Il corso fornisce una formazione avanzata nelle metodologie psicometriche e nei modelli di analisi dei dati applicati alle scienze cognitive e comportamentali, con attenzione all’approccio computazionale.
Verranno approfonditi i processi di costruzione e validazione di strumenti di misura, l’analisi di dati sperimentali e osservazionali, e l’uso di modelli statistici e simulazioni per la verifica delle ipotesi.
Particolare enfasi sarà posta sulla qualità metodologica, sull’identificazione di errori e bias, sulla valutazione critica delle scelte analitiche e sulla capacità di interpretare e comunicare risultati scientifici in modo rigoroso.

Fondamenti di psicometria computazionale. Definizione di costrutto e distinzione tra costrutto e strumento.Misurazione del comportamento: test, questionari, compiti sperimentali.Psicologia differenziale e approccio dimensionale.Introduzione alla psicometria computazionale.Integrazione tra misura, modellizzazione e analisi dei dati.
Costrutti nelle scienze cognitive. Personalità.Intelligenza.Benessere psicologico.Senso del sé.Esempi di costrutti emergenti e problematiche di definizione operativa.Criticità nella concettualizzazione (costrutti sovrapposti, bias culturali, de-costruzione critica).
Misurazione, dati ed esperimenti. Tipologie di dati (nominali, ordinali, continui).Errore di misura, scarto, residuo.Paradigmi sperimentali (between, within, misti).Variabilità intraindividuale.Dati comportamentali vs dati personologici.Preprocessamento dei dati (psicologici e neurofisiologici).Introduzione al concetto di dimensionalità.
Costruzione e validazione di strumenti psicometrici. Fasi moderne dello sviluppo di un questionario.Piano di test e alternative dimensionali.Gerarchia dei costrutti.Affidabilità (es. coerenza interna).Analisi fattoriale esplorativa e confermativa.Introduzione all’Item Response Theory.Utilizzo di dati simulati nella validazione.Progetto di classe: sviluppo collaborativo di uno strumento psicometrico.
Analisi dei dati

Basi dell’inferenza statistica. Statistica descrittiva e inferenziale.Assunzioni dei modelli.Correlazione e regressione.
Modelli GLM-like. T-test.ANOVA.ANCOVA.Regressione lineare.Interazioni, mediazione e moderazione.Introduzione ai modelli strutturali (SEM).
Modelli a effetti misti. Struttura gerarchica dei dati.Modellizzazione longitudinale.Applicazioni in ambito psicometrico e neuroscientifico.
Simulazioni e metodologia computazionale. Finalità delle simulazioni (didattiche, power analysis, parallel analysis).Metodo Monte Carlo.Bootstrapping.Algoritmi genetici (introduzione).Sample size e potenza statistica.Validazione di pipeline analitiche tramite dati sintetici.
Strutture latenti e network. PCA.Analisi fattoriale esplorativa e confermativa.Cluster analysis.Introduzione alla Network Science applicata alla psicometria e alle neuroscienze.
Visualizzazione dei dati. Principi di visualizzazione scientifica.Buone e cattive pratiche.Visualizzazione della dimensionalità.Interpretazione critica dei grafici.
AI e metodologia scientifica. Intelligenza artificiale e modelli linguistici.Prompt engineering in ambito metodologico e analitico.AI come supporto alla modellizzazione e all’analisi dei dati.Riflessione critica sul ruolo dell’AI nella ricerca.
Pre-metodologia e multiverse analysis. Programmi di ricerca e cornici teoriche.Critica delle scelte metodologiche.Multiverse analysis.Bias analitici e robustezza dei risultati.