-
Lingua Insegnamento:
Italiano.
-
Testi di riferimento:
Slides, testi e articoli messi a disposizione dal docente.
-
Obiettivi formativi:
Al termine del corso, lo/la studente sarà in grado di:
- Selezionare, progettare e valutare strumenti di misurazione (test, questionari e compiti) per l’osservazione di costrutti psicologici e comportamentali.
- Progettare dataset e procedure di acquisizione per dati sperimentali e osservazionali, inclusi dati comportamentali e (a livello introduttivo) neurofisiologici.
- Applicare pipeline di analisi dei dati per modellare relazioni tra variabili e testare ipotesi (es. GLM-like models, modelli a effetti misti, analisi di strutture latenti).
- Utilizzare simulazioni e strategie di resampling per verificare ipotesi, stimare potenza/campione e valutare la robustezza di pipeline analitiche.
- Riconoscere, discutere e mitigare bias metodologici (di misura, campionamento, analisi e reporting), sviluppando un approccio critico alle scelte analitiche.
- Interpretare e comunicare risultati scientifici in modo rigoroso, trasparente e riproducibile, includendo visualizzazioni appropriate e report metodologici chiari.
- Sviluppare e discutere progetti di ricerca a livello individuale, di gruppo e di classe, integrando teoria, misura, analisi e interpretazione.
Attività progettuali (Project-based learning)
Durante l’anno, la classe svilupperà uno strumento psicometrico su un tema scelto dagli studenti. Il progetto prevede definizione del costrutto, sviluppo degli item, raccolta/simulazione dei dati e validazione. In base alla qualità del lavoro, potrà essere valutata una possibile disseminazione scientifica (ad es. presentazione o sottomissione).
Le domande della prova scritta includeranno contenuti relativi al processo di sviluppo e validazione dello strumento realizzato nel progetto di classe. - Selezionare, progettare e valutare strumenti di misurazione (test, questionari e compiti) per l’osservazione di costrutti psicologici e comportamentali.
-
Prerequisiti:
Per il corso non è necessario odiare né amare formule, numeri, dati, e grafici. Il docente consiglia l'acquisizione di un sano rispetto verso il mondo numerico. Nozioni base di statistica e programmazione sono propedeutiche. SI PREGA di installare preventivamente il software gratuito JASP e di attivarsi per l'installazione di MatLab.
-
Metodi didattici:
La frequenza non è obbligatoria ma è ALTAMENTE consigliata.
La didattica di 64 include lezioni frontali, discussione di articoli scientifici, laboratori pratici, esercitazioni, lavori in aula con livelli crescenti di cooperazione.
-
Modalità di verifica dell'apprendimento:
La valutazione finale si basa su quattro componenti, ciascuna con peso del 25% nel calcolo del voto complessivo.
1. Relazione individuale – Progetto di classe (25%). Lo/la student* redige una relazione individuale sullo sviluppo dello strumento psicometrico elaborato durante il progetto di classe (AULA). La relazione deve descrivere: definizione del costrutto, sviluppo degli item, scelte metodologiche, piano di validazione, analisi dei dati (reali o simulati), limiti e prospettive future.
La relazione deve essere consegnata almeno 7 giorni prima della data dell’esame scritto e orale.2. Progetto di gruppo – Presentazione al simposio (25%). Gli/le student*, organizzati in gruppi di 2–4 persone, sviluppano uno studio sperimentale (con dati simulati o sintetici) che viene presentato in forma di comunicazione scientifica (simposio). La presentazione finale valutata in base alla chiarezza espositiva e capacità critica.
Qualora lo/la studente non possa presentare durante l’anno, la prova potrà essere svolta in data concordata con il docente o in sede d’esame.3. Prova scritta (25%). La prova scritta consiste in 20 domande a risposta multipla (durata: 40 minuti). La prova verifica conoscenze teoriche, terminologia tecnica e comprensione dei metodi affrontati nel corso, con particolare riferimento al processo di sviluppo e validazione di strumenti psicometrici.
4. Prova orale (25%). La prova orale consiste nella lettura e interpretazione di uno studio scientifico fittizio. Lo/la student* dovrà discutere: obiettivi e ipotesi, disegno sperimentale, metodi statistici, interpretazione dei risultati, validità e limiti dello studio.
Il docente potrà porre domande integrative per verificare la comprensione concettuale e metodologica.La prova scritta e la prova orale si svolgono nella stessa giornata d’esame.
-
Obiettivi Agenda 2030 per lo sviluppo sostenibile:
Questo insegnamento concorre alla realizzazione degli obiettivi ONU dell'Agenda 2030 per lo Sviluppo Sostenibile
-
Altre Informazioni:
Letture integrative:
- "Discorso sul Metodo", René Descartes
- "Contro il Metodo", Karl Feyerabend
- "La struttura delle rivoluzioni scientifiche", Thomas Kuhn
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.
Scopri cosa vuol dire essere dell'Ud'A
SEDE DI CHIETI
Via dei Vestini,31
Centralino 0871.3551
SEDE DI PESCARA
Viale Pindaro,42
Centralino 085.45371
email: info@unich.it
PEC: ateneo@pec.unich.it
Partita IVA 01335970693
