IAT及GNAT.doc

IAT及GNAT ? IAT由Greenwald等人于1998年提出，通过测量目标概念与属性概念之间的联系紧密程度来测量内隐态度。目标概念为所需区分的客体类别，属性概念为对客体进行区分的评价性类别。IAT设计相容及不相容任务，对比两类任务的反应时间。相容任务为符合内隐态度的目标概念与属性概念的组合，不相容任务为相对相容任务而言的概念组合。 GNAT是由Nosek和Banaji于2000年提出的IAT的变式。它基于信号检测论，通过对特定目标概念及属性概念的信号刺激作出反应而忽视噪音刺激，测量不同概念间的联结程度。GNAT弥补了IAT不能考察单一类别概念的缺陷。 ? 1?理论依据 IAT及GNAT都以反应时为指标测量内隐态度。在生理上，二者都以神经网络模型为基础。神经网络模型认为，信息储存在一系列按语义关系分层组织起来的神经联系结点上，因而可通过两概念在神经联系上的距离测量二者的联系。在认知上，IAT以态度的自动化加工为基础，包括态度的自动化启动和启动的扩散，有关研究表明，对评价性语义内容的加工是一种在视觉基础上的自动化过程。IAT就是通过分类任务测量两概念间的自动化联系的紧密程度，对个体的内隐态度进行测量。 我国学者张镇、李幼穗认为，反应时的长短标志着机体内部加工过程的复杂性。在社会认知研究中，由于所呈现的刺激多具复杂的社会意义，其必然引起被试心理的复杂反应，这些刺激可能与内在需要或内隐态度相一致，也可能与之相矛盾，刺激所含的社会意义不同，被试的加工过程的复杂程度也就不同，反应时就长短有别。 IAT及GNAT通过测量个体对概念的反应时间，使个体将精力集中于反应速度和正确率上、缺乏足够的心理能量进行自我掩饰，有效克服个体的内省作用、自我矫饰，克服社会称许现象，测得个体的内隐态度。 IAT的原理为，人们对联系紧密的概念较联系不甚紧密甚至存在冲突的概念作出同一反应较为容易。即IAT通过测量两概念间的自动化联系强度而测量内隐态度。 GNAT为IAT的变式，其基于信号检测论而提出。信号检测论认为，人的感知觉没有真正的感觉阈限，“如果说被试对某一刺激存在与否或两个刺激之间的差异的感觉存在障碍的话，这种障碍主要是来自于内部和外部干扰信号”。GNAT通过反应信号而忽略噪音来测量概念间的联结程度，进而测量个体的内隐态度。 ? 2?步骤 IAT的步骤几经变化，下列最为常见之一： 次序 任务 过程 样例（括号内为反应键） 频次 1 属性辨别 区分不同属性概念 积极类（E）， 消极类（I） 20 2 目标辨别 区分不同目标概念 花卉类（E）， 昆虫类（I） 20 3 联合辨别 联合呈现属性概念和目标概念 积极类或花卉类（E）， 消极类或昆虫类（I） 20 4 联合辨别 重复步骤3 同上 40 5 目标辨别 对目标概念作出相反判断 昆虫类（E）， 花卉类（I） 20 6 联合辨别 联合呈现属性概念和目标概念 积极类或昆虫类（E）， 消极类或花卉类（I） 20 7 联合辨别 重复步骤6 同上 40 GNAT并无标准步骤，下列最为常见之一： 次序 任务 过程 样例（O代表信号，应反应； ??????X代表噪音，不反应） 频次 1 信号区分 区分信号刺激与噪音刺激 消极类（O）， 积极类（X） 20 2 信号区分 同上 昆虫类（O）， 背景类（X） 20 3 信号区分 同上 积极类（O）， 消极类（X） 20 4 联合辨别 联合呈现属性概念和目标概念 消极类或昆虫类（O）， 积极类或背景类（X） 16 5 联合辨别 同上 同上 60 6 联合辨别 同上 积极类或昆虫类（O）， 消极类或背景类（X） 16 7 联合辨别 同上 同上 60 ? 3?数据处理 IAT的数据处理方式由Greenwald提出，随着研究的发展，其又几经改进，此述最常用的方式： 筛选 1 取步骤3、4、6、7的数据 2 剔除错误率大于等于20%的被试 3 每步前两次及错误反应的数据不纳入 4 将反应时中超过3000的转化为3000，不足300的转化为300 统计 1 对原始反应时以自然对数为底进行转化 2 计算不相容组与相容组的平均值 3 IAT效应值（d值）为不相容组与相容组的差值。本例d=不相容组-相容组 结果 1 ∈ [0,?0.15] 程度为几乎无 (0.15,?0.35] 程度轻微 (0.35,?0.65) 程度中等 [0.65,?1] 程度强烈 2 若d为正值，则相容组联系更紧密 3 若d为负值，则不相容组联系更紧密 GNAT可采用IAT的数据处理方式，不过应取步骤5、7中信号刺激的数据。此外，GNAT还有独自的处理方式： 统计 1 取步骤5、7的数据 2 分别计算击中率和虚报率