Het CAN-model: Attitude Netwerken op Individueel Niveau Sammie de Vries
Universiteit van Amsterdam
Aantal woorden: 3480 Aantal woorden abstract: 138
Studentnummer: 10357939
Abstract
Kort geleden is het CAN-model geïntroduceerd als middel om naar attitudes te kijken. In dit artikel wordt voor het met het CAN-model gekeken naar individuele attitude netwerken. Voor ons onderzoek hebben 90 psychologiestudenten een vragenlijst met evaluatieve reacties over Mark Rutte ingevuld. Door middel van een methode ge-naamd Percieved Causal Relations (PCR), wordt gekeken hoe de evaluatieve reacties onderling verbonden zijn. Als eerste laten we zien dat de connectiviteit van het net-werk, op basis van de Average Shortest Path Length (ASPL), positief samenhangt met de attitude sterkte van het netwerk. De attitude sterkte wordt bepaald door Cen-trality en Closeness. Ook tonen we aan dat de cenCen-trality van het netwerk positief sa-menhangt met het belang van de attitude. Als deelnemers een bepaald attitude ken-merk belangrijk vinden, voorspellen we dat deze een centrale plek in het netwerk heeft.
Inleiding
Een attitude is een organisatie van ideeën, gevoelens en gedragsmatige neigin-gen ten opzichte van sociaal significante objecten, groepen, gebeurtenissen of symbo-len (Hogg & Vaughan., 2005). Attitudes zijn een belangrijk hoeksteen van de sociale wetenschappen (Latané & Nowak., 1994). Er is veel geschreven over attitudes, maar is er nog steeds geen eenduidig model dat alle empirische vindingen kan verklaren (Monroe & Read, 2008). Ook is er tot nu toe vooral gekeken naar attitudes op groeps-niveau (Dalege et al., 2015). In dit artikel wordt een model onderzocht om op indivi-dueel niveau naar attitudes te kijken. Door een vragenlijst af te nemen, worden de evaluatieve reacties ten opzichte van een attitude object opgevraagd. Door middel percieved causal relations(PCR) kan er worden gekeken naar de causale relaties van deze evaluatieve reacties en kan het attitude netwerk van een individu zichtbaar wor-den gemaakt. Door de average shortage path length tussen de knopen in het netwerk te berekenen, wordt de connectiviteit van het netwerk in kaart gebracht. In dit artikel beschrijven we individuele attitudes in de vorm van een netwerk model en tonen we aan dat de connectiviteit van deze attitude netwerken samenhangt met attitude sterkte.
Om attitudes te beschrijven kan het best gebruik worden gemaakt van het tri-partite model (Bagozzi, 1979). Volgens dit model bestaan attitudes uit cognitieve, af-fectieve en gedragscomponenten. Het cognitieve component bevat een persoons idee-en idee-en kidee-ennis over het attitude object. Bijvoorbeeld: “Ik geloof dat slangidee-en gevaarlijk zijn”. Het affectieve component bevat de emotie die een persoon voelt ten opzichte van het attitude object. Bijvoorbeeld: “Ik ben bang voor slagen”. Het gedragsmatige component omvat hoe iemands attitude zijn gedrag kan beïnvloeden. Bijvoorbeeld:
“Ik vermijd slangen en ik zal gillen als ik er één zie”. Het tripartite model beschrijft de attitude structuur duidelijk maar verklaard de structuur echter niet op een goede manier. De correlatie tussen concepten wordt verklaard door latente variabelen. Wij denken echter dat het beter kan worden verklaard door connenctionist modellen (Van Overwalle & Siebler., 2005).
In deze modellen wordt cognitie gerepresenteerd als een netwerk van nodes en edges Een node is een knooppunt in het netwerk en een edge is de verbinding tussen deze nodes. Een path in het netwerk is een sequentie van verschillende nodes en ed-ges die naast elkaar liggen en verbonden zijn. (Bollobás, 2001; Newman, 2010). Het model verklaard hoe attitudes ontstaan en veranderen door de te kijken naar de inter-actie van evaluatieve reinter-acties van het attitude object. De modellen zijn echter geba-seerd op gesimuleerde data (Monroe & Read., 2008). Met het tripartite model kan dus wel empirische data worden verwerkt, maar de manier om de correlatie te verkla-ren is incorrect. Connectionistische modellen beschrijven de attitudes beter en geven een goede verklaring voor de resultaten, maar het kan niet worden gebruikt om empi-rische data te verwerken.
Een oplossing voor dit probleem is het CAN model (Dalege et al, 2016). Dit model beschrijft attitudes als netwerken die bestaan uit evaluatieve reacties en interac-ties tussen die reacinterac-ties. Deze evaluatieve reacinterac-ties bestaan uit de drie componenten van attitudes beschreven in het tripartite model: cognitieve, affectieve en gedragscompo-nenten. In het CAN model wordt de correlatie tussen deze componenten niet ver-klaard door een latente variabelen, maar door directe causale verbindingen tussen de drie componenten. Bijvoorbeeld: “Ik ren weg als ik een slang zie, omdat ik bang ben voor slangen”.
Het CAN model is gebaseerd op eerdere netwerk modellen. In het artikel van Borsboom & Cramer (2013) werd het netwerk model succesvol toegepast op klini-sche symptomen. De correlatie tussen symptomen werd ook verklaard door latente variabelen, maar door symptomen weer te geven in een netwerk werd duidelijk dat er tussen de symptomen causale relaties bestonden die de correlatie beter kon verklaren. Ook kan het netwerk model worden toegepast op persoonlijkheid (Cramer et al, 2012). Het CAN model neemt aan dat attitude netwerken een small world structure hebben (Watts, 1999).
Dit betekend dat als evaluatieve reacties gelijkenissen hebben, ze eerder met elkaar verbonden zullen zijn. In het netwerk zal dit er uitzien als clustervorming. Eva-luatieve reacties in zo’n cluster zijn onderling sterk met elkaar verbonden.
Tot nu toe is er alleen onderzoek gedaan naar attitudes op groepsniveau (Da-lege, 2015), maar om een beter inzicht te krijgen in hoe attitudes werken, is het be-langrijk om op individueel niveau naar attitude netwerken te kijken. Een manier om inzicht te krijgen in hoe individuele attitude netwerken zijn opgebouwd, is door te vragen naar percieved causal relations (PCR) (Frewen et al, 2011).
Om een beeld te krijgen van het attitude netwerk van een persoon moet duidelijk worden hoe alle nodes in het netwerk verbonden zijn. De nodes bestaan uit evaluatie-ve reacties en al deze reacties zijn met elkaar evaluatie-verbonden. Door middel van een vra-genlijst kan je erachter komen hoe al deze nodes verbonden zijn.
Frewen et al (2011) hebben een systematische aanpak ontwikkeld om te on-derzoeken of er causale relaties tussen symptomen zijn. Dit doen ze door middel van een questionnaire en ze noemen deze methodologische methode perceived causal scaling. Attitudes bestaan net als symptomen uit een netwerk, dus perceived causal
scaling zou een goede manier kunnen zijn om verschillen in het individuele netwerk te kunnen testen. Een groot voordeel van perceived causal scaling is dat je maar één meting hoef te doen. In het onderzoek van Frewen (2013) wordt perceived causal sca-ling succesvol toegepast. In het artikel wordt gekeken naar de perceived causal relati-ons tussen angst, posttraumatische stress en depressie. Vervolgens werden deze gege-vens succesvol in een netwerk geplaatst. Dit onderzoek is een goede indicator dat PCR ook goed zou werken om een beter inzicht te krijgen in individuele attitude net-werken.
In dit onderzoek gaan we kijken naar atittudes op individueel niveau. Door middel van online vragenlijsten zullen de attitude netwerken van de deelnemers in kaart worden gebracht. De connectiviteit wordt gedefinieerd door de Average Shortest Path Length (ASPL; West, 1996). Voor elk paar van nodes in het netwerk, berekend de ASPL de kortste weg dat ze verbind en maakt dan gemiddelde van deze waardes.
Als door middel van perceived causal scaling de connectiviteit tussen de ver-schillende nodes in het netwerk in kaart is gebracht , moet het nog worden geverifi-eerd. Dit zou kunnen door te kijken naar de sterkte van de attitude. Een sterke attitu-de is geattitu-definieerd door zijn stabiliteit, weerstand tegen veranattitu-dering en attitu-de impact op gedrag en informatie verwerking (Visser, 2006). De verwachting is daarom dat een netwerk dat een hoge connectiviteit vertoont, ook een hoge attitude sterkte laat zien.
De stabiliteit en weerstand van een node in het netwerk hangt af van de cen-trality van deze node (Freeman et al., 1978; Opsahl et al., 2010). De cencen-trality wordt bepaald door de closeness van de node. Closeness refereert naar hoe sterk een
bepaal-de nobepaal-de verbonbepaal-den is met anbepaal-dere nobepaal-des in het netwerk. Een nobepaal-de met een hoge clo-seness is dus verbonden met heel veel nodes in het netwerk. Hieruit volgt dat nodes in een sterk verbonden netwerk stabieler zijn en weerstand kunnen bieden aan verande-ring dan de nodes in een zwak verbonden netwerk. Hierdoor kan het hele netwerk als stabieler worden gezien van (Borkulo, 2014).
Je kan hieruit opmaken dat sterke attitudes corresponderen met sterk verbon-den netwerken. Dit is precies wat er werd gevonverbon-den in een studie waar werd gekeken wat de attitudes waren jegens Amerikaanse presidentskandidaten tijdens de verkiezin-gen van 1980-2012 (Dalege et al, 2015)
We verwachten dat als iemand een sterke attitude heeft ten opzichte van een attitude object, de verbindingen in het netwerk ook sterker zijn dan bij iemand die een zwakke attitude heeft ten opzichte van hetzelfde attitude object. Er wordt in de vragenlijst ook gekeken naar hoe belangrijk de attitude wordt gevonden door de deelnemer. Dit kan worden gebruikt om te kijken of er een samenhang is met connectiviteit. We verwach-ten dat het belang van de evaluatieve reacties positief samenhangt met de connectivi-teit van het netwerk.
We verwachten dat de connectiviteit van het netwerk, op basis van de ASPL, positief samenhangt met de attitude sterkte van het netwerk. We verwachten ook dat de cen-trality van een evaluatieve reactie positief samenhangt met het belang van de evalua-tieve reacties. Als deelnemers een bepaald attitude kenmerk belangrijk vinden, voor-spellen we dat deze een centrale plek in het netwerk heeft.
Deelnemers
De deelnemers van het experiment zijn eerstejaars psychologie studenten van de UvA. Er deden 91 deelnemers mee aan het onderzoek. 1 deelnemer’s demografische gegevens ontbraken. 84 deelnemers hadden Nederlands als moedertaal. De gemiddel-de leeftijd van gemiddel-de gemiddel-deelnemers was 20. Ze kregen studiepunten om aan het experiment mee te doen.
Materialen
De deelnemers vulden op de computer een vragenlijst in. Het attitude object dat werd onderzocht was Mark Rutte. De vragenlijst bestond uit een meting die de van non-gedragsmatige evaluatieve reacties naar Mark Rutte, een meting naar stemgedrag, een meting van de connectiviteit van het netwerk, een meting met betrekking tot het belang van de attitude en meting van politieke interesse en extremiteit.
Evaluatieve reacties. In elk van de vragenlijsten zaten 7 items die de het ge-loof ten opzichte van Mark Rutte maten en 4 items die het gevoel ten opzichte van Mark Rutte maten.
Voor items die het geloof maten, werd de deelnemers gevraagd: “Ik vind Mark Rutte ...” en voorbeelden van de items zijn: “oprecht”, “intelligent”, “zelfingenomen”. Voor de antwoord opties konden de deelnemers kiezen tussen: a) nog nooit over nagedacht, b) eens, c) oneens.
De items die het gevoel maten, zijn zo opgebouwd: “Mark Rutte maakt me …” Voor-beelden van de items zijn: “boos’, “trots, “hoopvol”. De deelnemers konden wederom kiezen tussen de antwoord opties: a) nog nooit over nagedacht, b) eens, c) oneens.
Twee items maten het stemgedrag. De items waren: “Bij de volgende verkie-zingen zou ik op Mark Rutte stemmen” en “Bij de volgende verkiezing zou ik
vrien-den aanmoedigen om op Mark Rutte te stemmen. De deelnemers konvrien-den wederom kiezen tussen de antwoord opties: a) nog nooit over nagedacht, b) eens, c) oneens.
Combinatie items. 78 items maten de connectiviteit tussen de attitude ele-menten. De items zijn zo opgebouwd: “Dat ik Mark Rutte wel of niet … vind, heeft te maken met dat ik Mark Rutte …” Voorbeelden van de items zijn: “boos’, “trots, “hoopvol” De steeds wisselende items waren allemaal afhankelijk van de evaluatieve reacties. De antwoordoptie was een slider met de keuze tussen eens en oneens.
Items met betrekking tot belang attitude. 13 items maten het belang van de attitude. Deze items zijn hetzelfde als bij eerdere metingen. De items zijn zo opge-bouwd: “Dat ik Mark Rutte wel of niet … vind, is belangrijk voor het beeld dat ik van hem heb” Voorbeelden van de items zijn: “boos’, “trots, “hoopvol”. De steeds wisse-lende items waren allemaal afhankelijk van de evaluatieve reacties De antwoordoptie was een slider met de keuze tussen eens en oneens.
Politieke interesse .Twee items maten politieke interesse: Ik ben … in de Nederlandse politiek”, “Ik ben … in de VVD”. De antwoord opties zijn: a) zeer geïn-teresseerd, b) enigszins geïngeïn-teresseerd, c) niet erg geïnteresseerd. Politieke interesse is het gemiddelde tussen de items samengenomen met de correlatie.
Extremiteit . De extremiteit wordt gemeten met een gevoelsthermometer. Procedure
Een aantal eerstejaars psychologiestudenten werd gevraagd om in stilte op een com-puter een vragenlijst in te vullen. De psychologiestudenten wisten vooraf niks over het onderzoek. Eerst moesten de deelnemers de evaluatieve reacties invullen, daarna de combinatie items, vervolgens de items met betrekking tot belang attitude. Als laat-ste gaven de deelnemers aan hun politieke interesse aan en moelaat-sten ze een gevoels-thermometer over Mark Rutte invullen.
Analyseplan
Network schatting
Om te bepalen wat de verschillende nodes in het individuele attitude netwerk zijn, maken we gebruik van de 13 items die evaluatieve reacties meten. Op basis van de antwoorden op de items zullen de nodes in het duidelijk worden. Als een deelnemer eens heeft ingevuld bij een evaluatieve reactie verschijnt deze reactie als een node in het netwerk.
Vervolgens worden de edges bepaald en wordt duidelijk hoe de nodes onder-ling verboden zijn. Dit doen we door met de PCR te kijken hoe alle nodes onderonder-ling verbonden zijn. Daarna kijken we welke nodes in het netwerk centraal liggen. Om de centrality te bereken, maken we gebruik van closeness. De closeness meet hoe sterk een bepaalde node verbonden is met andere nodes in het netwerk. Dit doen we ook op basis van de combi-items.
We meten de connectivity door de ASPL te gebruiken. Voor elk paar van nodes in het netwerk, berekend de ASPL de kortste weg die ze verbind en maakt dan gemiddelde van deze waardes.
Netwerk valideren
Om de closeness van de netwerken te valideren, kijken we of closeness en de ant-woorden op de belang items correleren. Als er een correlatie wordt gevonden, zijn de netwerk gevalideerd.
Om de connectiviteit van het netwerk te valideren, kijken we of attitude sterkte, geo-perationaliseerd als de antwoorden op de politieke interesse items en de
gevoelsther-mometer correleren met de connectiviteit van het netwerk. Als het netwerk valide is, zal er een correlatie tussen deze twee gevonden worden
Resultaten
Om te kijken of de PCR een valide methode is om individuele attitude netwerken te schatten, kijken we of er een correlatie is tussen de connectiviteit van het netwerk en attitude sterkte. Hierbij is attitude sterkte geoperationaliseerd als de mate van poli-tieke interesse. Uit de resultaten bleek dat de correlatie significant is. Dit is in lijn met
de verwachtingen. Een waarde van ‘0,41’ geeft aan dat er een redelijk positief ver-band aanwezig is tussen de connectiviteit en politieke interessere: r=0.41, n =91, p = 0.001. Als de connectiviteit omhoog gaat, dan gaat de politieke interesse ook omhoog en andersom.
Graph 1
Scatterplot SumCombi (de somscore van connectiviteit) en SumPolitiek (de somscore can politieke interesse). In deze scatterplot is duidelijk te zien dat er een po-sitief verband aanwezig is tussen de somscore van politieke interesse en de somscore op connectiviteit. Het gaat om een linear verband.
Vervolgens hebben we gekeken naar de correlatie tussen de somscore van connectiviteit en de score op de mate van extremiteit. Hierbij was de mate van ex-tremiteit wederom een operanalisatie van attitude sterkte. Uit de resultaten bleek dat de correlatie significant is.Dit was in lijn met de verwachtingen. Een correlatie van ‘0,317’ geeft aan dat er een positief verband aanwezig is tussen connectiviteit en ex-tremiteit =0.317, n = 91, p = 0.00
Graph 2
Scatterplot SumCombi en Extremiteit. Voor deze scatterplot geldt hetzelfde als de vorige. In deze scatterplot is duidelijk te zien dat er een positief verband aan-wezig is tussen Extremiteit en de somscore van connectiviteit. Het gaat hier wederom om een linear verband.
Om te controleren of er een samenhang is tussen politieke interesse en extre-miteit, wat zou moeten als ze allebei hetzelfde construct meten, hebben we de correla-tie berekend over de somscore van de items die deze concepten meten. Hier kwam een significante correlatie uit. Dit was in lijn met de verwachtingen. Een waarde van ‘0,3=’ geeft aan dat er een positief verband aanwezig is tussen “SomPolitiek” en Ex-tremiteit, r = 0.300, n = 91, p = 0.001. Echter, dit verband is minder sterk dan dat wij in de voorgaande tabellen hebben geconstateerd tussen de andere variabele.
Scatterplot SumPolitiek en Extremiteit. In deze scatterplot is duidelijk te zien dat er een positief verband aanwezig is tussen ‘SumPolitiek’ en ‚Extremiteit’. Het gaat hier om een linear verband.
Als laatste wilde we weten of de PCR een goede methode is om individuele attitude netwerken te schatten. Eerder valideerde we de PCR door middel van attitudesterkte, maar als tweede validatie gebruiken we centraliteit op basis van closeness. We valid-eren de PCR door de correlatie te berekenen tussen closeness en belang. De correlatie was wederom significant en positief: r = 0.23, n = 91, p = 0.001. Dit was in lijn met de verwachtingen.
Hieronder is nog een tabel te zien met de Descriptive Statistics. We kunnen stellen dat “SumConnectiviteit’ en ‘Extremiteit” significant verschillen van “0”. De standard-deviatie heeft opnieuw een hoge waarde. Dit betekent dat er veel observaties zijn die ver van het gemiddelde liggen.
Table 1
Descriptive Statistics
Variables Mean SD N
SumConnectiviteit 1370.354 1155.331 79
SumPolitiekeint 57.000 41.041 91
Extremiteit 14.5165 11.562 91 Comment [1]: tabel plaatsen naar de
plek waarin er in de tekst wordt naar verwezen
Discussie
In dit onderzoek hebben we gekeken of de PCR een goede methode is om indivi-duele attitude netwerken in kaart te brengen en het CAN model ook kan worden ge-bruikt om naar attitudes op individueel niveau te kijken. Door middel van een vragen-lijst zijn de verschillende nodes in het netwerk duidelijk gemaakt. Dit waren evaluatieve reacties over het attitude object Mark Rutte. Door middel de PCR werden de onderlinge verbindingen tussen de nodes, de edges, zichtbaar gemaakt. Hoe een node in verbinding stond tot alle andere nodes werd berekend met de Average Shortest Path Length (con-nectiviteit). Nadat het netwerk in beeld is gebracht, moest het worden gevalideerd. Onze verwachting was dat als een netwerk een hoge connectiviteit liet zien, de sterkte van de attitude ook hoog zou zijn. Deze verwachtingen waren op basis van eerder onderzoek van Delage (2015). Hier bleek ook al dat een sterke attitude correleerde met een sterk verbonden netwerk. Een sterk verbonden netwerk heeft namelijk veel gelijkenissen met een sterke attitude. Deze verwachting kwam overeen met onze resultaten. Er was inder-daad een correlatie tussen attitude sterkte, geoperationaliseerd als politieke interesse en extremiteit, en connectiviteit. Dit is een bevestiging van het netwerk en het CAN model. Ook is het een validatie van de PCR als methode voor het in kaart brengen van indivi-duele attitude netwerken.
Als tweede validatie van het netwerk is ook nog gekeken naar de samenhang tus-sen centraliteit, geoperationaliseerd door clotus-seness, en belang. Uit eerder onderzoek (Dalage, 2015) bleek dat als iemand een evaluatieve reactie belangrijk vindt, deze node waarschijnlijke verbonden is met veel andere nodes in het netwerk. Wederom kwam de verwachting overeen met de resultaten. Er is een positieve correlatie gevonden tussen closeness en belang. Dit is een wederom een bevestiging van het CAN model en PCR. De conclusie die we uit de resultaten kunnen trekken is dat de PCR een valide methode is om de verbanden te schatten waar attitude netwerken op een individueel
ni-veau uit opgebouwd zijn. Niet alleen wordt iemands volledige attitude duidelijk in beeld gebracht, maar ook de onderlinge correlatie tussen de verschillende componenten van deze attitude wordt op een wetenschappelijke manier verklaard en bevestigd.
Dit brengt veel implicaties met zich mee. Uit eerder onderzoek bleek dat het CAN model een goede manier is om attitudes op groepsniveau te beschrijven en te ver-klaren. Nu heeft het model zich wederom bewezen, maar nu op individueel niveau. Dit geeft het model nog een sterkere uitgangspositie om attitudes vanuit alle hoeken te be-schrijven en te verklaren. Het is noodzakelijk om het CAN model verder uit te breiden en te blijven onderzoeken, zodat we een dieper inzicht in attitudes kunnen krijgen. Ook zijn de resultaten wederom een bevestiging dat de PCR een uitstekende methode is om netwerken in kaart te brengen. PCR is nu niet alleen succesvol toegepast op symptomen, maar ook op attitudes. Het is belangrijk om de PCR nog verder te onderzoeken om te kijken of het nog meer toepassingen heeft.
Ondanks alle positieve resultaten, heeft het onderzoek enkele beperkingen. Er is alleen maar gekeken naar psychologie studenten, waardoor de sample misschien biased is. Een vervolgonderzoek zou gebruik kunnen maken van proefpersonen die niet alleen bestaan uit psychologie studenten.
Ook is het onderzoek niet volledig generaliseerbaar naar attitudes in het alge-meen, omdat er voor dit onderzoek alleen gebruik is gemaakt van een Minister Presi-dent als attitude object. Het zou kunnen dat bij een ander attitude object de resultaten anders waren geweest. Om de resultaten generaliseerbaar te maken naar attitudes in het algemeen, zal een breder scala van attitude objecten moeten worden onderzocht.
Als suggestie voor vervolg onderzoek kan er gekeken worden wat de impact is op een attitude netwerk als een onderdeel van dat netwerk wordt veranderd. Bijvoorbeeld als nadat de attitude is gevormd en gemeten er nog extra informatie wordt gegeven over één van de onderdelen. Het zou interessant zijn wat de extra informatie over één onderdeel doet met de andere onderdelen van het netwerk.
Al jaren is men op zoek naar een uniform model dat zowel attitudes kan verkla-ren als beschrijven. Door meerdere bestaande modellen samen te voegen, komt het CAN model steeds dichter in de buurt. Het combineert de beschrijvende kwaliteiten van het tripartite model met de verklarende kracht van het netwerk model. Hierdoor kan het CAN model attitudes beschrijven en verklaren als nooit te voren.
Borsboom, D., van Borkulo, C. D., Borsboom, D., Epskamp, S., Blanken, T. F., Boschloo, L., Schoevers, R. A., & Waldorp, L. J. (2014). A new method for con-structing networks from binary data. Scientific Reports, 4.
Borsboom, D., & Cramer, A. (2013). Network analysis: An integrative ap-proach to the structure of psychopathology. Annual Review of Clinical Psychology, 9, 91-121.
Cramer, A. O., Sluis, S., Noordhof, A., Wichers, M., Geschwind, N., Aggen, S. H., ... & Borsboom, D. (2012). Dimensions of normal personality as networks in search of equilibrium: You can't like parties if you don't like people. European Jour-nal of PersoJour-nality, 26(4), 414-431.
Dalege J., Borsboom D., van Harreveld F., van der Maas H. L. J. (2015). A network perspective on attitude strength: Testing the connectivity hypothesis. Manu-script in preparation.
Dalege, J., Borsboom, D., van Harreveld, F., van den Berg, H., Conner, M., & van der Maas, H. L. J. (2015). Toward a formalized account of attitudes: The Causal Attitude Network (CAN) model. Psychological Review. Advance online publication.
Frewen PA, Allen SL, Lanius RA, Neufeld RWJ. (2011). Perceived causal re-lations: novel methodology for assessing client attributions about causal associations
between variables including symptoms and functional impairment. Assessment. doi: 10.1177/1073191111418297
Frewen, P. A., Schmittmann, V. D., Bringmann, L. F., & Borsboom, D. (2013). Perceived causal relations between anxiety, posttraumatic stress and depres-sion: extension to moderation, mediation, and network analysis.European journal of psychotraumatology, 4.
Latané B., Nowak A. (1994). Attitudes as catastrophes: From dimensions to categories with increasing involvement. In R. R. Vallacher, A. Nowak (), Dynamical systems in social psychology (pp. 219–249). San Diego, CA: Academic Press.
Richard P. Bagozzi, Alice M. Tybout, C. Samuel Craig and Brian Sternthal Journal of Marketing Research
Vol. 16, No. 1 (Feb., 1979), pp. 88-95
Ruzzano, L., Borsboom, D., & Geurts, H. M. (2015). Repetitive behaviors in autism and obsessive–compulsive disorder: New perspectives from a network analy-sis. Journal
of autism and developmental disorders, 45(1), 192-202.
Van Overwalle, F., & Siebler, F. (2005). A connectionist model of attitude formation and change. Personality and Social Psychology Review, 9(3), 231-274.
VisserP. S., Bizer G. Y., Krosnick J. A. (2006). Exploring the latent structure of strength-related attitude attributes. Advances in Experimental Social Psychology, 38, 1–67
Watts, D. J. (1999). Networks, Dynamics, and the Small‐ World Phenomenon 1. American Journal of sociology, 105(2), 493-527.
West, D. B. (2001). Introduction to graph theory (Vol. 2). Upper Saddle River: Prentice hall.
