This project investigates mathematical psychology's historical and philosophical foundations to clarify its distinguishing characteristics and relationships to adjacent fields. Through gathering primary sources, histories, and interviews with researchers, author Prof. Colin Allen - University of Pittsburgh [1, 2, 3] and his students Osman Attah, Brendan Fleig-Goldstein, Mara McGuire, and Dzintra Ullis have identified three central questions:
Preliminary findings emphasize data-driven modeling, skepticism of cognitive science alignments, and early reliance on computation. They will further probe the interplay with cognitive neuroscience and contrast rational-analysis approaches. By elucidating the motivating perspectives and objectives of different eras in mathematical psychology's development, they aim to understand its past and inform constructive dialogue on its philosophical foundations and future directions. This project intends to provide a conceptual roadmap for the field through integrated history and philosophy of science.
This project aims to integrate historical and philosophical perspectives to elucidate the foundations of mathematical psychology. As Norwood Hanson stated, history without philosophy is blind, while philosophy without history is empty. The goal is to find a middle ground between the contextual focus of history and the conceptual focus of philosophy.
The team acknowledges that all historical accounts are imperfect, but some can provide valuable insights. The history of mathematical psychology is difficult to tell without centering on the influential Stanford group. Tracing academic lineages and key events includes part of the picture, but more context is needed to fully understand the field's development.
The project draws on diverse sources, including research interviews, retrospective articles, formal histories, and online materials. More interviews and research will further flesh out the historical and philosophical foundations. While incomplete, the current analysis aims to identify important themes, contrasts, and questions that shaped mathematical psychology's evolution. Ultimately, the goal is an integrated historical and conceptual roadmap to inform contemporary perspectives on the field's identity and future directions.
The history of efforts to mathematize psychology traces back to the quantitative imperative stemming from the Galilean scientific revolution. This imprinted the notion that proper science requires mathematics, leading to "physics envy" in other disciplines like psychology.
Many early psychologists argued psychology needed to become mathematical to be scientific. However, mathematizing psychology faced complications absent in the physical sciences. Objects in psychology were not readily present as quantifiable, provoking heated debates on whether psychometric and psychophysical measurements were meaningful.
Nonetheless, the desire to develop mathematical psychology persisted. Different approaches grappled with determining the appropriate role of mathematics in relation to psychological experiments and data. For example, Herbart favored starting with mathematics to ensure accuracy, while Fechner insisted experiments must come first to ground mathematics.
Tensions remain between data-driven versus theory-driven mathematization of psychology. Contemporary perspectives range from psychometric and psychophysical stances that foreground data to measurement-theoretical and computational approaches that emphasize formal models.
Elucidating how psychologists negotiated to apply mathematical methods to an apparently resistant subject matter helps reveal the evolving role and place of mathematics in psychology. This historical interplay shaped the emergence of mathematical psychology as a field.
What sets mathematical psychology apart from other branches of psychology in its use of mathematics?
Several key aspects stand out:
So while not unique to mathematical psychology, these key elements help characterize how its use of mathematics diverges from adjacent fields like psychophysics and psychometrics. Mathematical psychology carved out an identity embracing quantitative methods but also theoretical depth and broad generalization.
What is the appropriate perspective on mathematical psychology's relationship to cognitive psychology and cognitive science? While connected historically and conceptually, essential distinctions exist.
Mathematical psychology draws from diverse disciplines that are also influential in cognitive science, like computer science, psychology, linguistics, and neuroscience. However, mathematical psychology appears more skeptical of alignments with cognitive science.
For example, cognitive science prominently adopted the computer as a model of the human mind, while mathematical psychology focused more narrowly on computers as modeling tools.
Additionally, mathematical psychology seems to take a more critical stance towards purely simulation-based modeling in cognitive science, instead emphasizing iterative modeling tightly linked to experimentation.
Overall, mathematical psychology exhibits significant overlap with cognitive science but strongly asserts its distinct mathematical orientation and modeling perspectives. Elucidating this complex relationship remains an ongoing project, but preliminary analysis suggests mathematical psychology intentionally diverged from cognitive science in its formative development.
This establishes mathematical psychology's separate identity while retaining connections to adjacent disciplines at the intersection of mathematics, psychology, and computation.
The SDTEST® is a simple and fun tool to uncover our unique motivational values that use mathematical psychology of varying complexity.
The SDTEST® helps us better understand ourselves and others on this lifelong path of self-discovery.
1) การกระทำของ บริษัท ที่เกี่ยวข้องกับบุคลากรในเดือนที่แล้ว (ใช่ / ไม่ใช่) 2) การกระทำของ บริษัท ที่เกี่ยวข้องกับบุคลากรในเดือนที่แล้ว (ข้อเท็จจริงใน%) 3) ความกลัว 4) ปัญหาที่ใหญ่ที่สุดที่ประเทศของฉันเผชิญ 5) คุณภาพและความสามารถใดที่ผู้นำที่ดีใช้เมื่อสร้างทีมที่ประสบความสำเร็จ? 6) Google. ปัจจัยที่ส่งผลกระทบต่อความเป็นของทีม 7) ลำดับความสำคัญหลักของผู้หางาน 8) อะไรทำให้เจ้านายเป็นผู้นำที่ยิ่งใหญ่? 9) อะไรทำให้ผู้คนประสบความสำเร็จในการทำงาน? 10) คุณพร้อมที่จะรับเงินน้อยลงในการทำงานจากระยะไกลหรือไม่? 12) อายุในอาชีพ 13) อายุในชีวิต 15) เหตุผลที่ผู้คนยอมแพ้ (โดย Anna Vital) 16) เชื่อมั่น (#WVS) 18) ความเป็นอยู่ที่ดีทางจิตวิทยา 19) โอกาสที่น่าตื่นเต้นที่สุดครั้งต่อไปของคุณจะเป็นที่ไหน? 20) สัปดาห์นี้คุณจะทำอะไรเพื่อดูแลสุขภาพจิตของคุณ? 21) ฉันใช้ชีวิตคิดถึงอดีตปัจจุบันหรืออนาคตของฉัน 22) การทำบุญ 23) ปัญญาประดิษฐ์และจุดจบของอารยธรรม 24) ทำไมคนถึงผัดวันประกันพรุ่ง? 25) ความแตกต่างทางเพศในการสร้างความมั่นใจในตนเอง (IFD Allensbach) 26) การประเมินวัฒนธรรม Xing.com 27) The Five Dysfunctions ของ Patrick Lencioni 29) อะไรคือสิ่งจำเป็นสำหรับผู้เชี่ยวชาญด้านไอทีในการเลือกข้อเสนองาน? 30) ทำไมผู้คนต่อต้านการเปลี่ยนแปลง (โดยSiobhán McHale) 31) คุณควบคุมอารมณ์ของคุณได้อย่างไร? (โดย Nawal Mustafa M.A. ) 32) 21 ทักษะที่จ่ายให้คุณตลอดไป (โดย Jeremiah Teo / 赵汉昇) 34) 12 วิธีในการสร้างความไว้วางใจกับผู้อื่น (โดย Justin Wright) 35) ลักษณะของพนักงานที่มีความสามารถ (โดยสถาบันการจัดการความสามารถ) 36) 10 กุญแจในการสร้างแรงจูงใจให้ทีมของคุณ 37) พีชคณิตแห่งมโนธรรม (โดย Vladimir Lefebvre) 38) ความเป็นไปได้ที่แตกต่างสามประการแห่งอนาคต (โดย ดร. แคลร์ ดับเบิลยู เกรฟส์)
| การกระจาย | ไม่ปกติ | ไม่ปกติ | ไม่ปกติ | ปกติ | ปกติ | ปกติ | ปกติ | ปกติ |
|
คำถามทั้งหมด
คำถามทั้งหมด
ความกลัวที่ยิ่งใหญ่ที่สุดของฉันคือ
| ||||||||
| ความกลัวที่ยิ่งใหญ่ที่สุดของฉันคือ | ||||||||
| Answer 1 | - | บวกอ่อนแอ 0.0521 | บวกอ่อนแอ 0.0294 | อ่อนแอเชิงลบ -0.0147 | บวกอ่อนแอ 0.0885 | บวกอ่อนแอ 0.0316 | อ่อนแอเชิงลบ -0.0110 | อ่อนแอเชิงลบ -0.1513 |
| Answer 2 | - | บวกอ่อนแอ 0.0213 | บวกอ่อนแอ 0.0013 | อ่อนแอเชิงลบ -0.0432 | บวกอ่อนแอ 0.0618 | บวกอ่อนแอ 0.0453 | บวกอ่อนแอ 0.0103 | อ่อนแอเชิงลบ -0.0918 |
| Answer 3 | - | อ่อนแอเชิงลบ -0.0042 | อ่อนแอเชิงลบ -0.0116 | อ่อนแอเชิงลบ -0.0406 | อ่อนแอเชิงลบ -0.0477 | บวกอ่อนแอ 0.0487 | บวกอ่อนแอ 0.0767 | อ่อนแอเชิงลบ -0.0191 |
| Answer 4 | - | บวกอ่อนแอ 0.0421 | บวกอ่อนแอ 0.0350 | อ่อนแอเชิงลบ -0.0115 | บวกอ่อนแอ 0.0112 | บวกอ่อนแอ 0.0307 | บวกอ่อนแอ 0.0175 | อ่อนแอเชิงลบ -0.0980 |
| Answer 5 | - | บวกอ่อนแอ 0.0288 | บวกอ่อนแอ 0.1272 | บวกอ่อนแอ 0.0146 | บวกอ่อนแอ 0.0697 | บวกอ่อนแอ 0.0037 | อ่อนแอเชิงลบ -0.0215 | อ่อนแอเชิงลบ -0.1746 |
| Answer 6 | - | อ่อนแอเชิงลบ -0.0001 | บวกอ่อนแอ 0.0042 | อ่อนแอเชิงลบ -0.0607 | อ่อนแอเชิงลบ -0.0115 | บวกอ่อนแอ 0.0231 | บวกอ่อนแอ 0.0826 | อ่อนแอเชิงลบ -0.0309 |
| Answer 7 | - | บวกอ่อนแอ 0.0117 | บวกอ่อนแอ 0.0372 | อ่อนแอเชิงลบ -0.0653 | อ่อนแอเชิงลบ -0.0283 | บวกอ่อนแอ 0.0495 | บวกอ่อนแอ 0.0626 | อ่อนแอเชิงลบ -0.0505 |
| Answer 8 | - | บวกอ่อนแอ 0.0658 | บวกอ่อนแอ 0.0830 | อ่อนแอเชิงลบ -0.0310 | บวกอ่อนแอ 0.0139 | บวกอ่อนแอ 0.0334 | บวกอ่อนแอ 0.0134 | อ่อนแอเชิงลบ -0.1322 |
| Answer 9 | - | บวกอ่อนแอ 0.0660 | บวกอ่อนแอ 0.1658 | บวกอ่อนแอ 0.0051 | บวกอ่อนแอ 0.0691 | อ่อนแอเชิงลบ -0.0093 | อ่อนแอเชิงลบ -0.0498 | อ่อนแอเชิงลบ -0.1820 |
| Answer 10 | - | บวกอ่อนแอ 0.0758 | บวกอ่อนแอ 0.0724 | อ่อนแอเชิงลบ -0.0173 | บวกอ่อนแอ 0.0236 | บวกอ่อนแอ 0.0312 | อ่อนแอเชิงลบ -0.0115 | อ่อนแอเชิงลบ -0.1263 |
| Answer 11 | - | บวกอ่อนแอ 0.0577 | บวกอ่อนแอ 0.0544 | อ่อนแอเชิงลบ -0.0075 | บวกอ่อนแอ 0.0082 | บวกอ่อนแอ 0.0185 | บวกอ่อนแอ 0.0293 | อ่อนแอเชิงลบ -0.1190 |
| Answer 12 | - | บวกอ่อนแอ 0.0376 | บวกอ่อนแอ 0.1007 | อ่อนแอเชิงลบ -0.0342 | บวกอ่อนแอ 0.0296 | บวกอ่อนแอ 0.0273 | บวกอ่อนแอ 0.0341 | อ่อนแอเชิงลบ -0.1500 |
| Answer 13 | - | บวกอ่อนแอ 0.0627 | บวกอ่อนแอ 0.1017 | อ่อนแอเชิงลบ -0.0443 | บวกอ่อนแอ 0.0248 | บวกอ่อนแอ 0.0434 | บวกอ่อนแอ 0.0189 | อ่อนแอเชิงลบ -0.1576 |
| Answer 14 | - | บวกอ่อนแอ 0.0732 | บวกอ่อนแอ 0.1036 | บวกอ่อนแอ 0.0048 | อ่อนแอเชิงลบ -0.0105 | อ่อนแอเชิงลบ -0.0039 | บวกอ่อนแอ 0.0041 | อ่อนแอเชิงลบ -0.1157 |
| Answer 15 | - | บวกอ่อนแอ 0.0539 | บวกอ่อนแอ 0.1381 | อ่อนแอเชิงลบ -0.0424 | บวกอ่อนแอ 0.0163 | อ่อนแอเชิงลบ -0.0147 | บวกอ่อนแอ 0.0216 | อ่อนแอเชิงลบ -0.1173 |
| Answer 16 | - | บวกอ่อนแอ 0.0590 | บวกอ่อนแอ 0.0274 | อ่อนแอเชิงลบ -0.0375 | อ่อนแอเชิงลบ -0.0429 | บวกอ่อนแอ 0.0687 | บวกอ่อนแอ 0.0253 | อ่อนแอเชิงลบ -0.0698 |
