سنجش و اندازه گیری

سنجش و اندازه گیری سازه های انسانی و رفتاری و زمینه های وابسته به آن (ضرغامی09122263167)

آمار استنباطی و استنباط آماری

جناب خوشگویان فرد:

این مطلب را به بهانه مشاهده دو عنوانِ «آمار استنباطی» و «استنباط آماری» در آرشیو موضوعی وبلاگ می‌نویسم. همان طور که به نوعی در نوشته مربوط در وبلاگ نیز آمده است، آمار استنباطی به مجموعه روش‌هایی گفته می‌شود که به دنبال تعمیم یافته‌های حاصل از نمونه «تصادفی» به جامعه تحت بررسی هستند. این روش‌ها به دو گروه عمده برآوردیابی و آزمون فرضیه تقسیم می‌شوند. عنوان «استنباط آماری» گاهی معادل آمار استنباطی است و گاهی به نظریه آمار مرتبط با روش‌های آمار استنباطی اشاره دارد. برای بحث درباره روش‌های مختلف برآوردیابی مانند حداقل مربعات، ML یا بیزی صرف نظر از اینکه در کجا استفاده شوند، موضوع استنباط آماری است ولی هنگامی که این بحث کاربردی می‌شود و در حوزه‌ای خاص مورد استفاده قرار می‌گیرد (مثلا برآورد پارامترهای مدل رگرسیون با روش حداقل مربعات)، از آمار استنباطی صحبت می‌شود.


برچسب‌ها: آمار استنباطی و استنباط آماری
+ نوشته شده در  پنجشنبه 2 مرداد1393ساعت   توسط محمد حسین ضرغامی  | 

آزمون کاربرد تحلیل داده های شبکه ای در مطالعات همبودی

مقاله زیر بر اساس مجموع کارهایی است که آقای دنی بورسبوم تحت یک پروژه ملی در دانشگاه آمستردام هلند انجام داده است.

آدرس مقالات دکتر دنی بورسبوم

:https://sites.google.com/site/borsboomdenny/dennyborsboom


آزمون كاربرد تحليل داده‏ها ي شبكه اي در مطالعات همبودي
محمد حسين ضرغامي[1]،
علي دلاور[2] ،
محمد رضا فلسفي نژاد[3]،
فريبرز درتاج[4]
اكرم خوش سخن مظفر[5]
چکیده: روش تحلیل شبکه در حوزه‌ی روانشناسی به این دلیل که بنیان آن مبتنی بر تئوری و مفروضات هستی شناختی و روش شناختی خاصی است، می‌تواند به عنوان پارادایمی[6] مستقل تلقی شود که بر اساس آن تکنیک‌ها و فنون ویژه ای برای جمع آوری، تحلیل داده‌ها و برازش[7] مدل‌های نظری پیشنهاد می‌دهد. این روش در مطالعه‌ی سازه‏های روانشناسی که ماهیت شبکه ای دارند، قابل استفاده است. هدف این پژوهش، آزمون کاربرد تحلیل داده‏ها ی شبکه ای در بررسی ارتباط نشانگان اختلالات افسردگی اساسی و اضطراب تعمیم یافته می باشد. در این پژوهش از داده‏های پيمايش همبودي ملي[8] آمريكا استفاده شده است. نتایج تحلیل شبکه‏ای این داده‏ها  نشان می‌دهد، که نمی‌توان این دو اختلال را متمایز از یکدیگر دانست، بلکه باید در مطالعه، تشخیص و درمان آن‌ها به ارتباط بین نشانگانشان توجه نمود. علاوه بر این، تحلیل شبکه به درمانگر این امکان را می‌دهد تا بتواند تفاوت‌های فردی را به حوزه‌ی درمان بالینی اختلالات افسردگی اساسی و اضطراب تعمیم یافته، وارد نماید.
کلید واژه ‏ها: تحلیل داده‏ های شبکه‏ای، مدل‏های بازتابی و تجمعی، همبودی، اختلال افسردگی اساسی، اضطراب تعمیم یافته، روانسنجی.
Study of applying network data analysis in comorbidity investigations
Abstract: The foundation of network data analysis in psychology rests on particular theory, special ontological assumptions and particular methodology. Therefore it is possible to call network analysis as an independent paradigm with given techniques for data gathering and data analysis. This method can be used for studying psychological constructs with network entities (e.g. comorbidity phenomenon). Applying network data analysis in studying relationships of generalized anxiety disorder and major depression disorder symptoms (according to The US National Comorbidity Survey Replication (NCS-R)) shows that it is not possible to distinguish between them and we should consider symptoms relationships in studying, diagnosis and therapy for both of them.
M.H.Zarghami (Ph.D Student)
A.Delavar (Ph.D)
M.R.Falsafinejad (Ph.D)
F.Dortaj (Ph.D)
A.Khoshsokhan Mozaffar (M.A)
Keywords: Network data analysis, reflective and formative models, comorbidity, major depressive disorder, generalized anxiety, psychometrics.
مقدمه: غایت علم تدوین نظریه است و نظریه‌ی مجموعه ای از سازه‌ها[9] (مفاهیم[10])، تعاریف و گزاره های به هم مرتبط است که از طریق مشخص ساختن روابط بین متغیرها حاصل می‌شود (کرلینجر[11] 1910، ترجمه شریفی،1374، ص 29). بنابراین هدف فعالیت‌های علمی آشکار ساختن روابط بین متغیرها است که به درک، تبیین، پیش بینی و کنترل می‌انجامد. روابط در هیچ جا از بین نمی‌روند و بر اساس روابط است که مفاهیم شکل می‌گیرند. پژوهشگران حوزه‌ی روانشناسی با رويكردهاي مختلف، به بررسی روابط بین متغیرهای روانی می‌پردازند و به طور ضمنی این اصل را پذیرفته‌اند که کم و کیف این روابط و آرایش آن‌ها می‌تواند در بروز رفتاری خاص، تأثیر داشته باشد (جيسك، باتون و بارتونك[12]، 2000، ص 1031).
یکی از مسایل اصلی سنجش و اندازه گیری روانی[13] بررسی نظری و تجربی[14] الگوی روابط است. سنجش روابط بین متغیرها و موجودیت[15] آن‌ها وابسته به دیدگاه نظری پژوهشگر است. سیستم‌های اندازه گیری روان شناختی که تا کنون گسترش یافته‌اند، مبتنی بر دو رویکرد تفسیری‌اند. تفسیرهای بازتابی[16] که در آن‌ها صفت اندازه گیری شده به عنوان علت مشترک مشاهدات قلمداد می‌شود و تفسیرهای تجمعی یا تراکمی[17] که در آن‌ها صفت[18] اندازه گیری شده حاصل اثر مشترک مشاهدات در نظر گرفته می‌شود (بورسبوم[19]، 2006، ص437). مدل‌های بازتابی (انعکاسی) و تجمعی نمی‌توانند تبیین درستی از ارتباط بین سازه های روانی و متغیرهای مشاهده شده ارائه نمایند. روش جایگزین[20] این مدل‌ها رویکرد سوم است که در آن سازه‌ی روان شناختی به عنوان شبکه ای از متغیرهای مورد مطالعه مفهوم سازی[21] می‌شود (واگن ميكرز[22] و همكاران، 2011، ص 58). این رویکرد اجازه‌ی استفاده از تکنیک‌های استنباطی[23] را برای هستی شناسی[24] سازه های روان شناختی و معرفت شناسی[25] استراتژی‌های اعتبار[26] فراهم می‌آورد. تحلیل شبکه ای[27] پتانسیل‌هایی دارد که در بعد روش شناسی[28] منجر به ارائه‌ی ابزارهای تحلیلی مناسب می‌شود (مسعود چلبي، 1373، ص 9) و در بعد نظری[29] می‌تواند با نظریات روانشناسی تلفیق و ترکیب شود و به كاربردهايي مانند مطالعه‌ی پدیده‌هایی با ماهيت شبكه اي، بيانجامد.
همبودي نمونه اي از مشكلات باليني است كه می‌تواند از منظر رويكرد شبكه اي مطالعه شود. مشکل اساسی پژوهش‌های همبودي[30] اتكاي آن‌ها به نظریات مبتني بر متغیر مکنون[31] است (كرامر[32] و همكاران، 2010، ص 144). در اين مدل‌ها اختلالات روانی متغيرهاي مكنوني هستند كه سبب بروز نشانگان[33] می‌شوند. بنابراين همبودي به عنوان رابطه‌ی مستقیم بین متغيرهای مکنون چندگانه در نظر گرفته می‌شود. نتايج پژوهش‌های مبتني بر اين مدل‌ها مشكلات فراواني را به همراه دارد. در این پژوهش به بررسي اين مشكلات و به معرفی کاربرد تحلیل شبکه در حوزه‌ی آسیب شناسی[34] روانی با تاكيد بر مطالعات همبودي[35] پرداخته خواهد شد.
همبودی: واژه همبودی ابتدا در علم پزشکی توسط فینشتاین[36] (1970، ص466) برای اشاره به آن دسته از بیماراني که هنگام ابتلا به یک بیماري، نشانگان بیماری دیگری را بروز می‌دادند، مطرح شد. امروزه اين واژه نه تنها براي بيان همزماني بیماری‌های پزشكي و روانشناسي استفاده می‌شود (برای مثال افسردگی اساسی و فشار خون) بلکه گستره‌ی كاربرد آن به روان‌پزشکی كشيده شده است (برای مثال افسردگی اساسی و هراس) (ماژ[37]، 2005، ص 182). اين اصطلاح در حوزه‌ی باليني داراي ابهام است، زیرا مشخص نیست که آيا تشخیص‌های همبودي حقیقتاً بازتاب چند اختلال رواني است و يا نمود يك اختلال واحد است. استفاده از یک واژه مبهم منجر به تفکر مبهم می‌شود. ماژ (2005، ص 183) به همين دليل معتقد است كه باید در کاربرد این واژه محتاط بود. در واقع واژه همبودی برای توصیف این وضعيت پیچیده کافی نیست و محققان را در تنگنا قرار می‌دهد (ژاکولجویک[38]، کرنسیویک[39]، 2012، ص 10). در منابع مختلف دو تعريف اصلي براي همبودي ذكر می‌شود. در تعريف اول همبودي نشان دهنده دو وضعیت است که همزمان با هم، اما مستقل از يكديگر در فرد رخ می‌دهد. در تعريف دوم همبودي نشان دهنده یک وضعیت در فرد است كه توسط يك اختلال يا چند اختلال به صورت همزمان در فرد ایجاد شده است (والدراز[40]، استارفیلد[41]، سیبالد[42]، سالیسبری[43] و رولاند[44]، 2009، ص 358). در برخی تعاریف دیگر تنها وجود دو یا چند بیماری بدون در نظر گرفتن علت، همبودی نامیده می‌شود (ژاکولجویک، کرنسیویک، 2012). بر اساس مدل گرونباخ همبودی وجود دو یا چند بیماری به صورت همزمان است به طوری که یکی از آن‌ها غالب است (ژاکولجویک، کرنسیویک، 2012، ص 10). بر اساس مدل کاهنیان، همبودی به بیماری‌های اشاره دارد که به دفعات متناوب با یکدیگر رخ می‌دهد به صورتي كه اين رخداد همزمان را نمی‌توان ناشي از تصادفي و شانس در نظر گرفت (آراگونا[45]، 2009، ص 5).
به دليل بالا بودن تعداد ابعاد همبودي پیش آگهی ضعیف‌تر، دشواری در کمک حرفه ای، تداخل بیشتر در زندگی روزمره، احتمال خودکشی بيشتر است. در تشخیص‌های بالینی، کسانی که معیار تشخیصی یک بیماری را دارند، تقریباً 45 درصد تشخیص‌های اضافی را نیز دریافت کرده‌اند (گرومباخ[46]، 2003، ص 7). این مسئله از جوانب مختلفي حائز اهميت است. به عنوان مثال درمانگر براي درمان و مراقبت، تشخيص فوريت و يا تشخيص هماهنگي تخصص خود با نوع اختلال، بررسی منشأ، پیش بینی اختلال، نيازمند دانش در مورد ارتباط بين اختلالات می‌باشد (گرومباخ، 2003، ص 7). برای مثال درمان فردي كه ابتدا مبتلا به دیابت بوده و به دنبال آن دچار افسردگی اساسی شده است با فرد افسرده ای که بعدها دچار دیابت شده، بسیار متفاوت است (والدراز و همکاران، 2009، ص 357). از سوی دیگر همبودی اختلالات، نه تنها تحت تأثیر ویژگی‌های فردی و ویژگی‌های سلامت است، بلکه از مسائل اقتصادی-اجتماعی، فرهنگی و محیطی نیز تأثیر می‌پذیرد. در واقع تعامل بیماری‌ها با عوامل اقتصادی و اجتماعی چالش بزرگ‌تری را برای مدیریت ان‌ها ایجاد می‌کند (سارتوريوز[47]، 2007، ص 2). بنابراین همبودي یک مشکل جدی و شایع است، که مطالعه‌ی آن از اهمیت بالایی برخوردار است. 
با وجود پیشرفت‌های قابل توجه در مورد فهم همبودي، هنوز چند سؤال اساسی باقی مانده است. سؤالاتی مانند این که تا چه اندازه اشتراکات بین دو اختلال نمود واقعی دارد و مستقل از معیار یا معیارهای تشخیصی و یا مدل‌های اندازه گیری می‌باشد؟ کدام اختلال باید به عنوان شاخص اصلي و کدام یک به عنوان اختلال همبود در نظر گرفته شود؟ مدل‌هایی که به بررسی همبودي می‌پردازند دو احتمال را در نظر می‌گیرند: در حالت اول برای اختلالات ماهیت پنهانی قائل اند به طوری که در همبودی اشتراک بین نشانگان به خاطر اشتراکی است که بین خود اختلالات وجود دارد. در حالت دوم همبودی به خاطر شیوه های تجربی که این اختلالات را تعریف می‌کنند، بروز پیدا می‌کند. به عنوان مثال چون همیشه اختلالات با نشانگان خاصی در ارتباط اند، درجه‌ی همپوشی آن‌ها به طور مصنوعی افزایش می‌یابد. بنابراین در این دیدگاه همبودي بیشتر محصول مصنوعی (ساخته شده) سیستم تشخیصی است (بورسبوم، 2008، ص 1092).
رويكرد شبکه ای نشان می‌دهد که این احتمالات جامعیت ندارد و همبودي محصول مصنوعی نیست. در رویکرد شبکه ای نیازی به وجود متغیرهای مکنون به منظور توجیه کوواریانس بین نشانه‌ها نمی‌باشد (بورسبوم، 2005، ص 34). سازه های نظری در روانشناسی مثل افسردگی همیشه به مجموعه‌ی پیچیده ای از متغیرها به جای یک ساخت مکنون تنها اشاره دارند. در ادامه به بررسي اين مدل‌ها پرداخته می‌شود و سپس از طريق تحليل داده‏ها ي شبكه اي، نقشه‌ی ارتباط بين نشانگان دو اختلال اضطراب فراگير (تعميم يافته[48]) و افسردگي اساسی (عمده[49]) ترسيم شده و مسئله‌ی همبودي در آن‌ها مطالعه می‌شود.
مدل‌های بازتابی: نظریه‌پردازی‌ها و پژوهش‌های روان شناختی کنونی غالباً از دو شیوه مفهوم سازی برای بررسی ارتباطات بین صفات روانشناسی (به عنوان مثال تحريك پذيري) و متغیرهای مشاهده شده (نشانگانی[50] مانند نگرانی در مورد انجام اشتباه کارها) استفاده می‌کنند. اين مدل‌های عبارتند از مدل‌های بازتابي و مدل‌های تجمعي. در مدل‌های بازتابی شاخص‌های مشاهده شده مانند نمرات سؤال یا نمرات خرده آزمون‌ها[51] به عنوان تابعی از متغیرهای پنهان و واریانس خطای خاص سؤال[52] در نظر گرفته می‌شوند. مدل‌های بازتابی معمولاً در نظریه‌ی مدرن آزمون[53] به عنوان مدل‌های اندازه گیری معرفی می‌شوند (بورسبوم، 2006، ص 429). مدل‌های سؤال پاسخ[54]، مدل‌های عامل مشترک[55]، مدل‌های طبقه پنهان[56] و مدل‌های نیم‌رخ پنهان[57] مثال‌هایی از مدل‌های بازتابی‌اند (بيشاب[58]، 1998، ص 374).
در این مدل‌ها متغیر پنهان به عنوان کوواریانس مشترک بین نشانگرها شمرده می‌شود و در آن‌ها استقلال موضعی[59] مفروض است به این معنی که احتمال شرطی روی متغیر پنهان منجر به حذف این کوواریانس می‌شود. بنابراین عامل پنهان به عنوان علت مشترک در نظر گرفته می‌شود (بيشاب، 1998، ص 374). این مدل‌ها با بسیاری از نظریات روانشناسی مربوط به روابط بین صفات روان شناختی و مشاهده شده مطابقت داده شده است. به عنوان مثال در روانشناسی بالینی ایده‌ی نظری مدل‌های بازتابی، اغلب به عنوان الگویی برای ارتباط بین اختلالات روانی و نشانگان آن‌ها در نظر گرفته می‌شود. به این معنی که تصور می‌شود اختلال روانی یک سازه‌ی انعکاسی است که منجر به ظهور نشانگان می‌شود (به عنوان مثال افسردگی سبب خستگی و تفکر در مورد خودکشی می‌شود). این مسئله در مورد متغیرهای شخصیت مانند تحريك پذيري[60] نیز صادق است. بر اساس این مدل تحريك پذيري، سبب بروز رفتارهای نوروتیک مانند عصبی شدن و نگرانی در مورد انجام اشتباه کارها می‌شود. بنابراین مجموعه ای از شاخص‌های قابل مشاهده که نتیجه‌ی چنین صفاتی هستند، مبني تفاوت‌های فردی[61] را شكل می‌دهند. به عنوان مثال به این دلیل که نمره‌ی فرد الف در پرسشنامه هيجان پذيري بالاتر از فرد ب است، نتیجه گیری می‌شود که فرد الف هيجان پذیر تر از فرد ب است. شکل زیر یک مدل بازتابی را نشان می‌دهد که مربوط به سؤالات مقیاس تحريك پذيري تست شخصيت پنج عاملي است (برسبوم، 2006، ص 441).
 


شكل 1: مدل بازتابي مربوط به سؤالات تحريك پذيري در پرسشنامه‌ی نئو. در اين مدل متغير تحريك پذيري به عنوان متغير مكنون به صورت دايره و سؤالات تحريك پذيري به صورت مستطيل نشان داده شده‌اند. هر چه فلش ترسيم شده پر رنگ‌تر باشد نشان دهنده‌ی بار عاملي بيشتر است. شماره‌ی داخل مستطیل‌ها نشان دهنده‌ی شماره‌ی سؤالات تحريك پذيري است.
در مدل‌های بازتابی از شاخص‌ها برای برآورد پارامترهای اندازه گیری مانند پایایی استفاده می‌شود. اگر چه ممکن است شاخص‌هایی که در شکل بالا نشان داده شده‌اند بارهای عاملی و واریانس باقیمانده متفاوت داشته باشند (قطر خط‌ها نشان دهنده‌ی بار عاملی هر سؤال است)، با این وجود رابطه‌ی آن‌ها با تحريك پذيري از لحاظ کمی یکسان است. علاوه بر اين همبستگی‌های مشاهده شده بین شاخص‌ها بر مبنای مدل بازتابی جعلی[62] است و همان طور که در شکل دیده می‌شود، یالی (خط رابط) بین آن‌ها ترسیم نشده است. در این مدل دلیل همبستگی بین شاخص‌ها به خاطر وجود علت مشترک بین آن‌ها یعنی تحريك پذيري است. چنین تفکری را می‌توان با سازه‌ی بازتابی حرارت[63] که از طریق سه ترموستات[64] متفاوت اندازه گیری می‌شود، مقایسه نمود. همبستگی بین اندازه های بدست آمده از این سه ترموستات به خاطر علت آن‌ها است چرا که هر سه یک چیز را اندازه می‌گیرند و اندازه های بدست آمده مربوط به یک عامل است. رابطه‌ی مستقیمی بین ترموستات‌ها وجود ندارد. حرارت بدست آمده از ترموستات 1 مستقیماً علت حرارت ترموستات 2 یا 3 نشده است و رابطه‌ی بین آن‌ها واقعی نیست.
مدل‌های تراکمی یا تجمعی: در مدل‌های تراکمی متغیرهای پنهان به عنوان تابعی[65] از نشانه‌ها قلمداد می‌شوند. مدل‌هایی مانند تحلیل مؤلفه های اصلی[66] و تکنیک‌های خوشه بندی[67] نوعي از مدل‌های تراكمي يا تجمعي به شمار می‌روند. با این وجود زمانی می‌توان ترکیب[68] را به متغیر پنهان نسبت داد که واریانس باقیمانده[69] روی آن تعریف و مشخص شود و پارامترهای مدل به طریقی انتخاب شوند که متغیر معیار[70] یا ملاک را بهینه سازند. در این مدل‌ها استقلال شرطی شاخص‌های مشاهده شده جزء فرض‌های مدل نیست و متغیر ترکیبی به عنوان معلول مشترک شاخص‌ها یا همان متغیرهای مشاهده شده در نظر گرفته می‌شود. در شکل زیر مدل تجمعی مربوط به همان متغیرهای موجود در مدل بازتابی نشان داده شده است (برسبوم، 2006).
 
شكل 2: مدل تراكمي مربوط به سؤالات تحريك پذيري در پرسشنامه‌ی نئو. در اين مدل متغير تحريك پذيري به عنوان متغير مكنون به صورت دايره و سؤالات تحريك پذيري به صورت مستطيل نشان داده شده‌اند. جهت فلش از سؤالات به سمت متغير مكنون تحريك پذيري است. هر چه فلش ترسيم شده پر رنگ‌تر باشد نشان دهنده‌ی سهم بيشتر سؤال در نمره‌ی كل است. شماره‌ی داخل مستطیل‌ها نشان دهنده‌ی شماره‌ی سؤالات تحريك پذيري است.
مدل‌های تجمعی با مدل‌های بازتابی تفاوت دارند. شاخص‌ها در مدل تجمعی قابل معاوضه[71] نمی‌باشند چرا که فرض می‌شود هر کدام یک جنبه متفاوت از سازه را ارائه می‌دهند. برای مثال در مورد تحريك پذيري عصبي احساس عصبی بودن[72] و نگرانی در مورد انجام اشتباه کارها، هر کدام جنبه های متفاوتی از سازه‌ی تحريك پذيري را نشان می‌دهند. بنابراین حذف[73] یک شاخص به طور بالقوه سازه‌ی تجمعی را تغییر می‌دهد. علاوه بر این مدل‌های تجمعی بر خلاف مدل‌های بازتابی فاقد مفروضه ای در مورد ارتباط و همبستگی بین شاخص‌های سازه می‌باشند (برسبوم، 2006).
مشکلات مربوط به مفهوم سازی‌های بازتابی و تجمعی: ماهیت مدل‌های بازتابی و تجمعی مورد بررسی‌های زیادی قرار گرفته است. این مطالعات روی ویژگی‌های مطلوب و نامطلوب شاخص‌ها در مدل‌های بازتابی و تجمعی متمرکز شده‌اند. وضعیت خطا در مدل‌های تجمعی، انتخاب مدل، استنباط‌های باثبات یا بدون ثبات[74]، و تفسیر های علی از روابط بین نشانگرها و متغیرهای پنهان بعضی از محتوی این پژوهش‌ها است. چنین بحث‌هایی اغلب روی این سؤال متمرکز شده است که آیا می‌توان از این مدل‌ها طرفداری کرد؟ این مطالعات پیوستاری[75] را تشکیل می‌دهند که یک طرف آن طرفداری کامل از مدل تجمعی و در سوی دیگر طرفداری کامل از مدل‌های بازتابی است (برسبوم، 2008، ص 1093).
با وجود تمام این مطالعات برداشت‌های علی از مدل‌های بازتابی و تجمعی نادرست است (كلتمن[76] و همكاران، 2008). اگر چه مدل‌های بازتابی و تجمعی شبیه به مدل‌های علت و معلولی است، ولی استفاده از این رویکردها در برداشت‌های علی مشکلات زیادی به همراه دارد. سه مشکل خاص مربوط به این تفسیرها عبارتند از نقش زمان[77]، ناتوانی در نشان دادن توالی فرآیند و عدم توانایی در برقراری روابط علی بین سازه‌ها و مشاهدات (برسبوم، 2005، ص 45).
تحليل شبكه در روانشناسي: شبکه در فرهنگ لغت آکسفورد به مجموعه ای از موضوعات اشاره دارد که با هم ارتباط درونی دارند. شبکه ابزاری است برای نشان دادن عناصر یک سیستم و ارتباط درونی آن‌ها و به همین دليل مفهوم سیستم را در ذهن تداعی می‌کند (كارينگتون، اسكات و واسرمن[78]، 2005، ص 184). در علم، شبکه با گراف به صورت مترادف استفاده می‌شود. بذر تحلیل‌های مبتنی بر شبکه در حوزه‌ی علم به مسئله گوئیزبرگ برمی‌گردد که آغاز نظریه گراف است (اسكات، كارينگتون، 2011، ص 206). در تحليل شبكه اي، پدیده‌هایی كه ماهيت شبكه اي دارند مورد مطالعه‌ی كمي و كيفي قرار می‌گیرند (كارينگتون، اسكات و واسرمن، 2005، ص 185). شاخص‌های مربوط به اين نوع تحليل و نقشه‌هایی كه از آن بدست می‌آید، روابط و تغيير روابط بين عناصر مختلف پديده –در ادبيات شبكه به روابط يال[79] و به عناصر گره[80] گفته می‌شود. گره‌ها به صورت اشكال هندسي كوچك (معمولاً دايره) و یال‌ها به صورت خطوط نشان داده می‌شوند- را نشان می‌دهد.
تحلیل شبکه در حوزه‌ی روانشناسی و اندازه گیری رواني می‌تواند تلاش بین رشته ای قلمداد شود که در آن نظریات روانشناسی با روش شناسی کمی آماری و ریاضی شکل گرفته و گسترش می‌یابد و در کنار آن، برای چالش‌های تحلیلی[81] در این حوزه پاسخ مناسب ارائه می‌دهد (بورسبوم، 2011، ص 7). دو دلیل موجب نگاه جدید به رویکرد شبکه ای در حوزه‌ی اندازه گيري رواني شده است. اول این که در سال‌های اخیر مدل‌ها و نظریات مربوط به متغیرهای پنهان[82] سیطره داشته‌اند و دوم این که بر خلاف مدل‌های پنهان، دیدگاه شبکه ای به گسترش سیستم‌های پویا[83] کمک کرده است. گستردگی سیستم‌هاي پويا از لحاظ محتوایی بسیار زیاد است و سیستم‌های مکانیکی[84] تا نشانه شناسی[85] بیماری‌ها را در بر می‌گیرد (بورسبوم، 2011، ص 8).
   تا کنون دیدگاه های اتمیستک[86] بر حوزه‌ی روانشناسی سایه افکنده است (ادواردز[87] و همكاران، 2006، ص 802). در چنین رویکردهایی معمولاً کنش گران[88] فردی بدون ملاحظه‌ی رفتار سایر بازیگران به تصویر کشیده می‌شوند. بنابراین چنین توصیفات فردگرایانه ای[89] عموماً زمینه‌ها و سایر اجزاء را نادیده می‌گیرد. ساختار[90] روابط بین گره‌ها[91] (گره همان واحد تحليل در ادبيات شبكه است) و جایگاه گره‌ها در شبکه پیامدهای نگرشی، ادراکی و رفتاری مهمی هم برای واحدهای فردی و هم برای نظام به عنوان یک کل در بردارد. میشل[92] بیان می‌کند که الگوسازی[93] پیوندها[94] می‌تواند برای توضیح برخی جنبه های رفتار افراد درگیر آن، استفاده شود (ادواردز و همكاران، 2006). در صورتی که از زاویه‌ی دیدگاه شبکه ای به روان و شخصیت انسان نگریسته شود، علاوه بر این که اجزاء در تشکیل آن اهمیت دارند، کل شخصیت و روان نیز مهم تلقی می‌شود. به رویکرد های تقلیل­گرایانه دیدگاه اتمي و به رویکرد کل نگر دیدگاه مولکولی[95] نیز گفته می‌شود. رویکرد شبکه به عنوان یک رویکرد نظری ویژگی‌های هر دو دیدگاه را همزمان در بر دارد (مسعود چلبي، ص 9).
از منظر تحلیل، بیشتر چالش‌ها در حوزه‌ی تحلیل داده‏ها ی روانشناسی از اين واقعيت نشئت مي­گيرد که چه به صورت آشکار و چه تلویحی[96] موجودیت‌های مورد مطالعه، داراي ابعاد بالايي بوده و واحدهای مورد مطالعه، جدا از یکدیگر نمی‌باشند (هيلسروث و استريكر[97]، 2004، ص 149). بنابراین ارزش مربوط به آن‌ها به هم وابسته‌ است. این اندازه‌ها کمیت‌های اساسی و پایه ای مطالعات پژوهشی حوزه‌ی روانشناسی را تشکیل می‌دهند. از اين رو انعطاف پذیری محاسباتی[98] در زمان کاربرد روش‌های آماری و گسترش این روش‌ها ضروری است. ويژگي انعطاف پذيري تحلیل‌های شبكه (مارسدن[99]، 1990، ص 450) سبب می‌شود تا مطالعه و آزمون رفتار شبکه بتواند براي بسیاری از ویژگی‌های شناخته شده در حوزه‌ی آسیب روانی (مانند بهبودهای خود انگیز[100] و همبودی) پاسخ مناسب فراهم آورد (بورسبوم و كرامر، 2013، ص 109).
مقایسه‌ی مدل‌های سنتي (بازتابي و تراكمي) و تحليل شبكه در مطالعه‌ی همبودي: از منظر تحلیل‌های شبكه اي يك اختلال برخاسته از روابط بين خوشه نشانگاني است كه مستقیماً با هم در ارتباطند. بنابراين تحليل و تجزیه‌ی روابط بين نشانگان در اين رويكرد از اهميت ويژه اي برخوردار است. بورسبوم و كرامر (2013، ص 111) معتقدند كه اين نحوه‌ی نگرش نسبت به اختلالات رواني توسط بعضي از متخصصان اشاره شده است. ارتباطات علي كه بين خوشه نشانگان اختلالاتي مانند افسردگي، انوركسيا، شخصيت ضد اجتماعي و فوبي وجود دارد، قابل مطالعه از طريق مدل‌های روان سنجی موجود نيست. زماني كه موضوع مدل سازي پدیده‌ی همبودي مطرح می‌شود، فرض رابطه‌ی مستقيم بين نشانگان در مدل‌های متغير مكنون امكان پذير نيست (بورسبوم، 2006، ص 430). در مدل مبتني بر تحلیل‌های شبكه اي همبودي بر اساس رابطه‌ی مستقيم بين نشانگان اختلالات متمايز، مدل بندي می‌شود. مدل شبکه ای نشانگان اختلالات را به عنوان گره های يک گراف و روابط بین ان‌ها را به عنوان يال كه همان خط ارتباطي بين نشانگان است، در نظر می‌گیرد. در مدل‌های متغير مكنون همبودي به دليل ارتباطي كه بين متغيرهاي مكنون يا همان اختلالات وجود دارد رخ می‌دهد. شکل‌های 4 و 5 پدیده‌ی همبودي را به ترتيب از ديد مدل‌های متغير مكنون و تحلیل‌های شبكه اي نشان می‌دهند.
 
شكل 4: مدل همبودي بين اختلالات الف و بر اساس مدل سازی متغير مكنون. دایره‌ها نشان دهنده‌ی اختلالات به عنوان متغيرهاي مكنون اند و مستطیل‌ها نشانگان اختلالات به شمار می‌روند (نشانگان x1تا x5 مربوط به اختلال الف و نشانگان y1تا y5 مربوط به اختلال ب می‌باشند).
 
شكل 5: مدل همبودي بر اساس رويكرد شبكه. نشانگان x1تا x5 مربوط به اختلال ب و نشانگان y1تا y5 مربوط به اختلال الف می‌باشند. دو نشانه‌ی B1و B2 نشانگان پل هستند كه بين اختلالات الف و ب مشترك اند. در اين مدل همبودي نتیجه‌ی ارتباط مستقيم بين نشانگان پل دو اختلال می‌باشد.
در شكل 5، همه‌ی نشانگان مربوط به يك اختلال با يكديگر در ارتباطند. اما نشانگاني وجود دارد كه نمی‌توان آن‌ها را به يكي از دو اختلال اختصاص داد. آن‌ها فصل مشترك بين دو اختلال شمرده می‌شوند و می‌تواند به عنوان رابط بين دو اختلال عمل نمايند.
وجود حلقه های بازخورد یا فیدبک[101] در اختلالات مختلف جنبه‌ی مرکزی دارد. مثلاً در اختلال پانیک[102]، ترس از اتفاق افتادن حمله‌ی پانیک یکی از عواملی است که به وقوع چنین حادثه ای کمک می‌کند (بورسبوم و كرامر، 2013، ص 112). در مدل‌های استاندارد اندازه گیری روانشناسی چنین پدیده ای نادیده گرفته می‌شود. این مدل‌ها فاقد روابط بازتابی‌اند (برسبوم و همكاران، 2009، ص 161). علاوه بر این از نگاه درمان بالینی، مدل‌های متغیر مکنون بر درمان و برطرف کردن علت عمومی تمرکز کرده‌اند و از روابط بین نشانگان غفلت نموده‌اند. به عنوان مثال در درمان افسردگی کمبود سروتونین مورد نظر است و به عوامل و نشانگانی که با کمبود سروتونین در ارتباط است پرداخته نمی‌شود. يا در درمان شناختی تقلیل جنبه ای از شناخت روی روابط بین نشانه‌ها مطرح است. به عنوان مثال اگر من تکلیفم را تمام نکرده‌ام، من فرد بی ارزشی هستم و برای هر کسی بهتر است که من بروم. یا در درمان مواجه سازی[103] از طریق مواجهی مکرر بیمار با یک شی خاص، بین مشاهده‌ی یک شی خاص و پاسخ دادن به آن انفصال ایجاد می‌کنند (كرامر و همكاران، 2010، ص 144). در این روش‌های درمانی تمرکز بر روابط بین نشانگان و تفکرات سلسله ای است که در مدل‌های متغیر مکنون پاسخی برای آن ارائه نشده است.
تمرکز مطالعات همبودی بر تشخیص است به این معنی که تشخيص همبودي بر اساس جمع نمراتي است که از طریق شمارش نشانگان بدست می‌آید. در مدل سازی متغیر مکنون نمرات جمع شده‌ی بدون وزن، آمارهی کافی برای متغیر مکنون محسوب می‌شوند. جمع بدون وزن نمرات نشانگان، به صورت تلویحی به این معنی است که اهمیت نشانگان در بروز اختلال یکسان است. این مفروضه مشکلات زیاد را در اين مطالعات ایجاد می‌کند و ممکن است منبع مهمی در عدم دستیابی به نتایج مناسب بشمار آید. شاخص‌هایی مانند مرکزیت[104] در تحلیل شبکه امکانی را فراهم می‌آورد که اهمیت هر یک از نشانگان در مطالعات همبودی را برجسته می‌سازد (ماژ، 2005، ص 183).
بر اساس مفروضات نظریه‌ی متغیر مکنون، تنها عامل یا متغیر مکنون رابطه‌ی مستقم با اثرات یا معلول‌های بیرونی دارد و وجود ارتباط بين نشانگان و معلول بيروني غير مستقيم است (بورسبوم، ميلينبرگ، وان هردن[105]، 2003، ص 203). به عنوان مثال در اختلال افسردگی اساسی تلاش برای خود کشی به عنوان معلول متغیر مکنون افسردگی است. در این مدل‌ها رابطه‌ی بین افکار خودکشی و فقدان تمرکز به عنوان نشانگان دیگر اختلال با تلاش برای خودکشی متأثر از علت مشترک (یعنی متغیر مکنون افسردگی است). بنابراین مدل‌های مکنون فاقد توانایی لازم به منظور بررسی ارتباط بین نشانگان و معلول‌ها یا رخدادهای مربوط به اختلال می‌باشند (بورسبوم، ميلينبرگ، وان هردن، 2003،ص 203). مدل بندی این روابط در نظریه شبکه امکان پذیر است. از منظر شبکه نه تنها ارتباطی بین افکار خودکشی و تلاش برای خودکشی در نظر گرفته می‌شود، بلکه یکی از علت‌های آن نیز بشمار می‌رود، ولی رابطه‌ی مستقمی بین فقدان تمرکز و تلاش برای خودکشی متصور نیست. بنابراين در مدل شبكه اي روابط علي بين نشانگان در نظر گرفته می‌شود (كرامر و همكاران، 2010).
علاوه بر اين مدل شبکه می‌تواند تفاوت‌های فردی را به عنوان یک منبع تشخیص به حوزه‌ی آسیب شناختی روانی وارد نماید (بورسبوم و كرامر، 2013، ص 146). این تفاوت‌ها می‌تواند روی قدرت ارتباط علی بین متغیرهای مختلف در شبکه تأثیر بگذارد. به عنوان مثال ممکن است فرد الف پس از سپري كردن یک شب بدون خواب، احساس خستگی کند در حالی که فرد ب بعد از 4 ساعت بیداری این احساس را داشته باشد، در این صورت ارتباط بین بی خوابی و خستگی در شبکه فرد ب قوی‌تر از فرد الف است. به دلیل تفاوت‌های فردی قدرت ارتباط بین نشانگان با یکدیگر متفاوت می‌شود. بنابراین معماری شبکه به گونه ای است که می‌توان همزمان هم ساختار وابسته به اختلالات روانی را در نظر گرفت و هم توضیح داد چرا در تشخیص باید به تفاوت‌های فردی توجه داشت. این موضوع به طور تلويحي نشان می‌دهد که شبکه‌ی نشانگان در افراد مختلف روی وقایع یکسان، به طور متفاوتی عمل می‌نماید.
روش
 داده‏ها ي مربوط به اين مطالعه از تكرار پيمايش همبودي ملي آمريكا[106] گرفته شده است. اين پيمايش به منظور بررسي شيوع و تحليل همبستگي بين اختلالات رواني در آمريكا بين سال‌های 2001 تا 2003 اجرا شده است (فوریه‌ی 2001 تا آوريل 2003). داده‏ها ي مربوط به اين پيمايش بر اساس مصاحبه هاي رو در رو[107] و در منزل شركت كنندگان، گردآوري شده است. در اين پيمايش در مجموع 9282 مصاحبه اجرا شده و 554 مصاحبه به دلايل مختلف به اتمام نرسيده است. چك لیست‌های مربوط به مصاحبه‌ها نوعي از مصاحبه هاي تشخيصي بین‌المللی[108] سازمان بهداشت جهاني[109] است كه توسط بخش سلامت رواني جهاني اين سازمان تهيه شده است. اين ابزار با عنوان[110]WMH-CIDI شناخته می‌شود. جامعه‌ی مورد مطالعه تمام افراد انگليسي زبان با حداقل سن 18 سال است كه در مناطق غير صنعتي زندگي کرده‌اند و به مشاغل غير از مشاغل نظامي مشغول بوده‌اند. نمونه از طريق نمونه گيري خوشه اي تصادفي در چهار مرحله و بر مبناي سرشماري سال 2000 آمريكا انتخاب شده است. كيسر و همكاران (2004، ص 78) در مقاله اي جزئيات اين پيمايش را ذكر کرده‌اند. اين مقاله به صورت رايگان از طريق اينترنت قابل دسترسي است[111]. در اين مطالعه تنها از اطلاعات مربوط به دو اختلال اضطراب فراگير (تعميم يافته) و افسردگي اساسی (عمده) استفاده می‌شود.
تحليل داده‌ها: به منظور مطالعه‌ی همبودي دو اختلال اضطراب فراگير (تعميم يافته) و افسردگي اساسی (عمده) لازم است شبکه‌ی ارتباطي بين نشانگان آن‌ها ترسيم شود. بنابراين در گام اول بايد بر اساس داده‏ها ي موجود، ماتريس مجاورت مربوط به اين نشانگان تهيه شود. ماتريس مجاورت[112] ماتريسي است كه در آن ارزش ارتباط بين عناصر مورد مطالعه (در اينجا نشانگان دو اختلال) مشخص می‌شود. اين ماتريس را می‌توان بر اساس روش‌های مختلف بدست آورد. مقادير موجود در اين ماتريس بيانگر دوري-نزديكي، قدرت رابطه و يا هر شاخصي است كه شدت وابستگي يا عدم وابستگي بين عناصر آن را نشان دهد.
از آنجا كه داده‏ها ي نهايي نشان دهنده‌ی حضور يا عدم حضور نشانگان در افراد است، می‌توان جداول فراواني توافقي براي تمامي زوج نشانگان دو اختلال اضطراب فراگير (تعميم يافته) و افسردگي اساسي (عمده) تهيه كرد.
 
  جدول 1: جدول توافقي مربوط به حضور يا عدم حضور نشانگان در افراد 


 
بر اساس مقادير فراواني جدول می‌توان شاخص‌های مختلفي براي بيان مجاورت يا رابطه‌ی بين هر زوج نشانه بدست آورد. در اينجا از لگاريتم نسبت بخت به عنوان شاخص مجاورت استفاده شده است. البته شاخص‌های دیگری مانند همبستگی تتراکوریک یا سایر همبستگی‌ها که منطبق بر مقیاس داده‌ها باشند، می‌توانند جایگزین نسبت بخت لگاریتمی شوند. لازم به ذکر است که نسبت بخت در جداول توافقی به صورت   محاسبه می‌شود (برسلو[113]، 1976). بنابراین رخداد همزمان بالا  نشان دهنده‌ی نسبت بخت بالا نیست. به عنوان مثال اگر دو نشانه به صورت همزمان در 1000  n11=نفر مشاهده شود و این دو نشانه در 2 نفر به طور همزمان وجود نداشته باشد، =2 n22، و 75=n21 و100= n12، مقدار لگاریتم بخت بسيار کوچک خواهد شد. بنابراین همزمانی رخداد و نسبت بخت دو شاخص متفاوت است. از آنجا كه لگاريتم نسبت بخت همزمان تمام سلول‌های جدول توافقي را در نظر می‌گیرد مناسبي به منظور تهيه ماتريس مجاورت نشانگان می‌باشد.
جدول 2: فراواني توافقي مربوط به نشانگان اختلالات خواب (مربوط به اختلال اضطراب فراگير) و خلق افسرده (مربوط به اختلال افسردگي اساسي)
 

بر اساس لگاريتم نسبت بخت زوج نشانگان، ماتريس مجاورت بين آن‌ها تشكيل می‌شود تا به عنوان ورودي نرم افزار استفاده شود. به دليل طولاني بودن ماتريس مذكور از ذكر آن خودداري می‌شود. اين ماتريس (20*20) در وبلاگ سنجش و اندازه گيري موجود است[114].
در جدول زير نشانگان مربوط به اختلالات اضطراب فراگير (تعميم يافته) و افسردگي اساسي (عمده)، معادل انگليسي و حروف اختصاري آن‌ها نشان داده شده است. در ضمن در شبکه‌ی مربوط به نشانگان حروف اختصاري آن‌ها ذكر خواهد شد.
    
جدول 2: نشانگان دو اختلال اضطراب تعميم يافته و افسردگي اساسي

ديداري سازي[115] ارتباطات بين نشانگان اختلال افسردگي عمده و اضطراب فراگير بر اساس تحلیل‌های شبكه اي: هدف نظریه‌ی سیستم‌های پیچیده[116] دیداری سازی شبکه های پیچیده به صورت بهینه و مناسب است. به همین دلیل الگوریتم‌های مختلفی تنظیم و ارائه شده‌اند. اين الگوریتم‌ها در نرم افزارهاي مختلفي بكار گرفته می‌شود تا ترسيم شبکه‌ی ارتباطات ميسر گردد. در اين پژوهش از بسته‌ی نرم افزاري qgraph تحت نرم افزار R، استفاده شده است (اپسكامپ[117] و همكاران، 2012، ص 18). گرافي كه به منظور مطالعه‌ی همبودي در اختلالات اضطراب فراگير (تعميم يافته) و افسردگي اساسي (عمده) ترسيم می‌شود داراي ویژگی‌های زير است:
الف قطر یال‌ها نشان دهنده‌ی رخداد همزمان دو نشانه با هم است. هر چه این ارتباط بیشتر باشد، یال بین دو نشانه قطورتر می‌شود. ب رنگ یال‌ها از طریق لگاریتم نسبت بخت ارتباط بین دو نشانه تعیین می‌شود. هر چه لگاریتم نسبت بخت بین دو گره بیشتر باشد، رنگ یال بین آن‌ها آبی تيره می‌شود و هر چه ميزان ارتباط بيشتر باشد، تيرگي آن افزايش می‌یابد. ج اندازه‌ی گره‌ها بر اساس فراوانی در داده‏ها ی خام تعیین می‌شود. هر چه میزان فراوانی یک گره بیشتر باشد، اندازه‌ی مربوط به آن بیشتر خواهد شد؛ و د رنگ گره است که از طریق توان فردی گره مشخص می‌شود. توان فردی گره جمع ساده‌ی وزن همه‌ی یال‌هایی است که با گره در ارتباط مستقیم اند. قهوه اي كم رنگ براي نشانگاني است كه توان فردي آن‌ها کوچک‌تر مساوي 8 است. رنگ قرمز براي توان‌های بين 11 تا 18 و رنگ سياه براي توان‌های بالاتر از 17 استفاده می‌شود.
به منظور ترسیم گراف نهایی دو قاعده در نظر گرفته می‌شود. اول این که نشانه های غیر مشترک بین دو اختلال در انتهای محور افقی (محور x ) قرار می‌گیرند و نشانگان مشترک در میانه‌ی گراف جای داده خواهند شد. این قاعده به مخاطب امکان می‌دهد تا به سرعت وضعیت نشانگان مشترک، شدت اشتراک، اهمیت نشانگان مشترک و فراوانی آن‌ها را دریابد. دوم این که گره‌ها از بالا به پایین (محور y) بر اساس توانشان مرتب شوند. به این صورت که گره های با توان بالا در بالای گراف و گره های با توان پایین در قسمت پایین گراف نشان داده شوند. این عمل به شناسایی سریع گره های با مرکزیت بالا در شبکه کمک می‌کند.
بر اين اساس شبکه‌ی ارتباط بين نشانگان دو اختلال اضطراب فراگير (تعميم يافته) و افسردگي اساسی (عمده) در شكل 6 نشان داده شده است. در اين شكل تنها ارتباطاتي كه لگاريتم نسبت بخت آن‌ها بزرگ‌تر يا کوچک‌تر از 0.6 است، نشان داده شده و از ترسيم یال‌هایی كه بيانگر ارتباطات بين 0.6+ و 0.6- می‌باشند، صرف نظر شده است.


 
شكل 6: شبکه‌ی ارتباط بين نشانگان دو اختلال افسردگي اساسي و اضطراب فراگير به منظور مطالعه‌ی همبودي.
شبکه‌ی ارتباط نشانگان افسردگی و اضطراب فراگیر از ديد شبكه به منظور مطالعه‌ی همبودي: بر اساس شكل 6، گره هاي كه در مركز شبكه قرار گرفته‌اند، عبارتند از مشكلات تمركز (mConc و gConc)، مشكلات خواب (mSleep و gSleep)، خستگی (mFatigu و gFatigu) و بی‌قراری (mRestless و gRestless). اين نشانه‌ها به عنوان نشانگان مشترك بين دو اختلال به شمار می‌روند. نشانگان مربوط به اختلال افسردگي اساسي در سمت چپ شبكه و نشانگان مربوط به اختلال اضطراب فراگير در سمت راست شبكه مشاهده می‌شوند.
نتایج
 همان طور كه در شكل 6 مشاهده می‌شود فراواني نشانه هاي مربوط به اضطراب تعميم يافته بيشتر از فراواني نشانه هاي افسردگي عمده (اساسي) است چرا كه گره هاي مربوط به اضطراب بسيار بزرگ‌تر از گره هاي افسردگي اساسي است. به همين دليل بخت شيوع اضطراب تعميم يافته بيشتر از افسردگي عمده است. اين نتيجه توسط كسلر، چيو، دملر و والتر[118] (2005، ص 620) تاييد شده است. با اين وجود در زمان تشخيص تنها پاسخ دهندگاني كه يك تعداد خاص نشانگان اضطراب تعميم يافته يا افسردگي اساسي در يك مدت مشخص را نشان می‌دهند، اختلال در آن‌ها تشخيص داده می‌شود. علاوه بر اين بر اساس قانون منع سلسله مراتبي[119]، اگر نشانگان اختلال اضطراب تعميم يافته فقط در دوره اي كه فرد مبتلا به اختلال افسردگي اساسي است اتفاق بيفتد، تشخيص اختلال اضطراب تعميم يافته دريافت نمی‌کند (واتسون[120]، 2005، ص 521). از آنجا كه اين دو اختلال خيلي همزمان و همراهند (براون و سايرين[121]، 2001، ص 593) بر اساس قوانين منع، شيوع اختلال اضطراب تعميم يافته يا فراگير به صورت تصنعي كاهش می‌یابد. در اينجا داده‏ها ي مربوط به همه‌ی پاسخ دهندگاني كه بخش‌های مختلف مصاحبه را كامل کرده‌اند و بدون توجه به اين كه تشخيص اختلال براي آن‌ها داده شده است يا نه را در نظر گرفته‌ایم. همان طور كه شبکه‌ی ارتباط بين اختلالات نشان می‌دهد، زماني كه آستانه و زير آستانه‌ی اختلالات افسردگي عمده و اضطراب تعميم يافته با هم در نظر گرفته می‌شوند (بدون توجه به تشخيص اختلال در فرد)، نشانگان اضطراب تعميم يافته شيوع بيشتري دارد.
علاوه بر اين در صورتي كه ماهيت اضطراب فراگير (تعميم يافته) و افسردگي اساسی (عمده) جدا از يكديگر باشد، انتظار می‌رود يال بين نشانگان هر اختلال ضخیم‌تر از یال‌هایی باشد كه بين نشانگان دو اختلال ترسيم شده‌اند. ولي همان طور كه در شبکه‌ی اين ارتباط نشان داده شده است، یال‌هایی كه بين بعضي از نشانگان اضطراب فراگير (تعميم يافته) و افسردگي اساسی (عمده) ترسيم شده است، قطور تر از یال‌هایی است كه بين نشانگان يك اختلال به تنهايي وجود دارد (به عنوان مثال یالي كه بین از دست دادن علاقه نسبت به فعالیت‌های لذت بخش) mInt و اضطراب در مورد دو يا بيشتر از دو اتفاق (gEvent) ترسيم شده است، بسيار ضخیم‌تر از یال‌های ديگري است كه بين نشانگان يك اختلال ترسيم شده‌اند. همچنين انتظار داريم يال بين نشانگان يك اختلال تيره تر از یال‌های رابط بين دو اختلال باشد (به دليل لگاريتم نسبت بخت بيشتر) اما شبکه‌ی ترسيم شده نشان می‌دهد كه چنين انتظاري رد می‌شود. به بيان ديگر ارتباط بين نشانگان يك اختلال قوی‌تر از ارتباط بین نشانگان از دو اختلال متفاوت نيست. يافته هاي بدست آمده از طريق تحليل شبكه کاملاً با اين فرض كه اضطراب فراگير (تعميم يافته) و افسردگي اساسی (عمده) را نمی‌توان در سطح ژنتيكي از يكديگر متمايز كرد (مينكا، واتسون و كلارك[122]، 1998) همخوان و منطبق است. مدت‌ها تصور بر اين بود كه تعداد محدودي ژن به عنوان ژن‌های مسئول اختلال افسردگي اساسي می‌باشند كه می‌توانند تغييرات و واريانس فنو تيپ را مشخص سازند، گذشت زمان نشان داده است كه اين پژوهش‌ها نتيجه بخش نيست. اين نتيجه گيري در مورد پژوهش‌هایی كه اختلالاتي مانند اختلال افسردگي اساسي را به عدم تعادل در انتقال دهندگان عصبي مربوط می‌سازند (مانند فرضیه‌ی سروتونين) و همچنين نظریه‌ی فرآيند روان شناختی خاص (كه به عنوان مثال شاد نبودن را به يادگيري مربوط می‌سازد)، نيز صادق است. همان طور كه نولن و واتكينز[123](2011، ص 210) می‌گویند اختلالات رواني از فاكتورهاي بسيار زيادي تشكيل شده است. بنابراين اين سؤال كه آيا دو اختلال اضطراب فراگير (تعميم يافته) و افسردگي اساسی (عمده) واقعاً قابل تمايزند، می‌تواند به صورت جدی‌تر مطرح شود.
بر اساس شبکه‌ی ارتباط بين نشانگان كه در بالا ترسيم شده است، طول مدت يا زمان بروز نشانگان (mdur و gdur) با ساير نشانگان اضطراب فراگير (تعميم يافته) و افسردگي اساسی (عمده) ارتباط چنداني ندارند. همان طور كه در شبکه‌ی ارتباطي نشانگان دو اختلال مشاهده می‌شود، تنها يك يال بين اين دو نشانه وجود دارد و اين دو نشانه از ساير نشانگان جدا افتاده‌اند. اهميت اين نكته از اين جهت است كه به نظر می‌رسد در تشخیص‌های باليني، طول مدت نشانه، كليد اصلي در تعيين وجود يا عدم وجود اختلال به شمار می‌رود. در تشخيص بیماری‌های پزشكي به عنوان مثال در تشخيص سرطان، زماني اين بيماري تشخيص داده می‌شود كه يك تومور بدخيم وجود داشته باشد و صرف وجود اين تومور، سرطان تشخيص داده می‌شود. بنابراين فرقي نمی‌کند كه اين تومور چه زماني تشكيل شده است. بر مبناي اين قياس، هر زماني كه بعضي از نشانگان اختلال افسردگي اساسي بدون در نظر گرفتن زمان حضور آن نشانه‌ها، وجود داشته باشند، اين اختلال تشخيص داده می‌شود. البته اين به معني عدم نياز به طول مدت براي تمام تشخیص‌ها نمی‌باشد. طول دوره‌ی ابتلا می‌تواند به نحوه‌ی برخورد با بيماري به متخصص ياري رساند. به عنوان مثال زماني كه تومور بدخيم سرطاني تشخيص داده شد، نحوه‌ی معالجه و برخورد آن وابسته به زماني است كه تومور تشكيل شده است.
مهم‌ترین دليل براي همبودي بين دو اختلال اضطراب فراگير (تعميم يافته) و افسردگي اساسي (عمده) ارتباط قوي و محكمي است كه بين حداقل يك نشانه مشترك وجود دارد. به عنوان مثال بين خلق افسرده و مشكلات خواب ارتباط قوي برقرار است (بر اساس شكل يال بين دو نشانه کاملاً تيره است). اين دليل به نقش غير قابل انكار ارتباط نشانگان در اختلالات رواني اشاره دارد هر چند اين يافته با نتیجه‌ی بعضي از پژوهشگران ديگر در تضاد باشد (فرانكلين و زيمرمن[124]، 2001).
شبکه‌ی ترسيم شده ماهيت تشخيص انتقالي[125] (نولن و واتكينز، 2011، ص 210) دارد، چرا که اختلالات نشانگان مشترکي دارند یا نشانگانی را با اختلالات دیگري مشترک می‌شوند. به عنوان مثال مشكلات خواب نشانه‌ی مشترک بین اضطراب فراگير (تعميم يافته) و افسردگي اساسی (عمده) است. این نشانه ممکن است به خاطر نشانه‌ی سرزنش خود[126] باشد که جزء نشانگان افسردگي عمده بشمار می‌رود و یا از طریق اضطراب حاد که یک نشانه اختلال اضطراب تعميم يافته است، بروز يابد. علاوه بر اين مشكلات خواب ممکن است اثرات را به خلق افسرده که نشانه ای از اختلال افسردگي است و یا به تحریک پذیری که نشانه اختلال اضطراب است، فر افکنده[127] کند. بنابراین فرض می‌شود نشانگانی که بین اختلالات مشترک اند مانند پلی عمل می‌کنند که باعث انتقال یک اختلال به اختلال دیگر می‌شود. لازم به ذكر است كه عوامل بيروني و دروني می‌توانند شبکه‌ی ارتباط بين نشانگان را شدت بخشند و تشخیص‌های انتقالي دروني و بيروني را تشكيل دهند. به عنوان مثال فوت اعضای خانواده می‌تواند منجر به خلق افسرده (یک نشانه از اختلال افسردگي اساسي) و اضطراب حاد (یک نشانه از اختلال اضطراب فراگير) شود. بنابراین عوامل دروني و بیرونی می‌توانند روی نشانگان اختلالات هم به صورت مستقیم و هم به صورت غیر مستقیم تأثیر بگذارند. در ضمن بر اساس شبکه‌ی ترسيم شده تفاوت‌های فردی می‌توانند به عنوان يك منبع مورد مطالعه به حوزه‌ی آسیب شناسي روانی اختلالات اضطراب فراگير (تعميم يافته) و افسردگي اساسی (عمده) وارد شوند. تفاوت‌های فردي می‌توانند روی قدرت ارتباط علی بین متغیرهای مختلف در شبکه تأثیر بگذارند (بورسبوم و کرامر، 2013، ص 149). به عنوان مثال ممکن است يك فرد بعد از یک شب بدون خواب احساس خستگی کند در حالی که فرد ديگري فقط بعد از 4 ساعت بیداری، اين احساس را داشته باشد. بر اين اساس ارتباط بين بي خوابي و خستگي در شبکه‌ی فرد اول قوی‌تر از شبکه‌ی فرد دوم است. این نشان می‌دهد که شبکه‌ی ارتباط نشانگان در افراد مختلف به طور متفاوتی روی وقایع يكسان عمل می‌کنند. به عنوان مثال ممکن است یک فرد ابتدا نشانگان اضطراب را بروز دهد در حالی که فرد دیگر ابتدا مبتلا به نشانگان افسردگی شود. در این حال همبودی می‌تواند به خاطر رخ دادن هر کدام از اختلالات رخ دهد و به دیگری کشیده شود.
بايد خاطر نشان كرد كه تحلیل‌های مبتني بر شبكه ضرورتاً كامل نمی‌باشند (اسكات، كارينگتون، 2011، ص 243). شبکه‌ی ترسيم شده در شكل 6 بر پایه‌ی نشانگان افسردگي عمده و اضطراب تعميم يافته است، اما به طور طبيعي لازم است كه گره‌هایی ديگري در شبكه وارد شوند چرا كه عوامل ديگري وجود دارند كه بر روابط بين نشانگان شبكه به صورت مستقيم تأثیر می‌گذارند. به عنوان مثال وقايع و رخدادهاي زندگي مانند از دست دادن نزديكان، طلاق و غيره می‌توانند به عنوان راه انداز افسردگي اساسي باشند. همچنين اين رخدادها می‌توانند باعث تراژدی‌های شخصي شوند كه به عنوان نشانه هاي افسردگي به شمار می‌روند (به عنوان مثال خلق افسرده و يا تفكر درباره‌ی خودكشی) (ديويد[128] و سايرين، 2008، ص 739). علاوه بر اين، شواهدي موجود است كه بر اساس آن ویژگی‌هایی مانند تحريك پذيري و بازداري رفتاری (به عنوان مثال خجالت كشيدن، ترسو بودن و كنار كشيدن) می‌تواند راه انداز و آغازگر نشانگان افسردگي يا اضطراب و يا هر دو همزمان باشد (روئلوفس[129] و سايرين، 2008، ص 1285). بنابراين در مطالعه‌ی شبكه همبودي اضطراب فراگير (تعميم يافته) و افسردگي اساسی (عمده) نمی‌توان از مدل متغير مكنون استفاده كرد. شبكه اي كه در آن چند گره وجود ندارد معادل با مدل‌های متغير مكنوني نيست كه در آن عامل مكنون روي همه‌ی نشانگان تأثیر می‌گذارد و رابطه‌ی بين دو نشانه نيز بر اساس همان متغير مكنون توجيه می‌شود. علاوه بر اين نمی‌توان هر متغير غير قابل مشاهده را به عنوان يك متغير مكنون روان سنجی در نظر گرفت و مطالعه‌ی آن‌ها به مدل‌های متغير مكنون ارجاع داد.
بحث و نتیجه گیری
 بنا بر آنچه گذشت رویکرد شبکه معتقد است ارتباط درونی بین نشانگان بسیار حائز اهمیت است. علاوه بر این به دلیل عدم قدرت تمایز کامل بین نشانگان اختلالات مختلف، مدل‌های همبودی از طریق رویکرد شبکه قابل پیش بینی، قابل تدوین و قابل ارائه‌اند. رویکرد شبکه توضیح می‌دهد، چرا اتفاقات باعث تشدید نشانگان و یا بروز آن‌ها می‌شود. این اتفاقات می‌تواند به عنوان نقاط ورودی[130] شبکه در نظر گرفت شوند. علاوه بر اين از طريق اين تحلیل‌ها می‌توان تفاوت‌های فردي را به حوزه‌ی تشخيص باليني و آسيب شناسي رواني در مطالعات همبودي وارد نمود.
بنا بر تحليل داده‏ها ي شبكه اي و ترسيم شبکه‌ی نشانگان دو اختلال اضطراب فراگير (تعميم يافته) و افسردگي اساسي (عمده)، راهي براي برش فضاي ارتباطي بين نشانگان اين دو اختلال وجود ندارد تا از همبودي اجتناب شود. در مدل شبكه، اختلالات به طور ذاتي پیچیده‌اند و مانند مدل‌های متغير مكنون نشان دهنده‌ی يك يا چند متغير زيربنايي نمی‌باشند. شبکه‌ی اختلالات ترسيم شده در شكل 6 منطبق بر کشف‌های مهمي است كه در قرن اخير در پژوهش‌های باليني اتفاق افتاده است. بر اساس اكتشافات جديد اختلالات رواني ماهيت ژنتيكي، عصبي- زيستي و محيطي ندارند كه بتوان بر اساس آن‌ها همه‌ی اختلالات رواني را توضيح داد (بوگدان، نيكولوا و پيزاگالی[131]، 2013، ص 15). بر اساس رويكرد شبكه، اختلالات خوشه اي از ویژگی‌ها می‌باشند كه بر اساس شبکه‌ی ارتباطي آن‌ها بروز می‌یابند.
منابع فارسی
چلبي، مسعود. تحليل شبكه اي در جامعه شناسي. فصلنامه علوم اجتماعي، شماره 6، پاييز و زمستان 1373. ص 9.
كرلينجر، ف. (1374). مباني پژوهش در علوم رفتاري. ترجمه‌ی شريفي، حسن پاشا، نجفي زند، جعفر، تهران: آواي نور.
 
منابع انگلیسی
Aragona, M. (2009). The concept of mental disorder and the DSM-V. Dial Phil Ment Neuro Sci, 2(1) , 1-14.
Bishop, C. M. (1998). Latent variable models. In Learning in graphical models(pp. 371-403). Springer Netherlands.
Bogdan, R., Nikolova, Y. S., & Pizzagalli, D. A. (2013). Neurogenetics of depression: A focus on reward processing and stress sensitivity. Neurobiology of Disease, 52, 12-23.
Borsboom, Denny, et al. "The small world of psychopathology." PloS one 6.11 (2011) : e27407.
 Borsboom, D., & Cramer, A. O. (2013). Network Analysis: An Integrative Approach to the Structure of Psychopathology. Annual review of clinical psychology, 9, 91-121.
Borsboom, D., Cramer, A. O., Kievit, R. A., Zand Scholten, A., & Franic, S. (2009). The end of construct validity. The concept of validity: Revisions, new directions, and applications, 135-170.
Borsboom, D., Mellenbergh, G. J., & Van Heerden, J. (2003). The theoretical status of latent variables. Psychological review, 110(2) , 203.
Borsboom, D. (2006). The attack of the psychometricians. Psychometrika,71(3) , 425-440.
Borsboom, D. (2008). Psychometric perspectives on diagnostic systems.Journal of clinical psychology, 64(9) , 1089-1108.
Borsboom, D. (2005). Measuring the mind: Conceptual issues in contemporary psychometrics. Cambridge University Press.
Breslow, N. (1976). Regression analysis of the log odds ratio: A method for retrospective studies. Biometrics, 409-416.
Brown, T. A., Campbell, L. A., Lehman, C. L., Grisham, J. R. & Mancill, R. B. (2001) Current and lifetime comorbidity of the DSM-IV anxiety and mood disorders in a large clinical sample. Journal of Abnormal Psychology 110:585–99.
Carrington, P. J., Scott, J., & Wasserman, S. (Eds.). (2005). Models and methods in social network analysis. Cambridge university press.
Coltman, T., Devinney, T. M., Midgley, D. F., & Venaik, S. (2008). Formative versus reflective measurement models: Two applications of formative measurement. Journal of Business Research, 61(12) , 1250-1262.
Cramer, A. O., Waldorp, L. J., van der Maas, H. L., & Borsboom, D. (2010). Comorbidity: A network perspective. Behavioral and Brain Sciences, 33(2-3) , 137-150.
David, M., Ceschi, G., Billieux, J. & Van der Linden, M. (2008) Depressive symptoms after trauma: Is self-esteem a mediating factor? Journal of Nervous and Mental Disease 196:735–42.
Edwards, J. R., Cable, D. M., Williamson, I. O., Lambert, L. S., & Shipp, A. J. (2006). The phenomenology of fit: linking the person and environment to the subjective experience of person-environment fit. Journal of Applied Psychology,91(4) , 802.
Epskamp, S., Cramer, A. O., Waldorp, L. J., Schmittmann, V. D., & Borsboom, D. (2012). Qgraph: Network visualizations of relationships in psychometric data. Journal of Statistical Software, 48(4) , 1-18.
Feinstein, A. R. (1970). The pre-therapeutic classification of co-morbidity in chronic disease. Journal of Chronic Diseases, 23(7) , 455-468.
Franklin, C. L. & Zimmerman, M. (2001) Posttraumatic stress disorder and major depressive disorder: Investigating the role of overlapping symptoms in diagnostic comorbidity. Journal of Nervous and Mental Disease 189:548–51.
Gersick, C. J., Dutton, J. E., & Bartunek, J. M. (2000). Learning from academia: The importance of relationships in professional life. Academy of Management Journal, 43(6) , 1026-1044.
Grumbach, K. (2003). Chronic illness, comorbidities, and the need for medical generalism. The Annals of Family Medicine, 1(1) , 4-7.
Hilsenroth, M. J., & Stricker, G. (2004). A consideration of challenges to psychological assessment instruments used in forensic settings: Rorschach as exemplar. Journal of personality assessment, 83(2) , 141-152.
Jakovljevic, M., & Crncevic,Z. Dialogues in Philosophy, Mental and Neuro Sciences. DIAL PHIL MENT NEURO SCI 2012; 5(1) : 1-13.
Kessler, R. C., Chiu, W. T., Demler, O. & Walters, E. E. (2005) Prevalence, severity, and comorbidity of 12-month DSM-IV disorders in the National Comorbidity Survey Replication. Archives of General Psychiatry 62:617–27.
Kessler, R. C., Berglund, P., Chiu, W. T., Demler, O., Heeringa, S., Hiripi, E., ... & Zheng, H. (2004). The US National Comorbidity Survey Replication (NCS‐R): design and field procedures. International journal of methods in psychiatric research, 13(2) , 69-92.
 Maj, M. (2005). ‘Psychiatric comorbidity’: an artefact of current diagnostic systems?. The British Journal of Psychiatry, 186(3) , 182-184.
Marsden, P. V. (1990). Network data and measurement. Annual review of sociology, 435-463.
Mineka, S., Watson, D. W. & Clark, L. A. (1998) Psychopathology: Comorbidity anxiety and unipolar mood disorders. Annual Review of Psychology.49:377–412.
Nolen-Hoeksema, S., & Watkins E. R. (2011). A heuristic for developing transdiagnostic models of psychopathology: Explaining multifinality and divergent trajectories. Perspectives on Psychological Science,6, xxx–xxx.
Roelofs, J., Huibers, M., Peeters, F., Arntz, A. & Van Os, J. (2008) Rumination and worrying as possible mediators in the relation between neuroticism and symptoms of depression and anxiety in clinically depressed individuals. Behaviour Research and Therapy 46:1283–89.
Sartorius, N. (2007). Physical illness in people with mental disorders. World Psychiatry, 6(1) , 3.
Scott, J., & Carrington, P. J. (Eds.). (2011). The SAGE handbook of social network analysis. SAGE publications.
Valderas, J. M., Starfield, B., Sibbald, B., Salisbury, C., & Roland, M. (2009). Defining comorbidity: implications for understanding health and health services.The Annals of Family Medicine, 7(4) , 357-363.
Wagenmakers, E. J., Wetzels, R., Borsboom, D., & Van Der Maas, H. L. (2011). Why psychologists must change the way they analyze their data: the case of psi: comment on Bem (2011).
Watson, D. (2005) Rethinking the mood and anxiety disorders: A quantitative hierarchical model for DSM-V. Journal of Abnormal Psychology 114:522– 36.
[1] . دانشجوي دكتري سنجش و اندازه گيري دانشگاه علامه طباطبايي تهران (نویسنده مسئول) Email: zar100@gmail.com
[2] . عضو هيئت علمي دانشگاه علامه طباطبايي، دانشكده­ي روانشناسي و علوم تربيتي، گروه سنجش و اندازه­گيري Email: delavarali@yahoo.com
[3] . عضو هيئت علمي دانشگاه علامه طباطبايي، دانشكده­ي روانشناسي و علوم تربيتي، گروه سنجش و اندازه­گيري Email: falsafinejad@yahoo.uk.com
[4] . عضو هيئت علمي دانشگاه علامه طباطبايي، دانشكده­ي روانشناسي و علوم تربيتي، گروه سنجش و اندازه­گيري  Email: dortajf@gmail.com
[5] . كارشناسي ارشد رشته­ي روانشناسی باليني دانشگاه خوارزمي khoshsokhan1199@gmail.com Email:
[6] . Paradigm
[7] . Fitting
[8] . the National Comorbidity Survey
[9] . Construct
[10] . Concept
[11] . Kerlinger
[12] . Gersick, C. J., Dutton, J. E., & Bartunek
[13] . Mental Assessment and measurement
[14] . Empirical
[15] . Entity
[16] . Reflective interpret
[17] . Formative interpret
[18] . Attribute
[19] . Borsboom
[20] . Alternative
[21] . Conceptualize
[22] . Wagenmakers
[23] . Inferential techniques
[24] .  Ontology
[25] . Epistemology
[26] . Validity strategies
[27] . Network analysis
[28] . Methodological
[29] . Theoretical
[30] . comorbidity
[31] . latent variable
[32] . Cramer
[33] . Symptom
[34] . Pathology
[35]. Comorbidity
[36] . Feinstein
[37] . Maj
[38] . JAKOVLJEVIĆ
[39] . CRNČEVIĆ
[40] . Valderas
[41] . Starfield
[42] . Sibbald
[43] . Salisbury
[44] . Roland
[45] . Aragona
[46] . Grumbach
[47] . Sartorius
[48] . Generalized Anxiety Disorder
[49] . Major Depression Disorder
[50] . Symptem
[51] . Subtest
[52] . item-specific error
[53] . Modern testing theory
[54] . Item response models
[55] . Common factor models
[56] . Latent class models
[57] . Latent profile models
[58] . Bishop
[59] . Local independency
[60] . Neuroticism
[61] . Individual diffrences
[62] . spurious
[63] . Tempereture
[64] . Termostat
[65] . Function
[66] . Principle component analysis
[67] . Clustering thechniques
[68] . Composite
[69] . residual variance
[70] . criterion variable
[71] . exchangeable
[72] . feeling jittery
[73] . removing
[74] . referential (in)stability
[75] . spectrum
[76] . Coltman
[77] . Time
[78] . Carrington, Scott & Wasserman
[79] . Edge
[80] . Node
[81] . Analytical challenges
[82] . Latent variable
[83] . Dynamic System
[84] . Mechanical system
[85] . Semiotics
[86] . Atomistic
[87] . Edwards
[88] . Actors
[89] . Individualism
[90] . Structure
[91] . Nodes
[92] . Michelle
[93] . Modeling
[94]. Association
[95] . Molecular
[96] . Implicitly
[97] . Hilsenroth & Stricker
[98] . Computational flexability
[99] . Marsden
[100] . Spontaneous remission
[101] . feedback
[102] .Panic
[103] . Exposure
[104] . Centrality
[105] . Borsboom, Mellenbergh & Van Heerden
[106] . The US National Comorbidity Survey Replication (NCS-R) (http://www.hcp.med.harvard.edu/ncs/)
[107] . face-to-face
[108] . Composite International Diagnostic Interview(CIDI)
[109] . World Health Organization(WHO)
[110] . World Mental Health- Composite International Diagnostic Interview
[111] . http://www.hcp.med.harvard.edu/wmh/publishedpaper_kessler_design.pdf
[112] . Proximity matrix
[113] . Breslow
[114] . ماتريس مجاورت از طريق لينك www.measurement.blogfa.com قابل دستيابي است.
[115] . Visualization
[116]. Complex systems
[117] . Epskamp
[118] . Kessler, Chiu, Demler & Walters
[119] . hierarchical exclusion rule
[120] . Watson
[121] . Brown
[122] . Mineka, Watson & Clark
[123] . Nolen-Hoeksema & Watkins
[124] . Franklin, C. L. & Zimmerman
[125] . Trans-diagnostic
[126] . Self-reproach
[127] . Project
[128] . David
[129] . Roelofs
[130] . Points of entry
[131] . Bogdan, Nikolova & Pizzagalli


برچسب‌ها: تحلیل داده های شبکه ای, مدل های بازتابی, مدل های انعکاسی, همبودی, روانسنجی
+ نوشته شده در  چهارشنبه 1 مرداد1393ساعت   توسط محمد حسین ضرغامی  | 

کاربرد تکنیک تحلیل داده های شبکه ای در یکپارچه سازی مولفه های شغلی و ارائه ی الگوی علمی مشاوره شغلی

چکیده
مقدمه
علی‏رغم استفاده‏ی گسترده از تکنیک‏ها و شیوه‏های علمی به منظور هدایت و مشاوره شغلی، مطالعه‏ای که به صورت نظامند مولفه ‏های موثر در مشاوره شغلی را یکپارچه سازد و بر اساس یکپارچه شدن این مولفه‏ها به مشاوره شغلی مبادرت ورزد، وجود ندارد. پژوهش حاضر تلاش کرده است تا با استفاده از تکنیک تحلیل داده‏های شبکه‏ای به یکپارچه‏سازی مولفه‏های اصلی هدایت شغلی اقدام نماید و بر اساس نتایجی که از این تحلیل حاصل می‏شود، شیوه‏ی نوینی در هدایت و مشاوره شغلی ارائه نماید.
روش
اجزای اصلی فرآیند مشاوره و هدایت شغلی عبارتند از: فرد (مراجع، کاربر یا استفاده‏کننده)، شغل و روش یا تکنیکی که فرد را به مشاغل مرتبط سازد. شناسایی مولفه‏ها با استفاده از تحلیل محتوا و تحلیل اسناد شرکت‏ها، موسسات، نظریات و مطالعات پیشین، صورت پذیرفته است. سنجش مولفه‏های موثر (رغبت، توانایی و ارزش کاری) در افراد و مشاغل به ترتیب مبتنی بر پرسشنامه‏های ساخته شده و میانگین نظر خبرگان شغلی (5 خبره)، می‏باشد. به منظور ارزیابی پرسشنامه‏های ساخته شده از روش‏های نظریه کلاسیک اندازه‏گیری و نظریه سوال پاسخ استفاده شد. برآورد ثبات نمرات اختصاص داده‏شده توسط خبرگان شغلی، به دلیل عدم وجود رویه‏هایی غیر از رویه‏های مورد مطالعه، با استفاده از ضریب توافقی کامل بدست آمد. تکنیک تحلیل داده‏های شبکه‏ای به منظور یکپارچه کردن مولفه‏ها و انطباق فرد و شغل براساس نتایج یکپارچه‏سازی بکارگرفته شد و در نهایت اعتبار الگوی مشاوره شغلی پیشنهادی با استفاده از داده‏های شبیه‏سازی شده و داده‏های تجربی بدست آمد.
پژوهش حاضر به لحاظ هدف پژوهش، در آنجا که دست به ساخت ابزار سنجش مولفه‏های موثر در هدایت شغلی می‏زند؛ یک پژوهش توسعه‏ای به شمار می‏رود. هدف پژوهش در این بخش، استفاده از نتايج پژوهش‏هاي پیشین، به منظور ساخت و بهبود ابزار سنجش مولفه‏های شغلی در کشور می‏باشد. زمانی که پژوهش از تکنیک تحلیل داده‏های شبکه‏ای به منظور ارائه الگوی عملی مشاوره شغلی استفاده می‏کند، پژوهش به لحاظ هدف، کاربردی است. در این زمان، هدف پژوهش حاضر رشد و بهبود فرآیند مشاوره شغلی است. در تقسیم بندی دیگری که از پژوهش‏ها به لحاظ هدف پژوهش ارائه می‏‏شود، پژوهش حاضر یک پژوهش اکتشافی محسوب می‏شود و سعی می‏کند، الگوی مناسبی به منظور مشاوره و هدایت شغلی ارائه نماید. به لحاظ روش اجرای پژوهش، این پژوهش در دسته پژوهش‏های توصیفی قرار می‏گیرد، چرا که در این تحقیق، سعی پژوهشگر بر این بوده است، تا به توصيف عيني، واقعي و منظم خصوصيات پدیده مشاوره شغلی بپردازد و با استفاده از روش هاي مختلف جمع آوري اطلاعات تصوير نسبتا درستی از پديده مورد نظرخود، ارائه دهد.
نتایج
در ساخت ابزار مورد نیاز برای سنجش مولفه‏های رغبت، توانایی و ارزش کاری و تیپ آنها در افراد، بعد از سه مرحله اجرای پرسشنامه‏ها، ترکیب مناسبی از سوالات با ویژگی‏های روانسنجی مطلوب (مبتنی بر نظریه کلاسیک و نظریه سوال پاسخ) ارائه شد. تعداد آیتم‏های نهایی رغبت، توانایی و ارزش کاری به ترتیب 121، 80 و 55 آیتم می‏باشد.
مقدار ضریب توافقی کامل برای بررسی ثبات امتیازات اختصاص داده شده توسط خبرگان شغلی در تمام مولفه‏ها (رغبت، توانایی و ارزش کاری) بیشتر از 7.9 است که نشان دهنده‏ی وجود توافق (p<0.001) بین خبرگان شغلی، در اختصاص امتیاز به وظایف، تیپ و مولفه‏های موثر در فرآیند مشاوره و هدایت شغلی است.
به‏کارگیری تکنیک تحلیل داده‏های شبکه‏ای به ترسیم نقشه جهان کار مشاغل ایران (1195 عنوان شغلی) منجر شد و براساس این نقشه الگوی فرآیند مشاوره و هدایت شغلی در پنج مرحله، ارائه گردید. نتایج اعتباریابی این الگو نشان داد؛ زمانی که داده‏های به صورت هدفمند شبیه‏سازی می‏شوند؛ الگو پیشنهادی در 100 درصد موارد قابلیت پیش‏بینی دارد و از اعتبار لازم برخوردار است. اما زمانی که از داده‏های تجربی در اعتباریابی استفاده می‏شود، الگوی پیشنهادی با ارائه‏ی 5 شغل، در 93 درصد موارد موفق به پیشنهاد شغلی به شاغلین معرف می‏شود؛ که با عنوان شغلی آنها انطباق دارد.
نتیجه‏گیری
تکنیک تحلیل داده‏های شبکه‏ای علاوه بر این که در یکپارچه‏سازی مولفه‏های موثر در فرآیند هدایت شغلی و پیشنهاد مشاغل منطبق بر ویژگی‏های فرد بر اساس ادغام آنها، موفق است؛ می‏تواند در ترسیم نقشه مشاغل کشور به‏کار‏گرفته شود. نقشه‏هایی که بر اساس این تکنیک ترسیم می‏شوند، می توانند در دیداری سازی مشاغل پیشنهادی به کاربر، تحلیل شغل و خوشه‏بندی و دسته‏بندی مشاغل استفاده شوند.
کلید واژه‏ها: یکپارچه‏سازی، تحلیل داده‏های شبکه‏ای، مشاوره و هدایت شغلی و نقشه جهان کار

 


برچسب‌ها: یکپارچه ‏سازی, تحلیل داده‏های شبکه‏ای, مشاوره و هدایت شغلی و نقشه جهان کار
+ نوشته شده در  دوشنبه 30 تیر1393ساعت   توسط محمد حسین ضرغامی  | 

مولفه های سنجش انطباقی (Computerized Adaptive Testing) CAT

مولفه های سنجش انطباقی (Computerized Adaptive Testing) CAT

1. بانک سوال مدرج
2. نقطه آغاز یا سطح ورودی
3. الگوریتم انتحاب سوال
4. روش نمره دهی
5. ملاک خاتمه

بانک سوال مدرج
باید یک بانک سوال در CAT وجود داشته باشد تا از آن انتخاب شود. این بانک باید با یک مدل روانسنجی مدرج شود و پایه ای برای مولفه های دیگر است. معمولاً از نظریه سوال-پاسخ به عنوان مدل روانسنجی استفاده می شود. یکی از دلایل محبوبیت این نظریه این است که در این نظریه افراد و سوال ها را در مقیاسی یکسان، که در مباحث مربوط به انتخاب سوال مفید است، قرار می دهد.

نقطه شروع
در CAT سوالات مبتنی بر عملکرد آزمودنی انتخاب می شوند. با این وجود وقتی هنوز هیچ سوالی اجرا نشده است CAT قادر به برآورد توانایی آزمودنی نیست. بنابراین برآورد اغازین دیگری برای توانایی آزمودنی مورد نیاز است. اگر در مورد آن چه آزمودنی می داند اطلاهات قبلی در دسترس باشد میتوان از آن ها استفاده کرد ولی اغلب CAT فرض می کند که آزمودنی ها دارای توانایی متوسطی هستند از این رو سوال اول اغلب دارای ضریب دشواری متوسطی است.

الگوریتم انتخاب سوال
همان طور که قبلا گفته شد نظریه سوال-پاسخ آزمودنی ها و سوالات را در یک مقیاس یکسان قرار می دهد. بنابراین اگر CAT دارای برآورد توانایی آزمودنی است قادر است سوال را انتخاب کند که برای آن برآورد مناسب ترین است. از نظر فنی این کار از طریق انتخاب سوالی با بیش ترین اطلاعات در آن نقطه انجام می شود. اطلاعات تابعی از پارامتر تشخیص سوال، واریانس شرطی و پارامتر حدس (در صورت استفاده) است.

روش نمره دهی
پس از اجرای یک سوال، CAT برآوردش از سطح توانایی آزمودنی را به روز می کند. اگر آزمودنی به سوالات به طور صحیح پاسخ دهد، احتمالاً CAT توانایی او را کمی بیش­تر از در نظر می­گیرد و برعکس. این کار با استفاده تابع سوال پاسخ در نظریه سوال-پاسخ برای به دست آوردن یک تابع درستنمایی توانایی آزمودنی انجام می شود. دو روش برای این کار عبارتند از بیشینه درستنمایی و برآورد بیزی. در برآورد بیزی برای توانایی آزمودنی یک تابع پیشین و بیشینه تابع پسین فرض می شود. اگر تابع پیشین یکنواخت (f(x)=1) فرض شود، بیشینه احتمال معادل بیشینه بیزی یک برآورد پسین است. بیشینه احتمال به طور مجانبی غیر اریب است. اما نمی تواند تتا را برای بردار پاسخ غیر آمیخته (همه درست یا همه غلط) برآورد کند در این موارد موقتاً روش بیزی مورد استفاده قرار می گیرد.

ملاک پایانی
الگوریتم CAT به گونه ­ای طراحی شده است تا مکرراً سوالات را اجرا کند و برآورد توانایی آزمودنی را به روز کند. این کار تا زمانی ادامه پیدا می کند که بانک سوال خسته شود. اغلب زمانی آزمون به پایان می رسد که خطای استاندارد اندازه گیری آزمودنی کم­تر از مقدار خاصی شود که کاربر تعیین کرده است. ملاک­های پایانی دیگر برای اهداف مختلف آزمون وجود دارد مثلاً آیا آزمون به منظور تشخیص این که آزمودنی در آزمونی قبول یا رد می شود، طراحی شده است یا هدف آزمون برآورد دقیق توانایی آزمودنی است. با هدف رد-قبول آزمودنی، ملاک پایانی و الگوریتم نمره ­دهی باید به کار گرفته شود که به جای برآورد نقطه ­ای توانایی، آزمودنی را در یک طبقه قرار می دهد. رویکرد فاصله اطمینان نیز مورد استفاده قرا می گیرد. در این رویکرد بعد از اجرای هر سوال، الگوریتم احتمال این که نمره واقعی آزمودنی بالاتر یا پایین تر از نمره قبولی است را تعیین می کند. مثلاً ممکن است الگوریتم تا وقتی که فاصله اطمینان 95% نمره واقعی شامل نمره قبولی نشود، ادامه پیدا کند. در آن نقطه سوالات بیشتری مورد نیاز نیست زیرا تصمیم قبول-رد قبلاً 95% دقیق بوده است با این فرض که مدل های روانسنجی زیربنایی سنجش انطباقی با آزمودنی و آزمون برازش داشته باشد. این رویکرد، رویکرد سنجش انطباقی مهارت نامیده می شود اما می توان آن را در انتخاب سوال غیر انطباقی و موقعیت های طبقه بندی دو یا بیش از 2 نمره برش نیز به کار برد. به طور کلی الگوریتم ها به گونه ای طراحی شده اند که دارای طول آزمون حداقلی یا حداکثری (یا زمان اجرای حداقلی یا حداکثری) باشند. در غیر این صورت ممکن است برای یک آزمودنی با توانایی بسیار نزدیک به نمره برش هر سوال در بانک سوال بدون این که الگوریتم تصمیم بگیرد، اجرا شود. الگوریتم انتخاب سوال مورد استفاده بستگی به ملاک پایانی دارد. به حداکثر رساندن اطلاعات در نمره برش برای SPRT مناسب تر است زیرا این رویکرد تفاوت در احتمال های مورد استفاده در نسبت درستنمایی است. به حداکثر رساندن اطلاعات در برآورد توانایی برای رویکرد فاصله اطمینان مناسب تر است زیرا خطای استاندارد شرطی اندازه گیری به حداقل می رساند. این کار پهنای فاصله اطمینان مورد نیاز برای طبقه بندی را کاهش می دهد.

منبع وب لاگ خانم مقدم: www.assessment.blogsky.com


برچسب‌ها: مولفه های سنجش انطباقی, Computerized Adaptive Testing, CAT
+ نوشته شده در  پنجشنبه 26 تیر1393ساعت   توسط محمد حسین ضرغامی  | 

تفاوت سنجش و اندازه گیری با روانسنجی

نوشته زیر مربوط به جناب خوشگویان فرد است که به صورت نظر درج کرده بودند. نظر ایشان در مورد تفاوت بین سنجش و اندازه گیری و روانسنجی جالب توجه است.

تصور می‌کنم باید بین «سنجش و اندازه گیری» و «روانسنجی» تفاوت قائل شویم. اولی را می‌توان شاخه‌ای از آمار کاربردی قلمداد کرد چه با نگاه کلاسیک به اندازه‌گیری نگاه کنیم و چه با نگاه پاسخِ سؤال. مفاهیمی نظیر اعتبار (reliability) و روایی (validity) تنها به اندازه‌گیری صفات روانی اختصاص ندارند بلکه در شاخه‌های دیگر دانش نظیر جامعه‌شناسی یا مهندسی که دست به اندازه‌گیری می‌زنند، مطرح هستند. مدل‌سازی پاسخ‌های سؤالات یک ابزار نظیر پرسشنامه نیز تنها به روان‌شناسی اختصاص ندارد بلکه حداقل در جامعه‌شناسی نیز کاربرد دارد. در هر دو نوع نگاهِ کلاسیک و پاسخِ پرسش، بحث برآوردیابی به طور گسترده‌ای مطرح است؛ گاهی در قالب برآورد ضریب اعتبار یا ضریب روایی و گاهی در قالب برآورد پارامترهای سؤال یا توانایی در یک مدل مربوط به نظریه پاسخِ پرسش. 
روانسنجی، حوزه کاربردی شده سنجش و اندازه‌گیری است که درباره آزمون‌سازی و بررسی شایستگی آزمون در اندازه‌گیری صفات روانی مرتبط با آن آزمون بحث می‌کند. 
به اعتقاد من، رشته سنجش و اندازه‌گیری می‌توانست بسیار پیشرفت کند اگر در گروه آمار به جای دانشکده‌های روانشناسی و علوم تربیتی ارائه می‌شد. البته در اغلب دانشگاه‌های خارج از ایران نیز این رشته در دانشکده‌های روانشناسی و علوم تربیتی جای دارد با این تفاوت که هم دانشجویان از ورزیدگی بیشتری در آمار برخورداند هم اساتید در آمار زبده‌تر هستند. متأسفانه تسلط نداشتن اساتید سنجش و اندازه‌گیری بر آمار نظری مانع از ارئه کامل و دقیق مفاهیم مرتبط می‌شود!


برچسب‌ها: تفاوت سنجش و اندازه گیری با روانسنجی
+ نوشته شده در  دوشنبه 16 تیر1393ساعت   توسط محمد حسین ضرغامی  | 

مقایسه ی روش های سنتی و مرسوم در ایران در سنجش سازه های انسانی با روش های مدرن سنجش

بسمه تعالی

محمد حسین ضرغامی(Zar100@gmail.com، 09122263167)

روش سنتی سنجش

  1. تهیه ی سوال توسط طراحان سوال.
  2. تنظیم سوالات و انتخاب آنها برای آزمون (کلی و مرحله ای).
  3. نمره گذاری (سوالات هم وزن).

هزینه ها

  1. هزینه ی طراحی سوالات در هر مرحله.
  2. هزینه ی انتخاب سوالات در هر مرحله.

محدودیت ها

  1. انتخاب سوالات بدون معیار و ملاک علمی (فقدان روش های تحلیل سوال).
  2. تکرار سوالات با قدرت یکسان.
  3. فقدان شناسنامه برای سوالات.
  4. عدم توانایی در ارزیابی  طراحان سوال و ارائه ی پیشنهاد سازنده به آنها.
  5. اجرای آزمون یکسان برای تمام دانش آموزان.
  6. ناممکن بودن شناسایی توانایی واقعی دانش آموزان.
  7. عدم توانایی در تهیه ی آزمون های همتراز.
  8. اجرای آزمون به صورت یکسان برای تمام دانش آموزان در تمام نقاط کشور.
  9. فقدان توانایی در انطباقی شدن آزمون ها (مبتنی بر توانایی افراد به آنها سوال ارائه شود).
  10. فقدان توانایی پیش بینی نمره ی نهایی دانش آموز و فقدان توانایی در پاسخدهی دانش آموز به یک سوال مشخص.

سنجش مبتنی بر پارامتری شدن سوالات و تهیه ی بانک سوال

  1. تهیه ی سوالات توسط طراحان
  2. تحلیل سوالات و پارامتری کردن آنها و انجام آزمایشات شبیه سازی شده.
  3. انتخاب سوال بر اساس نتایج بدست آمده از گام دوم
  4. نمره گذاری (با در نظر گرفتن اهمیت سوالات)

هزینه ها

  1. هزینه ی طراحی سوالات
  2. هزینه ی تحلیل سوالات و پارامتری کردن آنها.

محدودیت ها

  1. ناشناخته بودن روش و فقدان تاریخچه ی مناسب در ایران.
  2. نیاز به تخصص در پارامتری کردن سوالات و بررسی کردن مفروضات.

مزایا

  1. تشکیل پرونده برای تک تک سوالات (تحلیل سوال).
  2. برآورد میزان قابلیت حدس زدن هر سوال.
  3. انتخاب آگاهانه ی سوالات.
  4. تعیین جایگاه سوالات جدید در کنار سایر سوالات موجود در بانک سوال.
  5. تهیه ی فرم های همتراز.
  6. امکان استفاده از روش های سنجش انطباق کامپیوتری.
  7. برآورد توانایی حقیقی دانش آموزان.
  8. قدرت پیش بینی نمره ی دانش آموز و امکان برآورد احتمال پاسخگویی به هر سوال.
  9. انتخاب و اجرای آزمون ها نیازمند افراد با تجربه ی بالا نیست.
  10. دامنه ی وسیع تری از محتوی آزمون ها را می توان سنجید.
  11. امنیت آزمون ها افزایش می یابد.
  12. برای طبقه بندی دانش آموزان می تواند استفاده شود (به دلیل توانایی تعریف نقطه ی برش).
  13. میزان آگاهی آزمون برای هر فرد می تواند محاسبه شود.
  14. مطالعه ی روند پیشرفت دانش آموزان در سنجش های متوالی و ارائه ی توصیه های لازم به آنها در هر مرحله.
  15. پاسخ به بسیاری از سوالات از طریق روش های شبیه سازی قبل از اجرای آزمون.
  16. قابلیت یکپارچه کردن سامانه ی سنجش دانش آموزان با سامانه های موازی.

 


برچسب‌ها: سنجش سنتی سازه های انسانی, مدرن
+ نوشته شده در  پنجشنبه 15 خرداد1393ساعت   توسط محمد حسین ضرغامی  | 

ویژگی نامتغییر در مدل های رگرسیونی

نامتغییر بودن جنبه ی معروف مدل رگرسیون خطی است. خط پیش بینی در مدل رگرسیون خطی با اتصال میانگن های y برای مقادیر مختلف x حاصل می شود. در این حال اگر خط رگرسیون برقرار باشد برای هر دامنه ی X نیز خط رگرسیون برقرار است. یعنی در جوامع فرعی و زیر جامعه ها نیز خط رگرسیون ثبات دارد. منظور از ثبات خط رگرسیون نیز به ثبات شیب و خط رگرسیون بر می گردد. شیب خط به ویژگی های جوامع فرعی ربطی ندارد و تغییر ناپذیر است اما ضریب همبستگی وابسته به ویژگی های جوامع فرعی است. البته در این مورد نمونه ی ناهگن مورد نیاز است. مدل های سوال پاسخ مدل های رگرسیونی غیر خطی اند، بنابراین مسایل مطرح شده در مورد آنها نیز صادق است. 


برچسب‌ها: رگرسیون, نامتغیر بودن
+ نوشته شده در  پنجشنبه 15 خرداد1393ساعت   توسط محمد حسین ضرغامی  | 

آمار توصیفی و استنباطی در یک نگاه کلی

روش ها و تکنیک های مختلف آماری به پژوهشگر امکان می دهند تا با کاووش در داده ها به دانش مورد نیاز دست یابد. علم آمار با بهره گیری از قضایای منطقی و اصول موضوعه ی صحیح در مورد یک دسته از داده ها بر اساس فرض هایی که توسط پژوهشگر تدوین می شود، با در نظر گرفتن مقدار خطا به تلخیص داده ها می پردازد و به پژوهشگر در تصمیم گیری های خود یاری می رساند. زمانی که تکنیک ها و فنون آماری به منظور توصیف و تشریح داده های مشاهده شده، بکار گرفته می شود با وظیفه ای از علم آمار که آمار توصیفی خوانده می شود. توصیف شرایط موجود و دیداری کردن نتایج علاوه بر این که می تواند در نتیجه گیری به پژوهشگر کمک کند تا ظرفیت ها و ضعف های خود را بشناسد، می تواند به ذهن های خلاق در فرضیه بندی های جدید ياري رساند. زمانی که پژوهشگر در نظر دارد نتایج بدست آمده از نمونه را به جامعه بسط دهد، بخشی از آمار درگیر این مهم است که آمار استنباطی خوانده می شود. بنابراین اهمیت هر کدام از انواع آمار در تحلیل داده ها و استنباط نتایج وابسته به اهداف پژوهشگر است و این دو مانند پلی عمل می کنند که دیتا را به دانش تبدیل می نمایند.


برچسب‌ها: آمار توصیفی و استنباطی
+ نوشته شده در  چهارشنبه 14 خرداد1393ساعت   توسط محمد حسین ضرغامی  | 

مدرج سازی مشاغل

مدرج سازی مشاغل 
در بیشتر موقعیت های عملی تصمیمات بر اساس کمیت هایی گرفته مي شود که نمی توان آنها را به طور مستقیم مشاهده نمود. این کمیت ها به متغیرهای مکنون مشهورند. هر مدلی که یک ساختار پنهان را به یک ساختار مشاهده شده مربوط کند، مدل متغییر مکنون نام دارد(برسبوم،). چون متغییرهای مکنون در حوزه های علمی مختلف مورد مطالعه می باشند، مدل های متغییر مکنون در حوزه های مختلف علوم کاربرد دارند. متغیرهای پنهان یا مکنون در روانشناسی توانایی، صفات و نگرش، در بازاریابی قدرت خرید، در زیست شناسی کیفیت زندگی یا زمینه ی یک بیماری خاص می باشند.
در آمار متغير مكنون متغيري است كه مستقيما مشاهده نمي شود اما بوسيله ي اعمال مدل هاي آماري و رياضي روي داده هاي مشاهده شده قابل استنباط مي باشند. البته شرايط ويژه اي براي مكنون بودن يك متغير وجود دارد كه در اين مقاله قصد پرداختن به آن نيست(رجوع به برسبوم، ). مدل هاي رياضي آماري كه هدف آنها توضيح متغيرهاي مشاهده شده از طريق متغيرهاي مكنون است به مدل هاي متغير مكنون رياضي آماري معروف اند(همان).
یکی از نیازمندی های شرکت ها و موسسات مختلف به منظور استخدام، گزینش، طبقه بندی، تنظیم سندهای مالی و سایر خدمات و فعالیت ها مبتنی است بر مشاغل و پست هایی که در آنها وجود دارد. به عنوان مثال به منظور شاخص بندی پرداخت حقوق باید ویژگی های مشاغل مشخص باشد. بیشتر اقدامات انجام شده در این راستا مبتنی بر چک لیست ها و مشاهدات افراد انجام می گیرد. با استفاده از مدل های چند بعدی سوال پاسخ می توان به مدرج سازی مشاغل مختلف بر اساس چند صفت مکنون پرداخت. از آنجا که این صفات به یکدیگر مربوط اند استفاده از مدل های تک بعدی نمی توانند کارایی داشته باشند. مدل های چند بعدی سوال پاسخ پژوهشگران را قادر می سازد تا بتوانند همزمان برای یک شغل مقادیر کمی مختلفی ارائه دهند.
تئوری سوال پاسخ چند بعدی (MIRT) نتیجه همگرایی نظریات روانشناسی، آموزش، ساخت آزمون، روانسنجی و آمار است. دو موضوع کلی زیر مجموعه تأثیر این نظریات در ایجاد نظریه سوال پاسخ چندبعدی است. اولین موضوع این است که همچنان که فهم ما از این حیطه ها افزایش پیدا می کند. این مطلب روشن تر می شود که مسائل پیچیده تر از آن چیزی هستند که ما در ابتدا فکر می کردیم. دومین موضوع این است که پیچیدگی می تواند توسط مدل ها و تئوری ها نشان داده شود ولی این تئوری و مدل ها که بسیار مورد استفاده قرار می گیرند ممکن است به صورت احتمالی اشتباه به اثبات برسند.
نظريه ي سوال پاسخ در پژوهش هاي تربيتي و روانشناسي به فراواني استفاده مي شود تا پاسخ شركت كنندگان در آزمون را مدل بندي كند تا سوالات را به صورت جداگانه و به صورت كلي آزمون كند. براي مشخص كردن رابطه ي تابعي بين سطوح مكنون صفات پاسخ دهندگان كه به طور معمول توانايي خوانده مي شود و در تحليل عاملي به آن عامل مي گويند، و سطح سوال. روش شناسي نظريه ي سوال پاسخ به منظور مدل بندي الگوي پاسخ فرد از طريق مشخص كردن اين كه چگونه صفات پنهان با ويژگي هاي سوال تعامل دارند استفاده مي شود. در نظريه ي سوال پاسخ سعي بر اين است كه ويژگي هاي افراد و ويژگي سوالات مستقل از يكديگر تحليل شوند و مطالعه گردند.
بنابراین مسئله در مدل های سوال پاسخ به دو موضوع اصلی مربوط می شود، یکی آزمودنی (مانند انسان، حیوان، شغل و یا گیاه) و دیگر آیتم (مانند سوال، ژن و یا یک تکلیف یا وظیفه ی کاری مشخص). درحوزه ی اندازه گیری آموزشی سوالات یک آزمون و افرادي كه به سوالات پاسخ مي دهند به ترتيب آيتم ها و آزمودني هاي مطالعه را تشكيل مي دهند. در زيست شناسي مولكولي و ژنتيك، ژن های موثر در یک بیماری و نمونه هاي زيستي، آيتم ها و آزمودني هاي مدل اند. در تحلیل شغل مشاغل به عنوان آزمودنی ها و ویژگی های مربوط به مشاغل به عنوان ایتم ها مطرح می شوند.
آزمودنی ها و آیتم های موجود در یک مطالعه پارامترهای خاص خود را دارند. بر اساس این پارامترها برای هر آیتم می توان تابع ویژه آن را ترسیم نمود به طوری که بر اساس آن احتمال ظهور و بروز صفت در آزمودنی های مختلف مشخص می شود. در اندازه گیری آموزشی تابع ویژه ی آیتم همان تابع ویژه ی سوال است که بر اساس آن احتمال پاسخ صحیح به یک سوال برای آزمودنی های مختلف با سطح توانایی متفاوت تعیین می شود. در مطالعات بازاریابی تابع ویژه ی آیتم سطح دانش فرد در مورد یک محصول خاص، احتمال خرید آن محصول خاص را مشخص می کند(). در زيست شناسي ملكولي و ژنتيك بر اساس تابع ویژه ی ژن می توان احتمال روشن شدن ژن را برای افراد با زمینه و استعداد متفاوت نشان دهد(). در تحلیل شغل احتمال موفقیت یک فرد در یک شغل می تواند برآورد گردد.
از آنجا که در حوزه ی مشاغل صفات زیربنایی -که شناخت آنها در موفقیت شغلی به منظور گزینش و یا اهداف دیگر، لازم و ضروری است – دخیل اند که نمی توان آنها را از یکدیگر متمایز ساخت، نیاز است از مدل های سوال پاسخی استفاده شود که قدرت مدرج سازی همزمان را برای فرد فراهم آورد.


برچسب‌ها: مدرج سازی مشاغل, نظریه ی چند بعد سوال پاسخ
+ نوشته شده در  چهارشنبه 14 خرداد1393ساعت   توسط محمد حسین ضرغامی  | 

روانشناسی ریاضیاتی

روانشناسی ریاضیاتی



 

 

 

 

روانشناسی ریاضیاتی رویکردی در پژوهش های روانشناسی است که به مدلسازی ریاضی ادراک، شناخت و فرآیند های خودکار می پردازد و قوانینی که شبیه قوانین حقوقی است ایجاد می کنند که ویژگی های محرک کمی پذیر را با رفتار کمی پذیر ارتباط می دهد. رویکرد ریاضی با هدف ایجاد فرضیاتی که دقیق تراند و بنابراین به اعتبارات تجربی قطعی منجر می شوند، ایجاد شده و گسترش یافته است. در این رویکرد، رفتار کمی پذیر اغلب در عمل از طریق تکالیف عملکردی تعیین می شوند. 

از آنجا که کمی کردن رفتار، پایه تلاش های روانشناسان ریاضی است، نظریه ی اندازه گیری موضوع مرکزی در روانشناسی ریاضیاتی است. از این رو روانشناسی ریاضیاتی بسیار به روانسنجی نزدیک است. با این وجود، تمرکز روانسنجان روی تفاوت های فردی یا ساختار جمعیت است - که بیشتر متغیرهای ایستا را در بر می گیرند- ولی در روانشناسی ریاضیاتی تمرکز روی مدل های فرآیندی ادراک، شناخت و فرآیندهای خودکار است که از فرد میانگین، استنباط می شود. علاوه بر این، در حالی که پژوهش های روانسنجی ساختارهای تصادفی وابسته را بین متغیرهایی که در جامعه مشاهده می شود، مطالعه می کند، روانشناسی ریاضیاتی اغلب به صورت اختصاصی و انحصاری روی مدل بندی داده هایی که از پارادایم های تجربی و آزمایشی بدست می آید تمرکز دارد و از این منظر خیلی شبیه روانشناسی تجربی/ روانشناسی شناختی/ سایکونومیک می باشد.
نظریه ی روانشناسی ریاضیاتی مانند علوم اعصاب محاسباتی و اقتصاد سنجی، اغلب از بهینه سازی های آماری به عنوان یک رویکرد راهنما استفاده می کند، و فرض می کند که ذهن انسان برای حل مشکلات و مسایل زندگی از روش های بهینه شده استفاده می کند. شمای مرکزی روانشناسی شناختی مانند ظرفیت پردازش های محدود و نا محدود، پردازش های موازی و سریالی و غیره، به همراه کاربرد آنها جزء تحلیل های جدی در روانشناسی ریاضیاتی محسوب می شوند.
روانشناسان ریاضیاتی در بسیاری از زمینه های روانشناسی مخصوصا در سایکو فیزیک، احساس و ادراک، حل مساله، تصمیم گیری، یادگیری، حافظه و زبان، روانشناسی بالینی، روانشناسی اجتماعی و روانشناسی موسیقی بسیار فعال می باشند.
مدل سازی ریاضی تاریخ طولانی در روانشناسی دارد که به قرن 19 و به کارهای ارنست وبر و گاستاو فخنر بر می گردد. این افراد جزء اولین افرادی هستند که تکنیک ریاضی را به صورت موفق در تکنیک های مربوط به معادله های عملکردی از فیزیک در فرآیندهای روانشناسی استفاده کرده اند. آنها رشته ی روانشناسی تجربی را به صورت کلی و سایکو فیزیک را به صورت اختصاصی بنیان گذاشتند.
مساله ی زمان ثبت فاصله ی بین ستارگان توسط منجمین در قرن 19 یکی از مسایل اصلی است که به عنوان نقطه ی اولیه ی سنجش انسانی مطرح می شود. بدون استفاده از ابزار پیشرفته برای تعیین این فاصله کاملا وابسته به افراد انسانی می باشد. منجمان متفاوت مقادیر متفاوتی از فاصله را یادداشت کردند. اولین مطالعه ی سیستماتیک توسط ستاره شناس آلمانی فردریش بسل است. وی معادلات فردی را از اندازه گیری های فردی ایجاد کرد. در همین زمان هرمان ون هلم هلتز زمان پاسخ را برای تعیین پاسخ بر اساس سرعت هدایت عصبی مشخص کردند.
روانشناسان هلندی دندرز و دانشجویش جاگر به ظرفیت زمان های واکنش در کمی سازی زمان مقدار زمان ابتدایی فعالیت های روانی پی بردند. دندرز گاه شماری ذهنی را ایجاد کرد تا به صورت علمی مولفه های فعالیت شناختی پیچیده را از طریق اندازه گیری زمان واکنش ساده استنباط نمایند.
اولین آزمایشگاه روانشناسی توسط ویلیام وونت تاسیس شد. وونت از ایده های دندرز در آزمایشگاه خود استفاده کرد. با این وجود به دلیل این که نتایج بدست آمده از آزمایشگاه وونت قابلیت تکرار بالا نداشتند، وونت روش درون نگری را بنیان نهاد. بعضی از مشکلات ناشی از تفاوت های فردی در سرعت پاسخی بود که در مساله منجمان نیز اشاره شده بود. با این وجود وونت علاقمند به مطالعه ی تغییرات و واریانس فردی نبود و تمرکز مطالعه اش را روی ذهن انسان در یک قالب کلی قرار داد. دانش آموز وونت مک کین کتل به تفاوت ها علاقه مند شده و در انگلستان روی این موضوع تمرکز کرد.
به دلیل شکست روش درون نگری وونت، رویکرد های مختلف تفکری ایجاد شد. آزمایشگاه وونت به صورت مستقیم روی تجارب آگاه انسانی تمرکز کرده بود که در ادامه کار وبر و فخنر بود که روی تنش حاصل از محرک کار کرده بودند. در بریتانیا تحت تاثیر رشد انسان شناسی که توسط فرانسیس گالتن ایجاد شده بود تفاوت های فردی بین افراد در متغیرهای روانشناختی در ادامه کارهای بسل مطالعه می شد. کتل به سرعت با استفاده از روش های گالتون و سازگار شدن با این روش ها روانسنجی را پایه گذاری کرد.
بنابراین همانطور که تاریخ قبل از قرن بیستم در روانشناسی نشان می دهد، نقش روانشناسان ریاضیاتی در علمی کردن این رشته غیر قابل انکار است. این حوزه از روانشناسی به عنوان یکی از حوزه های قدرتمند در روش شناسی علوم شناختی در دنیا مورد توجه است. متاسفانه در ایران نه تنها توجه خاصی به این روش شناسی نشده است، بلکه از دید متخصصان روانشناسی نیز مغفول مانده است.

 


برچسب‌ها: روانشناسی ریاضیاتی
+ نوشته شده در  چهارشنبه 14 خرداد1393ساعت   توسط محمد حسین ضرغامی  | 

مطالب قدیمی‌تر