Kim był Robert Rosenthal?
Robert Rosenthal (1933–2024) był amerykańskim psychologiem, badaczem tego, jak oczekiwania eksperymentatorów, nauczycieli i innych osób wpływają na zachowanie badanych. Urodził się 2 marca 1933 r. w Giessen w Niemczech; w 1939 r. jego rodzina uciekła do Rodezji, a potem przeniosła się do Nowego Jorku i Los Angeles (Friedman, 2024).
Jego droga naukowa zaczęła się od kłopotu we własnej rozprawie doktorskiej o mechanizmie projekcji. Badał 108 osób – studentów, studentki i pacjentów z objawami paranoidalnymi – w warunkach sukcesu, porażki i neutralnym (Rosenthal, 1976). Już w pomiarze przed manipulacją grupy różniły się w kierunku zgodnym z jego hipotezą. Rosenthal podejrzewał, że nieświadomie traktował badanych różnie, i od tego zaczął badać efekt oczekiwań eksperymentatora, nazywany też efektem Rosenthala (Friedman, 2024). Opublikował ponad 500 prac; zmarł 5 stycznia 2024 r. w Riverside w Kalifornii, w wieku 90 lat (Friedman, 2024).
Najważniejsze pomysły
- Efekt oczekiwań eksperymentatora. W serii eksperymentów z ludźmi i zwierzętami pokazywał, że badacz, który oczekuje określonego wyniku, częściej go uzyskuje. Podsumował je w książce „Experimenter effects in behavioral research” (1966, wydanie poszerzone 1976) (Rosenthal, 1976). Szerzej: efekt oczekiwań badacza.
- Pigmalion w klasie. Z dyrektorką szkoły Lenore Jacobson przeniósł ten pomysł do szkoły (Rosenthal i Jacobson, 1968). Wszystkie dzieci w szkole podstawowej wypełniły test inteligencji przedstawiony jako test przewidujący „rozkwit” w nauce. Z każdej z 18 klas wylosowano tablicą liczb losowych około 20% dzieci i nauczycielom podano ich nazwiska jako uczniów, którzy zrobią niezwykłe postępy. Po roku sprawdzano, czy ich wyniki w teście wzrosły bardziej niż u pozostałych (Rosenthal, 1976). Zob. efekt Pigmaliona.
- Problem szuflady i fail-safe N. W 1979 r. opisał skrajną wersję efektu szuflady: czasopisma pełne 5% badań z błędem I rodzaju, a szuflady – 95% wyników nieistotnych. Zaproponował też rachunek, ile nieopublikowanych wyników zerowych musiałoby istnieć, by podważyć wniosek z literatury – dziś nazywany fail-safe N (Rosenthal, 1979).
- Przeciw magicznemu .05. Mawiał, że Bóg kocha też p < .06, i walczył z praktyką odrzucania przez czasopisma badań, które nie przekroczyły progu .05, bez względu na ich jakość (Friedman, 2024). Zob. marginalna istotność.
Ciekawostka
Najsłynniejsze „dowody” na efekt oczekiwań przyniosły szczury z etykietą. W eksperymencie Rosenthala i Fode (1963) badaczami było 12 z 13 studentów kursu psychologii eksperymentalnej. Laborantka ogłosiła, że przyjechały „szczury z Berkeley”, a pisemna instrukcja wyjaśniała, że po wielu pokoleniach selekcji jedne są bystre w labiryncie (Maze-Bright), a inne tępe (Maze-Dull). Każdy student dostał pięć szczurów; etykiety przydzielono jednak losowo, w parach studentów dobranych pod względem nastawienia do pracy ze zwierzętami (Rosenthal, 1976).
Zadaniem szczurów było wybieranie ciemniejszego ramienia labiryntu w kształcie litery T, po 10 prób dziennie przez pięć dni. „Bystre” szczury dawały więcej poprawnych odpowiedzi, a z 60 sytuacji, w których zwierzę w ogóle nie wybrało ramienia, aż 43 przypadły na „tępe”, a tylko 17 na „bystre” (Rosenthal, 1976). Szczury nie różniły się niczym poza tym, co o nich sądzili studenci.
Przykład: fail-safe N na prawdziwej metaanalizie
Molloy, O’Carroll i Ferguson (2014) zebrali 16 badań nad związkiem sumienności z przestrzeganiem zaleceń lekowych; ich wyniki (r i liczebności) są w zbiorze dat.molloy2014 pakietu metadat. Korelacje zamieniliśmy na wartości z Fishera i połączyliśmy w modelu efektów losowych. Łączna korelacja wynosi r = .149, 95% CI [.088, .209], I² = 61.7% – tyle samo co w abstrakcie artykułu po zaokrągleniu.
Fail-safe N policzyliśmy dwa razy: ręcznie i funkcją fsn(). Statystyki z z 16 badań sumują się do 29.95, więc łączne Z Stouffera wynosi 7.49. Żeby spadło do 1.645 (jednostronnie p = .05), w szufladach musiałoby leżeć 315.58, czyli 316 badań z wynikiem zerowym – daleko więcej niż próg 5k + 10 = 90, który Rosenthal uznawał za granicę odporności.
Fail-safe N odpowiada jednak tylko na pytanie, czy łączny efekt różni się od zera. Nie mówi, jak duży jest. Test Eggera nie wykazał wyraźnej asymetrii lejka (p = .307), a metoda trim-and-fill dopisała 2 badania i obniżyła łączną korelację do .128. Wniosek „związek istnieje” jest więc odporny, ale jego wielkość warto podawać ostrożnie.
Na rysunku
Co widać. Prace, z których Rosenthal jest najbardziej znany, powstały w ciągu jednej dekady: od eksperymentu ze szczurami (1963) po problem szuflady (1979).
Na co uważać. Oś pokazuje tylko daty z cytowanych źródeł; pomija np. kolejne miejsca pracy Rosenthala i jego późniejsze prace o metaanalizie.
Podpis do pracy:
metadat::dat.molloy2014. Obliczenia i rysunek: R, pakiety metafor, ggplot2 i patchwork.Co widać. Na panelu A badania układają się dość symetrycznie wokół łącznego efektu; trim-and-fill dopisuje po lewej tylko dwa. Panel B pokazuje sens fail-safe N: każde dołożone badanie z zerowym wynikiem obniża łączne Z, ale do progu istotności trzeba ich aż 316.
Na co uważać. Fail-safe N zakłada, że badania w szufladzie mają średnio dokładnie zerowy wynik, a nie np. ujemny, i ignoruje ich liczebność. Przy 16 badaniach test asymetrii lejka ma małą moc, więc brak istotnej asymetrii nie dowodzi braku błędu publikacji.
Podpis do pracy:
Gdzie spotkasz Rosenthala w swojej pracy
- W każdej metaanalizie – gdy opisujesz ryzyko błędu publikacji, rysujesz wykres lejkowy i podajesz fail-safe N; jak dobrać i opisać te metody, pokazuje wpis Błąd publikacji w metaanalizie – metody.
- Gdy planujesz eksperyment – efekt oczekiwań to powód, by osoba prowadząca badanie nie znała warunku uczestnika; najprostsze rozwiązanie to podwójnie ślepa próba.
- Gdy wynik ma p = .06 – zgodnie z duchem Rosenthala raportuj go z wielkością efektu i przedziałem ufności, zamiast go ukrywać.
Spory, mity i trudne strony
- Czy efekt Pigmaliona jest silny? Badanie z 1968 r. ostro krytykowali m.in. Arthur Jensen i R. L. Thorndike, a Rosenthal odpowiadał na ich zarzuty (Rosenthal, 1976). Przegląd 35 lat badań Jussima i Harbera (2005) potwierdza, że samospełniające się proroctwa w klasie istnieją, ale są zwykle małe, nie kumulują się i częściej wygasają; nie jest jasne, czy wpływają na inteligencję.
- Fail-safe N po latach. Miara Rosenthala jest dziś krytykowana jako zbyt optymistyczna; inne podejścia, w tym wersję dla wielkości efektu, porównuje hasło o fail-safe N. Sam pomysł, by pytać, ile wyników nie widzimy, pozostaje jednak punktem wyjścia badań nad błędem publikacji.
Rosenthal i Gene Glass należą do pokolenia, które nauczyło psychologię łączyć wyniki wielu badań, a krytyka testów istotności łączy go z Paulem Meehlem.
Fail-safe N Rosenthala w R
Pierwszy przepis wczytuje zbiór dat.molloy2014 z pakietu metadat, zamienia korelacje na z Fishera, dopasowuje model efektów losowych, liczy fail-safe N Rosenthala ręcznie (metoda Stouffera) i funkcją fsn(), a potem test Eggera i trim-and-fill. Nic tu nie jest losowane, więc kod nie ustawia ziarna. 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. Fail-safe N i wykres lejkowy: rysunek 2
Kod R rysunku 2
# Robert Rosenthal: fail-safe N (1979) i wykres lejkowy – sumienność a przestrzeganie zaleceń lekowych (16 badań)
suppressPackageStartupMessages({library(metafor); library(ggplot2); library(patchwork)})
kol <- c(badania = "#0072B2", dopisane = "#D55E00", linia = "grey35") # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
data(dat.molloy2014, package = "metadat") # Molloy, O'Carroll i Ferguson (2014)
dat <- escalc(measure = "ZCOR", ri = ri, ni = ni, data = dat.molloy2014) # r -> z Fishera
res <- rma(yi, vi, data = dat) # model efektów losowych (REML)
round(c(k = res$k, N = sum(dat$ni), r = transf.ztor(res$b[1]), CI_dolna = transf.ztor(res$ci.lb),
CI_gorna = transf.ztor(res$ci.ub), I2 = res$I2), 3)
# Fail-safe N Rosenthala „ręcznie”: łączymy statystyki z badań metodą Stouffera
z <- dat$yi / sqrt(dat$vi) # statystyka z każdego badania
k <- length(z)
Z_stouffer <- sum(z) / sqrt(k)
N_fs <- sum(z)^2 / qnorm(.95)^2 - k # ile badań z z = 0 sprowadzi łączne Z do 1.645
round(c(suma_z = sum(z), Z_stouffer = Z_stouffer, fail_safe_N = N_fs, prog_5k_10 = 5 * k + 10), 2)
fsn(yi, vi, data = dat) # to samo funkcją z pakietu metafor
# Co fail-safe N pomija: asymetria lejka i wielkość efektu
regtest(res)$pval # test Eggera (wersja z błędem standardowym)
tf <- trimfill(res)
round(c(dopisane_badania = tf$k0, r_po_korekcie = transf.ztor(tf$b[1])), 3)
# Rysunek 2A: wykres lejkowy z badaniami dopisanymi przez trim-and-fill
lejek <- data.frame(z = tf$yi, se = sqrt(tf$vi), rodzaj = ifelse(tf$fill, "dopisane (trim-and-fill)", "opublikowane badania"))
se_siatka <- seq(0, max(lejek$se) * 1.05, length.out = 50)
obszar <- data.frame(se = c(se_siatka, rev(se_siatka)),
z = c(res$b[1] - 1.96 * se_siatka, rev(res$b[1] + 1.96 * se_siatka)))
pA <- ggplot(lejek, aes(z, se)) +
geom_polygon(data = obszar, fill = "grey92", colour = "grey70") +
geom_vline(xintercept = res$b[1], colour = kol[["linia"]]) +
geom_vline(xintercept = 0, linetype = "dotted", colour = kol[["linia"]]) +
geom_point(aes(shape = rodzaj, colour = rodzaj), size = 3, stroke = 1.1, fill = "white") +
scale_y_reverse() +
scale_shape_manual(values = c("opublikowane badania" = 16, "dopisane (trim-and-fill)" = 21), name = NULL) +
scale_colour_manual(values = c("opublikowane badania" = kol[["badania"]], "dopisane (trim-and-fill)" = kol[["dopisane"]]), name = NULL) +
labs(title = "A. Wykres lejkowy (16 badań)", x = "Efekt (z Fishera; ok. r przy małych wartościach)",
y = "Błąd standardowy") +
motyw
# Rysunek 2B: łączne Z Stouffera po dołożeniu N badań z wynikiem zerowym
szuflada <- data.frame(N = 0:450)
szuflada$Z <- sum(z) / sqrt(k + szuflada$N)
pB <- ggplot(szuflada, aes(N, Z)) +
geom_line(colour = kol[["badania"]], linewidth = 1) +
geom_hline(yintercept = qnorm(.95), linetype = "dashed", colour = kol[["linia"]]) +
geom_vline(xintercept = 5 * k + 10, linetype = "dotted", colour = kol[["linia"]]) +
annotate("point", x = N_fs, y = qnorm(.95), size = 3.2, shape = 23, fill = kol[["dopisane"]]) +
annotate("text", x = N_fs, y = qnorm(.95) + 0.6, label = sprintf("fail-safe N = %.0f", N_fs), size = 3.4) +
annotate("text", x = 5 * k + 10 + 8, y = Z_stouffer * 0.92, hjust = 0, size = 3.2, colour = "grey30",
label = sprintf("próg Rosenthala\n5k + 10 = %d", 5 * k + 10)) +
annotate("text", x = 450, y = qnorm(.95) - 0.35, hjust = 1, size = 3.2, colour = "grey30", label = "Z = 1.645 (p = .05, jednostronnie)") +
labs(title = "B. Ile wyników zerowych „w szufladzie”?", x = "Liczba dołożonych badań z z = 0",
y = "Łączne Z Stouffera") +
motyw
p2 <- pA + pB + plot_layout(widths = c(1, 1))
p2Wynik w R
k N r CI_dolna CI_gorna I2
16.000 3509.000 0.149 0.088 0.209 61.732
suma_z Z_stouffer fail_safe_N prog_5k_10
29.95 7.49 315.58 90.00
Fail-safe N Calculation Using the Rosenthal Approach
Observed Significance Level: <.0001
Target Significance Level: 0.05
Fail-safe N: 316
[1] 0.306966
dopisane_badania r_po_korekcie
2.000 0.128 2. Oś czasu: rysunek 1
Kod R rysunku 1
# Oś czasu: Robert Rosenthal, 1933–2024 – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
rok = c(1933, 1939, 1956, 1963, 1966, 1968, 1976, 1979, 2024),
opis = c("urodził się\nw Giessen", "rodzina ucieka\ndo Rodezji", "rozprawa doktorska\n(projekcja, TAT)",
"szczury „bystre”\ni „tępe” (z Fode)", "„Experimenter effects\nin behavioral research”",
"„Pygmalion in the\nclassroom” (z Jacobson)", "wydanie poszerzone\nksiążki z 1966 r.",
"„The file drawer\nproblem”", "zmarł\nw Riverside"),
rodzaj = c("życie", "życie", "praca", "publikacja", "publikacja", "publikacja", "publikacja", "publikacja", "życie"))
zdarzenia$wysokosc <- c(0.5, -0.5, 0.5, -0.45, 0.95, -1.0, 0.45, -0.45, 0.5) # nad (+) i pod (−) osią
zdarzenia$wyrownanie <- c(0.5, 0.5, 0.5, 0.6, 0.5, 0.4, 0.5, 0.3, 0.5)
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00") # 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 = wysokosc), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 4, colour = "black") +
geom_text(aes(y = wysokosc + 0.05 * sign(wysokosc), label = paste0(rok, "\n", opis), vjust = ifelse(wysokosc > 0, 0, 1),
hjust = wyrownanie),
size = 3.3, lineheight = 0.9) +
scale_shape_manual(values = ksztalty, name = NULL) +
scale_fill_manual(values = kolory, name = NULL) +
scale_x_continuous(limits = c(1925, 2032), breaks = seq(1930, 2020, by = 10)) +
scale_y_continuous(limits = c(-1.55, 1.5)) +
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 (metaanaliza, fail-safe N, test Eggera i trim-and-fill – funkcje escalc(), rma(), fsn(), regtest() i trimfill() z pakietu metafor; dane – pakiet metadat; 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/
- metafor (wersja 5.2.1): Viechtbauer, W. (2010). Conducting meta-analyses in R with the metafor package. Journal of Statistical Software, 36(3), 1–48. https://doi.org/10.18637/jss.v036.i03
- metadat (wersja 1.6.0): Viechtbauer, W., White, T., Noble, D., Senior, A., & Hamilton, W. (2026). metadat: Meta-analysis datasets [R package]. https://doi.org/10.32614/CRAN.package.metadat
- 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 Robert Rosenthal?
Amerykańskim psychologiem (1933–2024), urodzonym w Giessen w Niemczech, którego rodzina w 1939 r. uciekła przed nazistami do Rodezji, a potem do USA. Badał, jak oczekiwania eksperymentatorów i nauczycieli wpływają na wyniki badanych, i opisał problem szuflady w nauce. Zmarł w styczniu 2024 r. w Riverside w Kalifornii.
Na czym polegał eksperyment Rosenthala ze szczurami „bystrymi” i „tępymi”?
Dwunastu studentom powiedziano, że ich szczury pochodzą z hodowli selekcjonowanej na zdolności do labiryntu – połowie, że są „bystre”, połowie, że „tępe”. Etykiety przydzielono losowo. Szczury opisane jako bystre częściej wybierały poprawne ramię labiryntu, a te opisane jako tępe częściej w ogóle nie podejmowały wyboru.
Jak Rosenthal liczył, ile badań może leżeć w szufladach?
Łączył statystyki z badań metodą Stouffera i pytał, ile badań z wynikiem zerowym trzeba by dołożyć, by łączny wynik przestał być istotny. Ta liczba to fail-safe N; za odporny uznawał wynik, gdy przekracza 5k + 10, gdzie k to liczba badań w metaanalizie.
Co krytycy zarzucali badaniu „Pigmalion w klasie”?
Arthur Jensen i R. L. Thorndike kwestionowali m.in. analizę i jakość pomiaru inteligencji u najmłodszych dzieci, a Rosenthal odpowiadał na te zarzuty. Późniejsze przeglądy, np. Jussima i Harbera (2005), wskazują, że oczekiwania nauczycieli działają, ale ich efekty są zwykle małe i często wygasają.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Błąd publikacji w metaanalizie – metody
Lejek i test Eggera, trim-and-fill, PET-PEESE, model selekcji, p-curve i fail-safe N porównane na jednej symulacji w R, z wzorem opisu.
Czytaj →PoradnikMetaanaliza krok po kroku
Od pytania do PRISMA 2020: g Hedgesa, model efektów losowych, heterogeniczność i przedział predykcji, moderatory, wykres lejkowy – z kodem metafor.
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)
- Friedman, H. S. (2024). Robert Rosenthal (1933–2024). American Psychologist, 79(6), 876–877. https://doi.org/10.1037/amp0001356
- Jussim, L., & Harber, K. D. (2005). Teacher expectations and self-fulfilling prophecies: Knowns and unknowns, resolved and unresolved controversies. Personality and Social Psychology Review, 9(2), 131–155. https://doi.org/10.1207/s15327957pspr0902_3
- Molloy, G. J., O’Carroll, R. E., & Ferguson, E. (2014). Conscientiousness and medication adherence: A meta-analysis. Annals of Behavioral Medicine, 47(1), 92–101. https://doi.org/10.1007/s12160-013-9524-4
- Rosenthal, R. (1976). Experimenter effects in behavioral research (Enlarged ed.). Irvington Publishers.
- Rosenthal, R. (1979). The file drawer problem and tolerance for null results. Psychological Bulletin, 86(3), 638–641. https://doi.org/10.1037/0033-2909.86.3.638
- Rosenthal, R., & Jacobson, L. (1968). Pygmalion in the classroom: Teacher expectation and pupils' intellectual development. Holt, Rinehart and Winston.
Cytowania BibTeX
@article{friedman2024robert, author={Friedman, Howard S.}, title={{Robert Rosenthal (1933–2024)}}, journal={American Psychologist}, year={2024}, volume={79}, number={6}, pages={876--877}, doi={10.1037/amp0001356}}@article{jussim2005teacher, author={Jussim, Lee and Harber, Kent D.}, title={{Teacher expectations and self-fulfilling prophecies: Knowns and unknowns, resolved and unresolved controversies}}, journal={Personality and Social Psychology Review}, year={2005}, volume={9}, number={2}, pages={131--155}, doi={10.1207/s15327957pspr0902_3}}@article{molloy2014conscientiousness, author={Molloy, Gerard J. and O'Carroll, Ronan E. and Ferguson, Eamonn}, title={{Conscientiousness and medication adherence: A meta-analysis}}, journal={Annals of Behavioral Medicine}, year={2014}, volume={47}, number={1}, pages={92--101}, doi={10.1007/s12160-013-9524-4}}@book{rosenthal1976experimenter, author={Rosenthal, Robert}, title={{Experimenter effects in behavioral research (Enlarged ed.)}}, year={1976}, publisher={Irvington Publishers}}@article{rosenthal1979file, author={Rosenthal, Robert}, title={{The file drawer problem and tolerance for null results}}, journal={Psychological Bulletin}, year={1979}, volume={86}, number={3}, pages={638--641}, doi={10.1037/0033-2909.86.3.638}}@book{rosenthal1968pygmalion, author={Rosenthal, Robert and Jacobson, Lenore}, title={{Pygmalion in the classroom: Teacher expectation and pupils' intellectual development}}, year={1968}, publisher={Holt, Rinehart and Winston}, url={https://lccn.loc.gov/68019667}}