Учебник - общая психодиагностика - 2006 (846296), страница 30
Текст из файла (страница 30)
Не следует также забывать, что корректность прогноза обусловлена периодом упреждения: для больших (или меньших) T использование уравнения (3.5.1) может оказаться некорректным.Прогностические возможности указанного метода ограниченыоднократностью измерения тестовых показателей .X1, Х2 ..., Xk.
В силуоднократности измерения этот метод оказывается эффективным опятьтаки только по отношению к самым универсальным и статическим показателям (таким, например, как интегральные свойства темпераментаилинервнойсистемы),обеспечивающимоченьгрубый,веро-ятностный, приближенный прогноз.В некоторых случаях эффективность этого метода может существенно повыситься, если использовать хотя бы двукратное (с небольшим интервалом в две-три недели) измерение системы показателей Х1146Х2,..., Xk. Уже таким способом можно, например, учесть вклад фактора«усвоение знаний» в прогнозирование мотивационной вовлеченности(уровня интереса) студента в свою специальность. Повторное измерение (например, через месяц после начала обучения в вузе) позволяетвыявить, в каком направлении действует фактор «усвоение знаний» всвоем влиянии на уровень интереса данного студента: может оказаться, что в результате разнонаправленного действия этого фактора немало пар студентов уже через месяц поменяются местами в ранговомряду по уровню интереса (Ха< Хb).
В этом случае в уравнение (3.5.1)целесообразно ввести не статический показатель Xi a простейший ди-ttнамический показатель Хi, = X i1 X i 0 . Кроме того, не исключенавозможность одновременного использования в уравнении (3.5.1) истатических Xi. и динамических Хi. показателей; тогда разра-ботанная модель прогноза будет учитывать как достигнутый уровень(экстраполировать статику), так и намечающиеся тенденции (экстраполировать тенденции).Приведем еще один содержательный пример. Многочисленныеэмпирические исследования по прогнозированию супружеской совместимости (Обозов Н. Н., 1979) показали неудовлетворительно низкий уровень надежности прогноза на основе таких показателей, какоднократно измеренный уровень сходства (темперамента, мотивов, интересов, ценностных ориентации) или взаимодополнительности психических свойств будущих супругов.
Но эту надежность можно существенно повысить, если ввести в уравнение (3.5.1) показатели типа Х.. В данном случае содержательно-психологический смысл этих показателей будет заключаться в следующем: они указывают на то, вкаком направлении действует на уровень сходства (совместимости)опыт взаимодействия будущих супругов. Потенциально несовместимыесупруги в ходе взаимодействия (за период помолвки), как правило,дивергируют в своих показателях (например, имеющиеся незначительные акцентуации характера взаимно усиливаются). И наоборот,потенциально совместимые супруги могут очень быстро конвергировать: оказывается достаточным проведение одного-двух обсуждений сучастием психолога по спорным вопросам, чтобы сблизиться в представлениях о желаемом семейном укладе и образе жизни.147Более сложные математические методы прогнозирования (например, учитывающие циклическую динамику объектов) пока ещередко используются в психодиагностике, так как требуют частых многократных измерений системы тестовых показателей, что оказываетсяневозможным по чисто практическим причинам.
Тем не менее уже сегодня можно твердо констатировать недостаточность линейных моделей прогнозирования. Для ознакомления с рядом других подходов кпрогнозированию мы рекомендуем психологам обратиться к руководству «Рабочая книга по прогнозированию» (М., 1982).Остановимся теперь более подробно на подходе, который нынепредставляет собой реальную альтернативу ограниченным линейнымстатистическим моделям и позволяет строить эффективный прогноздля более сложных зависимостей между прогнозируемыми (зависимыми) и прогнозирующими (независимыми) переменными. Этот подход,по традиции, принято называть распознаванием образов, так как разработка его математического аппарата была во многом стимулированаинженерными задачами конструирования искусственных систем зрения, слуха, других органов чувств (Распознавание образов. М., 1970).В психодиагностике роль «элементарных сенсорных данных»выполняют первичные тестовые показатели X1 Х2,..., Xk, а роль «образа» (выходного сигнала системы) - соответствующая диагностическая категория.
Таким образом, по существу, распознавание образов1 иесть диагностика в широком смысле.Поясним специфику подхода на простейшем схематическом примере. Пусть Ру -вероятность такого типового критерия оценки студентов, как успеваемость, Х1 - уровень интереса к специальности, выявленный у абитуриента, Х2 - уровень его знаний о специальности.На рис. 16 точки X1 = 0 и Х2 = 0 - медианные значения соответствующих тестовых показателей. В данном упрощенном примере в статусе «образа» выступает каждый из четырех квадрантов диагностического пространства. Для предсказания Ру мы не можем построитьлинейной комбинации Х1 и Х2, какие бы коэффициенты ß1, и ß2 мы нивзяли. Для предсказания Рy мы должны зафиксировать попадание индивида в заданную область пространства параметров. «Образ», или1Этот подход включает в себя линейные модели как частный случай.148диагностическая категория, и есть на геометрическом языке определенная область в пространстве параметров.Рис.
16. Зависимость вероятности критериального события р и диагностических параметров X1 и Х2С точки зрения распознавания образов, предварительная задачадиагностики (предваряющая практические задачи) – определить границы диагностических категорий - областей в пространстве параметров, которым эмпирически корректно могут быть приписаны некоторые пороговые (качественно специфичные) значения прогнозируемогокритериального показателя. Это задача построения «разделяющегоправила» (или «решающего правила»).
Точность такого разделения ипредопределяет прогностическую валидность методики на данной совокупности испытуемых в данной диагностической ситуации.Репрезентативность выборки при этом определяется степеньюизменения точности разделения при увеличении совокупности обследованных. Влияние того или иного параметра на точность разделенияопределяет «вес», с которым входит данный параметр в задачу диагностики.Построение формальной процедуры разделения может производиться по-разному.
В простейшем случае - это сравнение тестовогопоказателя с некоторым порогом. В более сложных случаях применяются методы дискриминантного анализа, позволяющие описывать«разделяющие правила» (границы диагностических областей в пространстве параметров) в виде сложных функций сразу от несколькихпараметров.Применение определенного метода для решения задачи построения системы диагностических категорий определяется несколь149кими факторами: во-первых, это соответствие допущений, положенных в основу алгоритма, содержательным представлениям о психологической типологии индивидов в рамках рассматриваемой системыпсиходиагностических параметров; во-вторых, это степень полнотыимеющейся информации для эффективной «остановки» алгоритма,обеспечивающей оптимальное решение задачи за приемлемое время.Под полнотой информации здесь, имеется в виду наличие 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 сзаданными классами. Если же критериальные классы представленынеполно - всего несколькими представителями, для которых при этомне всегда известны все значения необходимых параметров, - то возникает ситуация, требующая применения так называемых эвристических алгоритмов (более подробно о применяемых алгоритмах классификации см. кн.: Типология и классификация в социологических исследованиях.
М., 1982).Остановимся на одном из методов распознавания, получившемприменение в психодиагностике, — на семействе алгоритмов вычисления оценок (АВО), предложенном Ю. И. Журавлевым и его учениками (1978).Основную задачу распознавания образов можно сформулировать как задачу отнесения объекта 5 к одному или нескольким классамК1 К2,..., Кi на основе информации о классах I (K1), (К2),..., I (Кi), информации об объекте I(S) и предположения о близости объекта кклассу. Другими словами, задачу распознавания можно сформулировать как задачу определения того, обладает ли объект определеннымисвойствами.В основе АВО лежит принцип частичной прецедентности: близость объекта к классу тем больше, чем больше частей в его описании«похожи» на соответствующие части в описаниях' объектов, чья принадлежность классу известна.
Например, в одном из вариантов АВО(Зеличенко А. И., 1982) функция близости объекта S к классу К определяется так:150n mГ ( S , K ) P j B(a j ( S iK )),i 1 j 1(3.5.3)1, если a ( S K ) j ijB(a j ( S ), a j ( S iK )) 0 - в противном случеK - i-й объект, принадлежность которого к классу К ужегде S iизвестна;ai (S) - i-й элемент (параметр) в описании объекта;P1 - его вес;εj - i-й порог.После того как вычислены Г(S1 K1,), ... , Г(S1 K1,) на основаниинекоторого решающего правила (зависящего от вектора параметровB , принимается решение о принадлежности объекта к одному или нескольким классам К1, ..., К1 В задачах психодиагностики S- это испытуемый.Таким образом, каждый вариант АВО определяется набором значений параметров.
В нашем случае- это векторыp ( p1 p m ) , ( 1 ,..., m ) . Если информация об объекте S представлена в виде I(S)= (а1,..., а2), то элемент вектора опорных множеств ωj(S) = аi, a εj -j-йпорог.В качестве примера решающего правила можно привести следующее (линейное пороговое решающее правило):объект S принадлежит к классу Kt еслиi bit Г ( S , K i ) C1t(3.5.4)j 1объект S не принадлежит к классу Kt еслиi bit Г (S , K i ) C 2t(3.5.5)j 1в остальных случаях -отказ от распознавания принадлежностиобъекта S к классу Kt.151В работе алгоритмов распознавания вообще и АВО в частностиможно выделить два этапа: обучение и собственно распознавание. Наэтапе обучения, как уже говорилось, происходит настройка алгоритма,т. е. выбор таких его параметров, которые обеспечивают оптимальноев нег котором смысле распознавание объектов обучающей выборки(объектов, принадлежность которых к классам К1, ... ,Ki, известна).
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
