Appunti psicologia dello sviluppo cognitivo

Psicologia dello sviluppo cognitivo

Approcci statistici nello studio delle differenze individuali

Il tizio studia Tom in bambini di età scolare e lo confronta con abilità sociali (prosocialità, avere amicizie eccetera). La statistica ci permette di rispondere a delle domande relative a caratteristiche di una popolazione, inferendo queste caratteristiche da un sotto-campione random di questa popolazione. Non posso prendere tutto il campione, misuro questo e poi generalizzo. Raccolgo info e costruisco un modello, una rappresentazione della popolazione (calcolo della media) -> ovviamente si hanno una variabilità di punteggi, ma si cerca di generalizzare, modellizzare -> così si rappresenta quella popolazione generalizzata. Attribuisco al campione un modello, una caratteristica (media) e applico questo a tutta la popolazione. Commetto un certo grado di errore sicuro, ma ho descritto tutta la popolazione partendo da un campione a random di questa.

Se voglio che il valore e le caratteristiche che trovo siano più rappresentative possibili, bisogna approcciarsi in un certo modo alla popolazione -> aspetto metodologico -> modo di indagare ciò che mi chiedo deve essere orientato a ciò che voglio indagare -> porsi domande sul modo migliore di indagare il campione, cercare di raccogliere dati con degli strumenti adeguati, e utilizzare il disegno di ricerca adatto allo studio che voglio fare. La scelta metodologica influenza natura dei dati e qualità di risposte -> cambiano anche le risposte alle domande che mi faccio -> bias.

Metodologia = come vengono raccolti i dati. La risposta statistica dipende da relazione tra domanda di ricerca e metodologia che ho adottato. La risposta statistica (che c'è sempre) dà un risultato, io devo dare una spiegazione alla luce di ciò che stavo cercando e di come l'ho cercato. (Statistica non pensa, esegue.)

Step del processo

• Metodologia
• Statistica

È più importante la metodologia della ricerca -> quest'ultima "esegue" i calcoli che dico io. Ci possiamo porre diversi tipi di domande in ricerca -> esempio domande descrittive se voglio sapere solo media del campione in un determinato compito. Importante deviazione standard anche -> concetto di variabilità intorno alla media che si cerca di spiegare. La media ci permette di condensare tutti i valori e dati che abbiamo misurato, deviazione standard ci permette di capire la distribuzione intorno alla media, il perché alcuni sono più bravi o meno di altri. Cosa cambia? La media è poco rappresentativa per capire la variabilità. Bisogna cercare di usare compiti che sono in grado di cogliere questa variabilità (se avessi utilizzato un compito troppo semplice non l'avrei colto -> effetto soffitto). Le differenze potrebbero essere legate a genere, contesto scolastico (caratteristiche dell'insegnante), numero di relazioni sociali (per TOM) eccetera. Inoltre, cerco di capire quali benefici comportano le differenze. Ognuna delle domande richiede un test statistico specifico per essere analizzata e risposta -> caratteristiche dei dati che la domanda si porta dietro ci fa capire quale analisi utilizzare.

Tecniche statistiche

• Se voglio calcolare la differenza tra gruppi diversi -> T-test e ANOVA.
• Se voglio vedere la relazione tra variabili -> Correlazioni, correlazioni parziali e regressione.

Le caratteristiche dei dati che la domanda si porta dietro mi fa propendere per una tecnica statistica o l'altra. Esempio fatto dal Ronchi. Se si devono raccogliere dei dati sta a noi capire come scegliere i dati, non dipende da com'è il campione.

Nell'esempio del Ronchi (prestazione esame rispetto a tempo che ripassano prima dell'esame) dipende da ciò che ho come dati -> se voglio calcolare una variabile metrica (tempo per ripassare che è una variabile continua) meglio usare una correlazione -> sto indagando se la variabilità tra individui nel tempo di ripasso influenza la prestazione, assumendo che ognuno ha un tempo di ripasso diverso. Ovvio però che se la domanda era un'altra (calcolare solo tre gruppi 20m, 40m, 60m) era meglio ovviamente lo studio tra gruppi.

Altro esempio è training TOM -> si prendono due gruppi: uno che fa il training, l'altro dove non si fa -> ANOVA o t-test per vedere efficacia del training -> data la domanda di ricerca si deve decidere il test statistico, non il contrario.

Correlazione

Correlazione -> coefficiente r di Pearson -> mi dice se le due variabili sono correlate, ovvero se le due variabili cambiano insieme -> cambiamenti in una variabile corrispondono a simili cambiamenti anche in un'altra variabile. La forza della correlazione dipende da quanto cambia il punteggio a seconda della condizione. Ci dice forza e direzione della correlazione. Più punteggi:

• < 0,3 -> Associazione debole
• 0,3 < x >0,5 -> Associazione moderata
• > 0,7 -> Associazione forte

La forza dipende da quanto rapidamente cambiano i punteggi nella seconda variabile al cambiare dei punteggi della prima. Il segno del coefficiente ci dice se la correlazione è positiva o negativa, la direzione, se sono inversamente o direttamente proporzionali. Diciamo -> positiva se all'aumentare i punteggi di una variabile aumentano anche i punteggi dell'altra, negativa se all'aumentare i punteggi di una variabile diminuiscono quelli dell'altra. Il coefficiente r può essere = +1 indica perfetta correlazione, -1 perfetta correlazione negativa, 0 nessuna correlazione.

La correlazione si può immaginare come una sovrapposizione tra le due variabili. 16% lo trovo facendo il coefficiente di correlazione alla seconda (0.40x0.40=0.16). Condivisione delle due variabili. Le due variabili sono sovrapposte per il 16%. Se c'è una sovrapposizione del 100% sono la stessa cosa, se 50% sono molto legati -> la performance di esame dipende al 50% dal tempo passato a ripassare. Indice della forza dell'associazione.

Limite di questo approccio -> la correlazione non implica causalità -> con la correlazione non posso dire quale variabile viene prima dell'altra, quale variabile causa l'altra, qual è la direzionalità della correlazione. Questo può avvenire per due ragioni:

• Direzionalità delle variabili -> Se guardo simultaneamente non posso vedere cosa viene prima o cosa viene dopo, non vedo quale causa uno o l'altro.
• Problema della terza variabile -> potrebbe esserci una variabile che causa tutte le altre -> la stessa relazione tra le variabili potrebbe non essere vera ma essere legata a una variabile "confondente" che non ho tenuto in considerazione. La relazione che osservo potrebbe essere dovuta quindi a variabile confondente -> alcune, se non prese in considerazione, non mi fanno avere delle teorie giuste (esempio cicogne e bambini erano aumentati, c'era anche una correlazione tra quelle variabili -> però c'era una terza variabile urbanizzazione che spiegava entrambe, non erano correlate loro due direttamente. Se si prende in considerazione la terza variabile scompare la correlazione tra le altre due) -> sempre problema della metodologia -> io dico alla statistica di fare un calcolo, se trovo una correlazione poi devo dare io interpretazione, farmi domande, scegliere le giuste variabili.

Bisogna interpretare i dati alla luce della metodologia e bisogna prendere in considerazione sempre le variabili confondenti che potrebbero esistere. Come superare questo problema? Riflettere su variabili confondenti e misurare le variabili confondenti e applicare tecniche che permettono di calcolare la correlazione tra variabili di interesse, controllando per le variabili confondenti -> fare correlazione parziale -> se penso che ci sia una variabile confondente la calcolo per vedere di escludere il suo effetto -> devo stimare la relazione tra le variabili al netto della terza variabile, escludendo l'effetto di quest'ultima.

Esempio altro del Ronchi misurare ansia durante esame e performance di esame (r=-.44). Però vedo che c'è correlazione anche tra tempi di ripasso e performance (r=.40). Anche correlazione tra tempi di ripasso e ansia durante l'esame (r=-.70). Tutto correlato. Terza variabile potrebbe spiegare le altre due -> se ripasso meno mi viene l'ansia e avrò una performance minore nel test -> tutto potrebbe dipendere da quanto ho ripassato. Se il focus è la correlazione tra ansia e performance, i tempi di ripasso diventano la variabile confondente da controllare -> correlazione parziale permette di calcolare la relazione tra le due variabili iniziali controllando ed escludendo effetto di terza variabile. Se controllando con correlazione parziale rimane una correlazione tra le due variabili calcolate all'inizio, vuol dire che le due variabili sono correlate davvero, se la correlazione sparisce no.

Altro problema era la direzionalità degli effetti, che avevamo detto prima. Il problema del disegno di prima è che abbiamo misurato ansia durante esame, li vediamo insieme gli effetti. Per vedere la direzionalità della correlazione è utile cambiare disegno (ancora una volta questione metodologica, no statistico) -> utilizzare disegno longitudinale -> prendendo in considerazione anche la variabile tempo (susseguirsi eventi) posso individuare la variabile che viene prima. Se avessimo chiesto ansia prima di esame potevo dare una direzione dei dati. Misurando più volte nel tempo le variabili posso ragionare sulla direzione degli effetti -> in alcuni casi c'è bidirezionalità -> quindi anche così non si vede però lo stesso direttamente causa-effetto -> vedo una correlazione tra le variabili e la loro direzione ma non vedo una causalità, inoltre ci sono sicuramente tante altre variabili da considerare.

Indagare la causalità

Per indagare la causalità bisognerebbe usare disegno sperimentale -> Per dire che una causi l'altra bisognerebbe usare un disegno sperimentale in cui si manipola una delle variabili (variabile indipendente, antecedente) per vedere se si assiste a un cambiamento diretto dell'altra variabile (variabile dipendente) -> manipolare attivamente le variabili -> solo così posso ragionare su causalità, con studi sperimentali, gli esperimenti.

In questo tipo di studi (come quelli di training) cerco di manipolare e aumentare, ad esempio, TOM (con un training appunto) in bambini e valuto come cambia il comportamento sociale e relazioni -> se vedo aumentare TOM e aumento relazioni sociali posso dire che la TOM causa relazioni e comportamento sociale (vedo causalità). Vedo effetti a cascata del training, dell'effetto che ho indotto e quindi vedo causalità. Quindi ancora una volta l'importante è la differenza tra metodologia (sapere che disegno devo adottare) e statistica che è lo strumento che uso per calcolare. Poi dare interpretazioni in base a metodologia eccetera.

Regressione lineare

Regressione lineare -> se so che una variabile viene prima (predittore) e una viene dopo (outcome) uso la regressione -> correlazione in cui vedo se c'è una relazione ma dando una direzione tra queste, così vedo info più dettagliate. In studi trasversali è più "sbagliato" usarle, meglio longitudinali. Questa metodologia permette di vedere:

• Se una influenza l'altra -> vedere se un cambiamento in una variabile predice i cambiamenti di un'altra.
• La forza di questa associazione.
• Fare predizioni dell'outcome conoscendo il predittore.

Analisi di regressione viene usata per la maggiore -> si costruiscono da questa, approcci più complessi (modelli di equazione strutturale ecc.). Importante comprendere regressione.

Esempio per capire regressione. Dimensione ragno predice livello di ansia di un soggetto? Prendo aracnofobici e valuto. So che una variabile è predittore e l'altra viene dopo. Valuto i dati. Voglio vedere se c'è una relazione tra dimensione e ansia e fare previsioni su altre persone di un altro campione. Si individua la retta che meglio spiega la maggior parte dei dati, meglio rappresenta la distribuzione dei dati. Ci sono errori di stima ovviamente, ovvero i dati che sono lontani da linea -> errori di stima. I soggetti che non sono rappresentati da stima sono errori di stima, ma la retta in realtà cerca di spiegare la maggior parte dei dati. L'analisi regressione mi dice i valori che mi servono per completare l'equazione di quella retta. Y=B₀+B₁*X+Err -> Y è ansia; X è dimensione del ragno; B₀ è l'intercetta (valore di ansia quando X è uguale a 0, ansia a livello di partenza, ovvero quanta ansia ha una persona per il ragno quando non c'è il ragno?) ce lo dice la regressione; il B₁ è il coefficiente di regressione, ovvero il coefficiente angolare della retta -> la correlazione vera e propria tra le due variabili che calcolo, dà la pendenza della retta, vedo come aumenta ansia a seconda del predittore (ogni volta che il ragno aumenta di 1 cm, l'ansia aumenta di .99).

Ansia di partenza è bassa, ma all'aumentare del predittore aumenta -> per ogni cm del ragno aumenta ansia di un punto. Utile sapere ciò perché posso predire il comportamento anche per altre persone sostituendo la X (size) con la grandezza del ragno -> così stimo quanta ansia ha il soggetto che si vede davanti un ragno di tot grandezza, faccio delle previsioni. Raccolgo dati -> costruisco un modello di relazione -> faccio previsioni. Quindi è molto importante il campione della popolazione, deve essere rappresentativo -> più studi ci sono più si può avere una forza nella predizione. C'è sempre un certo grado di errore nella realtà -> è un altro indice della precisione del predittore. Più predittori uso più posso affinare il potere predittivo. Il coefficiente di regressione potrebbe non essere standardizzato (il valore potrebbe essere a seconda del nostro test) -> bisognerebbe utilizzare i valori dei test standardizzati, non a seconda del mio test che ho utilizzato -> bisognerebbe utilizzare un test standardizzato o standardizzare il mio valore usando le unità di deviazioni standard -> interpretiamo in modo diverso, ovvero in deviazioni standard per poterlo confrontare con altri studi che hanno utilizzato gli stessi paradigmi ma test diversi, serve per poter confrontare gli studi.

Il valore beta va da -1 a +1 come r di Pearson -> sempre valenza di effetto e quindi valori positivi e negativi e forza:

• < 0,3 -> Associazione debole
• 0.3 < x >0,5 -> Associazione moderata
• > 0,7 -> Associazione forte

Anche qua si può trasformare in indice percentuale elevandolo al quadrato -> prendo il valore beta 0.74 e lo elevo -> dimensione ragno spiega 54% della ansia -> peso molto grande.

Questa era una regressione semplice (si usa un solo predittore). Se si utilizzano più predittori si parla di regressione multipla -> molto più utilizzata perché un solo predittore sicuro non mi spiega nulla e inoltre si riesce a controllare anche la terza variabile. Esempio di performance d'esame. Per evitare di fare inferenze scorrette, se so che un predittore è importante per una variabile (ad esempio se altri hanno già fatto quella ricerca), io devo inserirlo come predittore. Così vedo se quello nuovo che inserisco spiega davvero qualcosa di nuovo e non una cosa che potrebbe essere spiegata da altro. Però si possono non mettere predittori che non sono importanti, per evitare confusione. Così otterrò dati più corretti possibile. Con regressione multipla capisco tutti i fattori importanti per spiegare un fenomeno. Uguale a regressione semplice ma con equazione più lunga. Ogni predittore avrà un suo specifico effetto sulla Y, ognuno ha un coefficiente di regressione pari al numero di predittori. Performance d'esame è data da performance quando tutti gli altri predittori sono uguali a 0 (intercetta), effetto ansia, effetto QI, effetto ripasso, effetto motivazione. Effetto di ciascun predittore è stimato al netto degli effetti degli altri predittori -> come se fosse una correlazione parziale. Se trovo un effetto significativo del predittore posso già dire che è un effetto valido anche controllando per gli effetti di altri predittori. Sto già escludendo la parte di performance spiegata da più predittori.

Dato che ogni predittore è calcolato al netto degli altri, cambia tutto se inserisco o meno i predittori -> se un predittore è importante per quel fenomeno, rilevante, bisogna inserirlo e non includere predittori non importanti perché potrebbero creare confusione nei dati.

Teoria della mente (TOM)

Teoria della Mente (TOM theory of mind) -> dare senso a un comportamento che si osserva facendo delle inferenze sugli stati mentali dell'altro -> cerchiamo di spiegare un comportamento sulla base dei pensieri, desideri dell'altro. Tutti questi processi di inferenza sono resi possibili da abilità di TOM. Quotidianamente facciamo inferenze, ci serve molto per capire tutto -> in contesto sociale, quando ci sono altri, quando abbiamo bisogno di dare una spiegazione dell'altro. Inferenze = supposizioni, non certezze. Tom è la capacità di saper ragionare sugli stati mentali degli altri. Questi processi sono tendenzialmente innati (in condizione tipica), è proprio dell'uomo. Si può chiamare anche "mind-reading" o "mentalizzazione" e fa parte della vita di tutti i giorni ed entra in gioco quando c'è un rapporto con gli altri -> cerchiamo di dare spiegazione del comportamento degli altri. Capacità di "leggere la mente degli altri", capire cosa c'è nella mente degli altri -> pensieri, ricordi, desideri, credenza ecc. -> attribuzione di stati mentali per interpretare.