Gizil Değişken mi, İlişkiler Ağı (Network Psychometrics) mı? Psikometride İki Dünya:
Gizil Değişken mi, İlişkiler Ağı mı?
Psikometride iki rakip dünya görüşü: zihinsel yapılar gerçekten var mıdır, yoksa sadece birbirine bağlı belirtiler mi?
İçindekiler
- Sorun neydi?
- Gizil değişken modeli ve varsayımları
- Network psikometri neden çıktı?
- İki yaklaşım arasındaki temel fark
- Yan yana karşılaştırma
- Her iki yaklaşımın zayıf noktaları
- Hangisi doğru? Pratik bir değerlendirme
Sorun neydi?
Psikoloji araştırmalarında ölçüm yapmak hiçbir zaman kolay olmadı. Kan basıncını ölçmek için bir aletin ucunu bileğe bağlarsınız — değer direkt gelir. Ama kaygıyı, depresyonu, zekayı ya da öz-yeterliliği ölçmek için böyle bir alet yok. Bu yapılar doğrudan gözlemlenemiyor.
Psikologlar bu sorunu yüzyılı aşkın süredir çözmek için anket maddeleri geliştirdi. Kişiye “Son iki haftadır kendimi değersiz hissettim” gibi ifadeler yöneltiyor, yanıtlardan bir toplam puan üretiyor ve bu puanın ölçülmek istenen yapıyı temsil ettiğini varsayıyorsunuz.
Ama bu varsayım neden geçerli olsun? İşte bu soru, psikometride onlarca yıl boyunca egemen olan bir modelin ve ona karşı çıkan yeni bir yaklaşımın doğuş noktasıdır.
Gizil değişken modeli ve varsayımları
Yirminci yüzyıl boyunca psikometrideki hâkim anlayış şuydu: gözlemlenemeyen ama gerçekten var olan bir yapı — gizil değişken (latent variable) — ölçek maddelerine verilen yanıtları nedensel olarak açıklar.
Depresyon gerçektir ve kişi depresyonda olduğu için uyku bozukluğu yaşar, enerji kaybeder, ilgi yitirir. Belirtiler depresyonun sonucu, depresyon belirtilerin nedenidir.
Bu bakış açısında faktör analizi veya yapısal eşitlik modellemesi (SEM) kullanarak gözlemlenen maddelerin arkasındaki bu gizli yapıyı istatistiksel olarak çıkarsamaya çalışırsınız. Modelin mantığı şudur: maddeler birbiriyle yüksek korelasyon gösteriyorsa bu, hepsinin aynı gizil kaynaktan beslendiği anlamına gelir. Depresyon (gizil) Uyku bozukluğu Enerji kaybı İlgi yitimi Gözlenen maddeler
Gizil değişken modeli: Depresyon (gizil) belirtileri nedensel olarak üretir
Bu model onlarca yıl boyunca psikoloji araştırmalarının omurgasını oluşturdu. Faktör analizi, güvenilirlik katsayıları, ölçek geliştirme prosedürlerinin tamamı bu anlayışa dayanır.
Temel varsayım
Gizil değişken modeline göre maddeler arasındaki korelasyon, hepsinin ortak bir kaynaktan — gizil değişkenden — beslenmesinden kaynaklanır. Gizil değişkeni “kontrol altına aldığınızda” maddeler arasındaki ilişki sıfıra düşmelidir. Buna yerel bağımsızlık varsayımı denir.
Network psikometri neden çıktı?
2000’li yılların ortasında Denny Borsboom ve meslektaşları ciddi bir soru sormaya başladı: Gizil değişkenin gerçekten var olduğuna dair elimizde ne var?
Borsboom’un itirazı şuydu: Gizil değişken modeli istatistiksel olarak tutarlı olabilir ama bu onun gerçekliğini kanıtlamaz. “Depresyon” diye bir şey gerçekten var ve belirtileri o mu üretiyor — yoksa belirtiler birbirini karşılıklı olarak mı besliyor?
Düşünün: Uyku bozukluğu yorgunluğa yol açar, yorgunluk konsantrasyon güçlüğüne yol açar, konsantrasyon güçlüğü çaresizlik hissine yol açar, çaresizlik hissi iştahsızlığa yol açar… Bu bir nedensel ağdır. Arkada duran tek bir “depresyon” gerçekliği değil, birbiriyle etkileşen belirtiler vardır. Uyku bozukluğu Yorgunluk Konsantrasyon güçlüğü Çaresizlik
Network modeli: Belirtiler birbirini doğrudan etkiler, arkada tek bir gizil kaynak yoktur
Bu bakış açısı, network psikometrinin temelini oluşturur. Psikolojik bozukluklar veya yapılar, gizil bir değişkenin tezahürleri değil; birbirine bağlı belirtilerin oluşturduğu dinamik bir sistemdir.
İki yaklaşım arasındaki temel fark
İki yaklaşım arasındaki fark yalnızca teknik değil, aynı zamanda felsefidir.
Nedensellik yönü
Gizil değişken modelinde nedensellik tek yönde akar: gizil değişken → belirtiler. Depresyon varsa uyku bozukluğu olur. Tedavi edilirse uyku bozukluğu da geçer.
Network modelinde nedensellik karşılıklıdır: uyku bozukluğunu çözerseniz yorgunluk azalır, yorgunluk azalınca diğer belirtiler de hafifleyebilir. Müdahale noktası farklıdır.
Psikolojik yapıların ontolojisi
Gizil değişken modeli “depresyon gerçek bir şeydir” der — tıpkı virüsün grip belirtilerini üretmesi gibi. Network modeli ise “depresyon, birbiriyle ilişkili belirtilerin örüntüsüdür — bu örüntünün ötesinde ayrı bir gerçekliği yoktur” der.
Felsefi arka plan
Bu tartışma aslında bilim felsefesindeki realizm ile nominalizm tartışmasının psikometriye yansımasıdır. Gizil yapılar gerçekten var mı (realizm), yoksa yalnızca bizim gözlemlerimizi düzenlemek için kullandığımız kavramsal araçlar mı (nominalizm)?
Yan yana karşılaştırma
Gizil Değişken Modeli
- Belirtiler ortak bir kaynaktan (gizil değişken) üretilir
- Nedensellik tek yönlüdür: gizil → gözlenen
- Faktör analizi, SEM, IRT ile çalışılır
- Ölçek puanı gizil değişkenin göstergesidir
- Yerel bağımsızlık varsayımına dayanır
- Yapının varlığını ontolojik olarak kabul eder
- Klinikte tanıya dayalı tedaviyi destekler
Network Psikometri
- Belirtiler birbirini karşılıklı olarak etkiler
- Nedensellik çok yönlüdür ve döngüsel olabilir
- Kısmi korelasyon ağları, qgraph gibi araçlarla çalışılır
- Odak nokta, ağdaki merkezi belirtilerdir
- Yerel bağımsızlık varsayımını reddeder
- Yapıyı belirtilerin örüntüsüne indirger
- Kişiye özgü, belirti odaklı müdahaleyi önerir
Her iki yaklaşımın zayıf noktaları
Gizil değişken modelinin sorunları
Eleştirmenlerin en güçlü argümanı şu: gizil değişkenin varlığı varsayılır, kanıtlanmaz. Model veriye uyduğunda “gizil yapı var” sonucuna varılır; ama bu çıkarım bir kısır döngü içerir. Bunun ötesinde, yerel bağımsızlık varsayımı pratikte nadiren tam anlamıyla karşılanır — belirtiler arasında gizil değişkenden bağımsız doğrudan ilişkiler sıklıkla mevcuttur.
Network psikometrinin sorunları
Network yaklaşımı da eleştiriden payını almaktadır. Belki de en ciddi sorun örneklem kararlılığıdır: ağ yapısı küçük örneklemlerde ciddi biçimde değişkenlik göstermekte, aynı veriden elde edilen ağlar farklı sonuçlar verebilmektedir. Bunun yanı sıra, ağdaki bir bağlantının “nedensel” mi yoksa yalnızca “ilişkisel” mi olduğunu söylemek kesitsel verilerle mümkün değildir. Korelasyondan nedensellik çıkarsama sorunu burada da geçerliliğini korur.
Dikkat edilmesi gereken nokta
Network analizinde elde edilen yoğun bir bağlantı, o iki belirtinin birbirini etkilediği anlamına gelmez. Üçüncü bir değişken, ölçüm hatası ya da kültürel faktörler bu ilişkiyi açıklıyor olabilir.
Hangisi doğru? Pratik bir değerlendirme
Bu soruyu “ikisi de kısmen doğru” şeklinde yanıtlamak akademik bir kaçış gibi görünebilir — ancak mevcut kanıtlar gerçekten de bu yönü işaret ediyor.
Bazı psikolojik yapılar için gizil değişken mantığı daha uygundur. Genel zeka (g faktörü) buna iyi bir örnektir: bilişsel testler arasındaki korelasyonların büyük bölümü, gerçekten de ortak bir kapasiteden kaynaklanıyor gibi görünmektedir.
Öte yandan ruh sağlığı alanında, özellikle depresyon ve anksiyete gibi karmaşık klinik tablolarda, network yaklaşımı önemli kazanımlar sağlamaktadır. Belirtilerin birbirini nasıl beslediğini anlamak, hangi belirtiden başlanarak müdahale edileceği konusunda klinisyene değerli bilgi verir.
Pratik öneri
İki yaklaşım birbirinin rakibi değil, tamamlayıcısı olarak kullanılabilir. Ölçek geliştirme ve psikometrik değerlendirme için gizil değişken modelleri hâlâ güçlü bir araçtır. Ancak klinik süreçlerde ve müdahale planlamasında network perspektifi, gizil değişken modelinin göremediği ilişki yapılarını görünür kılabilir.
Araştırmacı için pratik soru şudur: Ne sormak istiyorsunuz? Bir yapıyı güvenilir biçimde ölçmek mi, yoksa belirtilerin birbirini nasıl beslediğini anlamak mı? Soruya göre araç değişir.
Özet karşılaştırma
| Boyut | Gizil Değişken | Network Psikometri |
|---|---|---|
| Temel soru | Arkada ne var? | Aralarında ne var? |
| Nedensellik | Gizil → Belirti | Belirti ↔ Belirti |
| Analiz aracı | Faktör analizi, SEM | Kısmi korelasyon ağları |
| Güçlü olduğu alan | Ölçek geliştirme, test teorisi | Klinik müdahale planlaması |
| Temel eleştiri | Gizil yapının varlığı kanıtlanamaz | Nedensellik çıkarsaması zor |
| Öncü isimler | Spearman, Thurstone, Jöreskog | Borsboom, Cramer, Epskamp |
Bu yazı olcme.org için otomatize edilmiş yapay zeka tarafından hazırlanmıştır.