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
| Rodzaj | Na czym polega | Przykład |
|---|---|---|
| Instrukcyjna | Warunki różnią się treścią poleceń lub informacji | „Ten test mierzy inteligencję” vs „To test do pilotażu zadań” |
| Bodźcowa | Różne materiały lub bodźce | Zdjęcia twarzy wyrażających złość vs neutralnych |
| Fałszywa informacja zwrotna | Osoba dostaje zaprogramowany wynik | Informacja o porażce vs sukcesie w teście |
| Indukcja stanu | Wywołanie nastroju, stresu, zmęczenia | Film smutny vs neutralny; zadanie publicznego wystąpienia |
| Sytuacyjna, z pomocnikiem | Zaaranżowana sytuacja społeczna | Pomocnik 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
- Siła. Różnica między warunkami musi być wystarczająco duża, by wywołać różnicę w stanie, o który chodzi. Słaba manipulacja to częsta przyczyna wyników nieistotnych.
- 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.
- Standaryzacja. Ta sama treść, czas i sposób przekazania w każdej sesji; najlepiej z nagrania lub z komputera, a nie z pamięci eksperymentatora.
- Zaślepienie. Osoba prowadząca sesję, która nie wie, w jakim warunku jest uczestnik, nie wpłynie na niego nieświadomie (zob. podwójnie ślepa próba).
- 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.
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.
Gdzie opis manipulacji umieścić w strukturze pracy, wyjaśnia poradnik rozdział metodologiczny – jak go napisać. Regułę wykluczeń najlepiej zapisać w prerejestracji.
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
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.
- 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 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
Eksperyment w ankiecie online krok po kroku
Dziewięć kroków od hipotezy do wyniku: bodziec i kontrola, układ ankiety, losowanie, liczebność, prerejestracja, test techniczny i analiza z d Cohena.
Czytaj →PoradnikMateriały do manipulacji eksperymentalnej
Jak napisać i wyrównać bodźce, sprawdzić je w preteście testem równoważności i dlaczego jeden tekst na warunek daje fałszywe efekty.
Czytaj →PoradnikRozdział metodologiczny – jak go napisać
Co napisać w każdym podrozdziale metody: hipotezy, zmienne, próba, narzędzia, procedura, etyka i plan analiz – z wzorami zdań i listą JARS.
Czytaj →PoradnikNieuważne odpowiedzi w ankietach online
Jak wykryć straightlining, losowe klikanie i speeding: longstring, IRV, D² Mahalanobisa i pytania kontrolne w R, reguła wykluczeń i opis w APA.
Czytaj →PoradnikBadanie pilotażowe: po co, ile osób, co sprawdzić
Pilotaż a pretest, ile osób zbadać, co sprawdzić w danych i dlaczego nie liczyć mocy z efektu z pilotażu. Z symulacją, kodem R i wzorem opisu.
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)
- 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
- 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
- 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
- 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
- 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}}