R: учебники

Бумажные учебники по R, как и по большинству динамично развивающихся областей, устаревают очень быстро. Поэтому если что-то читать — то лучше читать либо электронные англоязычные учебники, либо тематические блоги и сообщества. Вообще, настоятельно рекомендую забыть о мысли искать и читать на русском языке какие-либо тексты по анализу данных, как и в целом академические тексты. (Вторая иллюзия, которая возникает у новичков при работе с данными — что нужно постоянно видеть таблицу данных, через некоторое время также развеивается. Но это уже детали.)

Если все же хочется какого-то введения на русском языке, то рекомендую «Наглядная статистика. Используем R!» Шипунова и коллег, базовые вещи там вполне неплохо описаны. Из англоязычных — Burns P. The R Inferno; Kabacoff R. R in Action: Data Analysis and Graphics With R; Zhao Y., Cen Y. Data Mining Applications with R. В сети большая часть учебников или прочих дополнительных материалов легко гуглится. Например, очень большую коллекцию книг по R собрал мой друг и коллега Артем Клевцов: psylab.info/R:Литература

Из онлайн-учебников весьма хорош сайт www.statmethods.net/, где описаны основные методы манипуляции с данными (слияние, расщепление, транспонирование и проч.), методы анализа данных (проверка гипотез, многомерные методы, оценка мощности) и визуализации (гистограммы, дендрограмы, графики рассеяния, графики плотности и проч.).

Для тех, кто предпочитает различные онлайн-курсы, есть набор заданий, которые охватывают базовые разделы работы с R. Точно так же ряд тематических курсов на https://www.coursera.org/, которые посвящены анализу данных и близким темам, предполагают выполнение заданий на R.

В конце концов, сам R имеет достаточно подробную справку для каждой функции. Помимо просто описания функции, ее аргументов и структуры вывода, для многих команд есть еще и демо-примеры (команда demo ()). Не так давно вышел пакет swirl, который, по сути, является интерактивным учебником по R, в котором взаимодействие с пользователем строится через консоль.

Тем не менее, ситуации, когда приходится лезть в гугл и искать, как же можно решить свою задачу, случаются практически всегда, особенно на первых порах освоения языка. Благо, экосистема R включает в себя не только пакеты методы на любой вкус, но и обширное сообщество, у которого можно что-либо спросить. Ранее я упоминал уже про рассылку Nabble (http://r.789 695.n4.nabble.com/). Мне лично больше нравятся два других ресурса — CrossValidated и StackOverflow. Это форумы, на которых можно что-то спросить и получить ответ. CrossValidated — это сеть, которая объединяет различные ресурсы вопрос-ответного плана, StackOverflow, который посвящен языкам программирования (ветка по R — stackoverflow.com/questions/tagged/r), входит в нее. На CrossValidated есть и спец. форумы по статистике (http://stats.stackexchange.com). Таким образом, если гуглить что-то в духе «how to do xxx in R» или «k-medoids in R», ссылки на эти два форума будут в первой десятке.

Для любителей видео-курсов есть различные YouTube-каналы и плейлисты, например www.youtube.com/playlist?list=PL69A9CCD816A5F3A5.

Следует все же отметить, что большая часть учебников и учебных материалов по R посвящена именно каким-то основным принципам написания скриптов или работы с пакетами. Другие аспекты работы в R, такие как принципы грамотного программирования и оптимизация кода, написание собственных пакетов или разработка web-приложений для анализа данных на основе Shiny — практически не рассматриваются. Впрочем, для большинства психологов это требуется в очень редких случаях."

_____________

Филипп Управителев

Инструментарий аналитика: SPSS

За почти двенадцать лет дружбы с SPSS я встречал не так уж много учебников по SPSS на русской языке — это учебники Пациорковских, Таганова, Крыштановского и Наследова. Первые три — учебники для маркетологов и социологов, там практически нет многомерных методов. В общем и целом, я склонен на данный момент считать учебники Наследова лучшими из доступных русскоязычных учебных материалов по мат. методам и их реализации в SPSS.

Первый учебник, «Математические методы психологического исследования. Анализ и интерпретация данных», знакомый, подозреваю, практически всем, посвящен логике и структуре методов анализа данных, каждая глава содержит в себе краткую иллюстрацию практики использования этого метода в SPSS. Второй учебник, «IBM SPSS Statistics 20 и AMOS. Профессиональный статистический анализ данных», больше посвящен именно SPSS — более детально раскрываются дополнительные параметры методов и содержание таблиц вывода. Тем не менее, учебник также содержит некоторые общие описания логики методов. Также этот учебник, в отличие от предыдущих учебников по версиям SPSS, содержит раздел по AMOS — модулю IBM SPSS, с помощью которого работают с задачами структурного моделирования (SEM). Конечно, учебники А.Д.Наследова вызывают ряд вопросов и претензий, особенно первый, однако для начинающих или не очень уверенных пользователей они будут лучшим выбором.

В англоязычном академическом мире традиционно лучшим учебником по анализу данных в SPSS, да и просто хорошим учебником по статистике, считается учебник Филда, Discovering Statistics Using IBM SPSS Statistics by Andy Field. Подробнее можно посмотреть здесь: www.uk.sagepub.com/field4e/main.htm или на весьма любопытном личном сайте автора www.statisticshell.com/.

Временами случается, что учебника под рукой нет, или надо посмотреть пример использования того или иного метода, который не описан у АДН, например, как делать логистическую регресию в SPSS. В таких случаях я шел на этот неплохой онлайн-учебник по основным методам анализа данных. которые могут потребоваться исследователям. Правда, по ощущениям, для иллюстраций авторы использовали какую-то очень уж древнюю версию SPSS, чуть ли не 9.0/11.0. Также, как и бумажные учебники, подойдет только для newbie-analysts.

Для тех, кто хочет приближенных к реальности пошаговых инструкций, могу порекомендовать соответствующие YouTube-каналы, например, www.youtube.com/playlist?list=PL6B445216E3B93D2C.

Ранее я уже упоминал, что SPSS имеет достаточно удобную возможность работать со скриптами. Если быть корректным, то оконный интерфейс дает лишь базовые возможности для аналитиков, в том случае, когда есть желание повышать навыки анализа данных в SPSS, переход к скриптам является следующим и обязательным шагом. Другое дело, что, на мой взгляд, если уж и переходить на уровень кода, то лучше сразу переходить к использованию R. Однако это вопросы личного выбора. Возвращаясь к скриптам в SPSS, в первую очередь рекомендую посмотреть встроенный мануал SPSS Syntax. А во вторую очередь, воспользоваться ресурсами www.spsstools.ru/ - это перевод англоязычного сайта www.spsstools.net/, где опубликовано около 700 примеров синтаксиса, макросов и скриптов, которые были написаны автором сайта во время консультаций на форумах и в рассылках. Вообще, на сайте достаточно много справочных материалов, ссылок, полезных приемов и так далее. К сожалению, сайт уже пару лет как не обновляется — судя по всему, автор мигрировал на Python.

И напоследок. Для тех, кто совсем отчаялся и не может решить задачу, есть возможность попросить совета в ЖЖ-коммьюнити ru-spss.livejournal.com, где обитает достаточно большое количество дружелюбных и высокопрофессиональных аналитиков и пользователей SPSS.

_____________

Филипп Управителев

Инструментарий аналитика: софт

Программ для анализа данных, которые обычно используют в академической среде, достаточно много. Нередко выбор программы зависит от сложившихся традиций в той или оной области. В этом отношении психологи всегда были близки социологам по аналитическому инструментарию, в первую очередь из-за увлечения опросами и потоковыми психодиагностическими обследованиями.

В России, на заре времен, использовались либо локальные программные решения, типа ДА-системы (как правило, социологами для анализа данных опросов), либо Statistica. Последняя — проприетарный продукт компании StatSoft, содержит достаточно большое число модулей по самым разным видам анализов, но больше ориентированный, все же, на индустриально-промышленные задачи. Примерно в то же время у социологов была популярна программа Stata — в ней основная работа ведется через командную строку, а основной набор методов ориентирован на регрессии и работу с номинальными и порядковыми данными. Я, когда работал со Stata, достаточно долго привыкал к ее несколько негибкому языку и некоторым сложностям с манипулированием данными. Некоторые эстеты работали также с Matematica, Weka, в особых случаях — SAS.

Через некоторое время, в начале '00 годов, практика сместилась в сторону SPSS. В немалой части причиной этого стали учебники А.Д.Наследова. На первых порах SPSS пугает определенной лаконичностью интерфейса (а до 15 версии еще и отсутствием русскоязычной локализации), но через некоторое время это проходит. В настоящее время SPSS является наиболее распространенной программой анализа данных, с которой работают психологи. К сожалению, несмотря на регулярно выходящие новые версии (следует отметить, что наиболее стабильными традиционно являются нечетные версии), набор методов анализа в SPSS весьма традиционен, и включает в себя описательные статистики, регрессии, многомерные и непараметрические методы. Относительно неплохо реализована возможность работать множественными вариантами ответов на вопросы. Изыски вроде анализа временных рядов, ROC-кривых или нейронных сетей появились относительно недавно, и психологами, как правило, не используются. К сожалению, SPSS в базовой комплектации SPSS Statistics не дает возможности полноценно работать с текстовыми данными, оценками размера эффекта, IRT-моделями, структурным моделированием, байесовскими методами и некоторыми прочими. Для некоторых из них нужны дополнительные модули, или же они вообще не реализованы. Дополнительным плюсом является достаточно комфортная возможность работать с скриптами.

В общем и целом SPSS (или PSPP, ее бесплатный аналог для linux) является базовым инструментом для тех, кто работает с данными лишь несколько раз в год и, в целом, не особо искушен в области анализа количественных данных. Однако нередко возникают ситуации, особенно при работе с экспериментальными данными, когда необходимо иметь лучшее понимание того, что происходит с данными или просто использовать методы, не включенные в стандартный набор SPSS. Например, когда необходимо аппроксимировать теоретическую функцию распределения эмпирических данных, провести симуляционный эксперримент, использовать непараметрический факторный анализ, проанализировать данные ЭЭГ или же просто построить и оценить SEM-модель при процедуре валидизации опросника. В подобных ситуациях естественным и закономерным будет переход к другим инструментам.

Такими инструментами в настоящее время выступают MATLAB, Python и R. Все это, в первую очередь, языки программирования. Python является наиболее гибким по применению языком программирования, и анализ данных — лишь одна из областей его использования (пакет pandas, например), как и проектирование экспериментов в PsychoPy. MATLAB, конечно же, создан для боли и страданий, но в настоящий момент является самым общепризнанным в академической среде инструментом для проектирования экспериментов, сбора и анализа данных (особенно психофизиологических). К сожалению, проприетарен, но есть бесплатный аналог — Octave.

R, по сравнению с Python и MATLAB выглядит бедным родственником, несмотря на Shiny, так как полностью ориентирован на работу с данными. В настоящее время для R написано несколько тысяч пакетов с разнообразными методами манипуляций и анализа данных, на любой, даже самый притязательный вкус. В качестве дополнительных бонусов, помимо собственно повышения навыков программирования и алгоритмичного мышления, использование R повышает грамотность аналитика в области практики применения различных методов анализа данных. Второй бонус — R, как и Python, обладает возможностью доступа к различным источникам данных, типа facebook или twitter, не говоря уже о просто SQL-базах, что существенно расширяет не только область применения R, но и возможный инструментарий и области для психологических исследований.

Таким образом, если подходить профессионально и дотошно к анализу эмпирических данных, то, на мой взгляд, естественным выбором аналитика будет что-нибудь из списка Python/R/MATLAB. В крайнем случае SPSS, а для редких ценителей — со скриптами и включением кусков кода на R.

Кейс по систематизации работы с информацией

Продолжая тему о рабочих инструментах представителей академического сообщества. Кейс из личной практики — для тех, кто хочет систематизировать работу с информацией

В какой-то момент возникает потребность отслеживать, что происходит в мире — новые статьи в профильных журналах, полезные записи в тематических блогах и/или сообществах, информация о конференциях и так далее. Долгое время я просто хранил закладки и e-mail подписки, потом стал использовать twitter-ленты, ЖЖ-ленты, LinkedIn-группы, тысячи их. Я знал, что в какой-то момент придет черед и RSS-подписок. Так и случилось — пару лет назад я открыл для себя Google Reader. Недавно он, к сожалению, почил с миром, однако есть аналоги. Сейчас я использую feedly.com, куда мигрировала большая часть гуглоюзеров, хотя есть и вполне симпатичный Old Reader, очень похожий на старый Google Reader.

Для меня feedly и RSS-подписки — инструмент для скрининга событий и накопления информации. Я стараюсь начинать рабочий день (ну или хотя бы каждую неделю) с просмотра новых материалов — это несколько десятков блогов по статистике и R, а так же журналы по статистике, психометрике и психолингвистике от Elsevier, Sage и Springer. Естественно, пара развлекательных подписок типа WSWCGS. Политические новостные ленты не включаю, это позволяет держать академический настрой.

Как правило, знакомство с материалами заканчивается на просмотре заголовков — этого вполне достаточно, чтобы понять, чему посвящен текст. В редких случаях дело доходит до прочтения самого поста или аннотации статьи. Feedly поддерживает весьма гибкую систему тегов, поэтому для особо интересных мне записей я ставлю собственные метки, например, «monte-carlo» или «bayesian». Таким образом, формируются тематические подборки, которые при необходимости можно просматривать, когда возникнет близкая по содержанию задача.

В результате подобного просеивания информационной ленты я получаю две-три полезных статей в неделю, еще с полдюжины — которые можно просмотреть для общего развития. Забавных или красивых картинок, любопытных задач или идей — вообще без счета.

Вот так выглядит мое окно feedly после где-то недельного цейтнота и игнорирования всех лент:

MQoO6JCrUoA

Как написать хорошее эссе

Сегодня советы #thinkcognitive будут посвящены написанию эссе. Написание эссе — очень полезный для #горячихюныхмкогнитивных навык. Умение анализировать, выстраивать доказательство и письменно излагать свои мысли лежит в основе написания любых академических текстов — от тезисов и статей до экзаменационных работ, ВКР и диссертаций.

Эссе — это письменная работа, предполагающая методический анализ и оценку некоторой темы или проблемы. Например, случае с нашим конкурсом NEISSER, вам предлагается продемонстрировать и доказать «интересность» какого-то эксперимента (хотя, надо сказать, это довольно необычная формулировка проблемы для эссе).

При написании эссе легко впасть в одну из двух крайностей — описать факты, обойдя интерпретацию (побоясь ее субъективности), или наоборот, описать свое личное мнение, не подкрепив его фактами. Искусство написания эссе заключается именно в нахождении этого баланса, в умении высказать свою позицию, логически у ней подведя и подкрепив рациональными, объективными аргументами.

Обычно в хорошем эссе дается описание и обсуждение нескольких позиций или точек зрения, а далее на их основании делается вывод, отражающий информированное мнение автора. Поэтому перед написанием эссе всегда нужно сформулировать, что вы думаете о том, о чем пишете, какова ваша позиция, какую идею вы будете защищать. В случае с нашим эссе, все проще — фактически, вывод уже сделан («Этот эксперимент мне интересен»), осталось описать, почему.

Начинать работу над эссе стоит с внимательного прочтения его названия или задания. Что вам предлагается сделать? Описать, сравнить, обсудить? Какой вопрос задается? Все ли термины на этом этапе вам понятны? На основании этой информации можно начинать продумывать план текста. Возвращаясь к примеру нашего конкурса NEISSER — прежде чем начинать писать, внимательно прочтите и обдумайте информацию здесь: http://grant.cogitoergo.ru/#neisser

Далее наступает черед составления плана и подбора материала. Обратитесь к литературе, постарайтесь составить примерную картину того, о чем вы будете писать. На этом этапе вам нужно составить план, содержащий основные темы, которые вы планируете затронуть. Возможно, этот план в дальнейшем будет изменен. Если ваше эссе предполагает анализ большого количество источников (что в нашем конкурсе необязательно), после составления такого первоначального плана стоит начать на его основе собирать и систематизировать ссылки — в связи с чем и на что вы будете ссылаться.

Итак, основные идеи прописаны, материал собран. Можно начинать писать? Не стоит торопиться. Полезно сначала проработать подробную структуру вашего текста. Эссе всегда состоит из трех частей — введения, обсуждения и заключения. Во введении вы описываете вопрос и его контекст, а также кратко говорите о направлении ваших рассуждений. Например, случае с нашим конкурсом, вы кратко представляете выбранное исследование и тезисно излагаете, почему вы выбрали именно его. Во второй части — обсуждении — представляются аргументы и доказательства вашей точки зрения. Важно, чтобы обсуждение было логичным и последовательным. В эссе об экспериментах именно здесь можно дать описание исследования, и подробно изложить те моменты, которые вас заинтересовали, будь то история эксперимента или результата, использованная техника или методика, влияние которое было оказано на последующее развитие исследовательской области, и т. д. Здесь приведены лишь примеры аргументов — на самом деле их огромное разнообразие. В заключении эссе подводится итог обсуждению и демонстрируется, что вы ответили на вопрос.

После того как план эссе составлен в соответствии с этим трехчастным «скелетом», можно начинать писать. Писать можно с любого конца — некоторые предпочитают сначала иметь написанное обсуждение, а потом обрамить его введением и заключением, некоторые пишут все части последовательно. Главное — старайтесь писать четко, кратко, и каждый абзац посвящать какой-то одной мысли.

Ну, а уже написанный текст останется проверить и отредактировать. Ответили ли вы на поставленный вопрос? Не стоит ли поменять какие-то фрагменты местами, для того чтобы доказательство было последовательнее? Не нужно ли сократить текст, чтобы уложиться в установленный лимит (у нас это 500 слов)? Грамотен ли текст, нет ли в нем опечаток? После собственной проверки текст с такими же вопросами можно показать неравнодушным друзьям — на этом этапе никогда не помешает свежий взгляд.

В принципе, эссе готово — остается его только оформить.

Легкого вам письма! Оставайтесь с нами!

PwYeumW9W_w

Катерина Плацек: «MATLAB это не магия»

#горячихюныхкогнитивных много по всему миру, и проблемы у них на самом деле не такие разные, как это может показаться. #thinkcognitive попросил Катерину Плацек (ассистент лаборатории, факультет психологии University of Texas at Austin) рассказать о своем опыте общения с Matlab:

Впервые я столконулась с Матлабом (да и с кодом вообще) в онлайн-курсе, который я проходила во время обучения в магистратуре. Нам давались краткие объяснения основных понятий, после чего предлагалось перейти к самостоятельной домашней работе. К сожалению, оказалось, что от природы я не сильна в программировании, и, огорчившись, я бросила учиться, попросив помощи с заданиями компетентного в Матлабе друга. Как можно ожидать, в результате я обрела лишь базовое понимание Матлаба и огромное разочарование.

Следующая глава саги об изучении Матлаба открылась, когда передо мной встала задача создания бихевиоральной экспериментальной парадигмы с использованием пакета PsychToolbox — дополнения к Матлабу для психологического экспериментирования. В этот раз я училась по книге «Matlab for Behavioral Scientists» (автор David A. Rosenbaum). Книга оказалась спасением — основы программирования и инструкции для Матлаба были объяснены понятным не-техническим языком, и адаптированы для начинающих. Так я стала понимать «как» и «почему» программирования.

Но тем не менее, простое чтение учебника и выполнения упражнений не продвинули бы меня особенно далеко. Как я слышала от многих, и как я понимаю теперь сама, единственный способ учиться — сделать самостоятельный проект. Это не значит, что вы будете сидеть перед экраном компьютера и расстраиваться от каждого сообщения об ошибке (и думать, что вы необучаемы — я точно так думала, когда начинала). Вместо этого, используйте свои знания, пополняйте их, и просите помощи! Лучшие учителя — это ваши коллеги, которые скорее всего в свое время преодолевали те же самые трудности. Матлаб — это не магия. Это компьютерная программа, помогающая вам в проведении исследований, которые вы умеете делать. Я не могу назвать себя ни экспертом в Матлабе, ни человеком которому нравится программировать, но сейчас я могу редактировать и чинить и создавать собственный код. Будьте к себе снисходительны — не все (как я) от природы способны программировать, и вы обязательно научитесь — просто будьте упорны и не вешайте нос!

Александра Чистопольская: «можно отметить легкость освоения программы»

Мы продолжаем публиковать рассказы студентов и аспирантов о своих первых самостоятельно сделанных на компьютере экспериментах. Сегодня — рассказ Саши Чистопольской, аспиранта факультета психологии ЯрГУ, о том, как она делала свой первый эксперимент на PsychoPy:

«Так вышло, что в целях проведения экспериментального исследования для написания дипломной работы мне пришлось прибегнуть к работе в программе PsychoPy. Перед нами стояла комплексная исследовательская проблема: одновременная экспозиция двух различных объектов (целевой задачи и вторичного задания-зонда) и фиксация поведенческих параметров (время реакции и количество ошибок при выполнении вторичного задания). Важно отметить, что поскольку мы планировали исследовать микродинамику мыслительного процесса (по анализу показателей выполнения зондового задания, а именно требовалось определять, например, тип представленного угла (тупой или острый) с частотой примерно изображение в сек или меньше), то необходима была автоматическая фиксация процесса для последующего анализа. Именно программа PsychoPy позволила написать такой скрипт, который позволял учитывать все запрашиваемые параметры стимульной экспозиции и забора данных. Программа имеет множество опций, возможно работа как с текстовой информацией, так и видео.

Для написания скрипта достаточным оказалось наличие конструктора (+ ориентация на аналогичный скрипт), заложенного в основе PsychoPy, а конкретные команды находились в Интернете на пользовательском форуме. В общем, можно отметить легкость освоения этой программы и гибкость системы, позволяющую решать множество исследовательских задач".

Поиск полнотекстовых версий статей

В продолжение темы о поиске литературы онлайн — несколько способов найти полнотекстовую версию интересующей статьи.

Мир академических журналов в наше время весьма коммерциализирован. Электронные каталоги, сайты журналов и базы данных предоставляют для ознакомления лишь название статьи и ее краткое описание (абстракт), а также иногда иллюстрации. Полный же текст статьи находится, что называется, behind the paywall — за доступ нужно платить. В части случаев (пропорция варьируется от университета к университету) на журналы подписывается университетская библиотека, открывая всем своим читателям доступ к их содержимому. Но университетские подписки есть не у всех, да и охватывают они лишь часть изданий, интересующих пытливые умы #горячихюныхкогнитивных. Время от времени все мы все равно наталкиваемся на paywall. Что же делать в таких случаях?

Шаг 1. Попробуйте поискать в Google Scholar, указав в качестве запроса полное название статьи в кавычках (внимание: «вот таких», а не «вот таких»). Есть вероятность, что статья лежит где-то на академическом ресурсе, индексируемом GoogleScholar (например, на сайте университета), но в открытом доступе.

Шаг 2. Повторите запрос из шага 1 в обычном Google, добавив к нему указание на интересующий тип файла (filetype:pdf). Таким образом вы можете найти сами статьи или их препринты, выложенные авторами на личных сайтах или локальных сайтах лабораторий. Кроме этого, можно поискать собственно сайты авторов и их лабораторий, проверяя, нет ли интересующего вас текста в разделе «Publications».

Шаг 3. Звонок другу=). Если у вас есть коллеги в других университетах и подозрение, что у их библиотек более обширная подписка, перешлите им ссылку или опубликуйте свою просьбу в социальной сети. В свою очередь, если вы видите такую просьбу — не проходите мимо, вдруг вы можете помочь?

Шаг 4. Попробовать направить свою просьбу в социальные сети с большим академическим присутствием. Например, во FriendFeed есть ветка под названием References Wanted (http://friendfeed.com/references-wanted). А если у вас есть аккаунт в Twitter, можно попробовать использовать хэштег #icanhazpdf. Сообщение выглядит примерно таким образом: «#icanhazpdf please? Ссылка на статью, имя (at)почта. Thank you.» Конечно, этот способ лучше работает, если в вашем Twitter есть академические контакты, но есть и люди, специально следящие за этим тегом и выполняющие пожелания трудящихся.

Шаг 5. Напишите сообщение одному из авторов интересующей статьи. Людям нравится, когда их читают, и они бывают рады поделиться своей копией или препринтом. Адреса авторов обычно можно найти в сети. Единственное, перед отправкой письма убедитесь, что нужный pdf не лежит на сайте автора или его лаборатории. Для тех, кто не уверен в своем английском, есть замечательная страница-помощник: http://hublog.hubmed.org/archives/1 385.html. Во-первых, там есть простой пример подобного письма, а во-вторых — форма для генерации запроса.

А заполучив долгожданный PDF, не забудьте мысленно поблагодарить журналы открытого доступа за то, насколько проще они делают жизнь. Последний совет — если вы находитесь вне зоны действия университетских подписок, но вам срочно нужно найти литературу по какой-то теме, используйте поиск по материалам открытого доступа — http://freefullpdf.com/. Это не замена чтению статей по ту сторону paywall’а, но по крайней мере вам не придется терять время на заведомо тупиковые ссылки.

Ах да, и главное. Скачав статью, не забудьте её прочесть;)

WMEMJQ6_qHM

Proxy СПбГУ

Лайфхак для #горячихюныхкогнитивных из СПбГУ. Если вы учитесь или работаете в СПбГУ, вы можете получить удаленный доступ ко всем библиотечным ресурсам СПбГУ. Для этого достаточно читательского, но это вы, наверное, и так знаете. Лайфак в том, что вы можете использовать http://proxy.library.spbu.ru/ для быстрого доступа к этим самым ресурсам.

http://proxy.library.spbu.ru/ — общий список доступных ресурсов

http//proxy.library.spbu.ru:2374 — Google Scholar

proxy.lib.pu.ru:2202/ - Scopus

proxy.library.spbu.ru:2117/ - ScienceDirect

proxy.library.spbu.ru:3877/ - Oxford Handbooks

proxy.library.spbu.ru:2060/ - EBSCOHost (журналы APA)

Добавьте эти адреса к себе в закладки и экономьте свое время.

Наталья Андриянова: «Можно делать эксперименты, не имея навыков программирования»

#thinkcognitive продолжает публиковать истории. Сегодня — Наталья Андриянова о первых экспериментах и друзьях-программистах:

«Я провожу эксперименты в программе PsychoPy и очень рада, что такая программа есть у нас в доступе. Ей довольно легко пользоваться и можно делать некоторые эксперименты, даже не имея навыков программирования, хотя, конечно, умея программировать, там можно сделать гораздо больше. Научиться пользоваться программой мне помогло обучающее видео (https://www.youtube.com/watch?v=VV6qhuQgsiI), а так же мой коллега Иван Иванчей который объяснил мне ее возможности на примере моего эксперимента. Сейчас я сделала уже несколько экспериментов в PsychoPy. Конечно, отсутствие навыков программирования ограничивает для меня сферу ее использования, поэтому я считаю, что данный навык является важным для психологов. Можно, конечно, пойти другим путем и иметь друзей программистов, которые помогут вам делать эксперименты, но тогда вы начинаете зависеть от них, ведь вам придется постоянно обращаться к ним, если нужно что-то исправить или дополнить. А умение самостоятельно делать эксперименты делает вас свободными, дает большее понимание и уверенность в себе.»