Słownik metodologiczny · Projekt badania

Manipulacja eksperymentalna – co to jest, jak ją zaplanować i jak sprawdzić, czy zadziałała?

Manipulacja eksperymentalna to celowe wytworzenie przez badacza różnych warunków zmiennej niezależnej. Pokazujemy rodzaje manipulacji, cechy dobrej manipulacji, rolę i ryzyka kontroli manipulacji oraz – na symulacji w R – dlaczego wykluczanie osób, które jej „nie zaliczyły”, zawyża efekt.

Strona główna / Słownik / Manipulacja eksperymentalna
W skrócie: Manipulacja eksperymentalna to celowe wytworzenie przez badacza różnych poziomów zmiennej niezależnej – np. informacji o porażce i o sukcesie – do których osoby trafiają losowo. Dobra manipulacja jest silna, zmienia tylko zamierzony stan i jest wystandaryzowana. Jej skuteczność sprawdza kontrola manipulacji, ale osób, które jej „nie zaliczyły”, nie wykluczaj z analizy: porównanie przestaje wtedy być losowe, a efekt zwykle wychodzi zawyżony.

Co to jest manipulacja eksperymentalna?

Manipulacja eksperymentalna (ang. experimental manipulation) to celowe wytworzenie przez badacza różnych poziomów zmiennej niezależnej – różnych warunków, w których znajdą się osoby badane. Badacz nie mierzy tu, ile ktoś ma danej cechy, tylko sam decyduje, co się wydarzy: kto dostanie informację o porażce, a kto o sukcesie, kto obejrzy smutny film, a kto neutralny. Razem z losowym przydziałem do warunków manipulacja odróżnia schemat eksperymentalny od schematu korelacyjnego i to ona pozwala mówić o wpływie, a nie tylko o związku. Klasyczne ujęcie tej logiki przedstawiają Shadish i in. (2002).

Manipulacja ma zawsze co najmniej dwa poziomy. Jeden z nich bywa warunkiem kontrolnym (zob. grupa kontrolna), ale manipulacja może też porównywać dwa aktywne warunki, np. pochwałę i krytykę. Może być międzyobiektowa – każda osoba przechodzi jeden warunek – albo wewnątrzobiektowa, gdy ta sama osoba przechodzi kilka.

Rodzaje manipulacji w psychologii

Rodzaje manipulacji eksperymentalnych z przykładami
RodzajNa czym polegaPrzykład
InstrukcyjnaWarunki różnią się treścią poleceń lub informacji„Ten test mierzy inteligencję” vs „To test do pilotażu zadań”
BodźcowaRóżne materiały lub bodźceZdjęcia twarzy wyrażających złość vs neutralnych
Fałszywa informacja zwrotnaOsoba dostaje zaprogramowany wynikInformacja o porażce vs sukcesie w teście
Indukcja stanuWywołanie nastroju, stresu, zmęczeniaFilm smutny vs neutralny; zadanie publicznego wystąpienia
Sytuacyjna, z pomocnikiemZaaranżowana sytuacja społecznaPomocnik badacza wyklucza osobę z rozmowy albo ją włącza

Nie każda zmienna niezależna da się manipulować. Płci, wieku, diagnozy czy cech osobowości nie przydzielisz losowo – takie zmienne tylko się mierzy, a badanie z nimi nie jest eksperymentem, nawet jeśli porównuje grupy.

Cechy dobrej manipulacji

  1. Siła. Różnica między warunkami musi być wystarczająco duża, by wywołać różnicę w stanie, o który chodzi. Słaba manipulacja to częsta przyczyna wyników nieistotnych.
  2. Trafność konstruktu. Manipulacja powinna zmieniać tylko to, co zamierzasz. Jeśli warunek „porażka” jest też dłuższy i bardziej męczący, zmieniasz dwie rzeczy naraz i nie wiesz, która zadziałała – to zmienna zakłócająca wbudowana w procedurę.
  3. Standaryzacja. Ta sama treść, czas i sposób przekazania w każdej sesji; najlepiej z nagrania lub z komputera, a nie z pamięci eksperymentatora.
  4. Zaślepienie. Osoba prowadząca sesję, która nie wie, w jakim warunku jest uczestnik, nie wpłynie na niego nieświadomie (zob. podwójnie ślepa próba).
  5. Etyka. Fałszywa informacja zwrotna czy wykluczenie wymagają zgody komisji etycznej i rzetelnego wyjaśnienia celu po badaniu (zob. świadoma zgoda).

Kontrola manipulacji: po co i z jakim ryzykiem

Kontrola manipulacji (ang. manipulation check) to pomiar, który sprawdza, czy manipulacja wywołała zamierzony stan – np. pytanie „Jak dobrze poszedł Ci test?” po fałszywej informacji o wyniku. Nie myl jej z pytaniem sprawdzającym uwagę: Oppenheimer i in. (2009) opisali tzw. instrukcyjną kontrolę manipulacji, która w rzeczywistości sprawdza, czy osoba czyta instrukcje (dziś nazywa się ją zwykle pytaniem kontrolnym).

Kontrola manipulacji nie jest neutralna. Hauser i in. (2018) zwracają uwagę, że pytanie o stan może samo działać jak interwencja: skłonić do refleksji, wzmocnić, osłabić albo zmienić efekt manipulacji. Dlatego proponują miary behawioralne, zmienianie miejsca kontroli w procedurze albo sprawdzenie manipulacji w osobnym badaniu pilotażowym. Ejelöv i Luke (2020), analizując 207 opublikowanych eksperymentów, stwierdzili, że wyniki kontroli manipulacji raportowano zwykle bardzo skąpo. Zalecają ilościową ocenę siły manipulacji i porównanie jej z efektem na zmienną zależną.

Przykład: informacja o porażce a wytrwałość

W eksperymencie (dane symulowane) 120 osób losowo przydzielono do dwóch warunków: po teście połowa usłyszała, że wypadła słabo („porażka”), a połowa, że bardzo dobrze („sukces”). Następnie osoby pracowały nad nierozwiązywalnym zadaniem, a miarą wytrwałości był czas pracy (0–20 minut).

  • Kontrola manipulacji zadziałała wyraźnie. Ocena własnego wyniku (1–7) wyniosła 5.22 (SD = 1.11) po sukcesie i 2.63 (SD = 1.13) po porażce, t(117.92) = 12.63, p < .001, d = 2.31.
  • Efekt na zmienną zależną był znacznie mniejszy. Osoby po porażce pracowały średnio 8.59 minuty (SD = 3.39), a po sukcesie 10.00 minuty (SD = 3.18); różnica 1.41 minuty, 95% CI [0.22, 2.60], t(117.50) = 2.35, p = .020.

Takie zestawienie Ejelöv i Luke (2020) uważają za cenne: silna manipulacja i umiarkowany efekt mówią coś innego niż słaba manipulacja z tym samym efektem.

W warunku „porażka” 14 z 60 osób oceniło swój wynik na 4 lub wyżej, czyli formalnie „nie zaliczyło” kontroli manipulacji. Kusi, by je usunąć. Po wykluczeniu różnica rośnie do 1.75 minuty, p = .006. Wynik wygląda lepiej, ale jest gorszy, bo porównanie przestało być losowe. Kto mimo informacji o porażce ocenia się dobrze? W symulacji – osoby z wyższą samooceną, które z tego samego powodu dłużej pracują nad zadaniem. Usuwając je tylko z jednego warunku, zostawiasz w nim osoby o niższej samoocenie i sztucznie powiększasz różnicę. Aronow i in. (2019) pokazali, że wykluczanie osób na podstawie kontroli manipulacji mierzonej po przydziale może poważnie zniekształcić oszacowanie efektu. Zalecają analizę wszystkich osób zgodnie z przydziałem.

Histogramy oszacowanego efektu w 2000 symulowanych eksperymentach. Przy analizie wszystkich osób według przydziału średnie oszacowanie wynosi −1.51 minuty, praktycznie tyle co prawdziwy efekt −1.50. Po wykluczeniu osób, które nie zaliczyły kontroli manipulacji, rozkład przesuwa się w lewo, a średnie oszacowanie wynosi −2.06
Rysunek 1. Rozkład oszacowanego efektu (porażka − sukces) w 2000 symulowanych eksperymentach. Niebieski: wszyscy uczestnicy według przydziału – oszacowania skupiają się wokół prawdziwego efektu. Czerwony: po wykluczeniu osób z „nieudaną” kontrolą manipulacji – efekt systematycznie zawyżony. Obliczenia: R (dane symulowane).

Rysunek 1 pokazuje, że to nie przypadek jednej próby. W 2000 powtórzeniach analiza wszystkich osób dawała średnio −1.51 minuty, czyli tyle, ile wpisano w symulację. Analiza po wykluczeniu dawała średnio −2.06 minuty – efekt zawyżony o ponad jedną trzecią.

Jak opisać manipulację w pracy (APA)

W „Metodzie” opisz manipulację tak dokładnie, by ktoś mógł ją powtórzyć: treść instrukcji lub bodźców (najlepiej w aneksie), czas trwania, kto ją przeprowadzał i czy znał warunek. W wynikach najpierw podaj kontrolę manipulacji z wielkością efektu, potem efekt na zmienną zależną. Jeśli wykluczasz osoby, zrób to według reguły ustalonej przed badaniem, niezależnej od warunku, i pokaż wyniki z wykluczeniem i bez niego.

Manipulacja polegała na fałszywej informacji zwrotnej o wyniku testu (porażka vs sukces); 120 osób przydzielono do warunków losowo (po 60). Manipulacja była skuteczna: osoby w warunku porażki oceniały swój wynik niżej (M = 2.63, SD = 1.13) niż osoby w warunku sukcesu (M = 5.22, SD = 1.11), t(117.92) = 12.63, p < .001, d = 2.31. Po informacji o porażce osoby krócej pracowały nad nierozwiązywalnym zadaniem (M = 8.59 min, SD = 3.39) niż po informacji o sukcesie (M = 10.00 min, SD = 3.18), różnica = 1.41 min, 95% CI [0.22, 2.60], t(117.50) = 2.35, p = .020. Analizę przeprowadzono na wszystkich osobach zgodnie z przydziałem, bez wykluczeń na podstawie kontroli manipulacji.

Gdzie opis manipulacji umieścić w strukturze pracy, wyjaśnia poradnik rozdział metodologiczny – jak go napisać. Regułę wykluczeń najlepiej zapisać w prerejestracji.

Przykład reprodukowalny

Przykład w R

Kod tworzy dane z przykładu, sprawdza kontrolę manipulacji, szacuje efekt na zmienną zależną, liczy osoby z „nieudaną” kontrolą, powtarza analizę po ich wykluczeniu i symuluje 2000 eksperymentów z rysunku 1.

Kontrola manipulacji i skutki wykluczeń

Dane wejściowe: 120 osób (dane symulowane, set.seed(1811)): warunek (sukces, porażka), kontrola manipulacji (1–7) i wytrwałość (minuty, 0–20); samoocena wpływa na obie miary, ale nie jest mierzona.

Co odczytać: średnie i test t kontroli manipulacji oraz d_kontrola; test t wytrwałości dla wszystkich osób; tabelę osób z „nieudaną” kontrolą; test t po wykluczeniu; średnie oszacowania efektu z 2000 symulacji (wszyscy i po_wykluczeniu).

R
# Dane symulowane: manipulacja eksperymentalna fałszywą informacją zwrotną.
# 120 osób losowo przydzielono do warunku „porażka” albo „sukces” (informacja o wyniku testu).
# Kontrola manipulacji: „Jak dobrze poszedł Ci test?” (1–7).
# Zmienna zależna: wytrwałość – minuty pracy nad nierozwiązywalnym zadaniem (0–20).
# Samoocena (niemierzona w badaniu) wpływa i na odpowiedź w kontroli manipulacji, i na wytrwałość.
set.seed(1811)
symuluj <- function(n = 120, efekt = -1.5) {
  warunek <- factor(sample(rep(c("sukces", "porażka"), n / 2)), levels = c("sukces", "porażka"))
  samoocena <- rnorm(n)
  porazka <- as.numeric(warunek == "porażka")
  kontrola <- round(pmin(pmax(5.2 - 2.4 * porazka + 0.9 * samoocena + rnorm(n, sd = 0.9), 1), 7))
  wytrwalosc <- round(pmin(pmax(10 + efekt * porazka + 1.6 * samoocena + rnorm(n, sd = 3), 0), 20), 1)
  data.frame(warunek, kontrola, wytrwalosc)
}
dane <- symuluj()

# 1. Czy manipulacja zadziałała? Kontrola manipulacji w obu warunkach
aggregate(kontrola ~ warunek, data = dane, FUN = function(x) round(c(M = mean(x), SD = sd(x)), 2))
t.test(kontrola ~ warunek, data = dane)
d_kontrola <- with(dane, (mean(kontrola[warunek == "sukces"]) - mean(kontrola[warunek == "porażka"])) /
                     sqrt((var(kontrola[warunek == "sukces"]) + var(kontrola[warunek == "porażka"])) / 2))
round(c(d_kontrola = d_kontrola), 2)

# 2. Efekt manipulacji na zmienną zależną – wszystkie osoby wg przydziału (analiza zgodna z randomizacją)
aggregate(wytrwalosc ~ warunek, data = dane, FUN = function(x) round(c(M = mean(x), SD = sd(x)), 2))
t.test(wytrwalosc ~ warunek, data = dane)

# 3. Ile osób z warunku „porażka” „nie zaliczyło” kontroli manipulacji (ocena wyniku 4 lub wyżej)?
table(warunek = dane$warunek, nie_zaliczona = dane$warunek == "porażka" & dane$kontrola >= 4)

# 4. Te same dane po wykluczeniu tych osób – porównanie przestaje być losowe
po_wykl <- subset(dane, !(warunek == "porażka" & kontrola >= 4))
t.test(wytrwalosc ~ warunek, data = po_wykl)

# 5. Symulacja 2000 badań: średnia oszacowanego efektu (prawdziwy efekt = −1.5 min)
wyniki <- t(replicate(2000, {
  d <- symuluj()
  dw <- subset(d, !(warunek == "porażka" & kontrola >= 4))
  c(wszyscy = diff(tapply(d$wytrwalosc, d$warunek, mean)),
    po_wykluczeniu = diff(tapply(dw$wytrwalosc, dw$warunek, mean)))
}))
colnames(wyniki) <- c("wszyscy", "po_wykluczeniu")
round(colMeans(wyniki), 2)
Wynik w R
  warunek kontrola.M kontrola.SD
1  sukces       5.22        1.11
2 porażka       2.63        1.13

	Welch Two Sample t-test

data:  kontrola by warunek
t = 12.629, df = 117.92, p-value < 2.2e-16
alternative hypothesis: true difference in means between group sukces and group porażka is not equal to 0
95 percent confidence interval:
 2.178265 2.988402
sample estimates:
 mean in group sukces mean in group porażka 
             5.216667              2.633333 

d_kontrola 
      2.31 
  warunek wytrwalosc.M wytrwalosc.SD
1  sukces        10.00          3.18
2 porażka         8.59          3.39

	Welch Two Sample t-test

data:  wytrwalosc by warunek
t = 2.3511, df = 117.5, p-value = 0.02038
alternative hypothesis: true difference in means between group sukces and group porażka is not equal to 0
95 percent confidence interval:
 0.2225928 2.6007406
sample estimates:
 mean in group sukces mean in group porażka 
            10.000000              8.588333 

         nie_zaliczona
warunek   FALSE TRUE
  sukces     60    0
  porażka    46   14

	Welch Two Sample t-test

data:  wytrwalosc by warunek
t = 2.7955, df = 96.369, p-value = 0.006255
alternative hypothesis: true difference in means between group sukces and group porażka is not equal to 0
95 percent confidence interval:
 0.5086976 2.9999980
sample estimates:
 mean in group sukces mean in group porażka 
            10.000000              8.245652 

       wszyscy po_wykluczeniu 
         -1.51          -2.06 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (tylko funkcje bazowe); rysunek przygotowano w pakiecie ggplot2.

  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

Najczęstsze błędy

  • Wykluczanie osób, które „nie zaliczyły” kontroli manipulacji. To niszczy porównywalność grup i zwykle zawyża efekt (rysunek 1).
  • Manipulacja zmieniająca kilka rzeczy naraz. Jeśli warunki różnią się treścią, długością i nastrojem, nie wiadomo, który składnik zadziałał.
  • Uznanie zmiennej mierzonej za manipulowaną. Podział osób na „wysoki” i „niski” lęk to nie manipulacja i nie daje podstaw do wniosków przyczynowych.
  • Brak kontroli manipulacji albo jej pobieżny opis – samo „manipulacja zadziałała” bez średnich i wielkości efektu nic nie mówi.
  • Kontrola manipulacji tuż przed pomiarem zmiennej zależnej bez zastanowienia, czy nie zmieni odpowiedzi; rozważ umieszczenie jej na końcu albo w badaniu pilotażowym.
  • Kontrola manipulacji jako mediator. Korelacja kontroli manipulacji ze zmienną zależną nie wyklucza zmiennych zakłócających – obie są mierzone, a nie manipulowane (Hauser i in., 2018).

Najczęstsze pytania

Co to jest manipulacja eksperymentalna?

To celowe wywołanie przez badacza różnych warunków zmiennej niezależnej, np. przekazanie części osób informacji o porażce, a części o sukcesie. Razem z losowym przydziałem do warunków pozwala wnioskować, że różnica w zmiennej zależnej wynika z warunku, a nie z cech osób.

Co to jest kontrola manipulacji (manipulation check)?

To pomiar sprawdzający, czy manipulacja wywołała zamierzony stan, np. pytanie o ocenę własnego wyniku po fałszywej informacji zwrotnej. Podaj jej wynik ze średnimi i wielkością efektu; pamiętaj, że samo pytanie może wpływać na dalsze odpowiedzi.

Czy usuwać osoby, które nie zaliczyły kontroli manipulacji?

Zasadniczo nie. Kontrola manipulacji jest mierzona po przydziale, więc wykluczenia zależą od warunku i od cech osób, co niszczy losowość porównania i zwykle zawyża efekt. Analizuj wszystkich zgodnie z przydziałem; ewentualną analizę po wykluczeniach pokaż tylko jako dodatkową.

Jakie są rodzaje manipulacji eksperymentalnej?

Najczęstsze to manipulacja instrukcyjna (różna treść poleceń), bodźcowa (różne materiały), fałszywa informacja zwrotna, indukcja stanu (nastroju, stresu) i manipulacja sytuacyjna z udziałem pomocnika badacza. Wybór zależy od tego, jaki stan psychologiczny chcesz wywołać.

Co zrobić, gdy manipulacja nie zadziałała?

Jeśli kontrola manipulacji nie pokazała różnic między warunkami, nie interpretuj braku efektu na zmienną zależną jako dowodu przeciw hipotezie – nie wiadomo, czy zmienna niezależna w ogóle się zmieniła. Opisz to otwarcie, a w kolejnym badaniu wzmocnij manipulację i sprawdź ją w pilotażu.

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. Aronow, P. M., Baron, J., & Pinson, L. (2019). A note on dropping experimental subjects who fail a manipulation check. Political Analysis, 27(4), 572–589. https://doi.org/10.1017/pan.2019.5
  2. Ejelöv, E., & Luke, T. J. (2020). “Rarely safe to assume”: Evaluating the use and interpretation of manipulation checks in experimental social psychology. Journal of Experimental Social Psychology, 87, Article 103937. https://doi.org/10.1016/j.jesp.2019.103937 ● Otwarty dostęp: pełny tekst
  3. Hauser, D. J., Ellsworth, P. C., & Gonzalez, R. (2018). Are manipulation checks necessary? Frontiers in Psychology, 9, Article 998. https://doi.org/10.3389/fpsyg.2018.00998 ● Otwarty dostęp
  4. Oppenheimer, D. M., Meyvis, T., & Davidenko, N. (2009). Instructional manipulation checks: Detecting satisficing to increase statistical power. Journal of Experimental Social Psychology, 45(4), 867–872. https://doi.org/10.1016/j.jesp.2009.03.009 ● Otwarty dostęp: pełny tekst
  5. Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference. Houghton Mifflin.

Cytowania BibTeX

@article{aronow2019note, author={Aronow, Peter M. and Baron, Jonathon and Pinson, Lauren}, title={{A note on dropping experimental subjects who fail a manipulation check}}, journal={Political Analysis}, year={2019}, volume={27}, number={4}, pages={572--589}, doi={10.1017/pan.2019.5}}
@article{ejelov2020rarely, author={Ejelöv, Emma and Luke, Timothy J.}, title={{“Rarely safe to assume”: Evaluating the use and interpretation of manipulation checks in experimental social psychology}}, journal={Journal of Experimental Social Psychology}, year={2020}, volume={87}, eid={103937}, doi={10.1016/j.jesp.2019.103937}}
@article{hauser2018are, author={Hauser, David J. and Ellsworth, Phoebe C. and Gonzalez, Richard}, title={{Are manipulation checks necessary?}}, journal={Frontiers in Psychology}, year={2018}, volume={9}, eid={998}, doi={10.3389/fpsyg.2018.00998}}
@article{oppenheimer2009instructional, author={Oppenheimer, Daniel M. and Meyvis, Tom and Davidenko, Nicolas}, title={{Instructional manipulation checks: Detecting satisficing to increase statistical power}}, journal={Journal of Experimental Social Psychology}, year={2009}, volume={45}, number={4}, pages={867--872}, doi={10.1016/j.jesp.2009.03.009}}
@book{shadish2002experimental, author={Shadish, William R. and Cook, Thomas D. and Campbell, Donald T.}, title={{Experimental and quasi-experimental designs for generalized causal inference}}, year={2002}, publisher={Houghton Mifflin}}
R