Skupina A
Skupina B
• Typ prom nné
• Velikost vzorku (20)
• Test normality
• F test
• t test
• Cohenovo d
• Konfiden ní interval
• Analýza síly testu
Skupina A
• Typ prom nné
• Velikost vzorku (20)
• Test normality
• F test
• t test
• Cohenovo d
• Konfiden ní interval
Skupina B
• Analýza síly testu
t-test pro dva nezávislé výb ry
Fischer v F-test pro dva nezávislé výb ry
Data are contaminated by random variability despite researchers’ efforts
to minimize extraneous influences on the data. Because of “noise” in the
data, we rely on statistical methods of probabilistic inference to
interpret the data.
Statistika nám pomáhá odhalovat zákonitosti v našem stochastickém
sv . Umož uje nám odfiltrovat i alespo kvantifikovat vliv náhody na
naše experimentální data.
p value: in NHST, the p value is the probability
of obtaining the observed value of a sample
statistic (such as t, F, x2) or a more extreme
value if the data were generated from a nullhypothesis population and sampled according to
the intention of the experimenter, where the
intention could be to stop at a prespecified
sample size or after a pre-specified sampling
duration, or to check after every 10 observations
and stop either when significance is achieved or
at the end of the week, whichever is sooner.
In NHST, after collecting data, a researcher
computes the value of a summary statistic such
as t or F or x2, and then determines the
probability that so extreme a value could have
been obtained by chance alone from a
population with no effect if the experiment were
repeated many times. If the probability of
obtaining the observed value is small (e.g. p <
0.05), then the null hypothesis is rejected and
the result is deemed significant.
p value: in NHST, the p value is the probability of obtaining the observed value of a sample statistic (such as t, F, x2) or a
more extreme value if the data were generated from a null-hypothesis population and sampled according to the intention
of the experimenter, where the intention could be to stop at a prespecified sample size or after a pre-specified sampling
duration, or to check after every 10 observations and stop either when significance is achieved or at the end of the week,
whichever is sooner.
In NHST, after collecting data, a researcher computes the value of a summary statistic such as t or F or x2, and then
determines the probability that so extreme a value could have been obtained by chance alone from a population with no
effect if the experiment were repeated many times. If the probability of obtaining the observed value is small (e.g. p <
0.05), then the null hypothesis is rejected and the result is deemed significant.
The Logic of Hypothesis Testing
Logic of standard inferential statistics:
Hypothesize a population, i.e., p(Data|Hyp).
Repeatedly sample from the population.
For each sample, compute the statistic of
interest (e.g. 2, t, F, etc.).
Determine the sampling distribution and
critical values of the sample statistic.
Compare with actual sample‘s statistic
The Logic of Hypothesis Testing
Population
Hypothesis:
A description of the
probabilities of the
values in the
unobservable
population.
Simulated Repeated
Random Sampling:
For each sample, compute
the value of the statistic of
interest.
Sampling
Distribution:
The predicted
probabilities of
the various values
of the sample
statistic.
Logic of rejection: Probabilistic Modus Tollens.
Hypothesis implies prediction. Disconfirm prediction. Therefore
disconfirm hypothesis.
In NHST, the p value is the probability of obtaining the observed value of a sample statistic (here t) or a more extreme
value if the data were generated from a null-hypothesis population and sampled according to the intention of the
experimenter, where the intention could be to stop at a pre-specified sample size or after a pre-specified sampling
duration, or to check after every 10 observations and stop either when significance is achieved or at the end of the
week, whichever is sooner.
In NHST, after collecting data, a researcher computes the value of a summary statistic such (here t), and then
determines the probability that so extreme a value could have been obtained by chance alone from a population with
no effect if the experiment were repeated many times. If the probability of obtaining the observed value is small (e.g.
p < 0.05), then the null hypothesis is rejected and the result is deemed significant.
Statistická inference je aplikovaná
teorie pravd podobnosti
In NHST, the p value is the probability of obtaining the observed value of a sample statistic (here t) or a more extreme
value if the data were generated from a null-hypothesis population and sampled according to the intention of the
experimenter, where the intention could be to stop at a pre-specified sample size or after a pre-specified sampling
duration, or to check after every 10 observations and stop either when significance is achieved or at the end of the
week, whichever is sooner.
In NHST, after collecting data, a researcher computes the value of a summary statistic such (here t), and then
determines the probability that so extreme a value could have been obtained by chance alone from a population with
no effect if the experiment were repeated many times. If the probability of obtaining the observed value is small (e.g.
p < 0.05), then the null hypothesis is rejected and the result is deemed significant.
Fischer v F-test pro dva nezávislé výb ry
Pro Excel
Fischer v F-test pro dva nezávislé výb ry
íklad
p hodnota = (pravd podobnost tzv. chyby 1. druhu = pravd podobnost, že daný
vztah/rozdíl… v populaci ve skute nosti neexistuje a je pouze dílem
náhody/výb rové chyby = chyba nadm rné d
ivosti = Othellova chyba).
p hodnota = P (Data|H0)
t-test pro dva nezávislé výb ry
Pro Excel
Párový test je tzv. siln jší – existuje u n j
nižší riziko tzv. chyby druhého druhu
(Hamletovy chyby), resp. vyšší
pravd podobnost, že se poda í správn
zamítnout nulovou hypotézu (nap . p i dané
velikosti vzorku a p i dané síle efektu v 80 %
ípad …) – díky menší variabilit dat
zp sobené náhodnými faktory.
Když je to možné, používám párový test.
• Exaktní testy
• Randomiza ní testy
- Permuta ní testy
- Monte Carlo testy
• Statistické testy
- Parametrické testy
- Neparametrické testy
Viz také plánování výzkumu (Jak velký
vzorek použít p i p edpokládané síle efektu,
aby pravd podobnost zamítnutí nulové
hypotézy byla minimáln 80%?)
t-test pro dva nezávislé výb ry
íklad
p hodnota = (pravd podobnost tzv. chyby 1. druhu = pravd podobnost, že daný
vztah/rozdíl… v populaci ve skute nosti neexistuje a je pouze dílem
náhody/výb rové chyby = chyba nadm rné d
ivosti = Othellova chyba).
p hodnota = P (Data|H0)
Síla efektu
Zákon malých ísel – vysoká pravd podobnost extrémn
vysokých nebo nízkých hodnot (testové statistiky) v malých
vzorcích, která je dána ist jenom vlivem náhody
(výb rové chyby)…
… a s tím spojená tendence nadm rn p ipisovat kauzální
iny náhodným událostem.
A study of the incidence of kidney cancer in the 3,141 counties of
the United States reveals a remarkable pattern. The counties in
which the incidence of kidney cancer is lowest are mostly rural,
sparsely populated, and located in traditionally Republican states in
the Midwest, the South, and the West. What do you make of this?
“It is both easy and tempting to infer that their low cancer rates are
directly due to the clean living of the rural lifestyle—no air
pollution, no water pollution, access to fresh food without
additives.” This makes perfect sense.
Now consider the counties in which the incidence of kidney cancer is
highest. These ailing counties tend to be mostly rural, sparsely
populated, and located in traditionally Republican states in the
Midwest, the South, and the West.
“It is easy to infer that their high cancer rates might be directly due
to the poverty of the rural lifestyle—no access to good medical care,
a high-fat diet, and too much alcohol, too much tobacco.”
Something is wrong, of course.
The rural lifestyle cannot explain both very high and very low
incidence of kidney cancer.
It is that rural counties have small populations. And the main lesson to be
learned is not about epidemiology, it is about the difficult relationship
between our mind and statistics. We automatically and effortlessly identifies
causal connections between events, sometimes even when the connection is
spurious. When told about the high-incidence counties, you immediately
assumed that these counties are different from other counties for a reason,
that there must be a cause that explains this difference. However, our minds
are inept when faced with “merely statistical” facts, which change the
probability of outcomes but do not cause them to happen.
We started from a fact that calls for a cause: the incidence of kidney cancer
varies widely across counties and the differences are systematic. But the
explanation is statistical: extreme outcomes (both high and low) are more
likely to be found in small than in large samples. This explanation is not
causal. The small population of a county neither causes nor prevents cancer;
it merely allows the incidence of cancer to be much higher (or much lower)
than it is in the larger population. The deeper truth is that there is nothing to
explain. The incidence of cancer is not truly lower or higher than normal in a
county with a small population, it just appears to be so in a particular year
because of an accident of sampling.
If we repeat the analysis next year, we will observe the same general pattern
of extreme results in the small samples, but the counties where cancer was
common last year will not necessarily have a high incidence this year. If this
is the case, the differences between dense and rural counties do not really
count as facts: they are what scientists call artifacts, observations that are
produced entirely by some aspect of the method of research—in this case, by
differences in sample size.
We cannot simply decide about effectiveness of treatment on
the basis of one individual’s experiences, for they might be
mistaking the placebo effect for a real effect, or mistaking a
chance finding for a real one. Even if we had one genuine,
unambiguous and astonishing case of a person getting better
from terminal cancer, we’d still be careful about using that one
person’s experience, because sometimes, entirely by chance,
miracles really do happen. Sometimes, but not very often.
Over the course of many years, a team of Australian oncologists
followed 2,337 terminal cancer patients in palliative care. They
died, on average, after five months. But around 1 per cent of
them were still alive after five years.
Amazing things simply happen sometimes: people can survive,
despite all the odds, for no apparent reason. As the researchers
made clear in their own description, claims for miracle cures
should be treated with caution, because ‘miracles’ occur
routinely, in 1 per cent of cases by their definition, and without
any specific intervention.
Zázraky se n kdy d jí, jsou pouze velmi nepravd podobné. P i velkém
po tu lidí je ale velká šance, se n komu takový zázrak stane.
Tale of two baseball sluggers, Roger Maris and Mickey Mantle, a tale that bears a
lesson for all of us, even those who wouldn’t know a baseball from a Ping-Pong
ball. The year was 1961. I was barely of reading age, but I still recall the faces of
Maris and his more popular New York Yankees teammate, Mantle, on the cover of
Life magazine. The two baseball players were engaged in a historic race to tie or
break Babe Ruth’s beloved 1927 record of 60 home runs in one year. Those were
idealistic times when my teacher would say things like “we need more heroes like
Babe Ruth,” or “we never had a crooked president.” Because the legend of Babe
Ruth was sacred, anyone who might challenge it had better be worthy. Mantle, a
courageous perennial slugger who fought on despite bad knees, was the fans’—and
the press’s—overwhelming favorite. A good-looking, good-natured fellow, Mantle
came across as the kind of all-American boy everyone hoped would set records.
Maris, on the other hand, was a gruff, private fellow, an underdog who had never
hit more than 39 home runs in a year, much less anywhere near 60. He was seen as
a nasty sort, someone who didn’t give interviews and didn’t like kids. They all
rooted for Mantle. I liked Maris. As it turned out, Mantle’s knees got the best of
him, and he made it to only 54 home runs. Maris broke Ruth’s record with 61. Over
his career, Babe Ruth had hit 50 or more home runs in a season four times and
twelve times had hit more than anyone else in the league. Maris never again hit 50
or even 40 and never again led the league. That overall performance fed the
resentment. As the years went by, Maris was criticized relentlessly by fans,
sportswriters, and sometimes other players. Their verdict: he had crumbled under
the pressure of being a champion. Said one famous baseball old-timer, “Maris had
no right to break Ruth’s record.” That may have been true, but not for the reason
the old-timer thought…
When we look at extraordinary accomplishments in sports—or elsewhere—
we should keep in mind that extraordinary events can happen without
extraordinary causes. Random events often look like nonrandom events,
and in interpreting human affairs we must take care not to confuse the
two.
Our predilection for causal thinking exposes us to serious mistakes in evaluating the randomness of truly random events. For an
example, take the sex of six babies born in sequence at a hospital. The sequence of boys and girls is obviously random; the
events are independent of each other, and the number of boys and girls who were born in the hospital in the last few hours has
no effect whatsoever on the sex of the next baby. Now consider three possible sequences – see figures above. Are the
sequences equally likely? The intuitive answer—“of course not!”—is false. Because the events are independent and because
the outcomes B and G are (approximately) equally likely, then any possible sequence of six births is as likely as any other. Even
now that you know this conclusion is true, it remains counterintuitive, because only the third sequence appears random. As
expected, BGBBGB is judged much more likely than the other two sequences. We are pattern seekers, believers in a coherent
world, in which regularities (such as a sequence of six girls) appear not by accident but as a result of mechanical causality or of
someone’s intention. We do not expect to see regularity produced by a random process, and when we detect what appears to
be a rule, we quickly reject the idea that the process is truly random. Random processes produce many sequences that
convince people that the process is not random after all. You can see why assuming causality could have had evolutionary
advantages. It is part of the general vigilance that we have inherited from ancestors. We are automatically on the lookout for the
possibility that the environment has changed. Lions may appear on the plain at random times, but it would be safer to notice
and respond to an apparent increase in the rate of appearance of prides of lions, even if it is actually due to the fluctuations of a
random process.
Amos and his students Tom Gilovich and Robert Vallone
caused a stir with their study of misperceptions of
randomness in basketball. The “fact” that players occasionally
acquire a hot hand is generally accepted by players,
coaches, and fans. The inference is irresistible: a player sinks
three or four baskets in a row and you cannot help forming
the causal judgment that this player is now hot, with a
temporarily increased propensity to score. Players on both
teams adapt to this judgment—teammates are more likely to
pass to the hot scorer and the defense is more likely to
doubleteam.
Analysis of thousands of sequences of shots led to a
disappointing conclusion: there is no such thing as a hot hand
in professional basketball, either in shooting from the field or
scoring from the foul line. Of course, some players are more
accurate than others, but the sequence of successes and
missed shots satisfies all tests of randomness.
The hot hand is entirely in the eye of the beholders, who are
consistently too quick to perceive order and causality in
randomness. The hot hand is a massive and widespread
cognitive illusion.
The tendency to see patterns in randomness is
overwhelming and the the illusion of pattern
affects our lives in many ways off the basketball
court.
How many good years should you wait before
concluding that an investment adviser is
unusually skilled?
How many successful acquisitions should be
needed for a board of directors to believe that
the CEO has extraordinary flair for such deals?
The simple answer to these questions is that if
you follow your intuition, you will more often than
not err by misclassifying a random event as
systematic. We are far too willing to reject the
belief that much of what we see in life is random.
Professional investors, including fund managers, fail a basic test of
skill: persistent achievement.
The diagnostic for the existence of any skill is the consistency of
individual differences in achievement. The logic is simple: if individual
differences in any one year are due entirely to luck, the ranking of
investors and funds will vary erratically and the year-to-year
correlation will be zero. Where there is skill, however, the rankings
will be more stable. The persistence of individual differences is the
measure by which we confirm the existence of skill among golfers,
car salespeople, orthodontists, or speedy toll collectors on the
turnpike.
„Recepty na úsp ch“
Mutual funds are run by highly experienced and hardworking
professionals who buy and sell stocks to achieve the best possible
results for their clients. Nevertheless, the evidence from more than
fifty years of research is conclusive: for a large majority of fund
managers, the selection of stocks is more like rolling dice than like
playing poker. Typically at least two out of every three mutual funds
underperform the overall market in any given year. More important,
the year-to-year correlation between the outcomes of mutual funds is
very small, barely higher than zero. The successful funds in any
given year are mostly lucky; they have a good roll of the dice. There
is general agreement among researchers that nearly all stock
pickers, whether they know it or not—and few of them do—are
playing a game of chance. The subjective experience of traders is
that they are making sensible educated guesses in a situation of
great uncertainty. In highly efficient markets, however, educated
guesses are no more accurate than blind guesses.
Stock Picking
A spreadsheet summarizing the investment outcomes of some twenty-five anonymous
wealth advisers, for each of eight consecutive years. Each adviser’s score for each
year was his (most of them were men) main determinant of his year-end bonus. It was
a simple matter to rank the advisers by their performance in each year and to
determine whether there were persistent differences in skill among them and whether
the same advisers consistently achieved better returns for their clients year after year.
To answer the question, I computed correlation coefficients between the rankings in
each pair of years: year 1 with year 2, year 1 with year 3, and so on up through year 7
with year 8. That yielded 28 correlation coefficients, one for each pair of years. I knew
the theory and was prepared to find weak evidence of persistence of skill. Still, I was
surprised to find that the average of the 28 correlations was .01. In other words, zero.
The consistent correlations that would indicate differences in skill were not to be found.
The results resembled what you would expect from a dice-rolling contest, not a game
of skill.
No one in the firm seemed to be aware of the nature of the game that its stock pickers
were playing. The advisers themselves felt they were competent professionals doing a
serious job, and their superiors agreed.
The most potent psychological cause of the illusion is certainly that the people who
pick stocks are exercising high-level skills. They consult economic data and forecasts,
they examine income statements and balance sheets, they evaluate the quality of top
management, and they assess the competition. All this is serious work that requires
extensive training, and the people who do it have the immediate (and valid) experience
of using these skills. Unfortunately, skill in evaluating the business prospects of a firm
is not sufficient for successful stock trading, where the key question is whether the
information about the firm is already incorporated in the price of its stock. Traders
apparently lack the skill to answer this crucial question, but they appear to be ignorant
of their ignorance.
• “Yes, the studio has had three successful
films since the new CEO took over. But it is
too early to declare he has a hot hand.”
• “I won’t believe that the new trader is a
genius before consulting a statistician who
could estimate the likelihood of his streak
being a chance event.”
• “The sample of observations is too small
to make any inferences. Let’s not follow the
law of small numbers.”
• “I plan to keep the results of the
experiment secret until we have a
sufficiently large sample. Otherwise we will
face pressure to reach a conclusion
prematurely.”
Sv t je více náhodný než si dokážeme p edstavit (a p ipustit).
People HABITUALLY UNDERESTIMATE THE
EFFECTS of randomness.
In any complex string of events in which
each event unfolds with some element of
uncertainty/randomness, there is a
fundamental asymmetry between past and
future.
That fundamental asymmetry is why in
day-to-day life the past often seems
obvious even when we could not have
predicted it – Myšlenku, že budoucnost je
nep edvídatelná, dennodenn podkopává
snadnost, s jakou si vysv tlujeme minulost
Šachy
Brown v pohyb molekul
All events on pictures are probabilistic
processes whose future is difficult to
predict but whose past is easy to
understand (viz také hindsight bias,a
outcome bias a narrative fallacy).
Útok na Pearl Harbor
edpov
po así
Regrese k pr
Statisticky podmín ná (vlastnostmi normálního rozd lení daná) tendence výsledk ur itého
ení blížit se p i jeho opakování pr
ru/normálním hodnotám.
•
TEST
Otázka
•
ru
KLÍ
Zakroužkujte
svou odpov
Otázka
PRAVD PODOBNÁ DISTRIBUCE SKÓR
Správné
odpov di
Testový skór
Pravd podobnost
0
0,001
1.
0,010
1.
Ano - Ne
1.
Ano
2.
Ano - Ne
2.
Ano
2.
0,044
3.
Ano – Ne
3.
Ne
3.
0,117
4.
Ano – Ne
4.
Ne
4.
0,205
5.
Ano – Ne
5.
Ano
5.
0,246
6.
Ano – Ne
6.
Ne
6.
0,205
7.
Ano – Ne
7.
Ne
7.
0,117
8.
Ano – Ne
8.
Ano
8.
0,044
9.
Ano – Ne
9.
Ano
9.
0,010
10.
Ano - Ne
10.
Ne
10.
0,001
Po administraci testu (jehož výsledek je dán istou náhodou) vyberte osobu, která dosáhla
nejvyššího/nejnižšího skóru, a nechte ji test znovu vyplnit. Nejpravd podobn jším (nikoli
jistým) výsledkem bude to, že daná osoba dosáhne nižšího/vyššího skóru (který bude blíže
pr
rnému skóru) než p i svém prvním pokusu
Regrese k pr
ru
PRAVD PODOBNÁ DISTRIBUCE SKÓR
Testový skór
Pravd podobnost
0
0,001
1.
0,010
2.
0,044
3.
0,117
4.
0,205
5.
0,246
6.
0,205
7.
0,117
8.
0,044
9.
0,010
10.
0,001
•
S opakovaným testováním se extrémní skóry stávají
mén pravd podobnými: 2/2 (0,044*0,044) je tém
tkrát mén pravd podobný výsledek dvou
administrací testu než 2/4 (0,044*0,205); máme tém
95% pravd podobnost, že p i druhém pokusu bude náš
skór vyšší než 2 (1 - 0,044 - 0,010 - 0,001 = 0,945)
•
Tento efekt lze pozorovat rovn ž u t ch test , u
kterých hrají roli také znalosti a nejen náhoda – to je
dáno tím, že žádný test není 100% reliabilní, tzn. že p i
vypl ování jakéhokoli testu vždy hraje ur itou roli
náhoda (v tší nebo menší - podle kvality testu)
•
Standardní chyba m ení (sm rodatná odchylka
testových skór * druhá odmocnina z (1- reliabilita
testu)) nám dává dobrou p edstavu o mí e variability
našich výsledk p i opakovaném testování dané ist
vlivem náhodných faktor
•
ím dále od pr
ru (tj. ím extrémn jší testový
skór), tím v tší tlak na regresi k pr
ru (s výjimkou
naprosto reliabilních testových výsledk )
Pochválit nebo pokárat?
Mnozí si myslí, že když zam stnance/žáka pochválí, jeho výkon
klesne, protože usne na vav ínech. Když jej pokárají, jeho výkon se
zlepší, protože dostane strach.
V praxi to sice ob as tak m že vypadat, ale
vod je jiný. V tšinou
ijde pochvala nebo pokárání v bod nejv tšího úsp chu nebo
neúsp chu. Výkon se sníží nebo zvýší, protože z pravd podobnostního
hlediska p irozen osciluje v ase.
Daniel Kahneman
Prokletí asopisu Sports Illustrated
Whenever a sportsman appears on the cover
of Sports Illustrated, goes the story, he is soon
to fall from grace. But to get on the cover of
the magazine you have to be at the absolute
top of your game, one of the best sportsmen
in the world; and to be the best in that week,
you’re probably also having an unusual run of
luck. Luck, or ‘noise’, generally passes, it
‘regresses to the mean’ by itself, as happens
with throws of a die. If you fail to understand
that, you start looking for another cause for
that regression, and you find … the Sports
Illustrated jinx.
Ale m to vždy pomohlo…
‘Regression to the mean’ is basically another phrase for the
phenomenon whereby, as alternative therapists like to say, all things
have a natural cycle. Let’s say you have back pain. It comes and goes.
You have good days and bad days, good weeks and bad weeks. When
it’s at its very worst, it’s going to get better, because that’s the way
things are with your back pain. Similarly, many illnesses have what is
called a ‘natural history’: they are bad, and then they get better.
Let’s say you have a cold. It’s going to get better after a few days, but
at the moment you feel miserable. It’s quite natural that when your
symptoms are at their very worst, you will do things to try to get
better. You might take a homeopathic remedy. You might sacrifice a
goat and dangle its entrails around your neck. You might bully your GP
into giving you antibiotics. Then, when you get better— as you surely
will from a cold— you will naturally assume that whatever you did
when your symptoms were at their worst must be the reason for your
recovery. Post hoc ergo propter hoc, and all that. Every time you get a
cold from now on, you’ll be back at your GP, hassling her for
antibiotics, and she’ll be saying, ‘Look, I don’t think this is a very good
idea,’ but you’ll insist, because they worked last time, and community
antibiotic resistance will increase, and ultimately old ladies die of
MRSA because of this kind of irrationality, but that’s another story.
Síla efektu
Zákon malých ísel – vysoká
pravd podobnost extrémn
vysokých nebo nízkých
hodnot (testové statistiky) v
malých vzorcích, která je dána
ist jenom vlivem náhody
(výb rové chyby)
Cohenovo d
Cohenovo d u Studentova t-testu lze spo ítat jako rozdíl pr
ru cílové veli iny v pokusném
a kontrolním souboru vyd lený sm rodatnou odchylkou cílové veli iny ze všech dat.
Koeficient determinace
Koeficient determinace
Interval spolehlivosti
Interval spolehlivosti
Interval spolehlivosti
• Centrální limitní teorém
• Když náhodn vyberete více vzork ze
základního souboru, pr
ry t chto vzork
budou mít normální rozd lení (a to i v
ípad , že rozd lení znaku/veli iny v
základním souboru není normální).
• Pr
r t chto pr
se bude rovnat
pr
ru základního souboru. Pr
r
jednoho vzorku je dobrým odhadem tohoto
pr
ru pr
.
• Sm rodatná odchylka t chto pr
(tzv.
sm rodatná chyba) se rovná sm rodatné
odchylce vzorku vyd lené druhou
odmocninou velikosti tohoto vzorku.
Interval spolehlivosti
Když n jaký znak (veli ina) má rozd lení s pr
rem a
sm rodatnou odchylkou (tj. s rozptylem , pak výb rový pr
bude mít normální rozd lení s pr
rem a rozptylem
.
r
Když provedeme náhodný výb r o rozsahu n a spo teme výb rový
pr
r , pak jeho hodnota padne s pravd podobností 0,95 do
vzdálenosti menší než
od popula ního pr
ru . Tuto
vlastnost lze vyjád it i jinak: provedeme-li výb r o rozsahu n a
spo teme , pak popula ní pr
r leží s pravd podobností 0,95
ve vzdálenosti menší než
od , tj. interval s krajními
body
pokrývá popula ní pr
r s pravd podobností 0,95. Tento interval
se nazývá interval spolehlivosti pro pr
r. Hodnota z = 1,96 je
kritická hodnota standardizovaného rozd lení pro koeficient
spolehlivosti P = 0,95 (tj. hladinu významnosti
Interval spolehlivosti
Obrázek vlevo ukazuje k ivku rozd lení výb rového pr
ru se
st edem a sm rodatnou odchylkou
. Z populace se
známým pr
rem bylo na po íta i náhodn vygenerováno padesát
výb
o rozsahu n = 10 a pomocí vzorce
byly spo teny
a nakresleny intervaly spolehlivosti. Z padesáti interval pouze dva
nepokrývají popula ní pr
r , který je znázorn n vertikální árou
(tyto dva intervaly jsou na obrázku ozna eny šipkami). Teorie
edvídá, že 5 % takových interval nepokryje . Naše simulace je
tedy v dobrém souladu s teorií.
V praxi samoz ejm provedeme pouze jediný výb r o rozsahu n a
spo teme intervalový odhad parametru . Nevíme ovšem, zda náš
interval pokryje , nebo ne. Protože ale známe vlastnosti výb rového
rozd lení pr
ru, m žeme se zna nou spolehlivostí p edpokládat,
že jsme nedostali jeden z t ch neobvyklých interval ,
které nepokrývají. Proto také vypo tenému intervalu íkáme 95%
interval spolehlivosti pro .
Chceme-li jiný koeficient spolehlivosti, sta í prost nahradit íslo
1,96, které odpovídá 95% spolehlivosti, p íslušným kvantilem
standardizovaného normálního rozd lení, nap . 1,645 pro 90% i
2,576 pro 99% spolehlivost (viz tabulka)
• Using Sampling Distributions
Generally, we want to know the population mean.
How can we make a guess about what that mean actually is?
Collect a sample
The mean of that sample is an estimate of the
population mean
• The population mean
Where is the population mean likely to be?
You can construct an interval that is likely to contain the population mean.
This interval is called a confidence interval
You can build an interval that is as wide as the confidence you want to
have in it.
Confidence Interval Example
The pop-o-matic company says there microwave popcorn
leaves 15 kernels unpopped on average (they aren't sure
though). We KNOW that the standard deviation (sigma) of the
number of kernels that don't pop is 10 (i.e., we KNOW the
spread; we DON'T KNOW the mean for sure).
We observe 50, 40, 60, and 50 unpopped kernels.
What is x bar? 50
What is the standard deviation of the mean?
standard deviation of mean = 10/4(1/2)= 5
What is the 95% confidence interval?
z(95%)=1.96
margin = 1.96*5 = plus or minus 9.8
Are the pop-o-matic people wrong?
Null Hypotheses: kernels equals 15
Alternative Hypothesis: kernels not equal to 15
(15 - 50) / 5 = - 7
- 7 z-scores from the mean is about a zero chance.
More likely aliens will interrupt class.
How many days a year does it rain in Seattle? A local weather
person states that the average number of days is 50. Take
this as the null hypothesis. The alternative is that mu does not
equal 50. Sigma is 12.
Looking at data from the last nine years, the mean is 55 rainy
days per year. What is the 95% confidence interval for x bar?
What is the p-value for the null hypothesis? Do you reject the
null hypothesis with an alpha level of .05? Does the
hypothesized mu fall within the 95% confidence interval?
What z-score is associated with a 95% confidence interval or
.05 alpha level: z(95%) = 1.96
What is the standard deviation associated with the sample
mean: 12/sqrt(9) = 4
What is the 95% confidence interval: 55 plus or minus 4*1.96
= 7.84
How many z-scores apart is x-bar from the null hypothesis
mu: (50 - 55) / 4 = -1.25
Is the p-value more or less than the alpha level: more.
To be exact: plus or minus 1.25 is 79% of the normal
distribution, so the p-value is .21
• Mým úkolem je nau it nové skauty vázat uzly.
• Mám podez ení, že noví skauti nejsou p íliš byst í a že nau it je
vázat uzly bude docela náro né a že bych za to m l požadovat
jakou extra odm nu.
• Pomocí IQ testu si chci ov it, zda noví skauti pochází z obecné
populace (kde pr
rné IQ = 100).
• Je možné, aby pr
vzorkem bylo 100?
Skaut IQ
rné IQ populace reprezentované tímto
• pr
rné IQ vzorku = 91.75
• sm rodatná odchylka vzorku = 4.53
Karel
100
• pr
Honza
95
• sm rodatná odchylka pr
Petr
90
• v 68% p ípad se pr
91.75 1.60
Luboš
92
• v 95% p ípad se pr
r bude nacházet v rozmezí
91.75 (1.60 x 1,96); v 99%... 91.75 (1.60 x 2,58)
Marek
85
Filip
88
• pravd podobnost, že skauti pochází z populace s
pr
rným IQ skórem 100, je nižší než 1/100.000:
(100 - 91.75)/1.6 = 5.15
Lá a
93
Jarda
91
rné IQ populace = 91.75
(sm rodatná chyba) = 1.60
r bude nacházet v rozmezí
Interval spolehlivosti
V p ípad , že tuto hodnotu neznáme, viz info na následujícím slidu.
Interval spolehlivosti
Skupina A
Skupina B
• Typ prom nné
• Velikost vzorku (20)
• Test normality
• F test
• t test
• Cohenovo d
• Konfiden ní interval
• Analýza síly testu
Skupina A
• Typ prom nné
• Velikost vzorku (20)
• Test normality
• F test
• t test
• Cohenovo d
• Konfiden ní interval
Skupina B
• Analýza síly testu
• Sampling error
zohledn ní její velikosti p i odhadu skute né hodnoty testové statistiky
• Standardní chyba p i odhadu pr
ru (mean estimates)
• Standardní chyba pr
ru = Sm rodatná oddhylka/Druhá
odmocnina(Velikost vzorku)
• 1.96 = 95% interval spolehlivosti
• 2.58 = 99% interval spolehlivosti
• Standardní chyba p i odhadu pom ru (proportion estimates)
• Standardní chyba pom ru = Druhá odmocnina((Pom r*(1Pom r))/Velikost vzorku)
• 1.96 = 95% interval spolehlivosti
• 2.58 = 99% interval spolehlivosti
• Standardní chyba p i odhadu budoucího výkonu (future performance)
• Standardní chyba odhadu = Sm rodatná odchylka* Druhá
odmocnina(1- Korelace^2)
• 1.96 = 95% interval spolehlivosti
• 2.58 = 99% interval spolehlivosti
• Standardní chyba odhadu =
Sm rodatná odchylka* Druhá
odmocnina((1-r^2)*(Velikost vzorku1/Velikost vzorku-2))
RELIABILITA
• definuje p esnost/spolehlivost/konzistentnost m ení, tj.
schopnost dosáhnout stejného výsledku m ení v
ípad , že se stav pozorovaného p edm tu nezm nil
reliabilita = nízká prom nlivost výsledk v r zných
situacích a nevýznamný vliv náhodných faktor
íselné rozmezí reliability 0 – 1, ím vyšší hodnota, tím
vyšší reliabilita
• hrani ní hodnota dostate
vysoké reliability: 0,6 (u
osobnostních dotazník ), resp. 0,8 (u výkonových
test )
RELIABILITA
• Test-retestová reliabilita
• Mezi-položková reliabilita/vnit ní konzistence
(Cronbachova alfa)
• Shoda mezi alternativními formami jedné otázky
• Shoda posuzovatel (inter-rater reliability)
VALIDITA
• platnost výsledk – zda test skute
í to, co
it má
íselné rozmezí validity 0 – 1, ím vyšší hodnota,
tím vyšší platnost
• typy validity:
• Zjevná (face validity)
• Obsahová
• Kritériová (soub žná / prediktivní)
• Konstruktová (konvergentní / divergentní)
VZTAH VALIDITY A RELIABILITY
? M že být nereliabilní (nespolehlivý) test validní
(platný) ?
NE
? M že být nevalidní (neplatný) test reliabilní
(spolehlivý)?
ANO
Reliability and validity are
intertwined for the simple
reason that if there is a lot of
ERROR there can be little
TRUTH.
The maximum validity
coefficient cannot exceed
the square of the reliability,
thus if the reliability is r = .90
the MAXIMUM validity
coefficient can be r = .81; it
can be lower of course, but
never higher.
Reliabilita je podmínkou nutnou, nicmén neposta ující k dosažení validity.
• Standardní chyba m ení = Sm rodatná
odchylka* Druhá odmocnina(1- Reliabilita
ícího nástroje)
• 1.96 = 95% interval spolehlivosti
• 2.58 = 99% interval spolehlivosti
•
.: IQ skór; 100; 15; 0,94; 142
Otev enost
ke zkušenosti
Emo ní
stabilita
5-faktorový
model
osobnosti
Sv domitost
Extroverze
Vst ícnost
• V angli tin je tém 18 000 r zných slov
popisujících osobnost lov ka.
• 4000 z nich popisují relativn stabilní a
centrální rysy osobnosti.
• Je možné zredukovat t chto 4000 slov na
kolik málo slov zachycujících základní
dimenze psychologických rozdíl mezi
lidmi?
• Využití statistického nástroje faktorové
analýzy (matematické metody umož ující
vysv tlit velké množství pozorovatelných
prom nných menším po tem prom nných
skrytých, tj. p ímo nepozorovatelných).
Odhalení 5 skrytých prom nných – 5
základních dimenzí osobnosti, které jsou
zakódovány v p irozeném jazyce a které
jsou platné nap kulturami, generacemi
a vývojovými epochami.
Emo ní nestabilita (neuroticismus)
Emo
nestabilní jedinci se obtížn ji vyrovnávají s problémy
každodenního života. Lidé dosahující vysokého skóru v
neuroticismu se popisují jako psychicky nestabilní a jejich
psychická vyrovnanost je snadno narušitelná. Na rozdíl od
emocionáln
stabilních jedinc
uvád jí ast ji negativní
prožitky a obtíže p i jejich p ekonávání. Jsou asto plni obav,
snadno je lze p ivést do rozpak , cítí se zahanbeni, nejistí,
nervózní, úzkostní, intenzivn prožívají strach, obavy nebo
smutek. Jejich p edstavy nekorespondují s realitou, proto mají
omezenou možnost kontrolovat se a zvládat stresové situace.
Emo
stabilní osoby jsou klidné, vyrovnané, bezstarostné a
ani stresující situace je nevyvedou snadno z míry. Druzí je
kdy mohou považovat za necitlivé.
Jednotlivé aspekty emo ní stability: Úzkostnost, Hn vivost-hostilita,
Depresivnost, Rozpa itost, Impulzivnost, Zranitelnost
Extroverze
Extroverti jsou spole enští, hovorní, p átelští, sebejistí,
aktivní, energi tí, veselí a optimisti tí. Mají rádi druhé lidi a
spole nost lidí, jsou rádi sou ástí skupin a r zných
spole enských událostí, obvykle baví spole nost, mají rádi
vzrušení, stimulující prost edí, udržují si veselou mysl, jsou
motivováni spíše odm nou než trestem.
Introverti jsou spíše zdrženliví, chovají se nezávisle a
samostatn , rádi pracují nezávisle na druhých v tichém a
klidném prost edí bez nadm rné stimulace. Nejaktivn jší
jsou ráno a jsou motivováni spíše hrozbou trestu než vidinou
odm ny. O introvertech také nelze íci, že by byli
neš astnými nebo pesimistickými lidmi.
Jednotlivé aspekty extraverze: elost, Družnost, Asertivita, Aktivnost,
Vyhledávání vzrušení, Pozitivní emoce
Vst ícnost
Vst ícní lidí jsou altruisti tí, mají pro druhé pochopení a
porozum ní, projevují jim p íze , chovají se k nim laskav a
vlídn . Jsou vždy ochotni pomáhat a jsou p esv
eni, že
ostatní zase budou pomáhat jim. Mají sklon d
ovat druhým
lidem a dávají p ednost spolupráci. Okolí m že jejich
ivosti n kdy zneužívat.
Nevst ícní lidí jsou popisováni jako agresivní, egocentri tí a
mající tendenci znevažovat zám ry druhých lidí. Chovají se
kdy hrub a neomalen , zapomínají na takt a diplomacii, s
druhými spíše sout ží než spolupracují. P ív tiví lidé jsou
obecn oblíben jší. Schopnost bojovat za vlastní zájmy a jistá
míra skepse v i názor m druhým jsou však v mnoha situacích
pot ebné a užite né.
Jednotlivé aspekty vst ícnosti:
Skromnost, Jemnocit
ra, Up ímnost, Altruismus, Poddajnost,
Sv domitost
Sv domití lidé v této škále jsou popisováni jako metodi tí,
plánovití, cílev domí, ctižádostivý, pilní, vytrvalí, systemati tí, s
pevnou v lí, disciplinovaní, spolehliví, p esní a po ádní, s v lí k
výkonu. Pokud tyto vlastnosti p ekro í únosnou míru, projeví se
jako
ehnaná
po ádkumilovnost,
pedanti nost
nebo
workoholické chování. Nejlépe se cítí v strukturovaném a
edvídatelném prost edí, kde má vše své jasn dané místo
Nesv domití lidé se popisují jako nedisciplinovaní, nedbalí,
lhostejní, nestálí a jako napl ující své cíle s jen malým zaujetím.
Míra sv domitosti pozitivn koreluje se studijními a pracovními
výkony. Lidé mén sv domití nezastávají tak puritánské postoje a
hodnoty jako lidé skórující ve sv domitosti vysoko, více si užívají
života.
Jednotlivé aspekty sv domitosti: Zp sobilost, Po ádkumilovnost,
Zodpov dnost, Cílev domost, Disciplinovanost, Rozvážnost
Otev enost ke zkušenosti
Lidé otev ení ke zkušenosti se zajímají o nové zkušenosti, prožitky a
dojmy, mají bohatou fantazii, jsou vnímav jší k prožitk m pozitivních i
negativních emocí než uzav ení jedinci. Berou v úvahu nové myšlenky a
nekonven ní hodnoty. Popisují se jako v dychtivý, intelektuální, obda ení
fantazií, ochotní experimentovat a zkoušet nové v ci, zajímají se o um ní a
abstraktní témata. Jsou p ipraveni kriticky p eformulovat platné normy a
evzít nové sociální, etické a politické hodnoty. asto se chovají
nekonven
, zkoušejí nové zp soby jednání a dávají p ednost zm
,
snadno se za nou nudit..
Lidé mén otev ení ke zkušenosti mají sklon chovat se konven
a
zastávat konzervativní postoje a názory. Dávají p ednost známému a
osv
enému p ed novým a neznámým. Jejich emo ní reakce nejsou tak
intenzivní a jejich prožívání m že být utlumeno. Mívají ohrani ené zájmy,
kterým se nev nují s takovou intenzitou jako lidé otev ení. P ejímají názory
autorit. Realizují myšlenky druhých, postupují rad ji po malých a
postupných kr cích, vyhýbají se radikálním zm nám a drží se osv
ených
postup a daných pravidel. Existuje sklon spojovat vysoký skór v otev enosti
se zralou, dob e fungující a napln nou osobností. V život i ve spole nosti se
však dob e uplatní rovn ž lidé s nízkým skórem v této škále.
Jednotlivé aspekty otev enosti ke zkušenosti: Fantazie, Estetické prožívání, Prožívání ,
Novátorské innosti, Ideje, Hodnoty
Otev enost
ke zkušenosti
Emo ní
stabilita
5-faktorový
model
osobnosti
Sv domitost
Extroverze
Vst ícnost
Eysenck v dvoufaktorový model osobnosti
Hans J. Eysenck pozd ji koncipoval ješt jeden rys - psychoticismus vs. síla ega:
vysoký skór psychot.: egocentrismus, impulzivita, necitlivost v i druhým, obtížn vycházejí s druhými, d lají naschvály
genetická predispozice stát se psychotickým, více u muž
Cattel v 16-faktorový model osobnosti
Cloninger v psychobiologický sedmirozm rný
model osobnosti
•
•
•
•
Vyhledávání nového
Vyhýbání se poškození
Závislost na odm
Vytrvalost
• Sebe-zam ení
• Ochota spolupracovat
• P esah
TEMPERAMENTOVÉ
RYSY OSOBNOSTI
CHARAKTEROVÉ
RYSY OSOBNOSTI
Psychologové vytvo ili adu kvalitních dotazník m ících vlastnosti lov ka na
ti základních dimenzí osobnosti. Tyto dotazníky nanešt stí obsahují spousty
otázek a tak jejich vypln ní obvykle zabere hodn asu. Nicmén existují také
zjednodušené verze podobných dotazník , které sice neposkytnou tak p esný a
kvalitní výstup, ale dají lov ku alespo základní orientaci v tom, kde se v
jednotlivých dimenzích osobnosti p ibližn nachází.
Jedním takovým dotazníkem je TIPI (Ten Item Personality Inventory) od Samuela
D. Goslinga.
TIPI (Ten Item Personality Inventory)
TIPI (Ten Item Personality Inventory)
Ten-Item Personality Inventory-(TIPI) (Gosling, Renfro & Swann, 2003)*
Níže je uvedena ada osobnostních charakteristik, které Vás mohou nebo nemusí vystihovat. Napište vedle každého tvrzení íslo vyjad ující
míru, s níž s daným tvrzením souhlasíte nebo nesouhlasíte. M li byste hodnotit míru s jakou Vás vystihují ob osobnostní charakteristiky, a to i
tehdy, když Vás jedna z charakteristik bude vystihovat lépe. Použijte následující škálu k posouzení každé níže uvedené dvojice p ídavných
jmen.
1=V bec nesouhlasím
2=Spíše nesouhlasím
3=Mírn nesouhlasím
4=Ani souhlasím, ani nesouhlasím
5=Mírn souhlasím
6=Spíše souhlasím
7=Zcela souhlasím
1
2
3
4
5
6
7
8
9
10
ídavná jména
Extravertovaný, entuziastický.
Kritický, popudlivý.
Spolehlivý, cílev domý.
Úzkostný, snadno rozrušitelný.
Otev ený novým zkušenostem, sofistikovaný.
Rezervovaný, tichý.
Chápavý, v elý.
Nepo ádný, lehkomyslný.
Klidný, emo
vyrovnaný.
Tradicionalistický, netvo ivý.
Hodnocení
?
?
?
?
?
?
?
?
?
?
Asocianismus
• proud pam ových p edstav ve v domí není náhodný, ale sleduje ur ité
zákonitosti, které se Aristoteles a pozd jší asocianisté pokusili shrnout v
tzv. asocia ních zákonech (principech sdružování idejí):
a) zákon kontiguity (sty nosti v ase a prostoru),
b) zákon podobnosti
c) zákon etnosti
• Locke, Hume, Berkeley
• Rozpracování a precizace asocianismu v rámci behaviorismu a
konekcionismu
• První pokus o postulování mechanismu myšlení – „Aby se myšlení
myslelo samo.“
Priming
Banány
Zvracet
Priming
Po prezentaci t chto dvou slov se toho b hem jedné dvou vte in spousta
odehraje...
•
Vybaví se vám nep íjemné obrazy a vzpomínky
•
Vaše tvá se mírn zk iví ve výrazu znechucení
•
Mírn odvrátíte hlavu
•
Zvýší se vaše srde ní frekvence
•
Zježí se vám chloupky na rukou
•
Za nete se více potit
•
Budete prožívat p echodný odpor k banán m
•
Zm ní se stav vaší pam ti – budete p ipraveni lépe rozpoznávat vše, co
jak souvisí se zvracením nebo s banány (nemocný, nevolnost, žlutý,
ovoce…)
•
Budete mírn p ekvapení – tato dv slova se v tšinou nevyskytují pospolu
Všechny tyto reakce se odehrávají zcela automaticky, mimo vaší v domou
kontrolu…
Priming
•
V pozadí všech t chto reakcí je aktivace asociací (associative
activation)/asociativní pam (associative memory) – kaskádovité ší ení
aktivace ve zp tnovazebn propojené síti kognitivních, emo ních a
fyzických událostí, které tvo í koherentní a sebeposilující se vzorec
reakcí na prezentovaný podn t…
Obli ejová zp tná vazba
Obli ejová zp tná vazba
•
When people are sad, they cry. When they are happy, they
smile. When they agree, they nod their heads. Exactly the
same process works in reverse, even when people are not
aware of their facial expressions.
•
In the 1980s, psychologist Fritz Strack asked one group of
participants to hold a pencil between their teeth, but to
ensure that it did not touch their lips. Another group
supported the end of the pencil with just their lips, but
not their teeth.
•
Without realizing it, those in the ‘teeth only’ condition had
forced the lower part of their faces into a smile, whilst
those in the ‘lips only’ condition had made themselves
frown. Everyone then judged how funny they found Gary
Larson’s Far Side cartoons, and rate how happy they felt.
Participants tended to experience the emotion
associated with their expressions. Those who had their
faces forced into a smile felt happier, and found the Far
Side cartoons much funnier, than those who were forced
to frown.
•
Other work has demonstrated that this increase in
happiness does not drain away the moment people cease
smiling. It lingers, affecting many aspects of their
behavior, including interacting with others in a more
positive way, and being more likely to remember happy
life events (due to contextual nature of human
memory).
Whenever I feel afraid
I hold my head erect
And whistle a happy tune
So no one will suspect
I'm afraid.
While shivering in my shoes
I strike a careless pose
And whistle a happy tune
And no one ever knows
I'm afraid.
The result of this deception
Is very strange to tell
For when I fool the people
I fear I fool myself as well!
Make believe you're brave
And the trick will take you far.
You may be as brave
As you make believe you are
I whistle a happy tune
You may be as brave
And ev'ry single time
As you make believe you are
The happiness in the tune
Convinces me that I'm not afraid.
Snižuje úzkost a tím podporuje kreativitu
Podporuje tvrdohlavost, vytrvalost, trp livost, úpornost…
Priming
•
Obdoba asociace idejí a asocia ních zákon jak o nich hovo ili britští
empiristé (Locke, Hume…)
•
Sou asné pojetí asocia ní pam ti se však liší ve 4 klí ových bodech:
•
Ideje nyní zahrnují širší spektrum mentálních událostí – ty mohou
mít podobu nejen abstraktní idejí, ale také slov, emocí,
výslovnosti slov, gest, fyzických úkon …, vlastn ehokoli, co
že mozek reprezentovat; interpretace podn tu zahrnuje
rovn ž emo ní a fyziologickou reakci
myslíme nejen mozkem,
ale také t lem
•
Mezi idejemi existují zné typy spoj (p ina-d sledek, p edm t
a její vlastnosti, p íslušnost p edm tu do ur ité kategorie…)
•
Aktivace se ší í paraleln po n kolika spojích sou asn (vs.
sériová posloupnost idejí odvíjející se ve v domí lov ka)
•
Jen málokteré aktivované ideje se dostanou na úrove v domého
prožívání
Priming
Exposure to a stimulus influences response to a later stimulus. E.g., exposure to a word causes
immediate and measurable changes in the ease with wich many related words can be evoked. It happens,
for example, that if a person reads the word EAT, and is later asked to complete a word fragment SO_P,
the probability that she will answer SOUP is greater than that she will answer SOAP - EAT primes the idea
of SOUP. That person is primed also for a multitude of food related ideas, including fork, hungry, fat, diet
and cookie. All these ideas/words will be recognized faster than usual, e.g., when it is spoken in a
whisper or presented in a blurry font.
Positive priming is thought to be caused by spreading activation. This means that the first stimulus
activates parts of a particular representation or association in memory just before carrying out an action
or task. The representation is already partially activated (residual activation) when the second stimulus
is encountered, so less additional activation is needed for one to become activated (very short-lived
activation-based priming).
Weight-based priming, which can last a year or more (from a single exposure) is based on effects of slow
learning changes in cortex (small learning changes can tweak the network attractors to favor recent
experience).
Negative priming: after a person has ignored a stimulus, processing of that ignored stimulus shortly
afterwards is impaired
Negativní priming
In order to grasp a particular cup, one must inhibit the
internal representations of competing cups, and not
allow them to capture control of action.
Illustration of negative priming using Stroop color words.
Lists A and B show the Control and Ignored Repetition
conditions respectively.
• Priming se neomezuje pouze na pojmy
a slova, ale ovliv uje také chování lidí,
jak to dokládá známý experiment s tzv.
„Floridským efektem“ (John Bargh)
• Florida, forgetful, bald, gray, wrinkle
• „Floridský efekt“ zahrnuje dv fáze
primingu: v první fázi sada slov aktivuje
myšlenky na stá í a v druhé fázi tyto
myšlenky aktivují chování – pomalou
ch zi, která je se stá ím spojená (viz
také ideomotorický efekt – ovlivn ní
lesného pohybu myšlenkou)
• Vše se d je mimo v domí pokusných
osob
• Ideomotorický efekt funguje i opa
–
pomalá ch ze po dobu 5 minut aktivuje
pojmy/slova jako STARÝ i
ZAPOMN TLIVÝ, takže ta jsou potom
pokusnými osobami rychleji
rozpoznávána (viz také obli ejová
zp tná vazba)
vs.
Priming aktivující sociální stereotypy
Priming aktivující sociální stereotypy
46 %
60 %
Priming
Confirmation of Freudian insights about the role of symbols and metaphors in
unconscious associations…
People who were recently asked to think of an action of which they are ashamed
are more likely to complete ambiguous fragments W _ _ H and S _ _ P as WASH
and SOAP and less likely to see WISH and SOUP…
In another study people lying to an imaginary person on the phone preffered
mouthwash over soap…, and people lying in e-mail prefered soap to mouthwash
Priming
Changing contributions to the
„honesty box“ in office kitchen as
a function of displayed picture
(flower or eyes). On average, the
users of the kitchen contributed
almost three times as much in
„eyes weeks“ as they did in
„flowers weeks“. Evidently, a
purely symbolic reminder of being
watched prodded people into
improved behavior.
Priming
Priming
Více individualisti tí, nezávislejší,
vytrvalejší, mén ochotní si íci o pomoc,
více sobe tí, mén ochotní pomáhat
(sebrali mén tužek, když pomáhali
lov ku, kterému tužky upadly na zem),
mén ochotní záviset na druhých, více
nep átelští, dávající mén pen z na
charitu, sedící dál od ostatních…
Priming
Chladn jší, odtažit jší a mén sympati tí…
Priming
Více kompetitivní…
Priming jako výzkumný nástroj
• Priming p edstavuje pro experimentální psychology
jedine ný nástroj pro zkoumání lidské mysli
• Skute nost, že prezentace ur itého podn tu ovliv uje
následné rozpoznání jiného, ve zkoumané vlastnosti
podobného podn tu, poskytuje experimentálním
psycholog m pomyslné okno, kterým se mohou dívat na
to, s jakými informacemi mozek pracuje a jak jim
rozumí…
• Informace = rozdíl, který znamená rozdíl… (l vs. r v
japonštin = rozdíl, který neznamená rozdíl)
Priming jako výzkumný nástroj
•
i tení se náš mozek musí n jak vyrovnat s problémem tzv. invariantního
rozpoznávání slov (invariant word recognition), která se jinak liší svým
umíst ním, velikostí, fontem…
• Mozek tento problém eší postupným filtrováním a roz azováním vstupních
informací p es adu detektor do stále abstraktn jších kategorií, které
odhlíží od irelevantních vlastností a charakteristik t chto vstupních
informací…
• Takto nap . velice podobné tvary jako „eight“ a „sight“ jsou postupn p es
sérii detektor od sebe odlišeny a p ipojeny k ur ité konkrétní adrese v
mentálním slovníku – každému slovu je p id len abstraktní kód, který dokáže
specifické oblasti mozku navést k významu a výslovnosti daného slova
• Naopak odlišné tvary jako „eight“ a EIGHT“, které jsou zpo átku v primární
zrakové k e kódované odlišnými neurony, jsou postupn
ereprezentovávány do podoby, kdy už je není možné od sebe odlišit, díky
emuž mohou sdílet stejnou adresu v mentálním slovníku
Priming jako výzkumný nástroj
•
„Brain‘s letterbox area“ = oblast umíst ná hluboko v levé laterální okcipito-temporální
rýze vedle fusiformního závitu = centrum pro „zrakové obrazy slov“ umož ující visual
word form extraction (x Brocovo centrum pro „motorické“ a Wernickeho centrum pro
„sluchové“ obrazy slov)
The brain areas for language. Silent reading (top right) activates
processes of visual word recognition located in the rear part of left
hemisphere. Depending on the task, information is then
transmitted to regions coding for speech sounds (top left), speech
production (bottom left), or the manipulation of word meanings
(bottom right).
Regardless of where they appear on the retina, words are channeled
toward „the brain‘s letterbox“ in the left occipito-temporal cortex.
Priming jako výzkumný nástroj
•
„Brain‘s letterbox area“ = oblast umíst ná hluboko v levé laterální okcipito-temporální
rýze vedle fusiformního závitu = centrum pro „zrakové obrazy slov“ umož ující visual
word form extraction (x Brocovo centrum pro „motorické“ a Wernickeho centrum pro
„sluchové“ obrazy slov)
A patchwork of specialized visual detectors covers
the underside of the brain. Each cortical region
preferentially responds to a certain category of
objects. This preference pattern occurs in the same
order in all individuals, from houses to faces, words,
and then objects. Reading always activates an area
located between the peak responses to faces and to
objects.
Priming jako výzkumný nástroj
• Je otázkou, jak taková adresa v mentálním slovníku vypadá…
• Podle n kterých model se jedná o druh n jakého nep íliš strukturovaného
seznamu, který zachycuje posloupnost jednotlivých písmen (E-I-G-H-T)
• Podle jiných model má tato adresu podobu abstraktního a v zásad
arbitrárního kódu ( 1296 pro slovo „eight“ a 2809 pro slovo „sight“)
• Sou asný výzkum favorizuje hypotézu, že každé slovo je v mentálním
slovníku kódováno prost ednictvím hierarchického stromu, ve kterém se
jednotlivá písmena seskupují ve v tší jednotky a ty se pak dále seskupují ve
slabiky a v celá slova
Slova
kolik koexistujících
úrovní analýzy slov
(jednotlivá písmena,
dvojice písmen/bigramy,
grafémy, slabiky, morfémy,
celá slova)
Morfémy – nejmenší samostatné jednotky
nesoucí význam (prefixy, sufixy, ko eny)
Slabiky
Písmena
Grafémy – jednotky (nebo jejich kombinace)
kódující fonémy (nejmenší sou ásti zvukové
stránky
i, které mají v daném jazyce
rozlišovací funkci)
Priming jako výzkumný nástroj
• Zrakový systém analýzu psaného textu za íná na úrovni grafém – písmen
nebo ady písmen (tzv. zp ežek), která kódují fonémy (nejmenší sou ásti
zvukové stránky
i, které mají v daném jazyce rozlišovací funkci)
• Toto kódování p itom v ad jazyk (nap . v angli tin ) není nijak p ímo aré
– grafémy se totiž mohou skládat i z n kolika písmen
• Zrakový systém se tyto komplexní grafémy nau il pojímat jako samostatné
jednotky a zárove se nau il ignorovat jednotlivá písmena, která tyto
komplexní grafémy tvo í
• Experiment: Ozna te ta slova, která v sob obsahují písmeno „a“…: garage,
metal, people, coat, please, meat (u t í posledních slov mají lidí tendenci
zpomalit, protože tato slova sice obsahují písmeno „a“, to je ale sou ástí
komplexního grafému, který se jako „a“ nevyslovuje; kdybychom se p i
tomto úkolu spoléhali pouze na detektory písmen, parsing (dekódování) slov
na grafémy by nem lo mít na pln ní tohoto úkolu žádný vliv; zpomalení
reak ních as u t í posledních slov ale dokazuje, že náš mozek se p i
analýze psaného textu nezastavuje na úrovni jednotlivých písmen…
Priming jako výzkumný nástroj
• Grafémy jsou zrakovým systémem automaticky seskupovány do slabik
• Experiment: Uvidíte seznam slov, která se skládají z p ti písmen. N která z
písmen jsou napsána tu
, n která jsou v b žném fontu. Vaším úkolem je
ur it, zda je prost ední písmeno naspáno tu
, nebo v normálním fontu.
První seznam bývá pro lidi v tšinou obtížn jší, protože tu
napsaná
písmena nerespektují hranice jednotlivých slabik. Zrakový systém má
tendenci seskupovat písmena do slabik, což vytvá í konflikt se zadaným
úkolem a m iteln zpomaluje reak ní asy pokusných osob. A zrakový
systém tak iní i p esto, že je to z hlediska zadaného úkolu nevýhodné.
Priming jako výzkumný nástroj
• Zrakový systém velice rychle, automaticky a nev dom extrahuje ze slov
morfémy…
• Primingový experiment: Prezentace slova „departure“ aktivuje morfém
depart , a tak i usnad uje rozpoznání slova „depart“
• Tento efekt funguje bez ohledu na vizuální ne/podobnost slov: slova, která
vypadají odlišn , ale sdílí n jaký morfém („can“ a „could“), se mohou
navzájem primovat, naproti tomu slova, která si jsou vizuáln podobná, ale
žádný morfém nesdílí („aspire“ a „aspirin“), nikoli
• Aby tento efekt fungoval, není nutná ani podobnost slov na úrovni významu:
slova jako „depart“ a „department“ se mohou navzájem primovat, p estože
jsou si významov vzdálená
System 1/Fast
thinking
System 2/Slow
thinking
Intuitivní myšlení (Systém 1)
• Fungování intuitivního myšlení (System 1) m žeme vysv tlit
prost ednictvím…
• Expertní dovednosti/intuice získané na základ
dlouhodobé zkušenosti s danou problémovou doménou
• Heuristik obecného ú elu
•
•
•
•
heuristika reprezentativnosti,
heuristika plynulosti,
heuristika dostupnosti,
afektivní heuristika
i využití heuristiky lidé
zodpovídají otázku pomocí využití
odpov di na otázku jednodušší.
Tento proces se nazývá substituce
atribut , nebo cílový atribut,
kterého se úsudek týká, je
nahrazen heuristickým atributem,
jenž je s ním asociativn spjatý a
je v mysli snadn ji dostupný.
•
Je postava napravo, tak jak je na stránce vytišt na, v tší než postava
nalevo?
•
Automatická substituce 3D perspektivy za 2D, ke které dochází hluboko
v našem percep ním systému, vede k systematickému a
edvídatelnému zkreslení (postava napravo je vnímána jako v tší)
•
Obrázek obsahuje náznaky, které navrhují 3D interpretaci. Tyto náznaky
jsou však pro daný úkol irelevantní, p esto je nedokážeme ignorovat.
Spoléhání se na heuristiku zp sobuje p edvídatelné
(systematické) chyby a zkreslení v úsudku a rozhodování
Kahneman (2011)
Rozhodování
•
Heuristika (procesní) plynulosti
= využití míry snadnosti zpracování informací jako vodítka k u in ní rozhodnutí
•
Když jsou instrukce k n jakému úkolu napsány neznámým a h e itelným fontem, lidé mají potíže s jejich p e tením, a proto také mají tendenci
p ece ovat obtížnost úkolu (Song & Schwarz, 2008).
•
Lidé mají tendenci hodnotit potravinová aditiva s h e vyslovitelnými názvy
jako škodliv jší (Song & Schwarz, 2009).
•
Když je obtížné zhodnotit objektivní pravdivost n jakého tvrzení, lidé se asto
i utvá ení svého úsudku spoléhají na informaci o sociálním konsenzu,
vycházejíce p i tom p edpokladu, že to, o em je p esv
eno mnoho lidí, je
pravd podobn také pravdivé (Festinger, 1954; viz také koncept wisdom of
crowds). K ur ení toho, zda danou informaci již n kdy p edtím slyšeli, lidé
mohou hodnotit to, jak jim je tato informace pov domá, spoléhajíce se p i tom
na snadnost (fluenci), s níž tato informace m že být zpracována jako relevantní
vstup (nap . Weaver, Garcia, Schwarz, & Miller, 2007). Kdyby tomu tak bylo, ty
prom nné, které zvyšují snadnost zpracovávání informací (procesní fluenci), by
ly také zvyšovat vnímanou pravdivostní hodnotu zpracovávané informace. A
empirický výzkum ukazuje, že tomu tak skute
také je.
Rozhodování
•
Vyjmenujte 10 pozitivních vlastností této osoby.
•
Vyjmenujte 3 pozitivní vlastnosti této osoby.
•
Jak je Vám daná osoba sympatická?
The Test – Hogan Personality Inventory - Behind…
insights
Stabilita
Sebeprosazování
Sociabilita
Kooperativnost
Systemati nost
Zvídavost
enlivost
• reflects the degree to which a person appears confident, selfaccepting, and stable under pressure
• evaluates the degree to which a person seems socially selfconfident, leader-like, competitive, and energetic
• assesses the degree to which a person seems to need and/or enjoy
interacting with others
• reflects the degree to which a person is seen as perceptive, tactful,
and socially sensitive
• evaluates the degree to which a person seems conscientious,
conforming, and dependable
• reflects the degree to which a person is perceived as bright,
creative, and interested in intellectual matters
• reflects the degree to which a person seems to enjoy academic
activities and to value educational achievement for its own sake
N = 286
Iluze jedine nosti
Iluze jedine nosti
Iluze jedine nosti?
Nassim Nicholas Taleb‘s books,
including The Black Swan, suggest
that many efforts at prediction are
doomed to fail because of
randomness and the inherent
unpredictability of complex
events.
Taleb is no doubt correct that some
events are black swans that are
beyond prediction, but the fact is
that most human behavior is quite
regular and predictable.
Iluze jedine nosti – P edvídatelnost chování
PA’s building block is the predictor variable, a single value
measured for each individual. For example, recency, the
number of weeks since the last time an individual made a
purchase, committed a crime, or exhibited a medical
symptom, often reveals the chances he or she will do it again
in the near term. In many arenas, it makes sense to begin with
the most recently active people first, whether for marketing
contact, criminal investigation, or clinical assessment.
Similarly, frequency— the number of times the individual has
exhibited the behavior— is also a common, fruitful measure.
People who have done something a lot are more likely to do it
again. In fact, it is usually what individuals have done that
predicts what they will do. And so PA feeds on data that
extends past dry yet essential demographics like location and
gender to include behavioral predictors such as recency,
frequency, purchases, financial activity, and product usage
such as calls and web surfing. These behaviors are often the
most valuable— it’s always a behavior that we seek to predict,
and indeed behavior predicts behavior. As Jean-Paul Sartre
put it, “[ A man’s] true self is dictated by his actions.” PA
builds its power by combining dozens— or even hundreds—
of predictors. You give the machine everything you know
about each individual, and let ‘er rip. The core learning
technology to combine these elements is where the real
scientific magic takes place.
Stabilita
High score:
•
•
•
Handles pressure well
Even tempered/calm
Handles change well
•
•
•
May ignore advice
Indifferent to deadlines
Doesn’t ask for input
•
•
•
Moody/temperamental
Easily irritated w/others
Internalizes criticism
Low score:
•
•
•
Candid and honest
Open to feedback
Sense of urgency
Sebeprosazování
High score:
•
•
•
Energetic/competitive
Leader-like and mature
Takes initiative
•
•
•
Involved in office politics
Poor listeners
Restless and forceful
•
•
•
Doesn’t appear energetic
Lacks focus or vision
Satisfied with status quo
Low score:
•
•
•
Good team players
Willing to follow others
Avoids office politics
Sociabilita
High score:
•
•
•
Outgoing & gregarious
Talkative
Easily approachable
•
•
•
Not enjoying working alone
May not listen well
Attention seeking
•
•
•
Doesn’t network well
Doesn’t give feedback
Socially reactive
Low score:
•
•
•
Understanding
Independent
Work well on their own
Kooperativnost
Obrázek nelze zobrazit. V po íta i prav d podobn není k dispozici dostatek pam ti pro otev ení obrázk u nebo by l
obrázek pošk ozen. Restartujte po íta a otev ete p íslušný soubor znov u. Pok ud se op t zobrazí erv ený k ížek,
bude nutné obrázek odstranit a v ložit jej znov u.
High score:
•
•
•
Obrázek nelze zobrazit. V po íta i prav d podobn není k dispozici dostatek pam ti pro otev ení obrázk u nebo by l
obrázek pošk ozen. Restartujte po íta a otev ete p íslušný soubor znov u. Pok ud se op t zobrazí erv ený k ížek,
bude nutné obrázek odstranit a v ložit jej znov u.
Warm and agreeable
Builds coalitions
Earns others’ trust
•
•
•
Thin-skinned
Conflict averse
Dependent on others’
opinions
•
•
•
Appears cold and tough
Critical and skeptical
May be argumentative
Low score:
•
•
•
Task oriented
Willing to confront
Can speak forthrightly
Systemati nost
High score:
•
•
•
Dependable & reliable
Rule compliant
Organized & thorough
•
•
•
Inflexible about rules
Resistant to change
Doesn’t delegate well
•
•
•
Poor planners
Impatient with details
Impulsive
Low score:
•
•
•
Flexible
Open-minded
Non-conforming
Zvídavost
High score:
•
•
•
Quick-witted
Understands big picture
Thinks strategically
•
•
•
May overanalyze
Impatient with details
Poor implementers
•
•
•
May lack imagination
Doesn’t like ambiguity
Familiarity over creativity
Low score:
•
•
•
Very focused interests
Not easily bored
Implementationfocused
enlivost
High score:
•
•
•
Values formal education
Seems insightful
Stays up-to-date
•
•
•
Intolerant of less-informed
“Know-it-all”
May over rationalize
•
•
•
Education is “endured”
May not set clear goals
May have narrow
interests
Low score:
•
•
•
Prefers hands-on
learning
Skills application
Practical approach
Ideomotorický efekt
Mimovolní t lesný pohyb vyvolaný vnímáním
nebo p edstavou pohybu.
http://www.youtube.com/watch?v=cma5Zn7xr
WU
Francouzský léka Guillaume Duchenne (1806– 1875) a jeho dobrovolník p i stimulaci
obli ejových sval elektrickým proudem za ú elem identifikace sval , které jsou
zapojené v r zných obli ejových výrazech.
• Guillaume Duchenne zjistil, že opravdový úsm v zahrnuje nejen zygomaticus major
(zvedající koutky úst), ale také orbicularis oculi (vytvá ející „v jí ky“ okolo o í), který
není na rozdíl od z.m. pod volní kontrolou.
„Každá ást naší tvá e popisuje soubor ur itých vlastností, které se navzájem prolínají. Stejná
vlastnost je tak potvrzena z n kolika stran. Z obli eje vy tete jak charakterové vlastnosti, tak
rodinné vztahy, ale i zdravotní potíže. Když se na lov ka pozorn podíváte, m žete odhadnout,
jak to s ním bude v budoucnosti,“ vysv tluje astroložka Eliška Landovská. Obli ej se podle ní
lí na t i sféry - od vlasové linie až po obo í, od obo í nad horní ret a od horního rtu na hranu
brady. V té první dominuje elo. Vysoké je znakem inteligence, sbíhající se elo signalizuje
intelekt jen v jedné oblasti. Dv i t i vodorovné vrásky na ele jsou podle 3000 let starého
ínského u ení siang mien považovány za indicii št stí. Široké pak zna í p ímo arost a
cílev domost.
„Ženy, jimž vytvá í vlasový porost na ele písmeno M, jsou n žné a oplývají fantazií. Muži s
touto linií bývají chyt í a asto kariéristé. Typické mužské kouty znamenají kreativitu,
kladnost a vst ícnost. Ukazují ale i na p ebytek testosteronu,“ vyjmenovává Eliška.
Když se na obli eji a na hlav zam íme na inteligenci, nevypovídá o ní ale zdaleka jen vysoké
elo. D ležité je i posazení uší a jejich tvar. Znakem inteligence všeobecn je, když jsou jejich
špi ky v rovin s obo ím. „Když jsou uši hodn vysoko, jako nap íklad u Seana Conneryho,
znamená to, že je lov k hodn chytrý. Když jsou nízko, jde k ivka inteligence dol ,“ tvrdí
astroložka.
Miloš Zeman: Podle prostoru mezi obo ím, který se nazývá palác kariéry, je kariéra Miloše
Zemana harmonická a je schopen do ní vložit mnoho energie. Zeman je schopen mnohem lépe
ijímat city, než citové emoce vydávat. Má silnou v li a p ekonávání p ekážek mu ned lá žádný
problém. Obo í je pom rn široké a vyklenuté, sv
í to o jeho energii. ím širší obo í, tím
snáze prosadí to, co si p eje. I podle nosu není pro pana prezidenta prosazení žádnou
neznámou. Široká brada ukazuje na silnou v li k p ekonání p ekážek.
Karel Roden: Vysoké elo vypovídá o inteligenci, husté a rovné obo í zase o energii a vitalit ,
ovšem jeho poloha nízko nad o ima je znakem netrp livosti. Rovný, dob e utvá ený nos
znamená, že ho na jeho cest tém nic nezastaví. Rovná linie mezi rty nazna uje, že dokáže
íkat i nep íjemné pravdy, je vždy sv j. Oblast brady je menší, v poslední ásti života bude
ubývat energie a poroste pot eba odpo inku.
Zuzana Bydžovská: Široké obo í je projevem dostatku životní energie. Vysoké lícní kosti sv
ío
tom, že je velmi citlivá a jemná, schopná vroucn milovat. Hluboké vrásky na ele znamenají
mnoho starostí v rodinných záležitostech.
Hranaté o i Ji ího Langmajera vypovídají o jeho ctižádosti, ty kulaté Libuše Šafránkové zase
poukazují na spoustu citu. A Jan Kraus? Ten se m že pochlubit pahorkem geniality. Tohle
vy etla z obli ej našich celebrit znalkyn fyziognomie Eliška Landovská.
Studie manžel Chapmanových (1967) o efektivit testu
kresby postavy jako diagnostického nástroje p i ur ování
kterých druh psychických poruch a potíží, jako je
paranoia, deprese i potla ená sexualita.
•
Naše p esv
ení nesedí pasivn v našich hlavách a ne ekají až budou vyvrácena nebo
potvrzena z vn jšku p icházejícími informacemi. Naopak hrají velice aktivní úlohu v tom,
jakým zp sobem vnímáme sv t okolo sebe
•
Viz také konfirma ní zkreslení (confirmation bias) - tendence všímat si pouze toho, co
podporuje naše p esv
ení
•
Máme tendenci v novat nejvíce pozornosti shodám okolností, které jsou v souladu s našimi
edstavami. V experimentu manžel Chapmanových byli dobrovolníci již p edem
esv
eni o tom, že lidé s paranoiou budou kreslit obrazy s velkýma o ima, a tak si
všímali p edevším t ch situací, kdy lidé s paranoiou namalovali velké o i, a ignorovali
situace, kdy tomu tak nebylo.
?
• Pom r ukazováku (2D) a prsteníku
(4D) je ovlivn n úrovní hormonu
testosteronu v pr
hu nitrod ložního
vývoje.
• Mužský pr
r iní 0.98, ženský
pr
r iní 1.00 (mužský prstení ek
bývá delší než ukazovák, u žen mají oba
prsty v pr
ru stejnou délku).
• Pom r 2D:4D je tak indikátorem míry
ítomnosti maskulinních (fyzická síla,
sportovní úsp šnost, prostorová
edstavivost, hudební nadání,
matematické schopnosti, asertivita,
podstupování rizika…) nebo naopak
femininních charakteristik.
Evolu ní psychologie
Evoluce lidské mysli (Cosmides, Tooby, Barlow, 1992)
Evoluci nepodléhá pouze t lesná morfologie lov ka, ale
také jeho mysl a chování
„Mental toolbox“
- Sada duševních nástroj (duševních modul a jim
odpovídajících mozkových obvod ), s jejichž pomocí
lov k (a jeho p edci) eší problémy, které p ed n
opakovan staví jejich prost edí
Prost edí rané adaptace
- Východoafrická savana
- Období pleistocénu (p ed 1.8 miliony let)
Doklad v nedokonalostech designu duševních nástroj
- ztráta adaptivnosti n kterých kognitivních,
emo ních, behaviorálních reakcí v moderní
spole nosti
Dunbarova hypotéza sociálního mozku
Sv j mozek používáme hlavn
k tomu, abychom se mohli
domýšlet, co si druzí myslí…
… tedy jako prost edek k
navigaci v našem sociálním
prost edí
Dunbarova hypotéza sociálního mozku
Lidský mozek zv tšil sv j objem nikoli kv li tomu, abychom lépe rozum li sv tu,
ale abychom lépe rozum li druhým lidem.
U antropoidních primát se pr
rná velikost
sociální skupiny zv tšuje s relativním objemem
neokortexu (m eného jako pom r objemu
neokortexu k objemu zbytku mozku). U lov ka je
pr
rná velikost jeho sociální skupiny 147.8. (tzv.
Dunbarovo íslo).
Šimapanzi a Bonobové mají nejv tší relativní
objem neokortexu (s výjimkou lov ka). Jejich
relativní objem neokortexu iní 3.22 a pr
rná
velikost jejich kliky iní 3.07, resp. 3.2. U lov ka
relativní objem neokortexu iní 4.10 s pr
rnou
velikostí kliky 11.8.
Prediciton of impressions
on the basis of information
structure in the faces
A recent area of interest in social psychology is how perception of facial features and emotional expressions
affects the inferences we draw about lasting personality traits. This phenomenon has been proposed to account
for popularity and voting outcomes in presidential elections as well as more mundane interactions we have with
people every day.
Zebrowitz et al. (2003) argue that many of these social perception effects are driven by overgeneralizations from
evolutionary adaptive responses to types of individuals such as babies and those with anomalous faces.
They used ANN (3 layers, backprop. learning alg.) and trained it to classify a complement of normal, anomalous
and infant faces. They then showed that trait inferences for test/generalization faces could be predicted by how
they were classified by the network. For example, ratings of adults faces on sociable were predicted by the
extent to which they activated the baby output unit. And higher activation of the anomaly output unit by a test
adult face predicted lower ratings on attractiveness healthy, and intelligent.
Prediciton of impressions
on the basis of information
structure in the faces
In subsequent study, Zebrowitz et al. (2005) focused on reactions to emotional
expressions, arguing that these may be evolutionary adaptive generalizations from
responses to baby and mature faces.
Using the same ANN architecture, they found that impressions of emotion faces were
partialy mediated by their degree of resemblance to baby and mature faces.
Anger faces, like mature faces, created impression of high dominance and low
affiliation, whereas surprise faces, like baby faces, led to impression of high affiliation
and low dominance.
Prosopagnosia (obli ejová slepota) zp sobená poškození fusiformního
gyru – mozkového procesoru umož ujícího rozpoznávat tvá e
(pattern/face recognition device)
Susan Polgar
26:08 – 35:10
Ekman v FACS
Facial Action Coding System
•
Univerzální výrazy emocí
Ekman v FACS
Facial Action Coding System
•
Sledoval výrazy emocí v obli eji, stanovil 43
ak ních jednotek – pohyby jednotlivých sval
•
Po zpracování všech možných kombinací objevil
3000, které n co znamenaly (FACS – kódovací systém
obli ejových pohyb )
•
Systém Paula Ekmana je využíván v mnoha
výzkumech, p i odbavování pasažér , p i vytvá ení
animovaných film (Shrek)
•
Ekman pracuje, jako soudní znalec v oblasti
rohodnosti výpov dí, je schopen zachytit
tzv.„mikrovýrazy“, které mu pomáhají p i analýze lži
•
Projekt Wizard – 1/400; trénink tení mikrovýraz ;
strojové tení výraz – FaceReader; viz také chicken
sexers i znalci vína…)
?
Emo ní nestabilita (neuroticismus)
Emo
nestabilní jedinci se obtížn ji vyrovnávají s problémy
každodenního života. Lidé dosahující vysokého skóru v
neuroticismu se popisují jako psychicky nestabilní a jejich
psychická vyrovnanost je snadno narušitelná. Na rozdíl od
emocionáln
stabilních jedinc
uvád jí ast ji negativní
prožitky a obtíže p i jejich p ekonávání. Jsou asto plni obav,
snadno je lze p ivést do rozpak , cítí se zahanbeni, nejistí,
nervózní, úzkostní, intenzivn prožívají strach, obavy nebo
smutek. Jejich p edstavy nekorespondují s realitou, proto mají
omezenou možnost kontrolovat se a zvládat stresové situace.
Emo
stabilní osoby jsou klidné, vyrovnané, bezstarostné a
ani stresující situace je nevyvedou snadno z míry. Druzí je
kdy mohou považovat za necitlivé.
Jednotlivé aspekty emo ní stability: Úzkostnost, Hn vivost-hostilita,
Depresivnost, Rozpa itost, Impulzivnost, Zranitelnost
Extroverze
Extroverti jsou spole enští, hovorní, p átelští, sebejistí,
aktivní, energi tí, veselí a optimisti tí. Mají rádi druhé lidi a
spole nost lidí, jsou rádi sou ástí skupin a r zných
spole enských událostí, obvykle baví spole nost, mají rádi
vzrušení, stimulující prost edí, udržují si veselou mysl, jsou
motivováni spíše odm nou než trestem.
Introverti jsou spíše zdrženliví, chovají se nezávisle a
samostatn , rádi pracují nezávisle na druhých v tichém a
klidném prost edí bez nadm rné stimulace. Nejaktivn jší
jsou ráno a jsou motivováni spíše hrozbou trestu než vidinou
odm ny. O introvertech také nelze íci, že by byli
neš astnými nebo pesimistickými lidmi.
Jednotlivé aspekty extraverze: elost, Družnost, Asertivita, Aktivnost,
Vyhledávání vzrušení, Pozitivní emoce
Vst ícnost
Vst ícní lidí jsou altruisti tí, mají pro druhé pochopení a
porozum ní, projevují jim p íze , chovají se k nim laskav a
vlídn . Jsou vždy ochotni pomáhat a jsou p esv
eni, že
ostatní zase budou pomáhat jim. Mají sklon d
ovat druhým
lidem a dávají p ednost spolupráci. Okolí m že jejich
ivosti n kdy zneužívat.
Nevst ícní lidí jsou popisováni jako agresivní, egocentri tí a
mající tendenci znevažovat zám ry druhých lidí. Chovají se
kdy hrub a neomalen , zapomínají na takt a diplomacii, s
druhými spíše sout ží než spolupracují. P ív tiví lidé jsou
obecn oblíben jší. Schopnost bojovat za vlastní zájmy a jistá
míra skepse v i názor m druhým jsou však v mnoha situacích
pot ebné a užite né.
Jednotlivé aspekty vst ícnosti:
Skromnost, Jemnocit
ra, Up ímnost, Altruismus, Poddajnost,
Sv domitost
Sv domití lidé v této škále jsou popisováni jako metodi tí,
plánovití, cílev domí, ctižádostivý, pilní, vytrvalí, systemati tí, s
pevnou v lí, disciplinovaní, spolehliví, p esní a po ádní, s v lí k
výkonu. Pokud tyto vlastnosti p ekro í únosnou míru, projeví se
jako
ehnaná
po ádkumilovnost,
pedanti nost
nebo
workoholické chování. Nejlépe se cítí v strukturovaném a
edvídatelném prost edí, kde má vše své jasn dané místo
Nesv domití lidé se popisují jako nedisciplinovaní, nedbalí,
lhostejní, nestálí a jako napl ující své cíle s jen malým zaujetím.
Míra sv domitosti pozitivn koreluje se studijními a pracovními
výkony. Lidé mén sv domití nezastávají tak puritánské postoje a
hodnoty jako lidé skórující ve sv domitosti vysoko, více si užívají
života.
Jednotlivé aspekty sv domitosti: Zp sobilost, Po ádkumilovnost,
Zodpov dnost, Cílev domost, Disciplinovanost, Rozvážnost
Otev enost ke zkušenosti
Lidé otev ení ke zkušenosti se zajímají o nové zkušenosti, prožitky a
dojmy, mají bohatou fantazii, jsou vnímav jší k prožitk m pozitivních i
negativních emocí než uzav ení jedinci. Berou v úvahu nové myšlenky a
nekonven ní hodnoty. Popisují se jako v dychtivý, intelektuální, obda ení
fantazií, ochotní experimentovat a zkoušet nové v ci, zajímají se o um ní a
abstraktní témata. Jsou p ipraveni kriticky p eformulovat platné normy a
evzít nové sociální, etické a politické hodnoty. asto se chovají
nekonven
, zkoušejí nové zp soby jednání a dávají p ednost zm
,
snadno se za nou nudit..
Lidé mén otev ení ke zkušenosti mají sklon chovat se konven
a
zastávat konzervativní postoje a názory. Dávají p ednost známému a
osv
enému p ed novým a neznámým. Jejich emo ní reakce nejsou tak
intenzivní a jejich prožívání m že být utlumeno. Mívají ohrani ené zájmy,
kterým se nev nují s takovou intenzitou jako lidé otev ení. P ejímají názory
autorit. Realizují myšlenky druhých, postupují rad ji po malých a
postupných kr cích, vyhýbají se radikálním zm nám a drží se osv
ených
postup a daných pravidel. Existuje sklon spojovat vysoký skór v otev enosti
se zralou, dob e fungující a napln nou osobností. V život i ve spole nosti se
však dob e uplatní rovn ž lidé s nízkým skórem v této škále.
Jednotlivé aspekty otev enosti ke zkušenosti: Fantazie, Estetické prožívání, Prožívání ,
Novátorské innosti, Ideje, Hodnoty
Download

Priming jako výzkumný nástroj