==Administration, analysis and assumption: Some aspects of validity / Yorke(1985)==

**Citation -** Yorke, D. M. (1985). Administration, analysis and assumption: Some aspects of validity. In N. Beail (Ed.), Repertory grid technnique and personal constructs: Applications in clinical & educational settings (pp. 383-398). London: Croom Helm.

**Keyword -** [[:repertory grid technique]]

**Tags** - [[tag>repertory grid technique]], [[tag>methodology]], [[tag>validity]]

=== 效度 / Validity ===

討論特定情境所取得的repertory grid分析，其效度問題。

Cronbach and Meehl (1955) 透過四個方法建構心理測驗的效度。雖然repertroy grid不同於心理測驗，但是仍然提供一個方便的討論觀點：
  - **predictive validity** 預測效度\\ 透過未來成效檢驗
  - **concurrent validity** 一致效度\\ 透過與另一個相關的研究來檢驗
  - **content validity** 內容效度\\ 透過在研究所進行的實地示範來檢驗
  - **construct validity** 建構效度\\ which refers to the extent to which the test can be taken as a measuring instrument for a particular attribute or quality.\\ 表示研究的延伸可以被當作特定屬性或品質的測量工具

Kelly 認為效度是「測驗能告訴我們自己知道了什麼的能力」。這等於是以一致性定義效度，即repertory grid所產生的結果符合被測量的人格或是屬性。Kelly也從「有用性」來評判測驗是否有效，這隱含了對可預測性的需求；但是repertory grid解釋能力也是有用的，因此效度的概念會傾向一致性。

repertory 的語詞內容難以推論到母群。因此無法聲稱其內容效度。

雖然repertroy grid似乎只能了解受訪者所知道的，但是Frasella and Adam (1966)對縱火犯的研究，似乎有效的解釋了一些受訪者本身也不知道的事情。

Cronbach and Meehl 所討論的效度分類是基於心理測驗的目的。Grid在與受訪者回應中取得的構念的潛力，由這個角度來檢視的效度似乎更細微、更重要。因此這涉及到資料收集與分析的技術面向：包括對方格脈絡的定義，元素與構念的抽樣，架構(construct)的本質，與方格陣列建立起來的方法。

=== 研究情境設定 / Grid context  ===
  * 許多grid方法論的作者，都提到明確說明grid資料收集時的對研究情境脈絡設定的重要性。如Mair(1967)，認為如果沒有說明清楚，會導致受訪者在被訪談的時候，在不同的設想情境中變換。
  * 不清楚的情境設定會導致元素的引出時的含糊不清。如，Pope (1981)在研究中要學生提供「當你想到教學的時候，你心理面會想到的事物」作為方格法的元素。由於這些幾乎是自由聯想，結果取得了許多異質性的元素，這對進一步grid資料收集是有問題的。
  * 以足夠的精確性具體說明grid情境，以排除受測者的模糊性，是困難的工作。一方面減小縮限情境，將構面聚焦在特定的事物上，也減低了研究發現的可普遍性。另一方面，更廣的研究情境設定，其研究結論雖然可能有較廣的可普遍性，但是"averaged-out"受訪者。這種兩難與海森堡的測不準定理相似。

=== 元素 / Elements ===
  * 同質性：
    * 一判斷grid效度的關鍵是，研究的情境設定與其元素能夠相符。即，在給定的具體情境中「同質性」的元素，能刺激取得有意義的構念，因而增強研究的效度。換言之，元素落入「隨便安排」的機會降低了。因此，在研究資料的陣列中，應該不存在無法填答的項目。這對統計上而言，有明確的優勢。 
    * 元素間的同質性不易被看出。
    * 沒有明確意圖的元素，會造成統計上的干擾。
  * 模糊曖昧：
    * 模糊曖昧的元素，也會造成統計上的干擾。
    * 元素傾向複雜、抽象與不具體，會缺乏研究的穩定性。(似乎是信度的問題？)
  * 元素的抽樣：
    * 元素的母群不明確
  * 使用「supply 元素」(給定元素，由研究者提供)或是「elict 元素」(引出元素，從受訪對象取出)
    * 視研究狀況而定。
    * 當研究者兩者都用的時候，給定元素應該放在引出元素之後，以避免污染引出元素。

=== 構念 / Constructs ===
  * 使用給定構念，或引出構念，或混合兩者
    * 給定構念，假定受測者對構念的意義都有共同的理解。因為每個構念的兩極實際上都具有個人風格的個別意義，這是Kelly的個人建構論的基本主張，因此事實上相同的文字並不表示兩人就是使用相同意義的構念作判斷。這種意義上的不確定性，不會因為給定構念或是引出構念的做法而有所不同。
  * ﹝review﹞本文作者不認為構念一定是二分的，並舉例如「性別(sex)」、「適應(acclimatize)」並不易找出相反的意義。但是實際Kelly根據二分所建立的構念，是因為有二分才有構念，並不是先有一構念概念再來找其相反的概念。作者也提到語義邏輯上二分可以用「某/非某」來完成，這固然是事實。但是這是研究者在進行研究中必須與受訪者互動的部分。如果研究者不介入以取得對研究問題有意義的構念資料，受訪者大可以用「男/女」二分來處理所有的人物元素二分問題，而這種構念結果很難有具體的研究意義。
  * 詢問「差異(difference)」或「相對(opposite)」
    * 受訪者常常會作出「古怪」的構念，這些古怪構念往往不根據字典中定義的意義，或是無法發現構念兩極的關係。這可能是因為取得構念過程中，研究者詢問受訪者兩個元素的「差異(difference)」，而產生的。如果詢問的是「相對的(opposite)」較不會有這種問題。
    * 這兩種問法各有其各自，但互為相反的優點。「差異」法能產出更在個人意義上的區別性，但是可能會導致某些古怪的構念。「相對」法能產生較有邏輯的構念，較能作為量表使用，但是在個人意義上有某些風險。
    * ﹝review﹞在中文上，我把difference翻譯為差異，opposite翻譯為相對。兩者差別在於一個是傾向個人經驗的區別，另一個是邏輯上相對的概念。但是這樣的翻譯的效果，是否與英文實地研究所產生的效果相同，並沒有被檢驗過。
  * 取得構念的形式：
    * triad (三元素)法是最常被使用的。批評：有些受訪者表示他們不是這樣想事情的。
    * dyadic (二元素)法：透過兩兩間的相似性或相異性來取得構念。(作者認為)這種方法並非不符合Kelly的理論，並且容易運用，適合用在群體的受訪者。(作者自己的研究使用這種方法，可能也是他一直讚揚此法因素之一。這裡顯示為何作者覺得構念不一定是二分的。我認為這種方法取出的構念與Kelly的構念並不相同。)
    * Freer (自由)法，但是取得的構念並不放入方格中。
  * 構念形式： X / Y 或是 X / not X
    * Kelly 堅持使用 X / Y 形式的構念
    * 作者不認為 X / Y 一定都是邏輯上正確的對立概念，例如用「差異」法問，會產生像「快樂的/像生意人」這樣的構念。這些古怪的構念，可能影含著正確的概念是在其上位或是下位的概念。
  * 沒有交代時間情境的元素，受訪者所作出的構念可能會有含糊性。作者以元素中is/was等作為時間情境的暗示。(這似乎應該在元素一節中交代，或是之前的研究情境設定)

=== 填入方格陣列 / Completing the grid matrix ===
  * 對元素在構面屬性上進行評分。
  * 二分法(dichotomous)簡便，但所傳達的意義過於簡單，無法測出「略為偏向」那一屬性的程度(Bannister & Mair, 1968)。
  * 排序法(ranking)容易理解，但是元素數量增加的時候會有困難。構念間的排序相關性可以被計算出來，但是可能不具有意義。
  * 評分法(rating)的問題：
    * 不同受測者所得到的相同分數，不一定表示是相同的。
    * 中間值(mid-point)的意義。作者傾向認為中間值不是無關的，而真正無關的評分應該保持空白。
    * 評分時的受測者的語義問題：研究時紀錄研究者與受訪者的語義差異。Kelly稱為元素構念建構的互動。作者認為語言文字不足以呈現複雜的意義，而元素本身的意義是極其複雜的，因此不應該期望受訪者能在這種意義複雜的情況下一致性的評分。
 

=== 分析 / Analysis ===
  * 兩種最常用的分析工具：INGRID (Slater, 1972; 1977) 與 FOCUS (Thomas and Shaw, 1976)。這兩種分析都影含對量表是等距尺度評分的假定。
  * INGRID：使用主要元件分析(principle components analysis)以產生資料陣列的元件集合。這種演算法取出第一組有最大grid變異率的元件，再取出次組元件。典型的grid，前三組元件會達到80%的變異率，而其餘20%呈現「長尾」狀態(80/20法則)。INGRID 認為這些元件是有顯著意義的，但是也可能產生出難解的結果。