إنشاء أداة نفسية تنطبق على الأفراد في جميع أنحاء العالم (مرحلة إنشاء واختيار عنصر STRAEQ-2).

في أحد مشاريعي للحصول على درجة الدكتوراه ، أعمل - أوليفييه - على تطوير والتحقق من صحة مقياس (التنظيم الحراري الاجتماعي ، وتجنب المخاطر ، واستبيان الأكل - 2 ، أو STRAEQ-2). في المرحلة الأولى من هذا المشروع ، أشركنا أشخاصًا من بلدان مختلفة وطلبنا منهم إنشاء عناصر. لقد فعلنا ذلك لتمثيل السلوكيات بشكل أفضل من الناس في جميع أنحاء العالم وأقل من ذلك فقط من الاتحاد الأوروبي / الولايات المتحدة. تضمنت مرحلة توليد العناصر هذه 152 كاتبًا من 115 جامعة. في منشور المدونة هذا ، نقدم هذه المرحلة الأولى ونشارك الكود الذي استخدمناه في هذه المرحلة الأولى.

هل التعلق للتعامل مع التهديدات البيئية؟

استنادًا إلى فرضية أن التهديدات البيئية تشكل الشخصية (Buss، 2010؛ Wei et al.، 2017) ، فإن الهدف من هذا المشروع هو قياس الفروق الفردية في طريقة تعامل الناس مع البيئة واكتشاف ما إذا كانت هذه الاختلافات الفردية مرتبطة المرفق. تفترض نظرية التعلق أن الناس يسعون إلى الاقتراب من الآخرين الموثوق بهم لتلبية احتياجاتهم (Bowlby ، 1969) ، وتشير الأدبيات النفسية إلى أن توزيع التهديدات على الآخرين أكثر كفاءة من الناحية الأيضية (Beckes & Coan ، 2011). في نتائج مشروع سابق (STRAQ-1) Vergara et al. أظهر (2019) شيئًا يتسق مع هذا: تم ربط الاختلافات الفردية في طريقة تعامل الأشخاص مع التهديدات البيئية (تنظيم درجة الحرارة وتجنب المخاطر) بالاختلافات الفردية في التعلق (Vergara et al. ، 2019). لكن موثوقية المقياس الذي تم إنشاؤه والتحقق من صحته في هذا المشروع كانت غير متسقة إلى حد ما عبر البلدان التي جمعوا فيها البيانات. لذلك قررنا توسيع نطاق نتائج STRAQ-1 لجعلها أكثر موثوقية عبر البلدان ، مع التركيز الآن على:

  1. التقلب في درجات الحرارة: توليد أ الحراري بحاجة (يحتاج المرء إلى الحفاظ على درجة الحرارة الداخلية ضمن نطاق مريح من أجل البقاء على قيد الحياة) ، 
  2. التهديدات الجسدية: تحريض تجنب المخاطر (يحتاج المرء إلى تجنب الحيوانات المفترسة أو الأشخاص الذين يريدون إلحاق الأذى من أجل البقاء) ، 
  3. نقص الغذاء: يتطلب تناول الطعام (يحتاج المرء لمنع الجوع).

نقوم أيضًا بتقسيم كل بُعد إلى 4 أبعاد فرعية لجعل المقياس أكثر اتساقًا مع أدبيات التعلق: الحساسية للحاجة ، والتنظيم الانفرادي للحاجة ، والتنظيم الاجتماعي للحاجة ، والثقة في أن الآخرين سيساعدون في التعامل مع الحاجة.

ما هي السلوكيات المسؤولة عن التعامل مع التهديدات البيئية؟

اتخذنا الخطوة الأولى لإنشاء العناصر وأردنا تجنب أخطاء الماضي. هل يتعامل الناس في بيرو أو الصين أو نيجيريا أو السويد مع درجات الحرارة بنفس الطريقة؟ على الاغلب لا. لذلك ، من أجل الحصول على عناصر مقياس تعكس مجموعة متنوعة من سلوكيات المواجهة ، طلبنا من المتعاونين معنا ؛ قمنا بتصميم استبيان Qualtrics حيث قرأوا وصفًا لكل بناء وعرضنا عليهم عناصر المثال.

في المجموع ، تم إنتاج 737 عنصرًا بواسطة 53 مختبرًا من 32 دولة. لأتمتة الإجراء ، ولتجنب أخطاء النسخ واللصق ، أنشأنا برنامج نصي R لاستيراد جميع العناصر التي تم إنشاؤها من Qualtrics إلى مستند Google. لقد أنشأنا مستندًا نصيًا من ملف Qualtrics ، بما في ذلك اسم المقياس الفرعي متبوعًا بكل إدخال نصي (عنصر) لكل بُعد فرعي جنبًا إلى جنب مع اسم البلد الذي أنشأ العناصر. هذا هو جزء الكود الذي استخدمناه:

# this code select the ‘temperature sensibility subscale’ (plus their respective countries) in the data frame ‘items’ that is the qualtrics files containing all the items generated, and write the items in a .txt document called ‘Items.txt’:

library(tidyverse)
items %>%
  select(thermo_sens, country) %>%
  write_csv("Items.txt", col_names = TRUE, append = TRUE)

# we repeat this for all the subscales, adding them in the same file (Items.txt). For example here we add the solitary thermoregulation subscale:

items %>%
  select(thermo_soli, country) %>%
  write_csv("Items.txt", col_names = TRUE, append = TRUE)

استورد الفريق الرئيسي قائمة العناصر (.txt) في مستند يمكن مشاركته بسهولة والذي يتتبع التغييرات (مستند google) لتصحيح الأخطاء الإملائية وإعادة الصياغة وإزالة التضاعفات في قائمة العناصر (جميع التعديلات متاحة هنا، والنسخة النظيفة هي هنا). 

كيف تختار السلوكيات (العناصر) الملائمة والمتنوعة من قائمة كبيرة؟

نظرًا لأنه سيكون من المرهق للمشاركين الإجابة على جميع العناصر التي تم إنشاؤها سابقًا والتي يبلغ عددها 737 في جلسة واحدة (بالإضافة إلى الاستبيانات الأخرى التي نقدمها لهم) ، فقد قمنا بتقليل كمية العناصر التي سيتم تضمينها في الاستبيان الرئيسي. أنشأنا لجنة استشارية متنوعة (بما في ذلك 9 باحثين من شيلي والبرازيل والمغرب ونيجيريا والصين وهولندا وفرنسا) ؛ من خلال دراسة استقصائية عبر الإنترنت ، صنفت هذه اللجنة الاستشارية إلى أي درجة اعتقدت أن العناصر كانت ممثلة للبنى الخاصة بكل منها.
بعد ذلك ، قمنا بحساب المتوسط ​​والانحراف المعياري لكل عنصر. لقد اخترنا أعلى 10 وسائل وأقل عناصر انحراف معياري لكل مقاييس فرعية ، وقمنا باستبدال العناصر وثيقة الصلة (حوالي 5 لكل نطاقات فرعية) للحصول على نطاق أوسع من السلوكيات ليتم تضمينها في المقياس. لتسهيل الإجراء ، أنشأنا جداول ديناميكية لكل مقياس فرعي في ملف وثيقة Rmarkdown. تسمح لك هذه الجداول بالترتيب لكل درجة (متوسط ​​أو SD) ، للاختيار لكل بلد ، أو للبحث عن كلمات محددة في العناصر. هذا هو الكود الذي استخدمناه لإنشاء الجداول:

# from a data frame call ‘df’ that contains all the items and all the subscales we compute the mean and standard deviation of the expert ratings: 

df <- df %>%
  mutate (mean = rowMeans(cbind(expert_1, expert_9, na.rm=TRUE),
        sd = rowSds(cbind(expert_1, expert_9), na.rm=TRUE),
        mean = round(mean, digits = 2),
        sd =  round(sd, digits = 2)
   )

# then we tidy the data (that is we switch from a short format to a long format) in order to have one items per rows:

df_tidy <- df %>%  
  gather("expert", "rating", -item, -subscale,
          - mean, -sd, -country_list, -country)

# we create a new dataframe including only one subscale (here the sensitivity to temperature) and arrange the data frame having first the 10 highest means and lowest standard deviation:

temp_sens <- df %>%
  filter(grepl('temp_sens', subscale)) %>% #select rows "temp_sens" in the subscale column
  arrange(sd) %>%
  arrange(desc(mean)) %>%
  select(item, mean, sd, country)

# and finally we print an interactive table, that display automatically the 10 first rows (this can be change):

library(DT)
datatable(temp_sens)

لقد رسمنا أيضًا توزيع التصنيفات (عامة ، لكل خبير ، ولكل نطاقات فرعية) للعناصر لاكتشاف ما إذا كانت هناك بعض المشكلات المتعلقة بمقاييس فرعية معينة. هذا هو كود ggplot الذي استخدمناه للقيام بذلك:

# first we create a color palette that will be used for the plot:

palette <- c("#85D4E3", "#F4B5BD", "#9C964A", "#C94A7D", "#CDC08C",
                  "#FAD77B", "#7294D4", "#DC863B", "#972D15")

# and here we plot the rating of the experts per subscales:

expert_plot <- df_tidy %>%
  ggplot(aes(rating, fill = expert, show.legend = FALSE)) +
  geom_bar(show.legend = FALSE) +
  facet_grid(expert ~ subscale, labeller = labeller(subscale = subscale.labs)) +
  scale_fill_manual(values = palette)

expert_plot

ثم أنشأنا خريطة العالم للبلدان التي أنشأت القائمة النهائية لعناصر STRAEQ-120 البالغ عددها 2 عنصرًا ، لملاحظة مدى تنوع قائمة العناصر لدينا (انتهى بنا الأمر إلى إجراء بعض البدائل للمشروع النهائي ، لزيادة تنوع المقياس. ).

# first import the world.cities database from the ‘package maps' in order to have latitude and longitude of countries around the globe:

library(maps)
data(world.cities)

# then you may want to rename some country in your data frame (here my data frame contains  the 120 selected items amd is called ‘items_120’) to match the name of the cities included in the world.cities data frame, in our case we needed to rename three cities:

items_120$country[items_120$country == "United Kingdom"] <- "UK"
items_120$country[items_120$country == "United States"] <- "USA"
items_120$country[items_120$country == "Serbia"] <- "Serbia and Montenegro"
 
# the next step is to merge the desired columns from the world.cities data frame with your data frame by country in order to get the latitude and longitude next to your cities’ names:

items_120 <- world.cities %>%
    filter(capital == 1) %>%
    select(country = country.etc, lat, lng = long) %>%
    left_join(items_120, ., by = "country")

# we compute the number of items that we have per country, this is needed to vary the size of the dots in the final map:

df_country_count <- items_120 %>%
  group_by(country) %>%
  summarise(n()) %>%
  rename(n = "n()")

# we create the data frame to generate the map:

items_120 <- left_join(items_120, df_country_count)

# we create the map (depending on your data you may want to change the radius argument fonction in order to adapt the differences in dot size, and also the value of the fillOpacity argument):

m <- leaflet(items_120) %>% 
   addTiles() %>%
   addCircles(
       lng = ~lng,
       lat = ~lat, 
       weight = 1,
       radius = ~ log(n + 5) * 100000, 
       popup = ~paste(country, ":", item, "(", subscale, ")"),
       stroke = T, 
       opacity = 1, 
       fill = T, 
       color = "#a500a5", 
       fillOpacity = 0.09
    )

# finally we can print the map:
m

هذا هو المكان الذي وصلنا إليه في المشروع حتى الآن. نحن الآن في المرحلة لترجمة مقاييس المشروع إلى لغات مختلفة لجمع البيانات الخاصة بالمشروع النهائي. 

مهتم بالمشاركة في المشروع؟

لا يزال بإمكانك الانضمام إلى المشروع. سوف نطلب منك: 

  1. قم بإرسال طلب IRB إلى موقعك (إذا لزم الأمر). من أجل تسهيل هذه الخطوة بالنسبة لك ، قمنا بكتابة حزمة إرسال IRB ، والتي تتوفر على صفحة OSF الخاصة بالمشروع
  2. ترجمة المقاييس التي تم تضمينها في المشروع الرئيسي عبر طريقة الترجمة إلى الأمام والترجمة الخلفية.
  3. قم بإدارة استبيان عبر الإنترنت لما لا يقل عن 100 مشارك في موقعك (أكثر من ذلك ممكن دائمًا). 

يرجى ملاحظة أنه لحساب حقوق التأليف ، فإننا نستخدم قائمة مؤلفي الطبقات مدمجة في التصنيف الائتماني. نتوقع أيضًا نشر ورقة بيانات من المشروع تساعد في إعادة استخدام البيانات في المستقبل. نتوقع جمع البيانات من حوالي 11 مشارك في جميع أنحاء العالم (لدينا حاليًا 000 موقعًا في 118 دولة) ، للتحقق من مقياس STRAEQ-48 عبر البلدان ، وقياس الفروق الفردية في طريقة تعامل الأشخاص مع التهديدات البيئية ، واستكشاف الروابط التي تحافظ عليها هذه الاختلافات مع الفروق الفردية في التعلق.

كتب منشور المدونة هذا أوليفييه دوجولز وهانز إيزرمان.

اترك تعليق

يستخدم هذا الموقع نظام Akismet لتقليل الرسائل الضارة. تعرف كيف تتم معالجة بيانات تعليقك.

%d المدونين مثل هذا: