1
Een Netwerkbenadering van Individuele Attitudestructuur:
de Rol van Connectiviteit, Potentiele Ambivalentie en het Belang van de
Attitude
Amber Heijnen
Universiteit van Amsterdam
Begeleid door: Jonas Dalege
Studentnummer: 10356592
Aantal woorden: 3.901
2 Abstract
Uit verschillende attitude netwerkstructuur onderzoeken bleken er positieve correlaties te bestaan tussen de attitudesterkte, de connectiviteit, de resistentie tegen beïnvloeding en het belang van de attitude op groepsniveau. Echter ontbrak onderzoek op individueel niveau. In dit onderzoek hebben psychologiestudenten (N=23) gedurende 10 dagen drie maal per dag een korte vragenlijst ingevuld over hun attitude ten opzichte van de vrijheid van meningsuiting. Door middel van de multilevel-VAR methode zijn individuele netwerken opgesteld. Vervolgens is gekeken of er ook een verband tussen het belang van de attitude en de connectiviteit op individueel niveau bestaat. Het bleek dat ook op individueel niveau een positieve correlatie bestond. Ook is er gekeken of connectiviteit en potentiele ambivalentie de mate van gevoelde ambivalentie konden voorspellen. Hier werd geen significant effect gevonden.
3
Een Netwerkbenadering van Individuele Attitudestructuur:
de Rol van Connectiviteit, Potentiele Ambivalentie en het Belang van de Attitude
In de klinische psychologie wordt er sinds een tijd ook met een netwerk aanpak op de structuur van psychopathologie gekeken (Borsboom & Cramer, 2013). Volgens dit paradigma worden
symptomen gezien als een deel van een oorzakelijk systeem, in plaats van deze te interpreteren als symptomen veroorzaakt door een latente stoornis (Borsboom, 2008). In verschillende klinische
onderzoeken zijn er inzichten verkregen in de werking van deze netwerkaanpak. Sinds kort wordt deze netwerkaanpak op de structuur ook binnen het attitude onderzoek toegepast.
Een attitude is een psychologische tendens die wordt uitgedrukt door de evaluatie van een bepaalde entiteit met een bepaalde mate van favor of disfavor (Eagly & Chaiken, 1993). Het is belangrijk om eerst de fundamentele basis van attitudes te onderzoeken, voordat er meer onderzoek kan worden gedaan over de praktische implicaties van attitudes. Wanneer dit fundament duidelijk is en er vervolgens meer praktisch gericht onderzoek heeft plaats gevonden kan deze opgedane kennis een belangrijke bijdrage leveren op het gebied van sociologie, communicatie, politicologie en marketing. Wanneer men bijvoorbeeld meer kennis heeft over de attitude structuur op individueel niveau, kunnen interventies meer op het individu worden aangepast. Op deze manier kan de effectiviteit en het
slagingspercentage van de interventie vergroot worden. Echter is er tot nu toe alleen onderzoek gedaan naar de attitude netwerken in groepen, maar nog niet gekeken naar de dynamiek op individueel niveau. Uit de empirische illustraties van Dalege, Borsboom, van Harreveld, van den Berg, Conner en van der Maas (2014) blijkt bijvoorbeeld dat verschillende attitude objecten verschillende attitude netwerken hebben en dat verschillende groepen met individuen verschillende attitude netwerken hebben. In dit onderzoek gaan we voor het eerst kijken naar de individuele attitude netwerken.
Een model die probeert alle bevindingen op het gebied van attitudes te integreren binnen een netwerkmodel is het CAN-model (Dalege, Borsboom, van Harreveld, van den Berg, Conner & van der Maas, 2014). Het CAN-model (Componential Attitude Network model) biedt een omvangrijke en aannemelijke theoretische verklaring van verschillende empirische fenomenen die ontdekt zijn in het onderzoek naar attitudes. Volgens het CAN model bestaat een attitude uit een small-world network. Dit
4
netwerk bestaat uit knopen en verbindingen tussen deze knopen. De knopen in het netwerk hebben een bidirectionele invloed op elkaar en vertonen hoge clustering. Volgens het CAN model vormen
affectieve, gedragsmatige, cognitieve en algemene evaluatie van het attitude object clusters in attitude netwerken. Uit een empirische illustratie van het CAN model blijkt dat de connectiviteit van het attitude netwerk afhangt van de importantie van de attitude op groepsniveau (Dalege, Borsboom, Harreveld, van den Berg, Conner & van der Maas, 2014).
Afbeelding 1. Dit is een grafische afbeelding van het CAN model. Knopen met dezelfde letter en kleur behoren tot hetzelfde attitude component, O= algemene evaluatie, C= cognitieve evaluatie, A=affectieve evaluatie, B=gedragsmatige evaluatie. De verbindingen tussen de knopen zijn bidirectionaal (Dalege, Borsboom, van Harreveld, van den Berg, Conner & van der Maas, 2014).
Uit verschillend voorgaand onderzoek blijken er meer gelijkenissen tussen sterke attitudes en sterk verbonden netwerken te zijn. Studies laten zien dat sterke attitudes meer resistent zijn tegen
5
beïnvloeding, dan zwakke attitudes (Petty, Haugtvedt, & Smith, 1995; Bassili, 1996) en de studie van Gai en Kapadia (2010) laat zien dat netwerken met een hoge connectiviteit, oftewel met sterke verbindingen, meer resistent zijn tegen beïnvloeding dan netwerken met een lage connectiviteit. Uit deze bevindingen blijken sterke attitudes en netwerken met een hoge connectiviteit dus beide een hoge resistentie tegen beïnvloeding te hebben. Deze correlatie is vervolgens direct aangetoond in het onderzoek van Dalege, Borsboom, van Harreveld en van der Maas (2014), waarin een sterke correlatie wordt gevonden tussen de attitudesterkte en de connectiviteit van het attitude netwerk. Uit deze verschillende onderzoeken blijkt er dus een positief verband te bestaan tussen de importantie van de attitude, de attitudesterkte, de connectiviteit en de resistentie tegen beïnvloeding.
Wanneer men dus een sterk positieve attitude heeft ten opzichte van een persoon, is zijn
connectiviteit hoger, is hij resistenter tegen negatieve beïnvloeding en heeft hij een hogere importantie van de attitude. Als een persoon vervolgens negatieve informatie tot zich krijgt die niet verenigbaar is met zijn sterk positieve attitude probeert men deze negatieve informatie weg te nemen. Wanneer dit niet lukt ervaart men zowel negatieve als positieve evaluaties. Dit fenomeen word ambivalentie genoemd en kan gesplitst worden in potentiële ambivalentie en gevoelsmatige ambivalentie. Potentiële ambivalentie is een conflicterende evaluatie van een attitude object en gevoelsmatige ambivalentie zijn de onplezierige gevoelens die door deze ambivalentie kunnen worden veroorzaakt (Newby-Clark, McGregor & Zanna, 2002).
Potentiele ambivalentie leidt echter niet in alle gevallen tot gevoelsmatige ambivalentie. Uit onderzoek van Newby-Clark, McGregor en Zanna (2002) blijkt bijvoorbeeld dat gelijktijdige toegankelijkheid van ambivalente evaluaties de gevoelsmatige ambivalentie verhoogd. Een andere mogelijke factor die bepaald of de potentiele ambivalentie wordt omgezet in gevoelsmatige ambivalentie zou de connectiviteit van het attitudenetwerk kunnen zijn. In het bovengenoemde voorbeeld krijgt een persoon met een sterke attitude, en dus een hoge connectiviteit, tegenstrijdige informatie tot zich wat een hoge potentiele ambivalentie veroorzaakt. Vervolgens probeert deze persoon de tegenstrijdigheid weg te nemen, omdat mensen met een sterk verbonden attitudenetwerk een hoge motivatie hebben om een consistente attitude te behouden. Men zou deze hoge motivatie kunnen hebben, omdat de tegenstrijdige evaluaties onplezierige gevoelens met zich mee brengen, wat
6
gevoelsmatige ambivalentie genoemd wordt. De persoon in kwestie heeft dus een hoge potentiele ambivalentie, een hoge connectiviteit, een hoge motivatie tot het behouden van een consistente attitude en daardoor een hoge gevoelsmatige ambivalentie. Echter wanneer een persoon een grote potentiele ambivalentie heeft, maar een lage connectiviteit, dan zal deze persoon weinig behoefte naar
consistentie hebben, omdat deze persoon weinig gevoelsmatige ambivalentie ervaart. Om dit te kunnen onderzoeken op individueel niveau, zou men gebruik moeten maken van een methode die netwerken schat.
Een methode die netwerken schat op basis van time-series data, verkregen door Experience Sampling Methodology (ESM)), is door gebruik te maken van een nieuwe combinatie van het VAR model en het multilevel model, de zogenaamde multilevel-VAR methode (Brinkmann, Vissers, Wichers, Deschwind, Kuppens, Peeters, Borsboom & Tuerlinckx, 2013). Deze methode stelt de parameters vast voor de interactie tussen knopen in het netwerk door het schatten van een Multilevel vector autoregression (VAR) model op de data. Het hoofddoel van deze methode is het schatten van de gemiddelde connectie sterkte, tussen alle variabelen van de populatie, maar het geeft ook informatie over inter-individuele verschillen in het netwerk.
Voorgaand onderzoek heeft laten zien dat de multilevel-VAR methode van Brinkmann, Vissers, Wichers, Deschwind, Kuppens, Peeters, Borsboom en Tuerlinckx (2013) sensitief genoeg is om verschillen tussen individuen te meten. Uit onderzoek van Pe, et al. (2014) blijkt bijvoorbeeld dat individuen met een depressieve stoornis een dichter algemene emotie netwerk hebben in vergelijking met gezonde individuen. Dit verschil wordt vooral veroorzaakt door een dichter negatief netwerk in depressieve individuen. Wellicht kan deze methode ook een dichter verbonden attitude netwerk aantonen bij mensen met een groter belang van de attitude. Verder wordt in het onderzoek van Bringmann, Lemmens, Huibers, Borsboom en Tuerlinckx (2014) aangetoond dat symptomen in de Beck Depression Inventory (BDI-II) direct of indirect met elkaar verbonden zijn door patronen van tijdelijke invloed. De invloeden versterken elkaar en het item ‘loss of pleasure’ is het meest centrale item in het netwerk. Het attitude onderzoeksgebied kan de klinische kennis verkregen op het gebied van netwerkstructuren goed gebruiken. Wanneer men bijvoorbeeld weet welk item centraal staat zoals het ‘loss of pleasure’ item, dan weet men welk item het doel zou moeten worden van
7
beïnvloedingstechnieken, op zowel klinisch als attitude gebied. Een mogelijk voorbeeld van het ‘loss of pleasure’ item zou een lage belang van de attitude kunnen zijn.
In dit onderzoek wordt er gekeken naar de individuele attitude netwerk structuur. De
deelnemers vullen gedurende 10 dagen drie keer per dag een korte vragenlijst in over hun attitude ten opzichte van de vrijheid van meningsuiting. Op basis van deze gegevens wordt er per individu een netwerkmodel opgesteld aan de hand van de multilevel-VAR methode en wordt er gekeken of er een correlatie bestaat tussen de connectiviteit en het belang van de attitude. Er wordt verwacht dat er een positieve correlatie bestaat tussen de connectiviteit van het attitudenetwerk en het belang van de attitude op individueel niveau. Verder wordt er gekeken of de mate van potentiele ambivalentie en de mate van connectiviteit, de mate van gevoelsmatige ambivalentie kan voorspellen. Er wordt verwacht dat wanneer de potentiele ambivalentie hoog is en de connectiviteit hoog is, de gevoelsmatige
ambivalentie ook hoog is en wanneer de potentiele ambivalentie hoog is en de connectiviteit laag is, dat de gevoelsmatige ambivalentie dan ook laag is.
Methode
Deelnemers.
Aan dit onderzoek hebben 26 eerstejaars psychologie studenten van 18 tot 44 jaar mee gedaan, waarvan 20 vrouwen en zes mannen. De deelnemers zijn geworven door middel van de onderzoekssite van de Universiteit van Amsterdam. Op deze site kunnen studenten zich aanmelden voor een deelname aan onderzoek in ruil voor participatiepunten.
Materialen.
Er is een online vragenlijst gebruikt die de attitude ten opzichte van de vrijheid van meningsuiting meet en deze is afgenomen via de website Qualtrics. De vragenlijst bestaat uit 11 stellingen waarbij de deelnemers aangeven in hoe verre zij het eens zijn met de stelling op een schaal van helemaal mee oneens (-50) tot helemaal mee eens (50). Voorbeelden van items op deze vragenlijst zijn: ‘Policiti mogen zeggen wat ze van een onderwerp vinden, ook als ze hier potentieel een groep mensen mee kwetsen.’ en ‘Mensen die mij vertellen dat je bepaalde dingen niet mag zeggen, maken mij boos.’. Bij
8
de eerste en laatste meting worden nog 11 extra vragen gesteld. Zes van deze items hebben de mate van potentiele ambivalentie gemeten (α =.89). De zes items zijn onderverdeeld in drie itemparen, waarvan elk itempaar bestaat uit een negatief en positief item. Vervolgens is de potentiele
ambivalentie berekend per itempaar door de volgende formule te gebruiken; ( ( positief item + negatief item ) / 2 ) - | positief item - negatief item |. Een voorbeeld van een itempaar is ‘Denk aan jouw evaluatie van de vrijheid van meningsuiting. Als je alleen de positieve aspecten van de vrijheid van meningsuiting overweegt, en daarbij de negatieve aspecten weg laat, hoe positief vind je de vrijheid van meningsuiting dan?’ en ‘Denk aan jouw evaluatie van de vrijheid van meningsuiting. Als je alleen de negatieve aspecten van de vrijheid van meningsuiting overweegt, en daarbij de positieve aspecten weg laat, hoe negatief vind je de vrijheid van meningsuiting dan?’. Drie items hebben het belang van de attitude gemeten (α=.82). Voorbeelden van deze items zijn ‘Hoe geïnteresseerd ben je in het volgen van discussies over de vrijheid van meningsuiting?’ en ‘Hoe graag wil je meer te weten komen over de vrijheid van meningsuiting?’. Tot slot hebben twee items de gevoelde ambivalentie (r=.34, p=.054) gemeten. Een voorbeeld van een item is ‘Ik heb sterk gemixte gevoelens, zowel voor als tegen de vrijheid van meningsuiting, op hetzelfde moment.’.
Procedure.
Nadat de deelnemers zich hebben aangemeld voor dit onderzoek, zijn er gedurende twee dagen individuele afspraken gemaakt om het onderzoek verder toe te lichten. In dit gesprek van ongeveer vijf minuten is uitgelegd dat zij drie keer per dag gedurende 10 dagen een korte vragenlijst van 11 vragen over hun attitude ten opzichte van de vrijheid van meningsuiting zullen gaan invullen (met uitzondering van het eerste meetmoment en laatste meetmoment, waarin 11 vragen extra werden gesteld). Het eerste meetmoment van de dag was om 10.00, het tweede meetmoment om 15.00 en het derde meetmoment om 20.00. Op de genoemde tijdstippen ontvingen de deelnemers een link van de vragenlijst via de email, waarna de deelnemers deze binnen een half uur invulden. Dit kon via de computer, tablet of mobiel gedaan worden en op elke locatie. Verder is er verteld dat het niet erg is als de deelnemers een keer vergeten de vragen te beantwoorden, maar het niet de bedoeling is dat dit vaker gebeurd en er kan worden gezien wanneer er een vragenlijst niet is ingevuld. Om een goede
9
deelname te stimuleren werd er tijdens de individuele afspraak verteld dat er vijf keer 20 euro onder de deelnemers die de vragenlijst minimaal vergeten zijn in te vullen zal worden verloot. Ook hebben de deelnemers tijdens deze afspraak de vragenlijst ingevuld, waarin alleen de extra vragen werden gebruikt in de analyses. Op deze manier konden de deelnemers vragen stellen over het invullen van de basis vragen wanneer er onduidelijkheden waren. Tot slot tekenden alle deelnemers een Informed Consent. Nadat alle deelnemers een individueel gesprek hadden gehad startten de 10 metingsdagen. Na het laatste meetmoment met de extra vragen, werden de deelnemers bedankt voor hun deelname en succes gewenst in de loting.
Resultaten
Van de 26 deelnemers die begonnen zijn met het onderzoek, is uiteindelijk de data van 23 deelnemers meegenomen in de analyses. De drie deelnemers die zijn uitgesloten van het onderzoek hadden maar één of enkele vragenlijsten ingevuld, waardoor er niet genoeg data was verzameld om deze deelnemers in de analyses mee te nemen.
10
samen. De dikte van de verbindingen tussen de knopen is gebaseerd op het gemiddelde regressiegewicht tussen de twee knopen, hoe dikker de verbindingen hoe hoger het regressiegewicht is. Positieve verbindingen zijn in het rood weergeven en negatieve verbindingen zijn in het donkergroen weergeven. Positieve knopen zijn in het rood weergeven en negatieve knopen zijn in het blauw weergeven. De pijlen weergeven de richting van het regressiegewicht.
De sterkte van de connectiviteit tussen alle items per individu is geschat aan de hand van de Multilevel-VAR methode. Dit is berekend door elke dag per individu te kijken in welke mate het eerste meetmoment het tweede meetmoment op dit item heeft kunnen voorspellen en in welke mate het tweede meetmoment het derde meetmoment op dit item heeft kunnen voorspellen. Vervolgens zijn met deze gegevens de individuele netwerkstructuren opgesteld.
Hoge connectiviteit
Lage connectiviteit
11
Afbeelding 3. De bovenste netwerken zijn van twee individuen met een sterk verbonden netwerk en de onderste netwerken zijn van twee individuen met een zwak verbonden netwerk. De netwerken zijn opgesteld met dezelfde karakteristieken als het netwerk in Afbeelding 2.
Uit een correlatie analyse bleek er een positief verband te zijn tussen het belang van de attitude en de connectiviteit (r=.41, p=.026). Dus hoe groter het belang van de attitude, des te hoger is de connectiviteit. Deze bevinding is in lijn met de eerste hypothese. Echter blijken er twee uitbijters te zijn, die meer dan twee standaard deviaties van de mediaan af liggen, op de variabele connectiviteit. Op de variabele belang van de attitude blijken er geen uitbijters te zijn die meer dan twee standaard deviaties van de mediaan liggen. Uit de correlatie analyse waarbij de twee uitbijters op de variabele connectiviteit zijn verwijderd bleek het significante effect tussen het belang van de attitude en de connectiviteit te verdwijnen (r=.33, p=.072). Het is echter de vraag of het juist is om de uitbijters uit te
sluiten, aangezien de steekproef zeer klein was. Op dit punt wordt verder ingegaan in de discussie.
12
de mate van het belang van de attitude op een schaal van -10 tot 50, waarbij een score van -10 laag is en een score van 50 hoog is. Op de y-as staat de mate van connectiviteit op een schaal van 0.10 tot 0.30, waarbij een score van 0.10 een lage connectiviteit is en een score van 0.30 een hoge connectiviteit is. In deze scatterplot is te zien dat hoe groter het belang van de attitude bij een individu is, des te hoger is de connectiviteit van zijn attitudenetwerk is.
Uit een regressie analyse over de gevoelde ambivalentie was er geen significante voorspelling door potentiele ambivalentie, connectiviteit en de interactie tussen deze twee variabelen, R²=1.4%, F(3, 22)=1.02, p=.405. Deelnemers met een lage of hoge connectiviteit ervaarden niet meer gevoelde ambivalentie (β=-.63,t=-1.48, p=.156) en de potentiele ambivalentie had ook geen significante invloed op de gevoelde ambivalentie (β=.02, t=.10, p=.921). Ten slotte was de interactie tussen connectiviteit en potentiele ambivalentie ook niet significant (β=-.36, t=-.83, p=.416). Deze bevindingen zijn niet in lijn met de tweede hypothese.
Afbeelding 5. In deze grafiek is de mate van gevoelsmatige ambivalentie te zien bij de voorspeller potentiele ambivalentie, bij een groep deelnemers met een hoge connectiviteit en een groep deelnemers met een lage connectiviteit. De groepen met een hoge en lage connectiviteit zijn verdeeld door de deelnemers met een connectiviteit lager dan de mediaan in de lage
13
connectiviteitsgroep in te delen en de deelnemers met een connectiviteit hoger dan de mediaan in te delen in de hoge connectiviteitsgroep in te delen. Deelnemers met een hoge connectiviteit zijn aangegeven met de groene lijn en deelnemers met een lage connectiviteit zijn aangegeven met de blauwe lijn. In deze grafiek is te zien dat het gevonden resultaat niet overeenkomt met de verwachting.
Discussie
Uit verschillende attitude netwerkstructuur onderzoeken bleken er positieve correlaties te bestaan tussen de attitudesterkte, de connectiviteit, de resistentie tegen beïnvloeding en het belang van de attitude op groepsniveau. Er was echter nog geen onderzoek gedaan naar deze verbanden op individueel niveau. In dit onderzoek is er gekeken of er ook een verband tussen het belang van de attitude en de connectiviteit op individueel niveau bestaat. Het bleek dat ook op individueel niveau er een positieve correlatie bestond tussen deze twee variabelen. Verder is er in dit onderzoek ook op individueel niveau gekeken naar de voorspellende waarde van de connectiviteit en potentiele ambivalentie op de gevoelde ambivalentie. Uit de resultaten bleek dat geen van deze variabelen een effect rapporteerden.
Doordat er een correlatie tussen het belang van de attitude en de connectiviteit op individueel niveau is aangetoond, is er een stuk kennis toegevoegd aan het fundament van de attitude. In de toekomst zou deze correlatie weer verder kunnen worden onderzocht. Men zou bijvoorbeeld kunnen onderzoeken of deze correlatie blijft bestaan in verschillende culturen, bij verschillende leeftijden of in verschillende sociale groepen. Wanneer er meer bekend is over het fundament van de attitude, dan zou deze kennis een bijdrage kunnen leveren op het gebied van sociologie, communicatie, politicologie en marketing.
Hoewel er een significante correlatie is gevonden tussen het belang van de attitude en de connectiviteit, bleek deze correlatie te verdwijnen na het verwijderen van de uitbijters. Een mogelijke verklaring is de zeer kleine steekproef van dit onderzoek. Wanneer een steekproef van een onderzoek zeer klein is, worden iets extremere waarden een stuk sneller als uitbijters gecategoriseerd. Wanneer deze uitbijters vervolgens worden verwijderd wordt de mate van variantie in de data verkleind, terwijl deze variantie juist nodig is om een effect te kunnen waarnemen. Om deze reden zou de analyse
14
zonder verwijdering van de uitbijters kunnen worden geïnterpreteerd. Vervolgonderzoek zou dit probleem kunnen omzeilen door een grotere steekproef te gebruiken.
Wat opvallend is dat er geen correlatie is gevonden tussen de potentiele ambivalentie en de gevoelsmatige ambivalentie. Het kan zijn dat deze meting, wat plaats vond op het eerste meetmoment, niet gelukt is. De eerste vragenlijst is afgenomen in de hal van het onderzoeksgebouw van de
Universiteit van Amsterdam. Tijdens deze metingen liepen er soms pratende studenten door de hal, wat de deelnemers zou kunnen hebben afgeleid tijdens het invullen van de vragenlijst.
Vervolgonderzoek zou dit probleem kunnen omzeilen door de deelnemer de eerste vragenlijst te laten invullen in een stille onderzoeksruimte. Een andere verklaring voor ontbreken van een correlatie zou kunnen zijn dat er meerdere factoren invloed hebben op de correlatie tussen de potentiele ambivalentie en de gevoelsmatige ambivalentie, zoals de behoefte naar cognitie, de persoonlijke angst voor
invaliditeit en de voorkeur voor consistentie. Wellicht wordt er wel een correlatie gevonden wanneer ook deze factoren worden meegenomen in de analyse.
Een ander punt wat invloed zou kunnen hebben op de gevonden onderzoeksresultaten, zou de gebruikte schaal kunnen zijn. In dit onderzoek gaf de deelnemer per stelling aan in welke mate hij of zij het met de stelling eens was op een schaal van -50 tot 50. Waarbij een score van -50 totaal niet mee eens was en een score van 50 totaal wel mee eens. Doordat er is gekozen voor een score lopend van de min naar plus, zou een deelnemer wanneer hij het niet helemaal eens is met de stelling een score van bijvoorbeeld -25 kunnen kiezen. Omdat dit een min getal is, zou dit getal ook kunnen worden geïnterpreteerd als extreem negatief, wat verwarring bij de deelnemer zou kunnen veroorzaken. Hierdoor zou de deelnemer antwoorden kunnen geven, die niet overeenkomen met zijn werkelijke mening, wat de meting van de connectiviteit zou vertekenen. Wellicht kan er in vervolg onderzoek gebruik worden gemaakt van een positieve schaal, bijvoorbeeld van 0 tot 100. Op deze manier zou verwarring bij de deelnemers worden vermeden.
Verder zou de meting van connectiviteit ook kunnen zijn beïnvloedt door het optreden van leereffecten. De deelnemers hebben gedurende 10 dagen drie keer per dag dezelfde vragenlijst ingevuld. Ondanks dat de 11 vragen op elk meetmoment random door elkaar stonden, kan het zijn voorgekomen dat de deelnemers de vragen met hun gegeven antwoord hebben onthouden. Vervolgens
15
zou de menselijke behoefte om consistent gedrag te vertonen ervoor kunnen zorgen dat deelnemers op elk meetmoment ongeveer dezelfde antwoorden hebben gegeven. Hierdoor zou er veel minder
variantie zijn gemeten op de variabele connectiviteit, wat ervoor zou kunnen hebben gezorgd dat er geen effecten zijn gevonden op beide onderzoeksvragen. Vervolgonderzoek zou in de laatste vragenlijst kunnen vragen of de deelnemer de vragen met hun gegeven antwoordden hebben
onthouden en hun antwoorden op latere meetmomenten hierdoor hebben laten leiden. Om vervolgens de deelnemers waarbij een leereffect is opgetreden uit te sluiten van het onderzoek.
Tot slot bestond de steekproef voornamelijk uit vrouwen tussen de 18 en 25 jaar oud die psychologie studeren aan de Universiteit van Amsterdam. Deze deelnemers zijn wellicht socialer, intelligenter, en zullen bepaalde vragenstukken misschien vanuit eenzelfde psychologische
achtergrond bekijken. Hierdoor zullen de individuele verschillen tussen de deelnemers kleiner zijn, waardoor het moeilijker is deze verschillen aan te tonen. Wellicht zal er wel een effect worden gevonden wanneer de steekproef meer deelnemers bevat uit verschillende lagen van de bevolking, met verschillende culturele achtergronden.
Voorlopig kan de conclusie worden getrokken dat er wel een correlatie bestaat tussen de connectiviteit van het attitudenetwerk en het belang van de attitude op individueel niveau. Helaas kan voorlopig ook worden geconcludeerd dat de mate van potentiele ambivalentie en connectiviteit niet de mate van gevoelsmatige ambivalentie op individueel niveau kan voorspellen. Mogelijk kan in de toekomst een gelijksoortig onderzoek, waarin de tekortkomingen van dit onderzoek zijn ondervangen, wel een significant effect aantonen.
Referenties
Bassili, J. N. (1996). Meta-judgmental versus operative indexes of psychological attributes: The case of measures of attitude strength. Journal of personality and social psychology, 71(4), 637.
Borsboom D. (2008). Psychometric perspectives on diagnostic systems. J. Clin. Psychol. 64:1089–109
16
Borsboom, D., & Cramer, A. O. (2013). Network analysis: an integrative approach to the structure of psychopathology. Annual review of clinical psychology, 9, 91-121.
Bringmann, L. F., Lemmens, L. H. J. M., Huibers, M. J. H., Borsboom, D., & Tuerlinckx, F. (2014). Revealing the dynamic network structure of the Beck Depression Inventory-II. Psychological medicine, 1-11.
Bringmann, L. F., Vissers, N., Wichers, M., Geschwind, N., Kuppens, P., Peeters, F., ... & Tuerlinckx, F. (2013). A network approach to psychopathology: new insights into clinical longitudinal data. PloS one, 8(4), e60188.
Dalege, J., Borsboom, D., van Harreveld, F., van den Berg, H., Conner, M., & van der Maas, H. L. (2014). Toward a Dynamical Conception of Attitudes: Introducing the Componential Attitude Network (CAN) Model. Manuscript submitted for publication.
Dalege, J., Borsboom, D., van Harreveld, F. & van der Maas, H. L. J. (2014) Strength = Connectivity? The Relation between Attitude Strength and Connectivity of Attitude Networks.
Eagly, A. H., & Chaiken, S. (1993). The psychology of attitudes. Harcourt Brace Jovanovich College Publishers.
Gai, P., & Kapadia, S. (2010). Contagion in financial networks. Proceedings of the Royal
Society A: Mathematical, Physical and Engineering Science, 466, 2401-2423.
doi:10.1098/rspa.2009.0410
Newby-Clark, I. R., McGregor, I., Zanna, M. P. (2002). Thinking and caring about cognitive
inconsistency: When and for whom does attitudinal ambivalence feel uncomfortable?
Journal of Personality and Social Psychology, 82, 157-166. doi:10.1037/0022-
17
Pe, M. L., Kircanski, K., Thompson, R. J., Bringmann, L. F., Tuerlinckx, F., Mestdagh, M., Mata, J., Jaeggi, S. M., Buschkuehl, M., Jonides, J., Kuppens, P. & Gotlib, I. H. (2014). Emotion-Network Density in Major Depressive Disorder. Clinical Psychological Science, 2167702614540645.
Petty, R. E., Haugtvedt, C. P., & Smith, S. M. (1995). Elaboration as a determinant of attitude strength: Creating attitudes that are persistent, resistant, and predictive of behavior. Attitude strength: Antecedents and consequences, 4, 93-130.
