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