Research methods 1

研究方法 1：成為心理學調查員的指南

歡迎來到研究方法！你可能會覺得這部分像是一門獨立的學科，但了解心理學家如何收集證據，是你將要學到最重要的一項技能。你所學習的一切——從記憶模型到從眾理論——都建立在紮實的研究基礎之上。

如果「變量」或「分佈」這些術語聽起來讓你感到頭痛，不用擔心。我們會將它們拆解成簡單易懂的步驟。讀完這一章後，你不僅會掌握這些術語，還會明白為什麼要使用這些方法來解答關於人類行為的重大課題。

引言重點：

研究方法是心理學家使用的「工具」。只要你了解這些工具，就能評估研究結果的品質！

---

1. 核心研究方法：我們如何進行調查

心理學主要使用四種途徑來收集數據，具體選擇哪種方法，完全取決於研究者想要回答的問題。

1.1 實驗法 (The Experimental Method)

這是確定因果關係 (cause and effect) 的黃金標準。研究者操控一個變量並測量其對另一個變量的影響，同時控制所有其他因素。

實驗的類型

• 實驗室實驗 (Laboratory Experiment)：
  

  在高度受控的環境下進行（例如：專門為實驗設置的實驗室或教室）。這讓研究者能有效控制無關變量 (extraneous variables)。

  優點： 控制力強 = 內部效度 (internal validity) 高（我們可以確信是自變量導致了因變量的變化）。
  缺點： 人為環境 = 生態效度 (ecological validity) 低（結果可能無法反映現實生活）。

• 田野實驗 (Field Experiment)：
  

  在自然、日常的環境中進行（例如：公園、街道或學校）。研究者仍然會操控自變量。

  優點： 自然環境 = 生態效度較高。
  缺點： 控制力較弱 = 無關變量干擾結果的風險增加。

• 自然實驗 (Natural Experiment)：
  

  自變量 (IV) 是自然發生的；研究者只是記錄其對因變量 (DV) 的影響。研究者不會操控自變量（它無論如何都會發生，例如：天災、法律變更，或患有如裂腦症等生物學疾病）。

  優點： 容許研究那些在道德上或實際上無法操控的變量。
  缺點： 對研究對象和條件缺乏控制。

1.2 觀察法 (Observation Techniques)

觀察法涉及觀看並記錄行為。當自述報告可能存在偏見，或者我們想觀察行為「即時」發生時，這種方法非常有用。

觀察設計的類型

• 自然觀察與受控觀察：
  

  自然觀察是在行為通常發生的環境下進行觀察（例如：觀察遊樂場上的行為）。受控觀察則在結構化條件下進行，通常在實驗室環境，變量可以受到管理。

• 公開觀察與隱蔽觀察：
  

  公開觀察：參與者知道自己正在被觀察。（風險：參與者可能會改變行為）。
  隱蔽觀察：參與者不知道自己正在被觀察。（涉及道德問題，但效度高）。

• 參與觀察與非參與觀察：
  

  參與觀察：研究者成為所研究群體的一部分（例如：加入一個宗教團體）。風險：失去客觀性。
  非參與觀察：研究者保持分離，從遠處進行觀察（例如：通過單向鏡）。

1.3 自述報告技術 (Self-Report Techniques)

這些方法涉及直接詢問人們關於他們的感受、想法或行為。

• 問卷調查 (Questionnaires)：
  

  一套用於評估想法或感受的書面問題。它們可以使用開放式問題（得到詳細、描述性的答案，產生定性數據）或封閉式問題（固定選項，易於統計，產生定量數據）。

• 訪談 (Interviews)：
  

  面對面或電話交流。
  結構化訪談：問題是預先設定的，並按固定順序詢問（就像大聲朗讀問卷）。
  非結構化訪談：更像是一場對話；研究者有一個大致的目標，但問題會隨著訪談的進行而發展。

1.4 相關研究 (Correlations)

相關研究分析共變量之間的關係 (relationship between co-variables)（兩個或多個可測量的特徵或屬性）。

關鍵點： 相關性告訴我們兩者「是否」有關聯以及「強弱程度」，但它不能顯示因果關係。

• 正相關： 當一個變量增加時，另一個變量也增加（例如：學習時數與考試分數）。
• 負相關： 當一個變量增加時，另一個變量減少（例如：看電視時數與考試分數）。
• 零相關： 變量之間不存在關係。

---

2. 科學過程：規劃與執行研究

2.1 研究目標與假設

在研究開始之前，心理學家必須確定他們的目的。

• 研究目標 (Aims)： 研究者打算調查什麼的概括性陳述（例如：調查咖啡攝入量是否會影響反應時間。）
• 研究假設 (Hypotheses)： 一個精確、可驗證的陳述，預測研究結果。

假設的類型

• 定向假設（單尾）： 預測結果的方向。
  例子： 「喝咖啡的人反應時間會比不喝咖啡的人更快。」
• 非定向假設（雙尾）： 預測存在差異或關係，但沒有說明具體方向。
  例子： 「喝咖啡的人和不喝咖啡的人在反應時間上會有差異。」

2.2 取樣：我們要研究誰？

我們無法研究所有人（總體/母體 (population)）。我們使用一個較小的群體，即樣本 (sample)，來代表總體。

總體與樣本

總體是指你感興趣的整個群體（例如：全球所有 16-18 歲的學生）。樣本是實際從該總體中選出的參與者群體。

為什麼取樣技術很重要？ 如果你的樣本有偏見 (biased)（不具代表性），你就無法將研究結果推廣 (generalise) 回整個總體。

關鍵取樣技術

• 隨機取樣： 總體中的每個成員都有平等的機會被選中（就像從帽子裡抽籤）。這通常是避免偏見的最佳技術，但在實踐中可能很難做到。
• 機會取樣： 選擇研究當時任何可用且願意參與的人（例如：詢問在街上走過的人）。這是最簡單快捷的方法，但通常也最容易產生取樣偏見。

2.3 預試 (Pilot Studies)

預試是實際調查的一種小規模試運行。

預試目的： 檢查程序是否有效、說明是否清晰、任務是否太難，或材料是否合適。它能幫助研究者在正式研究前識別缺陷，從而節省時間和金錢。

2.4 變量與操作化

在實驗中，我們處理特定類型的因素（變量）：

• 自變量 (Independent Variable, IV)： 研究者操控或改變的變量。
• 因變量 (Dependent Variable, DV)： 研究者測量的變量。因變量預計會因自變量的操控而改變。
• 無關變量 (Extraneous Variables)： 除自變量外，可能影響因變量的任何其他變量。我們嘗試控制這些變量！

操作化 (Operationalisation)： 這意味著明確定義變量，使其可以被測量。你必須將抽象概念具體化、可測量化。

例子： 如果你的自變量是「疲勞」，你必須將其操作化。不要只說「疲勞 vs 清醒」，你可以操作化為：「睡眠時間少於 4 小時（疲勞組）vs. 睡眠時間 8 小時（清醒組）的參與者。」

2.5 實驗設計

我們如何分配參與者到不同的條件中？

• 獨立組設計 (Independent Groups Design)： 使用兩個分開的參與者群體；每組只經歷一種自變量條件。
  例子： A 組喝咖啡，B 組喝水。
• 重複測量設計 (Repeated Measures Design)： 同一批參與者參與自變量的所有條件。
  例子： 所有參與者先在喝咖啡後進行測試，然後在喝水後再次進行測試。
• 配對設計 (Matched Pairs Design)： 使用兩個分開的群體，但參與者根據關鍵特徵（例如：智商、年齡、記憶分數）進行配對，使每個條件下的參與者水平相當。

2.6 控制技術

• 隨機分配： 用於獨立組設計。這確保參與者被隨機分配到各條件中，使參與者變量（如能力上的個體差異）在各組間平均分佈。
• 平衡法： 用於重複測量設計（如上述解釋）。

2.7 需求特徵 (Demand Characteristics)

這是任何研究中潛在的問題。需求特徵發生在參與者猜測出研究目的，並改變行為以符合他們認為研究者所期待的反應時。

類比： 當你在課堂上被觀察時，你的表現會比平時好！你是在回應這種情境下的「需求」。

2.8 特定設計特徵（非實驗性）

• 觀察設計（行為類目）： 在進行觀察時，研究者必須將連續的行為流拆解為可測量的單位，稱為行為類目 (behavioural categories)（例如：「打人」、「分享玩具」、「獨自坐著」）。這些必須是客觀且定義明確的。
• 問卷/訪談（開放式與封閉式問題）： 記住，開放式問題產生詳細的定性數據，而封閉式問題產生具體的、可量化（數字）的數據。

---

3. 心理學研究中的倫理

心理學研究必須保護參與者的身心健康。心理學家遵循嚴格的倫理準則。如果研究違反了這些準則，可能會被視為不可接受。

記憶技巧： 將 7 個關鍵倫理想像成 C-C-D-D-P-R-P。

• 知情同意 (Consent)： 參與者必須在充分了解研究性質和目的的情況下同意參與（知情同意）。
• 保密 (Confidentiality)： 個人數據必須受到保護（通常是為參與者分配編號而非使用姓名）。
• 欺騙 (Deception)： 研究者應避免誤導參與者。輕微的欺騙有時無法避免，但必須是正當合理的。
• 事後匯報 (Debrief)： 研究後的關鍵環節，揭示真實目的並解決任何欺騙行為。
• 保護免受傷害 (Protection from Harm)： 參與者不應暴露在比日常生活更大的風險中（生理或心理上）。
• 退出權 (Right to Withdraw)： 參與者必須被告知他們可以隨時退出研究，甚至事後可以撤回其數據。
• 隱私 (Privacy)： 參與者有權控制關於自己的信息流動。在公共場所觀察通常是可以接受的，但在私人空間觀察則不然。

---

4. 數據處理與分析

數據收集後，我們需要對其進行分類、描述並清晰地呈現。

4.1 定量數據與定性數據

• 定量數據 (Quantitative Data)： 數值數據（數字、分數、測量值）。
  強項： 易於統計分析；客觀。
  弱項： 缺乏深度和細節。
• 定性數據 (Qualitative Data)： 非數值數據（文字、描述、訪談、錄音抄本）。
  強項： 提供豐富的細節；外部效度高。
  弱項： 難以分析和比較；需要主觀解釋。

4.2 一手數據與二手數據

• 一手數據 (Primary Data)： 由研究者直接為當前調查收集的數據（例如：親自進行實驗）。
• 二手數據 (Secondary Data)： 已經存在且由他人收集的數據（例如：政府統計數據、先前的研究）。
• 統合分析 (Meta-analysis)： 一種特殊的二手數據分析，研究者對針對類似假設的多項現有研究結果進行統計整合。

4.3 描述性統計

描述性統計總結了數據集的主要特徵。

集中趨勢指標（平均分數）

這些告訴我們數據集中的典型或中間值。

1. 平均數 (Mean)： 算術平均值（將所有分數加起來除以分數總數）。
   優點： 使用了所有數據，使其成為最敏感的指標。
   缺點： 容易被極端分數（離群值）扭曲。
2. 中位數 (Median)： 將數據按順序排列後的中心值。
   優點： 不受極端分數影響。
3. 眾數 (Mode)： 出現次數最多的分數。
   優點： 對名義（類別）數據有用。
   缺點： 可能出現沒有眾數或多個眾數的情況。

計算範例（平均數）： 計算 2, 4, 6, 8 的平均值：
\( \text{Mean} = \frac{2 + 4 + 6 + 8}{4} = \frac{20}{4} = 5 \)

離散趨勢指標（分數的散佈）

這些告訴我們數據的分散程度。

1. 全距 (Range)： 最高分與最低分之差（通常加 1 以處理四捨五入）。
   優點： 計算簡單。
   缺點： 只使用兩個分數，因此容易被單個極端分數扭曲。
2. 標準差 (Standard Deviation, SD)： 衡量每個數據點與平均值的平均距離。
   概念： 低標準差意味著分數緊密聚集在平均值周圍（高一致性）。高標準差意味著分數分散（低一致性）。
   優點： 因為使用了所有數據點，比全距精確得多。

分數與百分比

學生必須能夠計算和使用基礎的分數與百分比來表示總數據集的一部分。

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

相關研究（回顧）

在分析相關數據時，我們確定關係是正相關、負相關還是零相關。

4.4 定量數據的呈現與顯示

數據視覺化使模式更容易理解。

• 表格： 清晰呈現原始分數和總結數據（通常包括集中趨勢指標）。
• 長條圖： 用於數據是離散的情況（單獨的類別，如比較獨立組的平均數）。柱條之間不連接。
• 折線圖： 用於數據是連續的情況（例如：隨時間的變化，或重複測量數據）。
• 散點圖： 用於繪製相關性。每個點代表來自一個參與者的兩個分數（共變量）。點的模式指示了相關性的類型和強度。

4.5 分佈

分數在全距內的散佈情況。

• 常態分佈： 經典的「鐘形曲線」。它是對稱的，最高頻率在中間。關鍵在於，平均數、中位數和眾數都在同一個中心點。
• 偏態分佈： 不對稱的分佈，數據向一端聚集。
  正偏態： 分數聚集在左側，尾部指向右側（正方向）。平均數被向右拉。
  負偏態： 分數聚集在右側，尾部指向左側（負方向）。平均數被向左拉。