Mathematical Psychology

This project investigates mathematical psychology's historical and philosophical foundations to clarify its distinguishing characteristics and relationships to adjacent fields. Through gathering primary sources, histories, and interviews with researchers, author Prof. Colin Allen - University of Pittsburgh [1, 2, 3] and his students Osman Attah, Brendan Fleig-Goldstein, Mara McGuire, and Dzintra Ullis have identified three central questions:

What makes the use of mathematics in mathematical psychology reasonably effective, in contrast to other sciences like physics-inspired mathematical biology or symbolic cognitive science?
How does the mathematical approach in mathematical psychology differ from other branches of psychology, like psychophysics and psychometrics?
What is the appropriate relationship of mathematical psychology to cognitive science, given diverging perspectives on aligning with this field?

Preliminary findings emphasize data-driven modeling, skepticism of cognitive science alignments, and early reliance on computation. They will further probe the interplay with cognitive neuroscience and contrast rational-analysis approaches. By elucidating the motivating perspectives and objectives of different eras in mathematical psychology's development, they aim to understand its past and inform constructive dialogue on its philosophical foundations and future directions. This project intends to provide a conceptual roadmap for the field through integrated history and philosophy of science.

The Project: Integrating History and Philosophy of Mathematical Psychology

This project aims to integrate historical and philosophical perspectives to elucidate the foundations of mathematical psychology. As Norwood Hanson stated, history without philosophy is blind, while philosophy without history is empty. The goal is to find a middle ground between the contextual focus of history and the conceptual focus of philosophy.

The team acknowledges that all historical accounts are imperfect, but some can provide valuable insights. The history of mathematical psychology is difficult to tell without centering on the influential Stanford group. Tracing academic lineages and key events includes part of the picture, but more context is needed to fully understand the field's development.

The project draws on diverse sources, including research interviews, retrospective articles, formal histories, and online materials. More interviews and research will further flesh out the historical and philosophical foundations. While incomplete, the current analysis aims to identify important themes, contrasts, and questions that shaped mathematical psychology's evolution. Ultimately, the goal is an integrated historical and conceptual roadmap to inform contemporary perspectives on the field's identity and future directions.

The Rise of Mathematical Psychology

The history of efforts to mathematize psychology traces back to the quantitative imperative stemming from the Galilean scientific revolution. This imprinted the notion that proper science requires mathematics, leading to "physics envy" in other disciplines like psychology.

Many early psychologists argued psychology needed to become mathematical to be scientific. However, mathematizing psychology faced complications absent in the physical sciences. Objects in psychology were not readily present as quantifiable, provoking heated debates on whether psychometric and psychophysical measurements were meaningful.

Nonetheless, the desire to develop mathematical psychology persisted. Different approaches grappled with determining the appropriate role of mathematics in relation to psychological experiments and data. For example, Herbart favored starting with mathematics to ensure accuracy, while Fechner insisted experiments must come first to ground mathematics.

Tensions remain between data-driven versus theory-driven mathematization of psychology. Contemporary perspectives range from psychometric and psychophysical stances that foreground data to measurement-theoretical and computational approaches that emphasize formal models.

Elucidating how psychologists negotiated to apply mathematical methods to an apparently resistant subject matter helps reveal the evolving role and place of mathematics in psychology. This historical interplay shaped the emergence of mathematical psychology as a field.

The Distinctive Mathematical Approach of Mathematical Psychology

What sets mathematical psychology apart from other branches of psychology in its use of mathematics?

Several key aspects stand out:

Advocating quantitative methods broadly. Mathematical psychology emerged partly to push psychology to embrace quantitative modeling and mathematics beyond basic statistics.
Drawing from diverse mathematical tools. With greater training in mathematics, mathematical psychologists utilize more advanced and varied mathematical techniques like topology and differential geometry.
Linking models and experiments. Mathematical psychologists emphasize tightly connecting experimental design and statistical analysis, with experiments created to test specific models.
Favoring theoretical models. Mathematical psychology incorporates "pure" mathematical results and prefers analytic, hand-fitted models over data-driven computer models.
Seeking general, cumulative theory. Unlike just describing data, mathematical psychology aspires to abstract, general theory supported across experiments, cumulative progress in models, and mathematical insight into psychological mechanisms.

So while not unique to mathematical psychology, these key elements help characterize how its use of mathematics diverges from adjacent fields like psychophysics and psychometrics. Mathematical psychology carved out an identity embracing quantitative methods but also theoretical depth and broad generalization.

Situating Mathematical Psychology Relative to Cognitive Science

What is the appropriate perspective on mathematical psychology's relationship to cognitive psychology and cognitive science? While connected historically and conceptually, essential distinctions exist.

Mathematical psychology draws from diverse disciplines that are also influential in cognitive science, like computer science, psychology, linguistics, and neuroscience. However, mathematical psychology appears more skeptical of alignments with cognitive science.

For example, cognitive science prominently adopted the computer as a model of the human mind, while mathematical psychology focused more narrowly on computers as modeling tools.

Additionally, mathematical psychology seems to take a more critical stance towards purely simulation-based modeling in cognitive science, instead emphasizing iterative modeling tightly linked to experimentation.

Overall, mathematical psychology exhibits significant overlap with cognitive science but strongly asserts its distinct mathematical orientation and modeling perspectives. Elucidating this complex relationship remains an ongoing project, but preliminary analysis suggests mathematical psychology intentionally diverged from cognitive science in its formative development.

This establishes mathematical psychology's separate identity while retaining connections to adjacent disciplines at the intersection of mathematics, psychology, and computation.

Looking Ahead: Open Questions and Future Research

This historical and conceptual analysis of mathematical psychology's foundations has illuminated key themes, contrasts, and questions that shaped the field's development. Further research can build on these preliminary findings.

Additional work is needed to flesh out the fuller intellectual, social, and political context driving the evolution of mathematical psychology. Examining the influences and reactions of key figures will provide a richer picture.

Ongoing investigation can probe whether the identified tensions and contrasts represent historical artifacts or still animate contemporary debates. Do mathematical psychologists today grapple with similar questions on the role of mathematics and modeling?

Further analysis should also elucidate the nature of the purported bidirectional relationship between modeling and experimentation in mathematical psychology. As well, clarifying the diversity of perspectives on goals like generality, abstraction, and cumulative theory-building would be valuable.

Finally, this research aims to spur discussion on philosophical issues such as realism, pluralism, and progress in mathematical psychology models. Is the accuracy and truth value of models an important consideration or mainly beside the point? And where is the field headed - towards greater verisimilitude or an indefinite balancing of complexity and abstraction?

By spurring reflection on this conceptual foundation, this historical and integrative analysis hopes to provide a roadmap to inform constructive dialogue on mathematical psychology's identity and future trajectory.

The SDTEST^®

The SDTEST^® is a simple and fun tool to uncover our unique motivational values that use mathematical psychology of varying complexity.

The SDTEST^® helps us better understand ourselves and others on this lifelong path of self-discovery.

Here are reports of polls which SDTEST^® makes:

1) A vállalatok cselekedetei az elmúlt hónapban (igen / nem) a személyzettel kapcsolatban

2) Az elmúlt hónapban a személyzethez kapcsolódó vállalatok cselekedetei (tényleg%)

3) Félelem

4) A legnagyobb problémák az én hazám előtt állnak

5) Milyen tulajdonságokat és képességeket használnak a jó vezetők a sikeres csapatok építéséhez?

6) Google. A csapat hatékonyságát befolyásoló tényezők

7) Az álláskeresők fő prioritásai

8) Mi teszi a főnököt nagyszerű vezetővé?

9) Mi teszi az embereket sikeresvé a munkahelyen?

10) Készen áll arra, hogy kevesebb fizetésben részesüljön távolról?

11) Létezik -e az ageizmus?

12) Ageizmus a karrierben

13) Ageizmus az életben

14) Az ageizmus okai

15) Azok az okok, amelyek miatt az emberek feladják (Anna Vital)

16) BIZALOM (#WVS)

17) Oxford boldogság felmérés

18) Pszichológiai jólét

19) Hol lenne a következő legizgalmasabb lehetőséged?

20) Mit fog tenni ezen a héten, hogy vigyázzon a mentális egészségére?

21) A múltra, a jelenre vagy a jövőmre gondolok

22) Rovat

23) Mesterséges intelligencia és a civilizáció vége

24) Miért halasztják az emberek?

25) Nemi különbség az önbizalom építésében (IFD Allensbach)

26) Xing.com kev ntsuam xyuas kab lis kev cai

27) Patrick Lencioni "A csapat öt diszfunkciója" című filmje

28) Az empátia ...

29) Mi elengedhetetlen az informatikai szakemberek számára az állásajánlat kiválasztásában?

30) Miért ellenállnak az emberek a változásoknak (Siobhán McHale)

31) Hogyan szabályozza az érzelmeit? (Nawal Mustafa M.A.)

32) 21 olyan készségek, amelyek örökké fizetnek neked (Jeremiah Teo / 赵汉昇)

33) Az igazi szabadság ...

34) 12 módszer másokkal való bizalom kiépítésének (Justin Wright által)

35) A tehetséges alkalmazott jellemzői (a Tehetségkezelő Intézet által)

36) 10 kulcs a csapat motiválásához

37) Lelkiismeret algebra (Vlagyimir Lefebvre)

38) A jövő három különböző lehetősége (Dr. Clare W. Graves)

39) Intézkedések a megingathatatlan önbizalom kiépítésére (Suren Samarchyan)

40)

Below you can read an abridged version of the results of our VUCA poll “Fears“. The full version of the results is available for free in the FAQ section after login or registration.

Félelem

táblázatokKorreláció

VUCA

Kritikus értéke a korrelációs együttható

Normál eloszlás: William Sealy Gosset (hallgató) r = 0.0312

Nem normális eloszlás, Spearman készítette r = 0.0013

Csak eredményeket mutat > r = 0.0312

terjesztés	Nem normális	Nem normális	Nem normális	Normál	Normál	Normál	Normál	Normál
Minden kérdés Minden kérdés A legnagyobb félelem
A legnagyobb félelem
Answer 1	-	Gyenge pozitív 0.0517	Gyenge pozitív 0.0212	Gyenge negatív -0.0193	Gyenge pozitív 0.0971	Gyenge pozitív 0.0402	Gyenge negatív -0.0152	Gyenge negatív -0.1552
Answer 2	-	Gyenge pozitív 0.0168	Gyenge negatív -0.0064	Gyenge negatív -0.0395	Gyenge pozitív 0.0642	Gyenge pozitív 0.0528	Gyenge pozitív 0.0119	Gyenge negatív -0.0964
Answer 3	-	Gyenge negatív -0.0051	Gyenge negatív -0.0068	Gyenge negatív -0.0433	Gyenge negatív -0.0391	Gyenge pozitív 0.0497	Gyenge pozitív 0.0741	Gyenge negatív -0.0275
Answer 4	-	Gyenge pozitív 0.0435	Gyenge pozitív 0.0321	Gyenge negatív -0.0272	Gyenge pozitív 0.0168	Gyenge pozitív 0.0428	Gyenge pozitív 0.0238	Gyenge negatív -0.1060
Answer 5	-	Gyenge pozitív 0.0199	Gyenge pozitív 0.1239	Gyenge pozitív 0.0113	Gyenge pozitív 0.0762	Gyenge pozitív 0.0008	Gyenge negatív -0.0162	Gyenge negatív -0.1754
Answer 6	-	Gyenge negatív -0.0029	Gyenge pozitív 0.0037	Gyenge negatív -0.0599	Gyenge negatív -0.0067	Gyenge pozitív 0.0238	Gyenge pozitív 0.0836	Gyenge negatív -0.0370
Answer 7	-	Gyenge pozitív 0.0085	Gyenge pozitív 0.0312	Gyenge negatív -0.0622	Gyenge negatív -0.0289	Gyenge pozitív 0.0515	Gyenge pozitív 0.0683	Gyenge negatív -0.0533
Answer 8	-	Gyenge pozitív 0.0641	Gyenge pozitív 0.0683	Gyenge negatív -0.0239	Gyenge pozitív 0.0111	Gyenge pozitív 0.0414	Gyenge pozitív 0.0160	Gyenge negatív -0.1347
Answer 9	-	Gyenge pozitív 0.0749	Gyenge pozitív 0.1569	Gyenge pozitív 0.0077	Gyenge pozitív 0.0616	Gyenge negatív -0.0038	Gyenge negatív -0.0526	Gyenge negatív -0.1830
Answer 10	-	Gyenge pozitív 0.0758	Gyenge pozitív 0.0590	Gyenge negatív -0.0134	Gyenge pozitív 0.0243	Gyenge pozitív 0.0357	Gyenge negatív -0.0112	Gyenge negatív -0.1332
Answer 11	-	Gyenge pozitív 0.0619	Gyenge pozitív 0.0495	Gyenge negatív -0.0083	Gyenge pozitív 0.0100	Gyenge pozitív 0.0314	Gyenge pozitív 0.0209	Gyenge negatív -0.1277
Answer 12	-	Gyenge pozitív 0.0405	Gyenge pozitív 0.0898	Gyenge negatív -0.0316	Gyenge pozitív 0.0344	Gyenge pozitív 0.0338	Gyenge pozitív 0.0248	Gyenge negatív -0.1529
Answer 13	-	Gyenge pozitív 0.0696	Gyenge pozitív 0.0934	Gyenge negatív -0.0373	Gyenge pozitív 0.0306	Gyenge pozitív 0.0423	Gyenge pozitív 0.0114	Gyenge negatív -0.1626
Answer 14	-	Gyenge pozitív 0.0820	Gyenge pozitív 0.0859	Gyenge negatív -0.0008	Gyenge negatív -0.0128	Gyenge pozitív 0.0081	Gyenge pozitív 0.0119	Gyenge negatív -0.1216
Answer 15	-	Gyenge pozitív 0.0570	Gyenge pozitív 0.1203	Gyenge negatív -0.0320	Gyenge pozitív 0.0101	Gyenge negatív -0.0125	Gyenge pozitív 0.0252	Gyenge negatív -0.1162
Answer 16	-	Gyenge pozitív 0.0700	Gyenge pozitív 0.0199	Gyenge negatív -0.0377	Gyenge negatív -0.0397	Gyenge pozitív 0.0759	Gyenge pozitív 0.0147	Gyenge negatív -0.0755

Export MS Excel

Ez a funkcionalitás elérhető lesz a saját VUCA-szavazásodban

Rendben

You can not only just create your poll in the Tarifa «V.U.C.A poll tervező» (with a unique link and your logo) but also you can earn money by selling its results in the Tarifa «Szavazóhely», as already the authors of polls.

If you participated in VUCA polls, you can see your results and compare them with the overall polls results, which are constantly growing, in your personal account after purchasing Tarifa «Saját SDT»

[1] https://twitter.com/wileyprof

[2] https://colinallen.dnsalias.org

[3] https://philpeople.org/profiles/colin-allen

2023.10.13

FearpersonqualitiesprojectorganizationalstructureRACIresponsibilitymatrixCritical ChainProject Managementfocus factorJiraempathyleadersbossGermanyChinaPolicyUkraineRussiawarvolatilityuncertaintycomplexityambiguityVUCArelocatejobproblemcountryreasongive upobjectivekeyresultmathematicalpsychologyMBTIHR metricsstandardDEIcorrelationriskscoringmodelGame TheoryPrisoner's Dilemma

Valerii Kosenko

Terméktulajdonos SaaS SDTEST®

Valerii 1993-ban szerzett szociálpedagógus-pszichológus képesítést, és azóta a projektmenedzsmentben kamatoztatja tudását.
Valerii 2013-ban szerzett mesterfokozatot és projekt- és programmenedzseri képesítést. Mesterképzése során megismerkedett a Project Roadmap-vel (GPM Deutsche Gesellschaft für Projektmanagement e. V.) és a Spiráldinamikával.
Valerii a V.U.C.A. bizonytalanságának feltárásának szerzője. koncepció a spiráldinamika és a matematikai statisztika segítségével a pszichológiában, valamint 38 nemzetközi közvélemény-kutatás.

Ennek a bejegyzésnek van 0 Hozzászólások

Válaszolni

A válasz törlése

Hagyja meg a megjegyzését