Metodologia della Ricerca

In breve

La metodologia della ricerca è la disciplina che studia come si produce conoscenza scientifica valida. In psicologia ha un ruolo speciale: distingue ciò che sappiamo davvero da ciò che crediamo per intuito, senso comune o autorità. Perché una convinzione sul comportamento umano possa dirsi scientifica non basta che sia plausibile: deve essere fondata su prove raccolte con metodi rigorosi, controllabili e ripetibili. La metodologia fornisce le regole di questo processo — dal formulare una domanda al trarre conclusioni — e insieme lo spirito critico per riconoscere gli errori di ragionamento a cui la mente umana è naturalmente incline. Studiarla non serve solo a "fare ricerca": serve a leggere criticamente qualunque affermazione psicologica, a difendersi dalle pseudoscienze e a pensare in modo rigoroso. È la grammatica che rende la psicologia una scienza e non un insieme di opinioni.

🎯 Alla fine di questo capitolo saprai:

• definire la metodologia della ricerca e il suo scopo;
• distinguere conoscenza scientifica e senso comune;
• riconoscere le fonti non scientifiche della conoscenza;
• individuare i principali errori di ragionamento;
• capire perché la psicologia ha bisogno del metodo.

---

Cosa studia la metodologia

Perché conta: definire l'oggetto chiarisce che la metodologia non è un accessorio tecnico, ma il cuore di ciò che rende affidabile ogni conoscenza psicologica.

📌 Definizione formale. La metodologia della ricerca è lo studio dei metodi, delle procedure e dei principi con cui si acquisisce conoscenza scientifica. In psicologia riguarda come formulare domande di ricerca, raccogliere dati, analizzarli e interpretarli in modo valido, oggettivo e replicabile.

Distinguiamo:

• metodo: la strategia generale di indagine (es. l'esperimento);
• tecnica: lo strumento concreto (es. un questionario);
• metodologia: la riflessione critica su metodi e tecniche, che ne giustifica la scelta.

🔗 Analogia. Se la ricerca è un viaggio verso la conoscenza, la metodologia è la cartografia e le regole di navigazione: non ti dice dove andare (quello è la domanda di ricerca), ma come arrivarci senza perderti o ingannarti lungo la strada.

---

Conoscenza scientifica e senso comune

Perché conta: molte "verità" sul comportamento umano sembrano ovvie ma sono false; capire cosa rende scientifica una conoscenza è il primo passo del pensiero critico.

📌 Definizione formale. La conoscenza scientifica si distingue dalle altre forme per alcune caratteristiche:

• empirica: fondata su osservazioni e dati, non su speculazione;
• oggettiva/controllabile: i risultati sono verificabili da altri;
• sistematica: segue procedure ordinate;
• replicabile: altri, ripetendo lo studio, ottengono risultati simili;
• falsificabile: formulata in modo da poter essere smentita dai dati (Popper, cap. 2);
• pubblica: condivisa e sottoposta al vaglio della comunità.

⚠️ Attenzione. Il senso comune è spesso contraddittorio e non falsificabile. "Chi si somiglia si piglia" ma anche "gli opposti si attraggono": entrambi sembrano saggi dopo i fatti. La scienza serve proprio a stabilire quale, in quali condizioni, sia vero — con dati, non con proverbi.

🧩 Esempio. Molti credono "ovvio" che dopo un lutto sfogare le emozioni faccia sempre bene, o che la punizione sia il modo migliore per educare: la ricerca mostra quadri ben più complessi e a volte opposti. L'intuizione è un punto di partenza per le ipotesi, non una prova.

---

Le fonti (fallaci) della conoscenza

Perché conta: riconoscere da dove prendiamo le nostre convinzioni — e perché quelle fonti ingannano — è essenziale per capire perché serve un metodo più affidabile.

📌 Definizione formale — modi non scientifici di "sapere":

Fonte	Perché è inaffidabile
Autorità	"Lo dice un esperto/un libro": ma l'autorità può sbagliare
Tradizione	"Si è sempre fatto così": la ripetizione non è prova
Intuizione	Sensazione immediata: soggettiva e influenzabile
Esperienza personale	Aneddoti non controllati, memoria selettiva
Tenacia	Credere qualcosa solo perché ci si crede da tempo

La scienza non elimina queste fonti (danno idee e ipotesi), ma le sottopone a verifica con dati controllati.

🔗 Analogia. Le fonti non scientifiche sono come voci di corridoio: possono contenere verità, ma non ci si può fidare finché non si controlla. Il metodo scientifico è la "verifica dei fatti" prima di dare per buona la notizia.

---

Gli errori di ragionamento

Perché conta: la mente umana ha "trappole" cognitive sistematiche; conoscerle è indispensabile perché la ricerca serve proprio a proteggersi da esse.

📌 Definizione formale — bias comuni che la ricerca cerca di neutralizzare:

• Bias di conferma: cercare e ricordare solo ciò che conferma le proprie idee, ignorando le smentite.
• Correlazione scambiata per causazione: due cose che vanno insieme non implicano che una causi l'altra (cap. 8).
• Ragionamento post hoc: "dopo di ciò, quindi a causa di ciò" — se B segue A, non è detto che A causi B.
• Illusione di controllo, generalizzazione da pochi casi, effetto aneddoto.

🧩 Esempio. Se una persona prende un integratore e il raffreddore passa, conclude che l'integratore funziona (post hoc). Ma il raffreddore sarebbe passato comunque. Solo un confronto controllato (con un gruppo che non lo prende, cap. 7) può dirlo. La ricerca è, in fondo, un insieme di accorgimenti per non farsi ingannare dalla propria mente.

⚠️ Attenzione. Questi errori non colpiscono "gli altri": colpiscono tutti, ricercatori compresi. Per questo il metodo prevede controlli (gruppi di confronto, cecità, replica, revisione tra pari) che non dipendono dalla buona volontà del singolo.

---

🗺️ Come si collega il tutto

Questo capitolo pone la cornice di tutto il corso. L'esigenza di una conoscenza empirica, oggettiva e falsificabile porta al metodo scientifico (cap. 2), che si concretizza in teorie, ipotesi e variabili (cap. 3). Il bisogno di dati affidabili giustifica la cura per la misurazione (cap. 4), la validità e attendibilità (cap. 5) e il campionamento (cap. 6). La lotta contro i bias e la confusione causa-effetto motiva i disegni di ricerca: l'esperimento controllato (cap. 7) e i disegni correlazionali coi loro limiti (cap. 8). I controlli contro l'inganno culminano nell'inferenza statistica (cap. 10), nell'etica (cap. 11) e nella replica e revisione della comunicazione scientifica (cap. 12). Tutto il corso è, in un certo senso, lo sviluppo delle idee poste qui.

🔑 Concetti chiave

Termine	In una frase	Da non confondere con
Metodologia	Riflessione critica su metodi e tecniche di ricerca	Metodo (la strategia) e tecnica (lo strumento)
Conoscenza scientifica	Empirica, oggettiva, replicabile, falsificabile	Senso comune (intuitivo, non verificato)
Falsificabilità	Poter essere smentita dai dati	Verificabilità (poter essere confermata)
Bias di conferma	Cercare solo ciò che conferma le proprie idee	Errore casuale (non sistematico)
Post hoc	"Dopo, quindi a causa": scambiare successione per causa	Correlazione (associazione senza causa)

📝 Riepilogo

• La metodologia della ricerca studia come produrre conoscenza scientifica valida, oggettiva e replicabile.
• La conoscenza scientifica è empirica, controllabile, sistematica, replicabile, falsificabile e pubblica: si distingue dal senso comune.
• Le fonti non scientifiche (autorità, tradizione, intuizione, esperienza personale) danno idee ma vanno verificate con dati.
• La mente umana è soggetta a bias sistematici (conferma, post hoc, correlazione ≠ causazione): la ricerca esiste per neutralizzarli.
• I controlli metodologici (gruppi di confronto, cecità, replica, peer review) non dipendono dalla buona volontà del singolo.
• La metodologia è la grammatica che rende la psicologia una scienza.

---

▶️ Prossimo capitolo: Il metodo scientifico in psicologia

In breve

Il metodo scientifico è il procedimento con cui la scienza costruisce e mette alla prova le proprie affermazioni. Non è una ricetta rigida, ma un ciclo dinamico: dall'osservazione nasce una domanda, dalla domanda un'ipotesi, dall'ipotesi una previsione verificabile, che i dati confermano o smentiscono, portando a rivedere le teorie. In psicologia questo metodo incontra sfide particolari: l'oggetto di studio — la mente e il comportamento — è complesso, variabile, difficile da osservare direttamente e influenzato dallo stesso atto di osservarlo. Il capitolo esplora la logica del metodo scientifico (induzione e deduzione, il ruolo cruciale della falsificabilità di Popper) e le specificità del suo impiego in psicologia. Comprendere questa logica è ciò che permette di distinguere la ricerca solida dalla pseudoscienza e di apprezzare perché la psicologia scientifica proceda con tanta cautela metodologica.

🎯 Alla fine di questo capitolo saprai:

• descrivere le fasi del ciclo della ricerca scientifica;
• distinguere induzione e deduzione;
• spiegare il principio di falsificabilità (Popper);
• riconoscere le sfide specifiche della psicologia come scienza;
• capire il rapporto tra teoria e dati.

---

Il ciclo della ricerca

Perché conta: capire che la ricerca è un ciclo, non una linea retta, mostra come la conoscenza scientifica cresca per approssimazioni successive, sempre aperta alla revisione.

📌 Definizione formale — le fasi del metodo scientifico:

1. Osservazione: notare un fenomeno o un problema.
2. Domanda di ricerca: formulare una domanda precisa.
3. Ipotesi: proporre una risposta provvisoria e verificabile (cap. 3).
4. Previsione: dedurre cosa dovremmo osservare se l'ipotesi è vera.
5. Raccolta dati: condurre lo studio (esperimento, osservazione…).
6. Analisi: esaminare i dati (statistica, cap. 10).
7. Conclusione: l'ipotesi è supportata o smentita; si aggiorna la teoria e si generano nuove domande.

🔗 Analogia. Il metodo scientifico è come una spirale, non un cerchio chiuso: ogni giro parte da dove è finito il precedente, un po' più in alto. Ogni risposta apre nuove domande. La scienza non "conclude" mai definitivamente: affina progressivamente.

⚠️ Attenzione. Nella realtà le fasi non sono sempre lineari: a volte i dati arrivano prima dell'ipotesi (ricerca esplorativa), a volte una scoperta casuale cambia la domanda. Lo schema è una guida logica, non un vincolo procedurale rigido.

---

Induzione e deduzione

Perché conta: sono le due direzioni del ragionamento scientifico; capirle chiarisce come si passa dai dati alle teorie e viceversa.

📌 Definizione formale.

• Induzione: ragionare dal particolare al generale. Da molte osservazioni si ricava una regola generale. (Es. osservo molti casi di stress che peggiora la memoria → ipotizzo una legge generale.)
• Deduzione: ragionare dal generale al particolare. Da una teoria si deriva una previsione specifica da testare. (Es. se la teoria è vera, allora questo esperimento darà quel risultato.)

La ricerca combina le due: l'induzione genera teorie a partire dai dati; la deduzione ne trae previsioni da verificare, chiudendo il ciclo (approccio ipotetico-deduttivo).

🧩 Esempio. Osservando che vari animali imparano più in fretta con la ricompensa (induzione), si formula una teoria del rinforzo. Da essa si deduce: "se do una ricompensa a questi studenti, miglioreranno di più" — una previsione specifica, testabile (deduzione). Il risultato dell'esperimento retroagisce sulla teoria.

---

La falsificabilità di Popper

Perché conta: è il criterio che, secondo la filosofia della scienza moderna, separa la scienza dalla non-scienza; è centrale per valutare ipotesi e teorie in psicologia.

📌 Definizione formale. Secondo Karl Popper, un'affermazione è scientifica solo se è falsificabile: se esiste, almeno in linea di principio, un'osservazione che potrebbe smentirla. La scienza non prova definitivamente le teorie: le mette alla prova cercando di confutarle. Una teoria che sopravvive a molti tentativi di falsificazione è (provvisoriamente) corroborata.

⚠️ Attenzione. Una teoria che "spiega tutto" e non può essere smentita da nessuna osservazione non è scientifica. Se ogni possibile risultato può essere reinterpretato a favore della teoria, la teoria non rischia nulla — e quindi non dice nulla di controllabile.

🧩 Esempio. Popper criticava alcune teorie che sembravano confermate da qualunque cosa: qualsiasi comportamento poteva essere "spiegato" a posteriori. Al contrario, un'ipotesi come "il rumore riduce la concentrazione" è scientifica perché prevede un risultato preciso che un esperimento potrebbe non trovare. È il rischio di essere smentiti a rendere un'affermazione scientifica.

🔗 Analogia. Una teoria scientifica è come un ponte che accetta di essere caricato per testarne la tenuta: più peso regge senza crollare, più ci fidiamo. Una teoria infalsificabile è un ponte dipinto su un muro: bello, ma non lo si può mettere alla prova, e non porta da nessuna parte.

---

Le sfide della psicologia come scienza

Perché conta: la psicologia studia un oggetto peculiare; conoscere le sue difficoltà specifiche spiega perché richieda tanta cura metodologica e perché i suoi risultati vadano interpretati con prudenza.

📌 Definizione formale — le difficoltà specifiche:

Sfida	In cosa consiste
Oggetto non osservabile direttamente	Pensieri, emozioni: si inferiscono da indicatori (cap. 3-4)
Variabilità	Le persone differiscono molto e cambiano nel tempo
Reattività	Sapere di essere osservati altera il comportamento
Complessità causale	Ogni comportamento ha molte cause interagenti
Coinvolgimento del ricercatore	Aspettative dello sperimentatore possono influenzare i risultati

📌 I costrutti. Molti concetti psicologici (intelligenza, ansia, motivazione) sono costrutti: entità teoriche non direttamente osservabili, che si studiano attraverso indicatori misurabili. Definirli operativamente (cap. 3) è una sfida centrale.

🧩 Esempio. L'effetto Hawthorne: il solo fatto di essere osservati/studiati può migliorare le prestazioni dei partecipanti, indipendentemente dall'intervento. È un esempio di reattività: in psicologia lo strumento di misura (l'osservazione) interferisce con l'oggetto misurato — una difficoltà che le scienze fisiche conoscono meno.

⚠️ Attenzione. Queste sfide non rendono la psicologia "meno scientifica", ma richiedono accorgimenti metodologici specifici: definizioni operative, gruppi di controllo, cecità, campioni ampi, replica. La scientificità sta nel metodo, non nella semplicità dell'oggetto.

---

🗺️ Come si collega il tutto

Il metodo scientifico è la messa in pratica dei principi del capitolo 1 (conoscenza empirica e falsificabile). Il ciclo osservazione-ipotesi-verifica struttura tutto il corso: le ipotesi e variabili (cap. 3) formalizzano i passi 3-4; la misurazione (cap. 4) e i criteri di validità (cap. 5) servono i passi 4-5; il campionamento (cap. 6) e i disegni (cap. 7-8) organizzano la raccolta dati; l'analisi statistica (cap. 10) sostiene i passi 6-7. Le sfide della psicologia — reattività, costrutti, variabilità — motivano i controlli sperimentali (cap. 7) e le cautele etiche (cap. 11). La falsificabilità e la replica trovano compimento nella comunicazione scientifica e nella crisi di replicabilità (cap. 12).

🔑 Concetti chiave

Termine	In una frase	Da non confondere con
Ciclo della ricerca	Osservazione → ipotesi → previsione → dati → conclusione	Ricetta rigida (è una guida flessibile)
Induzione	Dal particolare al generale (dati → teoria)	Deduzione (dal generale al particolare)
Falsificabilità	Poter essere smentita da un'osservazione	Verificabilità (poter essere confermata)
Costrutto	Entità teorica non osservabile (ansia, intelligenza)	Indicatore (la misura osservabile)
Reattività	L'osservazione altera ciò che si osserva	Errore di misura (imprecisione dello strumento)

📝 Riepilogo

• Il metodo scientifico è un ciclo: osservazione → domanda → ipotesi → previsione → dati → analisi → conclusione (e nuove domande).
• Combina induzione (dati → teoria) e deduzione (teoria → previsioni): l'approccio ipotetico-deduttivo.
• La falsificabilità (Popper) è il criterio di scientificità: la scienza mette alla prova le teorie cercando di confutarle, non le prova in via definitiva.
• La psicologia affronta sfide specifiche: oggetto non osservabile (costrutti), variabilità, reattività (es. effetto Hawthorne), complessità causale.
• Queste difficoltà richiedono accorgimenti metodologici (definizioni operative, controlli, replica): la scientificità sta nel metodo.

---

▶️ Prossimo capitolo: Teorie, ipotesi e variabili

In breve

Prima di raccogliere un solo dato, la ricerca deve costruire le sue fondamenta concettuali: una teoria che inquadra il fenomeno, un'ipotesi precisa da mettere alla prova, e le variabili che traducono le idee astratte in qualcosa di osservabile e misurabile. Questo passaggio dall'astratto al concreto è il più delicato dell'intero processo: un'ipotesi vaga o variabili mal definite condannano lo studio all'irrilevanza, per quanto sofisticata sia poi l'analisi. Il cuore del capitolo è la definizione operativa — il modo in cui un costrutto invisibile come "ansia" o "aggressività" viene tradotto in una procedura concreta di misurazione — e la distinzione tra variabili indipendenti (le cause che manipoliamo) e dipendenti (gli effetti che osserviamo). Padroneggiare questi concetti significa saper trasformare una curiosità sul comportamento umano in una domanda scientificamente affrontabile.

🎯 Alla fine di questo capitolo saprai:

• distinguere teoria, ipotesi e legge;
• formulare ipotesi e riconoscere l'ipotesi nulla;
• definire operativamente un costrutto;
• classificare le variabili (indipendente, dipendente, di controllo);
• riconoscere le variabili di confondimento.

---

Teorie, ipotesi, leggi

Perché conta: questi tre livelli strutturano il sapere scientifico; confonderli porta a fraintendere cosa la ricerca può affermare e con quale forza.

📌 Definizione formale.

• Teoria: un sistema organizzato di concetti e relazioni che spiega un insieme di fenomeni e genera previsioni. È ampia e integrativa. (Es. la teoria dell'attaccamento.)
• Ipotesi: un'affermazione specifica e verificabile, spesso derivata da una teoria, che prevede una relazione tra variabili. È il "pezzo" testabile in un singolo studio.
• Legge: una relazione empirica ben stabilita e regolare (più rara in psicologia che in fisica).

⚠️ Attenzione. Nel linguaggio comune "teoria" significa "congettura incerta"; in scienza significa quasi l'opposto: una spiegazione ampiamente sostenuta da prove. Una teoria non è "un'ipotesi non ancora provata", ma un impianto esplicativo maturo.

🔗 Analogia. La teoria è la mappa generale di un territorio; l'ipotesi è la previsione precisa ("se prendo questa strada, arrivo al fiume in 10 minuti") che si può verificare camminando. Si testano le ipotesi, non direttamente le teorie: ma molte ipotesi confermate rafforzano la teoria da cui provengono.

---

Formulare le ipotesi

Perché conta: un'ipotesi ben formulata è la spina dorsale dello studio; la sua forma logica determina anche come si analizzeranno i dati (cap. 10).

📌 Definizione formale. Una buona ipotesi di ricerca è:

• specifica e chiara;
• verificabile empiricamente;
• falsificabile (cap. 2);
• formulata come relazione tra variabili ("A influisce su B").

📌 Ipotesi nulla e alternativa. Nella logica statistica (cap. 10) si contrappongono:

• ipotesi nulla (H₀): afferma che non c'è effetto o relazione (es. "il metodo non cambia i risultati");
• ipotesi alternativa (H₁): afferma che l'effetto/relazione esiste (è l'ipotesi di ricerca).

La ricerca procede cercando di rifiutare l'ipotesi nulla: se i dati sono molto improbabili sotto H₀, si conclude a favore di H₁. È l'applicazione della logica falsificazionista alla statistica.

🧩 Esempio. Ipotesi di ricerca: "Studiare a intervalli distribuiti migliora la memoria rispetto a studiare tutto in una volta". H₀: "non c'è differenza tra i due metodi". Si conduce l'esperimento e, se la differenza osservata è troppo grande per essere un caso, si rifiuta H₀. Formulare bene entrambe è il presupposto dell'analisi.

---

Le variabili e la definizione operativa

Perché conta: è il ponte tra il concetto astratto e il dato concreto; senza definizione operativa un costrutto resta invisibile alla ricerca. È il passaggio più critico.

📌 Definizione formale. Una variabile è una caratteristica che può assumere valori diversi (età, tempo di reazione, livello di ansia). Un costrutto (cap. 2) è un concetto teorico non osservabile direttamente.

La definizione operativa specifica come un costrutto verrà misurato o manipolato, traducendolo in operazioni concrete e osservabili.

🧩 Esempio. Il costrutto "ansia" non si vede. Lo si definisce operativamente scegliendo indicatori misurabili: il punteggio a un questionario validato, la frequenza cardiaca, il numero di comportamenti di evitamento. Ogni definizione coglie un aspetto; la scelta va giustificata e influenza i risultati.

⚠️ Attenzione. La definizione operativa è potente ma parziale: "intelligenza = punteggio al test QI" rende misurabile il costrutto, ma non lo esaurisce. Studi diversi che definiscono lo stesso costrutto in modi diversi possono ottenere risultati diversi. Bisogna sempre chiedersi: la definizione operativa cattura davvero il costrutto? (È il tema della validità, cap. 5.)

---

Tipi di variabili

Perché conta: distinguere i ruoli delle variabili è indispensabile per progettare uno studio e per interpretare cause ed effetti senza confusione.

📌 Definizione formale — i ruoli:

Variabile	Ruolo	Esempio
Indipendente (VI)	La presunta causa; nell'esperimento è manipolata	Il metodo di studio
Dipendente (VD)	L'effetto; è misurata	Il punteggio al test
Di controllo	Tenuta costante per isolarne l'effetto	Il tempo concesso, uguale per tutti
Di confondimento	Varia insieme alla VI e ne confonde l'effetto	La motivazione iniziale, se non controllata

🧩 Esempio. Studio l'effetto del metodo di studio (VI) sul rendimento (VD). Se il gruppo col metodo nuovo era anche il più motivato in partenza, la motivazione è una variabile di confondimento: non so più se il miglioramento dipende dal metodo o dalla motivazione. Ecco perché servono controlli (cap. 7).

⚠️ Attenzione (il nemico numero uno). Le variabili di confondimento sono la principale minaccia alla validità di uno studio: fanno attribuire alla VI un effetto che in realtà è di un'altra variabile. Gran parte del disegno sperimentale (cap. 7) esiste proprio per neutralizzarle (randomizzazione, gruppi di controllo).

🔗 Analogia. Una variabile di confondimento è un "passeggero clandestino" che viaggia con la causa che studiamo: quando vediamo arrivare l'effetto, non sappiamo chi dei due l'ha prodotto. Il buon disegno di ricerca è il controllo dei passaporti che smaschera i clandestini.

---

🗺️ Come si collega il tutto

Questo capitolo traduce il metodo scientifico (cap. 2) in strumenti operativi. La definizione operativa dei costrutti prepara la misurazione (cap. 4) e pone il problema della validità (le nostre misure catturano davvero il costrutto?, cap. 5). La distinzione VI/VD è il fondamento del disegno sperimentale (cap. 7): manipolare la VI e misurare la VD. Le variabili di confondimento sono la minaccia che i disegni sperimentali (randomizzazione, controllo) e quelli correlazionali (coi loro limiti, cap. 8) devono affrontare. L'ipotesi nulla e alternativa qui introdotte sono la base logica dell'inferenza statistica (cap. 10). Formulare bene teoria, ipotesi e variabili è ciò che rende uno studio interpretabile.

🔑 Concetti chiave

Termine	In una frase	Da non confondere con
Teoria	Sistema esplicativo ampio e sostenuto da prove	Ipotesi (affermazione specifica e testabile)
Ipotesi nulla (H₀)	Afferma l'assenza di effetto; si cerca di rifiutarla	Ipotesi alternativa (H₁, l'effetto esiste)
Costrutto	Concetto teorico non osservabile	Variabile (caratteristica che assume valori)
Definizione operativa	Come si misura/manipola un costrutto	Definizione concettuale (il significato teorico)
VI vs VD	Causa manipolata vs effetto misurato	Variabile di confondimento (falsa la relazione)

📝 Riepilogo

• Teoria (sistema esplicativo ampio), ipotesi (affermazione specifica e testabile), legge (relazione empirica stabile): tre livelli distinti.
• Una buona ipotesi è specifica, verificabile, falsificabile, come relazione tra variabili; in statistica si oppongono H₀ (nessun effetto) e H₁.
• La definizione operativa traduce un costrutto invisibile in operazioni misurabili: potente ma parziale (rimanda alla validità).
• Le variabili: indipendente (causa manipolata), dipendente (effetto misurato), di controllo (tenuta costante).
• Le variabili di confondimento sono la principale minaccia: fanno attribuire alla VI effetti altrui; il disegno di ricerca esiste per neutralizzarle.

---

▶️ Prossimo capitolo: La misurazione e le scale

In breve

Misurare significa assegnare numeri a caratteristiche secondo regole precise. In psicologia la misurazione è un'impresa particolarmente delicata: mentre misurare una lunghezza è immediato, misurare l'ansia, l'atteggiamento o l'intelligenza richiede di quantificare qualcosa che non ha un'unità naturale. Il capitolo introduce le scale di misura — nominale, ordinale, a intervalli, a rapporti — che classificano i dati secondo le operazioni che permettono: alcune consentono solo di distinguere categorie, altre di ordinare, altre di calcolare differenze e rapporti. Sapere a quale scala appartiene una variabile è cruciale, perché determina quali analisi statistiche sono lecite (cap. 10): applicare un calcolo sbagliato a una scala inadatta produce risultati privi di senso. Comprendere i livelli di misura è quindi il fondamento per raccogliere e trattare correttamente i dati psicologici.

🎯 Alla fine di questo capitolo saprai:

• definire la misurazione in psicologia;
• distinguere le quattro scale di misura e le loro proprietà;
• riconoscere quali operazioni ciascuna scala consente;
• collegare la scala alle analisi statistiche appropriate;
• distinguere variabili qualitative e quantitative, discrete e continue.

---

Cos'è la misurazione

Perché conta: definire la misurazione chiarisce cosa significhi "quantificare" un fenomeno psicologico e perché non tutti i numeri abbiano lo stesso significato.

📌 Definizione formale. La misurazione è l'assegnazione di numeri (o etichette) a oggetti, eventi o caratteristiche secondo regole prestabilite, in modo da rappresentarne le proprietà. Il numero assegnato è un simbolo che riflette una proprietà della realtà.

⚠️ Attenzione. Non tutti i numeri "misurano" allo stesso modo. Il numero sulla maglia di un calciatore non indica che il "10" è maggiore del "5" in qualche senso reale: è solo un'etichetta. Capire cosa rappresenta un numero — e quali operazioni ha senso farci — è il cuore della misurazione. Da qui la necessità delle scale.

🔗 Analogia. Assegnare numeri senza conoscerne la scala è come ricevere prezzi senza sapere la valuta: "100" può essere tanto o poco a seconda che siano euro, yen o etichette senza valore. La scala è la "valuta" che dà senso ai numeri.

---

Le quattro scale di misura

Perché conta: è la classificazione fondamentale (Stevens) che governa tutto il trattamento dei dati; sceglierla bene è il prerequisito di ogni analisi corretta.

📌 Definizione formale — le scale, dalla più povera alla più ricca:

Scala	Cosa permette	Esempio	Operazioni lecite
Nominale	Classificare in categorie (senza ordine)	Genere, nazionalità, diagnosi	Conteggi, moda, frequenze
Ordinale	Ordinare (ma distanze non uniformi)	Classifica, livello (basso/medio/alto)	+ mediana, ranghi
A intervalli	Distanze uguali (ma zero arbitrario)	Temperatura in °C, molti test	+ media, differenze, deviazione std
A rapporti	Zero assoluto (assenza vera)	Tempo di reazione, peso, età	+ rapporti ("il doppio di")

📌 La gerarchia. Ogni scala include le proprietà di quelle inferiori e ne aggiunge una: la nominale classifica; l'ordinale aggiunge l'ordine; a intervalli aggiunge distanze uguali; a rapporti aggiunge lo zero assoluto. Più si sale, più operazioni matematiche sono lecite.

🧩 Esempio (perché lo zero conta). La temperatura in °C è a intervalli: 20° non è "il doppio di caldo" di 10°, perché lo zero (0 °C) è convenzionale, non assenza di calore. Il tempo di reazione è a rapporti: 400 ms è davvero il doppio di 200 ms, perché lo zero (nessun tempo) è assoluto. Solo con lo zero assoluto ha senso dire "il doppio".

⚠️ Attenzione. In psicologia molte misure (punteggi di questionari, scale Likert) sono formalmente ordinali, ma spesso trattate come a intervalli per poter usare statistiche più potenti (media, deviazione standard). È una semplificazione diffusa ma dibattuta: bisogna esserne consapevoli.

---

Scala e statistica: perché è cruciale

Perché conta: è la ragione pratica per cui le scale contano: determinano quali analisi sono lecite. Sbagliare qui invalida i risultati a monte, prima ancora di calcolare.

📌 Regola fondamentale. La scala di misura determina quali indici e test statistici sono appropriati (cap. 10):

• su una scala nominale si può calcolare la moda e le frequenze, ma non la media;
• su una ordinale si aggiunge la mediana e i ranghi;
• solo su scale a intervalli/rapporti ha senso la media e la deviazione standard.

🧩 Esempio. Calcolare la "media" delle nazionalità (nominale) codificate come 1=italiana, 2=francese, 3=tedesca è un non-senso: una media di 1,8 non significa nulla. Si può solo dire quale categoria è più frequente (moda). Applicare la statistica giusta alla scala giusta è la prima garanzia di risultati sensati.

⚠️ Attenzione. Molti errori nelle ricerche (e nelle tesi) nascono qui: si applica un test che richiede dati a intervalli a variabili ordinali o nominali. Il software calcola comunque un numero, ma il numero è privo di significato. Il computer non "sa" la scala: lo deve sapere il ricercatore.

---

Qualitative e quantitative, discrete e continue

Perché conta: sono distinzioni pratiche che si sovrappongono alle scale e guidano la scelta di grafici e analisi.

📌 Definizione formale.

• Variabili qualitative (categoriali): esprimono qualità/categorie (scale nominale e ordinale). Es. il genere, il tipo di scuola.
• Variabili quantitative (numeriche): esprimono quantità (scale a intervalli e rapporti). Es. l'età, il punteggio.

Le quantitative si dividono ancora in:

• discrete: valori "a salti", numerabili (numero di figli, errori commessi);
• continue: valori su un continuo, con infinite gradazioni possibili (tempo, altezza).

🧩 Esempio. "Numero di parole ricordate" è quantitativa discreta (0, 1, 2… non 2,5 parole). "Tempo impiegato" è quantitativa continua (può essere 2,347 secondi). La distinzione orienta il tipo di grafico (barre vs istogramma) e alcune analisi.

🔗 Analogia. Le variabili discrete sono come i gradini di una scala (posizioni definite), le continue come una rampa (ogni punto intermedio è possibile). Sapere quale delle due si ha in mano evita di trattare i dati nel modo sbagliato.

---

🗺️ Come si collega il tutto

La misurazione dà corpo alla definizione operativa dei costrutti (cap. 3): scelto cosa misurare, la scala stabilisce come trattarlo. La qualità della misura è il tema del capitolo successivo su validità e attendibilità (cap. 5): una misura può essere sulla scala giusta ma imprecisa o non valida. Le scale determinano le tecniche di raccolta dei dati (cap. 9: questionari, test, osservazione) e, soprattutto, l'analisi statistica (cap. 10): la scelta tra media/mediana/moda e tra test parametrici e non parametrici dipende direttamente dal livello di misura. Misurare correttamente è il fondamento su cui poggia l'intera catena che porta dai dati alle conclusioni.

🔑 Concetti chiave

Termine	In una frase	Da non confondere con
Misurazione	Assegnare numeri secondo regole	Numerazione arbitraria (etichette senza scala)
Scala nominale	Solo categorie, senza ordine	Ordinale (categorie ordinate)
Scala a intervalli	Distanze uguali, zero arbitrario	A rapporti (zero assoluto, permette "il doppio")
Qualitativa vs quantitativa	Categorie vs quantità numeriche	Discreta vs continua (tipo di quantitativa)
Livello di misura	Determina le statistiche lecite	Precisione della misura (attendibilità, cap. 5)

📝 Riepilogo

• Misurare = assegnare numeri secondo regole; non tutti i numeri hanno lo stesso significato (serve conoscere la scala).
• Le quattro scale (Stevens), in gerarchia crescente: nominale (categorie), ordinale (ordine), a intervalli (distanze uguali, zero arbitrario), a rapporti (zero assoluto).
• Solo lo zero assoluto (scala a rapporti) permette di dire "il doppio"; lo zero a intervalli è convenzionale.
• La scala determina le statistiche lecite: moda (nominale), mediana (ordinale), media e deviazione std (intervalli/rapporti). Sbagliare invalida l'analisi.
• Distinzioni pratiche: qualitative (categoriali) vs quantitative (numeriche); queste ultime discrete (a salti) o continue.

---

▶️ Prossimo capitolo: Validità e attendibilità

In breve

Una misura, per essere utile, deve possedere due qualità fondamentali: deve misurare davvero ciò che dice di misurare (validità) e deve farlo in modo coerente e stabile (attendibilità). Sono due concetti distinti ma complementari, e la loro cura è ciò che separa una ricerca solida da una fragile. Un termometro rotto che segna sempre 5 gradi in più è attendibile (dà sempre lo stesso errore) ma non valido (sbaglia sistematicamente). Al contrario, una bilancia che oscilla a caso è inattendibile e quindi inutilizzabile. Il capitolo esplora i diversi tipi di validità — dalla validità di contenuto a quella di costrutto, dalla validità interna a quella esterna — e le forme dell'attendibilità, mostrando come si valutano e si migliorano. Questi criteri sono la "qualità" della ricerca: senza di essi, per quanto sofisticata sia l'analisi, i risultati non significano nulla.

🎯 Alla fine di questo capitolo saprai:

• distinguere validità e attendibilità e il loro rapporto;
• riconoscere i tipi di validità di una misura;
• distinguere validità interna ed esterna di uno studio;
• descrivere le forme di attendibilità e come si valutano;
• individuare le minacce alla validità.

---

Attendibilità e validità: la distinzione fondamentale

Perché conta: confondere questi due concetti è un errore diffuso e grave; distinguerli è la base per valutare la qualità di qualunque misura o studio.

📌 Definizione formale.

• Attendibilità (affidabilità): il grado in cui una misura è coerente e stabile — se ripetuta nelle stesse condizioni, dà risultati simili. Riguarda la precisione.
• Validità: il grado in cui una misura misura effettivamente il costrutto che intende misurare. Riguarda l'accuratezza (colpire il bersaglio giusto).

📌 Il rapporto tra le due. L'attendibilità è necessaria ma non sufficiente per la validità: una misura non può essere valida se non è attendibile, ma può essere attendibile senza essere valida.

🔗 Analogia (il bersaglio). Immagina di tirare frecce a un bersaglio:

• frecce sparse ovunque = inattendibile (e quindi non valida);
• frecce raggruppate ma lontano dal centro = attendibile ma non valida (coerente nell'errore);
• frecce raggruppate nel centro = attendibile e valida. La coerenza (frecce vicine tra loro) non garantisce di colpire il punto giusto.

🧩 Esempio. Un test che "misura l'intelligenza" ma in realtà misura la cultura generale può essere attendibilissimo (stessi punteggi ogni volta) e però non valido (non misura l'intelligenza). L'attendibilità da sola inganna.

---

I tipi di validità della misura

Perché conta: "valido" non è un concetto unico; conoscerne le forme permette di valutare da più angolazioni se uno strumento coglie davvero il costrutto.

📌 Definizione formale — le principali forme:

Tipo	Domanda a cui risponde
Di facciata (face)	A prima vista sembra misurare il costrutto? (la più debole)
Di contenuto	Copre tutti gli aspetti del costrutto?
Di criterio	Correla con un criterio esterno? (concorrente o predittiva)
Di costrutto	Misura davvero il costrutto teorico, coerentemente con la teoria? (la più importante)

🧩 Esempio (validità predittiva). Un test di ammissione ha validità predittiva se i punteggi predicono davvero il successo negli studi successivi. Se chi ottiene punteggi alti poi non va meglio degli altri, il test non ha validità predittiva, per quanto sembri ben fatto. Il criterio esterno è la prova del nove.

⚠️ Attenzione. La validità di costrutto è la più profonda e difficile: richiede di dimostrare, con più prove convergenti, che lo strumento si comporta come la teoria prevede (correla con ciò con cui dovrebbe, non correla con ciò da cui dovrebbe distinguersi). È un processo cumulativo, mai chiuso una volta per tutte.

---

Validità interna ed esterna dello studio

Perché conta: oltre alle misure, è l'intero studio a dover essere valido; questa distinzione è centrale per giudicare cosa un esperimento può davvero concludere.

📌 Definizione formale.

• Validità interna: il grado in cui lo studio dimostra davvero che è la VI a causare l'effetto sulla VD, escludendo spiegazioni alternative (variabili di confondimento, cap. 3). Riguarda la causalità all'interno dello studio.
• Validità esterna: il grado in cui i risultati sono generalizzabili ad altre persone, contesti, tempi, al di là del campione studiato.

⚠️ Attenzione (il compromesso). Spesso c'è tensione tra le due: un esperimento molto controllato in laboratorio ha alta validità interna (poche confusioni) ma può avere bassa validità esterna (situazione artificiale, poco simile alla vita reale). Uno studio "sul campo" è più realistico (validità esterna) ma meno controllato (validità interna). Il ricercatore bilancia le due secondo gli scopi.

🧩 Esempio. Studiare la memoria facendo memorizzare sillabe senza senso in laboratorio dà grande controllo (validità interna) ma dice poco su come ricordiamo nella vita quotidiana (validità esterna). Studiarla su testimoni oculari di eventi reali è più realistico ma pieno di variabili incontrollate. Entrambi gli approcci servono e si completano.

---

Le forme di attendibilità e le minacce

Perché conta: sapere come si valuta e si mette a rischio l'attendibilità permette di scegliere strumenti solidi e riconoscere quelli difettosi.

📌 Definizione formale — come si valuta l'attendibilità:

• Test-retest: somministrare lo stesso strumento due volte e vedere se i risultati coincidono (stabilità nel tempo).
• Tra valutatori (inter-rater): più osservatori indipendenti concordano? (importante nell'osservazione, cap. 9).
• Coerenza interna: gli item di un test che misurano lo stesso costrutto correlano tra loro? (indice tipico: alfa di Cronbach).

📌 Minacce alla validità interna (fattori che offrono spiegazioni alternative):

Minaccia	In cosa consiste
Storia	Eventi esterni accaduti durante lo studio
Maturazione	I partecipanti cambiano nel tempo per conto loro
Effetto strumento	Lo strumento di misura cambia/si tara diversamente
Selezione	I gruppi differivano già prima dell'intervento
Mortalità sperimentale	Abbandoni selettivi dei partecipanti
Regressione verso la media	Punteggi estremi tendono a moderarsi al secondo rilevamento

🧩 Esempio. Se misuro l'umore prima e dopo una terapia e migliora, potrebbe essere la terapia — oppure la storia (nel frattempo è arrivata la primavera), la maturazione, o la regressione verso la media (avevo scelto le persone più depresse, che tendono comunque a risalire). Solo un gruppo di controllo (cap. 7) permette di escludere queste alternative.

---

🗺️ Come si collega il tutto

Validità e attendibilità sono i criteri di qualità che valutano la misurazione (cap. 4) e i costrutti definiti operativamente (cap. 3): rispondono alla domanda "la nostra definizione operativa coglie davvero il costrutto?". La validità interna dipende dal controllo delle variabili di confondimento (cap. 3) ed è il punto di forza del disegno sperimentale (cap. 7) e il tallone d'Achille dei disegni correlazionali (cap. 8). La validità esterna dipende dal campionamento (cap. 6): un campione rappresentativo generalizza meglio. L'attendibilità inter-rater è cruciale per l'osservazione (cap. 9). Questi criteri sono il metro con cui, alla fine, si giudica se una ricerca "vale": è il tema che culmina nella crisi di replicabilità (cap. 12).

🔑 Concetti chiave

Termine	In una frase	Da non confondere con
Attendibilità	Coerenza/stabilità della misura (precisione)	Validità (misurare la cosa giusta, accuratezza)
Validità di costrutto	La misura coglie davvero il costrutto teorico	Validità di facciata (sembra farlo, superficiale)
Validità interna	Lo studio dimostra la causalità VI→VD	Validità esterna (generalizzabilità)
Validità esterna	I risultati si generalizzano ad altri contesti	Validità interna (controllo interno)
Test-retest	Attendibilità come stabilità nel tempo	Coerenza interna (accordo tra gli item)

📝 Riepilogo

• Attendibilità = coerenza/precisione della misura; validità = misurare davvero il costrutto (accuratezza). L'attendibilità è necessaria ma non sufficiente per la validità (metafora del bersaglio).
• Tipi di validità della misura: di facciata, di contenuto, di criterio (concorrente/predittiva), di costrutto (la più importante e difficile).
• Validità interna (lo studio dimostra la causalità VI→VD, escludendo confondimenti) vs esterna (generalizzabilità); spesso in compromesso (laboratorio vs campo).
• L'attendibilità si valuta con test-retest, accordo tra valutatori, coerenza interna (alfa di Cronbach).
• Minacce alla validità interna: storia, maturazione, selezione, mortalità, regressione verso la media — neutralizzate dal gruppo di controllo (cap. 7).

---

▶️ Prossimo capitolo: Il campionamento

In breve

È quasi sempre impossibile studiare tutte le persone a cui una ricerca vorrebbe applicarsi: non si possono intervistare tutti gli adolescenti italiani o tutti i pazienti con un disturbo. Si studia allora un campione — un sottoinsieme — e da esso si traggono conclusioni sull'intera popolazione. Ma questo passaggio è insidioso: le conclusioni sono valide solo se il campione rappresenta bene la popolazione. Un campione distorto porta a conclusioni sbagliate, per quanto ampio sia. Il capitolo distingue i metodi di campionamento probabilistici (in cui ognuno ha una probabilità nota di essere scelto, e che permettono la generalizzazione statistica) da quelli non probabilistici (più pratici ma a rischio di distorsione), e introduce concetti chiave come la rappresentatività, l'ampiezza del campione e l'errore campionario. Capire il campionamento è essenziale perché determina la validità esterna (cap. 5): a chi possiamo davvero estendere ciò che abbiamo trovato.

🎯 Alla fine di questo capitolo saprai:

• distinguere popolazione e campione;
• spiegare la rappresentatività e perché conta;
• distinguere campionamento probabilistico e non probabilistico;
• descrivere i principali metodi di campionamento;
• capire il ruolo dell'ampiezza campionaria e dell'errore.

---

Popolazione e campione

Perché conta: è la distinzione di base di ogni ricerca che voglia generalizzare; chiarirla evita di sovraestendere le conclusioni.

📌 Definizione formale.

• Popolazione: l'insieme completo di tutti gli elementi (persone, casi) a cui la ricerca vuole riferirsi (es. tutti gli studenti universitari italiani).
• Campione: il sottoinsieme della popolazione effettivamente studiato.
• Parametro: un valore che descrive la popolazione (spesso ignoto).
• Statistica: il corrispondente valore calcolato sul campione, usato per stimare il parametro.

🔗 Analogia. Il campione sta alla popolazione come un assaggio sta a una pentola di minestra: se la minestra è ben mescolata, un cucchiaio basta a giudicare il tutto. Ma se gli ingredienti sono sul fondo (campione distorto), l'assaggio inganna. Il "mescolare bene" è la casualità del campionamento.

📌 L'inferenza. Lo scopo è inferire dalle statistiche del campione ai parametri della popolazione (cap. 10). Questo è lecito solo se il campione è rappresentativo.

---

La rappresentatività

Perché conta: è la proprietà che rende un campione utile; senza di essa nessuna generalizzazione è giustificata, e i numeri, per quanto precisi, ingannano.

📌 Definizione formale. Un campione è rappresentativo se riflette le caratteristiche rilevanti della popolazione (composizione per età, genere, ecc.). Solo un campione rappresentativo permette di generalizzare i risultati (validità esterna, cap. 5).

⚠️ Attenzione (il bias di campionamento). Un campione distorto (non rappresentativo) porta a conclusioni sbagliate, e l'ampiezza non lo salva: un campione enorme ma sistematicamente distorto è enormemente sbagliato.

🧩 Esempio storico. Nel 1936 un sondaggio americano con milioni di risposte predisse la vittoria del candidato sbagliato, perché il campione (raccolto tra possessori di telefono e automobile) escludeva i più poveri: era distorto. Un sondaggio molto più piccolo ma rappresentativo azzeccò il risultato. La qualità (rappresentatività) batte la quantità.

⚠️ Attenzione (il campione WEIRD). Molta ricerca psicologica usa studenti universitari occidentali (WEIRD: Western, Educated, Industrialized, Rich, Democratic). Generalizzare da loro all'intera umanità è problematico: sono un campione comodo ma poco rappresentativo del genere umano. È un limite noto e dibattuto della disciplina.

---

Campionamento probabilistico

Perché conta: è il "gold standard" perché permette di quantificare l'errore e generalizzare statisticamente; capirne le forme è la base della ricerca rigorosa su popolazioni.

📌 Definizione formale. Nel campionamento probabilistico ogni elemento della popolazione ha una probabilità nota (e non nulla) di essere selezionato. È ciò che permette la generalizzazione statistica.

Metodo	Come funziona
Casuale semplice	Ogni elemento ha la stessa probabilità (estrazione a sorte)
Sistematico	Si sceglie ogni k-esimo elemento da una lista
Stratificato	Si divide la popolazione in strati (es. per età) e si campiona in ciascuno, rispettando le proporzioni
A grappoli (cluster)	Si estraggono gruppi interi (es. classi, città), poi si studiano

🧩 Esempio. Per studiare gli studenti di un ateneo, il campionamento stratificato garantisce che ogni facoltà sia rappresentata nella giusta proporzione: si evita di sovra- o sotto-rappresentare gruppi. È più preciso del casuale semplice quando la popolazione ha sottogruppi rilevanti.

🔗 Analogia. Il campionamento probabilistico è come una lotteria equa: le regole di estrazione sono note e ognuno ha la sua chance. Questo permette di calcolare quanto ci si può fidare del risultato — cioè l'errore campionario.

---

Campionamento non probabilistico, ampiezza ed errore

Perché conta: nella pratica molta ricerca usa metodi non probabilistici; conoscerne i limiti — e il ruolo dell'ampiezza — permette di interpretare i risultati con la giusta cautela.

📌 Definizione formale — metodi non probabilistici (la probabilità di selezione non è nota):

Metodo	Come funziona	Limite
Di convenienza	Si prende chi è disponibile (es. studenti del corso)	Alto rischio di distorsione
A valanga (snowball)	I partecipanti reclutano altri partecipanti	Utile per popolazioni difficili, ma distorto
Per quote	Si riempiono "quote" per categorie, ma senza casualità	Meno rigoroso dello stratificato

Sono più pratici ed economici, ma non permettono la generalizzazione statistica rigorosa: i risultati vanno interpretati con cautela.

📌 Ampiezza campionaria ed errore.

• L'errore campionario è la differenza naturale tra la statistica del campione e il parametro della popolazione, dovuta al caso.
• In generale, campioni più ampi riducono l'errore campionario e danno stime più precise (a parità di rappresentatività).
• La dimensione necessaria si stabilisce anche in base alla potenza statistica desiderata (cap. 10): la capacità di rilevare un effetto se esiste.

⚠️ Attenzione. Ampiezza e rappresentatività sono due cose diverse: aumentare l'ampiezza riduce l'errore casuale, ma non corregge la distorsione sistematica (bias). Un campione va prima reso rappresentativo, poi ampio.

---

🗺️ Come si collega il tutto

Il campionamento è il ponte tra il campione studiato e la popolazione a cui si vogliono estendere i risultati: determina direttamente la validità esterna (cap. 5). È il presupposto dell'inferenza statistica (cap. 10), che dal campione stima i parametri e ne quantifica l'incertezza (errore campionario, intervalli di confidenza): la logica inferenziale funziona solo su campioni probabilistici. La scelta del campione interagisce coi disegni di ricerca (cap. 7-8) e con le tecniche di raccolta (cap. 9). Il tema del campione WEIRD e della rappresentatività riemerge nella crisi di replicabilità e generalizzabilità (cap. 12). Chi campiona male costruisce su fondamenta fragili, qualunque sia la raffinatezza dell'analisi successiva.

🔑 Concetti chiave

Termine	In una frase	Da non confondere con
Popolazione vs campione	Insieme totale vs sottoinsieme studiato	Parametro (popolazione) vs statistica (campione)
Rappresentatività	Il campione riflette la popolazione	Ampiezza (quanti sono, non quanto rappresentano)
Campionamento probabilistico	Probabilità di selezione nota (generalizza)	Non probabilistico (comodo ma distorto)
Stratificato	Campiona entro strati proporzionali	A grappoli (estrae gruppi interi)
Errore campionario	Scarto casuale campione-popolazione	Bias di campionamento (distorsione sistematica)

📝 Riepilogo

• Si studia un campione per inferire sulla popolazione: lecito solo se il campione è rappresentativo.
• Un campione distorto inganna a prescindere dall'ampiezza: la qualità (rappresentatività) batte la quantità (es. sondaggio del 1936; campioni WEIRD).
• Il campionamento probabilistico (casuale semplice, sistematico, stratificato, a grappoli) dà a ognuno una probabilità nota di selezione: permette la generalizzazione statistica.
• Il non probabilistico (convenienza, valanga, quote) è pratico ma non generalizza rigorosamente.
• Campioni più ampi riducono l'errore campionario (casuale), ma non correggono il bias (sistematico): prima rappresentativo, poi ampio.

---

▶️ Prossimo capitolo: Il disegno sperimentale

In breve

L'esperimento è il metodo più potente della scienza per stabilire relazioni di causa-effetto. La sua forza sta in due mosse: manipolare attivamente una variabile (la causa, VI) e controllare tutto il resto, così che le differenze osservate nell'effetto (VD) possano essere attribuite solo alla manipolazione. Il cuore del disegno sperimentale è il confronto tra un gruppo sperimentale (che riceve il trattamento) e un gruppo di controllo (che non lo riceve), con i partecipanti assegnati casualmente ai due gruppi. La randomizzazione è l'arma decisiva contro le variabili di confondimento (cap. 3): distribuendo a caso le differenze individuali, rende i gruppi equivalenti in partenza. Il capitolo esplora la logica dell'esperimento, i tipi di disegno e le tecniche di controllo, mostrando perché — quando è possibile realizzarlo — l'esperimento offre la più alta validità interna e la conclusione causale più solida.

🎯 Alla fine di questo capitolo saprai:

• spiegare la logica causale dell'esperimento;
• descrivere gruppo sperimentale e di controllo;
• capire il ruolo della randomizzazione;
• distinguere disegni tra i soggetti e entro i soggetti;
• riconoscere le tecniche di controllo (cecità, controbilanciamento).

---

La logica dell'esperimento

Perché conta: capire perché solo l'esperimento dimostra la causalità è la chiave dell'intera metodologia; è ciò che distingue "A causa B" da "A e B vanno insieme".

📌 Definizione formale. Un esperimento è uno studio in cui il ricercatore manipola una o più variabili indipendenti (VI), controlla le altre variabili e misura l'effetto sulla variabile dipendente (VD), per stabilire una relazione causale.

📌 Le tre condizioni della causalità (Mill). Per affermare che A causa B servono:

1. covariazione: A e B variano insieme;
2. precedenza temporale: A precede B;
3. esclusione di alternative: nessun'altra variabile spiega la relazione.

L'esperimento è l'unico disegno che soddisfa tutte e tre, in particolare la terza, grazie al controllo e alla randomizzazione.

🔗 Analogia. L'esperimento è come un processo con un imputato (la VI): la manipolazione lo mette "sulla scena" al momento giusto (precedenza), la misura mostra il legame col fatto (covariazione), e il controllo elimina gli altri sospetti (esclusione di alternative). Solo così si può "condannare" A come causa di B.

---

Gruppo sperimentale e gruppo di controllo

Perché conta: il confronto tra i due gruppi è il meccanismo con cui l'esperimento isola l'effetto della causa; senza controllo non si può concludere nulla.

📌 Definizione formale.

• Gruppo sperimentale: riceve il trattamento (la VI al livello di interesse).
• Gruppo di controllo: non riceve il trattamento (o riceve un placebo/condizione neutra), fornendo il termine di paragone.

La differenza tra i due gruppi nella VD, se i gruppi erano equivalenti in partenza, è attribuibile al trattamento.

🧩 Esempio. Per testare se un nuovo metodo didattico funziona, un gruppo lo usa (sperimentale), un altro segue il metodo tradizionale (controllo). Se alla fine il gruppo sperimentale rende di più e i gruppi erano equivalenti all'inizio, si conclude che il metodo ha avuto effetto. Senza gruppo di controllo, il miglioramento potrebbe essere dovuto al tempo, alla maturazione, a eventi esterni (le minacce del cap. 5).

📌 Il placebo e le aspettative. In molti studi il gruppo di controllo riceve un placebo (un trattamento fittizio) per isolare l'effetto reale da quello delle aspettative. L'effetto placebo — migliorare solo perché si crede di essere trattati — è potente e va controllato.

---

La randomizzazione

Perché conta: è l'arma più potente del disegno sperimentale contro i confondimenti; capirla è capire perché l'esperimento è così convincente.

📌 Definizione formale. L'assegnazione casuale (randomizzazione) consiste nel distribuire i partecipanti ai gruppi per caso (es. a sorte). In questo modo le differenze individuali (motivazione, abilità, personalità) si distribuiscono casualmente e i gruppi risultano equivalenti in media prima del trattamento.

⚠️ Attenzione (distinzione cruciale). Non confondere:

• assegnazione casuale ai gruppi (randomization) → garantisce la validità interna (gruppi equivalenti, causalità);
• campionamento casuale dalla popolazione (cap. 6) → garantisce la validità esterna (generalizzabilità). Sono due "casualità" diverse, con scopi diversi. Un esperimento ideale ha entrambe.

🧩 Esempio. Se lasciassi che i partecipanti scelgano il gruppo, o li assegnassi io, potrei creare gruppi diversi in partenza (selezione, cap. 5). Tirando a sorte, invece, elimino ogni distorsione sistematica: se un gruppo risulta migliore alla fine, non può essere perché era già migliore all'inizio. La randomizzazione neutralizza anche i confondimenti che non conosco.

🔗 Analogia. La randomizzazione è come mescolare bene un mazzo prima di distribuire le carte: nessun giocatore riceve sistematicamente le carte migliori. Rende i gruppi confrontabili "in partenza", senza bisogno di controllare ogni singola variabile a mano.

---

Tipi di disegno e tecniche di controllo

Perché conta: esistono modi diversi di organizzare i confronti, ciascuno con vantaggi e insidie; sceglierli e controllarli bene è l'arte del disegno sperimentale.

📌 Definizione formale — i disegni principali:

• Tra i soggetti (between): gruppi diversi ricevono condizioni diverse. Evita effetti di trascinamento, ma richiede più partecipanti e gruppi equivalenti.
• Entro i soggetti (within): gli stessi partecipanti passano per tutte le condizioni. Più potente (ogni soggetto è "controllo di se stesso") ed economico, ma soggetto a effetti dell'ordine (apprendimento, stanchezza).
• Fattoriale: manipola più VI insieme, permettendo di studiare anche le loro interazioni (come l'effetto di una VI dipenda dall'altra).

📌 Tecniche di controllo:

Tecnica	A cosa serve
Cecità semplice	Il partecipante non sa in che gruppo è (controlla le aspettative)
Doppio cieco	Né il partecipante né lo sperimentatore sanno (controlla anche l'effetto sperimentatore)
Controbilanciamento	Variare l'ordine delle condizioni tra soggetti (neutralizza gli effetti dell'ordine nei disegni within)
Costanza	Tenere identiche tutte le condizioni tranne la VI

🧩 Esempio. In uno studio su un farmaco, il doppio cieco impedisce sia al paziente di migliorare per aspettativa (placebo) sia al medico di valutare in modo distorto: è lo standard della ricerca clinica rigorosa. Ogni tecnica chiude una porta a possibili spiegazioni alternative.

---

🗺️ Come si collega il tutto

Il disegno sperimentale è la realizzazione più compiuta del metodo scientifico (cap. 2): manipola la VI e misura la VD (cap. 3) per testare l'ipotesi. È il disegno che massimizza la validità interna (cap. 5), neutralizzando le variabili di confondimento (cap. 3) e le minacce (storia, maturazione, selezione) grazie a controllo e randomizzazione. Si contrappone ai disegni non sperimentali (cap. 8), che rinunciano alla manipolazione e quindi alla piena inferenza causale. Usa le tecniche di raccolta dati (cap. 9) per misurare la VD e sfocia nell'analisi statistica (cap. 10), dove il confronto tra gruppi diventa un test d'ipotesi. Le manipolazioni sollevano infine questioni etiche (cap. 11): fino a dove è lecito manipolare e usare placebo.

🔑 Concetti chiave

Termine	In una frase	Da non confondere con
Esperimento	Manipola la VI e controlla il resto per stabilire la causa	Studio correlazionale (osserva, non manipola)
Gruppo di controllo	Termine di paragone senza trattamento	Gruppo sperimentale (riceve il trattamento)
Randomizzazione (assegnazione)	Distribuisce a caso ai gruppi → validità interna	Campionamento casuale (dalla popolazione → esterna)
Between vs within	Gruppi diversi vs stessi soggetti in tutte le condizioni	Fattoriale (più VI insieme)
Doppio cieco	Né partecipante né sperimentatore sanno il gruppo	Cecità semplice (solo il partecipante non sa)

📝 Riepilogo

• L'esperimento stabilisce la causalità perché manipola la VI e controlla il resto; soddisfa le tre condizioni di Mill (covariazione, precedenza, esclusione di alternative).
• Confronta un gruppo sperimentale (trattamento) con uno di controllo (senza/placebo); la differenza, a gruppi equivalenti, è l'effetto della VI.
• La randomizzazione (assegnazione casuale) rende i gruppi equivalenti in partenza e neutralizza i confondimenti (anche ignoti): è la chiave della validità interna. Da distinguere dal campionamento casuale (validità esterna).
• Disegni tra i soggetti (gruppi diversi), entro i soggetti (stessi soggetti, ma effetti dell'ordine), fattoriali (più VI, interazioni).
• Tecniche di controllo: cecità semplice/doppio cieco, controbilanciamento, costanza.

---

▶️ Prossimo capitolo: I disegni non sperimentali e correlazionali

In breve

L'esperimento è potente, ma non sempre praticabile: non si può manipolare il genere di una persona, esporre volontari a un trauma, o assegnare a caso bambini a famiglie diverse. In questi casi — la maggior parte, in psicologia — si ricorre a disegni non sperimentali, in cui il ricercatore osserva le variabili così come si presentano, senza manipolarle. Il più diffuso è lo studio correlazionale, che misura se e quanto due variabili variano insieme. Questi disegni sono preziosi per esplorare, descrivere e prevedere, ma hanno un limite cruciale, riassunto nel monito più famoso della metodologia: correlazione non implica causazione. Trovare che due cose vanno insieme non dice quale causi l'altra, né esclude che una terza variabile le determini entrambe. Il capitolo esplora i disegni correlazionali e quasi-sperimentali, i loro usi e — soprattutto — i loro limiti nell'inferenza causale.

🎯 Alla fine di questo capitolo saprai:

• distinguere disegni sperimentali e non sperimentali;
• interpretare un coefficiente di correlazione;
• spiegare perché correlazione ≠ causazione;
• riconoscere il problema della terza variabile e della direzione;
• descrivere disegni quasi-sperimentali e evolutivi.

---

Perché rinunciare alla manipolazione

Perché conta: capire quando e perché non si può sperimentare chiarisce l'utilità (e i limiti) di questi disegni, che costituiscono gran parte della ricerca psicologica reale.

📌 Definizione formale. Un disegno è non sperimentale quando il ricercatore non manipola la variabile indipendente, ma la osserva come si presenta naturalmente. Si rinuncia alla manipolazione per motivi:

• pratici: alcune variabili non sono manipolabili (età, genere, personalità);
• etici: non è lecito manipolare variabili dannose (esporre a fumo, violenza, trauma);
• di realismo: si vuole studiare il fenomeno nel suo contesto naturale.

🔗 Analogia. Se lo sperimentatore è un regista che allestisce la scena, il ricercatore non sperimentale è un documentarista che riprende la vita così com'è. Guadagna in autenticità (validità esterna) ciò che perde in controllo (validità interna).

---

La correlazione

Perché conta: la correlazione è lo strumento centrale di questi studi; saperla leggere — e non sovrainterpretare — è una competenza fondamentale per ogni psicologo.

📌 Definizione formale. La correlazione misura il grado in cui due variabili variano insieme. Il coefficiente di correlazione (tipicamente r di Pearson) va da $-1$ a $+1$:

• $r > 0$ (positiva): al crescere dell'una cresce l'altra;
• $r < 0$ (negativa): al crescere dell'una l'altra diminuisce;
• $r \approx 0$: nessuna relazione lineare;
• $|r|$ vicino a 1: relazione forte; vicino a 0: debole.

🧩 Esempio. Ore di studio e voto tendono a correlare positivamente (più studio, voto più alto); ore passate ai videogiochi e voto potrebbero correlare negativamente. Il valore di $r$ dice quanto la relazione è forte e in che direzione — ma non dice che una causa l'altra.

⚠️ Attenzione. La correlazione coglie relazioni lineari. Due variabili possono avere una relazione forte ma non lineare (a U, per esempio: l'ansia moderata aiuta la prestazione, quella troppo alta o bassa la peggiora) e mostrare comunque $r \approx 0$. Un basso coefficiente non significa "nessuna relazione", solo "nessuna relazione lineare".

---

Correlazione non implica causazione

Perché conta: è il principio più importante — e più violato — della metodologia; padroneggiarlo protegge da conclusioni sbagliate diffusissime nei media e nella vita quotidiana.

📌 Definizione formale. Il fatto che due variabili correlino non dimostra che una causi l'altra. Tre spiegazioni alternative sono sempre possibili quando A e B correlano:

1. A causa B;
2. B causa A (problema della direzione);
3. una terza variabile C causa sia A che B (problema della terza variabile o confondimento).

🧩 Esempio classico. Il consumo di gelati e gli annegamenti correlano positivamente. Il gelato causa annegamenti? No: una terza variabile — il caldo estivo — aumenta sia il consumo di gelati sia le nuotate (e quindi gli annegamenti). La correlazione è reale, il nesso causale diretto è illusorio.

🧩 Esempio (direzione). Autostima e successo correlano. Ma è l'autostima a produrre successo, o il successo a far crescere l'autostima? La sola correlazione non lo dice: la freccia causale potrebbe puntare in entrambe le direzioni (o in entrambe insieme).

🔗 Analogia. Vedere due persone sempre insieme non dice chi ha invitato chi, né se un terzo li ha fatti incontrare entrambi. La correlazione mostra la compagnia, non la causa dell'incontro.

⚠️ Attenzione. Questo non significa che gli studi correlazionali siano inutili: sono essenziali per esplorare, generare ipotesi, prevedere (validità predittiva, cap. 5) e studiare variabili non manipolabili. Semplicemente, non permettono da soli conclusioni causali. Interpretarli come causali è l'errore più comune nella divulgazione scientifica.

---

Disegni quasi-sperimentali ed evolutivi

Perché conta: tra l'esperimento puro e la pura osservazione esistono disegni intermedi, utili quando la manipolazione è parziale o impossibile; conoscerli amplia il repertorio del ricercatore.

📌 Definizione formale.

• Disegni quasi-sperimentali: c'è un confronto tra gruppi/condizioni, ma manca l'assegnazione casuale (i gruppi esistono già: es. confrontare due scuole, o prima/dopo un evento naturale). Offrono più controllo dell'osservazione pura, ma la mancata randomizzazione lascia aperti i confondimenti (validità interna intermedia).
• Studi ex post facto: si confrontano gruppi in base a una caratteristica già data (es. fumatori vs non fumatori).

📌 Disegni evolutivi (per studiare il cambiamento nel tempo, tipici della psicologia dello sviluppo):

Disegno	Come funziona	Limite
Longitudinale	Studia gli stessi soggetti nel tempo	Lungo, costoso, abbandoni
Trasversale (cross-sectional)	Confronta gruppi di età diversa nello stesso momento	Effetto coorte (differenze di generazione, non di età)
Sequenziale	Combina i due	Complesso

🧩 Esempio. Per studiare come cambia la memoria con l'età, un disegno trasversale confronta oggi un gruppo di 20enni e uno di 70enni: rapido, ma le differenze potrebbero dipendere dalla coorte (i 70enni hanno avuto un'istruzione diversa) più che dall'invecchiamento. Un longitudinale seguirebbe le stesse persone per 50 anni: più valido, ma lunghissimo. Ogni disegno ha il suo compromesso.

---

🗺️ Come si collega il tutto

I disegni non sperimentali sono il complemento e il contraltare del disegno sperimentale (cap. 7): guadagnano realismo e applicabilità (a variabili non manipolabili) ma perdono la capacità di inferenza causale e la piena validità interna (cap. 5). La correlazione è uno strumento dell'analisi statistica (cap. 10) e il problema della terza variabile è la ricomparsa delle variabili di confondimento (cap. 3). Questi disegni usano intensamente le tecniche di raccolta osservazionali e i questionari (cap. 9) e sono spesso la scelta obbligata quando l'etica (cap. 11) vieta la manipolazione. Il monito "correlazione ≠ causazione" è, insieme al controllo dei confondimenti, il cuore critico dell'intera metodologia.

🔑 Concetti chiave

Termine	In una frase	Da non confondere con
Disegno non sperimentale	Osserva le variabili senza manipolarle	Esperimento (manipola la VI)
Coefficiente r	Forza e direzione della relazione lineare ($-1$ a $+1$)	Causalità (r non la dimostra)
Terza variabile	Una C che causa sia A sia B (correlazione spuria)	Direzione (A→B o B→A?)
Quasi-sperimentale	Confronto tra gruppi senza randomizzazione	Sperimentale (con assegnazione casuale)
Longitudinale vs trasversale	Stessi soggetti nel tempo vs età diverse ora	Effetto coorte (confonde il trasversale)

📝 Riepilogo

• I disegni non sperimentali osservano le variabili senza manipolarle (per motivi pratici, etici, di realismo): gran parte della ricerca psicologica.
• La correlazione (coefficiente r, da $-1$ a $+1$) misura forza e direzione della relazione lineare; $r\approx 0$ non esclude relazioni non lineari.
• Correlazione ≠ causazione: se A e B correlano, può essere A→B, B→A (direzione) o una terza variabile C→A e C→B (es. gelati/annegamenti e il caldo).
• Gli studi correlazionali sono utili per esplorare, prevedere e studiare variabili non manipolabili, ma non concludono da soli sulla causa.
• Disegni quasi-sperimentali (confronto senza randomizzazione) ed evolutivi: longitudinale (stessi soggetti nel tempo) vs trasversale (età diverse, ma effetto coorte).

---

▶️ Prossimo capitolo: Le tecniche di raccolta dei dati

In breve

Qualunque sia il disegno di ricerca, a un certo punto bisogna raccogliere i dati: registrare concretamente il comportamento, le risposte, le caratteristiche dei partecipanti. Le tecniche di raccolta sono gli strumenti operativi con cui si ottengono le misure delle variabili. Ciascuna ha punti di forza e debolezze: l'osservazione coglie il comportamento reale ma è impegnativa e soggetta all'interpretazione; il questionario raggiunge molte persone in fretta ma dipende dalla sincerità e dalla comprensione; l'intervista approfondisce ma è lunga e influenzabile; i test standardizzati offrono misure affidabili ma solo per ciò che sono costruiti a misurare. La scelta della tecnica dipende dalla domanda di ricerca, dal costrutto da misurare e dai vincoli pratici. Il capitolo passa in rassegna le principali tecniche, i loro usi e le insidie — dalla desiderabilità sociale agli effetti dell'osservatore — che ogni ricercatore deve saper riconoscere e limitare.

🎯 Alla fine di questo capitolo saprai:

• distinguere le principali tecniche di raccolta dati;
• descrivere i tipi di osservazione e i loro problemi;
• costruire e valutare questionari e interviste;
• riconoscere i test psicologici standardizzati;
• individuare le distorsioni tipiche (desiderabilità sociale, reattività).

---

L'osservazione

Perché conta: è la tecnica più diretta per studiare il comportamento reale; conoscerne le forme e i limiti è fondamentale, specie in psicologia dello sviluppo e sociale.

📌 Definizione formale. L'osservazione consiste nel registrare sistematicamente il comportamento. Si distingue per due dimensioni:

• naturalistica (nel contesto reale, senza intervenire) vs strutturata (in situazioni predisposte, es. laboratorio);
• partecipante (l'osservatore è parte del gruppo) vs non partecipante (osserva dall'esterno).

📌 La sistematicità. Per essere scientifica, l'osservazione richiede categorie di codifica definite in anticipo, criteri chiari e — quando possibile — più osservatori indipendenti, per verificare l'attendibilità inter-rater (cap. 5).

⚠️ Attenzione (reattività). La presenza dell'osservatore può alterare il comportamento osservato (reattività, cap. 2): le persone si comportano diversamente se sanno di essere guardate. Rimedi: osservazione nascosta (con cautele etiche, cap. 11), abituazione dei soggetti alla presenza dell'osservatore, o registrazioni discrete.

🧩 Esempio. Studiare il gioco dei bambini in un asilo dall'esterno (naturalistica, non partecipante) coglie comportamenti spontanei, ma richiede una griglia di codifica precisa (aggressività? cooperazione?) e più codificatori che concordino, altrimenti i dati riflettono l'interpretazione soggettiva più che la realtà.

---

Questionari e interviste

Perché conta: sono le tecniche più usate per accedere a opinioni, atteggiamenti e vissuti; saperle costruire e interpretare è competenza quotidiana del ricercatore.

📌 Definizione formale.

• Questionario: insieme di domande standardizzate a cui i partecipanti rispondono (spesso in autosomministrazione). Efficiente per grandi numeri.
• Intervista: interazione verbale in cui il ricercatore pone domande. Può essere strutturata (domande fisse), semi-strutturata (traccia flessibile) o non strutturata (aperta).

📌 Domande e scale. Le domande possono essere aperte (risposta libera, ricche ma difficili da codificare) o chiuse (opzioni predefinite, facili da analizzare). Molto usate le scale Likert (es. da "per niente d'accordo" a "del tutto d'accordo"), che misurano atteggiamenti su un continuo (dati formalmente ordinali, cap. 4).

⚠️ Attenzione (le insidie).

• Desiderabilità sociale: i partecipanti rispondono per fare bella figura, non sinceramente (es. sottostimare comportamenti stigmatizzati).
• Domande tendenziose (leading) o ambigue: influenzano o confondono la risposta.
• Acquiescenza: tendenza a dire "sì"/essere d'accordo a prescindere.

🧩 Esempio. Chiedere "Quanto spesso bevi troppo?" ottiene risposte distorte dalla desiderabilità sociale; formulazioni neutre, anonimato e domande di controllo riducono il problema. La formulazione delle domande è un'arte metodologica: piccole differenze cambiano le risposte.

🔗 Analogia. Un questionario mal costruito è come uno strumento di misura tarato male: raccoglie tanti dati, ma sistematicamente sbagliati. La cura nella formulazione è la "taratura" dello strumento.

---

I test psicologici

Perché conta: i test standardizzati sono strumenti centrali della psicologia applicata (clinica, del lavoro, scolastica); capirne i requisiti è essenziale per usarli e valutarli.

📌 Definizione formale. Un test psicologico è uno strumento standardizzato per misurare un costrutto (intelligenza, personalità, attitudini). Requisiti:

• standardizzazione: procedura di somministrazione e scoring identica per tutti;
• taratura/norme: punteggi interpretati rispetto a un campione di riferimento (norme);
• validità e attendibilità documentate (cap. 5).

📌 Tipi. Test di prestazione massima (misurano la capacità: test d'intelligenza, di abilità) e test di prestazione tipica (misurano tendenze abituali: test di personalità, atteggiamenti).

⚠️ Attenzione. Un test è valido solo per ciò per cui è stato costruito e validato, e sul tipo di popolazione su cui è stato tarato. Usare un test fuori dal suo ambito (o su una popolazione diversa da quella di taratura) produce risultati fuorvianti. La standardizzazione è anche una garanzia di equità: tutti valutati allo stesso modo.

---

Misure fisiologiche, big data e triangolazione

Perché conta: la ricerca moderna dispone di fonti nuove e potenti; conoscerle e saperle combinare aumenta la robustezza delle conclusioni.

📌 Definizione formale — altre fonti di dati:

• Misure fisiologiche: frequenza cardiaca, conduttanza cutanea, tracciati EEG/fMRI (cap. collegato a psicologia fisiologica): oggettive, difficili da falsificare volontariamente, ma non sempre interpretabili univocamente.
• Dati comportamentali indiretti/tracce: tempi di reazione, log digitali, big data da social e app.
• Analisi di documenti/archivi: materiali già esistenti (testi, registri).

📌 La triangolazione. Usare più tecniche per misurare lo stesso costrutto e confrontarne i risultati. Se metodi diversi convergono, la conclusione è più solida (rafforza la validità di costrutto, cap. 5).

🔗 Analogia. La triangolazione è come confermare una notizia con più fonti indipendenti: se il questionario, l'osservazione e la misura fisiologica dicono la stessa cosa, ci si fida molto di più che di una sola fonte. Nessuna tecnica è perfetta; la loro convergenza compensa i limiti di ciascuna.

🧩 Esempio. Per studiare l'ansia da esame si possono combinare un questionario (autovalutazione), l'osservazione dei comportamenti e la frequenza cardiaca: se tutti e tre concordano, la misura del costrutto è robusta; se divergono, c'è qualcosa da capire (magari la desiderabilità sociale distorce l'autovalutazione).

---

🗺️ Come si collega il tutto

Le tecniche di raccolta dati sono lo strumento con cui si misurano concretamente le variabili (cap. 3-4): traducono la definizione operativa in dati. La loro qualità determina la validità e attendibilità (cap. 5): un questionario distorto da desiderabilità sociale o un'osservazione senza accordo inter-rater minano tutto ciò che segue. Le tecniche si scelgono in base al disegno (cap. 7-8): l'osservazione naturalistica è tipica dei disegni non sperimentali, la misura precisa della VD è cruciale nell'esperimento. I dati così raccolti alimentano l'analisi statistica (cap. 10), e il loro tipo dipende dalla scala di misura. Ogni tecnica solleva questioni etiche (cap. 11): consenso, privacy, osservazione nascosta. La triangolazione anticipa il tema della robustezza e replicabilità (cap. 12).

🔑 Concetti chiave

Termine	In una frase	Da non confondere con
Osservazione naturalistica	Registrare il comportamento nel contesto reale	Strutturata (in situazione predisposta)
Scala Likert	Grado di accordo su un continuo (ordinale)	Domanda aperta (risposta libera)
Test standardizzato	Strumento con procedura e norme fisse	Questionario informale (non tarato)
Desiderabilità sociale	Rispondere per fare bella figura	Acquiescenza (tendenza a dire sempre sì)
Triangolazione	Più tecniche per lo stesso costrutto	Replica (ripetere lo stesso studio)

📝 Riepilogo

• Le tecniche di raccolta traducono le variabili in dati; ognuna ha forza e limiti, da scegliere secondo domanda, costrutto e vincoli.
• L'osservazione (naturalistica/strutturata, partecipante/non) coglie il comportamento reale ma soffre di reattività e richiede accordo inter-rater.
• Questionari (efficienti, grandi numeri) e interviste (approfondite) usano domande aperte/chiuse e scale Likert; insidie: desiderabilità sociale, domande tendenziose, acquiescenza.
• I test psicologici sono standardizzati e tarati su norme, con validità/attendibilità documentate; validi solo nel loro ambito.
• Altre fonti: misure fisiologiche, tracce/big data, archivi. La triangolazione (più tecniche convergenti) rafforza le conclusioni.

---

▶️ Prossimo capitolo: L'analisi dei dati e l'inferenza statistica

In breve

Raccolti i dati, bisogna dar loro un senso: questo è il compito della statistica. Si articola in due grandi parti. La statistica descrittiva riassume e sintetizza i dati raccolti — con indici di tendenza centrale (media, mediana, moda), di dispersione (deviazione standard) e con grafici — per capire "com'è" il campione. La statistica inferenziale compie il salto decisivo: dai dati del campione trae conclusioni sulla popolazione, valutando quanto ci si possa fidare dei risultati. Il suo strumento tipico è il test d'ipotesi, che stabilisce se un effetto osservato è "reale" o potrebbe essere frutto del caso, tramite il celebre (e spesso frainteso) valore p. Comprendere questi strumenti — e i loro limiti, come la differenza tra significatività statistica e importanza pratica — è indispensabile per interpretare correttamente qualunque ricerca, propria o altrui.

🎯 Alla fine di questo capitolo saprai:

• distinguere statistica descrittiva e inferenziale;
• calcolare e interpretare gli indici descrittivi principali;
• spiegare la logica del test d'ipotesi e il valore p;
• distinguere errori di primo e secondo tipo;
• capire significatività statistica, dimensione dell'effetto e potenza.

---

La statistica descrittiva

Perché conta: prima di inferire bisogna descrivere; questi indici sono il modo base per capire e comunicare com'è fatto un insieme di dati.

📌 Definizione formale. La statistica descrittiva riassume e organizza i dati di un campione. I principali indici:

Tendenza centrale (il valore "tipico"):

• Media: somma dei valori diviso il numero (solo per scale a intervalli/rapporti, cap. 4);
• Mediana: il valore centrale che divide i dati a metà (robusta agli estremi; ordinali in su);
• Moda: il valore più frequente (unico indice per scale nominali).

Dispersione (quanto i dati si spargono):

• Range (intervallo): differenza tra massimo e minimo;
• Varianza e deviazione standard: quanto in media i valori si discostano dalla media.

🧩 Esempio (quando la media inganna). In un gruppo dove quasi tutti guadagnano poco e una persona guadagna moltissimo, la media dei redditi è alta e fuorviante; la mediana descrive meglio la situazione "tipica". Scegliere l'indice giusto è parte dell'onestà nell'analisi. Media e mediana coincidono solo in distribuzioni simmetriche.

📌 La distribuzione normale. Molte variabili psicologiche si distribuiscono a campana (curva normale): la maggior parte dei valori attorno alla media, pochi agli estremi. È il modello di riferimento di gran parte della statistica.

---

La logica dell'inferenza

Perché conta: è il passaggio che rende la ricerca capace di dire qualcosa oltre il campione; capirne la logica è capire come la scienza generalizza.

📌 Definizione formale. La statistica inferenziale usa i dati del campione per trarre conclusioni sulla popolazione (cap. 6), tenendo conto dell'incertezza. Due strumenti principali:

• stima (con intervallo di confidenza): stimare un parametro e indicare il margine di incertezza;
• test d'ipotesi: decidere tra ipotesi nulla e alternativa (cap. 3).

📌 Il test d'ipotesi — la logica. Si parte dall'ipotesi nulla (H₀): "non c'è effetto". Si calcola quanto sarebbe improbabile ottenere i dati osservati se H₀ fosse vera. Se sono molto improbabili, si rifiuta H₀ a favore dell'ipotesi alternativa (H₁): l'effetto è considerato statisticamente significativo.

📌 Il valore p. Il valore p è la probabilità di ottenere un risultato estremo (come quello osservato) supponendo vera l'ipotesi nulla. Per convenzione, se $p < 0{,}05$ si rifiuta H₀ (il risultato è "significativo").

⚠️ Attenzione (cosa NON è il p). Il valore p è enormemente frainteso. Non è la probabilità che l'ipotesi nulla sia vera, né la probabilità che il risultato sia dovuto al caso, né la "importanza" dell'effetto. È solo: quanto sono sorprendenti questi dati, se non ci fosse alcun effetto. La soglia 0,05 è una convenzione, non una legge di natura.

🔗 Analogia. Il test d'ipotesi è come un processo penale: si parte dalla presunzione d'innocenza (H₀: nessun effetto). Si condanna (si rifiuta H₀) solo se le prove sono "oltre ogni ragionevole dubbio" (p molto piccolo). Non condannare non prova l'innocenza: assenza di prove ≠ prova dell'assenza.

---

Gli errori di decisione

Perché conta: ogni decisione statistica può sbagliare in due modi opposti; conoscerli è essenziale per interpretare e progettare la ricerca con consapevolezza.

📌 Definizione formale. Decidendo su H₀ si può sbagliare in due modi:

	H₀ è vera (nessun effetto)	H₀ è falsa (c'è effetto)
Rifiuto H₀	Errore I tipo (α) — falso positivo	Decisione corretta
Non rifiuto H₀	Decisione corretta	Errore II tipo (β) — falso negativo

• Errore di primo tipo (α): concludere che c'è un effetto quando non c'è (falso allarme). La soglia 0,05 è proprio la probabilità di questo errore che accettiamo.
• Errore di secondo tipo (β): non rilevare un effetto che invece esiste (mancato rilevamento).

📌 La potenza statistica. La potenza ($1-\beta$) è la capacità di rilevare un effetto quando esiste davvero. Aumenta con l'ampiezza campionaria (cap. 6) e con la grandezza dell'effetto. Studi con pochi partecipanti hanno bassa potenza: rischiano di "non trovare" effetti reali.

🧩 Esempio. Un test medico che segnala una malattia inesistente commette un errore di primo tipo (falso positivo, allarme ingiustificato); uno che non rileva una malattia presente commette un errore di secondo tipo (falso negativo, pericoloso). Ridurre un tipo di errore tende ad aumentare l'altro: si cerca un equilibrio secondo le conseguenze.

---

Significatività, effetto e i limiti del p

Perché conta: distinguere "significativo" da "importante" è tra le competenze critiche più preziose; evita di sopravvalutare risultati statisticamente significativi ma praticamente irrilevanti.

📌 Definizione formale.

• Significatività statistica ($p<0{,}05$): l'effetto probabilmente non è dovuto al caso. Non dice quanto l'effetto è grande o importante.
• Dimensione dell'effetto (effect size): quantifica quanto è forte l'effetto (es. quanto migliora il rendimento). È ciò che conta per l'importanza pratica.

⚠️ Attenzione (significativo ≠ importante). Con un campione molto grande, anche un effetto minuscolo e irrilevante può risultare "statisticamente significativo". La significatività dice se c'è un effetto, la dimensione dell'effetto dice quanto conta. Riportare entrambe (più gli intervalli di confidenza) è la buona pratica moderna.

🧩 Esempio. Un farmaco che abbassa la pressione di 0,5 mmHg su un campione enorme può avere $p<0{,}001$ (significativo) ma un effetto clinicamente trascurabile. Guardare solo il p, ignorando la dimensione dell'effetto, porta a conclusioni fuorvianti. È un errore diffusissimo nella letteratura.

---

🗺️ Come si collega il tutto

L'analisi statistica è il passo che trasforma i dati raccolti (cap. 9) in conclusioni, chiudendo il ciclo del metodo scientifico (cap. 2). La scelta degli indici e dei test dipende dalla scala di misura (cap. 4: media solo per intervalli/rapporti) e dal disegno (cap. 7-8: il confronto tra gruppi diventa un test d'ipotesi; la correlazione un coefficiente). La logica di H₀/H₁ formalizza le ipotesi del cap. 3, e l'inferenza estende al popolazione ciò che il campionamento (cap. 6) ha reso rappresentativo. Gli errori di I/II tipo e la potenza collegano l'analisi all'ampiezza campionaria. I limiti del valore p e la crisi della significatività sono al centro della crisi di replicabilità e delle buone pratiche del capitolo finale (cap. 12).

🔑 Concetti chiave

Termine	In una frase	Da non confondere con
Descrittiva vs inferenziale	Riassumere il campione vs generalizzare alla popolazione	Media (indice) vs inferenza (processo)
Media vs mediana	Valore medio vs valore centrale (robusto agli estremi)	Moda (il più frequente)
Valore p	Probabilità dei dati se H₀ è vera	Probabilità che H₀ sia vera (NON è questo)
Errore I vs II tipo	Falso positivo (α) vs falso negativo (β)	Potenza ($1-\beta$, rilevare un effetto vero)
Significatività vs effect size	Se c'è un effetto vs quanto è grande	Importanza pratica (dipende dall'effect size)

📝 Riepilogo

• La statistica descrittiva riassume il campione: tendenza centrale (media, mediana, moda) e dispersione (range, deviazione standard); la scelta dell'indice dipende dalla scala e dalla forma della distribuzione.
• La statistica inferenziale generalizza dal campione alla popolazione con stime (intervalli di confidenza) e test d'ipotesi.
• Il test d'ipotesi parte da H₀ ("nessun effetto") e la rifiuta se i dati sono improbabili sotto H₀; il valore p ($<0{,}05$ per convenzione) è la probabilità dei dati se H₀ è vera — non la probabilità che H₀ sia vera.
• Due errori: I tipo (α) falso positivo, II tipo (β) falso negativo; la potenza ($1-\beta$) cresce con l'ampiezza campionaria.
• Significatività ≠ importanza: serve anche la dimensione dell'effetto (e gli intervalli di confidenza) per giudicare quanto un effetto conta davvero.

---

▶️ Prossimo capitolo: L'etica della ricerca

In breve

La ricerca psicologica studia esseri umani, e questo impone responsabilità morali ineludibili. L'etica della ricerca è l'insieme dei principi e delle regole che tutelano la dignità, il benessere e i diritti dei partecipanti. Non è un vincolo burocratico, ma il presupposto stesso di una scienza degna di fiducia: la storia mostra, con episodi drammatici, cosa accade quando la ricerca ignora l'etica. Da quegli abusi sono nati i grandi codici — dal Codice di Norimberga alla Dichiarazione di Helsinki — e i principi cardine oggi universalmente accettati: il consenso informato, la protezione dal danno, la riservatezza, il diritto di ritirarsi. Il capitolo esplora questi principi, le tensioni tra esigenze di conoscenza e tutela delle persone (come l'uso dell'inganno), il ruolo dei comitati etici e l'etica nell'uso degli animali. Fare buona ricerca significa anche, e prima di tutto, farla in modo giusto.

🎯 Alla fine di questo capitolo saprai:

• spiegare perché l'etica è essenziale nella ricerca;
• descrivere i principi etici fondamentali;
• capire consenso informato, inganno e debriefing;
• riconoscere il ruolo dei comitati etici;
• inquadrare le questioni su animali, dati e integrità scientifica.

---

Perché l'etica: la lezione della storia

Perché conta: i principi etici non sono astratti; nascono da abusi reali e concreti. Conoscerne l'origine fa capire perché sono irrinunciabili.

📌 Definizione formale. L'etica della ricerca è l'insieme dei principi morali e delle norme che regolano la conduzione della ricerca per proteggere i partecipanti e garantirne dignità, sicurezza e diritti.

🧩 Esempio storico. Gli esperimenti disumani condotti durante la Seconda guerra mondiale portarono, nel 1947, al Codice di Norimberga, primo documento a sancire il consenso volontario come irrinunciabile. Anche nella ricerca del dopoguerra emersero studi eticamente inaccettabili (esperimenti che esponevano i partecipanti a rischi senza informarli). Ogni principio etico moderno è, in un certo senso, la risposta a un abuso passato: la Dichiarazione di Helsinki e i successivi codici hanno codificato le tutele.

⚠️ Attenzione. Anche celebri esperimenti "classici" della psicologia (studi sull'obbedienza, sul conformismo, simulazioni carcerarie) sono oggi discussi per i problemi etici che comportavano: stress intenso, inganno, difficoltà a ritirarsi. Insegnarono molto, ma non sarebbero approvati oggi senza modifiche. La sensibilità etica è cresciuta col tempo.

---

I principi fondamentali

Perché conta: sono le regole operative che ogni ricerca deve rispettare; conoscerli è indispensabile per progettare o valutare uno studio.

📌 Definizione formale — i principi cardine:

Principio	In cosa consiste
Consenso informato	Il partecipante decide di partecipare dopo essere stato informato su scopo, procedure e rischi
Assenza di danno	Minimizzare rischi fisici e psicologici; il beneficio deve superare il rischio
Diritto di ritiro	Poter abbandonare lo studio in qualunque momento, senza conseguenze
Riservatezza/anonimato	Proteggere i dati personali e l'identità dei partecipanti
Debriefing	Alla fine, spiegare la reale natura dello studio e chiarire dubbi

📌 Il consenso informato. È il pilastro: la partecipazione dev'essere volontaria e consapevole. Richiede attenzioni speciali con soggetti vulnerabili (minori, persone con disabilità cognitive), per cui serve il consenso di chi ne ha la tutela.

🔗 Analogia. Il consenso informato è come firmare per un intervento medico dopo che il chirurgo ha spiegato rischi e benefici: senza quella spiegazione e quella libera scelta, l'atto — per quanto utile — sarebbe una violazione della persona. La conoscenza non giustifica mai la coercizione.

---

Il dilemma dell'inganno

Perché conta: è la tensione etica più tipica della psicologia; capirla mostra come si bilancino esigenze di conoscenza e rispetto delle persone.

📌 Definizione formale. In alcuni studi, rivelare il vero scopo altererebbe il comportamento (reattività, cap. 2). Si ricorre allora all'inganno (deception): fornire informazioni incomplete o fuorvianti. È ammesso solo a condizioni rigorose:

• è indispensabile (non ci sono alternative);
• non comporta rischi significativi;
• è seguito da un debriefing completo, che rivela l'inganno e ne spiega la ragione.

⚠️ Attenzione. L'inganno è un'eccezione giustificata, non la norma, e va sempre bilanciato col rispetto della persona. Il debriefing è ciò che "ripara": restituisce al partecipante la verità e la possibilità di ritirare i propri dati. Senza debriefing, l'inganno diventa una manipolazione inaccettabile.

🧩 Esempio. In uno studio sul conformismo, dire ai partecipanti "stiamo studiando se vi adeguerete al gruppo" renderebbe impossibile osservare il fenomeno spontaneo. Un lieve inganno (presentare lo studio come un test percettivo) può essere ammesso se innocuo e seguito da spiegazione finale. Il fine (conoscere) non giustifica qualsiasi mezzo: i limiti restano.

---

Comitati etici, animali e integrità

Perché conta: l'etica non è lasciata al singolo ricercatore; esistono organismi di controllo e principi che si estendono agli animali e all'onestà scientifica.

📌 Definizione formale.

• Comitati etici (IRB/comitati di bioetica): organismi indipendenti che valutano preventivamente i progetti di ricerca, autorizzandoli solo se rispettano gli standard etici. Nessuna ricerca seria su umani procede senza approvazione.
• Etica nella ricerca con animali: regolata dal principio delle 3R — Replacement (sostituire con alternative quando possibile), Reduction (ridurre il numero), Refinement (minimizzare la sofferenza).

📌 Integrità scientifica. L'etica riguarda anche l'onestà del ricercatore verso la comunità:

• non falsificare o inventare dati (frode);
• non plagiare;
• non manipolare le analisi per ottenere risultati significativi (p-hacking, cap. 12);
• dichiarare i conflitti di interesse.

🧩 Esempio. Selezionare solo i dati che confermano l'ipotesi, o provare molti test finché uno risulta significativo e riportare solo quello, è una violazione dell'integrità (anche se meno appariscente della frode aperta). Mina la fiducia nella scienza tanto quanto l'inganno dei partecipanti, ed è al centro della crisi di replicabilità (cap. 12).

🔗 Analogia. L'integrità scientifica è come la lealtà in uno sport: barare truccando i risultati non danneggia solo la singola gara, ma la credibilità dell'intero gioco. La scienza si regge sulla fiducia che i dati riportati siano veri.

---

🗺️ Come si collega il tutto

L'etica attraversa ogni fase del corso. Il consenso informato e il diritto di ritiro vincolano le tecniche di raccolta (cap. 9) e i disegni (cap. 7-8): l'osservazione nascosta, l'inganno sperimentale, l'uso di placebo sollevano tutti questioni etiche. La tutela dai danni limita ciò che si può manipolare in un esperimento (cap. 7), ed è una delle ragioni per cui molte domande si affrontano con disegni non sperimentali (cap. 8). La riservatezza governa la gestione dei dati raccolti e analizzati (cap. 9-10). L'integrità scientifica — non falsificare, non fare p-hacking — collega l'etica direttamente ai limiti dell'inferenza statistica (cap. 10) e alla crisi di replicabilità e alle buone pratiche del capitolo conclusivo (cap. 12). Fare scienza bene e farla giusta sono la stessa cosa.

🔑 Concetti chiave

Termine	In una frase	Da non confondere con
Consenso informato	Partecipazione volontaria e consapevole, dopo informazione	Debriefing (spiegazione alla fine)
Debriefing	Rivelare la vera natura dello studio a conclusione	Consenso informato (all'inizio)
Inganno	Info incompleta/fuorviante, solo se indispensabile e innocuo	Frode (falsificare i dati: mai lecito)
Comitato etico	Valuta e autorizza i progetti preventivamente	Debriefing (fase finale con i partecipanti)
Integrità scientifica	Onestà nei dati e nelle analisi (no frode, no p-hacking)	Etica verso i partecipanti (consenso, danno)

📝 Riepilogo

• L'etica della ricerca tutela dignità, benessere e diritti dei partecipanti; nasce da abusi storici (Codice di Norimberga, Dichiarazione di Helsinki).
• Principi cardine: consenso informato, assenza di danno, diritto di ritiro, riservatezza/anonimato, debriefing.
• L'inganno è ammesso solo se indispensabile, innocuo e seguito da debriefing completo: è un'eccezione, non la norma.
• I comitati etici valutano e autorizzano i progetti; la ricerca con animali segue le 3R (Replacement, Reduction, Refinement).
• L'integrità scientifica vieta frode, plagio, p-hacking e impone la dichiarazione dei conflitti di interesse: fondamento della fiducia nella scienza.

---

▶️ Prossimo capitolo: La comunicazione scientifica e temi contemporanei

In breve

Una ricerca non esiste davvero finché non viene comunicata: la scienza è un'impresa collettiva, e i risultati devono essere resi pubblici, verificabili e criticabili dalla comunità. Il capitolo conclusivo affronta come si comunica la ricerca — l'articolo scientifico, la sua struttura standard, la revisione tra pari (peer review) — e i grandi temi che agitano la metodologia contemporanea. Primo fra tutti la crisi di replicabilità: la scoperta, negli anni recenti, che molti risultati pubblicati non si riescono a riprodurre, con le sue cause (p-hacking, pubblicazione selettiva, potenza insufficiente) e i rimedi proposti (pre-registrazione, open science, replica sistematica). Sono questioni vive che stanno ridisegnando il modo di fare ricerca. Comprenderle chiude il percorso metodologico con una nota di maturità critica: la scienza non è un deposito di verità immutabili, ma un processo che sa riconoscere e correggere i propri errori — ed è proprio questa autocorrezione la sua forza.

🎯 Alla fine di questo capitolo saprai:

• descrivere la struttura di un articolo scientifico;
• spiegare la revisione tra pari e i suoi limiti;
• capire la crisi di replicabilità e le sue cause;
• riconoscere p-hacking e bias di pubblicazione;
• inquadrare le pratiche di open science e pre-registrazione.

---

Comunicare la ricerca: l'articolo scientifico

Perché conta: la struttura standard dell'articolo non è una formalità, ma riflette la logica del metodo; conoscerla serve sia a leggere criticamente sia a scrivere.

📌 Definizione formale. Il principale canale di comunicazione è l'articolo scientifico, pubblicato su riviste specializzate. Ha una struttura standard (formato tipo IMRaD):

Sezione	Contenuto
Introduzione	Il problema, la letteratura, le ipotesi (cap. 3)
Metodo	Partecipanti, strumenti, procedura — così dettagliati da permettere la replica
Risultati	I dati e le analisi statistiche (cap. 10), senza interpretazione
Discussione	Interpretazione, limiti, implicazioni, direzioni future

📌 Perché così dettagliato. La sezione Metodo deve consentire ad altri di ripetere lo studio: la replicabilità (cap. 2) è possibile solo se la procedura è trasparente. Le citazioni collocano il lavoro nel dibattito e danno credito alle fonti.

🔗 Analogia. Un articolo scientifico è come una ricetta pubblicata: deve elencare ingredienti e passaggi con tanta precisione che chiunque, altrove, possa rifare il piatto e verificare se viene uguale. Se la ricetta è vaga, il risultato non è controllabile — e quindi non è pienamente scientifico.

---

La revisione tra pari

Perché conta: è il principale meccanismo di controllo della qualità nella scienza; capirne pregi e limiti è centrale per valutare l'affidabilità di ciò che si legge.

📌 Definizione formale. La revisione tra pari (peer review) è il processo per cui, prima della pubblicazione, un lavoro è valutato da altri esperti indipendenti del settore, che ne giudicano validità, rigore e originalità, chiedendo correzioni o respingendolo.

📌 Funzione. È un filtro di qualità: cerca di garantire che ciò che viene pubblicato rispetti gli standard metodologici. È uno dei tratti che distinguono la letteratura scientifica da fonti non controllate.

⚠️ Attenzione (i limiti). La peer review non è infallibile: non garantisce che i risultati siano veri (i revisori vedono il testo, non rifanno lo studio), può essere lenta, soggettiva, e non individua le frodi ben nascoste. È un filtro utile ma imperfetto — un motivo in più per non prendere ogni articolo pubblicato come verità definitiva, ma come contributo al dibattito.

🧩 Esempio. Studi poi rivelatisi errati o fraudolenti avevano superato la peer review: il filtro aveva lasciato passare l'errore. È la replica successiva da parte di altri, più della sola revisione, a mettere davvero alla prova un risultato. La scienza si autocorregge nel tempo, non in un singolo passaggio.

---

La crisi di replicabilità

Perché conta: è il tema più importante della metodologia contemporanea; ha cambiato il modo di fare e valutare ricerca in psicologia e oltre. Comprenderlo è segno di maturità critica.

📌 Definizione formale. La crisi di replicabilità (o riproducibilità) è la constatazione, emersa con forza nell'ultimo decennio, che una quota consistente di risultati pubblicati — in psicologia e in altre scienze — non si riesce a riprodurre quando gli studi vengono ripetuti da altri gruppi.

📌 Le cause principali:

Causa	In cosa consiste
P-hacking	Manipolare le analisi (provare molte vie) finché $p<0{,}05$ (cap. 10-11)
Bias di pubblicazione	Le riviste pubblicano soprattutto risultati "positivi"/significativi, non i nulli
HARKing	Presentare un'ipotesi formulata dopo aver visto i dati come se fosse a priori
Bassa potenza	Campioni piccoli (cap. 6, 10): risultati instabili e poco replicabili
Flessibilità dei ricercatori	Troppe scelte non dichiarate su dati e analisi ("gradi di libertà del ricercatore")

🧩 Esempio. Il bias di pubblicazione crea un'illusione: se cento gruppi studiano un effetto inesistente, alcuni per caso otterranno $p<0{,}05$ (errore di primo tipo, cap. 10). Se solo quelli vengono pubblicati e i risultati nulli restano nel cassetto ("file drawer"), la letteratura mostrerà un effetto che in realtà non c'è. La conoscenza pubblicata risulta distorta verso il "positivo".

⚠️ Attenzione. La crisi non significa che la psicologia sia "falsa" o non scientifica: al contrario, il fatto stesso di scoprire e affrontare il problema è scienza al suo meglio — l'autocorrezione in azione. È un segno di salute, non di fallimento.

---

Le risposte: open science e buone pratiche

Perché conta: conoscere i rimedi mostra come la metodologia stia evolvendo e fornisce gli strumenti per fare ricerca più solida e trasparente.

📌 Definizione formale — le pratiche emergenti (open science):

• Pre-registrazione: dichiarare ipotesi, disegno e analisi prima di raccogliere i dati, così da distinguere ricerca confermativa ed esplorativa e impedire p-hacking e HARKing.
• Registered reports: le riviste accettano lo studio in base al progetto, prima di conoscerne i risultati (combatte il bias di pubblicazione).
• Condivisione aperta di dati, materiali e codice: permette a chiunque di verificare e rianalizzare.
• Replica sistematica: ripetere gli studi importanti; valorizzare (e pubblicare) anche i risultati nulli.
• Campioni più ampi e maggiore potenza statistica.

🔗 Analogia. La pre-registrazione è come dichiarare la propria scommessa prima della partita, non dopo averne visto il risultato: impedisce di "riscrivere" a posteriori cosa si era previsto. Rende onesto il gioco della verifica delle ipotesi.

🧩 Esempio. Grandi progetti di replica collaborativa hanno ripetuto decine di studi classici per verificarne la tenuta: alcuni hanno retto, altri no. Questo lavoro, lungi dallo screditare la disciplina, la sta rendendo più solida e affidabile. È il metodo scientifico (cap. 2) applicato alla scienza stessa.

---

🗺️ Come si collega il tutto

Questo capitolo conclusivo chiude il ciclo aperto nel cap. 1-2: la conoscenza scientifica è pubblica, controllabile e autocorrettiva, e la comunicazione è ciò che la rende tale. La struttura dell'articolo riflette il metodo (cap. 2) e richiede la trasparenza che rende possibile la replica. La crisi di replicabilità riporta in primo piano tutti i temi critici del corso: i limiti del valore p e la potenza (cap. 10), le variabili di confondimento e il controllo (cap. 3, 7), la rappresentatività dei campioni (cap. 6), l'integrità scientifica (cap. 11). Le risposte — pre-registrazione, open science — sono l'evoluzione viva della metodologia. Il messaggio finale del corso: la forza della scienza non è non sbagliare mai, ma avere gli strumenti per riconoscere e correggere i propri errori.

🔑 Concetti chiave

Termine	In una frase	Da non confondere con
Articolo scientifico (IMRaD)	Introduzione-Metodo-Risultati-Discussione	Divulgazione (semplificata, non peer-reviewed)
Revisione tra pari	Valutazione di esperti prima della pubblicazione	Replica (rifare lo studio: prova più forte)
Crisi di replicabilità	Molti risultati non si riproducono	Frode (causa singola; la crisi è sistemica)
P-hacking / HARKing	Forzare la significatività / ipotizzare dopo i dati	Ricerca esplorativa (lecita se dichiarata)
Pre-registrazione	Dichiarare ipotesi e analisi prima dei dati	Peer review (valutazione del testo finito)

📝 Riepilogo

• La ricerca si comunica con l'articolo scientifico (struttura IMRaD), il cui Metodo dev'essere dettagliato da permettere la replica.
• La revisione tra pari (peer review) è un filtro di qualità utile ma imperfetto: non garantisce la verità; è la replica a mettere alla prova i risultati.
• La crisi di replicabilità: molti risultati pubblicati non si riproducono. Cause: p-hacking, bias di pubblicazione, HARKing, bassa potenza, flessibilità non dichiarata.
• Le risposte (open science): pre-registrazione, registered reports, condivisione di dati, replica sistematica, campioni più ampi.
• La crisi non nega la scientificità della psicologia: il riconoscerla e affrontarla è autocorrezione, la vera forza del metodo scientifico.

---

🎓 Fine del corso.

▶️ Torna all'indice del corso