Veidlapa Nr. M-3 (8)

Kursa apraksta statuss: Apstiprināts

Kursa apraksta versija: 26/27.P.1.00

Kursa apraksta periods : 2026./27. akadēmiskā gada pavasara semestris

Kursa apraksta apstiprināšanas datums: -

Studiju kursa apraksts

Kvantitatīvie dati un to ieguves metodes psiholoģijā

Studiju kursa pamatinformācija

Kursa kods
VPUPK_435
Zinātnes nozare
Psiholoģija
Kredītpunkti (ECTS)
6,00
Mērķauditorija
Psiholoģija
LKI
6. līmenis
Studiju veids un forma
Pilna laika; Nepilna laika

Studiju kursa īstenotājs

Kursa vadītājs
Viktorija Perepjolkina
Struktūrvienības vadītājs
Kristīne Mārtinsone
Struktūrvienība
Veselības psiholoģijas un pedagoģijas katedra
Kontaktinformācija

Dzirciema iela 16, Rīga, vppk@rsu.lv

Par studiju kursu

Mērķis

Sniegt studentiem teorētiskās zināšanas par datu struktūru un psihometrijas pamatprincipiem, attīstot praktiskās iemaņas datu ieguves metožu izvēlē, psiholoģisko testu zinātniskā izstrādē, adaptācijā un to psihometrisko īpašību empīriskā novērtēšanā, izmantojot mūsdienīgu statistiskās analīzes programmatūru.

Priekšzināšanas

Teorētiskās zināšanas psiholoģijā:

  • Izpratne par psiholoģijas zinātnes vēsturisko attīstību, galvenajām teorētiskajām skolām un pamatprocesiem (kognitīvie procesi, emocijas), kas nepieciešama pamatotai mērāmo konstruktu definēšanai un operacionālizācijai.
  • Zināšanas par zinātnes filozofijas pamatprincipiem un loģiku, kas ļauj kritiski analizēt zinātnisko argumentāciju un formulēt loģiskus secinājumus par mērīšanas instrumentu lietderību.

Pētniecības metodoloģija un statistika:

  • Pamatzināšanas matemātiskajā statistikā, izprotot datu sadalījumus, aprakstošās statistikas rādītājus (vidējais, standartnovirze) un bāzes sakarību analīzi (korelāciju), kas ir obligāts priekšnosacījums uzticamības un validitātes aprēķiniem.
  • Izpratne par pētniecības dizainu veidiem un datu ieguves metodēm, kā arī zināšanas par pētniecības ētikas standartiem un personas datu aizsardzības (VDAR) tiesiskajiem aspektiem.

Akadēmiskās pamatprasmes:

  • Informācijpratība: Prasme patstāvīgi meklēt, atlasīt un kritiski izvērtēt zinātnisko literatūru un starptautiskas publikācijas par psiholoģiskās novērtēšanas instrumentiem specializētajās datubāzēs.
  • Svešvalodu zināšanas (angļu valoda): Spēja lasīt un analizēt zinātniskos tekstus un testu rokasgrāmatas angļu valodā, nodrošinot kvalitatīvu instrumentu adaptācijas procesu.
  • Digitālās prasmes: Iemaņas darbā ar biroja programmatūru (teksta redaktoriem, izklājlapām) un gatavība apgūt specializētu statistiskās analīzes programmatūru (piem., JASP vai Jamovi).

Studiju rezultāti

Zināšanas

1.Identificē datu veidus un mērījumu skalas (nominālo, ordinālo, intervālu un attiecību), izvērtējot to pielietojamību un ierobežojumus datu statistiskajā apstrādē.

Patstāvīgais darbs un pārbaudījumi

Kontroltests: Datu veidi, skalas, ētika un testu veidi • Psiholoģisko testu izstrāde, adaptācija un kvalitātes novērtēšana

2.Raksturo pētniecības ētikas pamatprincipus, ietverot informētās piekrišanas, datu konfidencialitātes un VDAR prasību ievērošanu psiholoģiskajā izpētē.

Patstāvīgais darbs un pārbaudījumi

Kontroltests: Datu veidi, skalas, ētika un testu veidi

3.Klasificē psiholoģiskos testus pēc to veida, mērķa un konstrukcijas specifikas (piemēram, personības, spēju vai sasniegumu testi).

Patstāvīgais darbs un pārbaudījumi

Kontroltests: Datu veidi, skalas, ētika un testu veidi

4.Definē psiholoģisko testu izstrādes un adaptācijas posmus, paskaidrojot katra posma metodoloģisko nozīmi instrumenta izveides procesā.

Patstāvīgais darbs un pārbaudījumi

Psiholoģisko testu izstrāde, adaptācija un kvalitātes novērtēšana

5.Identificē un apraksta psiholoģisko testu konstruēšanas, adaptācijas un standartizācijas posmus, ievērojot starptautiskos metodoloģiskos standartus (piem., ITC vadlīnijas).

Patstāvīgais darbs un pārbaudījumi

Psiholoģisko testu izstrāde, adaptācija un kvalitātes novērtēšana • Empīriskās aprobācijas protokols

6.Izskaidro psihometriskās kvalitātes kritērijus, interpretējot pantu analīzes rādītājus, kā arī dažādus uzticamības un validitātes pierādījumu veidus.

Patstāvīgais darbs un pārbaudījumi

Pantu analīzes protokols • Psiholoģisko testu izstrāde, adaptācija un kvalitātes novērtēšana • Skalu analīzes protokols

7.Atpazīst un raksturo dažādas statistiskās metodes (faktoru analīzi, korelāciju analīzi, rādītāju salīdzināšanu) un to piemērotību konkrētu psihometrisko jautājumu risināšanai.

Patstāvīgais darbs un pārbaudījumi

Skalu analīzes protokols • Pantu analīzes protokols • Empīriskās aprobācijas protokols • Esošo testu pārskats (darbs mazā grupā)

Prasmes

1.Veic svešvalodā izstrādāta instrumenta adaptāciju, nodrošinot lingvistisko, kultūras un konceptuālo ekvivalenci.

Patstāvīgais darbs un pārbaudījumi

Empīriskās aprobācijas protokols

2.Lieto statistikas programmatūru (JASP/Jamovi) empīrisko datu apstrādei, aprēķinot pantu parametrus, testa uzticamības koeficientus un validitātes rādītājus.

Patstāvīgais darbs un pārbaudījumi

Skalu analīzes protokols

3.Veic datu analīzi, izmantojot faktoru analīzi (EFA un CFA), lai novērtētu instrumenta iekšējo struktūru.

Patstāvīgais darbs un pārbaudījumi

Skalu analīzes protokols

4.Demonstrē prasmi patstāvīgi operacionālizēt psiholoģisku konstruktu un formulēt psihometriski korektus testa pantus atbilstoši izvēlētajai stratēģijai.

Patstāvīgais darbs un pārbaudījumi

Sākotnējā pantu kopa un satura validitāte • Jaunā testa "Pase" vīzija (darbs mazā grupā)

Kompetences

1.Kritiski izvērtē mērīšanas instrumentu psihometrisko kvalitāti, pamatojoties uz empīriskiem uzticamības un validitātes pierādījumiem.

Patstāvīgais darbs un pārbaudījumi

Sākotnējā pantu kopa un satura validitāte • Esošo testu pārskats (darbs mazā grupā) • Skalu analīzes protokols • Fināla prezentācija par testa izstrādi vai adaptāciju

2.Argumentē izvēlētās metodoloģijas pamatotību, mērījuma standartkļūdas (SEM) un ticamības intervālu nozīmi individuālo rezultātu interpretācijā.

Patstāvīgais darbs un pārbaudījumi

Skalu analīzes protokols • Pantu analīzes protokols

3.Izstrādā un noformē zinātnisku psihometrisko atskaiti vai prezentāciju atbilstoši APA 7 standartiem, ievērojot atvērtās zinātnes un caurspīdīgas datu pārvaldības principus.

Patstāvīgais darbs un pārbaudījumi

Fināla prezentācija par testa izstrādi vai adaptāciju

Vērtēšana

Patstāvīgais darbs

Virsraksts
% no gala vērtējuma
Vērtējums
1.

Esošo testu pārskats (darbs mazā grupā)
-
Ieskaite

Formāts: Rakstisks ziņojums (ieteicams tabulas vai strukturēta pārskata veidā)

Grupai ir jāsagatavo pārskats par vismaz diviem starptautiskiem instrumentiem. Lai darbs tiktu ieskaitīts, ziņojumam jāatbilst šādiem kritērijiem:

  • Instrumenta nosaukums un autori: (Piemēram, The Digital Stress Scale (Hallenbeck et al., 2021)).
  • Psihometriskie rādītāji: Konkrēti skaitļi (piem., alpha = .85) un validitātes veidi no oriģinālraksta.
  • Struktūras analīze: Jautājumu skaits un atbilžu skalas tips.
  • Kritiskais vērtējums: Galvenie ierobežojumi (piem., "pārāk specifiska izlase", "saturiski novecojuši jautājumi").
2.

Jaunā testa "Pase" vīzija (darbs mazā grupā)
-
Ieskaite

Uzdevuma mērķis: Balstoties uz veikto esošo testu revīziju, grupai ir jāizstrādā un rakstiski jāpamato sava topošā testa konceptuālais ietvars. Šis nodevums kalpo kā zinātnisks arguments tam, kāpēc pasaulei ir nepieciešams vēl viens instruments un kā tas uzlabos esošo situāciju.

Nodevuma saturs un struktūra:

  1. Tehniskie parametri:
    • Mērāmā pazīme: Precīzs un zinātniski definēts konstrukta nosaukums.
    • Mērķa grupa: Definēta populācija (piemēram, strādājoši jaunieši, klīniskā izlase), kurai instruments tiek paredzēts.
    • Struktūras plāns: Paredzētais dimensiju (apakšskalu) skaits un aptuvenais jautājumu (pantu) skaits.
    • Atbilžu formāts: Izvēlētais skalas tips (piemēram, Likerta skala ar konkrētu punktu skaitu).
  2. Argumentācija un zinātniskais pamatojums:
    • Izmaiņu pamatojums: Skaidrs skaidrojums, kāpēc jūsu izvēlētie parametri atšķiras no revīzijā analizētajiem testiem. Ja izmantojat tos pašus parametrus, pamatojiet, kāpēc tie esošajā formā ir visefektīvākie.
    • Problēmas risinājums: Argumentējiet, kādu specifisku esošo testu trūkumu (piemēram, pārāk liels jautājumu skaits, novecojis saturs vai viduspunkta neesamība skalā) jūsu jaunā vīzija novērsīs.
    • Lietojamība: Pamatojums tam, kāpēc izvēlētā struktūra (piemēram, viendimensijas vs. daudzdimensiju) ir piemērotāka jūsu izvēlētajai mērķa grupai un pielietojuma kontekstam (piemēram, ātrais skrīnings).

Vērtēšanas kritēriji: Nodevums tiks ieskaitīts, ja katrs tehniskais parametrs būs loģiski saistīts ar iepriekš veiktās revīzijas secinājumiem un sniegtais pamatojums būs balstīts psihometriskos argumentos, nevis personīgās izjūtās.
3.

Sākotnējā pantu kopa un satura validitāte
-
Ieskaite

Uzdevuma mērķis: Izveidot testa sākotnējo jautājumu (pantu) sarakstu un veikt to sākotnējo atlasi, balstoties uz ekspertu vērtējumiem par satura validitāti.

Nodevuma sastāvdaļas (Tehniskās prasības):

  1. Pantu saraksts un struktūra:
    • Saraksts ar visiem sākotnēji formulētajiem pantiem.
    • Panti ir piesaistīti konkrētām dimensijām (apakšskalām), kas definētas testa "Pasē".
    • Valodas kvalitāte: Panti ir formulēti vienotā stilā, bez divdomībām un sarežģītas terminoloģijas.
  2. Ekspertu vērtējumu apkopojums:
    • Sistematizēts pārskats (piemēram, tabula vai saraksts) ar ekspertu sniegtajiem vērtējumiem par katra panta atbilstību konstruktam.
  3. Analītiskā atlase un secinājumi:
    • Argumentēts lēmums par katru pantu: iekļaut, labot vai izslēgt no testa aprobācijas versijas.
    • Pamatojums lēmumam, balstoties uz ekspertu viedokļu konsensusu vai kvalitatīvo analīzi (kāpēc konkrētie panti tika izvēlēti nākamajam posmam).
4.

Empīriskās aprobācijas protokols
-
Ieskaite

Uzdevuma mērķis: Sagatavot metodoloģiski pamatotu un tehniski funkcionālu pētījuma platformu, lai veiktu jaunā un adaptētā testa empīrisko pārbaudi, nodrošinot ētisku un kvalitatīvu datu ieguvi.

Tehniskās prasības lai darbs tiktu ieskaitīts:

  1. Adaptācijas sadaļa:
    • Īsa informācija par oriģinālo (adaptējamo) testu.
    • Tulkotie panti ar komentāriem par veiktajām modifikācijām, lai saglabātu jēgu Latvijas kultūrvidē.
  2. Datu vākšanas dizains:
    • Skaidri definēta mērķa izlase un plānotais respondentu skaits.
    • Aprakstīti respondentu piesaistes veidi (kur un kā tiks izplatīta anketa).
  3. Tiešsaistes anketa (Saite):
    • Funkcionējoša saite uz anketu (piem., Google Forms, u.c.).
    • Korekta struktūra: Informētā piekrišana, Demogrāfija, Testu panti.
  4. Ētika un VDAR:
    • Iekļauti informētās piekrišanas elementi un garantēta datu anonimitāte.

Pārbaudījums

Virsraksts
% no gala vērtējuma
Vērtējums
1.

Kontroltests: Datu veidi, skalas, ētika un testu veidi
10,00% no gala vērtējuma
10 balles

Mērķis: Pārbaudīt teorētiskās zināšanas un prasmi identificēt mainīgo veidus, mērījumu skalas, testu klasifikāciju un pētniecības ētikas principus.

Tehniskie nosacījumi un vērtēšana:

  • Sekmības slieksnis: Vismaz 60% pareizu atbilžu.
  • Vērtēšana: Automātiska (uzreiz pēc testa izpildes).
  • Saturs: Jautājumi par teoriju un īsi situāciju analīzes uzdevumi (case studies).
  • Izpilde: Testa izpilde jāveic noteiktajā laika limitā un mēģinājumu skaitā.
2.

Psiholoģisko testu izstrāde, adaptācija un kvalitātes novērtēšana
10,00% no gala vērtējuma
10 balles

Mērķis: Pārbaudīt izpratni par testa izstrādes posmiem, adaptācijas procesu, pantu analīzes pamatprincipiem, kā arī uzticamības un validitātes veidiem.

Tehniskie nosacījumi un vērtēšana:

  • Sekmības slieksnis: Vismaz 60% pareizu atbilžu.
  • Vērtēšana: Automātiska.
  • Saturs: Jautājumi par testa izstrādes ciklu, psihometrisko rādītāju interpretāciju un validitātes pierādījumiem.
  • Izpilde: Testa izpilde noteiktajā laika limitā un mēģinājumu skaitā.
3.

Pantu analīzes protokols
20,00% no gala vērtējuma
10 balles

Nodevums: "Pantu analīzes protokols"

Uzdevuma mērķis: Veikt jaunizveidotā instrumenta sākotnējo datu statistisko apstrādi un, balstoties uz pantu analīzes rādītājiem, pieņemt pamatotu lēmumu par testa fināla versijas saturu.

Tehniskās prasības (obligātās sastāvdaļas):

  1. Datu tabula: Sistematizēti rādītāji katram pantam pa apakšskalām:
    • Grūtības indekss (p) vai vidējā vērtība (M).
    • Diskriminativitāte (panta un kopsummas korelācija r).
    • Iekšējā saskaņotība (alpha), ja pants tiek izslēgts (Cronbach’s alpha if item deleted).
  2. Kopsavilkums: 3–4 teikumu loģisks pamatojums par pantu atlasi (kurus paturēt, kurus izslēgt).
  3. Noformējums: Tabulas un teksts atbilstoši APA vai citam noteiktam akadēmiskajam standartam.

Vērtēšanas kritēriji

10 (Izcili) Perfekta izpilde un padziļināta analīze. Visi statistiskie rādītāji aprēķināti nevainojami. Datu vizualizācija ir profesionālā līmenī. Kopsavilkumā sniegta izcila argumentācija, sasaistot statistiku ar panta satura loģiku. Nav nevienas akadēmiskā noformējuma kļūdas.

9 (Teicami) Augsta precizitāte un skaidra struktūra. Visi aprēķini un lēmumi par pantiem ir pareizi un loģiski. Noformējums pilnībā atbilst standartiem, pieļaujamas tikai nebūtiskas, sīkas neprecizitātes datu izvietojumā.

8 (Ļoti labi) Korekta un pamatota analīze. Dati ir pareizi un viegli uztverami. Kopsavilkumā lēmumi par pantiem ir pamatoti ar skaitļiem, taču trūkst detalizētas interpretācijas par to, kāpēc saturs varētu būt ietekmējis statistiku. Darbs atbilst akadēmiskajam stilam.

7 (Labi) Atbilstība pamatprasībām. Visi rādītāji ir aprēķināti, taču datu struktūra varētu būt uzlabojama (piemēram, nav uzreiz pārskatāma). Argumentācija ir loģiska, bet lakoniska. Pieļaujamas nelielas noformējuma kļūdas.

6 (Gandrīz labi) Mehāniska datu apstrāde. Rādītāji aprēķināti pareizi, bet kopsavilkums ir virspusējs (piemēram, nav skaidri definēti statistiskie sliekšņi, pēc kuriem panti izslēgti). Vizuālais noformējums ir vājš, bet dati ir salasāmi.

4 (Gandrīz viduvēji) Minimālais pieļaujamais sniegums. Aprēķināti tikai pamatrādītāji, iespējamas kļūdas metodoloģijā. Kopsavilkums ir nepilnīgs vai trūkst skaidras saiknes ar iegūtajiem datiem. Noformējums neatbilst standartiem.
4.

Skalu analīzes protokols
20,00% no gala vērtējuma
10 balles

Uzdevuma mērķis: Veikt jaunizveidotā un adaptētā instrumenta skalu līmeņa analīzi, novērtējot to uzticamību, validitāti un datu sadalījuma atbilstību psihometriskajām prasībām.

Tehniskās prasības (obligātās sastāvdaļas):

  • Aprakstošā statistika un sadalījums: Katrai skalai norādīti vidējie rādītāji (M), standartnovirzes (SD), kā arī asimetrijas (skewness) un ekscesa (kurtosis) rādītāji, lai raksturotu datu sadalījumu.
  • Uzticamības rādītāji: Aprēķināti un interpretēti iekšējās saskaņotības koeficienti (obligāti Cronbach’s alpha, vēlams arī McDonald’s omega).
  • Validitātes pierādījumi: Sniegta korelāciju analīze (piemēram, jaunā testa korelācija ar adaptēto instrumentu vai citiem ārējiem kritērijiem), lai pamatotu konstrukta vai kritērija validitāti.
  • Vizualizācija: Dati apkopoti pārskatāmās tabulās, kas atbilst APA 7 standartam.
  • Rezultātu interpretācija: Lakonisks, profesionāls apraksts par to, vai iegūtie rādītāji ir pietiekami, lai instrumentu uzskatītu par psihometriski kvalitatīvu.

Vērtēšanas kritēriji

10 (Izcili)

Analīze veikta augstākajā profesionālajā līmenī. Aprēķināti visi nepieciešamie rādītāji (t.sk. omega), un to interpretācija liecina par padziļinātu izpratni. Tabulas nevainojami atbilst APA 7 standartam. Validitātes un uzticamības izvērtējums ir kritisks, vispusīgs un zinātniski pamatots.

9 (Teicami)

Tehniski precīzs un metodoloģiski pareizs darbs. Iekļauti visi prasītie rādītāji un sniegta skaidra interpretācija. Noformējums pilnībā atbilst standartiem, pieļaujamas tikai nebūtiskas stila nianses tekstā.

8 (Ļoti labi)

Korekta datu analīze. Visi galvenie rādītāji (M, SD, alpha, korelācijas) ir aprēķināti pareizi. Rezultātu apraksts ir profesionāls, taču interpretācijā trūkst plašāka skatījuma uz iegūto rezultātu teorētisko nozīmi. Sekots APA stilam.

7 (Labi)

Atbilstība pamatprasībām. Aprēķini ir pareizi, taču interpretācija ir vairāk aprakstoša (skaitļu nosaukšana), nevis analītiska. Tabulu noformējumā vai datu strukturēšanā vērojamas nelielas neprecizitātes.

6 (Gandrīz labi)

Datu analīze veikta mehāniski. Galvenie rādītāji ir aprēķināti, bet trūkst, piemēram, sadalījuma raksturojuma vai skaidra validitātes izvērtējuma. Rezultātu apraksts ir virspusējs. Noformējums tikai daļēji atbilst standartiem.

4 (Gandrīz viduvēji)

Minimālais pieļaujamais sniegums. Sniegti tikai pamata rādītāji (vidējie un alpha), trūkst validitātes pierādījumu. Interpretācija ir nepilnīga vai kļūdaina. Noformējums neatbilst akadēmiskajām prasībām.
5.

Fināla prezentācija par testa izstrādi vai adaptāciju
40,00% no gala vērtējuma
10 balles

Uzdevuma mērķis: Demonstrēt pilnu testa izstrādes vai adaptācijas ciklu, pamatojot instrumenta kvalitāti ar metodoloģiski korektu pētījuma dizainu un empīriskiem datiem.

Prezentācijas saturs (Struktūra):

  1. Ievads: Testa vīzija vai informācija par adaptējamo testu un konstrukta zinātniskā definīcija.
  2. Metode:
    • Izlase: Demogrāfiskais raksturojums un apjoms.
    • Instrumenti: Izmantotās skalas (jaunā, adaptētā un kritēriju mērījumi).
    • Procedūra: Datu vākšanas gaita, ētikas un VDAR ievērošana.
    • Datu analīze: Izmantotās statistikas metodes un programmatūra.
  3. Pantu analīze: Galvenie statistikas rādītāji un lēmumi par pantu atlasi.
  4. Psihometriskā kvalitāte: Skalu uzticamības (alpha, omega) un validitātes pierādījumi.
  5. Secinājumi: Vērtējums par testa lietojamību un nākotnes attīstības iespējām.

Vērtēšanas kritēriji (Atzīmju skala 1-10)

10 (Izcili) Perfekta zinātniskā struktūra. Metodes sadaļa ir aprakstīta precīzi, ļaujot pilnībā izprast pētījuma gaitu. Demonstrēta izcila analītiskā integritāte un datu vizualizācija (APA 7). Grupa pārliecinoši pamato metodoloģiskās izvēles un profesionāli atbild uz jautājumiem.

9 (Teicami) Augsta kvalitāte visos posmos. Metodes apraksts ir skaidrs un izsmļošs. Rādītāju interpretācija ir korekta. Prezentācija ir vizuāli profesionāla. Grupa spēj argumentēt savus lēmumus un sniegt pamatotas atbildes.

8 (Ļoti labi) Loģisks un pamatots sniegums. Metodes sadaļa iekļauj visus būtiskos elementus. Psihometriskie rādītāji interpretēti pareizi. Vizuālais noformējums labs, dati ir salasāmi. Atbildes uz jautājumiem ir skaidras.

7 (Labi) Atbilstība pamatprasībām. Metodes sadaļa ir iekļauta, bet var būt lakoniska. Dati aprakstīti pareizi, bet interpretācija brīžiem ir virspusēja. Pieļaujamas nelielas neprecizitātes tabulu noformējumā.

6 (Gandrīz labi) Informatīvs, bet mehānisks sniegums. Metodes aprakstā trūkst detaļu (piemēram, par procedūru vai datu analīzes metodēm). Vājš sasaiste starp metodi un rezultātiem. Atbildes uz jautājumiem ir vispārīgas.

4 (Gandrīz viduvēji) Minimālais sniegums. Satura plāns ievērots daļēji, metodes sadaļa ir nepilnīga vai kļūdaina. Rezultātu interpretācija nav pamatota. Vāja spēja orientēties pašu veiktajā pētījumā.

Studiju kursa tēmu plāns

PILNA LAIKA
1. daļa

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
4

Tēmas

Kvantitatīvie dati un mērīšanas pamati psiholoģijā
Apraksts

Lekcijas laikā studenti apgūst kvantitatīvās pētniecības datu hierarhiju (no primārajiem līdz terciārajiem datiem) un izprot to lietojumu psiholoģiskajā izpētē. Tiek detalizēti analizētas mērīšanas skalas un to ietekme uz tālāko statistisko analīzi. Īpaša uzmanība tiek veltīta datu ieguves metožu daudzveidībai un mūsdienu digitālajām iespējām, vienlaikus nostiprinot izpratni par personas datu aizsardzību (GDPR) un pētniecības ētikas standartiem.

Lekcijas apakštēmas:

  1. Datu taksonomija un avoti:
    • Primārie dati: Pašu vāktie dati konkrētam pētījumam.
    • Sekundārie dati: Citu pētnieku vāktie dati, valsts statistikas portāli, atvērtās zinātnes (Open Science) datubāzes (piem., OSF, Mendeley Data).
    • Terciārie dati: Meta-analīžu rezultāti un sistemātiskie pārskati kā datu avots.
  2. Mērīšanas līmeņi un skalu veidi:
    • S. Stīvensa (S.S. Stevens) NOIR klasifikācija: nominālā, ordinālā, intervālu un attiecību skala.
    • Mainīgo veidi: Kvalitatīvie (kategorālie) vs. kvantitatīvie (metriskie). Diskrētie vs. nepārtrauktie mainīgie.
    • Speciālie skalu veidi psiholoģijā: Likerta tipa skalas (to daba: ordinālas vs. intervālu), vizuālās analogās skalas (VAS), semantiskais diferenciālis.
  3. Datu ieguves metodes un rīki:
    • Pašziņojuma instrumenti (aptaujas, anketas).
    • Novērošanas protokoli (kodēšana un kvantificēšana).
    • Objektīvie rādītāji (reakcijas laiks, fizioloģiskie mērījumi).
    • Digitālā fenotipēšana (viedierīču dati).
  4. Datu aizsardzība un pētniecības ētika:
    • Vispārīgā datu aizsardzības regula (VDAR): Datu minimizēšana, caurspīdīgums, integritāte.
    • Informētā piekrišana: Struktūra un obligātie elementi.
    • Datu drošība: Anonimizācija, pseidonimizācija un datu uzglabāšanas protokoli.

  1. Nodarbība/Seminārs

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Datorklase
4

Tēmas

Nodarbība: Kvantitatīvie dati un mērīšanas pamati psiholoģijā
Apraksts

Mērķis: Nostiprināt prasmi klasificēt datus un atrast esošus datu resursus.

  1. Rakstu analīze (Grupās):
    • Katra grupa saņem vienu īsu, kvalitatīvu pētījuma rakstu (vai kopsavilkumu).
    • Uzdevums: Aizpildīt strukturētu darba lapu:
      • Kas ir pētījuma objekts/subjekts?
      • Identificēt galvenos mainīgos.
      • Noteikt katra mainīgā mērīšanas līmeni (skalu) un veidu (kvantitatīvs/kvalitatīvs).
      • Norādīt, vai tie ir primārie vai sekundārie dati.
  2. Sekundāro datu "medības":
    • Studentiem datoros jādodas uz kādu no atvērtajām datubāzēm (piemēram, European Social Survey vai Latvijas Atvērto datu portālu).
    • Uzdevums: Atrast vienu datu kopu, kas saistīta ar psiholoģiju/sociālajām zinātnēm, un aprakstīt, kāda mēroga skalas tur pārsvarā izmantotas.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
4

Tēmas

Psiholoģiskie testi un Klasiskā testu teorija
Apraksts

Lekcijā studenti apgūst psiholoģiskā testa kā standartizēta mērīšanas instrumenta būtību, nošķirot zinātnisku pieeju no pseidopsiholoģiskām metodēm. Tiek sniegts visaptverošs pārskats par testu klasifikāciju pēc to mērķa un formas, analizējot laba psihometriskā testa pamatpazīmes – objektivitāti, standartizāciju un lietderību. Lekcijas gaitā studenti iepazīstas ar psihometrikas vēsturisko attīstību un apgūst Klasiskās testu teorijas (KTT) pamataksiomu X = T + E. Īpaša uzmanība tiek veltīta mērījuma kļūdas veidiem (sistemātiskā un gadījumrakstura kļūda), veidojot izpratni par to, kā vides, respondenta un paša instrumenta faktori ietekmē novērotā rezultāta precizitāti. Iegūtās zināšanas kalpo par pamatu praktiskajai nodarbībai, kurā studenti analizē profesionālu testu komplektus un veic mērījuma kļūdas "auditu".

Lekcijas apakštēmas:

  1. Kas ir un kas nav psiholoģiskais tests?
    • Definīcija un standartizācijas jēdziens.
    • Atšķirība starp zinātnisku testu un "žurnālu testiem".
  2. Testu klasifikācija (Pārskats):
    • Pēc mērķa: Spēju/intelekta testi, personības aptaujas, sasniegumu testi, neiropsiholoģiskie un klīniskie rādītāji.
    • Pēc formas: Individuālie vs. grupu; verbālie vs. darbības; objektīvie vs. projektīvie (īsi par projektīvo metožu psihometriskajiem izaicinājumiem).
  3. Laba psihometriskā testa pazīmes:
    • Objektivitāte (unificēta procedūra).
    • Standartizācija.
    • Ekonomiskums un lietderība.
    • Ievads uzticamībā un validitātē (tikai kā jēdzieni).
  4. Psihometrikas vēsture īsumā:
    • No Frensisa Galtona un Alfrēda Binē līdz mūsdienu digitālajiem testiem.
  5. Ievads Klasiskajā testu teorijā (KTT):
    • Pamataksioma: X = T + E (Novērotais rezultāts = Patiesais rezultāts + Kļūda).
    • Kas veido mērījuma kļūdu (E)? Sistemātiskā vs. gadījumrakstura kļūda.
    • KTT pieņēmumi (vienkāršotā veidā).

  1. Nodarbība/Seminārs

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Datorklase
4

Tēmas

Praktiskā nodarbība: Esošo instrumentu revīzija un sava testa vīzija
Apraksts

Mērķis: Veikt padziļinātu esošo testu izpēti, lai uz tās bāzes argumentēti izstrādātu sava testa struktūru.

Darba gaita un uzdevumi grupās:

  1. Mērķtiecīga meklēšana un atlase:
    • Grupas izvēlas mērāmo pazīmi (piem., "Digitālo ierīču lietošanas trauksme").
    • Jāatrod vismaz 2 esoši instrumenti. Jāanalizē autoru sniegtais pamatojums (rationale): Kāpēc šis tests savulaik tika izveidots? Kādu problēmu tas risināja?
  2. Strukturālā un psihometriskā revīzija:
    • Pantu skaits un saturs: Cik jautājumu ir katrā skalā? Vai tie ir īsi/gari?
    • Atbilžu formāts: Kāpēc izvēlēta tieši šāda skala (piem., 4 punktu skala bez viduspunkta vs 7 punktu skala)?
    • Ierobežojumu identifikācija: Studenti meklē raksta sadaļu "Limitations". Vai testi ir par garu? Vai tie ir novecojuši? Vai tie ir validēti tikai specifiskā populācijā?

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
4

Tēmas

Psihometrisko testu izstrādes process
Apraksts

Lekcijā studenti apgūst psihometrisko testu izveides zinātnisko ciklu, sākot no teorētiskās idejas līdz pirmajam pantu uzmetumam. Tiek analizētas trīs galvenās testu izstrādes pieejas (deduktīvā, induktīvā un integratīvā), uzsverot to atšķirības pētniecības mērķu sasniegšanā. Studenti mācās veikt konstrukta operacionālizāciju, izvēlēties atbilstošākos atbilžu skalu formātus un identificēt biežākos respondentu snieguma noviržu (response bias) veidus. Lekcijas noslēgumā tiek apskatīta satura un acīmredzamā validitāte kā primārie kvalitātes kontroles mehānismi testa izstrādes sākumposmā.

Lekcijas apakštēmu plāns:

  1. Testu izstrādes stratēģijas:
    • Deduktīvā (teorijā balstītā) pieeja.
    • Induktīvā (datos balstītā/empīriskā) pieeja.
    • Integratīvā pieeja.
  2. No konstrukta līdz mērījumam:
    • Konstrukta nominālā un operacionālā definīcija.
    • Indikatoru un domēnu noteikšana.
  3. Pantu formulēšana un skalas:
    • Atbilžu skalu formāti (Likerta, semantiskais diferenciālis, piespiedu izvēle, dihotomiskā skala).
    • Pantu rakstīšanas higiēna un valodas precizitāte.
    • Apgrieztie panti (reverse-scored items).
  4. Atbilžu novirzes (Response Bias):
    • Sociālā vēlamība, piekrišanas tendence, ekstrēmo atbilžu tendence, tendence izvēlēties vidējo atbildi.
    • Stratēģijas atbilžu noviržu mazināšanai testa izstrādes stadijā.
  5. Sākotnējā validizācija:
    • Satura validitāte (ekspertu vērtējums).
    • Acīmredzamā (face) validitāte (respondentu skatījums).

  1. Nodarbība/Seminārs

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Datorklase
4

Tēmas

Nodarbība: Pantu izstrāde un sākotnējā validācija
Apraksts

Mērķis: Praktiski izstrādāt pirmos testa pantus un veikt to sākotnējo kvalitātes pārbaudi.

Nodarbības gaita:

  1. Darbs grupās – Testa pantu formulēšana:
    • Grupas, balstoties uz savu "vīziju" (no 2. nodarbības), noformulē sava konstrukta operacionālo definīciju.
    • Izvēlas un pamato atbilžu skalas formātu.
    • Izveido pirmo pantu sarakstu (piemēram, 12–15 panti).
    • Grupā balstoties uz consensus pieeju vienojas par to, kurus pantus paturēs turpmākai izvērtēšanai.
  2. Satura validitātes simulācija:
    • Grupas "apmainās" ar pantiem. Grupa A kļūst par "ekspertiem" Grupas B testam.
    • Eksperti novērtē katra panta atbilstību definīcijai (piem., skalā no 1-4 "neatbilst", “drīzāk neatbilst”, "daļēji atbilst", "pilnībā atbilst").
  3. Acīmredzamās validitātes pārbaude:
    • Ja auditorijā ir studenti, kas atbilst mērķauditorijai, viņi sniedz atgriezenisko saiti par jautājumu skaidrību, saprotamību un "vai šis jautājums tiešām izskatās pēc tā, ko tas solās mērīt", vai sniedzot cita veida, pētniekiem nepieciešamā atgriezeniskā saite (piem., par pantu formulējumu saprotamību utt.).
  4. Refleksija un uzlabošana:
    • Grupas saņem atpakaļ savus pantus ar komentāriem un veic korekcijas.
    • Tiek izstrādāta pantu kopa, kas būs paredzētā turpmākājai empīriskājai novērtēšanai (grupas nodevums “Sākotnējā pantu kopa” uz iesk./neiesk).

Nodevums uz iesk./neiesk.:

Katra mazā grupa iesniedz nodevumu: “Sava testa vīzija”, kurā ir īsumā ir sniegtā mēramā konstrukta operacionālā definīcija, pamatota testa izstrādes nepieciešamība, sākotnējo pantu sarakts ar ekspertu satura validitātes vērtējumiem un secinājumi par to, kuri panti tiek atstāti turpmākai empīriskai aprobācijai.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
4

Tēmas

Psiholoģisko testu adaptācija un kvalitātes standarti
Apraksts

Lekcijā studenti apgūst metodoloģisko ietvaru svešvalodā izstrādātu psiholoģisko testu adaptēšanai citā valodas un kultūras telpā. Galvenā uzmanība tiek veltīta Starptautiskās Testu komisijas (ITC) vadlīnijām un TARES standartu piemērošanai, nodrošinot mērījuma objektivitāti. Studenti tiek iepazīstināti ar ekvivalences veidiem un to nozīmi, kā arī iemācās identificēt specifiskas novirzes (bias), kas var rasties neprecīzas adaptācijas rezultātā.

Lekcijas apakštēmu plāns:

  1. Ievads adaptācijā:
    • Atšķirība starp tulkošanu un adaptāciju.
    • Kāpēc nepieciešama adaptācija (kultūras, valodas un konceptuālās atšķirības)?
  2. Adaptācijas posmi pēc ITC vadlīnijām:
    • Sagatavošanās: Atļaujas saņemšana no oriģināltesta autoriem.
    • Tulkošanas process: Dubultā tulkošana (forward translation) un atpakaļtulkošana (back-translation).
    • Sintēze un ekspertu komisija: Domstarpību risināšana tulkojumos.
    • Aprobācija: Pilotpētījums un kognitīvās intervijas ar respondentiem.
  3. Ekvivalence un noviržu (bias) veidi:
    • Ekvivalence: Lingvistiskā, funkcionālā, konceptuālā un metriskā ekvivalence.
    • Novirzes: Konstrukta novirze, metodes novirze (piem., atbilžu stils) un panta (item) novirze (piem., kultūras specifiski idiomi).
  4. Kvalitātes rāmji (15 min):
    • TARES standarti: Kā tie palīdz novērtēt adaptētā testa lietojamību.
    • EFPA (European Federation of Psychologists' Associations) testu vērtēšanas modeļa īss apskats.
  5. Datu vākšanas plānošana un ētika:
    • Izlases lielums aprobācijai.
    • Atgriešanās pie VDAR: kā adaptācijas procesā nodrošināt datu drošību.

  1. Nodarbība/Seminārs

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Datorklase
4

Tēmas

Praktiskā nodarbība: Testa adaptācijas simulācija un pētījuma dizaina finalizēšana
Apraksts

Mērķis: Veikt viena izvēlēta starptautiska instrumenta adaptāciju un sagatavoties abu testu (pašu radītā un adaptētā) empīriskajai pārbaudei.

Nodarbības gaita:

  1. Instrumenta atlase un pamatojums:
    • Grupa no 2. nodarbībā izpētītajiem testiem izvēlas vienu, kas visciešāk saistīts ar viņu pašu izvēlēto mērāmo pazīmi.
    • Šis tests kalpos kā "zelta standarts" vai salīdzināšanas rīks viņu izveidotā testa validitātes pārbaudei.
  2. Tulkošanas un adaptācijas darbnīca:
    • Tiešais tulkojums: Grupa iztulko testa pantus latviešu valodā.
    • Ekspertīze: Grupas iekšienē notiek diskusija par jēdzienu atbilstību. Piem., vai "anxious" latviski labāk tulkot kā "satraukts", "bažīgs" vai "trauksmains" konkrētā konstrukta ietvaros?
    • Kultūras adaptācija: Vai visi oriģināltesta piemēri ir saprotami Latvijas auditorijai? Ja nē, kā tos aizstāt, nemainot panta jēgu?
  3. Pētījuma instrumenta (anketas) izveide:
    • Studenti sagatavo vienotu aptauju (piemēram, Google Forms vai MS Forms), kurā iekļauj:
      1. Demogrāfiskos jautājumus (vecums, dzimums u.c.).
      2. Pašu izstrādāto testu (no 3. nodarbības).
      3. Adaptēto starptautisko testu (no 4. nodarbības).
    • Šāds dizains ļaus 5. un 6. lekcijas praktiskajos darbos veikt korelāciju analīzi validitātes noteikšanai.
  4. Datu vākšanas plāns :
    • Grupas vienojas, kā piesaistīs respondentus (piemēram, katram studentam jāaptaujā 5-10 paziņas/kursabiedri) aprobācijas procesam.
    • Tiek atgādināti ētikas principi: dalība ir brīvprātīga un anonīma.

Nodevums uz iesk./neiesk.:

Katra mazā grupa iesniedz nodevumu: "Jaunā un adaptētā testa empīriskās aprobācijas protokols ", kurā ir:

    • Īsa informācija par adaptējamo testu un tulkotie panti ar īsiem komentāriem pie tiem, kur tika veiktas izmaiņas (adaptācija).
    • Izveidots datu vākšanas protokols (jaunā un adaptētā testa epmīriskai aprobācijai).
    • Saite uz izveidoto tiešsaistes anketu (lai pasniedzējs varētu pārliecināties, ka viss ir tehniski korekti).

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
4

Tēmas

Testa pantu analīze
Apraksts

Lekcijā studenti apgūst metodes psiholoģisko testu pantu (jautājumu) kvalitātes empīriskai novērtēšanai. Tiek detalizēti analizēti panta reakcijas/grūtības un diskriminācijas rādītāji, mācoties interpretēt atbilžu sadalījumu un identificēt "nestrādājošus" jautājumus. Lekcijas noslēgumā tiek sniegts ievads testa uzticamībā, izmantojot iekšējās saskaņotības rādītājus, un parādīta to saikne ar atsevišķu pantu kvalitāti.

Lekcijas apakštēmu plāns:

  1. Datu "tīrīšana" un sagatavošana:
    • Trūkstošo vērtību (missing values) apstrāde.
    • Apgriezto pantu (reverse-coded items) pārkodēšana.
  2. Atbilžu sadalījuma un reakcijas indeksa analīze:
    • Panta reakcijas (grūtības) indekss (M /p): Kāda daļa respondentu izvēlējusies "pareizo" vai "mērāmo" atbildi.
    • Atbilžu sadalījuma analīze: Biežumu tabulas un histogrammas. Kā atpazīt "griestu" vai "grīdas" efektu (kad visi atbild vienādi).
  3. Pantu diskriminācijas rādītāji:
    • Panta diskriminācijas indekss (D): Spēja nošķirt respondentus ar augstu un zemu mērāmās pazīmes līmeni (salīdzinot ekstremālās grupas).
    • Diskriminācijas koeficients (rit): Panta-kopsummas korelācija (item-total correlation). Kritiskās robežvērtības (r > 0.20).
  4. Ievads skalas uzticamībā:
    • Iekšējā saskaņotība un Kronbaha alfa.
    • "Alfa, ja pants tiek izdzēsts": Kā panta parametri (grūtība un diskriminācija) ietekmē visa testa uzticamību.

  1. Nodarbība/Seminārs

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Datorklase
4

Tēmas

Praktiskā nodarbība: Pantu analīze un testa optimizācija
Apraksts

Mērķis: Veikt padziļinātu empīrisko analīzi pašu vāktajiem (vai simulētajiem) datiem, pieņemot pamatotus lēmumus par testa saīsināšanu.

Nodarbības gaita:

  1. Darbs ar programmatūru (JASP/Jamovi):
    • Studenti ielādē savas anketas datus.
    • Veic datu sagatavošanu (pantu pārkodēšanu).
  2. Pantu "audits":
    • Studenti aprēķina reakcijas indeksus un diskriminācijas koeficientus visiem pantiem (katra testa/ katras apakšskalas ietvaros).
    • Uzdevums: Identificēt pantus, kuriem ir:
      • Pārāk zema diskriminācija (r < 0.20).
      • Izteikts asimetrisks sadalījums (vairums atbilžu vienā skalas galā).
  3. Testa optimizācija:
    • Studenti eksperimentē ar "Alpha if item deleted" rīku.
    • Viņi mēģina "izmest" vājākos pantus, lai redzētu, kā uzlabojas kopējā testa uzticamība.
  4. Secinājumi un diskusija:
    • Grupas apspriež: "Kāpēc tieši šis jautājums 'nenostrādāja'? Vai pie vainas bija tulkojums, formulējums vai pats konstrukts?".

Nodevums: "Pantu analīzes protokols".

Saturs: Tabula ar visiem iepriekš minētajiem rādītājiem (p/M, rit, alpha if item deleted) un 3-4 teikumu kopsavilkums par to, kuri panti tiek paturēti fināla versijā un kāpēc.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
4

Tēmas

Psiholoģisko testu uzticamības veidi
Apraksts

Lekcijā studenti padziļina izpratni par psiholoģisko testu uzticamību kā mērījuma stabilitāti un precizitāti. Tiek analizētas dažādas uzticamības novērtēšanas metodes (testa-retesta, paralēlo formu, pušu dalījuma un iekšējās saskaņotības metodes), kā arī to piemērotība dažādiem testu veidiem.

Lekcijas apakštēmu plāns:

  1. Uzticamības jēdziens un KTT:
    • Atgriešanās pie X = T + E. Uzticamība kā attiecība starp patieso varianci un kopējo varianci.
    • Faktori, kas ietekmē uzticamību (testa garums, izlases neviendabīgums).
  2. Uzticamības novērtēšanas metodes:
    • Stabilitāte (Testa-retesta uzticamība): Laika faktors un atmiņas efekts.
    • Ekvivalence (Paralēlo formu uzticamība): Kad tas ir nepieciešams?
    • Iekšējā saskaņotība: Kronbaha alfa (alpha), McDonald’s omega (omega) – kāpēc omega kļūst populārāka?
    • Vērtētāju saskaņotība (Inter-rater reliability): Būtiski novērošanas un projektīvajām metodēm (Koena kapa).
  3. Uzticamības koeficientu interpretācija:
    • Robežvērtības pētniecībā (0,70) un individuālajā diagnostikā (0,90).
    • TARES standarti uzticamības ziņošanai.

  1. Nodarbība/Seminārs

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Datorklase
4

Tēmas

Praktiskā nodarbība: Testa uzticamības rādītāju aprēķināšana
Apraksts

Mērķis: Praktiski aprēķināt un interpretēt dažādus uzticamības rādītājus savam mini-projektam.

Nodarbības gaita:

  1. Uzticamības aprēķini programmā:
    • Studenti aprēķina iekšējo saskaņotību (alpha un omega) gan savam izstrādātajam, gan adaptētajam testam.
    • Ja pieejami dati (vai simulēti), tiek aprēķināta testa-retesta korelācija.
  2. SEM aprēķina darbnīca:
    • Izmantojot iegūto uzticamības koeficientu un standartnovirzi, studenti aprēķina SEM savam testam.
    • Uzdevums: Izveidot paraugu individuālajai atskaitei: "Ja klients X iegūst 45 punktus, kādā intervālā atrodas viņa patiesais rezultāts?".
  3. Salīdzinošā analīze:
    • Grupas salīdzina: kura testa versija (pašu radītā vai adaptētā) uzrāda augstāku uzticamību? Kāpēc?
  4. Atskaites gatavošana:
    • Fiksē uzticamības rādītājus noslēguma darbam attiecīgi to noformējot tabulā un aprakstot.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
4

Tēmas

Testa validitāte un tās pierādījumi
Apraksts

Lekcijā studenti apgūst validitātes moderno koncepciju kā vienotu pierādījumu kopumu par testa rezultātu interpretācijas pamatotību. Tiek detalizēti analizēti konstrukta validitātes pierādījumi (konverģentā un diskriminantā validitāte) un kritērija validitātes veidi (prognozējošā, konkurentā, inkrementālā un diferenciālā validitāte). Studenti mācās izvērtēt pierādījumus, kas apliecina, ka tests patiešām mēra iecerēto psiholoģisko konstruktu un spēj prognozēt reālu uzvedību vai citus klīniskos rādītājus.

Lekcijas apakštēmu plāns:

    • Validitātes jēdziena evolūcija:
    • No "trīs vaļiem" (saturs, kritērijs, konstrukts) uz vienoto validitātes koncepciju.
    • Saikne starp uzticamību un validitāti (uzticamība kā nepieciešams, bet nepietiekams nosacījums).
    • Konstrukta validitāte:
    • Konverģentā validitāte: Sakritība ar citiem instrumentiem, kas mēra to pašu konstruktu.
    • Diskriminantā (diverģentā) validitāte: Zema korelācija ar instrumentiem, kas mēra nesaistītus konstruktus.
    • Kritērija validitātes veidi:
    • Konkurentā (concurrent) validitāte: Saistība ar kritēriju tajā pašā laika momentā.
    • Prognozējošā (predictive) validitāte: Spēja paredzēt nākotnes uzvedību vai rezultātu.
    • Inkrementālā validitāte: Vai jaunais tests sniedz papildu informāciju virs esošajiem instrumentiem?
    • Diferenciālā validitāte: Spēja nošķirt dažādas grupas (piem., klīnisko grupu no normas).
    • Validitātes koeficientu interpretācija:
    • Korelāciju matricas izmantošana.
    • Ierobežojumi (piemēram, kritērija uzticamības ietekme uz validitāti).

  1. Nodarbība/Seminārs

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Datorklase
4

Tēmas

Praktiskā nodarbība: Validitātes pierādījumu analīze un interpretācija
Apraksts

Mērķis: Apgūt dažādu validitātes veidu aprēķināšanas metodiku un veikt sava mini-projekta sākotnējo validitātes novērtēšanu.

Nodarbības gaita:

1. daļa: Darbs ar pasniedzēja datu kopu

    • Kritērija validitātes aprēķins: Izmantojot plašāka pētījuma datus, studenti veic korelācijas analīzi starp jauno skalu un vairākiem ārējiem kritērijiem (piemēram, akadēmiskajiem sasniegumiem, klīnisko diagnozi vai uzvedības rādītājiem).
    • Diferenciālās validitātes pārbaude: Izmantojot t-testu vai ANOVA, studenti mācās noteikt, vai tests statistiski nozīmīgi nošķir dažādas grupas (piemēram, kontroles grupu no klīniskās grupas).
    • Inkrementālās validitātes demonstrācija: Īss ieskats hierarhiskajā regresijā (tikai konceptuāli), lai redzētu, vai jaunā skala paaugstina prognozes precizitāti virs esošajiem mainīgajiem.

2. daļa: Darbs ar pašu vāktajiem datiem

    • Konkurentās validitātes pārbaude: Studenti savos datos aprēķina korelāciju starp pašu radīto skalu un adaptēto starptautisko testu.
    • Datu vizualizācija: Korelācijas izkliedes diagrammu (scatterplot) izveide un interpretācija — vai saistība ir lineāra? Vai ir novērojami izlecēji (outliers)?
    • Sākotnējā konstrukta validitātes analīze: Studenti salīdzina savu testu ar kādu citu anketā iekļauto mainīgo (piemēram, vecumu vai dzimumu), lai pārbaudītu diskriminanto validitāti (zemu saistību tur, kur teorētiski tai nav jābūt).
    • Studenti fiksē iegūtos rādītājus, kas pamato viņu testa validitāti, korekti tos noformējot un aprakstot noslēguma darbam.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
4

Tēmas

Modernā psihometrija, faktoru analīze un rezultātu ziņošana
Apraksts

Lekcijā studenti noslēdz psihometrijas kursu, apgūstot metodes testa iekšējās struktūras un diagnostiskās vērtības noteikšanai. Tiek sniegts ieskats faktoru analīzē (EFA un CFA), skaidrojot, kā latentie mainīgie strukturē novērojamos datus. Studenti iepazīstas ar klīniskās psihometrijas rādītājiem (senzitivitāti, specifiskumu un ROC līkni) un modernajām mērišanas teorijām, piemēram, Pantu reakcijas teoriju (IRT) un psiholoģisko tīklu pieeju. Lekcijas noslēgumā tiek sniegtas vadlīnijas profesionālas testa atskaites sagatavošanai atbilstoši akadēmiskajiem standartiem.

Lekcijas apakštēmu plāns:

  1. Faktoru analīze: Struktūras validitāte:
    • EFA (Izpētošā): Kā panti "sagrupējas"? Faktoru slodžu interpretācija.
    • CFA (Apstiprinošā): Teorētiskā modeļa pārbaude. Galvenie atbilstības rādītāji ($CFI$, $RMSEA$).
  2. Klīniskā lietderība un diagnostiskā precizitāte:
    • Senzitivitāte vs. Specifiskums.
    • ROC līkne un optimālā griezuma punkta (cut-off) noteikšana.
  3. Normu izstrāde (z, T, steni, procentiles).
  4. Paplašinātais horizonts: IRT un Tīkli:
    • IRT (Pantu reakcijas teorija): Panta "grūtība" un "diskriminācija" kā nelineāras funkcijas.
    • Tīkla pieeja: Psiholoģiskais konstrukts kā mijiedarbojošos simptomu sistēma (nevis viens kopējs cēlonis).
  5. Psihometriskās atskaites noformēšana:
    • Atskaites struktūra (no konstrukta definīcijas līdz normām).
    • Rezultātu vizualizācija un tabulu noformēšana (APA stils).

  1. Nodarbība/Seminārs

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Datorklase
4

Tēmas

Praktiskā nodarbība: Faktoru analīze un noslēgums
Apraksts

Mērķis: Apgūt praktiskos soļus faktoru analīzes veikšanā un sagatavoties fināla atskaites izstrādei.

Nodarbības gaita:

  1. Darbs ar pasniedzējas datiem – EFA:
    • Studenti JASP/Jamovi vidē veic izpētošo faktoru analīzi lielākai datu kopai.
    • Uzdevums: Noteikt faktoru skaitu (skatoties Scree plot vai paralēlo analīzi) un nolasīt faktoru slodzes. Identificēt "pārklājošos" pantus.
  2. Darbs ar pasniedzēja datiem – CFA:
    • Demonstrācija: studentiem jāmēģina apstiprināt iepriekšējo struktūru.
    • Uzdevums: Interpretēt galvenos modeļa atbilstības rādītājus – vai modelis "der" datiem?
  3. Gatavošanās fināla nodevumam:
    • Studenti strādā savās grupās, lai apkopotu visus iepriekšējo nodarbību rezultātus (2.–7. nodarbība) vienotā struktūrā.
    • Tiek sniegta konsultācija par atskaites noformēšanas prasībām.
  4. Noslēgums un atgriezeniskā saite:
    • Kursa kopsavilkums un informācija par vērtēšanas kārtību prezentācijai-nodevumam.
Kopā kredītpunkti (ECTS):
6,00
Kontaktstundas:
64 ak. st.
Gala pārbaudījums:
Eksāmens
NEPILNA LAIKA
1. daļa

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Datorklase
4

Tēmas

Kvantitatīvie dati un mērīšanas pamati psiholoģijā
Apraksts

Lekcijas laikā studenti apgūst kvantitatīvās pētniecības datu hierarhiju (no primārajiem līdz terciārajiem datiem) un izprot to lietojumu psiholoģiskajā izpētē. Tiek detalizēti analizētas mērīšanas skalas un to ietekme uz tālāko statistisko analīzi. Īpaša uzmanība tiek veltīta datu ieguves metožu daudzveidībai un mūsdienu digitālajām iespējām, vienlaikus nostiprinot izpratni par personas datu aizsardzību (GDPR) un pētniecības ētikas standartiem.

Lekcijas apakštēmas:

  1. Datu taksonomija un avoti:
    • Primārie dati: Pašu vāktie dati konkrētam pētījumam.
    • Sekundārie dati: Citu pētnieku vāktie dati, valsts statistikas portāli, atvērtās zinātnes (Open Science) datubāzes (piem., OSF, Mendeley Data).
    • Terciārie dati: Meta-analīžu rezultāti un sistemātiskie pārskati kā datu avots.
  2. Mērīšanas līmeņi un skalu veidi:
    • S. Stīvensa (S.S. Stevens) NOIR klasifikācija: nominālā, ordinālā, intervālu un attiecību skala.
    • Mainīgo veidi: Kvalitatīvie (kategorālie) vs. kvantitatīvie (metriskie). Diskrētie vs. nepārtrauktie mainīgie.
    • Speciālie skalu veidi psiholoģijā: Likerta tipa skalas (to daba: ordinālas vs. intervālu), vizuālās analogās skalas (VAS), semantiskais diferenciālis.
  3. Datu ieguves metodes un rīki:
    • Pašziņojuma instrumenti (aptaujas, anketas).
    • Novērošanas protokoli (kodēšana un kvantificēšana).
    • Objektīvie rādītāji (reakcijas laiks, fizioloģiskie mērījumi).
    • Digitālā fenotipēšana (viedierīču dati).
  4. Datu aizsardzība un pētniecības ētika:
    • Vispārīgā datu aizsardzības regula (VDAR): Datu minimizēšana, caurspīdīgums, integritāte.
    • Informētā piekrišana: Struktūra un obligātie elementi.
    • Datu drošība: Anonimizācija, pseidonimizācija un datu uzglabāšanas protokoli.

  1. Nodarbība/Seminārs

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Datorklase
2

Tēmas

Nodarbība: Kvantitatīvie dati un mērīšanas pamati psiholoģijā
Apraksts

Mērķis: Nostiprināt prasmi klasificēt datus un atrast esošus datu resursus.

  1. Rakstu analīze (Grupās):
    • Katra grupa saņem vienu īsu, kvalitatīvu pētījuma rakstu (vai kopsavilkumu).
    • Uzdevums: Aizpildīt strukturētu darba lapu:
      • Kas ir pētījuma objekts/subjekts?
      • Identificēt galvenos mainīgos.
      • Noteikt katra mainīgā mērīšanas līmeni (skalu) un veidu (kvantitatīvs/kvalitatīvs).
      • Norādīt, vai tie ir primārie vai sekundārie dati.
  2. Sekundāro datu "medības":
    • Studentiem datoros jādodas uz kādu no atvērtajām datubāzēm (piemēram, European Social Survey vai Latvijas Atvērto datu portālu).
    • Uzdevums: Atrast vienu datu kopu, kas saistīta ar psiholoģiju/sociālajām zinātnēm, un aprakstīt, kāda mēroga skalas tur pārsvarā izmantotas.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
4

Tēmas

Psiholoģiskie testi un Klasiskā testu teorija
Apraksts

Lekcijā studenti apgūst psiholoģiskā testa kā standartizēta mērīšanas instrumenta būtību, nošķirot zinātnisku pieeju no pseidopsiholoģiskām metodēm. Tiek sniegts visaptverošs pārskats par testu klasifikāciju pēc to mērķa un formas, analizējot laba psihometriskā testa pamatpazīmes – objektivitāti, standartizāciju un lietderību. Lekcijas gaitā studenti iepazīstas ar psihometrikas vēsturisko attīstību un apgūst Klasiskās testu teorijas (KTT) pamataksiomu X = T + E. Īpaša uzmanība tiek veltīta mērījuma kļūdas veidiem (sistemātiskā un gadījumrakstura kļūda), veidojot izpratni par to, kā vides, respondenta un paša instrumenta faktori ietekmē novērotā rezultāta precizitāti. Iegūtās zināšanas kalpo par pamatu praktiskajai nodarbībai, kurā studenti analizē profesionālu testu komplektus un veic mērījuma kļūdas "auditu".

Lekcijas apakštēmas:

  1. Kas ir un kas nav psiholoģiskais tests?
    • Definīcija un standartizācijas jēdziens.
    • Atšķirība starp zinātnisku testu un "žurnālu testiem".
  2. Testu klasifikācija (Pārskats):
    • Pēc mērķa: Spēju/intelekta testi, personības aptaujas, sasniegumu testi, neiropsiholoģiskie un klīniskie rādītāji.
    • Pēc formas: Individuālie vs. grupu; verbālie vs. darbības; objektīvie vs. projektīvie (īsi par projektīvo metožu psihometriskajiem izaicinājumiem).
  3. Laba psihometriskā testa pazīmes:
    • Objektivitāte (unificēta procedūra).
    • Standartizācija.
    • Ekonomiskums un lietderība.
    • Ievads uzticamībā un validitātē (tikai kā jēdzieni).
  4. Psihometrikas vēsture īsumā:
    • No Frensisa Galtona un Alfrēda Binē līdz mūsdienu digitālajiem testiem.
  5. Ievads Klasiskajā testu teorijā (KTT):
    • Pamataksioma: X = T + E (Novērotais rezultāts = Patiesais rezultāts + Kļūda).
    • Kas veido mērījuma kļūdu (E)? Sistemātiskā vs. gadījumrakstura kļūda.
    • KTT pieņēmumi (vienkāršotā veidā).

  1. Nodarbība/Seminārs

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Datorklase
2

Tēmas

Praktiskā nodarbība: Esošo instrumentu revīzija un sava testa vīzija
Apraksts

Mērķis: Veikt padziļinātu esošo testu izpēti, lai uz tās bāzes argumentēti izstrādātu sava testa struktūru.

Darba gaita un uzdevumi grupās:

  1. Mērķtiecīga meklēšana un atlase:
    • Grupas izvēlas mērāmo pazīmi (piem., "Digitālo ierīču lietošanas trauksme").
    • Jāatrod vismaz 2 esoši instrumenti. Jāanalizē autoru sniegtais pamatojums (rationale): Kāpēc šis tests savulaik tika izveidots? Kādu problēmu tas risināja?
  2. Strukturālā un psihometriskā revīzija:
    • Pantu skaits un saturs: Cik jautājumu ir katrā skalā? Vai tie ir īsi/gari?
    • Atbilžu formāts: Kāpēc izvēlēta tieši šāda skala (piem., 4 punktu skala bez viduspunkta vs 7 punktu skala)?
    • Ierobežojumu identifikācija: Studenti meklē raksta sadaļu "Limitations". Vai testi ir par garu? Vai tie ir novecojuši? Vai tie ir validēti tikai specifiskā populācijā?

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
4

Tēmas

Psihometrisko testu izstrādes process
Apraksts

Lekcijā studenti apgūst psihometrisko testu izveides zinātnisko ciklu, sākot no teorētiskās idejas līdz pirmajam pantu uzmetumam. Tiek analizētas trīs galvenās testu izstrādes pieejas (deduktīvā, induktīvā un integratīvā), uzsverot to atšķirības pētniecības mērķu sasniegšanā. Studenti mācās veikt konstrukta operacionālizāciju, izvēlēties atbilstošākos atbilžu skalu formātus un identificēt biežākos respondentu snieguma noviržu (response bias) veidus. Lekcijas noslēgumā tiek apskatīta satura un acīmredzamā validitāte kā primārie kvalitātes kontroles mehānismi testa izstrādes sākumposmā.

Lekcijas apakštēmu plāns:

  1. Testu izstrādes stratēģijas:
    • Deduktīvā (teorijā balstītā) pieeja.
    • Induktīvā (datos balstītā/empīriskā) pieeja.
    • Integratīvā pieeja.
  2. No konstrukta līdz mērījumam:
    • Konstrukta nominālā un operacionālā definīcija.
    • Indikatoru un domēnu noteikšana.
  3. Pantu formulēšana un skalas:
    • Atbilžu skalu formāti (Likerta, semantiskais diferenciālis, piespiedu izvēle, dihotomiskā skala).
    • Pantu rakstīšanas higiēna un valodas precizitāte.
    • Apgrieztie panti (reverse-scored items).
  4. Atbilžu novirzes (Response Bias):
    • Sociālā vēlamība, piekrišanas tendence, ekstrēmo atbilžu tendence, tendence izvēlēties vidējo atbildi.
    • Stratēģijas atbilžu noviržu mazināšanai testa izstrādes stadijā.
  5. Sākotnējā validizācija:
    • Satura validitāte (ekspertu vērtējums).
    • Acīmredzamā (face) validitāte (respondentu skatījums).

  1. Nodarbība/Seminārs

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Datorklase
2

Tēmas

Nodarbība: Pantu izstrāde un sākotnējā validācija
Apraksts

Mērķis: Praktiski izstrādāt pirmos testa pantus un veikt to sākotnējo kvalitātes pārbaudi.

Nodarbības gaita:

  1. Darbs grupās – Testa pantu formulēšana:
    • Grupas, balstoties uz savu "vīziju" (no 2. nodarbības), noformulē sava konstrukta operacionālo definīciju.
    • Izvēlas un pamato atbilžu skalas formātu.
    • Izveido pirmo pantu sarakstu (piemēram, 12–15 panti).
    • Grupā balstoties uz consensus pieeju vienojas par to, kurus pantus paturēs turpmākai izvērtēšanai.
  2. Satura validitātes simulācija:
    • Grupas "apmainās" ar pantiem. Grupa A kļūst par "ekspertiem" Grupas B testam.
    • Eksperti novērtē katra panta atbilstību definīcijai (piem., skalā no 1-4 "neatbilst", “drīzāk neatbilst”, "daļēji atbilst", "pilnībā atbilst").
  3. Acīmredzamās validitātes pārbaude:
    • Ja auditorijā ir studenti, kas atbilst mērķauditorijai, viņi sniedz atgriezenisko saiti par jautājumu skaidrību, saprotamību un "vai šis jautājums tiešām izskatās pēc tā, ko tas solās mērīt", vai sniedzot cita veida, pētniekiem nepieciešamā atgriezeniskā saite (piem., par pantu formulējumu saprotamību utt.).
  4. Refleksija un uzlabošana:
    • Grupas saņem atpakaļ savus pantus ar komentāriem un veic korekcijas.
    • Tiek izstrādāta pantu kopa, kas būs paredzētā turpmākājai empīriskājai novērtēšanai (grupas nodevums “Sākotnējā pantu kopa” uz iesk./neiesk).

Nodevums uz iesk./neiesk.:

Katra mazā grupa iesniedz nodevumu: “Sava testa vīzija”, kurā ir īsumā ir sniegtā mēramā konstrukta operacionālā definīcija, pamatota testa izstrādes nepieciešamība, sākotnējo pantu sarakts ar ekspertu satura validitātes vērtējumiem un secinājumi par to, kuri panti tiek atstāti turpmākai empīriskai aprobācijai.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
4

Tēmas

Psiholoģisko testu adaptācija un kvalitātes standarti
Apraksts

Lekcijā studenti apgūst metodoloģisko ietvaru svešvalodā izstrādātu psiholoģisko testu adaptēšanai citā valodas un kultūras telpā. Galvenā uzmanība tiek veltīta Starptautiskās Testu komisijas (ITC) vadlīnijām un TARES standartu piemērošanai, nodrošinot mērījuma objektivitāti. Studenti tiek iepazīstināti ar ekvivalences veidiem un to nozīmi, kā arī iemācās identificēt specifiskas novirzes (bias), kas var rasties neprecīzas adaptācijas rezultātā.

Lekcijas apakštēmu plāns:

  1. Ievads adaptācijā:
    • Atšķirība starp tulkošanu un adaptāciju.
    • Kāpēc nepieciešama adaptācija (kultūras, valodas un konceptuālās atšķirības)?
  2. Adaptācijas posmi pēc ITC vadlīnijām:
    • Sagatavošanās: Atļaujas saņemšana no oriģināltesta autoriem.
    • Tulkošanas process: Dubultā tulkošana (forward translation) un atpakaļtulkošana (back-translation).
    • Sintēze un ekspertu komisija: Domstarpību risināšana tulkojumos.
    • Aprobācija: Pilotpētījums un kognitīvās intervijas ar respondentiem.
  3. Ekvivalence un noviržu (bias) veidi:
    • Ekvivalence: Lingvistiskā, funkcionālā, konceptuālā un metriskā ekvivalence.
    • Novirzes: Konstrukta novirze, metodes novirze (piem., atbilžu stils) un panta (item) novirze (piem., kultūras specifiski idiomi).
  4. Kvalitātes rāmji (15 min):
    • TARES standarti: Kā tie palīdz novērtēt adaptētā testa lietojamību.
    • EFPA (European Federation of Psychologists' Associations) testu vērtēšanas modeļa īss apskats.
  5. Datu vākšanas plānošana un ētika:
    • Izlases lielums aprobācijai.
    • Atgriešanās pie VDAR: kā adaptācijas procesā nodrošināt datu drošību.

  1. Nodarbība/Seminārs

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Datorklase
2

Tēmas

Praktiskā nodarbība: Testa adaptācijas simulācija un pētījuma dizaina finalizēšana
Apraksts

Mērķis: Veikt viena izvēlēta starptautiska instrumenta adaptāciju un sagatavoties abu testu (pašu radītā un adaptētā) empīriskajai pārbaudei.

Nodarbības gaita:

  1. Instrumenta atlase un pamatojums:
    • Grupa no 2. nodarbībā izpētītajiem testiem izvēlas vienu, kas visciešāk saistīts ar viņu pašu izvēlēto mērāmo pazīmi.
    • Šis tests kalpos kā "zelta standarts" vai salīdzināšanas rīks viņu izveidotā testa validitātes pārbaudei.
  2. Tulkošanas un adaptācijas darbnīca:
    • Tiešais tulkojums: Grupa iztulko testa pantus latviešu valodā.
    • Ekspertīze: Grupas iekšienē notiek diskusija par jēdzienu atbilstību. Piem., vai "anxious" latviski labāk tulkot kā "satraukts", "bažīgs" vai "trauksmains" konkrētā konstrukta ietvaros?
    • Kultūras adaptācija: Vai visi oriģināltesta piemēri ir saprotami Latvijas auditorijai? Ja nē, kā tos aizstāt, nemainot panta jēgu?
  3. Pētījuma instrumenta (anketas) izveide:
    • Studenti sagatavo vienotu aptauju (piemēram, Google Forms vai MS Forms), kurā iekļauj:
      1. Demogrāfiskos jautājumus (vecums, dzimums u.c.).
      2. Pašu izstrādāto testu (no 3. nodarbības).
      3. Adaptēto starptautisko testu (no 4. nodarbības).
    • Šāds dizains ļaus 5. un 6. lekcijas praktiskajos darbos veikt korelāciju analīzi validitātes noteikšanai.
  4. Datu vākšanas plāns :
    • Grupas vienojas, kā piesaistīs respondentus (piemēram, katram studentam jāaptaujā 5-10 paziņas/kursabiedri) aprobācijas procesam.
    • Tiek atgādināti ētikas principi: dalība ir brīvprātīga un anonīma.

Nodevums uz iesk./neiesk.:

Katra mazā grupa iesniedz nodevumu: "Jaunā un adaptētā testa empīriskās aprobācijas protokols ", kurā ir:

    • Īsa informācija par adaptējamo testu un tulkotie panti ar īsiem komentāriem pie tiem, kur tika veiktas izmaiņas (adaptācija).
    • Izveidots datu vākšanas protokols (jaunā un adaptētā testa epmīriskai aprobācijai).
    • Saite uz izveidoto tiešsaistes anketu (lai pasniedzējs varētu pārliecināties, ka viss ir tehniski korekti).

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
4

Tēmas

Testa pantu analīze
Apraksts

Lekcijā studenti apgūst metodes psiholoģisko testu pantu (jautājumu) kvalitātes empīriskai novērtēšanai. Tiek detalizēti analizēti panta reakcijas/grūtības un diskriminācijas rādītāji, mācoties interpretēt atbilžu sadalījumu un identificēt "nestrādājošus" jautājumus. Lekcijas noslēgumā tiek sniegts ievads testa uzticamībā, izmantojot iekšējās saskaņotības rādītājus, un parādīta to saikne ar atsevišķu pantu kvalitāti.

Lekcijas apakštēmu plāns:

  1. Datu "tīrīšana" un sagatavošana:
    • Trūkstošo vērtību (missing values) apstrāde.
    • Apgriezto pantu (reverse-coded items) pārkodēšana.
  2. Atbilžu sadalījuma un reakcijas indeksa analīze:
    • Panta reakcijas (grūtības) indekss (M /p): Kāda daļa respondentu izvēlējusies "pareizo" vai "mērāmo" atbildi.
    • Atbilžu sadalījuma analīze: Biežumu tabulas un histogrammas. Kā atpazīt "griestu" vai "grīdas" efektu (kad visi atbild vienādi).
  3. Pantu diskriminācijas rādītāji:
    • Panta diskriminācijas indekss (D): Spēja nošķirt respondentus ar augstu un zemu mērāmās pazīmes līmeni (salīdzinot ekstremālās grupas).
    • Diskriminācijas koeficients (rit): Panta-kopsummas korelācija (item-total correlation). Kritiskās robežvērtības (r > 0.20).
  4. Ievads skalas uzticamībā:
    • Iekšējā saskaņotība un Kronbaha alfa.
    • "Alfa, ja pants tiek izdzēsts": Kā panta parametri (grūtība un diskriminācija) ietekmē visa testa uzticamību.

  1. Nodarbība/Seminārs

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Datorklase
2

Tēmas

Praktiskā nodarbība: Pantu analīze un testa optimizācija
Apraksts

Mērķis: Veikt padziļinātu empīrisko analīzi pašu vāktajiem (vai simulētajiem) datiem, pieņemot pamatotus lēmumus par testa saīsināšanu.

Nodarbības gaita:

  1. Darbs ar programmatūru (JASP/Jamovi):
    • Studenti ielādē savas anketas datus.
    • Veic datu sagatavošanu (pantu pārkodēšanu).
  2. Pantu "audits":
    • Studenti aprēķina reakcijas indeksus un diskriminācijas koeficientus visiem pantiem (katra testa/ katras apakšskalas ietvaros).
    • Uzdevums: Identificēt pantus, kuriem ir:
      • Pārāk zema diskriminācija (r < 0.20).
      • Izteikts asimetrisks sadalījums (vairums atbilžu vienā skalas galā).
  3. Testa optimizācija:
    • Studenti eksperimentē ar "Alpha if item deleted" rīku.
    • Viņi mēģina "izmest" vājākos pantus, lai redzētu, kā uzlabojas kopējā testa uzticamība.
  4. Secinājumi un diskusija:
    • Grupas apspriež: "Kāpēc tieši šis jautājums 'nenostrādāja'? Vai pie vainas bija tulkojums, formulējums vai pats konstrukts?".

Nodevums: "Pantu analīzes protokols".

Saturs: Tabula ar visiem iepriekš minētajiem rādītājiem (p/M, rit, alpha if item deleted) un 3-4 teikumu kopsavilkums par to, kuri panti tiek paturēti fināla versijā un kāpēc.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
4

Tēmas

Psiholoģisko testu uzticamības veidi
Apraksts

Lekcijā studenti padziļina izpratni par psiholoģisko testu uzticamību kā mērījuma stabilitāti un precizitāti. Tiek analizētas dažādas uzticamības novērtēšanas metodes (testa-retesta, paralēlo formu, pušu dalījuma un iekšējās saskaņotības metodes), kā arī to piemērotība dažādiem testu veidiem.

Lekcijas apakštēmu plāns:

  1. Uzticamības jēdziens un KTT:
    • Atgriešanās pie X = T + E. Uzticamība kā attiecība starp patieso varianci un kopējo varianci.
    • Faktori, kas ietekmē uzticamību (testa garums, izlases neviendabīgums).
  2. Uzticamības novērtēšanas metodes:
    • Stabilitāte (Testa-retesta uzticamība): Laika faktors un atmiņas efekts.
    • Ekvivalence (Paralēlo formu uzticamība): Kad tas ir nepieciešams?
    • Iekšējā saskaņotība: Kronbaha alfa (alpha), McDonald’s omega (omega) – kāpēc omega kļūst populārāka?
    • Vērtētāju saskaņotība (Inter-rater reliability): Būtiski novērošanas un projektīvajām metodēm (Koena kapa).
  3. Uzticamības koeficientu interpretācija:
    • Robežvērtības pētniecībā (0,70) un individuālajā diagnostikā (0,90).
    • TARES standarti uzticamības ziņošanai.

  1. Nodarbība/Seminārs

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Datorklase
2

Tēmas

Praktiskā nodarbība: Testa uzticamības rādītāju aprēķināšana
Apraksts

Mērķis: Praktiski aprēķināt un interpretēt dažādus uzticamības rādītājus savam mini-projektam.

Nodarbības gaita:

  1. Uzticamības aprēķini programmā:
    • Studenti aprēķina iekšējo saskaņotību (alpha un omega) gan savam izstrādātajam, gan adaptētajam testam.
    • Ja pieejami dati (vai simulēti), tiek aprēķināta testa-retesta korelācija.
  2. SEM aprēķina darbnīca:
    • Izmantojot iegūto uzticamības koeficientu un standartnovirzi, studenti aprēķina SEM savam testam.
    • Uzdevums: Izveidot paraugu individuālajai atskaitei: "Ja klients X iegūst 45 punktus, kādā intervālā atrodas viņa patiesais rezultāts?".
  3. Salīdzinošā analīze:
    • Grupas salīdzina: kura testa versija (pašu radītā vai adaptētā) uzrāda augstāku uzticamību? Kāpēc?
  4. Atskaites gatavošana:
    • Fiksē uzticamības rādītājus noslēguma darbam attiecīgi to noformējot tabulā un aprakstot.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
4

Tēmas

Testa validitāte un tās pierādījumi
Apraksts

Lekcijā studenti apgūst validitātes moderno koncepciju kā vienotu pierādījumu kopumu par testa rezultātu interpretācijas pamatotību. Tiek detalizēti analizēti konstrukta validitātes pierādījumi (konverģentā un diskriminantā validitāte) un kritērija validitātes veidi (prognozējošā, konkurentā, inkrementālā un diferenciālā validitāte). Studenti mācās izvērtēt pierādījumus, kas apliecina, ka tests patiešām mēra iecerēto psiholoģisko konstruktu un spēj prognozēt reālu uzvedību vai citus klīniskos rādītājus.

Lekcijas apakštēmu plāns:

    • Validitātes jēdziena evolūcija:
    • No "trīs vaļiem" (saturs, kritērijs, konstrukts) uz vienoto validitātes koncepciju.
    • Saikne starp uzticamību un validitāti (uzticamība kā nepieciešams, bet nepietiekams nosacījums).
    • Konstrukta validitāte:
    • Konverģentā validitāte: Sakritība ar citiem instrumentiem, kas mēra to pašu konstruktu.
    • Diskriminantā (diverģentā) validitāte: Zema korelācija ar instrumentiem, kas mēra nesaistītus konstruktus.
    • Kritērija validitātes veidi:
    • Konkurentā (concurrent) validitāte: Saistība ar kritēriju tajā pašā laika momentā.
    • Prognozējošā (predictive) validitāte: Spēja paredzēt nākotnes uzvedību vai rezultātu.
    • Inkrementālā validitāte: Vai jaunais tests sniedz papildu informāciju virs esošajiem instrumentiem?
    • Diferenciālā validitāte: Spēja nošķirt dažādas grupas (piem., klīnisko grupu no normas).
    • Validitātes koeficientu interpretācija:
    • Korelāciju matricas izmantošana.
    • Ierobežojumi (piemēram, kritērija uzticamības ietekme uz validitāti).

  1. Nodarbība/Seminārs

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Datorklase
2

Tēmas

Praktiskā nodarbība: Validitātes pierādījumu analīze un interpretācija
Apraksts

Mērķis: Apgūt dažādu validitātes veidu aprēķināšanas metodiku un veikt sava mini-projekta sākotnējo validitātes novērtēšanu.

Nodarbības gaita:

1. daļa: Darbs ar pasniedzēja datu kopu

    • Kritērija validitātes aprēķins: Izmantojot plašāka pētījuma datus, studenti veic korelācijas analīzi starp jauno skalu un vairākiem ārējiem kritērijiem (piemēram, akadēmiskajiem sasniegumiem, klīnisko diagnozi vai uzvedības rādītājiem).
    • Diferenciālās validitātes pārbaude: Izmantojot t-testu vai ANOVA, studenti mācās noteikt, vai tests statistiski nozīmīgi nošķir dažādas grupas (piemēram, kontroles grupu no klīniskās grupas).
    • Inkrementālās validitātes demonstrācija: Īss ieskats hierarhiskajā regresijā (tikai konceptuāli), lai redzētu, vai jaunā skala paaugstina prognozes precizitāti virs esošajiem mainīgajiem.

2. daļa: Darbs ar pašu vāktajiem datiem

    • Konkurentās validitātes pārbaude: Studenti savos datos aprēķina korelāciju starp pašu radīto skalu un adaptēto starptautisko testu.
    • Datu vizualizācija: Korelācijas izkliedes diagrammu (scatterplot) izveide un interpretācija — vai saistība ir lineāra? Vai ir novērojami izlecēji (outliers)?
    • Sākotnējā konstrukta validitātes analīze: Studenti salīdzina savu testu ar kādu citu anketā iekļauto mainīgo (piemēram, vecumu vai dzimumu), lai pārbaudītu diskriminanto validitāti (zemu saistību tur, kur teorētiski tai nav jābūt).
    • Studenti fiksē iegūtos rādītājus, kas pamato viņu testa validitāti, korekti tos noformējot un aprakstot noslēguma darbam.

  1. Lekcija

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Mācību telpa
4

Tēmas

Modernā psihometrija, faktoru analīze un rezultātu ziņošana
Apraksts

Lekcijā studenti noslēdz psihometrijas kursu, apgūstot metodes testa iekšējās struktūras un diagnostiskās vērtības noteikšanai. Tiek sniegts ieskats faktoru analīzē (EFA un CFA), skaidrojot, kā latentie mainīgie strukturē novērojamos datus. Studenti iepazīstas ar klīniskās psihometrijas rādītājiem (senzitivitāti, specifiskumu un ROC līkni) un modernajām mērišanas teorijām, piemēram, Pantu reakcijas teoriju (IRT) un psiholoģisko tīklu pieeju. Lekcijas noslēgumā tiek sniegtas vadlīnijas profesionālas testa atskaites sagatavošanai atbilstoši akadēmiskajiem standartiem.

Lekcijas apakštēmu plāns:

  1. Faktoru analīze: Struktūras validitāte:
    • EFA (Izpētošā): Kā panti "sagrupējas"? Faktoru slodžu interpretācija.
    • CFA (Apstiprinošā): Teorētiskā modeļa pārbaude. Galvenie atbilstības rādītāji ($CFI$, $RMSEA$).
  2. Klīniskā lietderība un diagnostiskā precizitāte:
    • Senzitivitāte vs. Specifiskums.
    • ROC līkne un optimālā griezuma punkta (cut-off) noteikšana.
  3. Normu izstrāde (z, T, steni, procentiles).
  4. Paplašinātais horizonts: IRT un Tīkli:
    • IRT (Pantu reakcijas teorija): Panta "grūtība" un "diskriminācija" kā nelineāras funkcijas.
    • Tīkla pieeja: Psiholoģiskais konstrukts kā mijiedarbojošos simptomu sistēma (nevis viens kopējs cēlonis).
  5. Psihometriskās atskaites noformēšana:
    • Atskaites struktūra (no konstrukta definīcijas līdz normām).
    • Rezultātu vizualizācija un tabulu noformēšana (APA stils).

  1. Nodarbība/Seminārs

Modalitāte
Norises vieta
Kontaktstundas
Klātiene
Datorklase
2

Tēmas

Praktiskā nodarbība: Faktoru analīze un noslēgums
Apraksts

Mērķis: Apgūt praktiskos soļus faktoru analīzes veikšanā un sagatavoties fināla atskaites izstrādei.

Nodarbības gaita:

  1. Darbs ar pasniedzējas datiem – EFA:
    • Studenti JASP/Jamovi vidē veic izpētošo faktoru analīzi lielākai datu kopai.
    • Uzdevums: Noteikt faktoru skaitu (skatoties Scree plot vai paralēlo analīzi) un nolasīt faktoru slodzes. Identificēt "pārklājošos" pantus.
  2. Darbs ar pasniedzēja datiem – CFA:
    • Demonstrācija: studentiem jāmēģina apstiprināt iepriekšējo struktūru.
    • Uzdevums: Interpretēt galvenos modeļa atbilstības rādītājus – vai modelis "der" datiem?
  3. Gatavošanās fināla nodevumam:
    • Studenti strādā savās grupās, lai apkopotu visus iepriekšējo nodarbību rezultātus (2.–7. nodarbība) vienotā struktūrā.
    • Tiek sniegta konsultācija par atskaites noformēšanas prasībām.
  4. Noslēgums un atgriezeniskā saite:
    • Kursa kopsavilkums un informācija par vērtēšanas kārtību prezentācijai-nodevumam.
Kopā kredītpunkti (ECTS):
6,00
Kontaktstundas:
48 ak. st.
Gala pārbaudījums:
Eksāmens

Bibliogrāfija

Obligātā literatūra

1.

Cohen, R. J., & Swerdlik, M. E. (2022). Psychological Testing and Assessment: An Introduction to Tests and Measurement (10th ed.). McGraw-Hill Education.

2.

American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. American Educational Research Association. (akceptējams izdevums)

3.

Furite, G., & Raščevska, M. (2018). Psiholoģiskais novērtējums: Teorija un prakse. LU Akadēmiskais apgāds.

4.

International Test Commission. (2017). The ITC Guidelines for Translating and Adapting Tests (Second edition). [Pieejams: www.intestcom.org]. (Obligāts avots 4. lekcijai par adaptāciju).

Papildu literatūra

1.

Navarro, D. J., & Foxcroft, D. R. (2022). learning statistics with jamovi: a tutorial for psychology students and other beginners.

2.

Goss-Sampson, M. A. (2022). Statistical Analysis in JASP: A Guide for Students.

3.

Kline, T. J. (2005). Psychological Testing: A Practical Approach to Design and Evaluation. Sage Publications.

4.

Zumbo, B. D., & Chan, E. K. (Eds.). (2014). Validity and Validation in Social, Behavioral, and Health Sciences. Springer. (Noderēs 7. lekcijai, lai labāk izprastu konverģento un diskriminanto validitāti).

5.

Epskamp, S., Borsboom, D., & Fried, E. I. (2018). Estimating psychological networks and their stability: A tutorial. Psychological Methods.

Citi informācijas avoti

1.

Rīgas Stradiņa universitāte. (2026). Psiholoģijas virziena metodiskie norādījumi kursa, bakalaura un maģistra darbu izstrādei. Rīga: Rīgas Stradiņa universitāte.