Kim był Edward L. Thorndike?
Edward Lee Thorndike (1874–1949) był amerykańskim psychologiem, którego Woodworth (1952) nazwał najbardziej produktywnym psychologiem w historii kraju: zostawił ponad 500 publikacji, w tym ponad 50 książek. Urodził się 31 sierpnia 1874 r. w Williamsburgu w Massachusetts. Na Wesleyan University (dyplom 1895) i na początku studiów na Harvardzie zajmował się literaturą; na psychologię przeszedł pod wpływem Williama Jamesa (Woodworth, 1952).
Na Columbii, zachęcony przez Jamesa McKeena Cattella, obronił w 1898 r. doktorat o inteligencji zwierząt (Thorndike, 1898). Po roku w Western Reserve University wrócił w 1899 r. do Teachers College na Columbii i pracował tam do emerytury w 1940 r.; od 1922 r. kierował działem psychologii w uczelnianym Institute of Educational Research. Był prezesem APA (1912) i AAAS (1934), a w 1917 r. został członkiem Narodowej Akademii Nauk USA. Zmarł 9 sierpnia 1949 r. w Montrose w stanie Nowy Jork (Woodworth, 1952).
Najważniejsze pomysły
- Uczenie się i prawo efektu. W rozprawie z 1898 r. umieszczał zwierzęta w „skrzynkach problemowych”: kociak musiał odsunąć zasuwkę, by dostać się do ryby. Z kolejnymi próbami nieskuteczne ruchy zanikały, a właściwy pojawiał się coraz szybciej. Stąd prawo efektu – skutek reakcji utrwala albo osłabia jej związek z sytuacją – i pomiar uczenia się czasem w kolejnych próbach, czyli krzywa uczenia (Thorndike, 1898; Woodworth, 1952).
- Statystyka dla psychologów i pedagogów. Wartość nowych metod statystycznych pokazał mu Franz Boas. Podręcznik Introduction to the Theory of Mental and Social Measurements (1904) miał nauczyć psychologów i pedagogów bez przygotowania matematycznego rozumnie korzystać ze statystyki (Woodworth, 1952).
- Pomiar w edukacji. Budował skale osiągnięć szkolnych o równych jednostkach. Z 1918 r. pochodzi jego często cytowane zdanie, że wszystko, co istnieje, istnieje w jakiejś ilości i można to zmierzyć (Woodworth, 1952).
- Korelacje i spór ze Spearmanem. Z niskich korelacji Pearsona między zdolnościami wnioskował, że są one swoiste; Charles Spearman tłumaczył te same dane czynnikiem ogólnym. Spór przyczynił się do rozwoju analizy czynnikowej (Woodworth, 1952).
- Testy i oceny w armii. W latach 1917–1918 przewodniczył armijnemu Committee on Classification of Personnel; uczestniczył we wprowadzaniu grupowych testów inteligencji i testów dla lotników (Woodworth, 1952). Oceny oficerów armii posłużyły mu potem w artykule o efekcie halo (Thorndike, 1920).
W latach 1937–1944 badał ponad 450 miast USA, używając korelacji cząstkowych i współczynników ścieżek (Woodworth, 1952).
Ciekawostka
Pierwsze eksperymenty Thorndike prowadził na Harvardzie z kurczętami – i to nie w laboratorium. Zwierząt nie wolno było tam trzymać, więc badał je najpierw we własnym pokoju, a potem w piwnicy domu Williama Jamesa (Woodworth, 1952). Sam przyznawał później, że nie wybrał tematu z miłości do zwierząt, lecz by zbadać go lepiej niż poprzednicy.
Nazwa „halo” też ma konkretne pochodzenie. W artykule z 1920 r. Thorndike opisał oceny 137 kadetów lotnictwa wystawione przez sumiennego dowódcę według skali Waltera Dilla Scotta, która wprost kazała oceniać cechy fizyczne, inteligencję, przywództwo i charakter niezależnie od siebie. Ocena inteligencji korelowała z pozostałymi na poziomie .51, .58 i .64 – według Thorndike’a zbyt wysoko i zbyt równo. Ten stały błąd nazwał „aureolą” (halo) ogólnego wrażenia (Thorndike, 1920).
Przykład: symulacja efektu halo
Ocen z 1920 r. nie ma w pakietach R, więc używamy danych fikcyjnych. Losujemy prawdziwe poziomy czterech cech ze skali Scotta u 137 osób. Prawdziwe korelacje ustaliliśmy ręcznie tak, by – zgodnie z intuicją Thorndike’a – inteligencja korelowała z charakterem i przywództwem trzy razy silniej (.30) niż z cechami fizycznymi (.10). Oceniający widzi prawdziwy poziom cechy z błędem (SD = 0.5) i dokłada do każdej oceny ogólne wrażenie o osobie z wagą 0.8 (set.seed(1920)). Inaczej niż w haśle o efekcie halo sprawdzamy, czy oceny zachowują różnice między parami cech.
W tej próbie średnia korelacja między cechami wzrosła z .21 do .45, a rozrzut sześciu korelacji (SD) zmalał z .15 do .07. Iloraz korelacji inteligencja–charakter do inteligencja–cechy fizyczne spadł z 2.92 do 1.14: w ocenach obie pary wyglądają prawie tak samo. Pierwsza składowa główna tłumaczy 42% wariancji prawdziwych cech, ale 59% wariancji ocen.
Na 20 000 osób (set.seed(1921)) iloraz wynosi bez halo 3.10 (korelacje .24 i .08 – niższe od prawdziwych, bo błąd oceny je osłabia), przy wadze 0.5 – 1.56, a przy 1.5 – 1.08.
Na rysunku
Co widać. Od 1899 do 1940 r. Thorndike pracował w jednej uczelni – Teachers College.
Na co uważać. Rok podręcznika (1904) podajemy za tekstem Woodwortha (1952); w bibliografii tego wspomnienia książka stoi wśród prac z 1903 r.
Podpis do pracy:
set.seed(1920) i set.seed(1921); prawdziwe korelacje cech, błąd oceny (SD = 0.5) i wagi halo ustalone ręcznie. Obliczenia i rysunek: R, pakiety MASS, ggplot2 i patchwork.Co widać. Panel A to „zbyt wysokie i zbyt równe” korelacje Thorndike’a: prawdziwe korelacje są zróżnicowane, a w ocenach zbite w wąskim przedziale. Panel B: im większa waga wrażenia, tym bliżej siebie są obie linie.
Na co uważać. To ilustracja, nie dane z 1920 r. W prawdziwych ocenach nie znamy korelacji samych cech, więc halo nie da się po prostu odjąć.
Podpis do pracy:
Gdzie spotkasz Thorndike’a w swojej pracy
Gdy ktoś ocenia ludzi lub prace w kilku wymiarach naraz:
- wysoka i bardzo równa korelacja między kryteriami oceny to sygnał ostrzegawczy; porównaj ją z tym, czego można się spodziewać po samych cechach, i zajrzyj do macierzy MTMM, która oddziela cechy od metod;
- rada samego Thorndike’a (1920): niech obserwator raportuje dowody, a nie oceny, a każdą cechę ocenia się osobno, bez wiedzy o pozostałych – dziś to ocenianie kryterium po kryterium i ślepa ocena;
- przy jednym źródle danych licz się ze wspólną wariancją metody, a zgodność sędziów (ICC) nie chroni przed halo, bo dwóch sędziów może ulec temu samemu wrażeniu;
- jeden dominujący czynnik w ocenach (wysokie i podobne ładunki) może być w dużej części halo.
Spory, mity i trudne strony
- Halo prawdziwe czy błąd? Murphy, Jako i Anhalt (1993) pokazali, że samej korelacji ocen nie da się rozłożyć na halo prawdziwe i pozorne, i zaproponowali, by nie traktować wskaźników halo jako zmiennych zależnych. Thorndike (1920) też przyznawał, że wielkości błędu nie umie dokładnie zmierzyć.
- Eugenika. W bibliografii Thorndike’a jest artykuł o eugenice, a w podręczniku psychologii edukacyjnej (1913–1914) pisał o różnicach rasowych i płciowych oraz ich zależności od dziedziczności i środowiska (Woodworth, 1952). W 2020 r. rada Teachers College jednogłośnie usunęła jego nazwisko z budynku; w komunikacie uczelnia uznała jego wkład w psychologię edukacyjną i testowanie, ale wskazała, że był zwolennikiem eugeniki i głosił poglądy rasistowskie, seksistowskie i antysemickie (Bailey i Rueckert, 2020).
Efekt halo w R
Kod losuje prawdziwe poziomy czterech cech, tworzy oceny z ogólnym wrażeniem oceniającego, porównuje korelacje (średnią, rozrzut, iloraz dwóch par i pierwszą składową główną), powtarza symulację dla różnych wag halo i 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; dane, geometrie i skale są identyczne.
1. Symulacja efektu halo: rysunek 2
Kod R rysunku 2
# Edward L. Thorndike: efekt halo – oceny „zbyt wysokie i zbyt równe” (symulacja, dane fikcyjne)
suppressPackageStartupMessages({library(MASS); library(ggplot2); library(patchwork)})
kol <- c(prawdziwe = "#0072B2", oceny = "#D55E00", IC = "#009E73", IF = "#CC79A7") # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
cechy <- c("Fizyczne", "Inteligencja", "Przywództwo", "Charakter") # cztery cechy ze skali W. D. Scotta (Thorndike, 1920)
# Prawdziwe korelacje cech – wartości ilustracyjne, dobrane tak, by inteligencja wiązała się
# z charakterem i przywództwem trzy razy silniej niż z cechami fizycznymi (r = .30 wobec .10)
R_prawda <- matrix(c(1.00, 0.10, 0.15, 0.10,
0.10, 1.00, 0.30, 0.30,
0.15, 0.30, 1.00, 0.30,
0.10, 0.30, 0.30, 1.00), 4, dimnames = list(cechy, cechy))
ocen <- function(prawda, waga_halo, sd_bledu = 0.5) {
wrazenie <- rnorm(nrow(prawda)) # ogólne wrażenie oceniającego o danej osobie
prawda + waga_halo * wrazenie + matrix(rnorm(length(prawda), 0, sd_bledu), nrow(prawda))
}
pary <- function(R) {
i <- which(lower.tri(R), arr.ind = TRUE)
data.frame(para = paste(cechy[i[, 2]], "–", cechy[i[, 1]]), r = R[lower.tri(R)])
}
# 1. Jeden oceniający, 137 kadetów (tyle ocenił dowódca opisany przez Thorndike'a), waga halo 0.8
set.seed(1920)
prawda <- mvrnorm(137, rep(0, 4), R_prawda)
oceny <- ocen(prawda, waga_halo = 0.8)
colnames(prawda) <- colnames(oceny) <- cechy
wynik <- merge(setNames(pary(cor(prawda)), c("para", "r_prawdziwe")), setNames(pary(cor(oceny)), c("para", "r_oceny")))
wynik[order(wynik$r_prawdziwe), ] |> transform(r_prawdziwe = round(r_prawdziwe, 2), r_oceny = round(r_oceny, 2))
# „zbyt wysokie i zbyt równe”: średnia korelacji, rozrzut korelacji i iloraz inteligencja–charakter do inteligencja–fizyczne
podsumuj <- function(R) c(srednia_r = mean(R[lower.tri(R)]), sd_r = sd(R[lower.tri(R)]),
iloraz_IC_do_IF = R["Inteligencja", "Charakter"] / R["Inteligencja", "Fizyczne"])
round(rbind(prawdziwe = podsumuj(cor(prawda)), oceny = podsumuj(cor(oceny))), 2)
# pierwsza składowa główna: jaki odsetek wariancji ocen tłumaczy jeden wspólny wymiar
round(c(prawdziwe = eigen(cor(prawda))$values[1] / 4, oceny = eigen(cor(oceny))$values[1] / 4), 2)
# 2. Jak rośnie halo: waga ogólnego wrażenia od 0 do 1.5, duża próba (20 000 osób na wagę)
set.seed(1921)
siatka <- seq(0, 1.5, by = 0.1)
krzywa <- do.call(rbind, lapply(siatka, function(w) {
R <- cor(ocen(mvrnorm(20000, rep(0, 4), R_prawda), waga_halo = w))
dimnames(R) <- list(cechy, cechy)
data.frame(waga_halo = w, r_IC = R["Inteligencja", "Charakter"], r_IF = R["Inteligencja", "Fizyczne"],
srednia_r = mean(R[lower.tri(R)]))
}))
krzywa$iloraz <- krzywa$r_IC / krzywa$r_IF
round(krzywa[round(krzywa$waga_halo, 1) %in% c(0, 0.3, 0.5, 0.8, 1, 1.5), ], 2)
# Rysunek: A – sześć par cech, korelacje prawdziwe i w ocenach; B – zbieganie się korelacji przy rosnącym halo
dl <- rbind(data.frame(para = wynik$para, r = wynik$r_prawdziwe, co = "prawdziwe cechy"),
data.frame(para = wynik$para, r = wynik$r_oceny, co = "oceny przełożonego"))
dl$para <- factor(dl$para, levels = wynik$para[order(wynik$r_prawdziwe)])
dl$co <- factor(dl$co, levels = c("prawdziwe cechy", "oceny przełożonego"))
pA <- ggplot(dl, aes(r, para)) +
geom_line(aes(group = para), colour = "grey70", linewidth = 0.8) +
geom_point(aes(colour = co, shape = co), size = 3.2) +
scale_colour_manual(values = unname(kol[c("prawdziwe", "oceny")]), name = NULL) +
scale_shape_manual(values = c(16, 17), name = NULL) +
scale_x_continuous(limits = c(-0.05, 0.8), breaks = seq(0, 0.8, 0.2)) +
labs(title = "A. 137 kadetów, waga halo 0.8", x = "Korelacja r", y = NULL) +
motyw
dB <- rbind(data.frame(waga_halo = krzywa$waga_halo, r = krzywa$r_IC, co = "inteligencja–charakter (prawdziwe r = .30)"),
data.frame(waga_halo = krzywa$waga_halo, r = krzywa$r_IF, co = "inteligencja–fizyczne (prawdziwe r = .10)"))
pB <- ggplot(dB, aes(waga_halo, r, colour = co, linetype = co)) +
geom_vline(xintercept = 0.8, colour = "grey75") +
geom_line(linewidth = 1) + geom_point(aes(shape = co), size = 2) +
scale_colour_manual(values = unname(kol[c("IC", "IF")]), name = NULL) +
scale_linetype_manual(values = c("solid", "22"), name = NULL) +
scale_shape_manual(values = c(16, 17), name = NULL) +
scale_y_continuous(limits = c(0, 0.8), breaks = seq(0, 0.8, 0.2)) +
guides(colour = guide_legend(ncol = 1), linetype = guide_legend(ncol = 1), shape = guide_legend(ncol = 1)) +
labs(title = "B. Silniejsze halo, równiejsze r", x = "Waga ogólnego wrażenia w ocenie", y = "Korelacja ocen") +
motyw
p2 <- pA + pB + plot_layout(widths = c(1.1, 1))
p2Wynik w R
para r_prawdziwe r_oceny
3 Fizyczne – Przywództwo 0.07 0.33
2 Fizyczne – Inteligencja 0.12 0.45
1 Fizyczne – Charakter 0.15 0.43
6 Przywództwo – Charakter 0.16 0.45
4 Inteligencja – Charakter 0.34 0.51
5 Inteligencja – Przywództwo 0.45 0.54
srednia_r sd_r iloraz_IC_do_IF
prawdziwe 0.21 0.15 2.92
oceny 0.45 0.07 1.14
prawdziwe oceny
0.42 0.59
waga_halo r_IC r_IF srednia_r iloraz
1 0.0 0.24 0.08 0.17 3.10
4 0.3 0.29 0.14 0.22 2.05
6 0.5 0.36 0.23 0.31 1.56
9 0.8 0.49 0.39 0.44 1.27
11 1.0 0.57 0.48 0.53 1.18
16 1.5 0.72 0.67 0.70 1.082. Oś czasu: rysunek 1
Kod R rysunku 1
# Oś czasu: Edward L. Thorndike (1874–1949) – lata według Woodwortha (1952) i dat publikacji
library(ggplot2)
zdarzenia <- data.frame(
rok = c(1874, 1895, 1897, 1898, 1899, 1904, 1912, 1917, 1920, 1922, 1934, 1949),
opis = c("urodził się w Williamsburgu\n(Massachusetts)", "dyplom Wesleyan\nUniversity", "Harvard: kurczęta\nu Williama Jamesa",
"doktorat (Columbia):\nAnimal Intelligence", "Teachers College,\nColumbia", "podręcznik pomiaru\npsychicznego i społecznego",
"prezes APA", "Akademia Nauk USA;\nkomitet klasyfikacji\nżołnierzy (1917–1918)", "artykuł o efekcie halo",
"1922–1940: dyrektor\nw Institute of\nEducational Research", "prezes AAAS", "zmarł w Montrose\n(Nowy Jork)"),
rodzaj = c("życie", "praca", "praca", "publikacja", "praca", "publikacja", "wyróżnienie", "wyróżnienie",
"publikacja", "praca", "wyróżnienie", "życie"),
poziom = c(1.3, 0.5, 1.3, -1.4, 0.5, -0.5, 1.3, -1.4, 2.0, -0.5, 0.5, -0.5), # wysokość etykiety (+ nad osią, − pod)
wyrownanie = c(0.5, 1, 0.5, 1, 0, 0.5, 0.5, 0.5, 0.5, 0, 0.5, 0.5)) # rozsunięcie bliskich etykiet
zdarzenia$etykieta <- ifelse(zdarzenia$rok == 1922, zdarzenia$opis, paste0(zdarzenia$rok, "\n", zdarzenia$opis))
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) +
annotate("rect", xmin = 1922, xmax = 1940, ymin = -0.1, ymax = 0.1, fill = "#56B4E9", alpha = 0.6) +
geom_segment(aes(xend = rok, y = 0, yend = poziom), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.8, colour = "black") +
geom_text(aes(y = poziom + 0.07 * sign(poziom), label = etykieta, vjust = ifelse(poziom > 0, 0, 1), hjust = wyrownanie),
size = 3.1, lineheight = 0.88) +
scale_shape_manual(values = ksztalty, name = NULL) +
scale_fill_manual(values = kolory, name = NULL) +
scale_x_continuous(limits = c(1866, 1956), breaks = seq(1870, 1950, by = 10)) +
scale_y_continuous(limits = c(-2.2, 2.5)) +
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")
p1Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (losowanie z wielowymiarowego rozkładu normalnego – MASS::mvrnorm(); korelacje i wartości własne – funkcje cor() i eigen() z pakietów stats i base; rysunki – pakiety ggplot2 i patchwork). 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/
- MASS (wersja 7.3.65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer. https://www.stats.ox.ac.uk/pub/MASS4/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
Najczęstsze pytania
Kim był Edward L. Thorndike?
Amerykańskim psychologiem (1874–1949), profesorem Teachers College na Columbii. Jego doktorat z 1898 r. o uczeniu się zwierząt dał początek laboratoryjnym badaniom uczenia i prawu efektu; potem zajmował się psychologią edukacyjną, testami i pomiarem osiągnięć szkolnych.
Skąd się wzięła nazwa efekt halo?
Z artykułu Thorndike’a z 1920 r. o ocenach w armii: oceny różnych cech tych samych kadetów korelowały zbyt wysoko i zbyt równo, jakby ogólne wrażenie o osobie rzucało „aureolę” (halo) na ocenę każdej cechy.
Po czym poznać efekt halo w danych z ocen?
Po korelacjach między kryteriami, które są wysokie i do siebie podobne, choć same cechy powinny wiązać się różnie silnie. W symulacji z hasła rozrzut korelacji zmalał z .15 do .07. Samą korelacją nie da się jednak oddzielić halo od prawdziwego współwystępowania cech.
Dlaczego Teachers College usunęło nazwisko Thorndike’a z budynku?
W lipcu 2020 r. rada powiernicza jednogłośnie zdecydowała o zmianie nazwy Thorndike Hall. W komunikacie uczelnia uznała jego wkład w psychologię edukacyjną i testowanie, ale wskazała, że był zwolennikiem eugeniki i głosił poglądy rasistowskie, seksistowskie i antysemickie.
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 studentówBibliografia i dalsza literatura naukowa (APA 7)
- Bailey, T., & Rueckert, W. D. (2020). Important announcement from the President & Chair of the Board of Trustees. Teachers College, Columbia University. https://www.tc.columbia.edu/articles/2020/july/important-announcement-from-the-president--chair-of-the-board-of-trustees/ ● Otwarty dostęp
- Murphy, K. R., Jako, R. A., & Anhalt, R. L. (1993). Nature and consequences of halo error: A critical analysis. Journal of Applied Psychology, 78(2), 218–225. https://doi.org/10.1037/0021-9010.78.2.218
- Thorndike, E. L. (1898). Animal intelligence: An experimental study of the associative processes in animals. The Psychological Review: Monograph Supplements, 2(4), i–109. https://doi.org/10.1037/h0092987
- Thorndike, E. L. (1920). A constant error in psychological ratings. Journal of Applied Psychology, 4(1), 25–29. https://doi.org/10.1037/h0071663
- Woodworth, R. S. (1952). Edward Lee Thorndike, 1874–1949. Biographical Memoirs of the National Academy of Sciences. https://www.nasonline.org/wp-content/uploads/2024/06/thorndike-edward-1.pdf ● Otwarty dostęp
Cytowania BibTeX
@misc{tc2020thorndike, author={Bailey, Thomas and Rueckert, William D.}, title={{Important announcement from the President \& Chair of the Board of Trustees}}, howpublished={Teachers College, Columbia University}, year={2020}, publisher={Teachers College, Columbia University}, url={https://www.tc.columbia.edu/articles/2020/july/important-announcement-from-the-president--chair-of-the-board-of-trustees/}}@article{murphy1993nature, author={Murphy, Kevin R. and Jako, Robert A. and Anhalt, Rebecca L.}, title={{Nature and consequences of halo error: A critical analysis}}, journal={Journal of Applied Psychology}, year={1993}, volume={78}, number={2}, pages={218--225}, doi={10.1037/0021-9010.78.2.218}}@article{thorndike1898animal, author={Thorndike, Edward L.}, title={{Animal intelligence: An experimental study of the associative processes in animals}}, journal={The Psychological Review: Monograph Supplements}, year={1898}, volume={2}, number={4}, pages={i--109}, doi={10.1037/h0092987}}@article{thorndike1920constant, author={Thorndike, Edward L.}, title={{A constant error in psychological ratings}}, journal={Journal of Applied Psychology}, year={1920}, volume={4}, number={1}, pages={25--29}, doi={10.1037/h0071663}}@misc{woodworth1952thorndike, author={Woodworth, Robert S.}, title={{Edward Lee Thorndike, 1874–1949}}, howpublished={Biographical Memoirs of the National Academy of Sciences}, year={1952}, volume={27}, pages={209--237}, publisher={National Academy of Sciences}, url={https://www.nasonline.org/wp-content/uploads/2024/06/thorndike-edward-1.pdf}}