实验心理学到底在研究什么？

实验心理学并非简单地把“实验”二字贴在心理学前面，它更像是一门用控制变量、量化行为与认知过程的“工艺学”。**它的核心任务是用可重复、可证伪的 *** ，回答“人在特定条件下会怎么想、怎么做”**。 自问：为什么不用问卷或访谈？ 自答：问卷只能描述“人们说自己怎么想”，而实验可以迫使大脑在设定边界里暴露真实机制。 ---

如何从零开始设计一个实验？

1. 把问题拆成变量

- **自变量**（IV）：你要操纵的东西，比如灯光亮度、奖励大小。 - **因变量**（DV）：你要测量的东西，比如反应时、正确率。 - **混淆变量**：任何可能偷偷影响DV、却不是你真正关心的因素，必须被“锁死”或随机化。

2. 写一份“预注册”脚本

在数据收集前就公开假设、样本量、排除标准。**这一步能防止“数据出来后编故事”**。我习惯用OSF平台，把实验材料、分析代码一并上传，哪怕后来改主意，也能留下时间戳作证。

3. 选择被试与伦理审查

- 样本量：G*Power算功效，别拍脑袋。 - 伦理：知情同意、退出自由、数据匿名，缺一不可。 - 小技巧：在校园招募时，给学分比给钱更能提升参与率，但记得在同意书里写清“学分与表现无关”，避免成绩压力造成偏差。 ---

实验场景搭建：硬件与软件的细节

硬件陷阱

- 屏幕刷新率：60Hz与144Hz对视觉搜索任务的影响可达20ms，**别让设备成为隐藏自变量**。 - 按键延迟：机械键盘比薄膜键盘平均快8ms，如果实验以毫秒级为单位，必须统一外设。

软件选择

- PsychoPy：开源、Python语法，适合需要自定义 *** 序列的研究。 - E-Prime：拖拽式界面，新手半天能跑通Stroop。 - 个人观点：**如果团队里有人会Python，优先选PsychoPy**，因为后期迭代不用买License，也能直接对接Git做版本控制。 ---

数据分析：别让p值骗了你

预处理三板斧

- 剔除极端值：±3SD或1.5×IQR，先写死规则再动手。 - 处理缺失：随机缺失可用多重插补，系统缺失直接删。 - 试次级清洗：把反应时<100ms或>3000ms的试次标记为“猜测”或“走神”。

统计模型怎么选？

- 两组比较：独立t检验，但先跑Levene检验看方差齐性。 - 多组比较：单因素ANOVA，若球形假设不通过，用Greenhouse-Geisser校正。 - 重复测量：线性混合效应模型（LME）比传统rmANOVA更抗缺失，还能把被试作为随机斜率。 自问：p<0.05就一定有意义吗？ 自答：不。**把效应量η²或Cohen’s d一并报告**，才能判断“显著”是否“重要”。 ---

常见坑位与我的补救方案

需求特征

被试会猜实验目的，从而“配合”或“捣乱”。 补救：用封面故事，例如研究“阅读流畅度”实则测“情绪词干扰”。

练习效应

同一批人做多次测试，成绩自然提升。 补救：ABBA平衡或拉丁方设计，让顺序效应相互抵消。

发表偏倚

阳性结果更容易见刊。 补救：预注册+开放数据，让阴性结果也能被引用。 ---

一个微案例：用实验心理学验证“手机削弱专注力”

- 假设：手机可见但不可及时，Stroop干扰效应更大。 - 设计：2（手机位置：桌上 vs 隔壁房间）×2（Stroop一致性：一致 vs 不一致）被试间设计。 - 结果：手机在桌上组的Stroop效应量d=0.68，隔壁房间组d=0.31，交互显著F(1,94)=7.42, p=.007, η²=.07。 - 独家见解：**手机即使不亮屏，也像一个“未完成任务”挂在工作记忆里，持续消耗认知资源**。把实验搬到真实课堂，发现学生抽屉里的手机同样拉低阅读理解成绩，效应量与实验室一致，说明外部效度良好。