Il modello Many-Facet Rasch Measurement nel trattamento dei dati di associazione automatica

Lo studio propone una modalità di trattamento dei risultati derivanti dalle procedure di associazione implicita. In particolare, nella ricerca è stata utilizzata una versione modificata del Go/No Go Association Task (GNAT) di Nosek e Banaji (2001), l’Implicit Association Test di Greenwald, McGhee e Schwartz (1998) ed una nuova tecnica, attualmente in fase di test, chiamata Sorting Paired Features (SPF). Tutte e tre le metodiche quantificano l’associazione implicita mediante una misura della differenza tra i blocchi (o trial) sperimentali in cui lo stimolo target è associato ad attributi positivi ed i blocchi (o trial) in cui il target è associato ad attributi negativi. Le modalità del trattamento dei dati nella valutazione di tale differenza, calcolata sui tempi di reazione o sul numero di errori commessi nel compito di associazione, sono tuttora ampiamente dibattute (cfr. Greenwald, Nosek & Banaji, 2003) se non controverse rispetto al significato da attribuire agli effetti rilevati (cfr. Mierke & Klauer, 2003), e soprattutto mancano di unitarietà rispetto al metodo adottato. Il modello di analisi utilizzato nel nostro studio è il Many-Facet Rasch Measurement (MFRM; Linacre, 1989), che appartiene alla famiglia dei modelli di Rasch (1960/1980). Tali modelli costituiscono un’innovativa modalità di trasformazione di osservazioni ordinali in misure lineari, lungo un continuum unidimensionale. Essi consentono di parametrizzare in modo indipendente soggetti, item e altri eventuali aspetti (facet, appunto) rilevanti ai fini della ricerca. E sono proprio l’indipendenza reciproca di tali parametri e la possibilità di considerarli tutti misure di uno stesso tratto latente (la facilità di riconoscimento di stimoli, nel nostro caso) gli elementi di maggiore interesse in questo contesto.