Когда психолог регистрирует по результатам тестирования у не-
которого индивида А показатель Ха, а у некоторого индивида В пока-
затель Хь, так что Ха>Хь, то из этого вовсе не следует автоматически,
что соотношение Ха>Хь сохранится в течение следующей недели, ме-
сяца, года. Понятно, что для принятия стратегии экстраполяционного
статистического прогноза требуется предварительно произвести эмпири-
ческое измерение надежности - устойчивости (ретестовой надежности)
на заданном промежутке времени.
При этом важна не только длина отрезка времени между двумй
измерениями, но и его заполненность теми или иными значимыми
для индивида событиями. Приведем простой пример. Организовано пси-
хологическое обследование абитуриентов вуза. Психологи пытаются
измерить уровень интереса поступающих к избранной специальности
(области науки или техники). Но применяются <лобовые> бпроснико-
вые методики, не защищенные от преднамеренной фальсификации
(абитуриенты вполне естественно сознательно или даже бессознательно
будут искажать результаты в сторону повышенного интереса - чтобы
произвести благоприятное впечатление). Фальсификация здесь только
один из возможных источников некорректности статистического про
гноза. Для эмпирического измерения силы этого артефакта не обяза
тельно проводить повторное измерение через несколько лет. Имее
смысл провести повторное обследование по той же методике всех сту
дентов, сразу же после их зачисления на первый курс. Если возникне
слишком много перестановок типа Ха<Хь, то ранговая корреляци
<тест - ретест> окажется слишком слабой, и это доказывает непрг
вомерность использования <лобовой> методики для статического пр(
гноза. Другой возможный источник нестабильности ранговой шкал
(порядковой шкалы теста) обусловлен в данном примере зависимость
уровня интереса к предметной области от уровня знаний о пpeдмe
В ходе обучения в вузе студенты приобретают более детальные знай]
о предмете, о своей успешности в освоении специальности, и от это
уровень интереса может существенно изменяться. Конечно, этот факт
в отличие от фактора фальсификации действует на более длительн
промежутках времени. И здесь опять же требуются специальные изг
рения ретестовой устойчивости для применения статического прогно
Приведенный выше пример показывает, что в некоторых случг
проблемы психопрогностики целесообразно начинать решать без в
кого привлечения внешней по отношению к тесту критериальной инф
мации, т. е. средствами проверки надежности, но не средствами п
верки валидности. Если уже таким способом будет получен отрг
тельный результат, то заведомо будет получен и для измерения BBJ
нести статического прогноза (вспомним основной принцип - BBJ
ность методики не превышает ее надежности).
Но надежность лишь необходимое, но, естественно, недостаток
условие прогностической валидности. Можно убедиться в выс(
устойчивости тестового показателя на длительных промежутках
мени, но из этого не следует, что будут получены значимые лине1
корреляции тестового показателя с требуемым критерием валидное
STR.97
эффективности - корреляции, оправдывающие статический прогноз.
Как правило, на основе диагностики принимаются решения, кото-
рые соотносятся между собой как события на шкале наименований
или на шкале порядка. Как учитываются сегодня при приеме в вуз
показатели школьной успеваемости абитуриентов? Существуют три
варианта, три градации, соотносимые друг с другом по шкале порядка:
выпускникам школы - медалистам предоставляются льготные условия
(при успехе на первом экзамене от остальных вступительных экзаме-
нов медалист освобождается), лица с удовлетворительным средним
баллом допускаются к конкурсным вступительным экзаменам и прохо-
дят все экзамены, наконец, лица с неудовлетворительным средним бал-
лом могут вообще не допускаться к вступительным экзаменам. На этом
примере видно, что средний балл аттестата используется как некото-
рый показатель своего рода <теста>, в соответствии с которым аби-
туриенты разделяются на три категории, по отношению к которым
неявно применяется <порядковый> прогноз: предполагается, что меда-
листы будут успешнее обычных выпускников школ, а обычные выпуск-
ники - успешнее тех, кто учился в школе очень слабо.
<Порядковый> прогноз сохраняет свою эффективность нетолько в
статических условиях, но и в условиях таких динамических изменений
объектов прогнозирования, при которых порядковая структура оказы-
вается неизменной. Предположим, что в ходе обучения в вузе все
студенты по мере более глубокого ознакомления с предметом испыты-
вают нарастающий интерес к своей специальности, но если порядковая
структура сохраняется (Ха продолжает превышать Хь, несмотря на
то, что Хь приближается к Ха), то <порядковый> прогноз все равно
остается корректным.
Линейные и порядковые прогностические стратегии на практике
применяются не к одномерным, но к многомерным данным. Среди
математических моделей прогнозирования до сих пор наибольшей по-
пулярностью пользуются относительно простые (а иногда -и неоправ-
данно упрощенные) регрессионные модели.
При этом для многомерного случая задача психометриста сводится
к построению уравнения множественной регрессии:
Y = Mi + Мг + РЛ + РА, (3.5.1)
где У - прогнозируемая переменная (критерий прогностической ва-
лидности);
Xi - значение i-того тестового показателя из рассматриваемой ба-
тареи тестовых показателей;
pi - значение весового коэффициента, указывающего, на сколько
(в единицах стандартных отклонений) изменяется прогнозируемая пе-
ременная при изменении тестового показателя Xi.
Для построения указанного уравнения требуется произвести
<упреждающее> измерение тестовых показателей по отношению к кри-
териальному показателю Y, измерение которого производится по исте-
чении некоторого отрезка времени ДГ, называемого в прогнозирова-
нии периодом упреждения.
Общая эффективность прогноза на основе регрессионного уравнения
оценивается с помощью подсчета коэффициента множественной кор-
реляции R (Суходольский Г. В., 1972) и последующей оценки его зна-
чимости по критерию Фишера:
--1)
(1-)-1)
4 Зак. 508 97
STR.98
где Fe - эмпирическое значение статистики Фишера со степенями
свободы 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(S\K\),...,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.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58