Дмитрий Сочивко - Расколотый мир. Опыт анализа психодинамики личности человека в экстремальных условиях жизнедеятельности
Т – Гэ – Dэ Т – Гк – Dк
Т – Гэ – Dэ Т – Гк – Dк
Этот план может быть использован при проведении основного эксперимента. В этом случае на выходе исследователь имеет четыре матрицы первичных данных, которые характеризуют начальные и конечные состояния обеих групп. Следует, однако, помнить, что данный план позволяет лишь уравнять все побочные влияния для обеих групп, т. е. обеспечивает одинаковое смещение всех экспериментальных оценок, но не позволяет узнать, каково это смещение. Такой план, следовательно, представляется удовлетворительным всегда, когда измерения производятся в интервальных шкалах. В этом случае мы можем увеличить или уменьшить все оценки на постоянную величину, не потеряв при этом никакой информации. Если же измерение каких-то показателей производилось в шкале отношений, и это важно для исследователя, то для уверенности в том, что результаты измерения не искажены побочными влияниями, следует использовать более сложный план. Таким планом может служить план Соломона, названный по имени исследователя, предложившего его. Схема этого плана такова:
Т – Гэ —Dэ Т – Гк – Dк Т – Гэ1 —Dэ1
Т – Гэ – Dэ Т – Гк – Dк Т – Гк1 – Dк1
Верхние индексы Э1 и К1 означают, что речь идет уже о других экспериментальной и контрольной группах, не пересекающихся с первыми. Таким образом, для реализации плана Соломона необходимо наличие четырех различных групп испытуемых. При этом в группе Гэ1 определено исследуемое отношение, а в Гк1 – нет. Пусть теперь некоторый результат измерения d из D является показателем измерения исследуемого свойства в шкале отношений. Тогда должны быть выполнены следующие условия:
1) d є 0, если d ∈ Dк или d ∈ Dк1 (нижний индекс любой).
Пусть d1 ∈ D1э, d2 ∈ D2э, d3 ∈ D3э, тогда
2) d1 ≠ d2 = d3 = 0.
Если выполнены оба условия, то можно утверждать, что экспериментальный план согласован с измерением в шкале отношений и все побочные влияния на исследуемую переменную устранены.
Если второе условие не выполнено (но выполнено первое), т. е. d2 ≠ d3, то говорят, что измеряемая переменная взаимодействует с измерительным методом. При этом предполагается, что обе экспериментальные группы уравнены по измеряемым характеристикам.
Если не выполнено и первое условие, то пропорциональность шкалы нарушается, если, однако, d во всех трех указанию: в первом условии множествах данных остается постоянным, то можно говорить, что исследуемое свойство измерено в шкале интервалов и все побочные влияния манкированы. Необходимо добиться выполнения этого последнего условия при проведении основного эксперимента. Это может быть сделано посредством аккуратной проверки всех условий эксперимента и устранения всех «подозрительных» факторов, т. е. тех, которые могут оказывать влияние на исследуемую переменную.
Подготовка данных для обработки на ЭВМ.
В начале параграфа несколько слов о том, зачем нужна обработка данных на ЭВМ. Необходимость такой обработки обусловлена сложностью предмета современного психолого-педагогического исследования. Множественность составляющих его отношений делает невозможным их количественное сравнение без ЭВМ, в силу естественных временных ограничений человеческой деятельности. Но дело не только в этом. Сложность предмета исследования стимулировала разработку адекватных этой сложности методов количественного представления данных, которые в силу исторических причин оказались неразрывно связанными с электронно-вычислительной техникой. В настоящее время не представляется возможным проведение того или иного вида статистического анализа даже для небольшого числа измерений без использования ЭВМ.
Задачей статистического анализа является представление исследуемого сложного отношения как некоторого фактор-множества, т. е. как множества непересекающихся классов. Что позволяет исследователю сделать важный шаг на пути к искомому обобщению. Действительно, исследование начинается с того, что исследователь определяет множество интересующих его отношений, пересечение которых представляет собой сложное и неизвестное еще новое отношение. В процессе пилотажного исследования выясняется, что некоторые составляющие свойства связаны между собой, однако в силу их множественности восстановить всю структуру связей и перейти к обобщению не представляется возможным. С помощью специальных методов существует возможность отобразить все множество исследуемых свойств в небольшое число классов. Далее либо посредством обобщения всего класса свойств, либо посредством выбора некоторого (центрального) представителя класса он может быть отождествлен с некоторым более сложным свойством, множество же классов определяет структуру всего исследуемого отношения.
Существует два основных подхода к построению статистической классификации при незаданных классах. Первый из них носит название кластерного анализа. Этот вид анализа построен на оценке близости элементов исходного множества. Сразу оговоримся, что статистический анализ может быть использован и используется не только для классификации множества исследуемых свойств, но и для классификации испытуемых.
Для разбиения исходного множества на классы необходимо выбрать меру близости элементов. Выбор меры может быть различным в зависимости от специфики исследования. Ее можно задать системой функций f(xi, xj),…, f(x1,…, xn) от двух до n аргументов. Значения f(x1,…, xk) характеризуют степень близости ее аргументов. Из физических соображений обычно выбирают меру попарной близости элементов. Из попарной близости можно построить различные меры групповой близости. Например, можно выбрать диаметр множества или ее усреднение. После того как мера выбрана, определяют ее критическое значение. Далее организуется процедура отбора элементов в классы, которая прекращается тогда, когда расстояния между кластерами становятся элементами больше критического. Более подробное описание кластерного анализа можно найти у других авторов (Байметов, 1967; Брунер, 1971). Чаще всего кластерный анализ применяют для классификации испытуемых.
Вторым подходом к классификации является факторный анализ, который основан на анализе матрицы связей переменных (ковариационной матрицы). В настоящее время наиболее подробно разработана линейная модель факторного анализа. Подробнее с техникой факторного анализа можно ознакомиться у Брунера, 1971.
Для проведения статистического анализа данных исследователь вводит в память ПЭВМ матрицу первичных данных, элементами которой являются оценки испытуемых по всем переменным измерительным методам.
3.3. Интерпретация результатов статистического анализа
В случае использования кластерного (или какой-то его разновидности, например, таксономического) анализа для классификации испытуемых исследователь после машинной обработки данных получает распечатку, где тем или иным способом указано число определенных классов и принадлежность каждого из испытуемых к тому или иному классу. Испытуемые, отнесенные к разным классам, различаются между собой по набору исследуемых свойств. Таким образом, интерпретация результатов основана на уяснении того, какими свойствами обладают представители каждого класса. Рекомендуется специально составить списки свойств, характеризующие каждый выделенный класс. Далее каждый такой список можно озаглавить либо посредством указания какого-то обобщающего свойства, либо посредством выбора из списка наиболее представительного свойства, например, наиболее сильно выраженного у всех испытуемых данного класса.
Приведем пример использования таксономического анализа в психологии. В исследовании, проведенном под руководством В.С. Мерлина (Басырова, 1965), для классификации испытуемых использовался ряд психофизиологических и психических свойств человека, таких, как свойства нервной системы, некоторые особенности восприятия, экстравертированность (направленность на общение), и др. В результате было выделено два класса испытуемых, по мысли авторов обладающих соответственно двумя различными типами темперамента. Таким образом, исходный набор свойств был обобщен в понятии «тип темперамента». Далее, основываясь на том, что выборка испытуемых была достаточно велика, авторы сделали вывод о структуре исследуемого свойства в целом, а именно о том, что существует всего два типа темперамента. Обратимся теперь к интерпретации результатов факторного анализа. После машинной обработки данных исследователь располагает распечаткой корреляционной и факторной матриц. Хотя корреляционный анализ (анализ матрицы корреляционных связей исходных свойств) в строгой смысле не является частью факторного анализа, однако, очевидно, по причине пересечения процедур расчета, существуют единые программы машинной обработки данных, включающие и корреляционный и факторный анализ.
