心理学日课

1. 昨天实验能回答因果；今天回到“不能操纵时怎么办”

昨天的主线是：要推断“是 A 导致了 B”，关键是操纵自变量、随机分配，以及控制混淆与期望。可现实里大量问题不能或不该做实验——童年创伤、人格特质、收入、依恋风格、文化规范，你无法也不应随机分配。

今天专门读非实验证据：描述性研究、相关研究、问卷调查与行为观察。它们不是“低配实验”，而是另一套工具。读得好，能做预测、找模式、提出可检验的假设；读得差，就会把相关当成因果、把方便样本当成全国、把“大家都这么答”当成真相。

2. 描述 vs 相关：先分清你在回答哪类问题

两者常叠在一起：一次大型调查既可描述“加班有多普遍”，也可报告“加班时长与倦怠得分的相关”。读报告时先看作者声称的是描述、相关，还是偷偷滑向了因果。

3. 问卷调查：问什么、问谁、怎么答都会歪

问卷与量表是心理学和社会科学最常用的工具之一：便宜、可规模化、适合测态度、信念与自我报告的经历。但“发了问卷”不等于“得到了真相”。至少盯住三件事：抽样、题目与计分、回答偏差。

• 抽样（sampling）：你测到的是谁？方便样本（班级、粉丝群、扫码有礼）只能代表愿意填的人。随机抽样才更服务代表性（昨天提过：它服务外部效度，不等于随机分配）。非概率样本仍可用于探索与预测模型，但推广话术要降级。
• 响应率与无应答偏差：没填的人可能系统不同（更忙、更回避、更不满）。高响应率不能自动证明无偏，但极低响应率时要怀疑“谁愿意说话”。
• 题目措辞与量表质量：引导性措辞、双重问题（一句里问两件事）、选项不对称，都会推高某种答案。正式量表通常报告信度（如内部一致性）与效度证据；自编三道题就宣称测到了“抑郁”或“忠诚度”，要警惕。
• 社会赞许性（social desirability）：人们倾向于以显得好、合规范的方式作答——少报偏见与不良行为，多报捐赠、运动、公正。Crowne 与 Marlowe 发展的社会赞许性量表，正是用来估计这种倾向有多强（见研究卡片）。
• 其他常见回答偏差：默许偏差（爱选“同意”）、极端作答或一律中间、回忆偏差、当下情绪污染回顾。

实用读法：看到“调查显示 X% 的人认为……”时，先问——样本是谁？怎么抽的？题目怎么问的？有没有可能大家在“表演正确答案”？

4. 观察法：看行为，不只听说法

人们说的和做的常不一致。因此研究者也会观察行为：

• 自然观察（naturalistic observation）：在尽量不打扰的日常情境中记录（如操场互动、商店排队）。生态真实性高，但情境杂、难控制，且难以推断因果。
• 结构化观察（structured observation）：在标准情境或实验室中设置可比任务（如陌生情境程序观察依恋行为），便于编码与比较，但人工痕迹更重。
• 参与观察：观察者进入群体内部；能获得深度，也更容易带入主观卷入与伦理风险。

观察法的两大经典威胁：观察者偏差（编码者按预期去“看见”行为；可用详细编码手册、多名编码者与一致性检验缓解）；以及反应性（知道被观察而改变行为，即霍桑式被关注）。录像事后编码、隐蔽或习惯化观察、明确的行为操作定义，都是常见防护。

5. 相关系数 r：方向、强度，以及它不是什么

皮尔逊积差相关（Pearson’s r，由 Karl Pearson 在 19–20 世纪之交系统发展；更早 Galton 等人已有相关思想）是最常见的线性相关指标，取值大约在 −1 到 +1：

• 符号表示方向：正值 = 同向共变；负值 = 反向共变。
• 绝对值表示强度：越接近 1，点越贴近一条直线；接近 0 则线性共变很弱。
• r 描述的是线性关系。若真实关系是 U 形等非线性，r 可能接近 0，并不代表“毫无关系”。此时需看散点图或改用其他方法。
• 当变量是等级（名次）而非等距分数时，常用 Spearman 等级相关等替代指标；逻辑类似，仍是“共变有多强”，不是因果。

教科书里常用口语标尺帮助直觉（如 |r| 约 0.1 / 0.3 / 0.5 对应小/中/大），但这只是粗参照，且因领域而异；效应是否“重要”还取决于后果、基线与决策成本。不要背一个绝对分界当成真理。

更关键的禁令：r ≠ 因果。再大的相关，单独都不能证明“A 导致 B”。

6. 为什么相关推不出因果：方向性与第三变量

Day 1 已点过两道坎，今天把它们变成读报告的固定动作：

• 方向性问题（directionality）：A 与 B 相关，可能是 A→B，也可能是 B→A，或互为反馈。例如“孤独感与刷手机时长相关”——究竟是孤独导致多刷，还是多刷挤掉当面社交后更孤独，或两者循环？单凭同时测得的相关，分不开。
• 第三变量问题（third-variable problem）：未测的 C 同时推高（或压低）A 与 B，造成 A–B 的虚假相关（spurious correlation）。教科书经典例子：冰淇淋销量与犯罪率常一起升高——更合理的共同驱动往往是天气炎热（以及人们出门更多等伴随因素），而不是“冰淇淋导致犯罪”。
• 选择与限制范围：只在极端群体里抽样、或把不同子群糊成一团，都会制造或抹掉相关。

纵向追踪（谁先变化）、统计上控制候选第三变量、工具变量与自然实验、以及——在伦理允许时——回到昨天的真实验，都是减轻这些威胁的路径。没有银弹；每多挡掉一种替代解释，因果主张才能升一级。

7. 非实验证据何时仍然非常有用

若相关“不能直接给因果”，为什么还要大规模做调查与观察？因为它们在这些任务上往往不可替代：

• 预测：招聘、信贷风险、流失预警、流行病学筛查——目标常常是“准不准”，不一定是当场证明机制。相关与回归可以是好的预测工具（仍要外部验证，防过拟合）。
• 伦理与可行性：不能为了研究去随机分配创伤、歧视或贫困；描述与相关是负责任的起点。
• 生态效度与真实世界基线：实验室很干净，但政策与产品要知道田间地头实际分布；大型调查与自然观察提供地图。
• 生成假设：相关模式提示“该去做哪个实验、该控制哪个第三变量”。
• 收敛证据：当实验、纵向、准实验与相关指向同一机制，信念可以强于单一方法。

斯坦诺维奇在《这才是心理学》中反复强调：公众常把“相关不是因果”听成“相关无用”。更准确的态度是——相关是线索与预测器，不是因果证明书；价值取决于你用它回答什么问题。

8. 把整条链串起来：读非实验报告的检查清单

下次刷到调查、白皮书、或“大数据发现”时，按顺序问：

1. 这是描述、相关，还是作者在暗示因果？
2. 样本是谁？抽样方式与响应率如何？能推广到哪一群人？
3. 变量如何操作定义？自陈、行为观察，还是客观记录？有无社会赞许与共同方法偏差？
4. 若给了 r 或“显著相关”：方向、大致强度、是否展示散点或稳健性？
5. 方向性与第三变量的替代解释是什么？作者有没有诚实讨论？
6. 若用于决策：目标是预测还是解释机制？证据层级是否匹配决策代价？

1. 从“相关不等于因果”到“怎样才能推断因果”

昨天我们说到：相关研究只能告诉我们变量一起变化，推断因果需要实验——研究者主动操纵某个变量，并通过随机分配让各组在其他方面平均而言相同。

今天把实验拆开：什么叫“操纵”？什么叫“随机分配”？为什么做完实验，别人仍可能说“你测到的差异其实不是因为你以为的那个原因”？答案就藏在操作定义、自变量与因变量、控制变量、混淆变量、内部效度与外部效度这些概念里。

2. 操作定义：把模糊概念变成可测量的东西

科学研究不能停在“压力”“智能”“吸引力”这类日常说法上——每个人对它们的理解可能都不一样。操作定义（operational definition）指：用一套具体的、可观察或可测量的程序，来界定一个概念在本研究中“是什么”。

例如：“压力大”可以操作定义为“过去一周 Perceived Stress Scale 得分 ≥ 某阈值”，也可以是“在公开演讲前即刻的心率”；“记忆好”可以是“听完词表后立刻正确回忆的个数”。不同操作定义测的未必是同一件事——所以写报告时必须写清楚，读者才能判断你测的到底是不是你声称的那个概念。

3. 自变量、因变量与控制变量

一次典型的实验里，至少要分清三类变量：

• 自变量（independent variable, IV）：研究者主动操纵的变量。它是“原因候选”。例如：是否服用某药、是否收到积极期望标签、界面按钮是红色还是蓝色。
• 因变量（dependent variable, DV）：研究者测量的结果变量。它是“效果候选”。例如：症状评分、测验成绩、点击率。
• 控制变量（control variables）：研究者希望各组保持一致、或在分析中加以统计控制的因素，以免它们干扰因果解释。例如：测验时间、指导语措辞、屏幕亮度。

记一个口诀：自变量是你改的，因变量是你看的，控制变量是你尽量让它别乱的。

4. 实验组与对照组：比较才产生意义

单独给一群人做干预再测结果，往往说不清变化是不是干预造成的——时间流逝、练习效应、自然好转都可能“看起来像有效”。因此实验通常至少有两组：

• 实验组（experimental group）：接受研究者感兴趣的处理（treatment）。
• 对照组 / 控制组（control group）：不接受该处理，或接受一个对照处理（如安慰剂、标准流程、另一种版本）。

对照组不是“被忽略的人”，而是让因果解释成立的基准线。没有可比的对照，你就很难知道差异来自哪里。

5. 随机分配：为什么它是推断因果的关键

把人分进实验组还是对照组，不能按“谁方便”“谁自愿”“谁看起来更适合”来分——那样两组从一开始就可能系统不同。随机分配（random assignment）指：用随机程序（掷硬币、随机数）决定每个人进哪一组，使已知与未知的个体差异在组间平均而言趋于平衡。

注意两件常被混为一谈的事：

• 随机分配：解决的是“各组是否可比”，服务内部效度（你能否说差异是由操纵造成的）。
• 随机抽样：解决的是“样本是否代表总体”，服务外部效度（你能否把结论推广到更大人群）。

一项研究可以有随机分配却没有随机抽样（很多实验室实验如此）：它仍可能很适合推断因果，只是推广时要谨慎。反过来，大规模问卷调查即使抽样很好，若没有随机分配的操纵，仍难直接下因果结论。

6. 混淆变量与内部效度

常见混淆来源包括：两组接受不同时长的关注、不同的指导语气、不同的时间段（一组早上测、一组晚上测）、主试对某组更热情、测量工具本身在两组使用方式不一致等。

7. 期望效应与双盲：人不是试管

心理学实验里的“材料”常常是人——参与者会猜研究目的，主试也会不知不觉流露期望。这类因素本身就能改变行为，从而变成混淆。

防护工具是盲法：

• 单盲：参与者不知道自己在实验组还是对照组。
• 双盲：参与者与直接接触他们的主试/评估者都不知道分组（由第三方编码）。这样双方的期望都不容易系统性地“帮”某一组出成绩。

不是所有心理学研究都能做双盲（例如心理治疗中治疗师通常知道自己在用哪种疗法），但研究者仍应尽量让结果评定者保持盲态，并预先设定客观指标。

8. 外部效度：推得远，往往控得松

这不是让你鄙视实验室研究。内部效度薄弱的研究，推广得再远也只是在推广一个不可靠的因果故事。更健康的态度是：用高内部效度的研究建立机制，再用现场实验、多情境重复去检验边界条件——Donald Campbell 与 Julian Stanley（1963）以来的方法学传统，核心就是在这种取舍中把威胁一一列清。

9. 把整条链串起来：一个最小检查清单

读到或设计一项“实验”时，可以按顺序问：

1. 自变量是什么？有没有清晰的操作定义？
2. 因变量怎么测？指标是否事先确定，还是事后挑显著的那个？
3. 有没有恰当的对照组？
4. 分组是否随机分配？若否，组间基线是否可能系统不同？
5. 有哪些可能的混淆？流程是否标准化？
6. 参与者与主试的期望是否被盲法或其他方式限制？
7. 样本与情境支持怎样程度的推广？结论有没有说过头？

1. 为什么“凭常识懂人”不够

每个人都是“业余心理学家”：我们每天都在猜别人为什么这样做、下一步会怎样。问题在于，常识往往可以同时解释相反的结果。“物以类聚”和“异性相吸”都是俗语；“小别胜新婚”和“眼不见，心不烦”也都是。无论两个人分开后感情变好还是变淡，常识都能事后给出一个说法。

一个什么结果都能解释的说法，其实什么也没预测。科学心理学要做的，是把这些模糊的直觉变成可以被数据推翻的具体问题，例如：“在什么条件下、对哪些人、相似性对吸引力的影响有多大？”然后去测量。

2. 科学的三个基本特征

心理学家基思·斯坦诺维奇（Keith Stanovich）在《这才是心理学》（How to Think Straight About Psychology）中把科学概括为三点，这也是本课程判断一切说法的底层标准：

• 系统的实证主义：靠有计划、有控制的观察和测量回答问题，而不是靠权威、直觉或个人经历。
• 知识公开可验证：方法要写清楚，别人照做能得到类似结果；研究要经过同行评议。一个只有提出者本人能“验证”的发现，不算科学知识。
• 研究可解决的问题：问题必须能用现有方法检验。“人生的意义是什么”很重要，但不是实证问题；“有明确目标的人主观幸福感是否更高”则可以研究。

3. 可证伪性：好理论要敢于“冒险”

哲学家卡尔·波普尔（Karl Popper）提出：一个理论是否科学，关键不在于能找到多少支持它的例子，而在于它是否明确说出了什么情况会证明它是错的——这叫可证伪性（falsifiability）。

波普尔在《猜想与反驳》（1963）中举过一个对照：1919 年日食观测检验了爱因斯坦广义相对论关于光线弯曲的预测，如果观测结果不符，理论就会被推翻——它冒了真实的风险。相比之下，他认为当时的精神分析（弗洛伊德）和个体心理学（阿德勒）无论出现什么行为都能解释：一个人把孩子推下水，或者一个人舍命救孩子，两种理论都能自圆其说。波普尔指出，这种“处处都能被证实”恰恰是弱点，而不是优点。

4. 相关不等于因果

“相关”指两个变量一起变化；“因果”指一个变量的改变会导致另一个变化。两者之间隔着两道坎：

• 方向性问题：可能是 B 导致 A，而不是 A 导致 B。
• 第三变量问题：可能有一个没被测量的 C 同时影响 A 和 B。

斯坦诺维奇书中有一个经典历史案例：20 世纪初美国南方糙皮病（pellagra）流行，人们发现它与卫生条件差的地区高度相关，于是怀疑是传染病。美国公共卫生署的约瑟夫·戈德伯格（Joseph Goldberger）认为真正的原因是饮食缺乏，“卫生差”和“糙皮病”都是贫困这个第三变量的结果。他通过改变饮食的研究证明了这一点；后来科学家确认糙皮病的直接原因是缺乏烟酸（维生素 B3）。

要确立因果，最有力的方法是实验：研究者主动操纵自变量，并通过随机分配让各组在其他方面平均而言相同。这样两组之后出现的差异，才能较有把握地归因于操纵本身。

5. 个案 vs 数据：“我认识一个人……”

“我爷爷每天抽烟，活到 95 岁。”斯坦诺维奇把这类论证称为“某人统计”（person-who statistics）：用一个鲜活的反例去否定一个概率性的规律。可心理学和医学中的大多数规律本来就是概率性的——“吸烟提高患肺癌的风险”从来不意味着“每个吸烟者都会得肺癌”。

个案之所以说服力强，是因为它生动、容易想起。特沃斯基与卡尼曼（Tversky & Kahneman, 1973）描述的可得性启发指出：我们常根据例子“多容易想到”来判断事件有多常见。飞机失事的新闻让人觉得坐飞机很危险，就是这个道理。

这不等于个案毫无价值：个案能提出假设、提供细节、展示“可能性”；但要回答“普遍是否如此、有多大程度”，需要系统收集的数据。

6. 确认偏误：我们天生爱找“证明自己对”的证据

彼得·沃森（Peter Wason）1960 年的“2-4-6 任务”是经典演示：告诉参与者“2, 4, 6”符合某条规则，请他们提出新的三个数来测试自己的猜想。很多人猜“依次加 2”，然后一直提出 8-10-12、20-22-24 这类符合自己猜想的数字，得到“符合”的反馈后就很有信心地宣布答案——结果错了。真正的规则只是“任意递增的三个数”。要发现这一点，需要主动试一试可能推翻自己猜想的数字，比如 1-7-30。

日常中，一旦你认定“这个同事不靠谱”，他每次迟到你都记得，他准时交付你却不太留意。确认偏误并不是“笨”的人才有，它是人类信息加工的普遍倾向，科学方法（对照组、盲法、预注册）在很大程度上就是为了对抗它而设计的。

7. 巴纳姆效应：为什么星座和性格测试“好准”

1949 年，心理学家伯特伦·福勒（Bertram Forer）让学生做了一份性格测验，一周后给每人发了一份“个人分析报告”，请他们评价准确度（0–5 分）。学生们普遍给出了很高的分数——而实际上所有人拿到的是同一段文字，其中的句子大多摘自一本星座书，例如“你有时外向、友善、合群，有时内向、谨慎、保守”这样的描述。

这种现象后来被称为巴纳姆效应（Barnum effect，名称由保罗·米尔 Paul Meehl 在 1956 年推广开来），也叫福勒效应：人们会把笼统、普遍适用的描述当作对自己的准确刻画。让描述“显得准”的常见配方：

• 模糊且双面：“你有时……有时……”几乎对所有人成立。
• 偏正面：“你有很多尚未发挥的潜力”，人们更愿意接受讨喜的描述。
• 看起来是专门为你做的：填了问卷、输入了生日，会让人更相信结果是“个性化”的。
• 来源显得权威：专家、测评机构、精美的报告。

关于 MBTI 等类型测试，需要说得公允一些：它不等同于星座，题目确实在测量一些真实的偏好。但研究者对它有具体的批评——例如把连续分布的特质硬分成两类、部分人重测时类型会改变（参见 Pittenger, 2005）；而它的类型描述大多写得正面、宽泛，这正是巴纳姆效应容易发挥作用的地方。学术研究中更常用的是大五人格模型，我们会在模块 4 详细讲。

8. 可重复性危机：心理学如何面对自己的错误

2015 年，由布莱恩·诺塞克（Brian Nosek）等人发起的开放科学合作组织（Open Science Collaboration）在《科学》（Science）上发表报告：他们重复了 2008 年发表在三本心理学顶级期刊上的 100 项研究。原研究中有 97% 报告了统计显著的结果，而重复研究中只有约 36% 得到显著结果；重复研究的效应量平均只有原研究的一半左右。

此后，一些曾经广为流传的发现在大规模重复中表现不佳，例如“自我损耗”（意志力像肌肉一样会被用完）和“权力姿势”（摆出扩张的姿势能改变激素水平），详见下方研究卡片。

造成问题的主要原因包括：

• 样本太小：统计检验力不足，偶然结果更容易被当成发现。
• 分析灵活性（p-hacking）：多测几个指标、多试几种分析、数据“够显著”就停止收集，会大幅增加假阳性（Simmons, Nelson & Simonsohn, 2011）。
• 发表偏倚：显著的“新奇发现”更容易发表，失败的结果被锁进抽屉。
• 事后假设（HARKing）：看到结果后再把它写成“事先预期”（Kerr, 1998）。

心理学界的回应是一系列改革：预注册（事先公开假设和分析计划）、注册报告（期刊在看到结果前就根据方法决定是否发表）、公开数据与材料、多实验室联合重复（如 Many Labs 项目）。

9. 本课程为什么给每项研究标注证据强度

基于上面的原因，本课程提到的每一项研究都会带一个证据标签。它是一种对当前证据状况的概括判断，不是永久结论——新证据出现时，标签也会随之调整。