katalogu kursów - Psychologia UJ
Transkrypt
katalogu kursów - Psychologia UJ
WFz.D.IPs-03 Rekolekcje metodologiczne: metodologia i statystyka w praktyce – dr hab. Piotr Wolski wykład monograficzny + konwersatorium (30 godzin, 3 ECTS), semestr 1, poniedziałek 17.0019.15 (co 2 tygodnie), s. 5.01 WFz.D.IPs-05 Modele statystyczne w badaniach naukowych. Cz. 1. Ogólny model liniowy – mgr Mariusz Trejtowicz warsztaty 30 godzin, 2 ECTS, semestr 1, sobota i niedziela WFz.D.IPs-05c Modele statystyczne w badaniach naukowych. Cz. 2. Modelowanie równań strukturalnych i uogólniony model liniowy – mgr Mariusz Trejtowicz warsztaty 30 godzin, 2 ECTS, semestr 2, sobota i niedziela WFz.D.IPs-16 – Wprowadzenie do analizy danych przy użyciu Pythona i R – mgr Marcin Koculak Warsztaty 30 godzin, ECTS 2, semestr 1 WFz.D.IPs-17 – Jak osiągnąć sukces w nauce i przeżyć? Praktyczne Know-How – dr Zofia Wodniecka-Chlipalska warsztaty + konwersatoria, ECTS 4, semestr 2; piątki (12 spotkań) godz.12.30-14.30, sala 2.15 WFz.D.IPs-14 Wprowadzenie do wnioskowania bayesowskiego – dr Borysław Paulewicz warsztaty 30 godzin, 2 ECTS, semestr 2 dr hab. Piotr Wolski Rekolekcje metodologiczne: metodologia i statystyka w praktyce Propozycja jest odpowiedzią na zgłaszane przez doktorantów psychologii zapotrzebowanie na kurs, który stwarzałby okazję do odświeżenia i uporządkowania najważniejszych zagadnień metodologii i statystyki – w kontekście realnych zastosowań w prowadzonych / planowanych badaniach. Wiele osób chciałoby też wiedzieć, czego w istocie prawdopodobieństwem jest magiczne p i dlaczego to dobrze, jeśli jest mniejsze od 0,05. Kurs odpowie na to i szereg innych fundamentalnych pytań w sposób zrozumiały dla każdego. Wiele nierozsądnych decyzji metodologicznych psychologowie podejmują w mniej lub bardziej uzasadnionym poczuciu niewystarczającej własnej kompetencji. Owo poczucie skłania ich do lękowego (czyli bezrefleksyjnego) schematyzmu. Niestety, rozpowszechniane „pocztą pantoflową” schematy często są w naszej dyscyplinie bardzo niedobre i wielu fachowców uważa, że powinny być jak najprędzej zmienione, bo nie mają zbyt wiele sensu. Mało kto z początkujących badaczy zdaje sobie sprawę, że nawet bardzo elementarna i fragmentaryczna wiedza metodologiczna wystarcza do samodzielnego podejmowania trafnych decyzji badawczych i interpretacyjnych, np. sensownego poradzenia sobie z odwiecznym dylematem p = 0,07… Najważniejsze z zagadnień: Planowanie eksperymentów – schematy eksperymentalne a korelacyjne, poziomy pomiaru zmiennych, wyjaśnianie wariancji Statystyka opisowa – miary tendencji centralnej, miary zmienności, ilustracja graficzna Korelacja, regresja, analiza czynnikowa, analiza skupień Podstawy wnioskowania statystycznego Estymacja, testy istotności, metody nieparametryczne Moc testu, wielkość efektu Psychometria, konstrukcja ankiet, kwestionariuszy, rzetelność Pakiet SPSS PC Podstawa zaliczenia: kurs kończy się oceną, której podstawą jest liczba punktów zdobytych za pracę końcową, dwie prace kontrolne, oraz obecność i aktywne uczestnictwo w zajęciach. Forma zajęć: Wykład, konwersatorium Wymagania wstępne: Wiedza z zakresu metodologii badań oraz analiz statystycznych na poziomie podstawowym. Termin: I semestr Mgr Mariusz Trejtowicz Modele statystyczne w badaniach naukowych. Cz. 1. Ogólny model liniowy Ogólny cel kursu: Celem kursu jest nabycie oraz rozwój podstawowych umiejętności analizy danych począwszy od przygotowania danych do analiz, poprzez ich eksplorację, do modelowania statystycznego (na bazie Ogólnego Modelu Liniowego) i prezentacji wyników modelu. Problematyka: Warsztat obejmował będzie następujące zagadnienia: przygotowanie danych do analiz, techniki Eksploracyjnej Analizy Danych, analiza i imputacja braków danych, eksploracja danych z wykorzystaniem analizy głównych składowych oraz analizy skupień, wprowadzenie do ogólnego modelu liniowego, wykrywania problemów związanych z wykorzystaniem ogólnego modelu liniowego, diagnostyki założeń modelu, testowania hipotez użytkownika, poprawnej interpretacji wyników analiz i wizualizacji, wykorzystania w analizach oprogramowania statystycznego (SPSS i R). Sposób realizacji: Zajęcia przy komputerze. Praca z oprogramowaniem IBM SPSS Statistics oraz R. Spodziewany efekt: Uczestnicy warsztatu powinni nabyć umiejętność realizacji analizy danych z wykorzystaniem ogólnego modelu liniowego obejmującą diagnostykę modeli, interpretację wyników analiz oraz planowanie i realizację porównań pomiędzy modelami. Rezultatem warsztatu powinna być również umiejętność krytycznej analizy wyników badań Forma zajęć: Warsztaty 30 godzin. Wymagania wstępne: Wiedza z zakresu metodologii badań oraz analiz statystycznych na poziomie podstawowym. Forma zaliczenia: Praca zaliczeniowa z poprawnie zastosowanymi metodami statystycznymi w postaci raportu z analizy danych. Termin: I semestr Realizacja w trybie weekendowym: 4 dni (2 weekendy) w terminie ustalonym z uczestnikami. mgr Mariusz Trejtowicz Modele statystyczne w badaniach naukowych. Cz. 2. Modelowanie równań strukturalnych i uogólniony model liniowy. Ogólny cel kursu: Celem kursu jest wprowadzenie w dwa rozszerzenia ogólnego modelu liniowego: modelowanie równań strukturalnych, uogólniony model liniowy. W trakcie warsztatów uczestnicy będą mogli poznać podstawowe możliwości oraz ograniczenia tych metod. Warsztat będzie koncentrował się na poprawnej interpretacji wyników analizy oraz standardach raportowania wyników. Problematyka: W ramach warsztatu omawiane będą podstawy analizy przyczynowej z wykorzystaniem modelowania równań strukturalnych. Zakres omawianych zagadnień będzie obejmował, m.in.: analizę mediacji, zastosowania analizy ścieżek, przyczynową interpretację wyników modelu strukturalnego, zagadnienia dopasowania modelu strukturalnego do danych, interpretację wyników konfirmacyjnej analizy czynnikowej, znaczenie składników błędu w modelu strukturalnym, podstawy modelowania statystycznego dla jakościowej zmiennej zależnej, regresję logistyczną: binarną i wielonomialną (multinomial),wprowadzenie do modeli hierarchicznych. Sposób realizacji: Dyskusja wyników analiz. Zajęcia przy komputerze. Praca z oprogramowaniem IBM SPSS Statistics, IBM SPSS Amos oraz R. Spodziewany efekt: Umiejętność krytycznej analizy wyników badań korzystających z modeli statystycznych uznawanych jako zaawansowane. Forma zajęć: Warsztaty 30 godzin. Wymagania wstępne: Znajomość zagadnień wielowymiarowej analizy danych. Wskazane uczestnictwo w kursie „Modele statystyczne w badaniach eksperymentalnych. Cz. 1. Ogólny model liniowy”. Forma zaliczenia: Recenzja wybranego artykułu, w którym wykorzystywane są zaawansowane metody statystyczne, prezentująca poprawną interpretację prezentowanych wyników oraz krytyczne podejście recenzenta. Termin: II semestr Mgr Marcin Koculak Wprowadzenie do analizy danych przy użyciu Pythona i R Ogólny cel kursu: Podstawowym celem kursu jest opanowanie przez studenta podstaw programowania w języku Python i R, które pozwolą mu wykorzystać potencjał tych języków do analizy danych otrzymywanych z eksperymentów, opracowania wyników oraz ich wizualizacji. Kończąc kurs, student powinien posiadać narzędzia do samodzielnego pogłębiania swojej wiedzy w zakresie analizy danych lub innych zastosowań programowania. Problematyka: Umiejętność programowania przestaje być dodatkiem, ale staje się jednym z podstawowych narzędzi badaczy. Dzięki dobrodziejstwu języków programowania, można nie tylko znacząco przyspieszyć pracę nad konkretnym zadaniem, ale również łatwo przenosić wypracowane rozwiązania pomiędzy różnymi problemami bez konieczności ponownego wykonywania tych samych czynności. Zarówno Python jak i R to języki o dobrze ugruntowanej pozycji, których używają naukowcy na całym świecie. Poprzez prostą składnię i mnogość dostępnych narzędzi, potrafią one zastąpić typowe komercyjne rozwiązania typu Excel, SPSS czy Statistica, oferując jednocześnie podobny (a nierzadko większy) wachlarz metod i narzędzi. Kurs ma na celu wprowadzić uczestnika w świat programowania poprzez naukę Pythona, potężnego a jednocześnie łatwego języka ogólnego zastosowania. Zdobywane doświadczenie będzie miało nadrzędny cel - przygotowanie surowych danych do analizy, wykonanie interesujących nas testów statystycznych oraz wizualizację wyników w estetycznej formie. Druga część będzie dotyczyła R, języka dedykowanego analizie statystycznej. Za jego pomocą uczestnik będzie mógł wykonać te same analizy co SPSS czy Statistica, jednocześnie mając pełną kontrolę nad danymi i wybranymi metodami statystycznymi. Każde zajęcia będę składać się z wprowadzenia teoretycznego, samodzielnej pracy z materiałami przygotowanymi do danego tematu oraz wspólną pracą nad małymi projektami, które będą przybliżać uczestników do samodzielnej pracy z danymi. Co najważniejsze, pod koniec kursu uczestnik powinien czuć się na tyle pewnie z programowaniem w Pythonie i R, by za pomocą ogólnie dostępnych materiałów samemu pogłębiać wiedzę i umiejętności Sposób realizacji: wykład warsztaty prezentacja multimedialna analiza przypadków e-learning Spodziewany efekt: W zakresie umiejętności: Umie samodzielnie i w zespole badawczym zaplanować i przeprowadzić badanie empiryczne z zastosowaniem metod ilościowych i jakościowych. Potrafi poddać analizie zebrane dane empiryczne i prawidłowo wyprowadzić wnioski, a także przedstawić je w formie pisemnego raportu, referatu lub prezentacji multimedialnej. W zakresie kompetencji społecznych: Uznaje znaczenie technologii multimedialnej dla przekazu wiedzy. Prezentacje wyników swoich badań (w formie prac, artykułów, prezentacji multimedialnych) przygotowuje z uwzględnieniem ich wartości komunikacyjnej z punktu widzenia odbiorcy Forma zajęć: Warsztaty 30 godzin. Wymagania wstępne: W przypadku zbyt dużej ilości chętnych, będzie przeprowadzona rozmowa kwalifikacyjna oceniająca przydatność kursu dla ścieżki akademickiej studenta. Forma zaliczenia: Podstawą zaliczenia będzie przygotowanie projektu grupowego wykorzystującego narzędzia i metody poznane podczas warsztatu. Termin: I semestr Dr Zofia Wodniecka-Chlipalska Jak osiągnąć sukces w nauce i przeżyć? Praktyczne Know-How. (Professional Development in Academia) Ogólny cel kursu: Jak osiągnąć sukces w nauce i przeżyć? Nie ma jednej drogi ani przepisu, który zawsze działa, ale powszechne przekonanie, że sukces to wyłącznie kwestia wrodzonych zdolności lub intuicji, jest nieprawdziwe. Zawód badacza to w dużej mierze rzemiosło – mistrzostwo osiąga się po latach praktykowania, ale często sukces nie jest możliwy bez poznania „tajników” zawodu. Często w kontaktach z naukowcami z zagranicy jesteśmy pod wrażeniem ich pewności siebie i sprawności, z jaką o sobie i swojej działalności potrafią opowiadać innym. Miałam okazję przez dłuższy czas obserwować kształcenie doktorantów i post-doków w USA i Kanadzie. Jest oczywiste, że to, co my w Polsce zazwyczaj bierzemy wyłącznie za ”dar z nieba’, jest wynikiem długotrwałego, żmudnego i bardzo metodycznego przygotowania. To nie wyłącznie kwestia indywidualnych predyspozycji, ale intensywnego treningu! Problematyka kursu: Celem proponowanego kursu będzie nadrobienie tej zaległości przez zdobycie podstawowego „know-how” w ‘miękkich’ umiejętnościach kluczowych w pracy naukowca. Będziemy ćwiczyć umiejętność pisania w j. angielskim i polskim (tzw. research statement, recenzji tekstów naukowych, odpowiedzi na recenzje, artykułu naukowego, grantu badawczego, itp.), czytania (tekstów naukowych), prezentacji siebie przy okazji formalnych i nieformalnych spotkań z innymi naukowcami (w tym, tzw. „elevator pitch” czy wystąpień typu TED). Sporo czasu przeznaczymy na dyskusję na temat najskuteczniejszych sposobów nawiązywania współpracy z badaczami za granicą (networking), pozyskiwaniu wsparcia mentora, wydajnemu uczestnictwu w konferencjach, pozyskiwania możliwości współpracy i prowadzeniu rozmów o pracę, a także prowadzenie negocjacji – słowem wszystkich umiejętności przydatnych w wypłynięciu ‘na szersze wody”. Dyskutując będziemy odwoływać się do najlepszych wzorców – spróbujemy prześledzić drogę tych badaczy, którzy mają znaczące, międzynarodowe osiągnięcia. Przyjrzymy się także temu, co to znaczy być mentorem dla innych i szerzej – czym są dobre praktyki w dydaktyce. W końcu dotkniemy też tematu jak być naukowcem i nie zwariować. Spodziewany efekt: Wszystkie te działania będą służyć jak najlepszemu przygotowaniu się do zdobycia pozycji post-doca, asystenta; mogą się także okazać przydatne do zdobycia pracy poza uniwersytetem. Format zajęć: 30h dydaktycznych (12 spotkań x po 2 godziny zegarowe) zajęć o konwersatoryjnowarsztatowych. Będą mieć charakter częściowo wykładowo-dyskusyjny, a częściowo będą polegać na ćwiczeniu praktycznych umiejętności (w tym pisania i mówienia po angielsku). Większość wykonywanych zadań będzie odbywać się po angielsku, a dyskusje i po polsku i po angielsku, w zależności od umiejętności i potrzeb uczestników. W miarę możliwości na spotkania będziemy zapraszać gości z i spoza Instytutu (w tym również odwiedzających Instytut gości z zagranicy) aby podzielili się swoimi „przepisami” na sukces w nauce. Udział w zajęciach będzie wymagał aktywnego zaangażowania uczestników w trakcie zajęć oraz poza nimi. Ilość ECTS: ECTS: 4 (ze względu na intensywne użycie angielskiego na zajęciach i wykonywanych pracach) Termin: semestr letni, piątki (12 spotkań) godz.12.30-14.30, sala 2.15 Dr Borysław Paulewicz Wprowadzenie do wnioskowania bayesowskiego Ogólny cel kursu: Celem kursu jest zapoznanie słuchaczy z programowaniem na poziomie, który umożliwiałby przeprowadzanie nieszablonowych analiz statystycznych i projektowanie procedur komputerowych dla celów badawczych. Problematyka: W ramach proponowanego kursu omówione zostaną podstawy cieszącego się od pewnego czasu niesłabnącą popularnością wnioskowania bayesowskiego. Po omówieniu podstaw teoretycznych (formuła bayesa, prawdopodobieństwo jako siła subiektywnego przekonania, pojęcia rozkładów apriori i aposteriori) będziemy dopasowywać proste wersje modelu liniowego, modele odporne, proste modele nieliniowe, modele mieszane i inne. Głównym narzędziem stosowanym w trakcie kursu będzie STAN. Nauczymy się oceniać zbieżność próbników i interpretować uzyskane rozkłady posterioryczne, Jeżeli tempo pracy na to pozwoli, spróbujemy napisać własny prosty sampler (MCMC). Sposób realizacji: Metody programowane – z użyciem komputera Metody problemowe – metody aktywizujące – dyskusja dydaktyczna Metody problemowe – wykład konwersatoryjny Spodziewany efekt: W zakresie wiedzy: W3. dysponuje zaawansowanym i rozbudowanym aparatem terminologicznym w zakresie dziedziny i dyscypliny studiów doktoranckich W4. ma zaawansowaną, uwzględniającą najnowsze osiągnięcia, prowadzącą do specjalizacji, wiedzę szczegółową w wybranych zakresach studiowanej dyscypliny W zakresie umiejętności: U1. potrafi porozumiewać się przy użyciu różnych kanałów i technik komunikacyjnych ze specjalistami w studiowanej dyscyplinie oraz specjalistami innych dziedzin i dyscyplin, w języku rodzimym i języku obcy U4. posiada zaawansowane umiejętności badawcze pozwalające na rozwiązywanie złożonych problemów naukowych oraz wniesienie oryginalnego wkładu w rozwój wiedzy i metodologii studiowanej dyscypliny poprzez zaplanowanie i przeprowadzenie badań, opracowanie i interpretację wyników oraz ich publikację w wydawnictwach recenzowanych W zakresie kompetencji społecznych: K1. ma świadomość poziomu własnych koncepcji badawczych, ich oryginalności, możliwości realizacji projektu badawczego, poziomu twórczości i istotności wkładu w rozwój studiowanej dyscypliny Forma zajęć: Warsztaty 30 godzin. Wymagania wstępne: Znajomość podstaw wnioskowania statystycznego, podstawowa umiejętność obsługi komputera Forma zaliczenia: Zaliczenie na podstawie obecności i wykonania ćwiczeń, ocena jakościowa uwzględniająca aktywność doktoranta, systematyczność pracy, obecność na spotkaniach Literatura: Bayesian Cognitive Modeling. Lee, M., D., Wagenmakers, E-J. 2014, Cambridge University Press Data Analysis Using Regression And Multilevel/Hierarchical Models. Gelman, A., 2006, Cambridge