|
Бодалев А.А. » Основы психодиагностики, немедицинской психотерапии и психологического конконсультированиясвободы V==k и V2=N-k, N - количество индивидов; k - количество тестовых показателей. Не следует забывать, что основой применения этой модели прогноза является экстраполяция - предположение о том, что на новом отрез- ке времени Т будут действовать те же тенденции связи переменных,. что и на отрезке ДТ, на котором прежде измерялись весовые коэффи- циенты pi. Не следует также забывать, что корректность прогноза обусловлена величиной периода упреждения: для больших (или мень- ших) величин ДГ использование уравнения (3.5.1) может оказаться некорректным. . Прогностические возможности указанного метода ограничены одно- кратностью измерения тестовых показателей Xi, Xi,..., Xk. В силу однократности измерения этот метод оказывается эффективным опять- таки только по отношению к самым универсальным и статическим по- казателям (таким, например, как интегральные свойства темперамента или нервной системы), обеспечивающим очень грубый, вероятностный, приближенный прогноз. В некоторых случаях эффективность этого метода может сущест- венно повыситься, если использовать хотя бы двукратное (с неболь- шим интервалом в две-три недели) измерение системы показателей Xi, Хч, ... , Xk. Уже таким способом можно, например, учесть вклад фак- тора <усвоение знаний> в прогнозирование мотивационной вовлечен- ности (уровня интереса) учащегося вуза в свою специальность. По- вторное измерение (например, через месяц после начала обучения i вузе) позволяет выявить, в каком направлении действует фактор <усвоение знаний> в своем влиянии на уровень интереса данного уча щегося: может оказаться, что в результате разнонаправленного дей ствия этого фактора немало пар учащихся уже через месяц поменя ютея местами в ранговом ряду по уровню интереса {Ха<Х(>). В это> случае в уравнение (3.5.1) целесообразно ввести не статический пока затель Xi, но простейший динамический показатель ДХ;==Х-XЇi Кроме того, не исключена возможность одновременного использовани в уравнении (3.5.1) и статических показателей Xi и динамически ДХ(, тогда разработанная модель прогноза будет учитывать как дс стигнутый уровень (экстраполировать статику), так и намечающиес тенденции (экстраполировать тенденции). Приведем еще один содержательный пример. Многочисленные э> лирические исследования по прогнозированию супружеской совмест) мости (Обозов Н. Н., 1979) показали неудовлетворительно низк1- уровень надежности прогноза на основе таких показателей, как одн кратно измеренный уровень сходства (темперамента, мотивов, интер сов, ценностных ориентаций) или взаимодополнительности психическ] свойств будущих супругов. Но эту надежность можно существенно п высить, если ввести в уравнение (3.5.1) показатели типа АХ(. В да ном случае содержательно-психологический смысл этих показател будет заключаться в следующем: они указывают на то, в каком и правлении действует на уровень сходства (совместимости) опыт взг модействия будущих супругов. Потенциально несовместимые супру в ходе взаимодействия (за период помолвки), как правило, дивер] руют в своих показателях (например, имеющиеся незначительн акцентуации характера взаимно усиливаются). Наоборот, потенциал1 совместимые супруги могут очень быстро конвергировать: оказывае" достаточным проведение одного-двух обсуждений с участием психол<
STR.99 до спорным вопросам, чтобы сблизиться в представлениях о желаемом семейном укладе и образе жизни. Более сложные математические, методы прогнозирования, напри- мер, учитывающие циклическую динамику объектов, пока еще редко используются в психодиагностике, так как требуют частых многократ- ных измерений системы тестовых показателей, что оказывается невоз- можным по чисто практическим причинам. Тем не менее уже сегодня можно твердо констатировать недостаточность линейных моделей про- гнозирования. Для ознакомления с рядом других подходов к прогно- зированию мы рекомендовали бы психологам обратиться к руковод- ству <Рабочая книга по прогнозированию> (М., 1982). Остановимся здесь более специально на подходе, который ныне представляет собой реальную альтернативу ограниченным линейным статистическим моделям и позволяет строить эффективный прогноз для более сложных зависимостей между прогнозируемыми (зависимы- ми) и прогнозирующими (независимыми) переменными. Этот подход, по традиции, принято называть <распознаванием образов>, так кау разработка его математического аппарата была во многом стимулиро- вана инженерными задачами конструирования искусственных систе> <зрения>, <слуха>, других органов чувств (Распознавание образов. М., 1970). В психодиагностике роль <элементарных сенсорных данных> выпол- няют первичные тестовые показатели Х, Х,..., Xk, а роль <образа> (выходного сигнала системы) выполняет соответствующая диагности- ческая категория. Таким образом, по существу, <распознавание обра- зов> " и есть диагностика в широком смысле. Поясним специфику подхода на простейшем схематическом при- мере. Пусть Ру - вероятность такого типового критерия оценки сту- дентов, как <успеваемость>, Х - уровень интереса к специальности, выявленный у абитуриента, Хч - уровень знаний о специальности. Воз- можна такая нелинейная форма зависимости Ру от параметров Xi и Хъ (рис. 16). Здесь (на рис. 16) точки Xi=0 и Xi-=Q- медианные значения соответ- ствующих тестовых показателей. В данном упрощенном примере в стату- се <образа> фигурирует каждый из че- тырех квадрантов диагностического про.странства. Для предсказания Ру мы не можем построить линейной ком- бинации Xi и Ха, какие бы коэффици- енты pi и 2 мы не взяли. Для пред- сказания Ру 1мы должны зафиксиро- вать попадание индивида в заданную область пространства параметров. <Образ>, или диагностическая катего- рия, и есть на геометрическом языке определенная область в пространстве параметров. С точки зрения <распознавания образов> предварительная задача диагностики (предваряющая практическую диагностику) - опреде- лить границы диагностических категорий - областей в пространстве
Р<0,5р >0.5 Р "0,5р >0,f Рис, 16. Иллюстрация нелинейной связи вероятности критериального события Р и диагностических пара- метров Xi и Ха
" Этот подход включает в себя линейные модели как частный случай.
STR.100 параметров, которым эмпирически корректно могут быть приписаны некоторые пороговые (качественно специфичные) значения прогнозиру- емого критериального показателя. Это задача построения <разделяю- щего правила> (или <решающего правила>). Точность такого разде- ления и предопределяет прогностическую валидность методики на дан- ной совокупности испытуемых в данной диагностической ситуации. Репрезентативность выборки при этом определяется степенью из- менения точности разделения при увеличении совокупности обследо- ванных. Влияние того или иного параметра на точность разделения определяет <вес>, с которым входит данный параметр в задачу диаг- ностики. Построение формальной процедуры разделения может произво- диться по-разному. В простейшем случае - это сравнение тестовог> показателя с некоторым порогом. В более сложных случаях применя- ются методы дискриминантного анализа, позволяющего описывать <разделяющие правила> (границы диагностических областей в прост- ранстве параметров) в виде сложных функций сразу от нескольких параметров. Применение определенного метода для решения задачи построения. системы диагностических категорий определяется несколькими факто- рами: во-первых, это соответствие допущений, положенных в основу алгоритма, содержательным представлениям о психологической типо- логии индивидов в рамках рассматриваемой системы психодиагности- ческих параметров, во-вторых, это степень полноты имеющейся инфор- мации для эффективной <остановки> алгоритма, обеспечивающей оп- тимальное решение задачи за приемлемое время. Под полнотой информации здесь, в частности, имеется в виду на- личие достаточно многочисленных групп индивидов, четко и однозначно классифицированных по заданной системе критериев. В этом случае построение решающего правила сводится к применению какого-либо алгоритма автоматической классификации, приспособленного к работе с <учителем> с заданными классами. Если же критериальные классы представлены неполно - всего несколькими представителями, для ко- торых при этом не всегда известны все значения необходимых пара- метров, то возникает ситуация, требующая применения так называе- мых <эвристических алгоритмов> (более подробно о применяемых алго ритмах классификации см. кн.: Типология и классификация в социоло гических исследованиях. М., 1982). Остановимся здесь на одном из методов распознавания, получив шим опыт применения в психодиагностике - на семействе алгорит мов вычисления оценок (АВО), предложенных и разрабатываемы: Ю. И. Журавлевым и его учениками (1978). Содержательно основную задачу распознавания образов можн сформулировать как задачу отнесения объекта S к одному или не скольким классам Ki, Кг,..., K.i на основе информации о класса /(7(1), 1{К.2),...,1 (K.i), информации об объекте 1(S) и предположени о близости объекта к классу. Другими словами, задачу распознав ния. можно сформулировать как задачу определения того, обладает л объект определенными свойствами. В основе АВО (или алгоритмов голосования) лежит принцип ча( тичной прецедентности: близость объекта к классу тем больше, че больше частей в его описании <похожи> на соответствующие части описаниях объектов, чья принадлежность классу известна. Наприме в одном из вариантов АВО (Зеличенко А. И" 1982) функция близок объекта S к классу К определяется как:
STR.101 r(S,K)=P,B(a,{S), a,(S), (3.5.3) t=i /-i
B(a,(S) a,)) если1а)-а,)1<е,, " <> o-в противном случае,
где - t-тый объект, принадлежность которого к классу К уже известна; а,(5) - J-ТЫЙ элемент (параметр) в-описании объекта; Р, - его вес; е, - J-ТЫЙ порог. После того как вычислены r(SK),...,r(S, Ki) на основании некоторого решающего правила (зависящего от вектора параметров В), принимается решение о принадлежности объекта к одному или не- скольким классам К, ... , Ki. В задачах психодиагностики S .- это испытуемый. Таким образом, каждый вариант АВО определяется набором зна- чений параметров. В нашем случае - это векторы p==(pi,...,pm), е = (61,..., Ёт). Если информация об объекте S представлена в виде 1(S)= (fli,..., dm), то элемент вектора опорных множеств Wi(S)=d!, а ; - /-тый порог. В качестве примера решающего правила можно привести следую- щее (линейное пороговое решающее правило): объект S принадлежит классу Kt, если
lr(S,)>Ci, (3.5.4)
i=i объект S не принадлежит классу Kt, если l ЕГЯ.Х, (3.5.5)
в остальных случаях -отказ от распознавания принадлежности объек- та S классу Kt. В работе алгоритмов распознавания вообще и АВО в частности можно выделить два этапа: обучение и собственно распознавание. На этапе обучения, как уже говорилось, происходит настройка алгоритма, т. е. выбор таких его параметров, которые обеспечивают оптимальное в некотором смысле распознавание объектов, обучающей выборки (объектов, принадлежность которых классам Ki,..., Ki известна). На этапе собственно распознавания происходит отнесение к классам Я>,..., K.i тех объектов, принадлежность которых к классам априорно неизвестна. Точность распознавания на этапе обучения измеряется полнотой и адекватностью распознавания эталонных объектов. Наряду с поня- тием <точность> (абсолютная отделимость) иногда удобно использовать понятие относительной отделимости объектов обучающей выборки, при- надлежащих различным классам. В случае, когда распознавание ве- дется для двух классов (например, в профориентации - для диффе- ренциального прогноза успешности оптанта в одной из двух профес- сиональных областей), относительную отделимость можно определить как
STR.102 x - Хпип 100 - Xmin
(3.5.6)
где - точность при обучении (выраженная в процентах), a min- минимальная возможная точность обучения (совпадает с долей объек- тов в наибольшем классе от общего объема обучающей выборки). На этапе собственно распознавания точность характеризует главным обра- зом репрезентативность обучающей выборки (выборки валидизации). Чем выше репрезентативность, тем больше совпадают показатели точ- ности на этапах обучения и собственно распознавания. Использование АВО кроме решения задачи распознавания позво- ляет получить еще следующую информацию. 1. Информационные веса отдельных элементов (параметров) опи- сания объектов. Эти веса измеряются через изменение точности рас- познавания при исключении соответствующих параметров из описания эталонных объектов:
е(а,)=(Х-Х (а/)) а, (3.5.7)
где 1 - точность распознавания при Р/=1; х(о/) - точность распоз- навания при Р,==0, а а- нормирующий множитель. Информационные веса интерпретируются как мера прогностической важности пара- метров. 2. Оптимальные значения порогов g, т. е. значение е, обеспечива- ющие наивысшую точность распознавания. Эти значения порогов в нашем случае можно интерпретировать как чувствительность методики. c.j - своего рода дифференциальный порог на шкале тестового пока- зателя а), определяющий переход индивида из одной диагностической категории в другую. Пусть на этапе разработки теста (тестовой бата- реи) была обследована группа из К человек, про которых известно, что Ki из них относится к одному классу, а Кч-к другому, K=K+Ki. Выбрав случайным образом из этой группы М(М<К) многомерных описаний, проводим на них процедуру обучения алгоритма. Точность обучения характеризует валидность теста. После этого применяем про цедуру собственно распознавания (по выработанному решающему пра- вилу) для остальных Я-М описаний. В результате этой процедуры мь определяем принадлежность респондентов (испытуемых) к нашим клас сам. Сравнивая эти результаты с априорными (эталонными) данным) о принадлежности ис-пытуемых классам, мы определяем точность са мого распознавания. Если эта точность близка к точности обучения, т наша пилотажная выборка объемом М может быть признана репре зентативной для обучения. Далее можно переходить к задаче опр( деления информационных весов.
Для эффективного использования алгоритмов распознавания отношению к многомерным тестовым системам (при K>S), как пр вило, требуется использование ЭВМ. Большинство алгоритмов при ципиально сконструированы в расчете на вычислительные возможн сти ЭВМ с ее <терпеливой готовностью> повторять одни и те же UHKJ вычислений (итерации) сотни и тысячи раз. При решении задач небольших размерностей (по количеству пар метров) иногда психолог может быстрее найти решающее правю используя собственные способности зрительной системы (очень мо ные) к визуально-геометрической группировке объектов. В прострг
STR.103 стве параметров диагностические классы выглядят как <сгущения>, некие <облака> из точек, изображающих испытуемых. В этом случае при наличии априорной информации о принадлежности индивидов классам удобно изображать точки из различных классов разными цве- тами (хуже - разными фигурками: квадратиками, -кружками, тре- угольниками). В этом случае <решающее правило> легко <увидеть> как некую воображаемую линию (прямую или кривую), разделяю- щую точки разного цвета (см. рис. 17). Точность диагностики в дан- ном случае можно оценить по числу точек, попавших при данном решающем правиле в <чужую> половину пространства параметров. Точность правила, изображенного на рис. 17, равна:
А____В 10 2 3 12
10 X 12-2х3 13х14х12х15
0,63
Здесь в четырехклеточной таблице сопряженности по строкам за- дано попадание объекта в один из априорных классов А (треуголь- ники на рис. 17) или В (кружочки на рис. 17), а по столбцам - по- падение объектов в один из апостери- орных классов, образованных приме- нением решающего правила, - .4 (слева от критериальной линии) или В (справа от критериальной линии). Как указано выше, для статистичес- Категория: Библиотека » Психодиагностика Другие новости по теме: --- Код для вставки на сайт или в блог: Код для вставки в форум (BBCode): Прямая ссылка на эту публикацию:
|
|