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.