Файл: Бодалев А.А. - Общая психодиагностика.pdf

146

условия (при успехе на первом экзамене от остальных вступительных

экзаменов  медалист  освобождается), лица  с  удовлетворительным

средним баллом допускаются к конкурсным вступительным экзаменам
и  сдают  все  экзамены; наконец, лица  с  неудовлетворительным  сред-

ним баллом могут вообще не допускаться к вступительным экзаменам.
На этом примере видно, что средний балл аттестата используется как

некоторый показатель «теста», в соответствии с которым абитуриентов
разделяют на три категории, по отношению к которым неявно приме-

няется «порядковый» прогноз: предполагается, что  медалисты  будут
успешнее  обычных  выпускников  школ, а  обычные  выпускники - ус-

пешнее тех, кто учился в школе очень слабо.

«Порядковый» прогноз сохраняет свою эффективность не только

в статических условиях, но и в условиях таких динамических измене-

ний  объектов  прогнозирования, при  которых  порядковая  структура
оказывается  неизменной. Предположим, что  в

:

  ходе  обучения  в  вузе

все  студенты  по мере  более  глубокого  ознакомления с  предметом  ис-
пытывают  нарастающий  интерес  к  своей  специальности, но  если  по-

рядковая  структура  сохраняется (Х

а

  продолжает  превышать X

b

, не-

смотря на то что X

b

 приближается к Х

а

), то «порядковый» прогноз все

равно остается корректным.

Линейные и порядковые прогностические стратегии на практике

применяются не к одномерным, а к многомерным данным. Среди мате-

матических  моделей  прогнозирования  до  сих  пор  наибольшей  попу-
лярностью  пользуются  относительно  простые (а  иногда  и  нео-

правданно упрощенные) регрессионные модели.

При  этом  для  многомерного  случая  задача  психометриста  сво-

дится к построению уравнения множественной регрессии:

Y= ß

1

X

1

+ ß

2

X

2

…..+ ß

i

X

i

+ ß

k

X

k

(3.5.1)

где Y- прогнозируемая  переменная (критерий  прогностической

ва-лидности);

X

i

 - значение

i

-го тестового показателя  из рассматриваемой  ба-

тареи тестовых показателей;

ß

i

, - значение весового коэффициента, указывающего, на сколь-

ко (в  единицах  стандартных  отклонений) изменяется  прогнозируемая

147

переменная при изменении тестового показателя X

i

.

Для  составления  указанного  уравнения  требуется  произвести

«упреждающее» измерение  тестовых  показателей  по  отношению  к
критериальному  показателю Y, измерение  которого  производится  по

истечении некоторого отрезка времени

D

T, называемого в прогнози-

ровании периодом упреждения.

Общая эффективность прогноза на основе регрессионного урав-

нения оценивается с помощью подсчета коэффициента множественной

корреляции R

2

 (Суходольский Г. В., 1972) и последующей оценки его

значимости по критерию Фишера:

)

1

)(

2

1

(

)

1

(

2

-

-

-

-

=

K

R

K

N

R

e

F

(3.5.2)

где

e

F

 - эмпирическое значение статистики Фишера со степеня-

ми свободы V

1

 = k и У

2

 = N-k;

N— количество индивидов;

k - количество тестовых показателей.
Не следует забывать, что основой применения этой модели про-

гноза  является  экстраполяция - предположение  о  том, что  на  новом

отрезке  времени

D

T’ будут  действовать  те  же  тенденции  связи  пере-

менных, что и на отрезке

D

T, на котором прежде измерялись весовые

коэффициенты ß

i

.  Не  следует  также  забывать,  что  корректность  про-

гноза обусловлена периодом упреждения: для больших (или меньших)

D

T использование уравнения (3.5.1) может оказаться некорректным.

Прогностические  возможности  указанного  метода  ограничены

однократностью измерения тестовых показателей .X

1

, Х

2

 ..., X

k

. 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, веро-

ятностный, приближенный прогноз.

В  некоторых  случаях  эффективность  этого  метода  может  суще-

ственно повыситься, если использовать хотя бы двукратное (с неболь-
шим интервалом в две-три недели) измерение системы показателей Х

1

148

Х

2

,..., X

k

. Уже таким способом можно, например, учесть вклад фактора

«усвоение  знаний» в  прогнозирование  мотивационной  вовлеченности

(уровня интереса) студента в свою специальность. Повторное измере-
ние (например, через месяц после начала обучения в вузе) позволяет

выявить, в каком направлении действует фактор «усвоение знаний» в
своем влиянии на уровень интереса данного студента: может оказать-

ся, что в  результате  разнонаправленного действия  этого фактора  не-
мало пар студентов  уже  через месяц  поменяются  местами  в  ранговом

ряду по уровню интереса (Х

а

< Х

b

). В этом случае в уравнение (3.5.1)

целесообразно ввести не статический показатель X

i

 a простейший ди-

намический  показатель

D

Х

i

,  =

0

1

t

i

X

t

i

X

-

. Кроме  того, не  исключена

возможность  одновременного  использования  в  уравнении (3.5.1) и
статических X

i

. и  динамических

D

Х

i

. показателей; тогда  разра-

ботанная  модель  прогноза  будет  учитывать  как  достигнутый  уровень
(экстраполировать  статику), так  и  намечающиеся  тенденции (экстра-

полировать тенденции).

Приведем  еще  один  содержательный  пример. Многочисленные

эмпирические  исследования  по  прогнозированию  супружеской  со-

вместимости (Обозов Н. Н., 1979) показали неудовлетворительно низ-
кий  уровень  надежности  прогноза  на  основе  таких  показателей, как

однократно измеренный уровень сходства (темперамента, мотивов, ин-
тересов, ценностных ориентации) или взаимодополнительности психи-

ческих  свойств  будущих  супругов. Но  эту  надежность  можно  сущест-
венно  повысить, если  ввести  в  уравнение (3.5.1) показатели  типа

D

Х.. В данном случае содержательно-психологический смысл этих по-

казателей  будет  заключаться  в  следующем:  они  указывают  на  то,  в
каком  направлении  действует  на  уровень  сходства (совместимости)

опыт взаимодействия будущих супругов. Потенциально несовместимые
супруги  в  ходе  взаимодействия (за  период  помолвки), как  правило,

дивергируют  в  своих  показателях (например, имеющиеся  незначи-
тельные  акцентуации  характера  взаимно  усиливаются). И  наоборот,

потенциально  совместимые  супруги  могут  очень  быстро  конвергиро-
вать: оказывается достаточным проведение одного-двух обсуждений с

участием  психолога  по  спорным  вопросам,  чтобы  сблизиться  в  пред-

ставлениях о желаемом семейном укладе и образе жизни.

149

Более  сложные  математические  методы  прогнозирования (на-

пример, учитывающие  циклическую  динамику  объектов) пока  еще

редко используются в психодиагностике, так как требуют частых мно-
гократных измерений системы тестовых показателей, что оказывается

невозможным по чисто практическим причинам. Тем не менее уже се-
годня  можно  твердо  констатировать  недостаточность  линейных  мо-

делей прогнозирования. Для ознакомления с рядом других подходов к
прогнозированию  мы  рекомендуем  психологам  обратиться  к  руко-

водству «Рабочая книга по прогнозированию» (М., 1982).

Остановимся  теперь  более подробно  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 как раз-

работка его математического аппарата была во многом стимулирована
инженерными  задачами  конструирования  искусственных  систем  зре-

ния, слуха, других органов чувств (Распознавание образов. М., 1970).

В  психодиагностике  роль «элементарных  сенсорных  данных»

выполняют  первичные  тестовые  показатели X

1

  Х

2

,..., X

k

, а  роль «об-

раза» (выходного  сигнала  системы) - соответствующая  диагностичес-

кая категория. Таким образом, по существу, распознавание образов

1

 и

есть диагностика в широком смысле.

Поясним специфику подхода на простейшем схематическом при-

мере. Пусть Р

у

 -вероятность такого типового критерия оценки студен-

тов, как  успеваемость, Х

1

 - уровень  интереса  к специальности, выяв-

ленный у абитуриента, Х

2

 - уровень его знаний о специальности.

На рис. 16 точки X

1

 = 0 и Х

2

 = 0 - медианные значения соответ-

ствующих тестовых показателей. В данном упрощенном примере в ста-
тусе «образа» выступает  каждый  из  четырех  квадрантов  диагнос-

тического пространства. Для  предсказания  Р

у

  мы  не  можем  построить

линейной комбинации Х

1

 и Х

2

, какие бы коэффициенты ß

1

, и ß

2

 мы ни

взяли. Для предсказания Р

y

 мы должны зафиксировать попадание ин-

дивида  в  заданную  область  пространства  параметров. «Образ», или

1

 Этот подход включает в себя линейные модели как частный случай.

150

диагностическая  категория, и  есть  на  геометрическом  языке  опреде-

ленная область в пространстве параметров.

Рис. 16. Зависимость  вероятности  критериального  собы-

тия р и диагностических параметров X

1

 и Х

2

С точки зрения распознавания образов, предварительная задача

диагностики (предваряющая  практические  задачи) – определить  гра-
ницы  диагностических  категорий - областей  в  пространстве  парамет-

ров, которым  эмпирически  корректно  могут  быть  приписаны  некото-
рые пороговые (качественно специфичные) значения прогнозируемого

критериального  показателя. Это  задача  построения «разделяющего
правила» (или «решающего правила»). Точность такого разделения и

предопределяет  прогностическую  валидность  методики  на  данной  со-
вокупности испытуемых в данной диагностической ситуации.

Репрезентативность  выборки  при  этом  определяется  степенью

изменения  точности  разделения  при  увеличении  совокупности  обсле-
дованных. 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  тестового

показателя с  некоторым порогом. В  более  сложных случаях  применя-
ются  методы  дискриминантного  анализа, позволяющие  описывать

«разделяющие  правила» (границы  диагностических  областей  в  про-

странстве  параметров) в  виде  сложных  функций  сразу  от  нескольких
параметров.

Применение  определенного  метода  для  решения  задачи  по-

строения  системы  диагностических  категорий  определяется  несколь-