Kim był Donald T. Campbell?
Donald Thomas Campbell (1916–1996) był amerykańskim psychologiem społecznym i metodologiem, od którego studenci uczą się słów „trafność wewnętrzna”, „trafność zewnętrzna” i „quasi-eksperyment”. Urodził się 20 listopada 1916 r. w Grass Lake w stanie Michigan. Po szkole średniej (1934) przepracował rok na fermie indyków w Victorville w Kalifornii za 40 dolarów miesięcznie z utrzymaniem, by nabrać doświadczenia życiowego. W 1939 r. ukończył z najlepszym wynikiem na roku University of California w Berkeley. Doktorat w Berkeley przerwała służba w rezerwie marynarki wojennej w czasie II wojny światowej; obronił go w 1947 r. (Association for Psychological Science, 1996).
Pracował na Ohio State University (1947–1950) i University of Chicago (1950–1953), a najdłużej – 26 lat – na Northwestern University (1953–1979). Potem był profesorem w Syracuse University (1979), a od 1982 r. na Lehigh University, skąd w 1994 r. przeszedł na częściową emeryturę (Association for Psychological Science, 1996; Perrin, 1996). W 1975 r. był prezesem American Psychological Association (Campbell, 1975). Zmarł 6 maja 1996 r. w Bethlehem w Pensylwanii z powodu powikłań po operacji (Perrin, 1996).
Najważniejsze pomysły
- Trafność wewnętrzna i zewnętrzna (1957). W artykule o trafności eksperymentów w warunkach społecznych wyróżnił siedem kategorii zmiennych ubocznych – historię, dojrzewanie, efekt testowania, zmianę narzędzia, regresję, selekcję i ubytek osób – które zagrażają trafności wewnętrznej, oraz czynniki ograniczające trafność zewnętrzną, czyli uogólnianie wyników (Campbell, 1957).
- Macierz wielu cech i wielu metod (1959). Z Donaldem W. Fiske’em zaproponował ocenę trafności przez zestawienie korelacji kilku cech mierzonych kilkoma niezależnymi metodami (Campbell i Fiske, 1959). Tytuł artykułu mówi o walidacji zbieżnej i różnicowej – stąd dzisiejsze trafność zbieżna i różnicowa. Perrin (1996) pisze, że artykuł wskazywano jako najczęściej cytowaną pracę w naukach społecznych.
- Quasi-eksperymenty (1963). W monografii napisanej z Julianem C. Stanleyem opisał plany badań, które mają część, ale nie wszystkie cechy prawdziwego eksperymentu – dziś schematy quasi-eksperymentalne, np. przerwany szereg czasowy. W 1979 r. rozwinął je w książce z Thomasem D. Cookiem (Perrin, 1996).
- Reformy jako eksperymenty. W artykule z 1969 r. postulował „społeczeństwo eksperymentujące”, w którym reformy społeczne sprawdza się jak hipotezy; to jedno ze źródeł badań ewaluacyjnych (Association for Psychological Science, 1996).
- Miary nieinwazyjne. Z Webbem, Schwartzem i Sechrestem opisał miary, które nie wymagają pytania badanych – np. popularność eksponatów w muzeum oceniana po tempie zużycia płytek podłogowych przed nimi (Perrin, 1996).
Ciekawostka
Zasadę nazywaną dziś prawem Campbella przedstawił po raz pierwszy w maju 1974 r. na konferencji psychologii społecznej w Wyszehradzie na Węgrzech, a drukiem w 1976 r. (Campbell, 2011). Sam nazwał ją pesymistycznymi prawami: im częściej jakiś ilościowy wskaźnik społeczny służy do podejmowania decyzji, tym silniej ktoś będzie próbował go zafałszować i tym bardziej zniekształci on proces, który miał mierzyć.
Najbardziej obrazowy przykład pochodzi ze szkół. W programie w Texarkanie firmom prowadzącym zajęcia wyrównawcze płacono według przyrostu wyników uczniów w testach osiągnięć. Okazało się, że firmy uczyły odpowiedzi na konkretne zadania z testu końcowego. Campbell uznał, że testy osiągnięć dobrze opisują postępy przy zwykłym nauczaniu, ale gdy wynik testu staje się celem nauczania, przestają być wskaźnikiem i psują samo nauczanie (Campbell, 2011). Uczciwie dodał, że jego dowody są w większości anegdotyczne.
Przykład: macierz MTMM i wpływ metody
Symulujemy badanie walidacyjne: trzy cechy uczniów (lęk, samoocena, motywacja), każda zmierzona trzema metodami (samoopis, ocena rodzica, ocena nauczyciela), n = 300, cechy skorelowane w populacji na poziomie .30 (dane fikcyjne, set.seed(841)). Porównujemy dwa scenariusze o ręcznie dobranych ładunkach: słaby wpływ metody (ładunek cechy 0.70, metody 0.30) i silny (cechy 0.50, metody 0.65). Każda macierz ma 9 współczynników trafności (ta sama cecha, różne metody), 9 korelacji różnych cech mierzonych tą samą metodą i 18 korelacji różnych cech mierzonych różnymi metodami.
Przy słabym wpływie metody średnia korelacja tej samej cechy różnymi metodami wynosi .48 (od .43 do .53), różnych cech tą samą metodą .25, a różnych cech różnymi metodami .15. Wszystkie 72 porównania z drugiego kryterium Campbella i Fiske’a i wszystkie 36 z trzeciego wypadają zgodnie z oczekiwaniem. Przy silnym wpływie metody współczynniki trafności spadają do średnio .24, korelacje różnych cech tą samą metodą rosną do .52, a trzecie kryterium nie jest spełnione w żadnym z 36 porównań. Drugie kryterium nadal przechodzi (72 z 72), bo różne cechy mierzone różnymi metodami korelują słabo (.08).
Na rysunku
Co widać. Trzy prace, z których student zna Campbella – o trafności, macierzy MTMM i quasi-eksperymentach – powstały w ciągu sześciu lat na Northwestern University.
Na co uważać. To wybór dziesięciu zdarzeń: pomija m.in. „Reformy jako eksperymenty” (1969), pracę w Syracuse i dorobek z epistemologii ewolucyjnej. Rok przy pomyśle to rok publikacji.
Podpis do pracy:
set.seed(841)). Rysunek: R, pakiet ggplot2.Co widać. W panelu A kolejność jest taka, jakiej oczekiwali Campbell i Fiske: ta sama cecha różnymi metodami koreluje najsilniej, różne cechy różnymi metodami – najsłabiej. W panelu B metoda „skleja” różne cechy: lęk i motywacja w ocenie nauczyciela korelują silniej niż lęk w ocenie nauczyciela i lęk w samoopisie.
Na co uważać. Wykres pokazuje rozkład korelacji, a nie pełną macierz – nie widać, która para łamie kryterium. Porównania „na oko” nie są testem; modele CFA dla tej samej macierzy omawia wpis Macierz MTMM – wiele cech i wiele metod. Ładunki dobraliśmy tak, by różnica była wyraźna.
Podpis do pracy:
Gdzie spotkasz Campbella w swojej pracy
- Rozdział o metodzie i ograniczenia. Lista zagrożeń trafności wewnętrznej i zewnętrznej to podstawa akapitu „ograniczenia badania”, zwłaszcza w planach bez losowego przydziału. Jak to opisać, pokazuje wpis Quasi-eksperyment i różnica w różnicach.
- Walidacja kwestionariusza. Trafność zbieżna i różnicowa, macierz MTMM i wspólna wariancja metody – panel B rysunku pokazuje, czym grozi badanie, w którym wszystko mierzy jeden kwestionariusz.
- Ewaluacja programów i wskaźniki. Gdy oceniasz program według jednego wskaźnika, pamiętaj o prawie Campbella. Plan takiego badania opisuje wpis Ewaluacja programu – jak opisać w pracy.
Spory, mity i trudne strony
„Quasi-eksperyment to słabszy eksperyment, więc wystarczy go opisać jak eksperyment”. Campbell podkreślał odwrotnie: każdy plan ma wbudowane zagrożenia i trzeba je wyliczyć i wykluczać konkurencyjne wyjaśnienia jedno po drugim (Perrin, 1996).
„Trafność wewnętrzna to cecha testu”. To cecha planu badania, nie narzędzia; o narzędziach mówi trafność teoretyczna, którą macierz MTMM pomaga oceniać.
„Campbell był przeciwnikiem mierzenia efektów”. Przeciwnie – zabiegał o badanie programów społecznych metodami eksperymentalnymi (Perrin, 1996). Prawo Campbella nie mówi, że wskaźniki są bezużyteczne, tylko że tracą wartość, gdy stają się celem; testy osiągnięć uważał za cenne przy zwykłym nauczaniu (Campbell, 2011).
Campbell w R
Kod rysuje oś czasu, symuluje dwie macierze MTMM (słaby i silny wpływ metody), dzieli korelacje na trzy rodzaje, liczy, ile porównań spełnia drugie i trzecie kryterium Campbella i Fiske’a, i rysuje rozkłady korelacji. Rysunki na stronie powstały z tych samych obiektów p_os i p_mtmm z krojem i tłem serwisu; dane, geometrie i skale są identyczne.
Oś czasu i symulacja macierzy MTMM
Kod R rysunków 1 i 2
# Donald T. Campbell: oś czasu i macierz wielu cech i wielu metod (MTMM) przy słabym i silnym wpływie metody – symulacja
suppressPackageStartupMessages(library(ggplot2))
oi <- c(niebieski = "#0072B2", pomaranczowy = "#E69F00", cynober = "#D55E00", szary = "grey45") # Okabe–Ito
motyw <- theme_minimal(base_size = 13) + theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"))
# 1. Oś czasu (lata według APS Observer 1996, Perrina 1996 i prac Campbella)
zdarzenia <- data.frame(
rok = c(1916, 1939, 1947, 1953, 1957, 1959, 1963, 1975, 1982, 1996),
opis = c("urodzony w Grass Lake\n(Michigan)", "licencjat\n(Berkeley)", "doktorat (Berkeley),\nOhio State",
"Northwestern\n(26 lat)", "trafność wewnętrzna\ni zewnętrzna", "macierz MTMM\n(z Fiske’em)",
"plany quasi-\neksperymentalne\n(ze Stanleyem)", "prezes APA", "Lehigh University", "zmarł 6 maja"),
rodzaj = c("życie", "stanowisko", "stanowisko", "stanowisko", "praca", "praca", "praca", "wyróżnienie",
"stanowisko", "życie"))
zdarzenia$y <- c(1.2, -1.2, 1.2, -1.2, 2.2, -2.3, 1.2, -1.2, 1.2, -1.2) # wysokość etykiet, żeby się nie nakładały
p_os <- ggplot(zdarzenia, aes(rok, 0)) +
geom_hline(yintercept = 0, colour = "grey60") +
geom_segment(aes(xend = rok, yend = y * 0.8), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.5) +
geom_label(aes(y = y, label = paste0(rok, "\n", opis)), size = 3.2, lineheight = 0.9, linewidth = 0.2) +
scale_shape_manual(values = c("życie" = 21, "stanowisko" = 22, "praca" = 24, "wyróżnienie" = 23), name = NULL) +
scale_fill_manual(values = c("życie" = oi[["szary"]], "stanowisko" = oi[["niebieski"]], "praca" = oi[["cynober"]],
"wyróżnienie" = oi[["pomaranczowy"]]), name = NULL) +
scale_x_continuous(breaks = seq(1910, 2000, 10), limits = c(1908, 2004)) + scale_y_continuous(limits = c(-2.9, 2.8)) +
labs(title = "Donald T. Campbell (1916–1996)", x = NULL, y = NULL) +
motyw + theme(axis.text.y = element_blank(), panel.grid.major.y = element_blank(), legend.position = "bottom")
# 2. Symulacja MTMM: 3 cechy × 3 metody, n = 300 uczniów (dane fikcyjne)
cechy <- c("lęk", "samoocena", "motywacja")
metody <- c("samoopis", "rodzic", "nauczyciel")
mtmm <- function(lambda, mu, n = 300, r_cech = 0.3) {
R <- matrix(r_cech, 3, 3); diag(R) <- 1
cecha <- matrix(rnorm(n * 3), n) %*% chol(R) # skorelowane cechy (r = .3 w populacji)
metoda <- matrix(rnorm(n * 3), n) # niezależne czynniki metod
X <- sapply(seq_len(9), function(j) {
c_ <- (j - 1) %% 3 + 1; m_ <- (j - 1) %/% 3 + 1
lambda * cecha[, c_] + mu * metoda[, m_] + sqrt(1 - lambda^2 - mu^2) * rnorm(n)
})
colnames(X) <- paste(rep(substr(cechy, 1, 3), 3), rep(substr(metody, 1, 3), each = 3), sep = "_")
cor(X)
}
# Ładunki dobrane ręcznie: cecha 0.70 i metoda 0.30 (słaby wpływ metody) vs cecha 0.50 i metoda 0.65 (silny)
set.seed(841)
R_slaba <- mtmm(lambda = 0.70, mu = 0.30)
set.seed(841)
R_silna <- mtmm(lambda = 0.50, mu = 0.65)
round(R_slaba, 2)
# Podział korelacji na trzy rodzaje z Campbella i Fiske’a (1959)
rodzaj_pary <- function(i, j) {
ci <- (i - 1) %% 3; cj <- (j - 1) %% 3; mi <- (i - 1) %/% 3; mj <- (j - 1) %/% 3
if (ci == cj) "trafność (ta sama cecha, różne metody)"
else if (mi == mj) "różne cechy, ta sama metoda"
else "różne cechy, różne metody"
}
pary <- subset(expand.grid(i = 1:9, j = 1:9), i < j)
pary$rodzaj <- mapply(rodzaj_pary, pary$i, pary$j)
korelacje <- rbind(
data.frame(scenariusz = "A. Słaby wpływ metody", pary, r = R_slaba[cbind(pary$i, pary$j)]),
data.frame(scenariusz = "B. Silny wpływ metody", pary, r = R_silna[cbind(pary$i, pary$j)]))
korelacje$rodzaj <- factor(korelacje$rodzaj, levels = c("trafność (ta sama cecha, różne metody)",
"różne cechy, różne metody", "różne cechy, ta sama metoda"))
aggregate(r ~ rodzaj + scenariusz, data = korelacje, FUN = function(x) round(c(min = min(x), sr = mean(x), max = max(x)), 2))
# Kryteria 2 i 3: każdy współczynnik trafności porównany z korelacjami w tym samym wierszu i kolumnie
kryteria <- function(R) {
wyn <- c(k2_spelnione = 0, k2_porownania = 0, k3_spelnione = 0, k3_porownania = 0)
for (k in seq_len(nrow(pary))) {
i <- pary$i[k]; j <- pary$j[k]
if (pary$rodzaj[k] != "trafność (ta sama cecha, różne metody)") next
for (a in c(i, j)) for (b in setdiff(1:9, c(i, j))) {
typ <- rodzaj_pary(min(a, b), max(a, b))
if (typ == "różne cechy, różne metody") {
wyn["k2_porownania"] <- wyn["k2_porownania"] + 1; wyn["k2_spelnione"] <- wyn["k2_spelnione"] + (R[i, j] > R[a, b])
} else if (typ == "różne cechy, ta sama metoda") {
wyn["k3_porownania"] <- wyn["k3_porownania"] + 1; wyn["k3_spelnione"] <- wyn["k3_spelnione"] + (R[i, j] > R[a, b])
}
}
}
wyn
}
rbind(slaby_wplyw_metody = kryteria(R_slaba), silny_wplyw_metody = kryteria(R_silna))
p_mtmm <- ggplot(korelacje, aes(r, rodzaj, shape = rodzaj, colour = rodzaj)) +
geom_vline(xintercept = 0, colour = "grey60") +
stat_summary(fun = mean, geom = "crossbar", width = 0.5, linewidth = 0.4, colour = "grey30") +
geom_point(position = position_jitter(width = 0, height = 0.12, seed = 841), size = 2.8, stroke = 1.1) +
facet_wrap(~ scenariusz, ncol = 1) +
scale_shape_manual(values = c(16, 1, 17), guide = "none") +
scale_colour_manual(values = c(oi[["niebieski"]], oi[["szary"]], oi[["cynober"]]), guide = "none") +
scale_y_discrete(limits = rev, labels = function(x) sub(" \\(", "\n(", x)) +
scale_x_continuous(limits = c(-0.05, 0.75), breaks = seq(0, 0.7, 0.1)) +
labs(title = "Korelacje w macierzy MTMM 3 cechy × 3 metody (n = 300)", x = "Korelacja r", y = NULL) +
motyw
p_os
p_mtmmWynik w R
lęk_sam sam_sam mot_sam lęk_rod sam_rod mot_rod lęk_nau sam_nau mot_nau
lęk_sam 1.00 0.23 0.24 0.43 0.12 0.17 0.50 0.18 0.22
sam_sam 0.23 1.00 0.22 0.10 0.45 0.07 0.16 0.53 0.18
mot_sam 0.24 0.22 1.00 0.12 0.13 0.46 0.16 0.20 0.47
lęk_rod 0.43 0.10 0.12 1.00 0.22 0.25 0.45 0.13 0.14
sam_rod 0.12 0.45 0.13 0.22 1.00 0.21 0.14 0.50 0.15
mot_rod 0.17 0.07 0.46 0.25 0.21 1.00 0.16 0.13 0.48
lęk_nau 0.50 0.16 0.16 0.45 0.14 0.16 1.00 0.33 0.27
sam_nau 0.18 0.53 0.20 0.13 0.50 0.13 0.33 1.00 0.31
mot_nau 0.22 0.18 0.47 0.14 0.15 0.48 0.27 0.31 1.00
rodzaj scenariusz r.min r.sr r.max
1 trafność (ta sama cecha, różne metody) A. Słaby wpływ metody 0.43 0.48 0.53
2 różne cechy, różne metody A. Słaby wpływ metody 0.07 0.15 0.22
3 różne cechy, ta sama metoda A. Słaby wpływ metody 0.21 0.25 0.33
4 trafność (ta sama cecha, różne metody) B. Silny wpływ metody 0.19 0.24 0.30
5 różne cechy, różne metody B. Silny wpływ metody 0.03 0.08 0.14
6 różne cechy, ta sama metoda B. Silny wpływ metody 0.47 0.52 0.58
k2_spelnione k2_porownania k3_spelnione k3_porownania
slaby_wplyw_metody 72 72 36 36
silny_wplyw_metody 72 72 0 36Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (symulacja i korelacje – funkcje bazowe rnorm(), chol(), cor(); rysunki – pakiet ggplot2). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- 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/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
Najczęstsze pytania
Kim był Donald T. Campbell?
Amerykańskim psychologiem społecznym i metodologiem (1916–1996). Doktorat zrobił w Berkeley (1947), najdłużej pracował na Northwestern University (1953–1979), potem w Syracuse i na Lehigh University. W 1975 r. był prezesem American Psychological Association.
Co to jest prawo Campbella?
Zasada, że im częściej ilościowy wskaźnik społeczny służy do podejmowania decyzji, tym silniej ktoś próbuje go zafałszować i tym bardziej zniekształca on proces, który miał mierzyć. Campbell ilustrował ją m.in. nauczaniem pod test, gdy płacono za przyrost wyników uczniów.
Co wymyślił Campbell w metodologii badań?
Rozróżnienie trafności wewnętrznej i zewnętrznej z listą zagrożeń (1957), macierz wielu cech i wielu metod do oceny trafności zbieżnej i różnicowej, opracowaną z Donaldem W. Fiske’em w 1959 r., oraz opis planów quasi-eksperymentalnych, napisany z Julianem C. Stanleyem w 1963 r.
Kim był Stanley z „Campbella i Stanleya”?
Julian C. Stanley – współautor monografii z 1963 r. o planach eksperymentalnych i quasi-eksperymentalnych. Późniejsze rozwinięcie tych planów Campbell napisał z Thomasem D. Cookiem (1979).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Macierz MTMM: wiele cech i wiele metod
Kryteria Campbella i Fiske’a, modele CTCM, CTCU i CT-C(M−1) w lavaan, problemy z identyfikacją i przykład 3 cechy × 3 metody.
Czytaj →PoradnikQuasi-eksperyment i różnica w różnicach (DiD)
Ocena programu bez losowania: równoległe trendy, regresja z interakcją, błędy klastrowane, model zdarzeń, test placebo, zagrożenia trafności i kod R.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Association for Psychological Science. (1996). Donald T. Campbell: Social psychologist and scholar (1916–1996). APS Observer. https://www.psychologicalscience.org/observer/donald-t-campbell-social-psychologist-and-scholar-1916-1996 ● Otwarty dostęp
- Campbell, D. T. (1957). Factors relevant to the validity of experiments in social settings. Psychological Bulletin, 54(4), 297–312. https://doi.org/10.1037/h0040950
- Campbell, D. T. (1975). On the conflicts between biological and social evolution and between psychology and moral tradition. American Psychologist, 30(12), 1103–1126. https://doi.org/10.1037/0003-066x.30.12.1103
- Campbell, D. T. (2011). Assessing the impact of planned social change. Journal of MultiDisciplinary Evaluation, 7(15), 3–43. https://doi.org/10.56645/jmde.v7i15.297 ● Otwarty dostęp
- Campbell, D. T., & Fiske, D. W. (1959). Convergent and discriminant validation by the multitrait-multimethod matrix. Psychological Bulletin, 56(2), 81–105. https://doi.org/10.1037/h0046016 ● Otwarty dostęp: pełny tekst
- Perrin, B. (1996). Donald T. Campbell. PS: Political Science & Politics, 29(3), 545–547. https://doi.org/10.1017/s1049096500045273 ● Otwarty dostęp
Cytowania BibTeX
@misc{associationforpsychologicalscience1996campbell, author={{Association for Psychological Science}}, title={{Donald T. Campbell: Social psychologist and scholar (1916–1996)}}, howpublished={APS Observer}, year={1996}, publisher={Association for Psychological Science}, url={https://www.psychologicalscience.org/observer/donald-t-campbell-social-psychologist-and-scholar-1916-1996}}@article{campbell1957factors, author={Campbell, Donald T.}, title={{Factors relevant to the validity of experiments in social settings}}, journal={Psychological Bulletin}, year={1957}, volume={54}, number={4}, pages={297--312}, doi={10.1037/h0040950}}@article{campbell1975conflicts, author={Campbell, Donald T.}, title={{On the conflicts between biological and social evolution and between psychology and moral tradition}}, journal={American Psychologist}, year={1975}, volume={30}, number={12}, pages={1103--1126}, doi={10.1037/0003-066x.30.12.1103}}@article{campbell2011assessing, author={Campbell, Donald T.}, title={{Assessing the impact of planned social change}}, journal={Journal of MultiDisciplinary Evaluation}, year={2011}, volume={7}, number={15}, pages={3--43}, doi={10.56645/jmde.v7i15.297}}@article{campbell1959convergent, author={Campbell, Donald T. and Fiske, Donald W.}, title={{Convergent and discriminant validation by the multitrait-multimethod matrix}}, journal={Psychological Bulletin}, year={1959}, volume={56}, number={2}, pages={81--105}, doi={10.1037/h0046016}}@article{perrin1996donald, author={Perrin, Burt}, title={{Donald T. Campbell}}, journal={PS: Political Science \& Politics}, year={1996}, volume={29}, number={3}, pages={545--547}, doi={10.1017/s1049096500045273}}