Pētījumu metodoloģijas var būt ļoti dažādas, bet ļoti izplatīti ir mērīt kādas intervences ietekmi grupā. Ļoti vienkāršojot tas nozīmē, ka, piemēram, ir cilvēku grupa ar diagnozi X, mēs iedodam viņiem intervenci Y un tad paskatāmies, cik daudziem palīdzēja. Ja palīdz pietiekami daudziem, tad satiekot cilvēku ar X, varam ieteikt pamēģināt Y. Taču standartā vienmēr ir tie, kuriem nepalīdz – arī pētījumā būs noteikts skaits cilvēku, kuri darīja to pašu, ko citi, bet bez labā rezultāta.
Tāpēc bieži vien nevar prognozēt, kas tieši palīdzēs konkrētam cilvēkam un tas vienmēr šobrīd ietver zināmu eksperimentēšanu.
Labam speciālistam tāpēc ir plašs klāsts dažādu rīku, lai no labākajām metodēm piemeklētu to, kas strādās tieši tam cilvēkam, kas meklē palīdzību.
Dusmoties, ka apsolītā labā metode nestrādā, ir adekvāti. Taču neļauj tam sevi atturēt turpināt meklēt palīdzību. Tas dažkārt nav vienkāršs ceļš, bet ir vērts atrast veidus, kas tieši tev palīdzēs justies labāk.
Tagad tālāk visiem tiem, kuriem īpaši patīk zinātne. Nav tā, ka neko tur nevar darīt un kā pētām, tā pētām. Aternatīva grupu salīdzināšanai ir pētījumi, kuri skatītos uz cilvēku A un kā viņu ietekmē intervence, tad atsevišķi cilvēku B un tā tālāk. Tad mēs varētu saprast dažādas arī mazu apakšgrupu atšķirības, ka, piemēram, tieši cilvēkiem ar diagnozi X, kuriem garšo tomāti, intervence Y liek justies sliktāk, kaut gan citiem palīdz, jo viņiem negaršo. Tas ir ļoti sarežģīti, jo jāvāc un jāapstrādā milzīgs datu daudzums, kuru turklāt bieži grūti viennozīmīgi kategorizēt. Taču šobrīd tehnoloģijas lēnām ļauj veikt arī šādus pētījumus pietiekami lielā mērogā, lai varētu detalizētāk saprast dažādus “kā” un “kāpēc”. (Tad, kad jums atkal jautās par mākslīgā intelekta izmantošanu psiholoģijā, tagad varēsiet pieminēt šo kā piemēru.) Tas noteikti atvieglos piemērotākās palīdzības piemeklēšanu. Loģiski gan, ka pat tad vienmēr būs individuālās atšķirības – divu absolūti vienādu cilvēku nav un nebūs.