Een netwerkbenadering van individuele attitude structuur : persoonlijkheidskenmerken onderzoeken? : yes I can!

Bachelorthese Psychologie

Een netwerkbenadering van individuele attitude structuur

Persoonlijkheidskenmerken onderzoeken? Yes I CAN!

Auteur: Nino van den Bragt Studentnummer: 10332111 Begeleider: Jonas Dalege

Bachelor these psychologie, Specialisatie sociale psychologie Universiteit van Amsterdam

13 mei 2015 Woorden: 4834

Abstract

Onderzoek naar attitudes is een groot onderdeel van de

psychologie. Een model dat de structuur en dynamiek van attitudes goed in kaart kan brengen is daarom belangrijk. In dit onderzoek wordt bewijs geleverd voor bruikbaarheid van het CAN model bij het schatten van individuele netwerk modellen. Zoals ook is gevonden in eerder onderzoek laat werd gevonden dat attitudebelang kan worden weergegeven als de connectiviteit van het netwerk. De invloed die connectiviteit, PFI en PFC zou spelen bij de relatie tussen potentiele en gevoelde ambivalentie werd niet gevonden zoals verwacht. Wel heeft dit onderzoek inzicht gebracht in een aspect van PFI, deze maat hing namelijk negatief samen met

Wat betreft de structuur van attitudes is er weinig discussie dat een attitude meerdere componenten beslaat namelijk: affect, gedrag en cognitie (Breckler, 1984). Er is echter nog geen overeenstemming over de beste manier om de dynamiek van attitudes weer te geven. In dit onderzoek wordt gekeken of het CAN model netwerk structuur een goede methode is om interindividuele verschillen in attitude te

beschrijven. Daarbij wordt gekeken of enkele persoonlijkheidskenmerken voorspellend zijn voor de structuur die een netwerk aanneemt.

Huidige modellen

De twee modellen die momenteel het meest worden gebruik om de dynamiek van attitudes te beschrijven zijn de formatieve en reflectieve latente variabele

modellen. Binnen het reflectieve model is het de latente variabele die de

observeerbare variabelen veroorzaakt. Hierdoor is het niet mogelijk om inconsistentie van gedrag en attitude te beschrijven. Verder wordt er aangenomen dat de enige rede voor de (als het goed is perfecte) correlatie tussen de observeerbare variabelen, de latente variabele is. Wanneer een proefpersoon aangeeft Sarah Palin knap te vinden, zou deze persoon Sarah Palin ook slim moeten vinden, aangezien het beiden reflecties zijn van een positieve attitude over Sarah Palin. Binnen het formatieve model wordt de latente variabele veroorzaakt door de observeerbare variabelen. Hoewel er binnen dit model wel sprake kan zijn van correlaties tussen de observeerbare variabelen, worden er aannames gedaan over de manier waarop de variabelen elkaar beïnvloeden. Verder stelt dit model dat de latente variabele (attitude in dit geval) geen invloed heeft op de observeerbare variabelen. Een positievere attitude ten opzichte van Sarah Palin zou dus geen invloed moeten hebben op de mate waarin haar cognitieve capaciteiten inschat. Hierdoor zijn de drie grootste problemen, waar zowel het reflectieve als het formatieve model tekort schiet: de rol van tijd beschrijven, het vermogen om het proces van causale relaties tussen construct en observeerbare variabelen te

beschrijven en tot slot de onderlinge relaties tussen de observeerbare variabelen te beschrijven (Schmittman, Cramer, Waldorp, Epskamp, Kievit & Borsoom, 2011). Doordat er binnen deze modellen geen sprake is van bidirectionaliteit tussen de variabelen is er geen mogelijkheid voor feedbackloops. Een voorbeeld van een feedbackloop is: iemand vriendelijk behandelen  deze persoon reageert vriendelijk  een positieve attitude richting deze persoon  de volgende keer doet men weer

vriendelijk tegen de persoon (Borsboom & Cramer, 2013). Samenvattend kan worden gesteld dat latente variabelen de dynamiek van een attitude niet goed kunnen

beschrijven.

Een manier die uitermate geschikt is om de dynamiek van attitudes weer te geven is doormiddel van connectionist models zoals bijvoorbeeld het Attitudes as Constraint Satisfaction model (Monroe & Read, 2008). In dit soort modellen worden de evaluaties weergegeven als knopen die allemaal met elkaar in verbinding staan. Netwerk modellen stellen dat de evaluaties niet de oorzaak of het gevolg zijn van het construct dat beoogt wordt te beschrijven (zoals in latente variabele modellen); het construct is het netwerk dat ontstaat door de causale verbindingen tussen de

verschillende observeerbare variabelen. De variabelen zijn zowel oorzaak als gevolg van het construct. Hoewel succesvol in het beschrijven van de dynamiek van attitudes (het model kan thought induces attitude polarization reproduceren), kunnen

connectionist models niet gebruikt worden met empirische data.

Empirische netwerk modellen

Empirische netwerk modellen kunnen daarentegen wel toegepast worden op empirisch verkregen data. Deze modellen kunnen zowel de dynamiek (zoals in

connectionist models) als de structuur (zoals in latente variabelen modellen) van

attitudes beschrijven. Empirische netwerk modellen beschrijven de evaluatieve reacties op een attitude object en de interacties tussen deze reacties. Een recent empirisch netwerk model dat attitudes beschrijft is het Componentioal Attitiude Network CAN model (Dalege, Borsboom, van Harreveld, van den Berg, Conner, & van der Maas, 2015). Binnen het CAN model zijn niet alle knopen met elkaar verbonden (zoals connectionist models), maar hebben de structuur van een small

world (Milgram, 1967). Er ontstaan clusters van knopen en sommige van deze knopen

hebben weer verbindingen met andere clusters, waardoor indirect het hele netwerk verbonden is. Clusters die eerder gevonden zijn, zijn bijvoorbeeld clusters van positieve evaluaties en van negatieve evaluaties.

Een zelfde soort small world structuur is onder andere gevonden binnen de klinische psychologie. Zo wordt een major depressive disorder gekenmerkt door slaap problemen en generalized anxiety disorder gekenmerkt door prikkelbaarheid. Twee variabelen die niet direct met elkaar verbonden zijn. Concentratie problemen zijn echter het gevolg van slaapproblemen en de oorzaak van prikkelbaarheid. Via

deze variabele staan de twee stoornissen (en de genoemde variabelen) dus toch met elkaar in contact (Borsboom, Cramer, Schmittman, Epskamp & Waldorp, 2011). Zulke verbindende symptomen worden ook wel brugsymptomen genoemd en kunnen comorbiditeit verklaren binnen de klinische psychologie (Cramer, Waldorp, Maas & Borsboom, 2010). Wellicht dat er binnen attitudes ook verbindende variabelen gevonden kunnen worden door ze te beschrijven vanuit een netwerk perspectief. Dit zou leiden tot meer begrip over hoe sommige attitudes andere attitudes beïnvloeden.

De belangrijkste termen binnen het beschrijven van de structuur van een netwerk zijn centraliteit en connectiviteit. Centraliteit is een maat voor de

verbindingen van de losse knopen. Knopen met een hoge mate van centraliteit zijn belangrijk binnen een netwerk, omdat zij met veel invloed hebben op andere knopen in dat netwerk. Connectiviteit is een maat voor het gehele netwerk; namelijk de mate waarin alle knopen binnen het netwerk met elkaar verbonden zijn, direct en indirect. Een hoge connectiviteit zorgt ervoor dat het systeem synchroniseert (Manrubia & Mikhailov, 1999). Een netwerk met een hoge mate van connectiviteit is minder gevoelig voor verandering, aangezien een kleine verandering bij één knoop kan worden opgevangen door andere knopen (Gai & Kapadia, 2010). De verschillende knopen staan in verbinding met elkaar en kunnen elkaar zodoende beïnvloeden (Watts & Strogatz, 1998).

Persoonlijke verschillen

Behalve de componenten van atttitude, zijn gedrag affect en cognitie ook te gebruiken om persoonlijkheidskenmerken mee te beschrijven. Uit onderzoek is gebleken dat er mensen zijn die hun attitudes meer baseren op cognitieve dan wel affectieve informatie. Ook hier werd gevonden dat mensen die een affectief gebaseerde attitude hebben (vergeleken met cognitief gebaseerd) meer werden overtuigd door boodschappen die een beroep deden op affect (vergeleken met cognitie) (Huskinson & Haddock, 2003). Beschreven vanuit een netwerk structuur zou je verwachten dat er een verschil zit in de centraliteit van knopen in de cognitieve en affectieve clusters tussen deze personen. Dit is dan ook precies het soort resultaat dat werd gevonden in ander onderzoek naar persoonlijkheid (Cramer, van der Sluis, Noordhof, Wichers, Geschwind, Aggen, Kendler & Borsboom, 2012). In hun onderzoek waarbij verschillende gedragingen, affecten en cognities als een netwerk systeem voor persoonlijkheid werden gezien, werd gevonden dat er systematische

verschillen zitten in de structuur van de netwerken. Openness kan worden gezien als een cluster van bepaalde cognities gedragingen en affecten. Bij mensen met een hoge mate van openness zie je bijvoorbeeld dat het cluster van knopen dat openness

representeert, sterker verbonden is dan bij mensen met een lage mate van openness. Uit onderzoek is gebleken dat verschillende attitude objecten en groepen die

structureel anders denken over een bepaald attitude object verschillende netwerken laten zien (Dalege et al., 2015) In deze onderzoeken werd gevonden dat er structurele verschillen waren wat betreft de centraliteit van de bepaalde knopen tussen de twee groepen in het onderzoek naar hetzelfde attitude object. In het onderzoek met verschillende attitude objecten bleek de centraliteit van de knopen tussen de netwerken van de verschillende attitude objecten. Tot slot zijn er enige

overeenkomsten tussen attitudebelang en connectiviteit (beide zijn bijvoorbeeld stabiel en hebben een grote invloed op gedrag en informatie verwerking). Ook stelde Festinger (1957) dat de motivatie om dissonantie te reduceren voorspeld kan worden door de mate van belang die een persoon hecht aan de dissonante elementen. Uit onderzoek is dan ook gebleken dat belangrijke attitudes inderdaad goed kunnen worden weergegeven als een netwerk met een hoge connectiviteit (Dalege, Borsboom, van Harreveld, & van der Maas, 2015)

Een interessante volgende stap is het bekijken van individuele verschillen in netwerkstructuur over een bepaald attitude object. Sinds kort is dit mogelijk geworden doormiddel van een methode, die Multilevel Vector Autoregression (VAR) wordt genoemd (Bringmann, Visser, Wichers, Geschwind, Kuppens, Peeters, Borsboom & Tuerlinckx, 2013). Wat men in wezen doet bij een Multilevel VAR is het gemiddelde nemen van een aantal regressie analyses waarbij de onafhankelijke variabele de data van tijdstip T is en de afhankelijke variabele de data van tijdstip T+1. Het is hierbij dus van belang om gebruik te maken van time series sampling. Deze methode is in de klinsche psychologie al waardevol gebleken (Leemput et al., 2014). Om tot valide schattingen te komen bij de Multilevel VAR analyse is het belangrijk dat er niet te veel tijd tussen de metingen zit en dat de tijd tussen de metingen gelijk is (Bringmann et al., 2013). Daarom is er na elke nacht als het ware een reset van de metingen.

Ambivalentie

Om te voorkomen dat elke keer hetzelfde antwoord wordt gegeven en het dus niet mogelijk is een regressie analyse te doen op de data is het bij dit onderzoek van

belang dat er variantie in de antwoorden zit. Om een data set met enige variantie te krijgen, is gekozen voor een onderwerp waar potentieel enige ambivalentie over bestaat. Zo is gebleken dat ambivalente attitudes vatbaar zijn voor overreding en dat deze attitudes minder stabiel zijn over de tijd (Armitage, 2000). Ook is er gekozen voor een onderwerp wat veel in de media is. Zo wordt getracht een gemiddeld tot hoge mate van connectiviteit te krijgen binnen de netwerken van de proefpersonen. Een te hoge connectiviteit zou betekenen dat het heel moeilijk is om een verandering in de attitude te bewerkstelligen. Op het moment dat er iets gebeurt wat een evaluatie (knoop) zou beïnvloeden, wordt deze invloed geneutraliseerd door een reeks andere knopen. Er vind in zo’n geval pas verandering plaats vanaf een bepaalde

drempelwaarde waarna de attitude totaal verandert. Een te lage mate van

connectiviteit zou echter betekenen dat de verschillende knopen weinig tot geen invloed op elkaar hebben.

Het hebben van zowel erg positieve als negatieve evaluaties over een attitude object noemt men (potentiele) ambivalentie (Cacioppo & Berntson, 1994). Naast de potentiele ambivalentie bestaat er ook gevoelde ambivalentie. Dit is het negatieve gevoel dat ontstaat door het gepaard activeren van de positieve en negatieve evaluaties geassocieerd met het attitudeobject (Newby-Clark, Zanna & McGregor, 2002). Dit gevoel ontstaat doordat men dingen graag op een consistente manier ziet en een violation of consistency als onprettig ervaart (Zanna & Cooper, 1974). Potentiele ambivalentie hoeft niet gelijk te zijn aan de gevoelde ambivalentie aangezien mensen bijvoorbeeld in een bepaalde situatie niet over de negatieve aspecten nadenken, terwijl ze met dat attitude object wel negatieve associaties hebben.

Niet iedereen is echter even gevoelig voor deze inconsistentie. Er zijn

bepaalde persoonlijkheidskenmerken waardoor sommige mensen gevoeliger zijn dan anderen. Personal fear of invalidity (PFI) betreft de chronische persoonlijkheidstrek om bang te zijn foute beslissingen te maken. Mensen met een hoge mate van PFI zijn bang om eventuele negatieve consequenties over het hoofd te zien. Vandaar dat deze mensen evenredig gewicht proberen te geven aan zowel de voor- als nadelen en denken lang en diep na over hun beslissingen. Het gevolg hiervan is dat deze personen langer en aan meer ambivalentie worden blootgesteld. Het is dan ook niet verwonderlijk dat deze mensen een hogere mate van gevoelde ambivalentie

for consistency (PFC) heeft te maken met de mate waarin mensen comfortabel zijn

met inconsistentie. Mensen met een hoge PFC houden dus niet van ambivalentie aangezien er dan sprake is van inconsistentie.

Dit onderzoek

In dit onderzoek wordt gebruik gemaakt van timeseries sampling, om zo de individuele attitude van de proefpersonen over de vrijheid van meningsuiting in een netwerk model te beschrijven. Daarnaast zijn er enkele korte vragenlijsten om attitudebelang, PFI, PFC, potentiele- en gevoelde-ambivalentie te meten.

Attitudebelang en connectiviteit laten veel overeenkomstigheden zien. Aangezien eerder onderzoek al een verband tussen de twee heeft gevonden wordt verwacht dit effect ook in dit onderzoek te vinden. De tweede hypothese kan het best worden uitgelegd aan de hand van een analogie. Stel er zijn twee hele verschillende vrienden (potentiele ambivalentie) waarmee je wekelijks naar de sportschool gaat. De een is een feestbeest en de ander een rustig gamer. Op het moment dat je apart met die vrienden afspreekt na het sporten (lage connectiviteit) is er geen probleem (geen gevoelde ambivalentie). Als je echter na het sporten met beide vrienden afspreekt (hoge connectiviteit) weet je niet meer wat je moet doen (hoge mate van gevoelde ambivalentie). De tweede verwachting in dit onderzoek is daarom dat er een interactie is tussen objectieve ambivalentie en connectiviteit richting gevoelde ambivalentie. Hierbij wordt verwacht dat hoe hoger de connectiviteit en de objectieve ambivalentie, hoe hoger de gevoelde ambivalentie. Aangezien mensen met een hoge mate van PFC minder goed tegen inconsistentie kunnen dan mensen met een lage mate van PFC wordt er een zelfde soort interactie verwacht tussen PFC en potentiele ambivalentie als bij connectiviteit en potentiele ambivalentie. Vanwege het feit dat deze mensen inconsistentie (dissonantie) proberen te reduceren, wordt er verwacht PFC positief gecorreleerd is met connectiviteit. Tot slot zorgt PFI voor zowel het extra nadenken over de voor- en nadelen als voor een slecht gevoel bij het beoordelen van dit onderwerp. Hierdoor is de laatste verwachting dat PFI een voorspeller is voor gevoelde ambivalentie waarbij dit effect gedeeltelijk wordt gemedieerd door

potentiele ambivalentie. Een hoge PFI voorspelt een lage mate van zekerheid (Britt, Miljard, Sundareswaran, & Moore, 2009). Daarom wordt verwacht dat PFI negatief gecorreleerd is met connectiviteit. Tot slot de belangrijkste verwachting betreft de

structuur van de netwerken. Er wordt verwacht dat de positieve evaluaties onderling positief samenhangen en negatieve evaluaties ook onderling positief samenhangen. De verbindingen tussen de positieve en negatieve evaluaties worden verwacht negatief te zijn.

Methode

Deelnemers

Vierentwintig eerstejaarsstudenten van de opleiding Psychologie van de Universiteit van Amsterdam schreven zich in voor dit onderzoek. Voor hun deelname ontvingen zij 3 participatiepunten. Ook werd er na het onderzoek vijf keer twintig euro verloot onder de deelnemers. Dit werd gedaan om de motivatie te verhogen waardoor de vragenlijsten hopelijk zorgvuldiger werden ingevuld.

Materiaal

De online vragenlijst die drie maal per dag werd afgenomen, bestond uit elf items betreffende het onderwerp vrijheid van meningsuiting. Voorbeeld items zijn: “Alle onderwerpen in de samenleving moeten bespot kunnen worden.”, “ Er moet een beperking van vrijheid van meningsuiting komen bij het beledigen van andere

culturen en religies.” Om aan te geven in hoeverre deelnemers het eens zijn met de stelling hadden zij de mogelijkheid een slider te bewegen die liep van -50 (helemaal mee oneens) tot 50 (helemaal mee eens).

Om de PFI te meten werd de verkorte versie van de Personal Fear of Invalidity Scale (PFI(B)) gebruikt, ontwikkeld door Thompson en Naccarato (1989) De test heeft een betrouwbaarheid van a=.86. Deze vragenlijst bestaat uit 14 items die elk op een zespunts Likert-schaal kunnen worden beantwoord, variërend van 0 (volledig mee oneens) tot 5 (volledig mee eens). Voorbeeld vragen zijn: “Ik stel het maken van belangrijke beslissingen nooit uit”, “Keuzes wegen zelden zwaar op mijn schouders”. Na omscoring is de maximale score op de PFI(B) 5 hetgeen overeenkomt met een extreme angst om fouten te maken. De minimale score is 0 wat staat voor een extreem lage angst om fouten te maken. Deze vragenlijst is vanuit het Engels vertaald naar het Nederlands.

De potentiele ambivalentie werd gemeten met drie paar vragen, waarvan telkens één positief en één negatief geformuleerd werd (Newby-Clark, Zanna &

McGregor, 2002). De betrouwbaarheid van de positieve schaal was α=.49 en die van de negatieve α=.92. Alle vragen konden op een schaal van -50 (bijvoorbeeld “heel positief”) tot 50 (bijvoorbeeld “heel negatief”) worden beantwoord. Een

voorbeeldvraag is: “Denk aan jouw evaluatie van de vrijheid van meningsuiting. Als je alleen de bevorderlijke aspecten van de vrijheid van meningsuiting overweegt, en daarbij de schadelijke aspecten weg laat, hoe bevorderlijk vind je de vrijheid van meningsuiting dan”. De maximale score was 50 hetgeen overeenkomt met een extreem hoge potentiele ambivalentie. De minimale score was -100 hetgeen

overeenkomt met een extreem lage potentiele ambivalentie. Om de score te berekenen werd het gemiddelde genomen van de uitkomsten nadat de formule

((positief-negatief)/2)-|positief-negatief| was toegepast1. Deze vragenlijst is vanuit het Engels vertaald naar het Nederlands.

De vragen om gevoelde ambivalentie te meten waren: “Ik heb sterk gemixte gevoelens, zowel voor als tegen de vrijheid van meningsuiting, op hetzelfde moment” en “Ik voel me niet verscheurd tussen de twee kanten van de vrijheid van

meningsuiting”(Newby-Clark, Zanna & Mcgregor, 2002). Alle vragen konden op een schaal van -50 (helemaal mee oneens) tot 50 (helemaal mee eens) worden

beantwoord. Na omscoring is de maximale score 50 hetgeen overeenkomt met een hele hoge mate van gevoelde ambivalentie en de minimale score -50 hetgeen staat voor een hele lage mate van gevoelde ambivalentie. Deze vragenlijst is vanuit het Engels vertaald naar het Nederlands

Om PFC te meten werd gebruik gemaakt van de Preference for consistency brief scale (PFC-B), ontwikkeld door Cialdini en Trost (1995). De test had een betrouwbaarheid van a=.85. Deze vragenlijst bestaat uit achttien items die elk op een negenpunts Likert-schaal kunnen worden beantwoord, variërend van 0 (volledig mee oneens) tot 8 (volledig mee eens). Voorbeeldvragen zijn: “Ik ben het liefst met mensen wiens reacties niet onverwacht zijn”, “Ik hou er niet van inconsistent over te komen”. Na omscoring is de maximale score op de PFC-B gelijk aan 8 hetgeen

1 _{Deze formule zorgt echter voor enige uitkomsten die niet overeen komen met de literatuur. Zo}

is het met deze formule mogelijk om eenzelfde ambivalentie score te krijgen tussen iemand die totaal geen positieve en negatieve evaluaties heeft en iemand die hoog scoort op de ene schaal en lager op de andere. Door de formule aan te passen tot (positief-negatief)-|positief-negatief| wordt dit probleem opgelost. Ook wordt het probleem opgelost dat mensen die geen evaluatie hebben op een van de twee schalen met de originele formule toch verschillende scores in ambivalentie laten zien. Hoewel dit gunstig lijkt voor de zojuist beschreven formule, is de correlatie met gevoelde ambivalentie lager dan de originele formule. De originele formule is dan ook gebruikt in dit onderzoek.

overeenkomt met een extreem hoge voorkeur voor consistentie. De minimale score is 0 hetgeen overeenkomt met een extreem lage voorkeur voor consistentie. Deze vragenlijst is vanuit het Engels vertaald naar het Nederlands.

Procedure

Deelnemers die zich hadden opgegeven voor het onderzoek werden

uitgenodigd in het lab. De deelnemers konden daar onder toezicht van de proefleiders de vragenlijsten over gevoelde ambivalentie, attitude sterkte en de vrijheid van meningsuiting beantwoorden, zodat de proefleiders eventuele vragen konden beantwoorden. Alle deelnemers die dit hadden doorlopen werden op een lijst gezet, zodat zij driemaal daags (10:00, 15:00 en 20:00 uur) tien dagen lang een email kregen met daarin een link naar de vragenlijst. Deze vragenlijst dienden de deelnemers zo snel mogelijk te beantwoorden. Dit kon op een computer of met een smartphone. De laatste vragenlijst bevatte tevens de vragen over gevoelde ambivalentie, potentiele ambivalentie, attitude sterkte, PFI en PFC.

Analyses

Voor het verkrijgen van de netwerk structuur wordt gebruik gemaakt van de Multilevel VAR methode (Bringmann et al., 2013). Na het verkrijgen van de regressie gewichten via deze methode kan de connectiviteit worden berekend door het

gemiddelde te nemen van deze regressie gewichten.

Vervolgens moeten de assumpties (onder andere normaliteit, homoscedastiteit, outliers, correlaties en lineairiteit) en de betrouwbaarheid van de vragenlijsten getest worden.

Om de relatie tussen connectiviteit en attitudebelang te onderzoeken wordt de data gesplitst in twee groepen. Een groep met hoog en een met laag attitudebelang. Daarna wordt er een (1-tailed) independent samples t-test gedaan om te zien of de connectiviteit in de groep met een hoog attitudebelang gemiddeld hoger is dan in de groep met laag attitudebelang. Dezelfde methode wordt gebruikt voor PFI en PFC om hun relatie met connectiviteit te onderzoeken.

Aangezien er verwacht wordt dat de potentiele ambivalentie de maximale waarde van de gevoelde ambivalentie bepaalt en de connectiviteit hierbij bepaalt welk deel van de potentiele ambivalentie daadwerkelijk tot gevoelde ambivalentie leidt, moet er gebruikt worden gemaakt van een regressie analyse met een interactie.

Ook de verwachting dat de hoogte van PFC bepaalt hoe erg men de potentiele ambivalentie uiteindelijk ervaart (gevoelde ambivalentie) leidt tot het analyseren doormiddel van een regressie analyse met een interactie.

De verwachting wat betreft PFI is dat een hoge mate hiervan leidt tot zowel een hoge potentiele als gevoelde ambivalentie. Om te testen of het effect van PFI op gevoelde ambivalentie loopt via potentiele ambivalentie, wordt gebruik gemaakt van een mediatie analyse.

Resultaten

Na het uitsluiten van de deelnemers die te weinig vragenlijsten hadden ingevuld bleven er 23 deelnemers over, vier mannen en negentien vrouwen.

Bij het analyseren van de data met de Multilevel VAR methode is vanwege het lage aantal proefpersonen uiteindelijk gekozen voor het gebruiken van 6 van de in totaal 11 vragen*. De face validity van verkregen resultaten was goed en er werden weinig correlaties gevonden die niet leken te kloppen. Ook werd bij nagenoeg elk item een positieve correlatie met zichzelf gevonden. De gevonden feedback loops leken dus valide. De connectiviteit werd vervolgens berekend door het gemiddelde te nemen van de gevonden regressiegewichtenwaardes uit de Multilevel VAR (M=.17, sd=.04). Uit de Shapiro-Wilk test bleek dat alle variabelen normaal verdeeld waren behalve connectiviteit. Er bleken twee outliers in deze variabele te zitten die voor deze scheve verdeling zorgde. Gezien het lage aantal proefpersonen zijn outliers echter te verwachten. Er is daarom gekozen voor het niet verwijderen van deze personen uit de analyses2.

Afbeelding 1

2 _{Wanneer deze outliers wel worden verwijderd uit de analyse wordt de correlatie tussen}

connectiviteit en attitudebelang marginaal significant. De correlatie tussen PFI en connectiviteit verdwijnt na het verwijderen van de outliers.

Afbeelding 1 laat de geschatte netwerkstructuur zien van iemand met een lage connectiviteit.

Afbeelding 2 laat de geschatte netwerkstructuur zien van iemand met een hoge connectiviteit.

Uit een correlatie tussen de twee variabelen die gevoelde ambivalentie trachtte te meten bleek dat zij slechts een correlatie hadden van r=.34, wat marginaal significant is p=.054. Op de laatste vragenlijst bleek zelfs dat de vragen helemaal niet meer significant correleerden r=.19, p=.19.

Bij de analyse naar de relatie tussen connectiviteit en attitudebelang (zie plot1) bleek de assumptie van gelijkheid van variantie geschonden F(21)=12.96, p=.002. Na hiervoor gecontroleerd te hebben bleek zoals verwacht de lage attitudebelang-groep (M=.16 sd=.02) vergeleken tot de hoge attitudebelang-groep (M=.19, sd=.05) gemiddeld een lagere connectiviteit te hebben, t(12.48)=-2.16, p=.0256.

Plot1

De lage PFC groep M=.17sd=.04 vergeleken met de hoge PFC groep (M=.17 sd=.04) liet niet het verwachte verschil zien t(21)=.22, p=.414, zie plot2.

Plot2

Ook bij PFI bleek na het opslitsen van de data niet aan de assumptie van gelijkheid van variantie te zijn geschonden F(21)=5.91, p=.024. Na hiervoor gecontroleerd te hebben bleek zoals verwacht de lage PFI groep (M=.19 sd=.05) vergeleken met de hoge PFI groep (M=.16 sd=.02) gemiddeld een hogere connectiviteit te hebben t(14.38)=1.92, p=.038, zie plot3

Plot3

Aan de assumpties voor de regressie analyses werd voldaan. Uit de eerste regressie analyse (zie Grafiek1) van potentiele ambivalentie en connectiviteit op gevoelde ambivalentie kwamen geen significante effecten. Het model verklaarde 7.3% van de variantie F(3,19)=.50, p=.689, zie tabel 1 voor het lineaire model van prediktoren.

Tabel 1

Prediktoren van gevoelde ambivalentie

Prediktor b SE B t p Constante 35.79 24.39 1.47 .159 PotentieleAmbivalentie . 012 .12 -.83 .10 .921 Connectiviteit -229.73 138.43 -1.66 .113 PotentieleAmbivalentie* Connectiviteit -5.48 6.59 -.83 .416 Tabel 2

Prediktoren van gevoelde ambivalentie

Prediktor b SE B t p Constante 18.51 17.37 1.07 .300 PotentieleAmbivalentie .01 .13 .07 .948 PFC -5.47 4.07 -1.34 .195 PotentieleAmbivalentie* PFC -1.54 5.46 -.28 .781 Tabel 3

Prediktoren van gevoelde ambivalentie

De tweede interactie analyse (grafiek 2) was een regressie van potentiele ambivalentie en PFC op de gevoelde ambivalentie. Wederom kwamen er geen significante effecten naar boven. Het model verklaarde 9% van de variantie F(3,19)=.62, p=.609, zie tabel 2 voor het lineaire model van prediktoren.

Grafiek2

Constante -18.295 24.88 -.74 .471

PotentieleAmbivalentie -.02 .15 -.11 .913

Om het effect van potentiele ambivalentie en PFI op de gevoelde ambivalentie te meten zou een mediatie analyse moeten worden uitgevoerd. Uit een regressie analyse van PFI en potentiele ambivalentie op gevoelde ambivalentie bleek echter geen enkele variabele een significante predictor te zijn en deze is dus niet uitgevoerd. De zojuist genoemde regressie verklaarde 2.2% van de variantie, F(2,20)=.22, p=.802. Zie tabel 3 voor het lineaire model van prediktoren.

Discussie

In deze studie werd bewijs geleverd voor bruikbaarheid van het CAN model om interindividuele attitudes in kaart te brengen. Naast het valideren van eerder onderzoek en het CAN model werden enkele hypotheses over verband tussen persoonlijkheid en ambivalentie getest. De voorspelling over de samenhang tussen positieve en negatieve evaluaties in het netwerk leek grotendeels te kloppen. Dit geeft bewijs voor de validiteit van het CAN model en zou gezien kunnen worden als een uiting van evaluatieve consistentie. De verwachting dat er clusters zouden ontstaan van positieve en van negatieve items kwam niet uit. Het niet vinden van clusters en het vinden van soms merkwaardige verbindingen zou verklaard kunnen worden door het gebruikte attitude object. Gezien het feit dat er is gekozen voor een onderwerp waar mogelijk veel ambivalentie over bestaat zou dit de bevindingen kunnen

verklaren. Doordat men zowel veel positieve als veel negatieve evaluaties heeft over hetzelfde attitude object zijn de verschillende items wellicht op een minder

conventionele manier gelinkt. Een opmerkelijke bevinding is dat de vraag over internet bij de meeste netwerken de hoogste centraliteit had. Dat deze evaluatie binnen dit attitude object een grote rol speelt, lijkt evident. Het zou echter ook kunnen dat de huidige generatie extra waarde hecht aan internet (of computer) gerelateerde zaken. Vervolg onderzoek zou dit moeten uitsluiten.

Verder heeft dit onderzoek aangetoond dat het weergeven van de netwerk structuur van attitudes mogelijk is over tijd. Door naar specifieke punten in de tijd te kijken zou het met deze manier mogelijk zijn om bepaalde veranderingen weer te geven. Zo zou het mogelijk zijn om te achterhalen hoe een verandering in de attitude tot stand is gekomen. Wanneer men een verandering in valentie van de attitude ziet,

kan men achterhalen welke knopen hiervoor de oorzaak waren.

Net als in eerder onderzoek is gevonden dat attitudebelang voorspellend te zijn voor de connectiviteit. Dit levert opnieuw bewijs dat attitudebelang in een

netwerkstructuur kan worden beschreven door de connectiviteit. De nieuw gestelde hypothese over een negatieve samenhang tussen PFI en connectiviteit werd ook bevestigd in dit onderzoek. De unieke weergave van attitude in het CAN model heeft dit mogelijk gemaakt. Deze bevinding levert nieuwe inzichten in PFI. Zo zou in volgend onderzoek gekeken kunnen worden of mensen met een hoge PFI gemakkelijk hun attitude veranderen na het krijgen van overtuigende informatie. In een netwerk met hoge connectiviteit zou deze informatie dankzij invloed van andere knopen geneutraliseerd worden. In een netwerk met een lagere connectiviteit is dit echter niet het geval. De samenhang tussen PFC en connectiviteit bleek niet significant. Dit zou kunnen betekenen dat mensen met een hoge PFC wel liever consistent zijn in hun attitude, maar dit niet per se zijn.

De verwachtingen die vooraf over gevoelde en potentiele ambivalentie werden gesteld bleken helaas niet uit dit onderzoek. Dit zou echter aan de vragenlijsten

kunnen liggen. Een van de twee schalen om potentiele ambivalentie te meten bleek niet betrouwbaar te zijn en de correlatie tussen de twee vragen die gevoelde

ambivalentie moesten meten was hoewel significant erg laag (op het tweede

meetmoment was deze zelfs niet meer significant). Wellicht dat in de toekomst betere maten gevonden dienen te worden voor zowel gevoelde als potentiele ambivalentie. Een betere (zij het tijdrovende) manier om mensen de tijd te geven alle positieve en negatieve evaluaties over een attitude object te bedenken en op te schrijven en om deze vervolgens een bepaald gewicht (persoonlijk belang) toe te kennen. Dit zou mensen wellicht helpen met het los kijken naar de positieve en negatieve aspecten van een attitude object. Of er echter altijd een samenhang zal blijven (zoals de structuur van de netwerken in dit onderzoek doet geloven) is echter een vraag die momenteel niet beantwoord kan worden. Ook moet nader worden gekeken naar de formule om potentiele ambivalentie te berekenen. Hoewel de voorgestelde formule in dit

onderzoek enige theoretische problemen oplost, lijkt het niet te kloppen met de data. Een kanttekening bij dit onderzoek is het lage aantal deelnemers. Een volgend onderzoek met een groter aantal deelnemers waarbij alle deelnemers betaald krijgen voor hun bijdrage zou meer zekerheid in de validiteit van de gevonden resultaten geven. Het ontvangen van geld in plaats van participatie punten zorgt wellicht voor

het zorgvuldiger invullen van de vragenlijsten, doordat mensen het als werk kunnen zien in plaatst van iets waar ze even doorheen moeten.

Ook interessant volgend onderzoek gebruik makend van het CAN model zou een soort netwerk dagboek zijn. Een ruim scala aan items waaronder meer items die de affectieve en gedrag componenten van attitude vertegenwoordigen, zou potentieel veel nieuwe informatie verschaffen over de manier waarop gedragingen affect en cognities invloed op elkaar uitoefenen. Hierbij zou centraliteit een grote rol kunnen spelen. Aangezien netwerk modellen het identificeren van knopen met een hoge centraliteit en de knopen waarmee zij samenhangen gemakkelijk maken, zijn netwerk modellen uitermate geschikt om te ontdekken wat en op welke manier belangrijk is in het vormen van een (individuele) attitude richting een bepaald attitude object.

Conclusie

In dit artikel werd een small world structuur gevonden bij het schatten van de individuele netwerken van proefpersonen die dagelijks vragenlijsten over de vrijheid van meningsuiting in hadden ingevuld. Er is bewijs geleverd dat het CAN model met behulp van Multilevel VAR gebruikt kan worden om individuele netwerken te schatten. Daarnaast is er wederom gevonden dat attitudebelang samenhangt met de connectiviteit van het netwerk. Ook is in dit artikel gekeken naar de

persoonlijkheidskenmerken PFC en PFI. PFI bleek negatief samen te hangen met connectiviteit wat meer inzicht in deze persoonlijkheidstrek geeft. De andere

hypotheses betreffende de link tussen potentiele en gevoelde ambivalentie zouden in een vervolg onderzoek nogmaals onderzocht moeten worden. Hoewel het CAN model nog jong is lijkt het veel belovend. Doordat het model empirische data dynamisch kan weergeven heeft dit model de mogelijkheid verschillende theorieën te integreren in één model, wat zorgt voor nieuwe inzichten in en beter begrip van attitudes.

Literatuurlijst

Armitage, C. J., & Conner, M. (2000). Attitudinal ambivalence: A test of three key hypotheses. Personality and Social Psychology Bulletin, 26(11), 1421-1432 Borsboom, D., & Cramer, A. O. (2013). Network analysis: an integrative approach to the structure of psychopathology. Annual review of clinical psychology, 9, 91-121. Breckler, S. J. (1984). Empirical validation of affect, behavior, and cognition as

distinct components of attitude. Journal of personality and social psychology,

47(6), 1191.

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)

Britt, T. W., Millard, M. R., Sundareswaran, P. T., & Moore, D. (2009). Personality Variables Predict Strength‐Related Attitude Dimensions Across Objects. Journal

of personality, 77(3), 859-882.

Cacioppo, J. T., & Berntson, G. G. (1994). Relationship between attitudes and evaluative space: A critical review, with emphasis on the separability of positive and negative substrates. Psychological bulletin, 115(3), 401.

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 Journal of

Personality, 26(4), 414-431.

Cramer, A. O., Waldorp, L. J., van der Maas, H. L., & Borsboom, D. (2010). Comorbidity: A network perspective. Behavioral and Brain Sciences, 33(2-3), 137-150.

Dalege, J., Borsboom, D., van Harreveld, F., van den Berg, H., Conner, M., & van der Maas, H. L. Toward a Dynamical Conception of Attitudes: Introducing the

Dalege, J., Borsboom, D., van Harreveld, F.,& van der Maas, H. L. Strenght = Connectivity? The Relation between Attitude Strength and Connectivity of Attitude Networks.

Festinger, L. A theory of cognitive dis- sonance. Stanford: Stanford University Press, 1957.

Gai, P., & Kapadia, S. (2010, March). Contagion in financial networks. In

Proceedings of the Royal Society of London A: Mathematical, Physical and Engineering Sciences (p. rspa20090410). The Royal Society.

Huskinson, T. L., & Haddock, G. (2004). Individual differences in attitude structure: Variance in the chronic reliance on affective and cognitive information. Journal of

Experimental Social Psychology, 40(1), 82-90.

Manrubia, S. C., & Mikhailov, A. S. (1999). Mutual synchronization and clustering in randomly coupled chaotic dynamical networks. Physical review E, 60(2), 1579. Milgram, S. (1967). The small world problem. Psychology today, 2(1), 60-67. Monroe, B. M., & Read, S. J. (2008). A general connectionist model of attitude

structure and change: The ACS (Attitudes as Constraint Satisfaction) model.

Psychological Review, 115(3), 733.

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(2), 157. Schmittmann, V. D., Cramer, A. O., Waldorp, L. J., Epskamp, S., Kievit, R. A., &

Borsboom, D. (2013). Deconstructing the construct: A network perspective on psychological phenomena. New ideas in psychology, 31(1), 43-53.

Watts, D. J., & Strogatz, S. H. (1998). Collective dynamics of ‘small-world’networks.

nature, 393(6684), 440-442.

Zanna, M. P., & Cooper, J. (2000). Dissonance and the pill: An attribution approach to studying the arousal properties of dissonance.

*Appendix

Vragenlijst vrijheid van meningsuiting

1.Wanneer striptekeningen potential een cultuur of religie beledigen, moeten deze striptekeningen worden verboden.

2. Politici mogen xeggen wat van een onderwerp vinden, ook als ze hier potential een groep mee kwetsen.

3. Mensen die mij vertellen dat je bepaalde dingen niet mag zeggen, maken mij boos. 4. Bepaalde meningen op het internet mogen gecensureerd worden, om op die manier

politieke stabiliteit te waarborgen.

5. Als iemand mij kan kwetsen door zijn mening te uiten, heb ik liever dat diegene zijn mening voor zich houdt.

6. Zelfs als ik het met iemand oneens ben, vind ik dat diegene zijn mening moet kunnen uiten.