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[12]. Mimo klinickou psychologii se můžeme setkat se síťovými modely např. pro teorii inteligence[13], attachmentu[14] či osobnostních rysů[15].

Kauzální analýza

Teorie síťových modelů je užívaná také ve statistických procedurách, konkrétně v kauzální analýze. Tato technika umožňuje odhadovat kauzalitu na základě observačních studií, bez nutnosti provádění randomizovaného kontrolovaného experimentu. Díky kauzálním modelům je tedy možné testovat i hypotézy, které by jinak z etických či praktických důvodů nemohly být testovány.

Kauzálnímu modelování se věnoval počítačový vědec a filosof Judea Pearl. Ten popisuje tři úrovně kauzálních modelů: asociace (pozorování), intervence (dělání) a kontrafaktualita (představování). Na úrovni asociací pozorujeme v proměnných vzorce, které můžeme vyjádřit jako korelace. Zde nemůžeme vyslovit žádný předpoklad ohledně kauzality v datech. Na úrovni intervence už predikujeme kauzální vztahy mezi proměnnými na základě experimentální intervence, případně na základě odhadu z observačních dat.

Nejvyšší úroveň je pak úroveň kontrafaktuality, kde zvažujeme a konstruujeme alternativní scénář, co by se s proměnnou stalo za jiných podmínek. Na této úrovni je tak možné pravděpodobnostně popsat možné chování objektů bez nutnosti provádět experimentální intervenci. Je zde vyjádřen vztah „Y by bylo y, když X by bylo x v situaci U = u“, tedy Yx(u) = y. Model, který dokáže popsat i kontrafaktuality, umožňuje přesné intervence s predikcí jejich dopadů a nejlépe tak vyjadřuje kauzální vztahy mezi proměnnými. Příkladem těchto modelů jsou fyzikální zákony, které popisují chování objektů za různých okolností (např. setrvačnost, která popisuje, že když na objekt nepůsobí síla, objekt nemění směr ani rychlost pohybu).[16][17]

Jako statistická technika pro testování a odhadování kauzálních modelů se užívá strukturní modelování (anglicky Structural equation modeling, SEM), konkrétně např. konfirmační faktorová analýza nebo pěšinková („path“) analýza.[17]

Adaptivní testování

Dalším trendem v psychometrii je adaptivní testování. Tento způsob testování umožňuje přizpůsobit test flexibilně výkonu konkrétního člověka tak, aby absolvoval jen ty položky, které umožní co nejpřesnější odhad jeho schopností. Testovaný člověk tak nemusí procházet všechny položky, z nichž určitá část by byla výrazně nad nebo pod jeho schopnosti. Díky tomu je test kratší, účastník není unaven příliš jednoduchými položkami ani stresován příliš obtížnými položkami. Test může být zastaven po dosažení délky testu, doby testu, stanovené přesnosti kritéria na odhad schopnosti (např. směrodatná chyba o velikosti 0.5) nebo na základě stanoveného klasifikačního kritéria (např. prošel/neprošel, když je konfidenční interval nad hranicí stanoveného cut-off skóru).

Adaptivní test na základě odpovědí opakovaně vypočítává predikce následujících odpovědí a přizpůsobuje tomu obtížnost položek. Tento způsob testování byl umožněn až v posledních letech díky rozvoji počítačové techniky, jelikož jsou potřeba rychlé výpočty v průběhu testování. Jedním z přístupů, na základě kterého tento typ testování funguje, je Item response theory (IRT), neboli teorie odpovědi na položku. Tento přístup je alternativou ke klasickému testovému přístupu. Liší se tím, že k testu přistupuje jako k souboru samostatně fungujících položek, o jejichž fungování můžeme získat informace jako např. informativnost jednotlivých položek či jejich obtížnost. Díky tomu pak adaptivní test může přizpůsobovat obtížnost položek aktuálnímu výkonu testovaného.

Metaanalýzy

V současnosti je v psychologii kladen důraz na vytváření a využívání metaanalýz. Jde o nejvyšší úroveň poznání v hierarchii evidence. Hlavním přínosem metaanalýzy je možnost dát dohromady větší množství jednotlivých studií týkajících se určitého tématu a kvantifikovat souhrnně jejich výsledky. Jednotlivé výsledky jsou statisticky syntetizovány do jednoho pomocí vypočítání váženého průměru velikostí účinku zahrnutých studií. Díky tomu je možné dospět k přesnějšímu odhadu skutečného efektu než z jednotlivých studií.

Při tvorbě metaanalýzy je nejprve definována výzkumná otázka, kterou chtějí výzkumníci analyzovat. Následuje proces vyhledávání a selekce studií, který by měl být v metaanalýze podrobně zaznamenán. K tomu se nejčastěji využívá PRISMA diagram, kam se zaznamenávají jednotlivé kroky a počet vyloučených a ponechaných studií v každém kroku, případně další podrobnosti. Zaznamenávají se také klíčová slova a databáze, kde byly studie vyhledávány. Zároveň je důležité stanovit si a popsat výběrová kritéria, podle kterých budou studie do metaanalýzy zahrnuty (např. minimální počet participantů, věk, použité metody atd.), aby byla zajištěna kvalita a také určitá srovnatelnost studií. Vybrané studie se pak dále kódují podle velikostí účinku a standardní chyby, případně je možné kódovat i další informace a analyzovat také podskupiny studií.

Ve výsledcích metaanalýzy pak většinou nalezneme forest plot, což je graf znázorňující velikosti efektu jednotlivých studií a celkovou průměrnou velikost efektu s konfidenčními intervaly. Metaanalýza totiž pracuje také se standardní chybou jednotlivých studií a zohledňuje tak i jejich různou přesnost. Studie by se měly nacházet normálně rozdělené kolem skutečné hodnoty. To je možné zobrazit v tzv. funnel plotu, na základě kterého je možné posoudit případné zkreslení (studie s vyšší přesností by se měly nacházet blíže k průměrné velikosti účinku).

Výčet údajů, které je potřeba v metaanalýze pro transparentnost uvést, je popsán v PRISMA (Preferred Reporting Items for Systematic reviews and Meta-Analyses) modelu. Tento model obsahující 27 otázek a čtyřstupňový diagram výzkumníci vytvořili pro zvýšení kvality reportování metaanalýz a review (Liberati et al., 2009).

Výsledky metaanalýzy mohou být ale také zkreslené. Jedním z hlavních důvodů je publikační zkreslení, kdy jsou publikovány pouze studie, které dospěly k nějakému signifikantnímu výsledku. Do metaanalýzy se pak často nedostanou studie, které daný efekt nepotvrdily, a výsledek tak nadhodnocuje skutečnou hodnotu. Existují metody, jak toto zkreslení identifikovat (např. Cochrane Risk of Bias Tool) a také korekční metody (např. p-curve, p-uniform). Více o těchto metodách je možné nalézt v citovaných článcích (Carter et al., 2019; Page et al., 2018). Dalším problémem může být přílišná různorodost studií. Pokud studie nejsou srovnatelné (např. v designu, věku participantů a dalších důležitých proměnných pro danou oblast), tak neodhadujeme jeden efekt, ale spíše distribuci efektů související s těmito faktory. Je proto důležité stanovit si kritéria výběru studií a zajistit homogenitu v důležitých proměnných. Zkreslující může být také výběr studií, jelikož výzkumníci mají u metaanalýzy velkou flexibilitu v tom, jaké studie do ní zařadí. Nakonec pokud vycházíme z více metaanalýz, je potřeba se podívat, zda není velký překryv mezi jejich zařazenými studiemi. Pokud by bylo vysoké procento studií společné, nemohli bychom s těmito metaanalýzami pracovat jako s nezávislými důkazy o výsledném efektu.


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
  12. Rhemtulla, M., Fried, E. I., Aggen, S. H., Tuerlinckx, F., Kendler, K. S., & Borsboom, D. (2016). Network analysis of substance abuse and dependence symptoms. Drug and Alcohol Dependence 161, 230–237. doi: 10.1016/j.drugalcdep.2016.02.005
  13. Van der Maas, H. L. J., Dolan, C., Grasman, R. P. P. P., Wicherts, J. M., Huizenga, H. M., & Raijmakers, M. E. J. (2006). A dynamical model of general intelligence: The positive manifold of intelligence by mutualism. Psychological Review 113(4), 842–861. https://doi.org/10.1037/0033-295X.113.4.842
  14. Hermans, A., Muhammad, S., Treur, J. (2021). An Adaptive Network Model of Attachment Theory. In: Paszynski, M., Kranzlmüller, D., Krzhizhanovskaya, V. V., Dongarra, J. J., Sloot, P. M. (eds) Computational Science – ICCS 2021. ICCS 2021. Lecture Notes in Computer Science, Springer 12744. https://doi.org/10.1007/978-3-030-77967-2_39
  15. Cramer, A. O. J., van der Sluis, S., Noordhof, A., Wichers, M., Geschwind, N., Aggen, S. H., Kendler, K. S., & Borsboom, D. (2012). Dimensions of normal personality as networks in search of equilibrium: You can't like parties if you don't like people. European Journal of Personality 26(4), 414–31. https://doi.org/10.1002/per.1866
  16. Pearl, J. (2019). Causal and Counterfactual Inference. In M. Knauff, & W. Spohn (Eds.), The Handbook of Rationality, Section 7.1, pp. 427–438, The MIT Press. https://ftp.cs.ucla.edu/pub/stat_ser/r485.pdf
  17. 17,0 17,1 Pearl, J. (2009). Causal inference in statistics: An overview. Statistics Survey 3, 96–146. DOI: 10.1214/09-SS057

Další doporučená literatura

Zdroje obrázků

Externí odkazy

Odkazy na související články

Klíčová slova

psychometrie, psychologická metodologie, síťové modely