פסיכולוגיה של הרגש

חומר הקורס

תחושות ליבה¶

ראו גם

בעברית, אין הבדל בין אמוציה (Affect) לרגש (Emotion).

הגדרה

תחושות ליבה (Αffect) היא תחושה בסיסית של ערך (חיובי\שלילי) ועוררות. זהו מצב נוירופסיכולוגי הנגיש למודעות כתחושה פשוטה המערבת ערך ועוררת.

כעס, למשל, יסווג כלא נעים (ערך שלילי) ומעורר.

התחושות האלו: - נטולות אובייקט (אלא אם הדבר נעשה באופן פעיל - כלפי אובייקט) - קיימות תמיד - עשויות להשתנות מנקודת זמן אחת לאחרת - אך לרוב מבלי שנצליח לזהות את הסיבה לשינוי מצב רוח הוא סוג של תחושת ליבה - ממשוכת ונטולת אובייקט

דוגמה

חשבו על נסיעה ברכבת. אתם מסתכלים החוצה מהחלון לגבעות באר שבע המוריקות, הגמלים מרקדים בשקיעה. אתם מרגישים משהו, אם כי די ניטרלי - לא מאוד נעים אבל גם לא מאוד לא נעים. אם אגיע ואשאל אתכם, תדעו להגיד - כן, זה די נעים\לא נעים - אבל התחושה לא תפלוש למודעות שלכם סתם ככה; זוהי תחושת ליבה.

מצד שני, תדיימנו שמישהו פתאום מצווח לידכם בטלפון ברכבת. זה כבר רגש - יש לו גירוי מסוים ומודע (כלפי אובייקט), וברגע שהוא יוסר הרגש ייעלם.

סולמות תיאור - חד ודו קוטבי¶

איך אפשר לתאר את תחושות הליבה? ישנם שני סולמות מוצעים:

סולם דו-קוטבי (בי-פולרי) נשען על מודל הCircumplex - עובד כמו שתיארנו עד כה: התחושה נעה על ציר בודד בין נעים ללא-נעים.
סולם חד-קוטבי (יוני-פולרי) נשען על מודל הbivariate evaluative. נשען על שני צירים - ציר חיובי וציר שלילי, שנעים כל אחד בין תחושה חזקה לתחושה חלשה (אין תחושה נעימה -> תחושה נעימה חזקה, אין תחושה לא-נעימה -> תחושה לא-נעימה חזקה).

הסולם החד-קוטבי קובע שהצירים האלו סותרים (תחושה נעימה חזקה גוררת אין תחושה לא נעימה), אבל החוויה שלנו לאו דווקא תואמת לזה - הרבה פעמים אנחנו מרגישים רגשות חיוביים וגם שליליים כלפי אותו הדבר.

הסולם הדו-קוטבי¶

ישנן שתי עדויות עיקריות התומכות בסולם הדו-קוטבי -

עדויות תומכות¶

תלות בין רגש חיובי לשלילי¶

כשנבדקים מדווחים על ערך באמצעות הסולם החד-קוטבי (חיובי ושלילי נפרדים), נראה שיש מתאם שלילי בין שני הסולמות - ככל שגירוי נתפס כיותר חיובי, הוא נתפס כפחות שלילי - ולהיפך).

המשמעות היא שיש תלות בין רגש חיובי לשלילי, כפי שמניח הסולם הדו-קוטבי (כלומר - למה לפצל?).

שונות מוסברת¶

שני הממדים (ערך ועוררות) מסבירים בקירוב 70% מהשונות בדיווח בכל מיני מדידות שונות - דוגמת דירוג דמיון בין מילות תואר לרגש, דירוג דימיון בין הבעות פנים (רגשיות) שונות...

אחוז גדול יותר מהשונות מוסבר על ידיד מימד הערך - בערך 50 מתוך ה70.

עדויות נגד¶

מחקר מסוים¹ חשף לנבדקים שתי סוגים של תמונות - תמונות של פטריות לעומת תמונות ארוטיות - וביקש מהן לדרג אותן לפי הסולם הדו-קוטבי. המחקר מצא כי מבחינת הערך, התמונות זהות - שתיהן היו ניטרליות - אבל מבחינת העוררות - התמונות האירוטיות עוררו יותר.

כשהנבדקים ביקשו לדרג את התמונות בסולם החד-קוטבי - נמצא כי הערכים החיוביים והשליליים אכן משתנים בין התמונות, אך נשארים מאוזנים - הנבדקים דירגו את הפטריות כנעים 3 וגם לא נעים 3, אבל את התמונה האירוטית כנעים 5 וגם לא נעים 5 - כלומר, יש הבדלים שהלכו לאיבוד בין הסולמות.

זהו ממצא אינטואיטיבי יותר - למה שתמונות אירוטיות ותמונות של פטריות יעוררו בנו את אותו הרגש?

יתרה מכך - אנשים נוטים לדווח על רגשות מעורבים. אולם, ייתכן וממצא זה תקף רק משום שמדובר בדיווח עצמי.

Kron et al. מדגים את הקשר בין הסולמות: ככל שערך מדורג כיותר חיובי בסולם החד-קוטבי, הוא חיובי יותר גם בסולם הדו-קוטבי, ולהיפך: רגשות שליליים בסולם אחד מתאימים לסולם השני.

מנגד, כשמדברים על עוררות, המצב שונה: בסולם הדו-קוטבי, ככל שעוצמת הערך (חיובי\שלילי) עולה, העוררות עולה - מה שהופך אותה למימד קצת מיותר (אפשר לגזור אותה מערך).

הדפוס הזה חוזר בהרבה מחקרים נוספים.

הסולם החד-קוטבי¶

עדויות תומכות¶

לא כל המחקרים מראים שהקשר בין הסולם החד-קוטבי השלילי והחיובי הוא קשר שלילי חזק - יש מחקרים שמראים שלא קיים\לא קיים קשר מורכב יותר מקשר לינארי.

כלומר, אפשר לחוות משהו כמאוד נעים וכמאוד לא נעים - ישנן עדויות לקיומן של רגשות מעורבים, גם במדידה עקיפה שאינה כרוכה בדיווח עצמי (נגיע לזה).

Linear Ballistic Accumulator model¶

מודל ממודלי צבירת עדויות² - למעשה, גילוי אותות (מבוסס קריטריון ורגישות) עם מימד של זמן תגובה (לצד דיוק). המודל מאפשר לנו (באמצעות סטטיסטיקה נבזית³) להסיק משתנים לטנטיים - משתנים שאינם נצפים באופן ישיר בנתונים (כמו זמני תגובה), אלא "חבויים" בנתונים (כמו הקריטריון והרגישות).

השימוש הנפוץ במודלים האלה הוא בהחלטות תפיסתיות בסיסיות למדי - הנבדק מתבקש להגיב נעים או לא נעים, ולא מילולית.

קריטריון ורגישות הם משתנים חבויים (לטנטיים) - אי אפשר למדוד את הקריטריון ואת הרגישות, אלא רק להסיק אותם מתוך הנתונים.

רכיבי המודל¶

נקודת התחלה (Starting Point\A)

המודלים מכילים Starting Point - SP - המחושבת אחרי כל הניסוי, ומייצגת את ההטייה של הנבדק. למשל, אם אומרים לנבדק שהוא עומד לצפות בתמונות לא נעימות, הוא ייטה יותר לסווג את התמונות כלא נעימות - ואז בדיעבד, ייראו שהתשובות שלו מוטות לעבר לא נעים.

הSP היא התפלגות מלבנית שנדגמת באופן שווה, שמכילה את טווח ערכי ההטייה לכל אורך הניסוי (בשלב הראשון, למשל, לא אמרנו כלום על תמונות לא נעימות, וההטייה היא 0; בשלב האחרון, אמרנו שהתמונות לא נעימות, והנבדק נוטה לסמן אותן ככאלו - וההטייה היא, נגיד, 2. הטווח כולו יהיה 0-2).
סף (Threshold\B)

אנשים אופטימיים, למשל, יצטרכו גירוי יותר לא נעים כדי שיסווגו דברים כלא-נעימים. הסף (Threshold) שלו לסיווג גירוי כלא-נעים יהיה יותר גבוה.

הסף משחק על הSpeed-Accuracy tradeoff - התופעה לפיה דיוק טוב יותר מאט את זמן התגובה, ולהיפך. סף גבוה מעיד על כך שאני צריך יותר עדויות לסיווג גירוי (קרי, אני יותר מדויק אבל יותר איטי), ולהיפך: סף נמוך מעיד על כך שאני צריך פחות עדויות לסיווג גירוי, ואהיה מהיר יותר אבל מדויק פחות. בעולמות הרגש, רגשות שדורשים זמן תגובה מהיר יותר (למשל, פחד) ייטו לסף נמוך יותר.
קצב צבירת עדויות (Drift Rate - DR\v)

קצב צבירת העדויות היא מדד ליעילות צבירת העדויות שלנו. נניח ואנחנו צריכים לסווג גירוי מסוים - מראים לנו תמונה ואנחנו צריכים להעיד האם מדובר בגבר או באישה. אם אנחנו עייפים מאוד ולא מרוכזים, קצב צבירת העדויות שלנו יירד, ואם אנחנו מרוכזים ועירניים, הוא יעלה. מידת הבהירות של הגירוי תשפיע גם היא: כשהגירוי קל להבחנה (כמו בין גבר לאישה), קצב צבירת העדויות יעלה, ולהיפך.

התוצאה הסופית היא שקלול של כולם. בניסוי מסוים, ייתכן שנבדק יהיה מוטה להרגיש לא-נעים, אבל קצב צבירת העדויות שלו לנעימות גבוה יותר מזה של הלא-נעימות, והרף שלו מאוד גבוה (יותר מדויק) - ולכן החלטתו הסופית תהיה שהגירוי נעים.

סטיית התקן של קצב צבירת העדויות (sv)

קצב צבירת העדויות הוא ערך סופי, אבל משתנה בכל שלב. המערכת מטבעה "רועשת" - בשלב מסוים הנבדק יצבור עדויות מהר, ובאחר לאט יותר. סטיית התקן מעידה על הרעש של המערכת, ועל ההחלטיות של הנבדק.
זמן לא-החלטתי ( t0 - Non decision time)

משתנה משני - זמן שעבר בלא קשר לקבלת ההחלטה (למשל, הזמן שהנבדק שולח את היד ללחוץ על עכבר המחשב). המשתנה הזה מחושב כדי "לנקות" את המודל, ולא מטריד אותנו במיוחד כלשעצמו.

מדידה עקיפה של החוויה הרגשית¶

בניסויים, למשל, מציגים לנבדקים תמונה ממאגר הNAPS. מבקשים מהם לדרג את הנעימות (Valence) (סולם 2-8; 2 - מאוד לא נעים, 4 - קצת לא נעים, 6- קצת נעים, 8- מאוד נעים) ומודדים את קצב צבירת העדויות (DR).

היחס בין הנעימות לקצב צבירת העדויות הוא עדות לחוויה הרגשית - בגירוי מאוד לא נעים, קצב צבירת העדויות גבוה מאוד (מה שמעיד על חוויה רגשית חזקה), ולהיפך.

בדיווח עצמי, מבקשים מהנבדקים להגיד בעצמם את עוצמת הרגש. במדידה עקיפה, הנבדק מסווג רק נעימות, ואנחנו מסיקים בעזרת המודל על החוויה הרגשית (זה ממצא מרעיש).

המדידה מעידה גם לטובת רגשות מעורבים: קצב צבירת העדויות הוא אף פעם לא 0. כלומר, גם בגירוי נעים, אני מרגיש קצת קצת לא נעים, ולהיפך.

קשור איכשהו בLang, Bradley & Cuthbert, 1999, Ito, Cacioppo & Lang, 1998 (מופיעים במצגת). ↩
בשימוש נרחב בתחומים כמו חשיבה וקבלת החלטות. ↩
מבחינתו - קופסא שחורה. האנשים שכותבים את המודלים האלו הם המודליסטים, ואלו שמבינים את הרעיון הכללי אבל לא המתמטיקה ואת התכנות עד הסוף הם המשתמשים (קרי, מי שכתב את lm() בR, ומי שמשתמש בlm() בR). ↩