प्रतिकृति और मनोवैज्ञानिक लचीलापन पर

किसी प्रियजन, प्राकृतिक आपदा, एक आतंकवादी हमले या किसी अन्य खतरनाक अनुभव के नुकसान के लिए लोग कितने लचीले हैं? सवाल जाहिर है एक महत्वपूर्ण, और एक लंबे समय के लिए, यह माना गया था जवाब था: नहीं बहुत। आंशिक रूप से क्योंकि प्रारंभिक शोध में क्लिनिकल आबादी प्रबल हो गयी थी, ऐसा प्रतीत होता है कि अधिकांश लोगों ने महत्वपूर्ण विपत्तियां प्राप्त करने के लिए बहुत समय लगा।

अब हम जानते हैं कि यह सच नहीं है। हम इसे कई उत्पीड़न घटनाओं (आतंकवादी हमलों, सैन्य परिनियोजन, और शोक, स्तन कैंसर की सर्जरी, दर्दनाक चोट और दिल का दौरा करने के लिए बड़े पैमाने पर गोलीबारी से) की जांच करने के लिए पर्याप्त साहित्य के आधार पर जानते हैं।

ज्यादातर लोगों को इन अनुभवों के माध्यम से मिलता है वे कुछ शुरुआती अपेक्षाकृत अल्पकालिक संकट का अनुभव कर सकते हैं, लेकिन बाद में वे अपने पिछले कार्य पर वापस लौट आते हैं, सकारात्मक भावनाओं का सामना करने में सक्षम रहते हैं, और उत्पादनशील अनुभवों की क्षमता बनाए रखती हैं। किसी और से ज्यादा, जॉर्ज बोन्नो, शिक्षक कॉलेज कोलंबिया विश्वविद्यालय के एक प्रोफेसर, ने इन क्षमताओं को एक व्यापक और उच्च-उद्धृत कार्य के रूप में दर्शाया है। उन्होंने संभावित रूप से दर्दनाक अनुभवों और उनके साथ सामना करने के तरीके के बारे में लोगों की भेद्यता के बारे में कई गलत वर्तनी वाली धारणाओं को उलटा दिया है।

फिर भी, एक हालिया पत्र लोनिलो परिणामों के प्रभाव का प्रदर्शन करते हुए दो हाल के कागजात "दोहराने" की कोशिश करके बोनोनो के कार्य में स्क्वायर उद्देश्य लेता है। (पूर्ण प्रकटीकरण: मैं बोनानो के एक लंबे समय के मित्र और सहयोगी हूं, एक अखबार के पहले लेखक और दूसरे पर तीसरा लेखक। इस ब्लॉग पोस्ट को लिखने में उनका कोई हिस्सा नहीं था।)

लचीलापन कैसे आम है?

एरिजोना राज्य के एक सहायक प्रोफेसर फ्रैंक इंफर्ना और ऐरीज़ोना राज्य में एक प्रोफेसर और बचपन के लचीलेपन के एक प्रसिद्ध विद्वान, एक प्रतिष्ठित पत्रिका पर परिप्रेक्ष्य पत्र, Perspectives on Psychology Science , में प्रकाशित एक हकदार है: " मेजर लाइफ स्ट्रेसर्स के लिए लचीलेपन, जैसा नहीं सोचा गया है "(इन्फर्ना एंड लूथर, 2016)। जैसा कि इससे पता चलता है, वे रखरखाव करते हैं कि लचीलापन (और पूरे लचीलापन साहित्य) के पिछले अनुमान गलत हैं।

क्या वे सही हैं?

Anthony Mancini
स्रोत: एंथोनी मांसिनी

लचीलापन पर पिछला कार्य का प्रतिलिपि बनाना

सबसे पहले, कुछ बैकस्टोररी: एक फायरस्टॉर्म मनोवैज्ञानिकों की नियमित शोध पद्धतियों पर उभरा है, जिससे चिंता की बात सामने आती है कि कई प्रकाशित शोध निष्कर्ष वास्तव में गलत हैं। इस फायरस्टॉर्म को रोशन करने वाला मैच डेरिल बेम ईएसपी पर अब प्रसिद्ध (या कुख्यात) कागज था, और गैसोलीन ने इसे पांच-अलार्म गोदामों में फेंक दिया था, जो प्रसिद्ध पत्रिकाओं में व्यवस्थित रूप से 100 निष्कर्षों को दोहराने के लिए एक बड़े पैमाने पर प्रयास था। गंभीर परिणाम – केवल 38 प्रतिशत स्पष्ट रूप से दोहराए गए – द न्यू यॉर्क टाइम्स (कोई असल पलट) का पहला पृष्ठ नहीं बना और अपने स्वयं के विवाद पैदा करने के लिए चला गया। उस अध्ययन के निष्कर्षों के बारे में बहस के लिए यहां और यहां देखें।

चूंकि इन मुद्दों को पहले, प्रतिकृति या पूर्व के परिणाम को पुन: उत्पन्न करने की क्षमता पर जोर दिया गया था, यह एक कारण बन गया, क्योंकि इसके समर्थकों से शोध सुपरस्टार बाहर निकलते थे और विज्ञान में खुलेपन और पारदर्शिता की दिशा में आंदोलन को और अधिक मोटे तौर पर बढ़ाते थे। कुछ अब सवाल करेंगे कि इन घटनाक्रमों को अतिदेय और मनोवैज्ञानिक विज्ञान के लिए लाभप्रद था। फिर भी, इस संदर्भ में, इंफर्ना और लूथर के पेपर में विशेष रूप से पॉप और चिल्लाना था

दरअसल, उनकी पहली वाक्य शर्ट कॉलर द्वारा प्रतिलिपि Zeitgeist जब्त: "मनोविज्ञान में प्रमुख निष्कर्षों को नकल करने के महत्व को स्वीकार करते हुए, हम लचीलेपन के बारे में आवर्ती दावों पर ध्यान केंद्रित करते हैं।" उनका दावा है कि लचीलापन के पिछले अनुमानों को अतिरंजित किया गया है, और एक रेनलालिसिस का डेटा जो हमने पहले अपने दावे का समर्थन करने के लिए प्रकाशित किया था (यहां और यहां देखें)। उनके निष्कर्ष यह दिखाते हैं कि आधे से भी कम पत्नी के जीवन में नुकसान (47 प्रतिशत) के लिए लचीला है; तलाक के बारे में एक तिहाई (36 प्रतिशत); और बेरोजगारी के लिए आधे से कम (48 प्रतिशत)

मैं तर्क दूंगा कि उनके निष्कर्ष निम्न आधार पर हैं:

  • ए) उनके प्रक्षेपवक्र विश्लेषण में संदिग्ध सांख्यिकीय निर्णय;
  • ख) निष्कर्षों से विशेष रूप से मजबूत निष्कर्ष, वास्तव में, असाधारण रूप से उलझन में;
  • ग) लचीलापन की एक अस्पष्ट परिचालन समझ

मैं यह भी जोड़ूंगा कि उनका अध्ययन एक प्रतिकृति नहीं है, बल्कि एक रेनलालिसिस है , क्योंकि मेरे सह-लेखक यहां व्याख्या करते हैं।

लचीलापन निर्धारित करने के लिए तरीके

लचीलेपन की दरों का निर्धारण करने के कई तरीके हैं। एक तेजी से इस्तेमाल की जाने वाली तकनीक को एक गुप्त प्रक्षेपवक्र विश्लेषण (गुप्त गति मिश्रण मॉडलिंग तकनीकी शब्द) कहा जाता है। इस तकनीक के लोग जो समय के साथ प्रतिकूल परिस्थितियों में प्रतिकूल अनुभव करते हैं और लचीलेपन और अन्य प्रतिक्रियाओं का मोटा अनुमान प्रदान करते हैं। ये अनुमान सही नहीं हैं लेकिन जब विश्लेषण को सावधानी से किया जाता है, तो वे कितने लोगों को दिखाते हैं, उदाहरण के लिए, लचीलेपन बनाम PTSD प्रतिक्रियाओं (यहां देखें) का ध्वनि सूचक प्रदान करते हैं।

इंफर्ना और लूथर लोगों के बड़े नमूनों का उपयोग करते हुए एक प्रक्षेपवक्र विश्लेषण का संचालन करते हैं, जिनसे पति या पत्नी, तलाक या बेरोजगारी का नुकसान हुआ था। वे एक ही तकनीक का उपयोग करते हुए हमारे मूल कागजात में एक के साथ ओवरलैपिंग नमूने का विश्लेषण करते हैं लेकिन बहुत अलग मॉडल विनिर्देशों के साथ।

जैसा कि कोई व्यक्ति जिसने कई प्रक्षेपवक्रों को खुद पढ़ा है, मैं उन्हें तकनीकी और अवधारणात्मक दृष्टिकोण से जानता हूं। उन्हें निष्पादन के लिए एक असाधारण डिग्री की आवश्यकता होती है, और एक प्रमुख मुद्दा यह है कि आप अपने सांख्यिकीय मॉडल को कैसे तैयार करते हैं। दो चिंताओं को संतुलित होना चाहिए तकनीकी विवरणों को सुलझाने के बिना, आपको अपने मॉडल के लिए एक संपूर्ण संरचना प्रदान करने की ज़रूरत है जो आपको लगता है कि अंतर्निहित डेटा को दर्शाता है लेकिन आप पर्याप्त स्वतंत्रता प्रदान करने का भी प्रयास कर रहे हैं ताकि डेटा आपके मनगढ़ंत रूप से आपके ढांचे के लिए मजबूर न हो।

ढेरों संरचना और स्वतंत्रता प्रदान करने के बीच का संतुलन प्रक्षेपवक्र विश्लेषण में अंतर्निहित तनाव है। इस संतुलन को मारने के लिए कोई पूर्ण नियम नहीं हैं। लेकिन दो स्पष्ट मानदंड हैं जो आपके निर्णय लेने की दिशा में मार्गदर्शन करते हैं। एक मानदंड यह है कि बेहतर मॉडल वह है जो अंतर्निहित डेटा (रिश्तेदार फिट के विभिन्न उपायों के आधार पर) के लिए बेहतर फिट है। एक और यह है कि बेहतर मॉडल एक है जिसे आप समझ सकते हैं (मौजूदा सिद्धांत के साथ व्याख्या या संरेखित करें)

इंफर्ना और लूथर ने अपने प्रक्षेपवक्र विश्लेषण कैसे किया? उन्होंने अपने मॉडल में स्वतंत्रता प्रदान करने के लिए असाधारण डिग्री तक चुना। यही है, उन्होंने संरचना को लागू करने का विकल्प चुना। इस दृष्टिकोण के साथ एक संभावित समस्या यह है कि अंतर्निहित डेटा खराब प्रतिनिधित्व कर रहे हैं, और, परिणामस्वरूप, मॉडल बहुत अच्छी तरह से फिट नहीं है। वास्तव में, उन्होंने एक ऐसे मॉडल का निर्माण किया था जो कि खराब प्रदर्शन से खराब था, जो मॉडल हमने विकसित किया था उससे भी ज्यादा खराब है इस का आकलन करने का एक तरीका यह है कि आप लोगों को किस प्रकार सही ढंग से वर्गीकृत करते हैं, एक ट्रैजिस्टरी बनाम अन्य। शोक के विश्लेषण के बारे में, एन्ट्रापी, वर्गीकरण की सटीकता का एक उपाय था .58 था, जिसे गरीब माना जाएगा। इसके विपरीत, हमारे विश्लेषण में, एन्ट्रापी 70 थी।

उन्होंने यह भी trajectories को सार्थक परिणामों को जोड़ने के लिए नहीं चुना (जैसा कि हमने हमारे मूल पत्र में किया था)। इससे उनके अर्थ या वैधता पर प्रकाश डालने में मदद मिलेगी। इसके बजाए, उनका विश्लेषण पूरी तरह से एक एकल परिणाम माप पर आधारित था, जिसमें कोई अन्य डेटा अंक नहीं उठाया गया था। नतीजतन, trajectories सभी इरादों और उद्देश्यों के लिए थे, अर्थहीन (यानी, अर्थहीन)।

इसके लिए अपना शब्द मत लो आइए देखते हैं कि वे शोक के लिए तैयार किए गए मॉडल का उदाहरण देते हैं। नीचे आपको अध्ययन के 11 साल के पूरे जीवन संतोष के दो अलग-अलग ट्रैक्सिको देखेंगे (बीच का समय बिंदु नुकसान है) लेखकों के अनुसार, इन trajectories में से एक लचीलापन है और एक वसूली है (लेखकों से डेटा और सिंटैक्स यहाँ ओपन साइंस फ्रेमवर्क पर हैं।)

Anthony Mancini
स्रोत: एंथोनी मांसिनी

एक साधारण प्रश्न: कौन सा प्रक्षेपवक्र लचीलापन है? अगर आपको जवाब नहीं पता है, तो आप अकेले नहीं हैं मुझे यकीन है कि नहीं होगा Trajectories समान हैं। प्रत्येक नुकसान के समय के आसपास जीवन की संतुष्टि में एक समान डुबकी दिखाता है। एक ही समय के बारे में अपने आधारभूत स्तर पर प्रत्येक रिटर्न लेकिन एक प्रक्षेपवक्र (ऊपरी हिस्से) को लचीलापन के रूप में चिह्नित किया जाता है और दूसरा (कम एक) को वसूली के रूप में लेबल किया जाता है वास्तव में, दोनों trajectories को लचीलापन कहा जाना चाहिए (जहां एक को शुरू करने के लिए वापस शेख़ी), जिसके परिणामस्वरूप ऐलिस-इन-वंडरलैंड निष्कर्ष निकलता है कि हर कोई लचीला (100 प्रतिशत) है।

ट्रैजीगोरी परिणाम की तुलना करना

प्रक्षेपवक्र समाधान मेरे सहयोगियों के साथ उनके परिणाम की तुलना करें और मैंने हमारे मूल कागजात में पहचान की। ध्यान दें कि हमारे trajectories न केवल विशिष्ट हैं बल्कि सैद्धांतिक रूप से प्रासंगिक पैटर्नों के अनुरूप हैं हमें एक ऐसा समूह मिल गया जो हानि (नीला प्रक्षेपवक्रय: 21.3 प्रतिशत) से काफी हद तक प्रभावित हुआ है, जो एक लंबे समय तक दु: ख प्रतिक्रिया का प्रतिनिधित्व करता है। हमें एक ऐसा पाया गया जो विनम्रता से प्रभावित हुआ (काला प्रक्षेपवक्रय: 58.7 प्रतिशत), जिसे हमने लचीलापन कहा। हमने एक समूह भी पाया जो सुधार (हरा प्रक्षेपवस्था; 5.4 प्रतिशत), पहले प्रलेखित घटना और संभवतः वास्तविकता हमें एक समूह भी मिल गया जो नुकसान के बाद कम कामकाजी और कम कामकाज में था, जो थोड़ी प्रतिक्रिया प्रदर्शित करता है (लाल प्रक्षेपवक्र: 14.6 प्रतिशत)। मैं इसे पाठक को छोड़कर तय करता हूं कि प्रक्षेपवक्र में से कौन सा समाधान अधिक समझ में आता है।

Anthony Mancini
स्रोत: एंथोनी मांसिनी

उन्होंने कैसे हमारे मूल विश्लेषण को मूश में बदल दिया? अपने मॉडलों में बहुत अधिक स्वतंत्रता की अनुमति देकर मैंने कई प्रक्षेपवक्र विश्लेषण किए हैं और पढ़ा है, और यह एक दूसरे से अलग है जो मैंने कभी सामना किया है। वे इस फैसले की ओर से ज़ोरदार बहस करते हैं लेकिन अंततः, जब परिणाम किसी भी सिद्धांत से निपटने में विफल रहता है कि लोग कैसे नुकसान का जवाब देते हैं और थोड़ा सा समझते हैं, तो वैसे भी आगे बढ़ना तय करने के लिए साहित्य में थोड़ा सहारा नहीं है।

विशाल और अनधिकृत निष्कर्ष

फिर भी, लेखकों ने अपरिष्कृत विशाल निष्कर्ष निकाला "सामूहिक रूप से विचार किया जाता है, इन कारकों में लचीलेपन की दरों पर किसी भी घोषणा की अनभिज्ञता को ज़ोर दिया गया है।" लेकिन कागज का शीर्षक "लचीलापन नहीं है जैसा के रूप में आम विचार था"; आप इसे दोनों तरीकों से नहीं कर सकते

वे तर्क भी करते हैं कि लचीलापन वसूली से अलग नहीं है "वैज्ञानिक परिप्रेक्ष्य से, हमारे निष्कर्षों ने न केवल निष्कर्ष निकाला है कि लचीलेपन प्रतिकूल परिस्थितियों के प्रति उत्तरदायी प्रतिक्रिया है, बल्कि यह भी कि वसूली से अलग है।" लेखकों के स्वयं के विश्लेषणात्मक निर्णय ने इस परिणाम के उत्पादन में एक मजबूत हाथ खेला। हालांकि, यह संभावना उनके दृष्टिकोण की एक संभावित सीमा के रूप में स्वीकार नहीं की गई है

इसके अलावा भ्रामक मामलों, अगर उत्तरार्द्ध का निष्कर्ष सच है – कि लचीलापन और वसूली अलग नहीं हैं-तो प्राथमिक निष्कर्ष है कि लचीलापन आम नहीं है, शून्य और शून्य है।

संक्षेप में, लेखकों ने व्यापक दावों का बना लिया है- और परिणामस्वरूप, जिनके बारे में समझना मुश्किल है, उनके आधार पर भारी-भरकम खर्चे हैं। वे अलग-अलग तरीकों, विभिन्न नमूनों और अलग-अलग दर्दनाक घटनाओं का उपयोग करते हुए दर्जनों अध्ययनों से समर्थित निष्कर्ष को अस्वीकार करने के लिए शोक, तलाक और बेरोजगारी के एकल चर विश्लेषण का उपयोग करते हैं।

वैज्ञानिक ज्ञान प्रवाह में हमेशा होता है, और यह संभव है कि लचीलापन आम नहीं है। जहाँ तक मैं देख सकता हूं, यह अख़बार इसे प्रदर्शित नहीं करता है।

संदर्भ

बोनानो, जीए (2004) हानि, आघात, और मानव लचीलापन: क्या हम बेहद आक्रामक घटनाओं के बाद पनपने के लिए मानव क्षमता को कम करके देखते हैं? अमेरिकन साइकोलॉजिस्ट, 59 (1), 20-28 डोई: 10.1037 / 0003-066X.59.1.20

गैलेटज़र-लेवी, आईआर, और बोन्नानो, जीए (2016)। लचीलेपन को दूर करना इतना आसान नहीं है: इंटर्न और लिथार पर टिप्पणी (2016)। मनोवैज्ञानिक विज्ञान पर परिप्रेक्ष्य, 11 (2), 1 9-1-198। डोई: 10.1177 / 1745691615621277

गलेत्ज़ेर-लेवी, आईआर, बोनानो, जीए, और मैन्चिनी, एडी (2010)। Marianthal से सुस्पष्ट विकास मिश्रण मॉडलिंग: बेरोजगारी की प्रतिक्रिया में व्यक्तिगत मतभेद की अन्वेषण के लिए एक वापसी। जर्नल ऑफ न्यूरोसाइंस, साइकोलॉजी, और इकोनॉमिक्स, 3 (2), 116-125 डोई: 10.1037 / a0020077

इंफर्ना, एफजे, और लूथर, एसएस (2016)। प्रमुख जीवन तनाव के लिए लचीलापन सोचा के रूप में आम नहीं है मनोवैज्ञानिक विज्ञान पर परिप्रेक्ष्य, 11 (2), 175-194 डोई: 10.1177 / 1745691615621271

मैन्चिनी, एडी, बोनानो, जीए, और क्लार्क, ए। (2011)। सुखदायक ट्रेडमिल को दूर करना: प्रमुख जीवन घटनाओं के जवाब में व्यक्तिगत मतभेद, व्यक्तिगत अंतरों की जर्नल, 32 (3), 144-152 डोई: 10.1027 / 1614-0001 / a00004