Benvenuti#
Questo sito web è dedicato al materiale didattico dell’insegnamento di Psicometria (A.A. 2023/2024), rivolto agli studenti del primo anno del Corso di Laurea in Scienze e Tecniche Psicologiche dell’Università degli Studi di Firenze.
Warning
Questo sito web verrà aggiornato frequentemente durante il periodo di svolgimento dell’insegnamento (marzo-maggio 2024).
📝 Informazioni sull’insegnamento#
Codice: B000286 - PSICOMETRIA Modulo: B000286 - PSICOMETRIA (Cognomi L-Z) Corso di laurea: Scienze e Tecniche Psicologiche Anno Accademico: 2023-2024 Materiali didattici: È sufficiente disporre di un laptop/computer funzionante. Tutti i materiali didattici e il software necessario sono forniti gratuitamente a tutti gli studenti, senza richiedere alcun acquisto. Calendario: Il corso si terrà dal 4 marzo al 31 maggio 2024. Orario delle lezioni: Le lezioni si svolgeranno il lunedì e il martedì dalle 8:30 alle 10:30 e il giovedì dalle 11:30 alle 13:30. Luogo: Le lezioni si terranno presso il Plesso didattico La Torretta. Modalità di svolgimento della didattica: Le lezioni ed esercitazioni saranno svolte in modalità frontale.
Importante
Il presente sito web costituisce l’unica fonte ufficiale da consultare per ottenere informazioni sul programma dell’insegnamento B000286 - PSICOMETRIA (Cognomi L-Z) A.A. 2023-2024 e sulle modalità d’esame.
Obiettivi Formativi#
Questo percorso didattico è progettato per introdurre gli studenti alla statistica e alla data science. L’obiettivo principale è quello di fornire agli studenti gli strumenti necessari per analizzare e interpretare i dati psicologici in maniera critica e informata. Gli obiettivi formativi specifici includono:
Approfondimento sull’Analisi Esplorativa dei Dati: Il corso enfatizza l’importanza critica dell’Analisi Esplorativa dei Dati (EDA) per una comprensione accurata dei dati. Gli studenti acquisiranno competenza nell’utilizzo delle statistiche descrittive fondamentali (media, moda, deviazione standard, intervallo interquartile) e nell’applicazione di tecniche di visualizzazione dei dati (istogrammi, grafici a dispersione) per individuare tendenze, anomalie e strutture intrinseche nei dati.
Implementazione dell’Analisi Bayesiana: Introducendo l’analisi bayesiana come fondamento della modellazione statistica moderna, il corso guiderà gli studenti attraverso la programmazione probabilistica in Python con PyMC, sviluppando competenze per modellare l’incertezza e aggiornare le inferenze dinamicamente in risposta a nuove informazioni.
Tecniche Avanzate di Modellazione Statistica: Verranno esplorati metodi computazionali avanzati, inclusi i procedimenti di campionamento e gli algoritmi Markov Chain Monte Carlo (MCMC), per superare i limiti dell’inferenza statistica tradizionale. Gli studenti impareranno a implementare queste tecniche per affrontare problemi complessi di inferenza.
Fondamenti di Inferenza Causale: Il corso punta a fornire una solida comprensione dell’inferenza causale, essenziale per costruire modelli che vadano oltre la correlazione, identificando le relazioni di causa-effetto. Questo approccio permette di elaborare conclusioni basate su solide basi causali.
Critica ai Limiti dell’Inferenza Frequentista: Una sezione dedicata del corso esaminerà criticamente i limiti dell’approccio frequentista tradizionale, concentrandosi sui test dell’ipotesi nulla e sugli intervalli di confidenza. Gli studenti saranno stimolati ad adottare metodologie statistiche più avanzate e informative, che forniscono una comprensione più ricca delle strutture dati e delle incertezze associate.
Attraverso questi obiettivi formativi, il corso mira a preparare gli studenti ad affrontare sfide reali nel mondo della data science, fornendo loro una solida base teorica e pratiche competenze analitiche.
Panoramica del Corso#
Questo corso offre una solida base teorica e pratica per l’inferenza statistica, con un forte focus sull’applicazione pratica attraverso la programmazione. Attraverso esercitazioni guidate, gli studenti apprenderanno a manipolare i dati psicologici passo dopo passo in Python, garantendo una comprensione approfondita necessaria per effettuare scelte informate e interpretazioni accurate nei loro progetti di modellazione.
Il programma si articola dall’analisi descrittiva fino ai modelli gerarchici, con un particolare accento sull’inferenza causale da una prospettiva bayesiana, includendo l’uso di Grafi Aciclici Diretti (DAG) per una comprensione profonda delle relazioni causali. L’obiettivo è superare i limiti della modellazione lineare tradizionale, illustrando anche come integrare modelli psicologici avanzati nelle analisi statistiche.
Filosofia Didattica#
A differenza dei corsi tradizionali di analisi dei dati psicologici, che possono risultare pesantemente teorici e matematici, questo insegnamento adotta un approccio pragmatico e orientato alla pratica. Invece di soffermarci esclusivamente su teorie e dimostrazioni matematiche, ci concentreremo sull’apprendimento attivo attraverso l’uso di dati reali e software di programmazione.
L’obiettivo è fornire agli studenti le competenze pratiche necessarie per applicare immediatamente le tecniche apprese, privilegiando l’uso di codice Python su formule matematiche complesse. Questo approccio rende il corso accessibile anche a chi ha una preparazione meno approfondita in matematica, consentendo di focalizzarsi sull’interpretazione e l’applicazione dei risultati statistici.
Python sarà il linguaggio di programmazione scelto per il corso, grazie alla sua crescente popolarità e alla vasta gamma di librerie disponibili per l’analisi statistica e la data science. Gli studenti saranno così preparati a utilizzare uno degli strumenti più richiesti nel campo della ricerca scientifica e dell’analisi dati, con accesso a una ricca varietà di risorse online per approfondire ulteriormente le loro conoscenze.
Il presente corso adotterà un metodo di insegnamento basato sulla flipped classroom.
🌐 Syllabus#
Per accedere al syllabus del corso, si prega di fare clic sul seguente link.
📚 Materiali didattici#
Gli elenchi dei testi necessari per la preparazione all’esame sono disponibili tramite il seguente link.
💭 Come studiare#
Per ottenere suggerimenti sulle modalità di studio, si prega di fare clic sul seguente link.
🗓️ Calendario#
Il calendario delle attività didattiche è disponibile tramite il seguente link.
✔ Modalità di verifica dell’apprendimento#
La descrizione delle modalità d’esame è disponibile nel seguente link.
Laboratorio didattico#
Le istruzioni relative allo svolgimento del laboratorio didattico sono disponibili al seguente link.
Un esempio di report, analogo a quelli che saranno necessari per i progetti di gruppo dedicati all’analisi dei dati di una pubblicazione psicologica, è disponibile tramite il seguente link.
👨🏫 Informazioni sul docente#
Corrado Caudek
Email: corrado.caudek(at)unifi(dot)it
Website: caudeklab
🎫 License for this book#
Il contenuto di questo libro (ossia tutti i file .md o .ipynb nella cartella content/) è concesso in licenza secondo i termini della Creative Commons Attribution-ShareAlike 4.0 International License .