Research methods 1

研究方法 1：心理学调查员指南

欢迎来到研究方法的世界！这听起来可能是一门独立的学科，但理解心理学家如何收集证据是你所学到的最重要的技能。你学习的所有内容——从记忆模型到从众理论——都建立在扎实的研究基础之上。

如果“变量”或“分布”等术语让你感到困惑，请不必担心。我们将把它们拆解成简单易懂的步骤。在本章结束时，你不仅会掌握这些术语，还会明白为什么使用这些方法来回答有关人类行为的重大问题。

引言核心要点：

研究方法是心理学家使用的“工具”。如果你理解了这些工具，你就能评估研究结果的质量！

---

1. 核心研究方法：我们的调查方式

心理学使用四种主要方法来收集数据。具体选择哪种方法，完全取决于研究者想要解决的问题。

1.1 实验法

这是确定因果关系（cause and effect）的黄金标准。研究者操纵一个变量并测量其对另一个变量的影响，同时控制所有其他因素。

实验类型

• 实验室实验（Laboratory Experiment）：
  

  在高度受控的环境中进行（例如，专门为任务设置的实验室或教室）。这使研究者能够有效地控制无关变量（extraneous variables）。

  优点：控制力强 = 内部效度（internal validity）高（我们可以确定是自变量（IV）导致了因变量（DV）的变化）。
  缺点：环境人工化 = 生态效度（ecological validity）低（结果可能无法反映现实生活）。

• 现场实验（Field Experiment）：
  

  在自然的日常环境中进行（例如，公园、街道或学校）。自变量仍由研究者操纵。

  优点：自然环境 = 生态效度更高。
  缺点：控制力较弱 = 无关变量干扰结果的风险增加。

• 自然实验（Natural Experiment）：
  

  自变量（IV）自然发生；研究者只是记录其对因变量（DV）的影响。研究者不操纵自变量（它无论如何都会发生，例如自然灾害、法律变更或具有某种生物学特征，如裂脑人）。

  优点：允许研究那些操纵起来不道德或不切实际的变量。
  缺点：无法控制研究对象及实验条件。

1.2 观察法

观察涉及观看和记录行为。当自我报告可能存在偏差，或者我们想观察行为发生的即时过程时，这种方法非常有用。

观察设计类型

• 自然观察 vs. 控制观察：
  

  自然观察是在行为通常发生的环境中观察（例如，观察操场上的行为）。控制观察在结构化条件下进行，通常在实验室环境中，可以管理相关变量。

• 显性观察 vs. 隐性观察：
  

  显性观察：参与者知道自己被观察。（风险：参与者可能会改变行为）。
  隐性观察：参与者不知道自己被观察。（存在伦理问题，但效度高）。

• 参与观察 vs. 非参与观察：
  

  参与观察：研究者成为研究对象群体的一部分（例如，加入一个组织）。存在失去客观性的风险。
  非参与观察：研究者保持独立，从远处观察（例如，通过单向镜）。

1.3 自我报告技术

这些方法涉及直接询问人们的感受、想法或行为。

• 问卷调查（Questionnaires）：
  

  一套用于评估想法或感受的书面问题。可以使用开放式问题（得到详细、描述性的回答，从而产生定性数据）或封闭式问题（固定选项，易于统计，从而产生定量数据）。

• 访谈（Interviews）：
  

  面对面或电话互动。
  结构化访谈：问题是预设的，并按固定顺序提问（就像大声朗读问卷）。
  非结构化访谈：更像是一场对话；研究者有一个大致的目标，但问题随着访谈的进行而展开。

1.4 相关研究（Correlations）

相关分析旨在分析共变量（co-variables）（两个或多个可测量的特质或特征）之间的关系。

关键点：相关性告诉我们两件事是否有关联以及关联强度，但它不能证明因果关系。

• 正相关：当一个变量增加时，另一个变量也增加（例如，学习时长与考试分数）。
• 负相关：当一个变量增加时，另一个变量减少（例如，看电视时长与考试分数）。
• 零相关：共变量之间不存在关系。

---

2. 科学过程：研究的规划与执行

2.1 研究目的与假设

在任何研究开始之前，心理学家必须明确其目的。

• 研究目的（Aims）：关于研究者打算调查什么的概括性陈述（例如，研究咖啡摄入量是否会影响反应时间。）
• 假设（Hypotheses）：一个精确的、可验证的陈述，预测研究结果。

假设类型

• 定向假设（单尾假设）：预测结果的方向。
  例子：“喝咖啡的人比不喝咖啡的人反应时间更快。”
• 非定向假设（双尾假设）：预测存在差异或关系，但没有说明具体方向。
  例子：“喝咖啡的人与不喝咖啡的人之间反应时间存在差异。”

2.2 抽样：我们研究谁？

我们无法研究每一个人（总体/population）。我们使用一个小群体——样本（sample），来代表总体。

总体与样本

总体是你感兴趣的整个群体（例如，全球所有16-18岁的学生）。样本是从该总体中实际选出的参与者群体。

为什么抽样技术很重要？如果你的样本存在偏差（biased）（不具有代表性），你就无法将研究结果推广（generalise）到整个总体。

主要抽样技术

• 随机抽样：总体中的每个成员都有平等的被选中机会（像抽签一样）。这通常是避免偏差的最佳技术，但在实践中可能很难实现。
• 机会抽样：选择当时在场且愿意参与研究的任何人（例如，询问街上经过的人）。这是最简单、最快的方法，但通常也是最容易产生抽样偏差的方法。

2.3 预实验（Pilot Studies）

预实验是正式调查的小规模试运行。

预实验目的：检查程序是否可行、指导语是否清晰、任务是否太难、或者材料是否合适。它通过在正式研究前识别缺陷，帮助研究者节省时间和金钱。

2.4 变量与操作化

在实验中，我们使用特定类型的因素（变量）：

• 自变量（IV）：研究者操纵或改变的变量。
• 因变量（DV）：研究者测量的变量。因变量预计会因自变量的操纵而发生变化。
• 无关变量：任何可能影响因变量但不是自变量的其他变量。我们试图控制这些变量！

操作化：这意味着清晰地定义变量的测量方式。你必须将抽象概念转化为具体且可测量的形式。

例子：如果你的自变量是“疲劳度”，你必须将其操作化。与其说“疲劳 vs 清醒”，不如将其操作化为：“睡眠少于4小时（疲劳组）的参与者 vs. 睡眠8小时（清醒组）的参与者。”

2.5 实验设计

我们如何将参与者分配到不同的条件中？

• 独立组设计：使用两组独立的参与者；每组只经历自变量的一个条件。
  例子：A组喝咖啡，B组喝水。
• 重复测量设计：同一批参与者参加自变量的所有条件。
  例子：所有参与者先在喝咖啡后进行测试，然后再在喝水后进行测试。
• 匹配对设计：使用两组独立的参与者，但根据关键特征（如智商、年龄、记忆分数）将参与者配对，以便每组条件下的参与者基本等同。

2.6 控制技术

• 随机分配：用于独立组设计。这确保参与者被随机分配到不同条件，将参与者变量（如个人能力差异）平均分配到各组中。
• 平衡/抵消法：用于重复测量设计（如上所述）。

2.7 需求特征（Demand Characteristics）

这是任何研究中潜在的问题。需求特征发生在参与者猜出研究目的并改变行为以符合他们认为研究者所期望的情况时。

类比：当你在课堂上被观察时，你的表现会比平时好！你是在响应情境的“需求”。

2.8 特殊设计特征（非实验性）

• 观察设计（行为类别）：在观察时，研究者必须将连续的行为流分解为可测量的单位，称为行为类别（例如，“打人”、“分享玩具”、“独自坐着”）。这些必须是客观且定义明确的。
• 问卷/访谈（开放式 vs. 封闭式问题）：记住，开放式问题产生详细的定性数据，而封闭式问题产生特定的、可量化的（数值）数据。

---

3. 心理学研究中的伦理

心理学研究必须保护参与者的身心健康。心理学家遵循严格的伦理准则。如果研究违反这些规定，则可能被认为不可接受。

记忆技巧：将7个关键伦理原则记作C-C-D-D-P-R-P。

• 同意（Consent）：参与者必须在充分了解研究性质和目的的基础上同意参与（知情同意/informed consent）。
• 保密性（Confidentiality）：必须保护个人数据（通常通过为参与者分配编号而不是使用姓名来实现）。
• 欺骗（Deception）：研究者应避免误导参与者。轻微的欺骗有时无法避免，但必须有正当理由。
• 事后说明（Debrief）：研究后的关键谈话，揭示真实目的，并解决任何欺骗行为。
• 免受伤害（Protection from Harm）：参与者所承受的风险不得超过他们日常生活中会遇到的风险（身体或心理）。
• 退出权（Right to Withdraw）：必须告知参与者可以随时退出研究，甚至可以在事后撤回他们的数据。
• 隐私（Privacy）：参与者有权控制关于自己的信息流向。在公共场所观察他人通常是可以接受的，但在私人空间观察则不然。

---

4. 数据处理与分析

数据收集完成后，我们需要对其进行整理、描述并清晰地呈现。

4.1 定量与定性数据

• 定量数据：数值数据（数字、分数、测量值）。
  优点：易于统计分析；客观。
  缺点：缺乏深度和细节。
• 定性数据：非数值数据（文字、描述、访谈、记录）。
  优点：提供丰富的细节；外部效度高。
  缺点：难以分析和比较；需要主观解释。

4.2 一手数据与二手数据

• 一手数据（Primary Data）：研究者专门为当前调查直接收集的数据（例如，你自己进行的实验）。
• 二手数据（Secondary Data）：已经存在并由他人收集的数据（例如，政府统计数据、之前的研究）。
• 元分析（Meta-analysis）：一种特殊的二手数据分析，研究者对针对相似假设的多项现有研究结果进行统计合并。

4.3 描述性统计

描述性统计总结了数据集的主要特征。

集中趋势衡量（平均分数）

它们告诉我们数据集中的典型值或中间值。

1. 平均数（Mean）：算术平均值（所有分数相加除以分数个数）。
   优点：使用了所有数据，使其成为最灵敏的衡量指标。
   缺点：容易受到极端分数（离群值）的干扰。
2. 中位数（Median）：将数据按顺序排列后的中间分数。
   优点：不受极端分数影响。
3. 众数（Mode）：出现最频繁的分数。
   优点：适用于定类（类别）数据。
   缺点：可能没有众数或存在多个众数。

计算示例（平均数）：计算分数2, 4, 6, 8的平均数：
\( \text{Mean} = \frac{2 + 4 + 6 + 8}{4} = \frac{20}{4} = 5 \)

离散程度衡量（分数的分布情况）

它们告诉我们数据分布的范围。

1. 极差（Range）：最高分与最低分之差（通常加1以修正舍入）。
   优点：易于计算。
   缺点：仅使用两个分数，容易受到单个极端分数的干扰。
2. 标准差（SD）：测量每个数据点与平均值之间的平均距离。
   概念：低标准差意味着分数紧密聚集在平均值周围（一致性高）。高标准差意味着分数分布广泛（一致性低）。
   优点：比极差精确得多，因为它使用了所有数据点。

分数与百分比

学生必须能够计算并使用基本分数和百分比来表示总数据集的部分。

例子：如果有20个人中有15个人同意，分数是 \( \frac{15}{20} \)，百分比是 \( \frac{15}{20} \times 100 = 75\% \)。

相关性（回顾）

在分析相关数据时，我们要确定关系是正相关、负相关还是零相关。

4.4 定量数据的呈现与展示

可视化数据使其更容易理解规律。

• 表格：清晰呈现原始分数和总结数据（通常包括集中趋势的衡量指标）。
• 柱状图：用于离散数据（独立的类别，如比较独立组的平均值）。柱子之间不接触。
• 线形图：用于连续数据（例如，随时间的变化，或重复测量数据）。
• 散点图：用于绘制相关性。每个点代表一个参与者的两个分数（共变量）。点的分布规律表明了相关性的类型和强度。

4.5 分布形态

分数在整个范围内的分布方式。

• 正态分布：经典的“钟形曲线”。它是对称的，最高频率在中间。关键点是，平均数、中位数和众数都在同一个中心点。
• 偏态分布：数据偏向一端的不对称分布。
  正偏态：分数聚集在左侧，“尾巴”指向右侧（正方向）。平均数被向右拉。
  负偏态：分数聚集在右侧，“尾巴”指向左侧（负方向）。平均数被向左拉。