心理学本土化的后现代反思

心理学本土化目前在我国的发展面临很多困惑,究其原因,主要在于现代心理学的科学主义倾向明显,导致很多研究者在对心理学学科性质、研究方法、研究对象等根本问题上存在严重的认识偏颇。要解决心理学本土化过程中的困惑,需要重新对心理学的学科性质、研究方法、研究对象等基本问题进行反思。后现代主义心理学在一定程度上能够给予本土心理学研究者以思考,帮助其重拾学术自信,促进研究者在未来的心理学本土化研究中更好的开展相关的工作,进而产生更多的学术创新。     

心理学研究中的还原主义问题考察

还原主义是主导心理学研究的非常重要的理论原则。其核心思想是认为,世界是分层的梯级系统,可以通过已知的、低层级的事物或理论来解释与说明未知的、高层级的事物或理论。实证的科学心理学在自己的起步的阶段,曾经把物理学当成了自己的榜样,当成了自己的标准。心理学在解说人的心理行为的过程中,就把心理行为的规律归结为物理主义的规律。生物决定论观点认为人的心理或行为主要受人的生物因素所决定,人类的社会行为、人格乃至社会生活的基本方面都决定于这些个体、群体、种族或人种的生物因素。还原论与还原方法既有联系又存在着质的差别。还原论在心理学的研究中有其合理的地方。这也就可以区分出所谓的物理主义的还原,化学分析的还原、生物决定的还原、生理机制的还原、社会决定的还原、文化制约的还原,等等。在表面上看,心理学研究中的还原主义是一种简单化的或简约化的研究处理。但是,在深层上看,心理学研究却借助于还原论而形成了自己的研究框架。并且,这也是将各自不同学科的相关的探索转换成为了心理学的学术性资源。     

权力对压力应对行为倾向的影响：认知评估的中介作用

摘 要 采用实验法探讨权力对压力应对行为的影响以及认知评估在二者关系中的作用。实验一通过回忆法操纵权力,测量被试在压力情境下的认知评估和行为倾向。结果发现,权力水平影响压力下的生理反应,高权力者产生挑战,低权力者产生威胁;认知评估在权力和压力应对行为倾向间起中介作用。实验二进一步探究了权力对压力应对行为的影响,结果发现认知评估中介权力和压力应对行为倾向,且不同权力水平者的压力应对行为存在显著差异。     

儿童对时间顺序的认知发展的实验研究Ⅰ

本实验以按时序排队和组成时间系列以及口头申述理由为客观指标、探讨4—7岁儿童对每日时序(早晨、中午、晚上)和一日之延伸(昨晚、明早)以及对时序的相对性认知发展的水平和特点。结果表明:5、6岁儿童对一日之内早午晚时序已能正确认知,但4岁儿童仍相当困难;4、5、6岁儿童对一日前后延伸的时序和时序相对性的认知随年龄而发展,但总的认知水平仍较低;对时序相对性的认知到7岁可以达到。儿童对时序的理解是以本身的生活经验为时间关系的参照物。儿童时间词语的发展与对时间关系的认知是互相促进的,两者的发展是不同步的。     

双作业信息输入通道对作业绩效的影响

采用单作业和双作业操作,探讨了不同信息输入通道对双作业操作绩效的影响。实验结果证明：若采用相同的信息输入通道,同时操作的两种作业就会产生相互干扰,降低操作绩效;相反,若采用不同信息输入通道,双作业之间的相互干扰将减小,作业绩效得到提高。     

初入学儿童认知发展中的个别差异和个人内部差异初探

本研究以守恒、类包含、双维逻辑关系等多项认知任务施加于同一被试,探查了初入学七岁儿童的认知发展。结果表明这一年龄儿童已基本上获得有关守恒概念(除容积守恒),逻辑推理能力正在形成和发展。学校教育条件,家庭文化教育背景及个人智能等因素对认知发展有重要影响。个人内部的认知发展存在着横向参差现象,其原因有待进一步研究。     

任务中断对幼儿前瞻记忆的影响

本研究采用实验方法研究了年龄及当前进行任务中不同位置的中断对幼儿前瞻记忆的影响。结果发现：(1)年龄对幼儿前瞻记忆成绩有显著影响;(2)在1／4中断和无中断条件下,幼儿的前瞻记忆成绩较好,在1／2中断和3／4中断条件下．幼儿前瞻记忆成绩较差。     

文化心理学的启示意义及其发展趋势

心理学的研究对象乃是一种文化现象,是与人类文化互相创生发展的过程。心理学研究对象的独特性质决定着,心理学研究不可能脱离具体的文化背景。文化心理学的兴起适时地满足了当代心理学发展的要求。作为心理学研究的一种重要视角,文化心理学蕴涵着对心理学的研究对象、研究方法、研究目标及学科性质的独特理解。由于文化心理学兴起的时间较短,它必然还要不断吸取各种养分,实现内部取向的不断整合,提出更加明确的研究纲领。     

More efficient parameter estimates for factor analysis of ordinal variables by ridge generalized least squares

Data in psychology are often collected using Likert‐type scales, and it has been shown that factor analysis of Likert‐type data is better performed on the polychoric correlation matrix than on the product‐moment covariance matrix, especially when the distributions of the observed variables are skewed. In theory, factor analysis of the polychoric correlation matrix is best conducted using generalized least squares with an asymptotically correct weight matrix (AGLS). However, simulation studies showed that both least squares (LS) and diagonally weighted least squares (DWLS) perform better than AGLS, and thus LS or DWLS is routinely used in practice. In either LS or DWLS, the associations among the polychoric correlation coefficients are completely ignored. To mend such a gap between statistical theory and empirical work, this paper proposes new methods, called ridge GLS, for factor analysis of ordinal data. Monte Carlo results show that, for a wide range of sample sizes, ridge GLS methods yield uniformly more accurate parameter estimates than existing methods (LS, DWLS, AGLS). A real‐data example indicates that estimates by ridge GLS are 9–20% more efficient than those by existing methods. Rescaled and adjusted test statistics as well as sandwich‐type standard errors following the ridge GLS methods also perform reasonably well.     

Empirically Corrected Rescaled Statistics for SEM with Small N and Large p

Survey data often contain many variables. Structural equation modeling (SEM) is commonly used in analyzing such data. With typical nonnormally distributed data in practice, a rescaled statistic T_rml proposed by Satorra and Bentler was recommended in the literature of SEM. However, T_rml has been shown to be problematic when the sample size N is small and/or the number of variables p is large. There does not exist a reliable test statistic for SEM with small N or large p, especially with nonnormally distributed data. Following the principle of Bartlett correction, this article develops empirical corrections to T_rml so that the mean of the empirically corrected statistics approximately equals the degrees of freedom of the nominal chi-square distribution. Results show that empirically corrected statistics control type I errors reasonably well even when N is smaller than 2p, where T_rml may reject the correct model 100% even for normally distributed data. The application of the empirically corrected statistics is illustrated via a real data example.