基于网络理论的物质成瘾新视角

物质成瘾是一种涉及生理、心理和环境等多因素的复杂现象, 但是当前基于生物还原论的解释对物质成瘾现象整体性的理解和康复研究造成了阻碍。网络理论聚焦于心理障碍变量之间相互作用形成的反馈环路, 从整体视角为研究物质成瘾提供了新的理论框架。将网络理论应用于物质成瘾的研究中将有利于:(1)理解症状之间的相互关系和影响; (2)理解症状网络的整体性和系统性动态变化过程; 以及(3)将多层次和多水平因素整合到统一的理论框架中。从网络理论视角来理解物质成瘾, 也将对未来的干预和治疗提供了理论支持。目前, 网络理论仍处于言语模型阶段, 未来需要进一步提出更具体、可验证的统计模型, 以完善对于物质成瘾机制的了解, 更加有效地推进物质成瘾的治疗与恢复。     

解读不显著结果：基于500个实证研究的量化分析

不显著结果(如, p > 0.05)在心理学研究中十分常见, 且容易被误解为接受零假设的证据, 并可能导致分组匹配研究的错误推断或者忽视被小样本的不显著结果掩盖的真实效应。但国内目前尚无实证研究对不显著结果的普遍性及其解读进行调查。本研究调查500篇中文心理学实证研究, 统计其摘要中出现与不显著结果相关的阴性陈述的频率, 判断并统计基于阴性陈述的推断准确性, 并使用贝叶斯因子对不显著结果中包含t值的研究进行重新评估。结果表明, 36%的摘要提及不显著结果, 共包含236个阴性陈述。其中, 41%的阴性陈述对不显著结果的解读出现偏差(如, 解读为支持了零假设)。对包含t值的研究进行贝叶斯因子分析, 结果显示仅有5.1%的不显著结果可以提供强证据支持零假设(BF₀₁ > 10)。与先前对国际心理学期刊的调查结果相比(32%的摘要包含阴性陈述; 72%的阴性陈述对不显著结果的解读错误), 中文心理学期刊中报告不显著结果的比例更高, 且对不显著结果解读错误的比例更低。但国内研究者仍需进一步加强对不显著结果的认识, 推广适于评估不显著结果的统计方法。     

变量间的网络分析模型及其应用

变量间的网络分析模型近年来被广泛应用于心理学研究。不同于将潜变量作为观测变量的共同先导因素的潜变量模型, 网络分析模型将观测变量作为初级指标, 采用图论的方法建立观测变量之间的关系网络, 其中变量为网络的节点, 而变量间的关系是节点之间的连线。因此网络分析可以突显观测变量之间的联系以及观测变量相互影响而形成的系统。通过变量网络中基于各个节点特征的指标(如中心性)以及基于整体结构特征的指标(如小世界性), 网络分析为研究各种心理现象提供了新的可视化的描述方式和理解视角。近10年来, 网络分析的方法已在人格心理学、社会心理学和临床心理学等领域得到一定的应用。未来研究应继续发展和完善网络分析模型的理论和方法, 使之运用到更多的数据类型和更广的研究领域中。     

贝叶斯因子及其在JASP中的实现

统计推断在科学研究中起到关键作用, 然而当前科研中最常用的经典统计方法——零假设检验(Null hypothesis significance test, NHST)却因难以理解而被部分研究者误用或滥用。有研究者提出使用贝叶斯因子(Bayes factor)作为一种替代和(或)补充的统计方法。贝叶斯因子是贝叶斯统计中用来进行模型比较和假设检验的重要方法, 其可以解读为对零假设H₀或者备择假设H₁的支持程度。其与NHST相比有如下优势：同时考虑H₀和H₁并可以用来支持H₀、不“严重”地倾向于反对H₀、可以监控证据强度的变化以及不受抽样计划的影响。目前, 贝叶斯因子能够很便捷地通过开放的统计软件JASP实现, 本文以贝叶斯t检验进行示范。贝叶斯因子的使用对心理学研究者来说具有重要的意义, 但使用时需要注意先验分布选择的合理性以及保持数据分析过程的透明与公开。     

贝叶斯因子序列分析：实验设计中平衡信息与效率的新方法

实验设计的关键是平衡信息量与效率。贝叶斯因子序列分析利用贝叶斯因子不断更新证据的特点,通过贝叶斯因子标准和在收集数据过程中的序列分析来平衡信息量与效率。本文展示如何使用开源软件JASP和R实现该分析的三个步骤：确定关键效应、确定停止标准、数据收集中序列分析并决策。该方法考虑现实条件且简单易行,可帮助研究者更有效地进行实验。     

心理学研究中的可重复性问题:从危机到契机

可重复性问题是当前科学界面临的共同问题。最近,心理学研究领域的可重复性问题也受到广泛关注,引起了研究者的积极讨论与探索。通过对2008年发表的100项研究结果进行大规模重复实验,研究者发现,心理学研究的成功重复率约为39%,但该研究仍然存在着巨大的争议,不同的研究者对其结果的解读不尽相同。针对可重复性问题,研究者通过数据模拟、元分析以及调查等多种方法来分析和探索其原因,这些研究表明,可重复性问题本质上可能是发表的研究假阳性过高,可疑研究操作是假阳性过高的直接原因,而出版偏见和过度依赖虚无假设检验则是更加深层的原因。面对可重复性问题,研究者从统计方法和研究实践两个方面提出了相应的解决方案,这些方法与实践正在成为心理学研究的新标准。然而,要解决可重复性问题,还需要心理学研究领域的多方参与,尤其是在政策上鼓励公开、透明和开放的研究取向,避免出版偏见。心理学研究者为解决可重复性问题做出的努力,不仅会加强心理学研究的可靠性,也为其他学科解决可重复问题提供了借鉴,推动科学界可重复问题的解决。     

多项式加工树模型在社会心理学中的应用

多项式加工树（multinomial processing tree, MPT）从理论模型出发,使用多项式模型来拟合行为数据并估计理论模型中各个加工过程发生的可能性。该模型能够有效分离和量化不同心理过程,被广泛应用于社会认知研究之中,如态度、刻板印象等。本文首先介绍该模型的基本原理及其实现,并以道德判断为例说明其在社会心理学中的最新应用。最后,总结其对社会心理学研究的意义,即可以作为一种方法提高研究的效度和精度,具有较高的实用价值,并指出其潜在不足。     

评估零效应的三种统计方法CSSCI

在心理学研究中,研究者可能需要评估效应是否不存在,但常用的原假设显著性检验无法提供支持零效应的证据。因此,实践中研究者要么对p>0.05的情况进行回避,要么错误地认为p>0.05支持了原假设。近年来,等价检验、贝叶斯估计和贝叶斯因子逐渐被用于评估零效应。文章介绍了这三种方法的原理,并通过两个实例分析,展示三种方法的实际应用。这三种评估零效应的方法能够帮助心理学研究者在实际研究中进行合理的统计推断和研究决策。     

神经成像数据的元分析

随着高空间分辨率神经成像技术如fMRI和PET的普及, 神经成像研究报告的数量增长迅猛。文献的积累为研究者提供了大量的数据, 研究者可以通过对文献的分析来验证研究结论以及提出新的假设。由于神经成像研究的主要目的之一在于寻求认知过程与脑区的空间位置对应关系, 基于坐标的元分析方法满足了这种需求, 成为神经成像数据元分析中主导的方法。其中, 激活可能性估计法(Activation Likelihood Estimation, ALE)由于方法上的合理性和使用上的便利, 成为当前使用最广泛的基于坐标的元分析方法。本文首先介绍了ALE方法的基本原理, 并在此基础上讨论了神经成像数据元分析的两种主要思路：寻找多个研究的一致性以及寻找脑区激活的调节变量。此外, 文章还介绍了新近流行的脑连通性元分析模型(MACM), 即使用元分析方法进行功能连通性分析。最后, 文章讨论了当前神经成像数据元分析的发展趋势。     

神经科学偏见效应：可重复性及其心理机制的探索

神经科学的发展对其他学科以及社会产生了重要的影响。虽然神经科学方法与行为研究方法都是探索人类心理与行为的有效手段并各有所长, 但神经科学的研究结果却可能引起人们过度的解读和信任。研究者发现, 当某一结论使用神经科学结果作为证据时, 比使用行为科学结果或者心理生理学指标作为证据时更加让人信服, 即使神经科学结果与该结论之间毫无关系, 这种现象被称为神经科学偏见(neuroscience bias)。通过系统回顾近年来关于神经科学偏见的研究, 我们发现：(1)虽然神经科学偏见存在可重复性的争论, 但该效应确实存在; (2)神经科学偏见的产生可能是因为个体倾向于还原论的解释(即使用低层次、简单的机制来解释更高层次上的现象)及心理本质主义的影响(即人们认为心理与行为的本质是神经活动)。神经科学偏见反映了公众对科学结果解读的偏见, 未来研究需要探讨这种偏见的心理机制, 从而引导科学结果的正确解读和运用。