Současné trendy v psychologické metodologii

Síťové modely

Síťové modely jsou v současnosti významnou a rozvíjející se metodou psychometrie. Představují alternativu ke klasickým latentním modelům, ve kterých se na základě různých metod estimace vytvářejí hypotézy o existenci latentních proměnných stojících za vztahy mezi manifestními proměnnými (např. pozorovatelné chování nebo položky v testu). Cílem latentních modelů je redukovat manifestní proměnné na menší množství latentních proměnných, které se odvozují a odhadují ze vztahů mezi nimi. Způsoby modelování vztahů mezi psychologickými rysy a pozorovatelnými proměnnými pak můžeme rozdělit na reflektivní a formativní. Reflektivní modely předpokládají existenci latentní proměnné, která je příčinou pozorovatelných proměnných (např. neuroticismus způsobuje obavy, že se stane něco špatného). Formativní model považuje daný latentní rys za výsledný společný efekt proměnných, které tak jsou jednotlivými aspekty daného latentního rysu (např. obavy, že se stane něco špatného utvářejí neuroticismus).[1]

Na rozdíl od tohoto přístupu není předmětem síťových modelů nalézt a pojmenovat latentní proměnné. Manifestní proměnné jsou místo toho považovány za samostatné kauzální jednotky síťového systému, které jsou přímo propojené. V rámci síťových modelů jsou tedy zkoumány vzájemné interakce přímo mezi těmito pozorovatelnými proměnnými a důležitost jednotlivých proměnných pro vysvětlení zkoumaného psychického rysu.[1]

V klasickém modelu bychom mohli například za symptomy únavy, nespavosti, zvýšených obav a potíží se soustředěním hledat depresi jako latentní proměnnou. V síťovém modelu však zůstáváme u těchto manifestních proměnných, které se společně mohou vyskytovat a vzájemně ovlivňovat bez ohledu na existenci nějaké konkrétní latentní proměnné. Vzniká zde kauzální řetězec symptomů, kdy např. nespavost způsobuje únavu, ta vede k potížím se soustředěním vedoucím ke zvýšeným obavám, což vede opět k nespavosti.[1] Jiným příkladem může být situace z pracovní psychologie, kdy zjistíme, že příčinou zamýšleného odchodu pracovníků je nedůvěra ve vedení, která snížila pracovní morálku týmu. Bylo by tedy možné odchod pracovníků předvídat na základě zjišťování jejich postojů vůči vedení, což by představovalo latentní proměnnou. Bylo by ale také možné predikovat odchod pracovníků na základě morálky týmu, kdy postoj k vedení a odchod pracovníků mohou vystupovat jako navzájem nezávislé proměnné.[2]

V síťových modelech jsou manifestní proměnné označovány jako uzly („nodes“) a vztahy mezi nimi jsou označovány jako hrany („edges“). Nejčastěji jsou přitom užívány „undirected network models“, kde není vyjádřen směr kauzality vztahu mezi proměnnými, jelikož je předpoklad, že se proměnné mohou ovlivňovat navzájem obousměrně. Graficky síla spojnic mezi uzly znázorňuje sílu vztahu mezi proměnnými. Některé proměnné přitom mají vzájemně silnější asociace než jiné, takže vytvářejí clustery, ve kterých je větší pravděpodobnost společné aktivace. Například nespavost má silnou asociaci s únavou, ale slabší asociaci s pocity viny, které jsou pravděpodobně mediovány např. problémem se soustředěním. Pokud je tedy aktivován symptom nespavosti, velmi pravděpodobně bude také přítomen symptom únavy, ale již s menší pravděpodobností pocity viny.[3]

Síťové modely se uplatňují v aktuálně se rozvíjejícím přístupu k psychopatologii a klasifikaci psychiatrických diagnóz a ve vysvětlení výskytu komorbidit.[4] Symptomy z hlediska tohoto přístupu nejsou považovány pouze za pasivní indikátory určité latentní nemoci, ale jsou to primární jednotky, které tvoří síť a přímo souvisí s dalšími symptomy, s nimiž se vzájemně ovlivňují a udržují. Zároveň může být síť symptomů aktivována také vnějším činitelem (např. ztráta partnera aktivuje depresivní náladu). Některé symptomy jsou společné více onemocněním a fungují jako tzv. „bridge symptoms“, což znamená, že mohou aktivovat sítě dalších symptomů a tedy vést k současnému výskytu dalšího onemocnění.[5] Přestože dané symptomy mají nejsilnější asociace se svou vlastní sítí symptomů, dochází zde ke strukturálnímu překryvu některých nemocí a tedy ke vzniku komorbidit. Klasifikace diagnózy pak v rámci síťových modelů představuje označení daného systému symptomů, nikoli latentní proměnnou, která způsobuje dané symptomy nebo je jejich výsledkem. Diagnóza je popisem určité specifické sítě symptomů, které mají silné spoje a vzájemně se udržují v aktivaci i dlouhou dobu po odeznění spouštěče.[3] Jsou vytvářeny také síťové modely samotných klasifikací nemocí a diagnostických manuálů.[6]

Duševní zdraví je pak možné z hlediska síťových modelů popsat jako stav rovnováhy, do které se systém vrací, pokud je narušen. Duševní nemoc je z tohoto hlediska stabilní stav silně propojené sítě symptomů, které se vzájemně udržují v aktivaci. Resilience je pak dispozice slabě propojených sítí rychle se vracet do stabilního stavu mentálního zdraví, kdežto vulnerabilita je dispozice silně propojených sítí udržovat se ve stavu aktivace po zapůsobení spouštěče. Klinik v rámci diagnostiky a léčby zjišťuje, jaké symptomy jsou aktivovány a jakými interakcemi v síti symptomů se udržují, což je částečně již přirozeně obsaženo v klasifikaci DSM-5. V rámci intervencí je pak možné ovlivnit jeden nebo více symptomů, odstranit jeden nebo více spouštěčů, nebo změnit strukturu sítě symptomů a jejich spojů.[3]

Praktické aplikace síťových modelů v klinické psychologii můžeme kromě modelu komorbidity nalézt např. v modelu deprese[7], úzkostné poruchy[8], PTSD[9], autismu[10], psychotických poruch[11] či látkových závislostí,

Externí nepublikované zdroje

Ke zpracování článku byly uplatněny také poznámky z přednášek doc. PhDr. MUDr. Mgr. Radvana Bahbouha, Ph.D., získané v rámci kurzu Psychologie osobnosti vyučovaného na Katedře psychologie (KPS) FF UK. Dále byla použita prezentace z přednášek Daniela Hellera dle Vladimíra Kebzy z kurzu Psychologie osobnosti vyučovaného v předchozích letech na Katedře psychologie FF UK.

Odkazy

Reference

  1. 1,0 1,1 1,2 Schmittmann, V. D., Cramer, A. O. J., Waldorp, L. J., Epskamp, S., Kievit, R. A., & Borsboom, D. (2013). Deconstructing the construct: A network perspective on psychological phenomena. New Ideas in Psychology, 31(1). doi:10.1016/j.newideapsych.2011.02.007
  2. Predictive Psychometrics (n.d.). Network psychometrics. https://predictivepsychometrics.com/network-psychometrics/?fbclid=IwAR08j8YwUYbaHvN3KqluXDt5XYH93vTIUkyNnl08aoc02od2z9lrpCPPriU
  3. 3,0 3,1 3,2 Borsboom, D. (2017). A network theory of mental disorders. World of Psychiatry 16(1), 5–13. doi: 10.1002/wps.20375
  4. Borsboom, D., Cramer, A. O. J., Schmittmann, V. D., Epskamp, S., & Waldorp, L. J. (2011). The small world of psychopathology. PLoS One 6(11), e27407. https://doi.org/10.1371/journal.pone.0027407
  5. Cramer, A. O. J., Waldorp, L. J., Van der Maas, H. L. J., & Borsboom, D. (2010). Comorbidity: A network perspective. Behavioral and BrainSciences 33, 137–193. doi: 10.1017/S0140525X09991567
  6. Goekoop, R., & Goekoop, J. G. (2014). A network view on psychiatric disorders: Network clusters of symptoms as elementary syndromes of psychopathology. PLoS One 9(11), e112734. https://doi.org/10.1371/journal.pone.0112734
  7. Fried, E. I., Epskamp, S., Nesse, R. M., Tuerlinckx, F., & Borsboom, D. (2016). What are ‘good’ depression symptoms? Comparing the centrality of DSM and non-DSM symptoms of depression in a network analysis. Journal of Affective Disorders 189, 314–320. DOI: 10.1016/j.jad.2015.09.005
  8. Heeren, A., & McNally, R. J. (2016). An integrative network approach to Social Anxiety Disorder: the complex dynamic interplay among attentional bias for threat, attentional control, and symptoms. Journal of Anxiety Disorders 42, 95–104. DOI: 10.1016/j.janxdis.2016.06.009
  9. McNally, R. J., Robinaugh, D. J., Wu, G. W. Y., Wang, L., Deserno, M. K., & Borsboom, D. (2014). Mental disorders as causal systems: A network approach to Posttraumatic Stress Disorder. Clinical Psychological Science 3(6), 836–49. https://doi.org/10.1177/2167702614553230
  10. Ruzzano, L., Borsboom, D., & Geurts, H. M. (2014). Repetitive behaviors in autism and obsessive-compulsive disorder: New perspectives from a network analysis. Journal of Autism and Developmental Disorders 45, 192–202. DOI: 10.1007/s10803-014-2204-9
  11. Bak, M., Drukker, M., Hasmi, L., & van Os, J. (2016). An n=1 clinical network analysis of symptoms and treatment in psychosis. PLoS One 11(10), e0165762. https://doi.org/10.1371/journal.pone.0162811

Další doporučená literatura

Zdroje obrázků

Externí odkazy

Odkazy na související články

Klíčová slova

psychometrie, psychologická metodologie, síťové modely