Statystyka WF-FI-KGN-ST
1.
Wprowadzenie do statystyki i rola w badaniach kognitywnych
– czym jest statystyka, po co w kognitywistyce.
2.
Skale pomiarowe i typy danych
– nominalna, porządkowa, interwałowa, ilorazowa
3.
Podstawowe pojęcia: populacja, próba, parametr, statystyka
– różnice i dlaczego to ważne w badaniach
4.
Statystyka opisowa
– średnia, mediana, moda, wariancja, odchylenie standardowe.
5.
Rozkłady statystyczne i prawdopodobieństwo
– rozkład normalny, prawo wielkich liczb, podstawy rachunku prawdopodobieństwa.
6.
Hipotezy i wnioskowanie statystyczne
– hipoteza zerowa i alternatywna, błąd I i II rodzaju, p-value.
7.
Testy parametryczne – t-Studenta
– test dla jednej próby, dla prób zależnych i niezależnych.
8.
Testy nieparametryczne – U Manna-Whitneya, Wilcoxona
– kiedy stosować zamiast testów parametrycznych.
9.
Analiza wariancji (ANOVA) i testy nieparametryczne dla wariancji
– podstawy ANOVA, porównywanie więcej niż dwóch grup.
10
Korelacje
– współczynniki Pearsona i Spearmana, przykłady w badaniach poznawczych
11
Regresja liniowa
– podstawy przewidywania jednej zmiennej na podstawie drugiej.
12
Test chi-kwadrat i modelowanie
– badanie zależności w danych jakościowych
13
Statystyka bayesowska
– różnica między klasyczną a bayesowską, przykłady w psychologii i AI
14
Statystyka i sztuczna inteligencja
– jak AI używa metod statystycznych
15
Wizualizacja i raportowanie danych
– jak prezentować wyniki: wykresy, tabele, standardy (APA, publikacje)
E-Learning
Grupa przedmiotów ogólnouczenianych
Opis nakładu pracy studenta w ECTS
Poziom przedmiotu
Symbol/Symbole kierunkowe efektów uczenia się
Typ przedmiotu
Koordynatorzy przedmiotu
Efekty kształcenia
KOG1_W03
w zaawansowanym stopniu terminologię z zakresu nauk formalnych (logiki i
matematyki) stosowanej w kognitywistyce
rozpoznaje, definiuje i stosuje podstawowe pojęcia statystyczne (np. średnia, wariancja, odchylenie standardowe, rozkład normalny),
wyjaśnia i interpretuje znaczenie terminów statystycznych w kontekście badań psychologicznych i kognitywistycznych,
stosuje symbole i notację matematyczno-statystyczną w analizie danych.
KOG1_W13
zaawansowanym stopniu specyfikę przedmiotową i metodologiczną
kognitywistki oraz podstawowe metody badawcze i strategie heurystyczne
właściwe dla głównych działów kognitywistyki
analizuje, porównuje i ocenia wyniki obliczeń statystycznych stosowanych w badaniach kognitywistycznych i psychologicznych,
dobiera i wykorzystuje właściwe testy statystyczne do konkretnych problemów badawczych,
interpretuje i prezentuje wyniki analiz ilościowych w formie tabel i wykresów.
Kryteria oceniania
Na ocenę 3.0 (dostateczną)
• Student zna wszystkie podstawowe pojęcia z kursu (np. hipoteza, zmienna, rozkład normalny, korelacja, test t, test U Manna–Whitneya, chi-kwadrat).
• Potrafi ogólnie opisać cel i zasadę działania podstawowych testów statystycznych (np. „test t sprawdza różnicę między średnimi”).
• Rozumie znaczenie hipotezy zerowej i alternatywnej na poziomie opisowym.
• Umie odczytać prosty wykres/statystykę i powiedzieć, co on w bardzo ogólny sposób pokazuje.
���� Na ocenę 3.5 (dostateczną plus)
• Student potrafi poprawnie dobrać prosty test do sytuacji badawczej (np. kiedy użyć testu t, a kiedy U Manna–Whitneya).
• Umie wskazać, jakie są podstawowe założenia najczęściej używanych testów (np. normalność rozkładu, równość wariancji).
• Potrafi odróżnić rodzaje zmiennych (ilościowe, jakościowe, porządkowe).
• Jest w stanie wskazać ograniczenia wyników („ten test pokazuje zależność, ale nie dowodzi przyczynowości”).
���� Na ocenę 4.0 (dobrą)
• Student potrafi wyjaśnić szczegółowo zasadę działania testów parametrycznych i nieparametrycznych oraz wskazać różnice między nimi.
• Umie zinterpretować wyniki testu (np. p-value, poziom istotności, wielkość efektu).
• Potrafi omówić analizę wariancji i podać przykłady jej zastosowania.
• Rozumie i potrafi wyjaśnić korelację i regresję jako narzędzia do badania zależności między zmiennymi.
���� Na ocenę 4.5 (dobrą plus)
• Student umie powiązać metody z pytaniami badawczymi – np. potrafi zaproponować, jaki test byłby właściwy w konkretnym przykładzie badawczym w kognitywistyce.
• Potrafi zinterpretować złożone wyniki (np. interakcje w analizie wariancji, wyniki testów chi² w tabelach wielodzielczych).
• Wykazuje zdolność krytycznej oceny – np. wskazuje ryzyko błędów I i II rodzaju, problem z mocą testu.
• Rozumie podstawy prawdopodobieństwa bayesowskiego i potrafi wyjaśnić, jak różni się od klasycznego podejścia.
���� Na ocenę 5.0 (bardzo dobrą)
• Student prezentuje pełną biegłość w treściach kursu: zna wszystkie testy omawiane na zajęciach, ich założenia, interpretacje i ograniczenia.
• Potrafi samodzielnie zinterpretować wyniki badań przedstawione w artykule naukowym, wskazać poprawność lub błędy w analizie.
• Umie integrować wiedzę – np. połączyć klasyczne statystyki z zastosowaniem algorytmów sztucznej inteligencji do analizy danych.
• Potrafi krytycznie odnieść się do znaczenia wyników dla teorii w kognitywistyce, a nie tylko do „suchych statystyk”.
• Wypowiada się precyzyjnym, naukowym językiem, pokazując dojrzałość metodologiczną.
Student(ka) ma prawo do dwóch nieobecności na wykładach, które nie wymagają usprawiedliwienia. Podstawą zaliczenia jest test – zdanie od 60% daje ocenę dostateczną. Za aktywność na zajęciach oraz udział w dyskusji wykładowca zastrzega sobie prawo do przyznawania dodatkowych punktów na egzaminie.
Literatura
King, Bruce M., & Minium, Edward W. (2020). Statystyka dla psychologów i pedagogów. Warszawa: Wydawnictwo Naukowe PWN.
Szymańska, A. (2025). Mathematical Modeling in Psychology Using Artificial Intelligence. Warsaw: UKSW Press.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: