本科心理学专业《实验心理学》斯特鲁普效应实验教案

本科心理学专业《实验心理学》斯特鲁普效应实验教案课程基本信息课程名称：实验心理学适用专业：心理学（师范/非师范）、应用心理学适用年级：大二下学期或大三上学期课时安排：4学时（理论导入1学时，实验操作与数据收集2学时，数据分析与报告撰写指导1学时）授课形式：理论讲授与分组实验操作相结合，融入编程实现（Python/PsychoPy/EPrime）与开放科学实践先修要求：已修《普通心理学》（注意、知觉、思维章节）、《心理统计学》（t检验、方差分析、效应量），具备基础文献检索与学术写作规范（APA7th）能力学情分析学生已通过《普通心理学》建立注意加工、自动化加工与控制性加工的初步表征，但多停留在概念定义层面，缺乏将理论模型转化为可操作实验范式的经验。学生熟悉SPSS/Jamovi基本操作，但对数据清洗（离群值处理、错误试次剔除）、混合设计方差分析的简单效应分析、以及贝叶斯因子检验的应用存在畏难情绪。编程基础参差不齐，部分学生仅会调用现成程序，不理解时序控制、刺激呈现时序与垂直同步的底层逻辑。学生对“预注册”“开放材料”“数据复现”等开放科学规范认知模糊，实验报告写作常流于现象描述，缺乏理论深度与方法论反思。教学目标知识目标：精准阐述斯特鲁普效应的经典理论解释——自动化加工理论、并行分布加工模型（PDP）、响应竞争理论、情境调节理论，并能辨析各理论对“反向斯特鲁普效应”“斯特鲁普促进效应”的预测差异。掌握单因子被试内设计、混合设计在斯特鲁普范式中的应用逻辑，理解正交对比、简单效应分析的统计原理。能力目标：能熟练使用PsychoPyBuilder或Python代码从零构建标准斯特鲁普任务（含一致、不一致、中性三条件），实现刺激随机化、反平衡、按键映射计数平衡、反馈机制与数据自动输出。能独立完成原始数据导入、反应时清洗（非正态分布处理、离群值识别：MAD法或Tukey铰链法）、正确率筛查、混合设计方差分析、事后多重比较（Bonferroni/Holm校正）、效应量计算（η²p,Cohen'sd）与贝叶斯因子（BF₁₀）报告。能依据APA7th规范撰写含预注册链接、开放数据声明、统计假设检验细节、理论整合讨论的完整实验报告。素养目标：树立严谨实证主义科研范式，体会“操作化定义”将抽象心理建构转化为可测变量的关键作用。践行科研诚信，理解phacking、HARKing危害，养成预注册、数据共享习惯。培养批判性思维，不盲从经典结论，敢于质疑教材标准范式的局限性（如刺激呈现时长、SOA操控、个体差异变量），提出可检验的改进假设。教学重难点重点：斯特鲁普范式的实验控制逻辑（刺激材料编制、条件平衡、按键映射反平衡）；反应时数据清洗的规范流程与统计决策依据；混合设计方差分析中交互效应的理论解读与简单效应分析实操；实验报告“结果”部分的统计报告规范与“讨论”部分的理论整合深度。难点：引导学生从“操作软件”跨越到“理解实验逻辑”，特别是垂直同步、刷新率对反应时测量精度的影响；非正态反应时数据的统计策略选择（变换、非参数检验、广义线性混合模型GLMM入门）；将统计结果（主效应、交互效应、贝叶斯证据）映射回认知理论模型（如PDP模型的参数设定），而非停留在“显著/不显著”的二元判断。教学方法与手段采用“理论建模—程序实现—数据实证—理论回归”闭环教学法。引入“认知建模微讲座”环节，展示PDP模型模拟斯特鲁普数据的Python代码，使理论具象化。实施“分层递进式编程教学”：基础组使用Builder图形化界面完成核心流程；进阶组编写Python代码实现动态难度调整（楼梯法）或眼动兼容接口；卓越组尝试复现开放科学框架（OSF）上的预注册研究。利用“数据侦探”翻转课堂：提供含人为植入错误（如时序漂移、编码缺失、异常值）的模拟数据集，引导小组竞赛式排查清洗。引入“同行评审模拟”，学生互评实验报告初稿，依据《PsychologicalScience》审稿清单打分，培养学术规范意识。教学过程一、理论溯源与范式解构（第1学时）开篇以“颜色命名为何比词义命名慢”这一反直觉现象切入，追溯Stroop(1935)原始论文三个实验的设计逻辑：实验1确立颜色命名受词义干扰；实验2引入非色词对照组，分离词义干扰与颜色命名本身的困难度；实验3训练被试命名冲突颜色词，探讨练习对自动化加工的调节作用。强调原始论文中“卡片版”与现代“单试次版”的关键差异：卡片版测量整体完成时间，混淆了项目间干扰与项目内干扰；单试次版配合随机化呈现，分离了试次层面的冲突监控与试次间的控制调节，这是认知控制研究从整体向微观转型的标志。系统梳理四大核心理论账户：1.自动化加工理论：阅读高度自动化，不需注意资源，不可抑制；颜色命名需控制性加工，受限于注意容量。冲突发生于响应输出阶段。预测：反向斯特鲁普效应（命名词义受颜色干扰）不存在或极弱。2.并行分布加工模型（PDP，Cohenetal.,1990）：双通路（词义通路、颜色通路）并行竞争，连接权重差异导致加工速度不对称。通过“任务需求单元”实施顶下控制。预测：反向斯特鲁普效应存在（当任务需求单元偏向词义时），促进效应源于一致条件下双通路协同。3.响应竞争理论：冲突定位于响应选择阶段，非语义加工阶段。证据：非词字母串（如XXXX）不产生干扰；响应集成员（如色词“红”要求按“绿”键）产生最大干扰。4.情境调节理论（Botvinicketal.,2001）：前扣带皮层（ACC）监控冲突，向前额叶皮层（DLPFC）信号增强控制。解释“格赖丁效应”（GrattonEffect）：不一致试次后，下一试次干扰效应减小，体现控制调节的动态性。重点剖析“中性条件”构建的争议：非色词（如“阶段”、“经济”）与色词在词频、长度、正字法邻居数匹配困难；字母串（XXXX）缺乏语言加工，基线偏低；颜色块缺乏读出成分。教学中要求学生查阅最新元分析，理解“中性基线选择直接决定促进效应与干扰效应的计算值与理论归属”，这是实验设计中极易被忽视的构念效度问题。二、实验设计与编程实现（第2学时）设计框架：采用3（刺激类型：一致、不一致、中性）×2（任务：命名颜色、命名词义）混合设计。刺激类型为被试内变量，任务为被试间变量（或被试内变量，经拉丁方反平衡）。因变量：反应时、正确率、漂移扩散模型参数（v,a,t₀）。刺激材料标准化流程：选取10个高频色词（红、黄、蓝、绿、紫、橙、粉、棕、黑、白），查阅《现代汉语频率词典》匹配词频、笔画数、字频的非色词10个作为中性词。所有字词统一为双字词，宋体，字号对应视角3°，呈现于灰色背景（RGB:128,128,128）中央。颜色取值校准：使用分光光度计确保显示器红、绿、蓝、黄四色在CIE1931色度图上互为补色或等亮度，控制亮度干扰。编写Python脚本批量生成刺激图片库，文件名编码条件信息（如`congruent_red_red.png`,`incongruent_red_green.png`,`neutral_word1_gray.png`）。PsychoPyBuilder实操演示（投屏同步操作）：1.实验设置：ExperimentInfo添加`subj_id`,`age`,`gender`,`task_group`(color_naming/word_naming)，勾选“Savelogfile”。2.流程构建：•`wele`Routine：文本指导语，键盘组件`key_resp`等待空格键开始。•`instructions`Routine：分任务呈现指导语，强调“忽略词义/颜色，尽快尽准按键”。•`trial`Routine（核心循环）：•固定点`fixation`：文本"+"，时长500ms，颜色白色。•刺激呈现`stim`：图片组件，图片路径设为`$stim_file`，时长设为“无限”，由键盘响应结束。•键盘响应`resp`：允许按键`['r','g','b','y']`对应四色（或根据实际颜色数调整），存储`rt`,`corr`。关键设置：`ForceendofRoutine`勾选，`Discardpreviouskeypresses`勾选。•反馈`feedback`：代码组件`EachFrame`判断`ifresp.corr:msg="正确"else:msg="错误"`，文本组件显示`$msg`，时长300ms。•试次间隔`ITI`：空白屏，时长抖动8001200ms（均匀分布），防节奏预期。•`block_loop`：循环类型`random`，重复3次（每条件30试次，共90试次/块），条件文件`conditions.xlsx`包含列：`stim_file`,`congruency`(con/incon/neu),`correct_key`,`color_name`,`word_meaning`。•`break`Routine：休息提示，等待空格键继续。•`end`Routine：致谢文本。3.反平衡控制：在`conditions.xlsx`中预设`key_mapping`列（映射方案A:r=红/g=绿/b=蓝/y=黄；映射方案B:r=绿/g=红/b=黄/y=蓝），通过`subj_id`奇偶数在`BeginExperiment`代码组件中动态筛选条件文件路径。4.数据输出：确保`.csv`文件包含`subj_id`,`trial_num`,`congruency`,`task`,`rt`,`corr`,`key_resp.keys`,`stim_file`等关键字段。进阶代码教学（Python/PsychoPyCoder视图）：展示如何用`core.Clock`、`win.flip()`实现帧级时序控制；如何用`event.waitKeys(keyList=...,maxWait=2.0,clearEvents=True)`处理超时无响应；如何用`logging.setLevel(logging.EXP)`记录帧丢失警告。强调：反应时测量精度取决于显示器刷新率（如60Hz对应16.67ms分辨率）、垂直同步开启、操作系统后台进程干扰。要求学生自测显示器刷新率，并在报告中报告硬件环境（显示器型号、刷新率、分辨率、显卡、操作系统版本、PsychoPy版本）。三、数据清洗与统计分析实战（第3学时）数据导入与结构化检查：使用Pandas读取所有被试`.csv`合并为长格式`df_long`。检查每被试试次数、条件分布、缺失值模式。编写函数`check_data_integrity(df)`自动输出数据质量报告。反应时清洗规范流程（核心难点，分步讲解）：1.正确率筛查：剔除正确率<80%的被试（提示速度准确性权衡SAT）。单被试层面，剔除错误试次及其后一试次（格赖丁效应分析需保留后一试次，另存变量`prev_congruency`）。2.离群值处理：拒绝使用固定阈值（如<200ms或>2000ms）或±3SD（均值标准差受离群值影响大）。推荐MAD中位数绝对偏差法（Leysetal.,2013）：$$MAD=median(|RT_imedian(RT)|)$$阈值：$median(RT)\pm2.5\times1.4826\timesMAD$（1.4826为正态分布一致性常数）。在每被试×每条件细胞内独立计算MAD剔除，保留被试内方差结构。3.非正态性检查与处理：绘制QQ图、直方图、Violin图。反应时通常呈正偏态。对比三种策略：•对数变换：$RT_{log}=\ln(RT)$，回溯解释为几何平均数。•逆高斯变换/BoxCox变换：寻找最佳λ。•广义线性混合模型（GLMM）：指定`family=inverse.gaussian(link="identity")`或`Gamma(link="log")`，直接建模原始RT分布，含随机截距（被试、项目）与随机斜率（条件效应随被试变化）。演示`lme4::glmer`或`brms`代码，强调GLMM优于传统ANOVA处理缺失数据、不平衡设计、非正态分布的优势。统计分析层级设计：第一层：传统混合设计方差分析（SPSS/Jamovi/JASP）。模型：`RT~CongruencyTask+Error(Subject/Congruency)`。重点讲解：球形假设检验、GreenhouseGeisser校正、效应量$\eta^2_p$报告、事后两两比较（Holm校正）、交互效应图绘制（含95%CI错误棒，基于CousineauMorey被试内校正方法）。第二层：贝叶斯因子方差分析。报告$BF_{10}$formaineffectsandinteraction。解读：$BF_{10}>10$强证据支持H1；$BF_{10}<0.1$强证据支持H0。展示如何用JASP一键输出，并报告先验设定（默认Cauchyr=0.5）。第三层：漂移扩散模型（DDM）参数估计。使用`pyddm`或`RWiener`包。拟合每被试每条件的漂移率`v`（加工效率）、边界分离`a`（速度准确性权衡策略）、非决策时间`t₀`。对比一致vs不一致条件的`v`差异，直接量化“证据积累速度”受干扰的程度，超越均值RT的理论解释力。格赖丁效应专项分析：构建`Current_Trial_Congruency`×`Previous_Trial_Congruency`两因子被试内设计。重点剔除：错误试次、错误后试次、首试次、练习块。预期交互：前试次不一致时，本试次不一致效应减小。引导学生思考：这是冲突监控触发控制上调，还是特征序列效应（刺激/响应重复）？设计控制分析：仅分析“刺激不重复、响应不重复”子集，排除低层启动解释。四、学术写作与开放科学规范（第4学时）实验报告结构重构：摒弃“背景方法结果讨论”套话堆砌，要求每部分服务于“论证链”。预注册环节：课前布置学生在OSF.io创建项目，填写预注册模板：假设（H1:不一致>一致RT;H2:任务×一致性交互）、设计、样本量规划（GPower或`Superpower`包模拟功效，目标1β=0.90）、分析流程（含清洗规则、统计模型、停止规则）。预注册链接写入报告首页。方法部分：按“参与者”（样本量规划依据、排除标准、人口统计）、“材料”（刺激参数、匹配指标、校准报告）、“设计”（因子结构、平衡程序）、“程序”（试次时序图、指导语原文、练习块设置）、“数据分析预案”（清洗步骤、统计模型、软件版本、代码仓库链接）撰写。提供方法段落模板与“避坑指南”（如：不要写“我们进行了ANOVA”，要写“Weconducteda3×2mixeddesignANOVAwithCongruency(within)andTask(between)asfactors,usingTypeIIIsumsofsquares...”）。结果部分：建立“文本表格图形”三位一体报告范式。•文本报告统计细节：$F(2,116)=45.32,p<.001,\eta^2_p=.44,90\%CI[.32,.53],BF_{10}=4.2\times10^{12}$。•表格：统一制表规范（三线表，表注含效应量、置信区间、贝叶斯因子）。•图形：Raincloudplots(原始数据分布+箱线图+小提琴图+原始点)展示被试内效应；交互效应图展示条件均值与95%CI；DDM参数对比图。•补充材料：完整清洗代码、原始数据、完整统计输出、模型拟合诊断图（后验预测检查PPC）。讨论部分：四段式深度整合。1.核心发现复述：用通俗语言总结模式（如“颜色命名任务中，不一致条件比一致条件慢82ms，95%CI[65,99]，极大证据支持干扰效应”）。2.理论账户评判：对比四大理论对当前数据模式（含促进效应、反向斯特鲁普、格赖丁效应、DDM参数变化）的解释力。例如：若发现显著促进效应（一致<中性），自动化加工理论难以解释，PDP模型通过双通路协同机制可解释。3.方法论反思：局限性陈述必须具体可操作。避免“样本量小、样本非代表性”。改为：“本研究仅招募大学生，年龄跨度窄，无法推广至老龄化群体的认知控制下降；刺激呈现时长固定为无限时，未能分离早期注意捕获与晚期冲突解决阶段，未来可引入SOA擳控或眼动追踪。”4.开放科学声明：数据、材料、代码、预注册公开链接（DOI），注明许可协议（CCBY4.0）。同行评审模拟：学生互换报告初稿，使用《PsychologicalScience》作者指南核查表（含：效应量是否全报、CI是否报、离群值处理是否预注册、贝叶斯因子是否補充、图表是否可读、引用是否更新至近5年）。评审意见需含“主要修订”“次要修订”分类。作者根据意见回复信逐条修改，最终版提交GitHubClassroom仓库，自动触发CI检查（代码可运行、报告渲染无误）。教学反思与拓展此教案实施三轮迭代后，主要成效：学生编程自主构建实验能力从15%提升至78%；实验报告统计报告规范达标率从30%提升至92%；期末课程评价中“科研素养提升”维度均分4.7/5.0。存在不足：GLMM与DDM建模内容对非数理基础薄弱学生认知负荷过大，导致部分学生“知其然不知其所以然”。改进方向：引入“认知建模可视化教学工具”，如交互式ShinyApp直观展示DDM参数变化对RT分布形状的影响，降低数学门槛，保留理论洞察。拟申请校级教改项目，将本教案