Słownik metodologiczny · Ludzie statystyki

Charles E. Osgood (1916–1991) – twórca dyferencjału semantycznego

Charles E. Osgood zaproponował pomiar znaczenia na skalach z przeciwstawnymi przymiotnikami i pokazał w kilkudziesięciu kulturach trzy wymiary: ocenę, siłę i aktywność. Przedstawiamy jego drogę, historię ocalonego wydruku z danymi atlasu i analizę głównych składowych na danych zbudowanych według jego planu.

Strona główna / Słownik / Charles E. Osgood
W skrócie: Charles E. Osgood (1916–1991) – amerykański psycholog z University of Illinois, twórca dyferencjału semantycznego (The Measurement of Meaning, 1957). Z analiz czynnikowych ocen pojęć wyprowadził trzy wymiary znaczenia – ocenę, siłę i aktywność – i sprawdził je w projekcie obejmującym 30 kultur.

Kim był Charles E. Osgood?

Charles Egerton Osgood (1916–1991) był amerykańskim psychologiem, twórcą dyferencjału semantycznego. Urodził się 20 listopada 1916 r. w Somerville w stanie Massachusetts. Dyplom licencjacki zdobył w Dartmouth College (1939), a doktorat w Yale (1945). Po roku pracy badawczej w Yale uczył psychologii w University of Connecticut (1946–1949), a w 1949 r. przeszedł na University of Illinois. Od 1952 r. był tam profesorem komunikacji i psychologii, a w latach 1957–1984 kierował uczelnianym ośrodkiem badań nad komunikacją (University of Illinois Archives, b.d.).

W latach 1962–1963 był prezesem Amerykańskiego Towarzystwa Psychologicznego (APA), otrzymał stypendium Guggenheima, a w 1972 r. został wybrany do National Academy of Sciences. Zmarł 15 września 1991 r. (National Academy of Sciences, b.d.).

Najważniejsze pomysły

  • Dyferencjał semantyczny (1957). W książce The Measurement of Meaning Osgood, Suci i Tannenbaum (1957) zaproponowali pomiar znaczenia pojęć na skalach rozpiętych między dwoma przeciwstawnymi przymiotnikami, np. dobry–zły. Badani oceniali wiele pojęć na długiej liście takich skal, a oceny poddawano analizie czynnikowej (Kervyn i in., 2013).
  • Trzy wymiary znaczenia. Analizy konsekwentnie dawały trzy wymiary: ocenę (dobry–zły, prawdziwy–fałszywy), siłę (silny–słaby, ciężki–lekki) i aktywność (aktywny–bierny, szybki–wolny), w skrócie EPA. Ocena i siła okazywały się stabilne w różnych kulturach, aktywność – mniej (Kervyn i in., 2013).
  • Badanie w kilkudziesięciu kulturach. Projekt prowadzony przez Osgooda objął 30 kultur i osoby odpowiadające w ponad 21 językach. W 21 społecznościach miejscowi badacze zebrali skojarzenia przymiotników do 100 pojęć znanych wszędzie (np. matka, niebezpieczeństwo, grzmot) i zbudowali z nich 50 skal. Oceny 200 nastolatków uśredniono dla każdego pojęcia, a tak powstałe 1050 zmiennych (50 skal × 21 kultur) poddano wspólnej analizie czynnikowej. Trzy wymiary pojawiły się w każdej kulturze, a nie tylko w przekładach skal z angielskiego (Heise, 2014). Wyniki opisuje książka Osgooda, Maya i Mirona (1975).
  • Psycholingwistyka. Archiwum uczelni wymienia trzy wątki jego pracy: psycholingwistykę, międzykulturowe badania znaczenia afektywnego oraz psychospołeczną dynamikę i perspektywy ludzkości (University of Illinois Archives, b.d.).

Ciekawostka

Największy zbiór danych Osgooda prawie nie przetrwał. Na podstawie 12 skal (po cztery na wymiar) zespół oceniał 620 pojęć – każde ocenianych przez 40 nastolatków w każdej społeczności. Miał z tego powstać międzykulturowy atlas znaczeń afektywnych. Jak opisuje David Heise (2014), kilka lat po wydaniu książki z 1975 r. Osgood zapadł na chorobę, która odebrała mu zdolność do pracy, ośrodek na uczelni się rozpadł, a dane – łącznie z atlasem – przepadły.

Ocalały dzięki przypadkowi. W 1978 r. Heise kupił w uczelnianej księgarni w Illinois komputerowy wydruk wyników dla 17 z 30 kultur i przechowywał go wśród swoich papierów przez ponad 20 lat. Po przejściu na emeryturę w 2001 r. zeskanował kartki, przepisał tabele programem do rozpoznawania tekstu i udostępnił dane innym badaczom (Heise, 2014).

Przykład: trzy wymiary z analizy głównych składowych

Odtwarzamy w małej skali plan Osgooda (dane symulowane, set.seed(1957)). Trzydziestu pojęciom – od „matki” po „pociąg” – nadaliśmy ręcznie położenia na wymiarach oceny, siły i aktywności. Każde pojęcie ocenia 40 osób na 12 skalach siedmiostopniowych, po cztery na wymiar; skala żywy–martwy łączy aktywność z oceną. Pojedyncza ocena zawiera dużo szumu (odchylenie standardowe 1.5 punktu). Jak u Osgooda, oceny uśredniamy dla każdego pojęcia i liczymy korelacje skal po pojęciach.

Analiza głównych składowych tej macierzy daje trzy wartości własne wyraźnie powyżej 1 (4.77, 3.79 i 2.47), a czwartą zaledwie 0.25 – wykres osypiska i kryterium Kaisera zgodnie wskazują trzy składowe. Wyjaśniają one 91.9% wariancji. Po rotacji varimax każda skala ma ładunek od .88 do .98 na „swojej” składowej, a współczynnik kongruencji Tuckera z zamierzoną strukturą wynosi .983–.993. Skala żywy–martwy ma też ładunek .41 na ocenie.

Wynik pojęcia na wymiarze to średnia czterech skal. Matka dostaje 5.51 na ocenie, kwiat jest „dobry” (5.58), ale „słaby” (2.75), a śmierć – zła (2.42), dość „silna” (4.86) i bierna (2.44). Wyniki korelują z ustalonymi położeniami na poziomie .975–.987.

Na rysunku

Oś czasu od 1910 do 1995 z zaznaczonymi zdarzeniami: 1916 urodził się w Somerville w Massachusetts; 1939 dyplom Dartmouth College; 1945 doktorat w Yale; 1946–1949 University of Connecticut; 1949 University of Illinois; 1957 książka The Measurement of Meaning; 1957–1984 dyrektor ośrodka badań komunikacji; 1962–1963 prezes APA; 1972 członek National Academy of Sciences; 1975 książka Cross-Cultural Universals of Affective Meaning; 1991 zmarł. Rodzaj zdarzenia oznacza kształt i kolor znacznika: koło – życie, kwadrat – praca, romb – publikacja, trójkąt – wyróżnienie
Rysunek 1. Oś czasu: Charles E. Osgood (1916–1991). Lata według noty biograficznej University of Illinois Archives (b.d.), katalogu członków National Academy of Sciences (b.d.) i dat publikacji. Rysunek: R, pakiet ggplot2.

Co widać. Prawie cała kariera naukowa Osgooda – od 1949 r. do emerytury – związana była z jedną uczelnią. Dwie książki o pomiarze znaczenia dzieli 18 lat: najpierw metoda (1957), potem jej sprawdzian w wielu kulturach (1975).

Na co uważać. Nota archiwalna pochodzi z Who’s Who in America z lat 1984–1985 i kończy się na tym okresie; o ostatnich latach życia źródła mówią niewiele, dlatego oś czasu je pomija.

Podpis do pracy:

Rysunek 1. Najważniejsze daty z życia i pracy Charlesa E. Osgooda (1916–1991). Uwaga. Kształt znacznika oznacza rodzaj zdarzenia (życie, praca, publikacja, wyróżnienie).
Dwa panele. A: mapa cieplna ładunków 12 skal dwubiegunowych na trzech składowych po rotacji varimax; cztery skale oceny (dobry–zły, przyjemny–nieprzyjemny, piękny–brzydki, uczciwy–nieuczciwy) mają ładunki .95–.98 na ocenie, cztery skale siły (silny–słaby, duży–mały, ciężki–lekki, twardy–miękki) .90–.94 na sile, cztery skale aktywności (szybki–wolny, aktywny–bierny, głośny–cichy, żywy–martwy) .88–.96 na aktywności; pozostałe ładunki bliskie zera, poza .41 skali żywy–martwy na ocenie; liczby wpisane w pola, pogrubione wartości powyżej .50. B: wykres rozrzutu 30 pojęć z etykietami, oś pozioma – ocena, oś pionowa – siła, przerywane linie na środku skali 4; trójkąty oznaczają pojęcia aktywne, koła bierne; w prawym górnym rogu słońce, ojciec, miłość, matka, koń; w prawym dolnym kwiat, dziecko, zabawa, kot, sen; w lewym górnym burza, grzmot, śmierć, wróg; najwyżej góra
Rysunek 2. Trzy wymiary znaczenia w danych symulowanych według planu Osgooda: 30 pojęć × 12 skal, oceny 40 osób uśrednione dla każdego pojęcia (set.seed(1957)). Obliczenia i rysunek: R, pakiety ggplot2, patchwork i ggrepel.

Co widać. W panelu A ładunki układają się w trzy bloki po cztery skale – to wymiary oceny, siły i aktywności. Panel B to „mapa znaczeń” w przestrzeni dwóch pierwszych wymiarów: pojęcia dobre i silne (słońce, ojciec) leżą daleko od dobrych i słabych (kwiat, dziecko), a burza i grzmot są silne i aktywne, ale nie dobre.

Na co uważać. Tak czysta struktura wynika z uśredniania 40 ocen i z tego, że dane zbudowaliśmy według trzech wymiarów. W prawdziwych badaniach aktywność bywa mniej stabilna, a przy ocenie ludzi i grup siła i aktywność mogą się łączyć (Kervyn i in., 2013). Położenia pojęć ustaliliśmy ręcznie, więc nie odzwierciedlają one niczyich rzeczywistych ocen.

Podpis do pracy:

Rysunek 2. Ładunki 12 skal dyferencjału semantycznego na trzech składowych po rotacji varimax (A) oraz położenie 30 pojęć na wymiarach oceny i siły (B). Uwaga. Dane symulowane; analiza głównych składowych macierzy korelacji średnich ocen pojęć (N = 30 pojęć, 40 oceniających na pojęcie).

Gdzie spotkasz Osgooda w swojej pracy

Gdy mierzysz postawę wobec pojęcia, marki, zawodu czy przedmiotu na skalach z przeciwstawnymi przymiotnikami. Pamiętaj, że:

  • trzech wymiarów nie zakładaj z góry – sprawdź je analizą równoległą i analizą czynnikową we własnych danych; różnicę między PCA a analizą czynnikową wyjaśnia wpis PCA czy analiza czynnikowa;
  • analiza Osgooda dotyczyła korelacji po pojęciach (uśrednione oceny), a nie po osobach – struktura różnic między ludźmi oceniającymi jedno pojęcie może wyglądać inaczej;
  • część par umieść z biegunem pozytywnym po prawej i przed analizą przekoduj je (pozycja odwrócona); format skali porównuje hasło o skali Likerta.

Spory, mity i trudne strony

  • Czy wymiary są uniwersalne? Badanie międzykulturowe miało wykluczyć, że trzy wymiary są tylko skutkiem tłumaczenia angielskich skal: przymiotniki zbierano w każdym języku od nowa (Heise, 2014). Kervyn i in. (2013) wskazują jednak, że ocena i siła są stabilniejsze niż aktywność.
  • Dyferencjał to nie jedna skala. Nazwa „skala Osgooda” bywa używana na każdą skalę z dwoma przymiotnikami. W ujęciu Osgooda to cała technika: dobór pojęć, wiele par przymiotników i analiza czynnikowa ich ocen.
Przykład reprodukowalny

Trzy wymiary Osgooda w R

Kod tworzy dane według planu Osgooda (30 pojęć, 12 skal, 40 oceniających), uśrednia oceny, wykonuje analizę głównych składowych z rotacją varimax, liczy kongruencję z zamierzoną strukturą i wyniki pojęć oraz rysuje rysunek 2. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów p1 i p2, którym podmieniono tylko motyw na motyw serwisu. Położenia pojęć, ładunki (0.9 i 0.4) i szum (SD 1.5 dla osoby, 0.3 dla pary pojęcie–skala) dobraliśmy ręcznie, żeby struktura była czytelna.

1. Analiza głównych składowych ocen pojęć: rysunek 2

Dane wejściowe: dane symulowane, set.seed(1957); 30 pojęć × 12 skal dwubiegunowych (1–7) × 40 osób.

Co odczytać: wartości własne i procent wariancji; ładunki po rotacji varimax; kongruencję Tuckera; wyniki pojęć na wymiarach E, P i A.

Kod R rysunku 2
# Osgood: trzy wymiary znaczenia (ocena, siła, aktywność) z analizy głównych składowych – dane symulowane
suppressPackageStartupMessages({library(ggplot2); library(patchwork); library(ggrepel)})
kol <- c(wysoka = "#D55E00", niska = "#0072B2")   # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")

# 1. Plan jak w badaniu międzykulturowym Osgooda: pojęcia × skale dwubiegunowe, oceny uśrednione po osobach
# „prawdziwe” położenia 30 pojęć na wymiarach E (ocena), P (siła), A (aktywność) – ustalone ręcznie, ilustracyjne
pojecia <- data.frame(
  pojecie = c("matka", "ojciec", "dziecko", "przyjaciel", "wróg", "lekarz", "policjant", "złodziej", "burza", "grzmot",
              "ogień", "kwiat", "kamień", "wąż", "koń", "kot", "słońce", "noc", "śmierć", "choroba",
              "miłość", "strach", "niebezpieczeństwo", "pieniądze", "praca", "zabawa", "sen", "góra", "rzeka", "pociąg"),
  E = c(2, 1.5, 1.8, 1.8, -1.8, 1.3, 0.6, -1.8, -0.6, -0.4, -0.2, 1.6, -0.1, -1.4, 1, 0.8, 1.8, 0, -2, -1.8,
        2, -1.6, -1.6, 0.8, 0.4, 1.6, 1, 0.6, 0.8, 0.2),
  P = c(0.5, 1.2, -1.5, 0.3, 0.8, 0.8, 1.3, -0.2, 1.8, 1.6, 1.4, -1.6, 1.5, 0.2, 1.3, -0.8, 1.5, 0.2, 1.2, 0.2,
        0.8, 0.4, 1, 1, 0.9, -0.6, -0.6, 1.9, 0.6, 1.5),
  A = c(0.3, 0.2, 1.5, 0.5, 0.5, 0, 0.6, 1, 1.8, 1.4, 1.8, -0.5, -1.8, 0.8, 1.4, 0.6, 0.8, -1.6, -1.8, -1.2,
        0.8, 0.9, 1.2, 0.3, 0.7, 1.6, -1.8, -1.4, 0.8, 1.3))
skale <- data.frame(
  skala = c("dobry–zły", "przyjemny–nieprzyjemny", "piękny–brzydki", "uczciwy–nieuczciwy",
            "silny–słaby", "duży–mały", "ciężki–lekki", "twardy–miękki",
            "szybki–wolny", "aktywny–bierny", "głośny–cichy", "żywy–martwy"),
  wymiar = rep(c("E", "P", "A"), each = 4))
# ładunki „prawdziwe”: 0.9 na własnym wymiarze; żywy–martwy dodatkowo 0.4 na ocenie
B <- matrix(0, nrow(skale), 3, dimnames = list(skale$skala, c("E", "P", "A")))
B[cbind(1:12, match(skale$wymiar, c("E", "P", "A")))] <- 0.9
B["żywy–martwy", "E"] <- 0.4
set.seed(1957)
osoby <- 40                                   # jak w atlasie Osgooda: 40 oceniających na pojęcie
T_EPA <- as.matrix(pojecia[, c("E", "P", "A")])
specyfika <- matrix(rnorm(30 * 12, 0, 0.3), 30, 12)          # niepowtarzalne skojarzenia pojęcie × skala
oceny <- array(NA, c(30, 12, osoby))
for (k in 1:osoby) {
  surowe <- 4 + T_EPA %*% t(B) + specyfika + matrix(rnorm(30 * 12, 0, 1.5), 30, 12)
  oceny[, , k] <- pmin(7, pmax(1, round(surowe)))            # skala 1–7, 7 = lewy przymiotnik
}
M <- apply(oceny, c(1, 2), mean)                             # 30 pojęć × 12 skal
dimnames(M) <- list(pojecia$pojecie, skale$skala)
round(M[c("matka", "burza", "kamień", "kwiat"), c(1, 5, 9)], 2)

# 2. Analiza głównych składowych macierzy korelacji 12 skal (korelacje liczone po 30 pojęciach)
R <- cor(M)
e <- eigen(R)
round(rbind(wartosc_wlasna = e$values[1:5], proc_wariancji = 100 * e$values[1:5] / 12), 2)
L <- e$vectors[, 1:3] %*% diag(sqrt(e$values[1:3]))           # ładunki 3 składowych
rot <- varimax(L)
Lr <- unclass(rot$loadings); rownames(Lr) <- skale$skala
# nazwanie składowych według skal o najwyższych ładunkach i ustalenie znaku
nazwa <- c("E", "P", "A")[sapply(1:3, function(j) which.max(tapply(abs(Lr[, j]), skale$wymiar, mean)[c("E", "P", "A")]))]
znak <- sign(sapply(1:3, function(j) sum(Lr[skale$wymiar == nazwa[j], j])))
Lr <- sweep(Lr, 2, znak, "*"); colnames(Lr) <- nazwa
Lr <- Lr[, c("E", "P", "A")]
round(Lr, 2)
round(c(proc_wariancji_3_skladowych = 100 * sum(e$values[1:3]) / 12), 1)
# zgodność z zamierzoną strukturą: współczynnik kongruencji Tuckera dla każdego wymiaru
kongruencja <- sapply(c("E", "P", "A"), function(w) sum(Lr[, w] * B[, w]) / sqrt(sum(Lr[, w]^2) * sum(B[, w]^2)))
round(kongruencja, 3)

# 3. Wyniki pojęć na wymiarach: średnie czterech skal (skala 1–7) i korelacja z położeniem „prawdziwym”
wynik <- sapply(c("E", "P", "A"), function(w) rowMeans(M[, skale$wymiar == w]))
round(wynik[c("matka", "śmierć", "burza", "kwiat", "sen"), ], 2)
round(diag(cor(wynik, T_EPA)), 3)
round(cor(wynik), 2)

# Rysunek: A – ładunki po rotacji varimax; B – pojęcia w przestrzeni ocena × siła
dl <- data.frame(skala = factor(rep(rownames(Lr), 3), levels = rev(rownames(Lr))),
                 skladowa = factor(rep(c("Ocena (E)", "Siła (P)", "Aktywność (A)"), each = 12),
                                   levels = c("Ocena (E)", "Siła (P)", "Aktywność (A)")),
                 ladunek = as.vector(Lr))
pA <- ggplot(dl, aes(skladowa, skala, fill = ladunek)) +
  geom_tile(colour = "white") +
  geom_text(aes(label = sub("^(-?)0\\.", "\\1.", sprintf("%.2f", ladunek)), fontface = ifelse(abs(ladunek) >= .5, "bold", "plain")),
            size = 3.4) +
  scale_fill_gradient2(low = "#0072B2", mid = "white", high = "#D55E00", limits = c(-1, 1), name = "ładunek") +
  labs(title = "A. Ładunki składowych (varimax)", x = NULL, y = NULL) +
  motyw + theme(panel.grid = element_blank())
wp <- data.frame(pojecie = rownames(wynik), E = wynik[, "E"], P = wynik[, "P"],
                 aktywnosc = ifelse(wynik[, "A"] >= 4, "aktywne (A ≥ 4)", "bierne (A < 4)"))
pB <- ggplot(wp, aes(E, P)) +
  geom_hline(yintercept = 4, colour = "grey70", linetype = "22") +
  geom_vline(xintercept = 4, colour = "grey70", linetype = "22") +
  geom_point(aes(shape = aktywnosc, colour = aktywnosc), size = 2.6) +
  geom_text_repel(aes(label = pojecie), size = 3.1, seed = 1957, max.overlaps = Inf, min.segment.length = 0.3) +
  scale_colour_manual(values = c("aktywne (A ≥ 4)" = kol[["wysoka"]], "bierne (A < 4)" = kol[["niska"]]), name = NULL) +
  scale_shape_manual(values = c("aktywne (A ≥ 4)" = 17, "bierne (A < 4)" = 16), name = NULL) +
  labs(title = "B. Pojęcia: ocena × siła", x = "Ocena (średnia 4 skal, 1–7)", y = "Siła (średnia 4 skal, 1–7)") +
  motyw
p2 <- pA + pB + plot_layout(widths = c(1, 1.25))
p2
Wynik w R
       dobry–zły silny–słaby szybki–wolny
matka       5.15        5.22         3.95
burza       3.80        5.72         5.18
kamień      3.80        5.45         2.58
kwiat       5.32        3.10         3.22
                [,1]  [,2]  [,3] [,4] [,5]
wartosc_wlasna  4.77  3.79  2.47 0.25 0.21
proc_wariancji 39.72 31.61 20.59 2.08 1.72
                           E     P     A
dobry–zły               0.97 -0.10  0.09
przyjemny–nieprzyjemny  0.95 -0.22 -0.01
piękny–brzydki          0.98 -0.13  0.08
uczciwy–nieuczciwy      0.95 -0.07  0.12
silny–słaby            -0.17  0.91 -0.05
duży–mały              -0.09  0.90  0.07
ciężki–lekki           -0.06  0.94  0.08
twardy–miękki          -0.15  0.93  0.05
szybki–wolny            0.16  0.12  0.94
aktywny–bierny         -0.09  0.09  0.96
głośny–cichy           -0.05 -0.10  0.96
żywy–martwy             0.41  0.06  0.88
proc_wariancji_3_skladowych 
                       91.9 
    E     P     A 
0.987 0.983 0.993 
          E    P    A
matka  5.51 4.49 4.22
śmierć 2.42 4.86 2.44
burza  3.78 5.53 5.28
kwiat  5.58 2.75 3.50
sen    5.09 3.51 2.51
    E     P     A 
0.987 0.986 0.975 
      E     P    A
E  1.00 -0.25 0.20
P -0.25  1.00 0.07
A  0.20  0.07 1.00

2. Oś czasu: rysunek 1

Dane wejściowe: zdarzenia z latami według cytowanych źródeł, wpisane ręcznie.

Co odczytać: nic – kod tylko rysuje oś czasu.

Kod R rysunku 1
# Oś czasu: Charles E. Osgood (1916–1991) – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
  rok = c(1916, 1939, 1945, 1946, 1949, 1956.5, 1957.5, 1962, 1972, 1975, 1991),
  etykieta = c("1916", "1939", "1945", "1946–1949", "1949", "1957", "1957–1984", "1962–1963", "1972", "1975", "1991"),
  opis = c("urodził się w Somerville\n(Massachusetts)", "dyplom\nDartmouth College", "doktorat\n(Yale)", "University of\nConnecticut",
           "University of Illinois", "„The Measurement\nof Meaning”", "dyrektor ośrodka\nbadań komunikacji", "prezes APA",
           "członek National\nAcademy of Sciences", "„Cross-Cultural Universals\nof Affective Meaning”", "zmarł"),
  rodzaj = c("życie", "życie", "życie", "praca", "praca", "publikacja", "praca", "wyróżnienie", "wyróżnienie", "publikacja", "życie"))
zdarzenia$strona     <- c(1, -1, 1, -1, 1, 1, -1, 1, -1, 1, -1)
zdarzenia$poziom     <- c(0.5, 0.5, 0.5, 1.3, 1.3, 2.1, 0.5, 0.5, 1.3, 1.3, 0.5)
zdarzenia$wyrownanie <- c(0.5, 0.5, 0.5, 0.5, 0.9, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5)
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23, "wyróżnienie" = 24)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00", "wyróżnienie" = "#009E73")   # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
  geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
  geom_segment(aes(xend = rok, y = 0, yend = poziom * strona), colour = "grey70") +
  geom_point(aes(shape = rodzaj, fill = rodzaj), size = 4, colour = "black") +
  geom_text(aes(y = (poziom + 0.07) * strona, label = paste0(etykieta, "\n", opis), vjust = ifelse(strona > 0, 0, 1), hjust = wyrownanie),
            size = 3.2, lineheight = 0.9) +
  scale_shape_manual(values = ksztalty, name = NULL) +
  scale_fill_manual(values = kolory, name = NULL) +
  scale_x_continuous(limits = c(1908, 1999), breaks = seq(1910, 1990, by = 10)) +
  scale_y_continuous(limits = c(-2.3, 3)) +
  labs(x = NULL, y = NULL) +
  theme_minimal(base_size = 13) +
  theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
        legend.position = "bottom")
p1

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (analiza głównych składowych – funkcje eigen() z pakietu base i varimax() z pakietu stats; rysunki – pakiety ggplot2, patchwork i ggrepel). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  4. ggrepel (wersja 0.9.8): Slowikowski, K. (2026). ggrepel: Automatically position non-overlapping text labels with 'ggplot2' [R package]. https://doi.org/10.32614/CRAN.package.ggrepel

Najczęstsze pytania

Kim był Charles E. Osgood?

Amerykańskim psychologiem (1916–1991). Doktoryzował się w Yale w 1945 r., od 1949 r. pracował w University of Illinois jako profesor komunikacji i psychologii, w latach 1962–1963 był prezesem APA, a w 1972 r. został członkiem National Academy of Sciences.

Co to są wymiary EPA Osgooda?

Trzy wymiary znaczenia, które dawała analiza czynnikowa ocen pojęć na skalach dyferencjału semantycznego: ocena (dobry–zły), siła (silny–słaby) i aktywność (aktywny–bierny). Ocena i siła okazywały się stabilne w różnych kulturach, aktywność – mniej.

W ilu kulturach Osgood badał znaczenie pojęć?

Projekt obejmował 30 kultur i osoby odpowiadające w ponad 21 językach. We wspólnej analizie 21 społeczności (100 pojęć, 50 skal w każdej) trzy wymiary pojawiły się w każdej kulturze. Wyniki opisuje książka Osgooda, Maya i Mirona z 1975 r.

Jak w R sprawdzić wymiary dyferencjału semantycznego?

Uśrednij oceny każdego pojęcia na każdej skali, policz korelacje skal po pojęciach i wykonaj analizę głównych składowych lub czynnikową z rotacją varimax. W przykładzie trzy wartości własne (4.77, 3.79, 2.47) wyjaśniły 91.9% wariancji, a ładunki skal na swoich wymiarach wyniosły .88–.98.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Heise, D. R. (2014). Cultural variations in sentiments. SpringerPlus, 3(1), Article 170. https://doi.org/10.1186/2193-1801-3-170 ● Otwarty dostęp
  2. Kervyn, N., Fiske, S. T., & Yzerbyt, V. Y. (2013). Integrating the stereotype content model (warmth and competence) and the Osgood semantic differential (evaluation, potency, and activity). European Journal of Social Psychology, 43(7), 673–681. https://doi.org/10.1002/ejsp.1978 ● Otwarty dostęp: pełny tekst
  3. National Academy of Sciences. (b.d.). Charles E. Osgood (member directory). Pobrano 20 listopada 2026 z https://www.nasonline.org/directory-entry/charles-e-osgood/ ● Otwarty dostęp
  4. Osgood, C. E., May, W. H., & Miron, M. S. (1975). Cross-cultural universals of affective meaning. University of Illinois Press.
  5. Osgood, C. E., Suci, G. J., & Tannenbaum, P. H. (1957). The measurement of meaning. University of Illinois Press.
  6. University of Illinois Archives. (b.d.). Charles E. Osgood Papers, 1939–82: Biographical sketch of Charles Egerton Osgood, educator – psychologist. Pobrano 20 listopada 2026 z https://files.archon.library.illinois.edu/uasfa/1305020_supp.pdf ● Otwarty dostęp

Cytowania BibTeX

@article{heise2014cultural, author={Heise, David R.}, title={{Cultural variations in sentiments}}, journal={SpringerPlus}, year={2014}, volume={3}, number={1}, eid={170}, doi={10.1186/2193-1801-3-170}}
@article{kervyn2013integrating, author={Kervyn, Nicolas and Fiske, Susan T. and Yzerbyt, Vincent Y.}, title={{Integrating the stereotype content model (warmth and competence) and the Osgood semantic differential (evaluation, potency, and activity)}}, journal={European Journal of Social Psychology}, year={2013}, volume={43}, number={7}, pages={673--681}, doi={10.1002/ejsp.1978}}
@misc{nasosgood, author={{National Academy of Sciences}}, title={{Charles E. Osgood (member directory)}}, url={https://www.nasonline.org/directory-entry/charles-e-osgood/}}
@book{osgood1975crosscultural, author={Osgood, Charles E. and May, William H. and Miron, Murray S.}, title={{Cross-cultural universals of affective meaning}}, year={1975}, publisher={University of Illinois Press}, url={https://archive.org/details/crossculturaluni00osgo}}
@book{osgood1957measurement, author={Osgood, Charles E. and Suci, George J. and Tannenbaum, Percy H.}, title={{The measurement of meaning}}, year={1957}, publisher={University of Illinois Press}, url={https://archive.org/details/measurementofmea0000osgo}}
@misc{uiucarchivesosgood, author={{University of Illinois Archives}}, title={{Charles E. Osgood Papers, 1939–82: Biographical sketch of Charles Egerton Osgood, educator – psychologist}}, url={https://files.archon.library.illinois.edu/uasfa/1305020_supp.pdf}}
R