Sabiendo que la cantidad y la calidad del sueño afectan el rendimiento cognitivo en muchos dominios, ¿por qué las medidas de sueño previas a la prueba o las medidas de excitación intraprueba no son una parte estándar de todos los paradigmas de prueba cognitiva?
Las medidas de excitación seguramente juegan un papel en el desempeño del sujeto en una amplia variedad de tareas cognitivas. En general, los científicos pueden ignorar este factor con seguridad, ya que se supone que introduce ruido aleatorio entre los participantes. Desde la perspectiva de la prueba de hipótesis, los científicos están mucho más preocupados por los factores que introducen un sesgo sistemático , o factores que distorsionan el rendimiento en una condición pero no en otra.
Como ejemplo, considere a un psicólogo que está probando si alguna intervención tiene un efecto sobre el desempeño. Si suponemos que los niveles de excitación en toda la muestra se distribuyen aleatoriamente, no debería afectar nuestra capacidad para detectar un efecto de nuestra variable independiente. De hecho, existen potencialmente infinitos otros factores que pueden afectar el rendimiento en una tarea cognitiva. Por citar algunos: experiencia previa, estado de ánimo, fatiga, carga cognitiva, inteligencia o atención. Cada uno de estos factores, a su vez, es el resultado de muchas otras variables incidentales (por ejemplo, mi estado de ánimo puede verse afectado por el clima o cuánto tiempo hace que no comí).
Sería inviable probar todos estos factores, pero nuevamente, si asumimos que cada medida se distribuye aleatoriamente a lo largo de una muestra, no habrá una gran diferencia; de hecho, es algo estadísticamente conveniente:
Muchas medidas psicológicas se distribuyen normalmente, lo que nos permite ejecutar pruebas estadísticas que asumen normalidad (por ejemplo, pruebas t). La razón por la que esto es así es porque lo que estamos midiendo es en realidad la suma de muchas variables independientes e idénticamente distribuidas (iid). -- como excitación, experiencia, atención, etc. El Teorema del Límite Central nos dice que la suma de todos estos factores conduce a una medida normalmente distribuida.
Todavía es importante saber cuándo y cómo las medidas de sueño pueden afectar el rendimiento. Al conocer esa información, los científicos pueden estar atentos a las situaciones en las que la excitación puede causar un sesgo sistemático entre las condiciones, un factor de confusión potencial. Pero en general, a menudo simplemente no importa para las pruebas que estamos realizando.
steven jeuris