Drawing Lines in Psychological Space: What K-means Clustering Reveals in Simulated and Real Psychometric Data

以下是用简单语言和日常类比对这篇论文的解读。

核心理念：在云朵上画线

想象你有一团巨大的、蓬松的棉花糖云漂浮在天空中。它是一个连续、平滑的实体，没有坚硬的边缘。现在，想象有人要求你在这团云上画线，将其划分为不同的“群体”或“类型”的棉花糖。

这正是K 均值聚类算法在心理学研究中所做的事情。它是一种流行的计算机工具，用于根据调查回答寻找人们的“类型”（例如“焦虑的学生”与“平静的学生”）。

这篇论文的核心观点是：仅仅因为计算机画出了整齐的线并创建了不同的群体，并不意味着这些群体在现实生活中真实存在。 即使这团云本不该被切割，计算机也非常擅长将其切开。

实验：测试剪刀

研究人员想要验证 K 均值是在发现真实的“人类类型”，还是仅仅在凭空捏造。为此，他们使用两类数据运行了一系列测试：

1. 虚假数据（模拟）： 他们生成了计算机数据，看起来像人类调查，但内部没有任何隐藏的群体。

   • “随机噪声”测试： 他们生成了纯粹的混乱（就像电视上的雪花噪点）。即使在这里，K 均值也能画出线并宣称：“看！A 组和 B 组！”
   • “平滑梯度”测试： 他们生成了数据，其中人们的焦虑程度从低到高平滑过渡，就像调光开关一样。这里没有“类型”，只有平滑的滑动。K 均值仍然将这个滑道切成两半，并将两侧称为不同的群体。
   • “真实群体”测试： 他们生成了包含实际、 distinct 人群岛屿的数据（就像海洋中的 distinct 岛屿）。在这里，K 均值完美运作并找到了这些岛屿。

2. 真实数据（SMARVUS 数据集）： 他们采用了一项来自 35 个国家、超过 12,000 名大学生的真实世界大规模调查，询问了关于考试焦虑、对负面评价的恐惧以及创造力焦虑等问题。

他们的发现：“类型”的幻觉

1. “切割”机器
论文认为，K 均值就像一把总是切割的剪刀。如果你给它一团平滑、连续的数据云（许多心理特质实际上就是这样运作的），它仍然会将其切成碎片。

• 类比： 想象一条长而平滑的面包。如果你要求机器人将其切成“两种类型的面包”，它会从正中间切开。它会创造出两堆 distinct 的面包。但这些堆并不是不同类型的面包；它们只是同一根面包的两半。机器人通过画线制造了这种差异。

2. 稳定性不等于真实性
最令人惊讶的发现之一是，这些虚假的群体是稳定的。如果你运行计算机程序 100 次，它几乎每次都在完全相同的位置画线。

• 类比： 如果你在雾蒙蒙的窗户上画一条线，每次你看它时，它看起来都一样。但雾气并没有真正被分成两个不同的世界；它只是一团连续的水汽云。线条的“稳定性”并不能证明雾气有两面。

3. 现实世界的结果
当他们将此应用于真实的学生数据时，计算机发现了两个清晰的群体：“低焦虑”群体和“高焦虑”群体。

• 关键点： 研究人员认为，这并不能证明存在两种 distinct 的学生类型。这很可能只是将连续的焦虑谱系进行几何分割的一种方式。计算机在雾气的中间画了一条线，创造了两个“类型”，实际上它们只是同一事物的“低”和“高”版本。

4. “流式细胞术”例外
论文确实发现了一种该方法运作良好的情况：模拟数据看起来像生物学实验室测试（流式细胞术），其中 distinct 的细胞类型确实作为分离的团块存在。

• 类比： 如果你有一碗弹珠和一碗高尔夫球混合在一起，计算机可以很容易地将它们分开，因为它们在物理上是 distinct 的。但如果你有一碗沙子，从细到粗逐渐变化，计算机仍然会试图将其分成“细沙”和“粗沙”群体，即使它只是一堆连续的沙子。

结论：如何阅读地图

作者并不是说我们应该停止使用 K 均值。它是探索数据和观察模式的有用工具。然而，他们警告研究人员不要将结果视为绝对真理。

• 隐喻： 将 K 均值想象成一位绘制地图的制图师。如果地形是一座平滑的山丘，制图师可能会画一条线，说“这一侧是‘北坡’，那一侧是‘南坡’"。地图看起来清晰有序。但山丘本身中间并没有坚硬的线；制图师只是画了一条线，以便让地图更易读。

核心启示：
当一项研究说“我们发现了两种类型的人”时，它可能仅仅意味着“我们在一个连续的人群中画了一条线”。这些群体在计算机发现它们的意义上是真实的，但在自然界将它们创建为独立类别的意义上，它们可能并非真实。研究人员需要小心，不要将几何线条与自然边界混淆。