو روانشناسی بالینی هم یه بایاس معروف هست: نتایجی که از نظر آماری معنادار باشن، بیشتر احتمال داره چاپ یا توجه بشن. یه پژوهش با شرکت ۳۰۳ پژوهشگر نشون داده همه ناخودآگاه به یافتههای معنادار علاقه دارن و معمولاً نظرشون رو هم عوض نمیکنن—حتی اگه بعداً بیشتر فکر کنن!
در نهایت یه روش نوین و جالب برای شناسایی پاسخدهندههای بیدقت در پرسشنامهها مطرح شده: استفاده از یادگیری ماشین (machine learning یعنی الگوریتمهایی که خودشون یاد میگیرن اطلاعات رو از داده کشف کنن) روی پاسخهای معنیدار و جوابهای الکی به سوالات بیمعنی (gibberish). این روش خیلی بهتر از روشهای سنتی جواب داده و بدون آمادگی قبلی میتونه افراد غیرجدی رو شناسایی کنه و جلوی خراب شدن دادههای پژوهش رو بگیره.
درکل این شماره از مجله یه سبد پر از ایدهها، نکتهها و هشدارهای کاربردی برای هر کسیه که میخواد بصورت جدی و علمی تو حوزه روانشناسی تحقیق کنه—از شفافیت و تعمیمپذیری گرفته تا تکنیکهای آماری و حتی عیبیابی داده! علم همینقدر دنیای پیچیده و در عین حال هیجانانگیزیه!
منبع: +
