DOI: https://doi.org/10.1007/s10660-024-09849-y
تاريخ النشر: 2024-06-01
المؤلف: Jörg Henseler وآخرون
الموضوع الرئيسي: اعتماد التكنولوجيا وسلوك المستخدم
نظرة عامة
يتناول القسم المفاهيم الخاطئة السائدة حول نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM)، وخاصة ملاءمتها المزعومة لتقدير معلمات نماذج القياس الانعكاسية. يحدد المؤلفون ظاهرة تُسمى “أثر ووزل”، حيث تؤدي الأخطاء والمفاهيم الخاطئة المتكررة في الأدبيات إلى إنشاء روايات زائفة تُعتبر حقائق مقبولة. يجادلون بأن هذا الأثر يعيق التصحيح الذاتي العلمي، مما يؤدي إلى استنتاجات مضللة محتملة مستمدة من تحليلات PLS-SEM، خاصة في السياقات التي تتضمن متغيرات كامنة.
يؤكد المؤلفون أن الاعتماد على PLS-SEM لنماذج القياس الانعكاسية يمكن أن يؤدي إلى تفسيرات خاطئة، مما قد يكون له آثار مالية وبحثية كبيرة. يدعون إلى تغيير السرد المحيط بـ PLS-SEM، حاثين الباحثين على التعرف على قيوده وتوضيح أنه يقدر بشكل أساسي النماذج المركبة بدلاً من الانعكاسية. يقترح المؤلفون أن يقوم المحللون بالنظر في استخدام نمذجة المعادلات الهيكلية المعتمدة على التغاير (CB-SEM) كنهج افتراضي، بينما يوصون أيضًا باستخدام تصحيحات للتخفيف عند استخدام PLS-SEM. يدعون إلى مزيد من البحث المنهجي لتحديد الظروف التي قد تكون فيها PLS-SEM مناسبة، وبالتالي معالجة المخاوف التي أثارها أثر ووزل في الأدبيات.
مقدمة
تناقش مقدمة الورقة الاعتماد المتزايد على نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM) في مجالات مثل التسويق ونظم المعلومات، مبرزة دورها في البحث السببي التنبؤي. يتم استخدام PLS-SEM لتقدير العلاقات بين المتغيرات الكامنة، التي يتم قياسها بشكل غير مباشر من خلال متغيرات المؤشر. ومع ذلك، يشير المؤلفون إلى مفاهيم خاطئة كبيرة في الأدبيات بشأن قدرات PLS-SEM، وخاصة الاعتقاد الخاطئ بأنها يمكن أن تقدّر بدقة معلمات نماذج القياس الانعكاسية. يؤكدون أن PLS-SEM مصممة للنماذج المركبة، وأن سوء تفسير نتائجها يمكن أن يؤدي إلى تقديرات متحيزة، مما قد يؤدي إلى تحديد آثار غير موجودة أو الفشل في اكتشاف آثار حقيقية.
تهدف الورقة إلى استكشاف استمرار هذه المفاهيم الخاطئة، مقترحة “أثر ووزل” كآلية تفسر حدوثها وانتشارها داخل المجتمع الأكاديمي. ينوي المؤلفون زيادة الوعي بهذا الأثر وارتباطه بالتمسك بالمعتقدات، خاصة في سياق المفهوم الخاطئ حول ملاءمة PLS-SEM لنماذج القياس الانعكاسية. يجادلون بأن الباحثين الذين يطبقون PLS-SEM بشكل غير مناسب قد يشاركون عن غير قصد في ممارسات زائفة علميًا، مما يبرز الحاجة إلى فهم أفضل لهذه المفاهيم الخاطئة لمنع حدوث مشكلات مماثلة في الأبحاث المستقبلية.
نقاش
يتناول القسم أثر ووزل والتمسك بالمعتقدات، مبرزًا تأثيرهما الضار على البحث العلمي، خاصة في سياق نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM). يحدث أثر ووزل عندما تكتسب الادعاءات غير المدعومة مصداقية من خلال الاقتباس المتكرر، مما يؤدي بالباحثين إلى قبولها كحقائق دون تقييم نقدي. يتم توضيح هذه الظاهرة من خلال تشبيه شخصيات من *ويني ذا بوه*، الذين يعتقدون خطأً في وجود مخلوق خيالي بناءً على أدلة ذاتية الإشارة. يؤكد المؤلفون أن هذا التحيز المعرفي يمكن أن ي perpetuate الأخطاء في البحث، حيث قد يستمر الباحثون في الاقتباس من دراسات معيبة، مما يعزز المفاهيم الخاطئة ويساهم في ظهور علم زائف.
يتم وصف التمسك بالمعتقدات على أنه ميل الباحث للتمسك بالمعتقدات السابقة على الرغم من الأدلة المتناقضة، وغالبًا ما يكون ناتجًا عن تحيزات ذاتية تم إدخالها خلال عملية البحث. يحدد المؤلفون ثلاثة استجابات محتملة قد يتخذها الباحثون عند التعرف على الأخطاء: (1) البقاء مخلصين لمسار البحث المعيب، (2) تأجيل القرار للخروج حتى تتوفر مزيد من المعلومات، أو (3) الاعتراف بالأخطاء والبحث عن طرق بديلة. تختتم المناقشة بتحذير من أن الجمع بين أثر ووزل والتمسك بالمعتقدات يمكن أن يؤدي إلى دورة من المعلومات المضللة، مما يعيق التقدم العلمي ويعزز الممارسات الزائفة علميًا. يدعو المؤلفون إلى زيادة الوعي وتصحيح الأخطاء داخل مجتمع البحث للتخفيف من هذه التحيزات.
DOI: https://doi.org/10.1007/s10660-024-09849-y
Publication Date: 2024-06-01
Author(s): Jörg Henseler et al.
Primary Topic: Technology Adoption and User Behaviour
Overview
The section discusses the prevalent misconceptions surrounding Partial Least Squares Structural Equation Modeling (PLS-SEM), particularly its alleged suitability for estimating parameters of reflective measurement models. The authors identify a phenomenon termed the “Woozle effect,” where repeated inaccuracies and misconceptions in the literature lead to the establishment of false narratives as accepted truths. They argue that this effect hinders scientific self-correction, resulting in potentially misleading conclusions drawn from PLS-SEM analyses, especially in contexts involving latent variables.
The authors emphasize that reliance on PLS-SEM for reflective measurement models can lead to erroneous interpretations, which may have significant financial and research implications. They advocate for a shift in the narrative surrounding PLS-SEM, urging researchers to recognize its limitations and to clarify that it primarily estimates composite models rather than reflective ones. The authors suggest that analysts should consider using Covariance-Based SEM (CB-SEM) as the default approach, while also recommending the use of corrections for attenuation when employing PLS-SEM. They call for further methodological research to delineate the conditions under which PLS-SEM may be appropriate, thereby addressing the concerns raised by the Woozle effect in the literature.
Introduction
The introduction of the paper discusses the growing adoption of Partial Least Squares Structural Equation Modeling (PLS-SEM) in fields such as marketing and information systems, highlighting its role in causal-predictive research. PLS-SEM is utilized to estimate relationships between latent variables, which are indirectly measured through indicator variables. However, the authors point out significant misconceptions in the literature regarding PLS-SEM’s capabilities, particularly the erroneous belief that it can accurately estimate parameters for reflective measurement models. They emphasize that PLS-SEM is designed for composite models, and misinterpretation of its output can lead to biased estimates, potentially resulting in the identification of non-existent effects or the failure to detect real ones.
The paper aims to explore the persistence of these misconceptions, proposing the “Woozle effect” as a mechanism that explains their occurrence and dissemination within the academic community. The authors intend to raise awareness of this effect and its association with belief perseverance, particularly in the context of the misconception surrounding PLS-SEM’s suitability for reflective measurement models. They argue that researchers who apply PLS-SEM inappropriately may inadvertently engage in pseudoscientific practices, underscoring the need for a better understanding of these misconceptions to prevent similar issues in future research.
Discussion
The section discusses the Woozle effect and belief perseverance, highlighting their detrimental impact on scientific research, particularly in the context of Partial Least Squares Structural Equation Modeling (PLS-SEM). The Woozle effect occurs when unfounded claims gain credibility through repeated citation, leading researchers to accept them as truths without critical evaluation. This phenomenon is illustrated through the analogy of characters from *Winnie-the-Pooh*, who mistakenly believe in the existence of a fictional creature based on self-referential evidence. The authors emphasize that this cognitive bias can perpetuate errors in research, as researchers may continue to cite flawed studies, reinforcing misconceptions and contributing to the emergence of pseudoscience.
Belief perseverance is described as a researcher’s tendency to cling to prior beliefs despite contradictory evidence, often resulting from subjective biases introduced during the research process. The authors outline three potential responses researchers may have upon recognizing errors: (1) remaining loyal to the flawed research path, (2) deferring a decision to exit until more information is available, or (3) acknowledging errors and seeking alternative approaches. The discussion concludes by warning that the combination of the Woozle effect and belief perseverance can lead to a cycle of misinformation, ultimately hindering scientific progress and fostering pseudoscientific practices. The authors call for greater awareness and correction of errors within the research community to mitigate these biases.