Диссертация (Сетевой анализ факторов социального признания и исключения в среде подростков), страница 10

Ученика просили назвать популярных ребят в классе илипараллели и отметить критерий(ии), в котором(-ых), по их мнению, причинапопулярности названных одноклассников. Список критериев был составленпорезультатампредыдущихисследований,изучающихфакторыпопулярности в подростковой среде. Поскольку предложенные вариантымогут включать не все критерии ученики имели возможность вписать свойкритерий в графу «другое».Социально-демографические характеристики:Пол закодирован бинарной переменной: 1 – мальчики, 0 – девочки.Социально-профессиональный статус семьи школьника закодированпо шкале International Socio-Economic Index (ISEI-08).

Индекс ISEI –комбинация профессионального дохода и образования по шкале от 16 до 88,где показатели менее 20 означают неквалифицированных рабочих (напримердворники, грузчики, мойщики посуды), более 80 высококвалифицированные50профессионалы (например депутаты, директора и начальники на крупныхпредприятиях).

Статус семьи считается как средний ISEI родителей.Этнический статус учеников – закодирован бинарной переменной 1, вслучае, когда ученик представитель этнического меньшинства, 0 – в случае,когда ученик принадлежит к этническому большинству. Этнический статусученика определялся через вопросы о родном языке и месте рожденияродителей и подростка, его этнической самоидентификации.

Код этническогоменьшинства приписывался тем школьникам, которые по ответам на данныевопросы были определены к неславянским этносам.Миграционная история ученика – бинарная переменная, где 1 –недавний мигрант, 0 – все остальные. Недавним мигрантом считается ученик,чья семья переехала в населенный пункт, когда ученик уже был в школьномвозрасте. Учитывается миграция как внутренняя, так и трансграничная.Образовательные установки:Академический успех (успеваемость) – средний балл по итоговымоценкам за предыдущую четверть/модуль/полугодие по пяти предметам:алгебра, русский язык, иностранный язык, физика, биология. При решениинекоторых исследовательских задач эта переменная центрировалась поклассу, в этом случае в моделях делается отдельное указание.Академическая мотивация – среднее значение по ответам на блок из 10утверждений, оценивающих отношение ученика к образованию и стремлениеего получить (например: «Я готов(-а) ездить в школу далеко от дома, лишьбы она была хорошая», «Некоторые предметы меня настолько интересуют,что я занимаюсь ими помимо школьной программы», «Только с хорошимобразованием можно получить хорошую работу» и так далее).

Учениковпросили оценить по четырехбалльной шкале степень согласия с 10высказываниями. Согласованность утверждений в шкале «академическаямотивация» составляет 0.58 для базы СПб-2010 и 0.56 для МО-2010 (АльфаКронбаха). Инструмент оценки мотивации разработан НУЛ СОН на основе51зарубежных исследований [van Houtte, 2006] и апробирован в российскихшколах [подробнее в Alexandrov, Baranova, Ivaniushina, 2012; Александров,Иванюшина, Ходоренко др., 2018].

В тексте может встречаться такжеследующеесловосочетаниедляэтойпеременной:«образовательнаямотивация», «учебная мотивация».Анти-школьные установки – среднее значение по ответам на блок из 3утверждений, оценивающих негативное отношение ученика к образованию(например: «Учеба в школе — это напрасная трата времени» и так далее)[Александров, Иванюшина, Ходоренко др., 2018].

Учеников просиливыразить по четырехбалльной шкале степень согласия. Альфа Кронбахашкалы «антишкольные установки» равняется 0.48 для базы СПб-2010 и 0.47для МО-2010.Профессиональная вовлеченность – шкала, измеряющая желаниеучащихсяосваиватьвыбраннуюпрофессиюиработатьпоэтойспециальности (например: «Мне интересно осваивать навыки, которыепригодятся для работы по специальности»). Инструмент по оценкепрофессиональной вовлеченности учащихся разработан НУЛ СОН иапробирован для учащихся техникумов и колледжей.

Альфа Кронбаха шкалы«профессиональная вовлеченность» равняется 0.74.Чувство принадлежности к школе – шкала, оценивающее комфортобразовательный среды ижелание ученика был членом школьногоколлектива [Александров, Иванюшина, Ходоренко др., 2018]. Ученикамбыли даны пять утверждений, например, «Иногда мне кажется, что я чужой вэтойшколе»),степеньсогласияскоторымиониоценивалипочетырехбалльной шкале.

Согласованность утверждений в шкале составляет0.69 для баз СПб-2010 и МО-2010 (Альфа Кронбаха).Поведенческие характеристики:Участие подростка в буллинге кодировалось через четыре категории:агрессор, драчун, жертва, свидетели. Агрессор – ученик, который получил52хотя бы одну номинацию по одному из вопросов: «Кто из твоиходнокурсников зачинщик драк?»; «Кто из твоих однокурсников дразнитдругих?». Статус жертвы получал ученик, которого назвали хотя бы раз вответ на вопросы: «Кого из твоих одногруппников обзывают?», «Кого изтвоих одногруппников бьют?». «Драчуны» – те, ученики, которые названыагрессорами и жертвами.Курение – интенсивность курения на настоящий момент, оцениваемаякак количество сигарет в день.

По шкале: не курю; курю изредка, не каждыйдень; 1-2 сигареты в день; 3-5 сигарет в день; 6-10 сигарет в день; более 10сигарет в день.Потребление алкоголя – частота потребления алкогольных напитковпиво/вино/крепкие алкогольные напитки, измеренная по шкале от 0 –никогда не пробовал, 1 – выпивает изредка (например, праздники), 2 –каждую неделю и чаще.Недисциплинированность – переменная измеряет, как часто ученикпрогуливает уроки, приходит на урок не подготовленным, опаздывает науроки, по шкале от 1 – никогда до 5 – почти каждый день.Время занятий спортом – ученика просили оценить, сколько за неделюон посещает тренировок по различным видам спорта: футбол, волейбол,хореография, плавание, каратэ и так далее.

Для анализа число тренировок повсем видам спорта суммировалось.Характеристики контекста класса:Число учеников в классе — число всех одноклассников за минусомсамого отвечающего (N-1). Необходимая переменная для некоторых моделей,так как классы иногда сильно различаются по численности, что можетобуславливать разницу в числе входящих номинаций, которые можетполучить ученик в сетевых вопросах.53Академический контекст класса – переменная второго уровня,характеристика класса, измеренная как средняя индивидуальных значенийучеников по шкале академической мотивации.

Переменная сведена к тремкатегориям: классы с низким уровнем академической мотивации, где еезначение меньше средней по выборке на 1.6 стандартного отклонения;классы с высоким уровнем академической мотивации, где ее значение вышесредней по выборке на 1,6 стандартного отклонения; и классы со среднимуровнем академической мотивации, чьи значения находятся в промежутке.Линиями показан порог в +-1.6 стандартного отклонения (Рисунок 1).Рисунок 1 – Распределение классов в выборке по уровнюакадемической мотивацииАгрессивность среды – переменная второго уровня, характеристикагруппы, означает распространенность практик агрессивного поведения вклассе. В соответствии с процентом подростков, демонстрирующихагрессивное поведение, классы разделены на 3 группы: классы снизкоагрессивной средой, где 0-6% агрессоров (что соответствует нижнемуквартилю распределения), классы с нейтральной средой, если в них 7-13%54агрессоров, и классы с высокоагрессивной средой, где более 13% агрессоров(то есть верхний квартиль распределения).2.2 Статистические методы анализа сетевых данных, применяемые вработеКлассические техники анализа данныхАнализ сетевых данных требует специальных методов, поэтому вработе используются два набора статистических техник: сетевые иклассические.Изклассическихтехникприменяются:линейная,логистическая и негативная биномиальная регрессия, многоуровневоемоделирование.Применение многоуровневого регрессионного анализа обусловленоиерархической структурой данных, включающей индивидуальный уровень иуровень класса.

Такое устройство данных означает, что изучаемые единицывторого уровня (класс) включают кейсы первого уровня (ученик). Врезультатенельзясуверенностьюговоритьонезависимостииндивидуальных наблюдений [Snijders, Bosker, 1999, pp. 6-12]. Так,внутришкольный трекинг приводит к тому, что внутри классов оказываютсядетисосхожимуровнемуспеваемости,отношениюкполучениюобразования и так далее [Van Houtte, 2006; Meijs, Cillessen, Scholte et al.,2010; Jonkmann, Trautwein, Lüdtke, 2009].

В результате корреляция междухарактеристиками учеников из одного класса будет сильнее, чем корреляциямежду этими же характеристиками, но на выборке учеников из разныхклассов или внутри других классов. Это приводит к ложным результатам вслучае, если использовать стандартные статистические техники [Hox, 2010,pp. 4-5]. Пример ниже (см. Рисунок 2) демонстрирует, что сила связи междуиндивидуальными характеристиками учеников различается в зависимости отпараметров класса: в классах, где не принято смеяться над хорошимиоценками, отличникам комфортнее, нежели в классе, где над их успехамисмеются сверстники.55Рисунок 2 – Связь чувства комфорта и успеваемости ученика в разныхклассахИспользование многоуровневого регрессионного анализа обеспечиваетпроверкуэффектовпеременныхкаждогоуровняимежуровневыхинтерактивных эффектов: ученик*класс [Hox, 2010; Woltman, Feldstain,MacKay et al., 2012].

Через межуровневые интерактивные эффектыоперационализируется эффект контекста класса, то есть характеристиккласса/группы, куда помещены ученики (nested).Отрицательная биномиальная регрессия (negative binomial regression)используется для анализа числа негативных номинаций. Этот вид регрессииприменяется для анализа дискретной целочисленной зависимой переменнойс «избытком» нулей и большим разбросом значений. Негативные номинацииотличаются тем, что большинство учащихся не получают их совсем и малыйпроцент учащихся получает очень много негативных номинаций (Рисунок 3).Данный вид регрессии позволяет наилучшим образом справиться сизбыточной дисперсией, возникающей в случае превышения наблюдаемойдисперсии над ожидаемой [Кабаков, 2014].56Рисунок 3 – Распределение числа негативных номинаций в выборкеЛогистическая регрессия используется в тех случаях, когда зависимаяпеременная представлена бинарной переменной, означающей наличие илиотсутствие признака.Сетевые техники анализа данныхСетевые данные не являются независимыми, то есть в них несоблюдается ключевое правило классической статистики – независимостьнаблюдений [van Duijn, Vermunt, 2006].

Решение проблемы сетевойавтокорреляции достигается применением специальных методов анализа. Вданной диссертационной работе используются три техники моделирования:диадный анализ (p2 modeling), экспоненциальное моделирование случайныхграфов (Exponential Random Graph Models, ERGM), стохастическое агенториентированное моделирование (Stochastic Actor-Oriented Models, SAOM).Они основываются на предположениях о том, что социальные сетиэмерджентны, структурированы, но при этом случайны и организуются подвоздействием эндогенных и экзогенных факторов; наблюдаемая структура57сети свидетельствует о происходящих в ней процессах и являетсямногомерной [Lusher, Koskinen, Robins, 2012, pp.

10-12].p2 – это моделирование диад со случайными эффектами, где зависимойпеременной является диадная связь [Zijlstra, Van Duijn, Snijders, 2006]. Иначеговоря, определяется вероятность образования одного из четырех вариантовсвязей между двумя акторами: отсутствие связи, получение связи (receiver),инициирование связи (sender), взаимная связь между двумя акторами(Рисунок 4). При этомможноучитывать характеристикиакторов:индивидуальные, групповые и диадные. В качестве индивидуальныххарактеристик могут выступать пол, возраст, оценки ученика и так далее.Диадные ковариаты – это свойства связи между двумя акторами, например,число взаимодействий, продолжительность знакомства или разница междуоценками двух учеников и так далее. Диадный анализ проводится с помощьюодного из пакетов StOCNET.Рисунок 4 – Связи между двумя акторами сетиERGM, как и p2, предназначен для работы с кросс-секционнымисетевыми данными.