[ad_1]
Việc kết hợp phân tích mạng và tâm lý tổ chức có thể là một hành trình liên ngành thú vị. Ví dụ: Casciaro và cộng sự. (2015) ủng hộ việc tích hợp các quan điểm mạng lưới và tâm lý học trong học thuật tổ chức, nhấn mạnh rằng các phương pháp tiếp cận liên ngành như vậy có thể làm phong phú thêm đáng kể sự hiểu biết của chúng ta về hành vi và cấu trúc tổ chức. Họ nhấn mạnh rằng việc kết hợp những quan điểm này sẽ tiết lộ những động lực phức tạp trong các tổ chức mà lẽ ra vẫn chưa được khám phá, đặc biệt là trong các lĩnh vực như khả năng lãnh đạo, doanh thu và hiệu suất của nhóm. Sự hợp nhất này không chỉ thúc đẩy các mô hình lý thuyết mà còn gợi ý những tác động thực tế đối với quản lý tổ chức, thúc đẩy việc khám phá thêm các lĩnh vực và phương pháp chưa được trình bày đầy đủ (Casciaro và cộng sự, 2015).
Brass (2012) nhấn mạnh tầm quan trọng của việc nhận biết các thuộc tính cá nhân và cấu trúc mạng lưới tác động chung như thế nào đến kết quả của tổ chức, cho thấy rằng việc tập trung kép vào các kết nối cấu trúc và đặc điểm cá nhân là rất quan trọng để có cái nhìn sâu sắc hơn về động lực của tổ chức.
Nhưng tại sao điều đó lại thú vị?
Bởi vì theo Briganti et al. (2018), người đã xem xét một chủ đề tâm lý cụ thể, sự đồng cảm, đã kết luận rằng những người trung tâm trong mạng lưới đóng vai trò quan trọng trong việc dự đoán động lực tổng thể của mạng lưới, nêu bật tầm quan trọng của họ trong việc hiểu các tương tác (đồng cảm).
Vì vậy, tóm lại, tài liệu đã chỉ ra rằng bằng cách kiểm tra những người chủ chốt trong mạng lưới có thể giúp chúng ta dự đoán các yếu tố cho toàn bộ mạng lưới.
Làm thế nào để xây dựng một mạng lưới?
Chà, bạn có thể chọn cách truyền thống để khám phá mối liên kết giữa các tổ chức, ví dụ: bảng câu hỏi, nhóm tập trung, phỏng vấn, v.v. Nhóm tập trung và phỏng vấn rất khó mở rộng quy mô. Giá trị của dữ liệu nghiên cứu khoa học xã hội là chủ đề được quan tâm sâu sắc và nghiêm túc trong những thập kỷ qua (Nederhof và Zwier, 1983) – và điều này đã được thể hiện vào năm 1983! Các cuộc khảo sát truyền thống thường gặp phải nhiều loại sai lệch khác nhau. Đây có thể là những khó khăn khi khảo sát tâm lý:
- khuynh hướng mong muốn xã hội (Nederhof, 1985) xu hướng người trả lời khảo sát trả lời các câu hỏi theo cách được người khác đánh giá cao
- xu hướng gần đây (Murdock, 1962) khi thông tin gần đây được ghi nhớ tốt hơn hoặc có nhiều ảnh hưởng đến nhận thức của bạn hơn dữ liệu trước đó
- hiệu ứng hào quang (Thorndike, 1920) khi ấn tượng chung về một người sẽ ảnh hưởng đến cách chúng ta cảm nhận và suy nghĩ về tính cách của họ. Về cơ bản, ấn tượng chung của bạn về một người (“Anh ấy thật tử tế!”) sẽ ảnh hưởng đến đánh giá của bạn về những đặc điểm cụ thể của người đó (“Anh ấy cũng thông minh!”)
- thiên vị tự phục vụ (Zuckerman, 1979) gán các sự kiện tích cực cho tính cách của một người nhưng lại quy các sự kiện tiêu cực cho các yếu tố bên ngoài, do đó bảo tồn lòng tự trọng.
Người ta có thể làm việc với các đánh giá mù quáng (Rosenthal và Fode, 1963), hoặc sử dụng các phương pháp định tính là những lựa chọn tuyệt vời bằng cách đưa ra chiều sâu và chi tiết hơn về một chủ đề (Braun và Clarke, 2006), nắm bắt được sự phức tạp tốt hơn (Denzin và Lincoln, 2011) . Các phương pháp định tính cũng gặp phải những hạn chế như khó thống nhất và sắp xếp các kết quả, thiên kiến của nhà nghiên cứu (Malterud, 2001), thiên kiến xác nhận của nhà nghiên cứu (Nickerson, 1998), nhưng trong thời đại LLM, với sự nhắc nhở và tự động hóa phù hợp, những hạn chế này có thể Được khắc phục.
Tôi sẽ trình bày một phương pháp dựa trên LLM đơn giản để trích xuất các mối quan hệ mạng từ ngôn ngữ tự nhiên. Vì mục tiêu của bài viết này là trình bày phương pháp chứ không phải kết quả tâm lý nên tôi sẽ sử dụng dữ liệu tổng hợp: với GPT4o, tôi sẽ tạo ra 5 người ảo có nghề nghiệp và tính cách. Tôi sẽ hỏi họ ba câu hỏi với ít chủ đề cố định nhất có thể:
- Kể câu chuyện về một ngày làm việc bình thường của bạn. Câu chuyện của bạn cần phải rất chi tiết, bao gồm các nhiệm vụ, con người — và bất cứ điều gì xuất hiện trong đầu bạn. Không có câu trả lời tốt hay xấu.
- Kể một câu chuyện mà bạn cảm thấy thực sự tồi tệ trong công việc. Không có câu trả lời tốt hay xấu – nhưng hãy làm cho nó chi tiết nhất có thể.
- Kể một câu chuyện mà bạn cảm thấy tuyệt vời và thành công trong công việc. Không có câu trả lời tốt hay xấu – nhưng hãy làm cho nó chi tiết nhất có thể.
Hãy bắt đầu trò chơi
Chúng tôi cần một số thông tin chi tiết về nhóm tưởng tượng của mình để tạo dữ liệu văn bản thực tế cho đầu vào của chúng tôi.
Tôi đã chuyển lời nhắc này tới LLM:
Generate 5 digital personas to me. They work on the identical venture. They need to have
- first title
- age
- occupation/place on the firm
- a brief description of their personalities.
Their personalities ought to have unfavourable sides as effectively.
At the least one pair must be in a manager-subordinate relationship.
Nó đã tạo ra những người sau:
Identify: Emily
Age: 29
Occupation/Place: Undertaking Supervisor
Character Description: Emily is extremely organized and decisive, usually seen because the spine of the workforce.
She is empathetic and approachable however can typically be overly controlling and immune to deviating from her deliberate schedules.
Emily's insistence on effectivity can often overlook the necessity for inventive freedom.Identify: Josh
Age: 34
Occupation/Place: Lead Software program Engineer
Character Description: Josh is tech-savvy and an issue solver with a ardour for brand spanking new applied sciences.
He's introverted and typically struggles with communication, which might result in misunderstandings with teammates.
His calm demeanor is an asset, though it typically seems as disinterest in workforce discussions.
Identify: Leah
Age: 26
Occupation/Place: Junior Software program Engineer
Character Description: Leah is inventive and energetic, filled with concepts and nice at networking.
Nonetheless, her enthusiasm can typically manifest as impatience with slower-paced duties or particulars.
She could be overly formidable, pushing the workforce in direction of unfeasible targets.
Identify: Carlos
Age: 42
Occupation/Place: Monetary Analyst
Character Description: Carlos is meticulous and deeply educated about funds
however tends to be pessimistic and overly essential, which might dampen workforce morale.
His cautious nature typically slows down decision-making processes, irritating extra dynamic workforce members.
Identify: Fiona
Age: 38
Occupation/Place: UX/UI Designer
Character Description: Fiona is inventive and an important listener, making her designs user-friendly.
Nonetheless, she could be overly delicate to criticism and typically takes suggestions personally.
She tends to keep away from battle, which might result in unresolved points within the workforce dynamics.
Bây giờ tôi yêu cầu LLM đóng vai những người này và hỏi ba câu hỏi đã cho. Vì tôi đang nói chuyện với một người mẫu nên với lời nhắc của mình, tôi đảm bảo đưa vào một số thông tin về mối quan hệ giữa các cá nhân. Để dành chút không gian và thời gian đọc, chúng ta sẽ chỉ điểm qua một người. Lời nhắc ví dụ:
It is advisable to act now like Emily.
You're taking half in a web-based HR evaluation.
Listed below are some knowledge about your occupation, persona, and so forth:Identify: Emily
Age: 29
Occupation/Place: Undertaking Supervisor
Character Description: Emily is extremely organized and decisive, usually seen because the spine of the workforce. She is empathetic and approachable however can typically be overly controlling and immune to deviating from her deliberate schedules. Emily's insistence on effectivity can often overlook the necessity for inventive freedom.
On this evaluation, you, Emily, are requested these three questions:
- Inform the story of your common workday. Your story must be very detailed, together with duties, folks - and something that involves your thoughts. There isn't any good or dangerous reply.
- Inform a narrative the place you felt actually dangerous at work. There isn't any good or dangerous reply - however please make it as detailed as you possibly can.
- Inform a narrative the place you felt nice and profitable at work. There isn't any good or dangerous reply - however please make it as detailed as you possibly can.
Your workforce consists of the next folks, you probably have any relationship with them, please embody in your solutions:
<Description of different teammates>
Kết quả dành cho Emily:
1. Common Workday:
My typical day begins with a fast evaluation of my to-do listing, which I put together the evening earlier than.
I arrive on the workplace by 8 AM, settle in, and begin with a 30-minute session to evaluation the progress on ongoing tasks towards their timelines.
At 8:30 AM, I maintain a short stand-up assembly with the workforce, which incorporates Josh, Leah, Carlos, and Fiona, to compensate for their progress and handle any instant considerations.After the stand-up, I usually meet with Carlos to debate funds updates or monetary points.
His insights are essential, although I often must information the dialog to maintain it from veering into
overly pessimistic territory, which helps us keep centered on options moderately than issues.
Mid-morning is normally reserved for one-on-one periods with workforce members needing steering.
For example, I usually spend time with Fiona reviewing design timelines.
She appreciates clear, empathetic suggestions which I try to supply, although I have to stability this with the necessity to preserve our venture schedule.
Lunch is a fast affair, usually at my desk, as I compensate for emails and plan for the afternoon.
Submit-lunch, I evaluation Leah's newest advertising and marketing initiatives or software program developments. Leah's power is infectious,
although her ambition typically requires tempering to align with our sensible deliverables.
My afternoons usually contain strategic planning periods, the place I work with Josh
to align our know-how wants with enterprise targets.
His technical experience is invaluable, although I typically mediate
to make sure his concepts are clearly communicated to the remainder of the workforce.
I finish my day by updating our venture administration instruments, responding to any last emails,
and making ready the following day’s precedence listing. Earlier than leaving,
I at all times stroll round to say a fast goodbye to the workforce, guaranteeing I depart on a private notice.
2. Detrimental Expertise:
A very difficult day occurred after we had been nearing a serious venture deadline.
Tensions had been excessive, and regardless of my efforts to maintain the workforce on monitor, a essential integration flaw was found.
The error was in a bit Josh had labored on; his traditional calm demeanor made it troublesome to gauge his concern,
which initially appeared like disinterest. This misunderstanding escalated underneath strain.
I felt overwhelmed and accountable, fearing the error would mirror poorly on my capacity to handle.
It was a stark reminder that my want for management and perfection might blind me to the workforce's stress ranges.
That day ended with us lacking a deadline, a primary for me, which deeply upset me.
3. Optimistic Expertise:
Certainly one of my proudest moments was main the workforce through the launch of a brand new product that was pivotal to our firm’s growth.
The venture had complicated elements, requiring tight coordination between all departments.
Regardless of the challenges, together with balancing Carlos' cautious monetary methods
with Leah's formidable advertising and marketing plans, we executed a flawless launch.
The success was made sweeter by the constructive suggestions from higher administration and the consumer’s satisfaction.
It bolstered the worth of my organizational expertise and my capacity to softly
however successfully information the workforce via high-pressure conditions.
That day, I really felt completed, seeing the tangible outcomes of our exhausting work and my management.
Phần còn lại của lời nhắc và kết quả có thể được tìm thấy ở đây: llm-network-extraction/ at main · Sugartrauma/llm-network-extraction (github.com)
Trích xuất các tương tác
Bây giờ chúng ta đã có đầu vào cho phân tích mạng của mình, chúng ta cần trích xuất các mối quan hệ từ các tương tác được đề cập.
You're a social community extraction device.
You might be given an enter marked in <enter> tag.Extract the relationships between folks talked about within the <enter> textual content and
construction them right into a CSV format with columns:
- supply
- goal
- edge_type
- interaction_type
The relationships could be of two sorts: data and private.
The interplay sorts for data could be "offers data" or "receives data,"
For private, the interaction_type could be "constructive interplay" or "unfavourable interplay."
Instance enter:
<enter>
Josh helps Leah with coding challenges, sharing his experience repeatedly.
Emily and Fiona usually collaborate creatively and have a constructive working relationship.
</enter>
Instance output:
supply,goal,edge_type,interaction_type
Josh,Leah,data,offers data
Emily,Fiona,private,constructive interplay
The connection have to be represented solely as soon as.
You should not signify an edge in the other way.
Dangerous instance:
supply,goal,edge_type,interaction_type
Josh,Leah,data,offers data
Leah,Josh,data,receives data
Good instance:
supply,goal,edge_type,interaction_type
Josh,Leah,data,offers data
<enter>
Enter comes right here
</enter>
LLM sao chép một số mối quan hệ như:
Josh, Leah, kiến thức, trao kiến thức
Leah, Josh, kiến thức, nhận kiến thức
Tôi đã sao chép chúng và bắt đầu phân tích mạng thực tế.
Mặc dù thông thạo Python nhưng tôi cũng muốn giới thiệu các khả năng của GPT4o cho những người không phải là lập trình viên. Vì vậy, tôi đã sử dụng LLM để tạo kết quả của mình với lời nhắc này:
Please construct a community in Python from this knowledge.
There must be two sorts of edges: "data", "private".
You possibly can exchange the textual interaction_types to numbers, like -1, 1.
I would like this graph visualized.
I wish to see the totally different edge_types with totally different kind of traces and the weights with totally different colours.
Tôi đã thử lại nhiều lần, GPT4o không thể giải quyết được nhiệm vụ, vì vậy với những cách làm lỗi thời, tôi đã tạo ra một biểu đồ trực quan hóa viết mã Python:
import networkx as nx
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.colours import LinearSegmentedColormapcleaned_data = pd.read_csv(<file_destination>)
# For data, we do not punish with unfavourable values if there is no such thing as a sharing
# For private relationships, a unfavourable interplay is valued -1
for idx, row in cleaned_data.iterrows():
if row("edge_type") == "data":
# If the supply acquired data, we wish to add credit score to the giver, so we swap this
if row("interaction_type") == "receives data":
swapped_source = row("goal")
swapped_target = row("supply")
cleaned_data.at(idx, "goal") = swapped_target
cleaned_data.at(idx, "supply") = swapped_source
cleaned_data.at(idx, "interaction_type") = 1
elif row("edge_type") == "private":
cleaned_data.at(idx, "interaction_type") = -1 if row("interaction_type") == "unfavourable interplay" else 1
# Mixture weights with a sum
aggregated_weights = cleaned_data.groupby(("supply", "goal", "edge_type")).sum().reset_index()
# Filter the info by edge_type
knowledge_edges = aggregated_weights(aggregated_weights('edge_type') == 'data')
knowledge_edges("interaction_type") = knowledge_edges("interaction_type").apply(lambda x: x**2)
personal_edges = aggregated_weights(aggregated_weights('edge_type') == 'private')
personal_edges("interaction_type") = personal_edges("interaction_type").apply(lambda x: x**2 if x >=0 else -(x**2))
# Normalize the weights for data interactions because it has solely >= 0 values, so the viz would not be nice
if not knowledge_edges.empty:
min_weight = knowledge_edges('interaction_type').min()
max_weight = knowledge_edges('interaction_type').max()
knowledge_edges('interaction_type') = knowledge_edges('interaction_type').apply(
lambda x: 2 * ((x - min_weight) / (max_weight - min_weight)) - 1 if max_weight != min_weight else 0)
# Create separate graphs for data and private interactions
G_knowledge = nx.DiGraph()
G_personal = nx.DiGraph()
# Add edges to the data graph
for _, row in knowledge_edges.iterrows():
G_knowledge.add_edge(row('supply'), row('goal'), weight=row('interaction_type'))
# Add edges to the private graph
for _, row in personal_edges.iterrows():
G_personal.add_edge(row('supply'), row('goal'), weight=row('interaction_type'))
custom_cmap = LinearSegmentedColormap.from_list('red_green', ('purple', 'yellow', 'inexperienced'))
# Discover the data heart
knowledge_center = knowledge_edges.groupby("supply").sum().idxmax().values(0)
least_knowledge_node = knowledge_edges.groupby("supply").sum().idxmin().values(0)
# Draw the data interplay graph with arrows
plt.determine(figsize=(12, 8))
pos = nx.spring_layout(G_knowledge, ok=0.5, iterations=50)
nx.draw_networkx_nodes(G_knowledge, pos, node_size=100, node_color='lightblue')
knowledge_weights = (d('weight') for u, v, d in G_knowledge.edges(knowledge=True))
nx.draw_networkx_edges(G_knowledge, pos, edgelist=G_knowledge.edges(), edge_color=knowledge_weights, edge_cmap=custom_cmap, edge_vmin=-1, edge_vmax=1, width=2, arrows=True)
nx.draw_networkx_labels(G_knowledge, pos, font_size=14)
plt.title('Information Interactions')
plt.annotate(f'Information Middle: {knowledge_center}', xy=(1.05, 0.95), xycoords='axes fraction', fontsize=14, shade='darkred')
plt.annotate(f'Least data sharing: {least_knowledge_node}', xy=(1.0, 0.85), xycoords='axes fraction', fontsize=14, shade='darkred')
plt.axis('off')
plt.present()
# Discover the private heart
personal_center = personal_edges.groupby("supply").sum().idxmax().values(0)
least_personal_center = personal_edges.groupby("supply").sum().idxmin().values(0)
# Draw the private interplay graph
plt.determine(figsize=(12, 8))
pos = nx.spring_layout(G_personal, ok=0.5, iterations=50)
nx.draw_networkx_nodes(G_personal, pos, node_size=100, node_color='lightblue')
weights = (d('weight') for u, v, d in G_personal.edges(knowledge=True))
nx.draw_networkx_edges(G_personal, pos, edgelist=G_personal.edges(), edge_color=weights, edge_cmap=custom_cmap, edge_vmin=-1, edge_vmax=4, width=2, arrows=True)
nx.draw_networkx_labels(G_personal, pos, font_size=14)
plt.title('Private Interactions')
plt.annotate(f'Private Middle: {personal_center}', xy=(1.05, 0.95), xycoords='axes fraction', fontsize=14, shade='darkred')
plt.annotate(f'Least constructive individual: {least_personal_center}', xy=(1.05, 0.85), xycoords='axes fraction', fontsize=14, shade='darkred')
plt.axis('off')
plt.present()
Kết quả cho mạng chia sẻ kiến thức:
Chúng ta có thể nhận thấy rằng ngoại trừ Carlos thì mọi người đều khá thân thiết trong hệ sinh thái chia sẻ kiến thức. Emily là nút có trọng số xuất hiện nhiều nhất trong biểu đồ của chúng tôi.
Chúng ta có thể làm gì với dữ liệu đó?
1. Chúng ta chắc chắn nên giữ Emily ở lại công ty – nếu chúng ta cần chọn một người nỗ lực tối đa để đạt được lợi ích và nhận được sự gắn kết lâu dài, thì đó phải là Emily.
2. Carlos là một nhà phân tích tài chính, công việc này khá xa so với công việc thực tế của nhóm. Có lẽ không có vấn đề gì khi anh ấy không chia sẻ nhiều thông tin như vậy. Phần quan trọng có thể được nhìn thấy ở phần còn lại của biểu đồ mà chúng ta không có – anh ấy chia sẻ bao nhiêu kiến thức trong nhóm tài chính. Vì vậy, hãy cẩn thận với việc giải thích các kết quả có thể trông tệ ngay từ cái nhìn đầu tiên.
Kết quả về mạng lưới tính tích cực/tiêu cực của các tương tác:
Có thể thấy Leah, kỹ sư Junior Software program của chúng tôi là người tích cực nhất nếu xét về số lượng tương tác tích cực.
1. Như một hành động, chúng ta có thể bắt đầu một chương trình cố vấn cho cô ấy, để có thể khiến thái độ tích cực của cô ấy lan truyền rộng rãi và tạo điều kiện cho cô ấy tích lũy kinh nghiệm chuyên môn nhằm tăng độ tin cậy của cô ấy trong mọi lĩnh vực công việc.
2. Emily là người có ít tương tác tích cực nhất và tiêu cực nhất. Là người quản lý dự án, điều này không có gì lạ, các PM thường đưa ra những quyết định khó khăn. Mặt khác, điều này có thể cần được kiểm tra kỹ lưỡng để xem liệu sự tiêu cực trong các tương tác của cô ấy có phải là nhiệm vụ PM hay tính cách thực sự của cô ấy hay không.
Một lần nữa, đừng cho rằng điều tồi tệ nhất ngay từ cái nhìn đầu tiên!
Bản tóm tắt
Trong bài viết này, tôi đã chia sẻ một phương pháp mới để trích xuất và phân tích mạng xã hội của tổ chức bằng LLM và phân tích biểu đồ.
Đừng quên, đây là dữ liệu tổng hợp do GPT4o tạo ra – Tôi đã trình bày công nghệ này hơn là những phát hiện thực tế liên quan đến tâm lý học. Phần đó có thể là mục tiêu nghiên cứu tiếp theo của tôi nếu tôi có quyền truy cập vào dữ liệu thực tế.
Hy vọng rằng dự án nhỏ này có thể là người hỗ trợ cho những nghiên cứu sâu hơn trong tương lai.
Tôi hy vọng bạn thích bài viết, hãy bình luận.
Nguồn:
Đồng thau, DJ (2012). Một quan điểm mạng xã hội về tâm lý tổ chức. Cẩm nang Oxford trực tuyến. doi:10.1093/oxfordhb/9780199928309.013.0021
Braun, V., & Clarke, V. (2006). “Sử dụng phân tích chuyên đề về tâm lý.” Nghiên cứu định tính trong tâm lý học, 3(2), 77–101. Bài viết này thảo luận về cách phân tích theo chủ đề trong nghiên cứu định tính có thể khám phá ra dữ liệu phong phú và chi tiết.
Briganti, G., Kempenaers, C., Braun, S., Fried, EI, & Linkowski, P. (2018). Phân tích mạng lưới các mục đồng cảm từ chỉ số phản ứng giữa các cá nhân ở thanh niên năm 1973. Nghiên cứu Tâm thần học, 265, 87–92. DOI: 10.1016/j.psychres.2018.03.082
Casciaro, T., Barsade, SG, Edmondson, AC, Gibson, CB, Krackhardt, D., & Labianca, G. (2015). Sự tích hợp các quan điểm tâm lý và mạng lưới trong học bổng tổ chức. Khoa học tổ chức, 26(4), 1162–1176. DOI: 10.1287/orsc.2015.0988
Denzin, NK, & Lincoln, YS (Eds.). (2011). “Sổ tay Sage về nghiên cứu định tính.” Hiền nhân. Cuốn sổ tay này thảo luận về những điểm mạnh của nghiên cứu định tính trong việc nắm bắt sự phức tạp của hành vi con người và các hiện tượng xã hội.
Malterud, Ok. (2001). “Nghiên cứu định tính: tiêu chuẩn, thách thức và hướng dẫn.” Lancet358(9280), 483–488.
Murdock, BB (1962). “Hiệu ứng vị trí nối tiếp của việc thu hồi miễn phí.” Tạp chí tâm lý học thực nghiệm64(5), 482–488.
Nederhof, AJ và Zwier, AG (1983). ‘Cuộc “khủng hoảng” trong tâm lý xã hội, một cách tiếp cận thực nghiệm’, Tạp chí Tâm lý Xã hội Châu Âu, 13: 255–280.
Nederhof, AJ (1985). Các phương pháp đối phó với thành kiến về mong muốn xã hội: Đánh giá. Tạp chí Tâm lý Xã hội Châu Âu, 15(3), 263–280. doi:10.1002/ejsp.2420150303
Nickerson, RS (1998). “Thành kiến xác nhận: Một hiện tượng phổ biến dưới nhiều hình thức.” Ôn tập tâm lý học đại cương2(2), 175–220.
Rosenthal, R., & Fode, KL (1963). “Ảnh hưởng của sự thiên vị của người thí nghiệm đến hiệu suất của chuột bạch tạng.” Khoa học hành vi8(3), 183–189.
Thorndike, EL (1920). “Một lỗi liên tục trong xếp hạng tâm lý.” Tạp chí tâm lý học ứng dụng4(1), 25–29.
Zuckerman, M. (1979). “Xem xét lại việc phân bổ thành công và thất bại, hoặc: Thành kiến về động lực vẫn còn tồn tại trong lý thuyết phân bổ.” Tạp chí tính cách47(2), 245–287.
[ad_2]
Source link