استفاده از مدل های ریاضیاتی و محاسباتی در نظریه پردازی روانشناختی

ما سه راه برای ساخت نظریاتی داریم که بتوانیم از طریق آنها نحوه تعامل و ارتباط بین متغیرها را در پدیده های روانشناختی توضیح دهیم و دست به پیش بینی بزنیم: استفاده از زبان کلامی طبیعی، استفاده از مدل های فرمال ریاضیاتی و استفاده از مدل های محاسباتی. شهود انسان و استدلال کلامی محدودیت های فراوانی دارند. به عنوان مثال می توان به ده انتقاد اساسی که هیتزمن در سال 1991 فهرست کرده است اشاره کرد. یکی از این انتقادات فقدان توانایی تصور نحوه کارکردن سیستم های پویا است. مدل های فرمالی که در برگیرنده ی هم مدل های ریاضیاتی و هم مدل های محاسباتی است می توانند محدودیت های استدلال انسانی را برطرف نمایند.

ریاضیات یک علم کاملا تجربی است که شواهدی محکم و پایدار (اثبات) از آن حمایت می کند. ریاضیات به تنهایی یک علم کامل است و ویژگی علم دیگری محسوب نمی شود. مدل های ریاضیاتی می توانند به رفع خطاهای استدلال کلامی و منطقی که عموما در استدلال های کلامی موجودند کمک کنند.

پیچیدگی نظریه پردازی و داده ها اغلب نیازمند کمک گرفتن از کامپیوتر و زبان محاسباتی است. مدل های محاسباتی و ریاضیاتی می توانند به عنوان پیوستاری از فرآیند نظریه پردازی محسوب شوند. هر مدل محاسباتی بر مبنای یک مدل ریاضیاتی خاص است و تقریبا هر مدل ریاضیاتی می توانند به عنوان یک مدل محاسباتی به کار بسته شود. نظریات رواشناختی با توضیحات و شرح کلامی شروع می شود ولی می توانند از طریق مدل های ریاضیاتی فرمال شوند وبدنبال آن به زبان محاسباتی کد بندی شوند. از طریق آزمون مدل ها با داده های تجربی و بدست آوردن نتایج برازش مدل باخوردی به منظور اصلاح مدلها فراهم می شود و گزاره های کلامی طبیعی ابتدایی به شیوه ی بهتری فهم می شوند و تغییر می یابند.

 

 

بررسی اثر متغیر تعدیل کننده و متغیر میانجی

بین دو متغیر میانجی Mediator  و تعدیل کننده moderator اختلاف وجود دارد. متغیر تعدیل کننده که در آمار به عنوان متغیر همپراش covariate نیز شناخته می شود، در تمام تحلیل های مبتنی بر نرم افزار اس پی اس اس -مسلما نرم افزارهای بهتری به منظور جایگزینی آن وجود دارد- قابل ورود است. با وارد شدن این متغیر به تحلیل اثر آن از رابطه ی متغیر مستقل و وابسته حذف می شود. به عنوان مثال اگر بخواهیم اثر روش تدریس بر پیشرفت تحصیلی را بسنجیم، متغیر هوشبهر یک متغیر کورییت به شمار می رود که در صورت وجود داده برای آن، می توان رابطه را با برداشتن اثر ان تعدیل کرد. 

اما متغیر میانجی متغیری است که سبب ارتباط غیر مستقیم دو متغیر می شود. به عبارتی اگر متغیر الف روی ب اثر بگذارد و ب روی ج متغیر ب یک متغیر میانجی است. البته الزامی به فقدان رابطه ی مستقیم بین الف و ج نیست. برای تحلیل این متغیر لازم است. گام های مختلفی برداشته شود. بررسی مفروضات در برگیرنده ی متغیر میانجی، از طریق فرمان های مستقیم نرم افزارهای آماری قابل دستیابی نیست. 

ضرغامی

حداقل تفاوت مهم بالینی (Minimal clinically important difference)

حداقل تفاوت مهم بالینی حداقل تغییرات در نتایج treatment است که یک بیمار آن را مهم تلقی می کند. به عبارتی حکم تغییر در مدیریت بیمار را دارد. در حوزه های بالینی استفاده از مقادیر ارزش پی یا سطح معناداری چندان مورد علاقه درمانگران و متخصصین بالینی نیست. چه بسا معناداری های آماری از دید درمانگر یا  درمانجو مهم تلقی نشوند و علارغم فقدان معناداری آماری، تغییرات رخ داده شده معنادار تلقی شود. بنابراین معناداری بالینی نمی تواند از دید بالینی مهم تلقی شود. در سال های اخیر گزارش بیمار برای متخصصین بالینی مهم تلقی شده است. با وجودچنین چرخشی در حوزه ی تصمیم گیری های بالینی، هنوز مشکل نقطه ی برش گزارش شخصی بیمار پابرجاست. با توجه به این مسئله در سال 1989 روش هایی به منظور تعیین نقطه ی برش گزارش بیمار تدوین شده است. که به مجموعه ی این روش ها، روش های حداقل تفاوت مهم بالینی گفته می شود