ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 07.12.2023
Просмотров: 1480
Скачиваний: 38
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
коэффициент
корреляции
произведений по К.Пирсону (г): r = xy/Nσ
x
σ
y
, где х – отклонение отдельного значения X от среднего выборки (М
х
); у – то же для Y; σ
х
– стандартное отклонение для X; σ
у
– то же для Y; N – число пар значений X и Y.
Рекомендации по анализу коэффициентов корреляции
1. R – это не процент соответствия переменных, а только степень связи.
2. Сравнение коэффициентов дает только неметрическуюинформацию, т. е. нельзя говорить,
5. При М = 0 и о =1 получаем единичную нормальную кривую, так как площадь под ней равна 1.
6. Для единичной кривой: Р
м
= 0.3989, а площадь под кривой в диапазоне:
-σ до +σ = 68.26%; -2σ до + 2σ = 95.46%; -Зσ до + Зσ = 99.74%.
7. Для неединичных нормальных кривых (М ≠0, σ ≠1) закономерность по площадям сохраняется.
Разница – в сотых долях.
Вариации нормального распределения
Представленные ниже вариации относятся не только к нормальному распределению, но к любому. Однако для наглядности мы их приводим здесь.
1. Асимметрия – неодинаковость распределения относительно центрального значения.
Рис. 6. Графики асимметричного распределения
Асимметрия – третий показатель, описывающий распределение наряду с мерами центральной тенденции и изменчивостью. Эксцесс – показатель, характеризующий скорость нарастания концентрации данных к центральному значению. На графиках это выражается
«островершинностью» или «плосковершинностью».
Эксцесс – четвертый основной показатель распределения. 3. Бимодальность – распределение с двумя классами данных в выборке. Об этом эффекте уже говорилось при рассмотрении моды (Мо). На графике это выражается «двувершинностью».
4.6.3.6. Некоторые методы статистического анализа данных при вторичной обработке
Внедрение в научные исследования вычислительной техники позволяет быстро и точно определять любые количественные характеристики любых массивов данных. Разработаны различные программы для ЭВМ, по которым можно проводить соответствующий статистический анализ практически любых выборок. Из массы статистических приемов в психологии наибольшее распространение получили следующие.
Комплексное вычисление статистик
По стандартным программам производится вычисление различных совокупностей статистик.
Как основных, представленных нами выше, так и дополнительных, не включенных в наш обзор.
Иногда получением этих характеристик исследователь и ограничивается. Чаще же совокупность этих статистик представляет собой лишь блок, входящий в более широкое множество показателей изучаемой выборки, получаемое по более сложным программам. В том числе по программам, реализующим приводимые ниже методы статистического анализа.
Корреляционный анализ
Сводится к вычислению коэффициентов корреляции в самых разнообразных соотношениях между переменными. Соотношения задаются исследователем, а переменные равнозначны, т. е. что являются причиной, а что следствием, установить через корреляцию невозможно. Кроме тесноты и направленности связей' метод позволяет установить форму связи (линейность, нелинейность) [27, 124]. Надо заметить, что нелинейные связи не поддаются анализу общепринятыми в психологии математическими и статистическими методами. Данные, относящиеся к нелинейным зонам (например, в точках разрыва связей, в местах скачкообразных изменений), характеризуют через содержательные описания, воздерживаясь от формально- количественного их представления; [84, с. 17–23]. Иногда для описания нелинейных явлений в психологии удается применить непараметрические математико-статистические методы и модели.
Например, используется математическая теория катастроф [294, с. 523–525].
Дисперсионный анализ
В отличие от корреляционного анализа этот метод позволяет выявлять не только взаимосвязь, но и зависимости между переменными, т. е. влияние различных факторов на исследуемый признак. Это влияние оценивается через дисперсионные отношения. Изменение изучаемого признака (вариативность) может быть вызвано действием отдельных известных исследователю факторов, их взаимодействием и воздействиями неизвестных факторов.
Дисперсионный анализ позволяет обнаружить и оценить вклад каждого из этих влияний на общую вариативность исследуемого признака. Метод позволяет быстро сузить поле влияющих на изучаемое явление условий, выделив наиболее существенные из них. Таким образом, дисперсионный анализ – это «исследование влияния переменных факторов на изучаемую переменную по дисперсиям» [364, с. 340]. В зависимости от числа влияющих переменных различают одно-, двух-, многофакторный анализ, а в зависимости от характера этих переменных
– анализ с постоянными, случайными или смешанными эффектами [87, 364, 407]. Дисперсионный анализ широко применяется при планировании эксперимента.
Факторный анализ
Метод позволяет снизить размерность пространства данных, т. е. обоснованно уменьшить количество измеряемых признаков (переменных) за счет их объединения в некоторые совокупности, выступающие как целостные единицы, характеризующие изучаемый объект. Эти составные единицы и называют в данном случае факторами, от которых надо отличать факторы дисперсионного анализа, представляющие собой отдельные признаки (переменные). Считается, что именно совокупность признаков в определенных комбинациях может характеризовать психическое явление или закономерность его развития, тогда как по отдельности или в других комбинациях эти признаки не дают информации. Как правило, факторы не видны на глаз, скрыты от непосредственного наблюдения. Особенно продуктивен факторный анализ в предварительных исследованиях, когда необходимо выделить в первом приближении скрытые закономерности в исследуемой области. Основой анализа является матрица корреляций, т. е. таблицы коэффициентов корреляции каждого признака со всеми остальными (принцип «все со всеми»). В зависимости от числа факторов в корреляционной матрице различают однофакторный (по
Спирмену), бифакторный (по Холзингеру) и многофакторный (по Тёрстону) анализы. По характеру
.связи между факторами метод делится на анализ с ортогональными (независимыми) и с облическими (зависимыми) факторами. Существуют и иные разновидности метода [35, 134, 199,
269, 394]. Весьма сложный математический и логический аппараты факторного анализа часто затрудняют выбор адекватного задачам исследования варианта метода. Тем не менее популярность его в научном мире растет с каждым годом.
Регрессионный анализ
Метод позволяет изучать зависимость среднего значения одной величины от вариаций другой
(других) величины. Специфика метода заключается в том, что рассматриваемые величины (или хотя бы одна из них) носят случайный характер. Тогда описание зависимости распадается на две задачи: 1) выявление общего вида зависимости и 2) уточнение этого вида путем вычисления оценок параметров зависимости. Для решения первой задачи стандартных методов не существует и здесь производится визуальный анализ корреляционной матрицы в сочетании с качественным анализом природы исследуемых величин (переменных). Это требует от исследователя высокой квалификации и эрудиции. Вторая задача, по сути, есть нахождение аппроксимирующей кривой. Чаще всего эта аппроксимация осуществляется с помощью математического метода наименьших квадратов [45, 116, 124]. Идея метода принадлежит Ф.
Гальтону, заметившему, что у очень высоких родителей дети были несколько меньше ростом, а у очень маленьких родителей – дети более рослые. Эту закономерность он и назвал регрессией.
4.7. Интерпретация результатов
4.7.1. Интерпретация как теоретическая обработка эмпирической информации
За количественной и качественной обработкой данных следует решающая фаза научного исследования – интерпретация результатов. Часто эту фазу называют теоретической обработкой, подчеркивая ее отличие от эмпирической статистической обработки. Эта фаза – наиболее захватывающий этап исследования, на котором особенно ярко проявляется творческий характер научного процесса.
Теоретическая обработка выполняет две главные функции: 1) преобразование статистически подготовленных данных («вторичных данных», результатов) в эмпирические знания и 2) получение на их базе теоретических знаний. Таким образом, на этом этапе особенно рельефно проявляется единство и взаимосвязь эмпирических и теоретических знаний.
На стадии выдвижения гипотез научная мысль направлена от теории к объекту исследования, на стадии интерпретации – от объекта (фактов) к теории. Эмпирические данные делают возможными вначале только высказывания о существовании или отсутствии признака (факта), о степени его выраженности, частоте появления и т. п. Цель дальнейшего теоретического проникновения в информационный материал состоит в том, чтобы, исходя из выдвинутых гипотез, научно обработать отдельные данные или их совокупность так, чтобы можно было: 1) определить отношения между данными и гипотезами; 2) произвести проверку исходных гипотез; 3) уточнить,
корреляции
произведений по К.Пирсону (г): r = xy/Nσ
x
σ
y
, где х – отклонение отдельного значения X от среднего выборки (М
х
); у – то же для Y; σ
х
– стандартное отклонение для X; σ
у
– то же для Y; N – число пар значений X и Y.
Рекомендации по анализу коэффициентов корреляции
1. R – это не процент соответствия переменных, а только степень связи.
2. Сравнение коэффициентов дает только неметрическуюинформацию, т. е. нельзя говорить,
на сколько или во сколько раз один больше или меньше другого. Они сравниваютсяв оценках
«равно – неравно», «больше – меньше». Можно сказать, что один коэффициент превышает
(слабо, заметно, очень заметно) другой, но какова величина этого превышения говорить нельзя.
3. Существуют явления, в которых заведомо известно, чтомежду ними слабая (или сильная) связь. Тогда R приобретает не абсолютный, а относительный характер. Так, для слабой связи R =
0,2 может считаться высоким показателем, а для сильной и R = 0,7 будет считаться низким.
4. Иногда и слабая корреляция заслуживает внимания, еслиэто обнаружено впервые, т. е. выявлена новая связь.
5. Надежность R зависит от надежности исходных данных.
4.6.3.5. Нормальное распределение
Мы уже знакомы с понятиями «распределение», «полигон» (или «частный полигон») и «кривая распределения». Частным случаем этих понятий является «нормальное распределение» и
«нормальная кривая». Но этот частный вариант очень важен при анализе любых научных данных, в том числе и психологических. Дело в том, что нормальное распределение, изображаемое графически нормальной кривой, есть идеальное, редко встречающееся в объективной действительности распределение. Но его использование многократно облегчает и упрощает обработку и объяснение получаемых в натуре данных. Более того, только для нормального распределения приведенные коэффициенты корреляции имеют истолкование в качестве меры тесноты связи, в других случаях они такой функции не несут, а их вычисление приводит к труднообъяснимым парадоксам.
В научных исследованиях обычно принимается допущение о нормальности распределения реальных данных и на этом основании производится их обработка, после чего уточняется и указывается, насколько реальное распределение отличается от нормального, для чего существует ряд специальных статистических приемов. Как правило, это допущение вполне приемлемо, так как большинство психических явлений и их характеристик имеют распределения, очень близкие к нормальному.
Так что же такое нормальное распределение и каковы его особенности, привлекающие ученых? Нормальным называется такое распределение величины, при котором вероятность ее появления и не появления является одинаковой. Классическая иллюстрация – бросание монеты.
Если монета правильна и броски выполняются одинаково, то выпадение «орла» или «решки» равновероятно. То есть «орел» с одинаковой вероятностью может выпасть и не выпасть, то же касается и «решки».
Мы ввели понятие «вероятность». Уточним его. Вероятность – это ожидаемая частота наступления события (появления – не появления величины). Выражается вероятность через дробь, в числителе которой – число сбывшихся событий (частота), а в знаменателе – предельно возможное число этих событий. Когда выборка (число возможных случаев) ограниченна, то лучше говорить не о вероятности, а о частости, с которой мы уже знакомы. Вероятность предполагает бесконечное число проб. Но на практике эта тонкость часто игнорируется.
Пристальный интерес математиков к теории вероятности в целом и к нормальному распределению в частности появляется в XVII веке в связи со стремлением участников азартных игр найти формулу максимального выигрыша при минимальном риске. Этими вопросами занялись знаменитые математики Я. Бернулли (1654-1705) и П. С. Лаплас (1749-1827). Первым математическое описание кривой, соединяющей отрезки диаграммы распределения вероятностей выпадения «орлов» при многократном бросании монет, дал Абрахам де Муавр
(1667-1754). Эта кривая очень близка к нормальной кривой, точное описание которой дал великий математик К. Ф. Гаусс (1777-1855), чье имя она и носит поныне. График и формула нормальной (Гауссовой) кривой выглядит следующим образом. где Р – вероятность (точнее, плотность вероятности), т. е. высота кривой над заданным значением Z; е – основание натурального логарифма (2.718...); π= 3.142...;
М – среднее выборки; σ – стандартное отклонение.
Свойства нормальной кривой
1. Среднее (М), мода (Мо) и медиана (Me) совпадают.
2. Симметричность относительно среднего М.
3. Однозначно определяется всего лишь двумя параметрами – М и о.
4. «Ветви» кривой никогда не пересекают абсциссу Z, асимптотически к ней приближаясь.
«равно – неравно», «больше – меньше». Можно сказать, что один коэффициент превышает
(слабо, заметно, очень заметно) другой, но какова величина этого превышения говорить нельзя.
3. Существуют явления, в которых заведомо известно, чтомежду ними слабая (или сильная) связь. Тогда R приобретает не абсолютный, а относительный характер. Так, для слабой связи R =
0,2 может считаться высоким показателем, а для сильной и R = 0,7 будет считаться низким.
4. Иногда и слабая корреляция заслуживает внимания, еслиэто обнаружено впервые, т. е. выявлена новая связь.
5. Надежность R зависит от надежности исходных данных.
4.6.3.5. Нормальное распределение
Мы уже знакомы с понятиями «распределение», «полигон» (или «частный полигон») и «кривая распределения». Частным случаем этих понятий является «нормальное распределение» и
«нормальная кривая». Но этот частный вариант очень важен при анализе любых научных данных, в том числе и психологических. Дело в том, что нормальное распределение, изображаемое графически нормальной кривой, есть идеальное, редко встречающееся в объективной действительности распределение. Но его использование многократно облегчает и упрощает обработку и объяснение получаемых в натуре данных. Более того, только для нормального распределения приведенные коэффициенты корреляции имеют истолкование в качестве меры тесноты связи, в других случаях они такой функции не несут, а их вычисление приводит к труднообъяснимым парадоксам.
В научных исследованиях обычно принимается допущение о нормальности распределения реальных данных и на этом основании производится их обработка, после чего уточняется и указывается, насколько реальное распределение отличается от нормального, для чего существует ряд специальных статистических приемов. Как правило, это допущение вполне приемлемо, так как большинство психических явлений и их характеристик имеют распределения, очень близкие к нормальному.
Так что же такое нормальное распределение и каковы его особенности, привлекающие ученых? Нормальным называется такое распределение величины, при котором вероятность ее появления и не появления является одинаковой. Классическая иллюстрация – бросание монеты.
Если монета правильна и броски выполняются одинаково, то выпадение «орла» или «решки» равновероятно. То есть «орел» с одинаковой вероятностью может выпасть и не выпасть, то же касается и «решки».
Мы ввели понятие «вероятность». Уточним его. Вероятность – это ожидаемая частота наступления события (появления – не появления величины). Выражается вероятность через дробь, в числителе которой – число сбывшихся событий (частота), а в знаменателе – предельно возможное число этих событий. Когда выборка (число возможных случаев) ограниченна, то лучше говорить не о вероятности, а о частости, с которой мы уже знакомы. Вероятность предполагает бесконечное число проб. Но на практике эта тонкость часто игнорируется.
Пристальный интерес математиков к теории вероятности в целом и к нормальному распределению в частности появляется в XVII веке в связи со стремлением участников азартных игр найти формулу максимального выигрыша при минимальном риске. Этими вопросами занялись знаменитые математики Я. Бернулли (1654-1705) и П. С. Лаплас (1749-1827). Первым математическое описание кривой, соединяющей отрезки диаграммы распределения вероятностей выпадения «орлов» при многократном бросании монет, дал Абрахам де Муавр
(1667-1754). Эта кривая очень близка к нормальной кривой, точное описание которой дал великий математик К. Ф. Гаусс (1777-1855), чье имя она и носит поныне. График и формула нормальной (Гауссовой) кривой выглядит следующим образом. где Р – вероятность (точнее, плотность вероятности), т. е. высота кривой над заданным значением Z; е – основание натурального логарифма (2.718...); π= 3.142...;
М – среднее выборки; σ – стандартное отклонение.
Свойства нормальной кривой
1. Среднее (М), мода (Мо) и медиана (Me) совпадают.
2. Симметричность относительно среднего М.
3. Однозначно определяется всего лишь двумя параметрами – М и о.
4. «Ветви» кривой никогда не пересекают абсциссу Z, асимптотически к ней приближаясь.
5. При М = 0 и о =1 получаем единичную нормальную кривую, так как площадь под ней равна 1.
6. Для единичной кривой: Р
м
= 0.3989, а площадь под кривой в диапазоне:
-σ до +σ = 68.26%; -2σ до + 2σ = 95.46%; -Зσ до + Зσ = 99.74%.
7. Для неединичных нормальных кривых (М ≠0, σ ≠1) закономерность по площадям сохраняется.
Разница – в сотых долях.
Вариации нормального распределения
Представленные ниже вариации относятся не только к нормальному распределению, но к любому. Однако для наглядности мы их приводим здесь.
1. Асимметрия – неодинаковость распределения относительно центрального значения.
Рис. 6. Графики асимметричного распределения
Асимметрия – третий показатель, описывающий распределение наряду с мерами центральной тенденции и изменчивостью. Эксцесс – показатель, характеризующий скорость нарастания концентрации данных к центральному значению. На графиках это выражается
«островершинностью» или «плосковершинностью».
Эксцесс – четвертый основной показатель распределения. 3. Бимодальность – распределение с двумя классами данных в выборке. Об этом эффекте уже говорилось при рассмотрении моды (Мо). На графике это выражается «двувершинностью».
4.6.3.6. Некоторые методы статистического анализа данных при вторичной обработке
Внедрение в научные исследования вычислительной техники позволяет быстро и точно определять любые количественные характеристики любых массивов данных. Разработаны различные программы для ЭВМ, по которым можно проводить соответствующий статистический анализ практически любых выборок. Из массы статистических приемов в психологии наибольшее распространение получили следующие.
Комплексное вычисление статистик
По стандартным программам производится вычисление различных совокупностей статистик.
Как основных, представленных нами выше, так и дополнительных, не включенных в наш обзор.
Иногда получением этих характеристик исследователь и ограничивается. Чаще же совокупность этих статистик представляет собой лишь блок, входящий в более широкое множество показателей изучаемой выборки, получаемое по более сложным программам. В том числе по программам, реализующим приводимые ниже методы статистического анализа.
Корреляционный анализ
Сводится к вычислению коэффициентов корреляции в самых разнообразных соотношениях между переменными. Соотношения задаются исследователем, а переменные равнозначны, т. е. что являются причиной, а что следствием, установить через корреляцию невозможно. Кроме тесноты и направленности связей' метод позволяет установить форму связи (линейность, нелинейность) [27, 124]. Надо заметить, что нелинейные связи не поддаются анализу общепринятыми в психологии математическими и статистическими методами. Данные, относящиеся к нелинейным зонам (например, в точках разрыва связей, в местах скачкообразных изменений), характеризуют через содержательные описания, воздерживаясь от формально- количественного их представления; [84, с. 17–23]. Иногда для описания нелинейных явлений в психологии удается применить непараметрические математико-статистические методы и модели.
Например, используется математическая теория катастроф [294, с. 523–525].
Дисперсионный анализ
В отличие от корреляционного анализа этот метод позволяет выявлять не только взаимосвязь, но и зависимости между переменными, т. е. влияние различных факторов на исследуемый признак. Это влияние оценивается через дисперсионные отношения. Изменение изучаемого признака (вариативность) может быть вызвано действием отдельных известных исследователю факторов, их взаимодействием и воздействиями неизвестных факторов.
Дисперсионный анализ позволяет обнаружить и оценить вклад каждого из этих влияний на общую вариативность исследуемого признака. Метод позволяет быстро сузить поле влияющих на изучаемое явление условий, выделив наиболее существенные из них. Таким образом, дисперсионный анализ – это «исследование влияния переменных факторов на изучаемую переменную по дисперсиям» [364, с. 340]. В зависимости от числа влияющих переменных различают одно-, двух-, многофакторный анализ, а в зависимости от характера этих переменных
– анализ с постоянными, случайными или смешанными эффектами [87, 364, 407]. Дисперсионный анализ широко применяется при планировании эксперимента.
Факторный анализ
Метод позволяет снизить размерность пространства данных, т. е. обоснованно уменьшить количество измеряемых признаков (переменных) за счет их объединения в некоторые совокупности, выступающие как целостные единицы, характеризующие изучаемый объект. Эти составные единицы и называют в данном случае факторами, от которых надо отличать факторы дисперсионного анализа, представляющие собой отдельные признаки (переменные). Считается, что именно совокупность признаков в определенных комбинациях может характеризовать психическое явление или закономерность его развития, тогда как по отдельности или в других комбинациях эти признаки не дают информации. Как правило, факторы не видны на глаз, скрыты от непосредственного наблюдения. Особенно продуктивен факторный анализ в предварительных исследованиях, когда необходимо выделить в первом приближении скрытые закономерности в исследуемой области. Основой анализа является матрица корреляций, т. е. таблицы коэффициентов корреляции каждого признака со всеми остальными (принцип «все со всеми»). В зависимости от числа факторов в корреляционной матрице различают однофакторный (по
Спирмену), бифакторный (по Холзингеру) и многофакторный (по Тёрстону) анализы. По характеру
.связи между факторами метод делится на анализ с ортогональными (независимыми) и с облическими (зависимыми) факторами. Существуют и иные разновидности метода [35, 134, 199,
269, 394]. Весьма сложный математический и логический аппараты факторного анализа часто затрудняют выбор адекватного задачам исследования варианта метода. Тем не менее популярность его в научном мире растет с каждым годом.
Регрессионный анализ
Метод позволяет изучать зависимость среднего значения одной величины от вариаций другой
(других) величины. Специфика метода заключается в том, что рассматриваемые величины (или хотя бы одна из них) носят случайный характер. Тогда описание зависимости распадается на две задачи: 1) выявление общего вида зависимости и 2) уточнение этого вида путем вычисления оценок параметров зависимости. Для решения первой задачи стандартных методов не существует и здесь производится визуальный анализ корреляционной матрицы в сочетании с качественным анализом природы исследуемых величин (переменных). Это требует от исследователя высокой квалификации и эрудиции. Вторая задача, по сути, есть нахождение аппроксимирующей кривой. Чаще всего эта аппроксимация осуществляется с помощью математического метода наименьших квадратов [45, 116, 124]. Идея метода принадлежит Ф.
Гальтону, заметившему, что у очень высоких родителей дети были несколько меньше ростом, а у очень маленьких родителей – дети более рослые. Эту закономерность он и назвал регрессией.
4.7. Интерпретация результатов
4.7.1. Интерпретация как теоретическая обработка эмпирической информации
За количественной и качественной обработкой данных следует решающая фаза научного исследования – интерпретация результатов. Часто эту фазу называют теоретической обработкой, подчеркивая ее отличие от эмпирической статистической обработки. Эта фаза – наиболее захватывающий этап исследования, на котором особенно ярко проявляется творческий характер научного процесса.
Теоретическая обработка выполняет две главные функции: 1) преобразование статистически подготовленных данных («вторичных данных», результатов) в эмпирические знания и 2) получение на их базе теоретических знаний. Таким образом, на этом этапе особенно рельефно проявляется единство и взаимосвязь эмпирических и теоретических знаний.
На стадии выдвижения гипотез научная мысль направлена от теории к объекту исследования, на стадии интерпретации – от объекта (фактов) к теории. Эмпирические данные делают возможными вначале только высказывания о существовании или отсутствии признака (факта), о степени его выраженности, частоте появления и т. п. Цель дальнейшего теоретического проникновения в информационный материал состоит в том, чтобы, исходя из выдвинутых гипотез, научно обработать отдельные данные или их совокупность так, чтобы можно было: 1) определить отношения между данными и гипотезами; 2) произвести проверку исходных гипотез; 3) уточнить,
расширить, модифицировать и т. д. имеющиеся гипотезы и развить их до уровня теоретических высказываний; 4) гипотетическое объяснение проблемы довести до уровня решения этой проблемы.
Если статистическая обработка охватывает количественный аспект психологических явлений, то интерпретация делает видимым и их качественный аспект.
Чаще всего под интерпретацией понимают две процедуры: объяснение и обобщение. Так, В.
Феттер пишет: «Содержание и цель процесса теоретической обработки эмпирических данных заключается в том, чтобы объяснить значение отдельных результатов, объединить их в обобщающие высказывания, свести в одну систему» [376, с. 501]. И с этим нельзя не согласиться.
Однако представляется, что пределы теоретической обработки и соответственно интерпретационного этапа исследования следует несколько расширить.
Объяснить и обобщить что-либо невозможно, не имея полноценного описания этого самого чего-либо. На этапе обработки данных производится лишь самое предварительное описание.
Количественная обработка дает описание не столько самого объекта (или предмета) изучения, сколько описание совокупности данных о нем на специфическом языке количественных параметров. Качественная обработка дает предварительное схематическое описание объекта как совокупности его свойств или как представителя той или иной группы сходных объектов. Далее требуется дать предельно полное описание изучаемого явления на естественном языке с использованием при необходимости специальной терминологии и специфической символики
(математической, логической, графической и т. п.). В принципе подобное описание может быть самостоятельной целью исследования (об этом уже говорилось), и тогда на нем может завершиться исследовательский цикл. Особенно весомы системные описания, которые уже сами по себе могут выполнять объяснительную и предсказательную функции [80]. Но чаще все-таки описание является лишь предтечей последующих теоретических действий. Важность описания в полном цикле научного исследования подчеркивается тем, что некоторые ученые выделяют его как самостоятельный отдельный этап наряду с этапами эксперимента, обработки данных, объяснения и др. [255]. Новместе с тем без элементарных описаний (пусть даже чисто номинативного характера) не обходится практически ни один этап исследовательского процесса от постановки проблемы до выводов.
В связи с такой двойственностью положения этого компонента научного исследования наиболее логичным будет специальное выделение фазы полномасштабного завершающего описания, но не на эмпирическом уровне изучения объекта, а на уровне его теоретического осмысления. Тогда наиболее приемлемым решением будет включение фазы описания в интерпретационный этап исследования. Такое решение тем более логично, что в науке устоялось мнение о единстве описания и объяснения действительности. При этом считается, что в философском плане описание дает представление о форме объекта, а объяснение раскрывает
его содержание, описание соотносится с философской категорией «явление», а объяснение – с
«сущностью» [204, 255].
Раздвинуть границы интерпретационного этапа необходимо и в другом направлении: в сторону выводов. В состав этапа целесообразно включить процесс экстраполяции состояний, поведения или свойств изучаемого объекта. Если эта экстраполяция направлена в будущее, то речь идет о прогнозе и предсказании, основанных на причинных связях и объяснениях. Если же экстраполяция направлена в прошлое, – это ретрогноз, ретросказание, основанное на следственных связях и объяснениях.
Дополнив таким образом стадию интерпретации, мы не упустим основных элементов теоретической обработки эмпирического материала, обеспечивающих выполнение важнейших
функций науки: описательной, объяснительной и прогнозирующей. Не умаляя роли ни одного из этих элементов, объяснение и обобщение все же следует признать ключевыми звеньями в общей цепи теоретических познавательных действий.
4.7.2. Объяснение результатов
4.7.2.1. Общее представление об объяснении
Итак, обработка данных приводит лишь к констатации некоторых фактов, касающихся изучаемого объекта. Описание дает констатирующее представление об объекте в целом. Далее следует найти объяснение обнаруженным фактам и раскрыть сущность объекта. Именно в выяснении сущности объекта заключается смысл объяснения [121, 204, 255, 270], хотя немалое число ученых (особенно позитивистского направления) считают, что объяснение – это сведение непривычного к привычному, незнакомого к знакомому. Близко к такому видению объяснения и определение, данное одним из авторитетов психологической науки П. Фрессом: «Дать объяснение – это значит в каждом конкретном случае определить, не является ли установленный
Если статистическая обработка охватывает количественный аспект психологических явлений, то интерпретация делает видимым и их качественный аспект.
Чаще всего под интерпретацией понимают две процедуры: объяснение и обобщение. Так, В.
Феттер пишет: «Содержание и цель процесса теоретической обработки эмпирических данных заключается в том, чтобы объяснить значение отдельных результатов, объединить их в обобщающие высказывания, свести в одну систему» [376, с. 501]. И с этим нельзя не согласиться.
Однако представляется, что пределы теоретической обработки и соответственно интерпретационного этапа исследования следует несколько расширить.
Объяснить и обобщить что-либо невозможно, не имея полноценного описания этого самого чего-либо. На этапе обработки данных производится лишь самое предварительное описание.
Количественная обработка дает описание не столько самого объекта (или предмета) изучения, сколько описание совокупности данных о нем на специфическом языке количественных параметров. Качественная обработка дает предварительное схематическое описание объекта как совокупности его свойств или как представителя той или иной группы сходных объектов. Далее требуется дать предельно полное описание изучаемого явления на естественном языке с использованием при необходимости специальной терминологии и специфической символики
(математической, логической, графической и т. п.). В принципе подобное описание может быть самостоятельной целью исследования (об этом уже говорилось), и тогда на нем может завершиться исследовательский цикл. Особенно весомы системные описания, которые уже сами по себе могут выполнять объяснительную и предсказательную функции [80]. Но чаще все-таки описание является лишь предтечей последующих теоретических действий. Важность описания в полном цикле научного исследования подчеркивается тем, что некоторые ученые выделяют его как самостоятельный отдельный этап наряду с этапами эксперимента, обработки данных, объяснения и др. [255]. Новместе с тем без элементарных описаний (пусть даже чисто номинативного характера) не обходится практически ни один этап исследовательского процесса от постановки проблемы до выводов.
В связи с такой двойственностью положения этого компонента научного исследования наиболее логичным будет специальное выделение фазы полномасштабного завершающего описания, но не на эмпирическом уровне изучения объекта, а на уровне его теоретического осмысления. Тогда наиболее приемлемым решением будет включение фазы описания в интерпретационный этап исследования. Такое решение тем более логично, что в науке устоялось мнение о единстве описания и объяснения действительности. При этом считается, что в философском плане описание дает представление о форме объекта, а объяснение раскрывает
его содержание, описание соотносится с философской категорией «явление», а объяснение – с
«сущностью» [204, 255].
Раздвинуть границы интерпретационного этапа необходимо и в другом направлении: в сторону выводов. В состав этапа целесообразно включить процесс экстраполяции состояний, поведения или свойств изучаемого объекта. Если эта экстраполяция направлена в будущее, то речь идет о прогнозе и предсказании, основанных на причинных связях и объяснениях. Если же экстраполяция направлена в прошлое, – это ретрогноз, ретросказание, основанное на следственных связях и объяснениях.
Дополнив таким образом стадию интерпретации, мы не упустим основных элементов теоретической обработки эмпирического материала, обеспечивающих выполнение важнейших
функций науки: описательной, объяснительной и прогнозирующей. Не умаляя роли ни одного из этих элементов, объяснение и обобщение все же следует признать ключевыми звеньями в общей цепи теоретических познавательных действий.
4.7.2. Объяснение результатов
4.7.2.1. Общее представление об объяснении
Итак, обработка данных приводит лишь к констатации некоторых фактов, касающихся изучаемого объекта. Описание дает констатирующее представление об объекте в целом. Далее следует найти объяснение обнаруженным фактам и раскрыть сущность объекта. Именно в выяснении сущности объекта заключается смысл объяснения [121, 204, 255, 270], хотя немалое число ученых (особенно позитивистского направления) считают, что объяснение – это сведение непривычного к привычному, незнакомого к знакомому. Близко к такому видению объяснения и определение, данное одним из авторитетов психологической науки П. Фрессом: «Дать объяснение – это значит в каждом конкретном случае определить, не является ли установленный
тип отношений частным случаем известного и уже более или менее проверенного более общего закона» [388, с. 151].
Объяснения психологическим явлениям могут быть разные, нопри этом важно не впасть в часто встречающуюся ошибку – принять какую-нибудь частную причину за главную. Вариантом такого заблуждения является единственное объяснение, если возможны и другие. А в психологии такие возможности – скорее правило, нежели исключение. Например, объяснить механизм памяти нельзя только через биохимические теории (на уровне нервной клетки), только через нейрофизиологические (на уровне нейронных групп) или только через психологические (на уровне ассоциативных связей между образами и понятиями). Все три системы объяснения являются адекватными, но ни одна из них не является достаточной. Памятуя о принципах дополнительности и соответствия, принять следует все три объяснения в комплексе.
В зависимости от характера объясняющих суждений и положений в науке различают следующие основные типы объяснений: субстанциальные, атрибутивные, генетические, контрагенетические, структурные [255]. Субстанциальное объяснение состоит в раскрытии субстрата, с которым объект закономерно связан. В психологии этот тип объяснения реализуется через указания на физиологические основы психики, на ее материальный субстрат – нервную систему.
Атрибутивное объяснение раскрывает закономерные связи объекта с его атрибутами.
Атрибут – это неэлиминируемое, неотъемлемое свойство объектов. Так, объяснение сознания может производиться через указание и раскрытие таких его качеств, как идеальность, целостность, рефлексивность и проч.
Генетическое объяснение осуществляется через обращение к предшествующим состояниям объекта. Предполагается, что знание причины (прошлого) объясняет следствие (настоящее).
Поэтому такие объяснения называют еще и причинными. К такого типа объяснениям часто прибегают в терапевтической практике. Психоанализ Фрейда дает классические образцы подобных объяснений. Контрагенетическое, или следственное, объяснение обратно генетическому и апеллирует к последующим состояниям объекта: зная нынешнее состояние
(следствие), можно объяснить прошлые (причины). Например, изучив напряженную ситуацию в коллективе, возможно вскрыть причины конфликтов.
Структурное объяснение реализуется через установление элементного состава объекта и способов сочетания этих элементов в единое целое (внутренняя структура) либо через выявление места объекта в совокупности других объектов (внешняя структура). Особая разновидность этого типа объяснения, приобретающая все большую популярность в науке, –
микроструктурные объяснения. Они позволяют через микроструктуру познать и объяснить явления макроуровня. Впечатляют плоды внедрения микроструктурных объяснений в такие области знания, как атомная физика, теория света, кинетическая теория теплоты, биохимия, генетика, молекулярная биология. Не упускает своего шанса и психология [91, 130].
Приведенные виды объяснений в научной практике чаще используются в комплексе, образуя различные комбинации.
Нередки симбиозные варианты объяснения, использующие одновременно различные характеристики объекта: структурно-генетические, атрибутивно- субстанциальные, структурно-функциональные. Применение таких смешанных объяснений или их комплексов характерно для объяснения наиболее сложных явлений действительности, к которым в первую очередь относятся явления жизни [254].
Среди явлений жизни наиболее сложными считаются психические явления. Их объяснения, естественно, имеют определенную специфику.
4.7.2.2. Виды объяснения в психологии
В психологии спектр возможных объяснений одного и того же явления шире, чем в других науках. Главная причина такого положения – в чрезвычайной сложности и объекта, и предмета исследования психологии.
Человек и его психика
– системы многоуровневые и многокомпонентные, выступающие одновременно в различных ипостасях. При объяснении часто затрагивается только одна какая-нибудь сторона, один какой-нибудь уровень. Неоднородность (и структурная, и функциональная) психики, с одной стороны, и ее целостность, с другой, предопределяют сложность и многофакторность связей в психических проявлениях. Анализируя, т. е. расчленяя психику, легче найти объяснительный принцип отдельным психическим фактам.
Но искусственность такого разделения чревата указанными ошибками. Научный синтез не всегда их преодолевает. Часто объяснение сводится к привязке к какой-либо «модели». Многообразие же таких моделей в психологии чрезвычайно велико, что в конечном итоге так же умножает вариативность объяснений в психологии. Каждый вариант объяснительной модели обусловлен теоретическими и методологическими позициями ее автора, его компетентностью в данной и смежных областях знания. Зачастую модели определяются и методом, используемым при
Объяснения психологическим явлениям могут быть разные, нопри этом важно не впасть в часто встречающуюся ошибку – принять какую-нибудь частную причину за главную. Вариантом такого заблуждения является единственное объяснение, если возможны и другие. А в психологии такие возможности – скорее правило, нежели исключение. Например, объяснить механизм памяти нельзя только через биохимические теории (на уровне нервной клетки), только через нейрофизиологические (на уровне нейронных групп) или только через психологические (на уровне ассоциативных связей между образами и понятиями). Все три системы объяснения являются адекватными, но ни одна из них не является достаточной. Памятуя о принципах дополнительности и соответствия, принять следует все три объяснения в комплексе.
В зависимости от характера объясняющих суждений и положений в науке различают следующие основные типы объяснений: субстанциальные, атрибутивные, генетические, контрагенетические, структурные [255]. Субстанциальное объяснение состоит в раскрытии субстрата, с которым объект закономерно связан. В психологии этот тип объяснения реализуется через указания на физиологические основы психики, на ее материальный субстрат – нервную систему.
Атрибутивное объяснение раскрывает закономерные связи объекта с его атрибутами.
Атрибут – это неэлиминируемое, неотъемлемое свойство объектов. Так, объяснение сознания может производиться через указание и раскрытие таких его качеств, как идеальность, целостность, рефлексивность и проч.
Генетическое объяснение осуществляется через обращение к предшествующим состояниям объекта. Предполагается, что знание причины (прошлого) объясняет следствие (настоящее).
Поэтому такие объяснения называют еще и причинными. К такого типа объяснениям часто прибегают в терапевтической практике. Психоанализ Фрейда дает классические образцы подобных объяснений. Контрагенетическое, или следственное, объяснение обратно генетическому и апеллирует к последующим состояниям объекта: зная нынешнее состояние
(следствие), можно объяснить прошлые (причины). Например, изучив напряженную ситуацию в коллективе, возможно вскрыть причины конфликтов.
Структурное объяснение реализуется через установление элементного состава объекта и способов сочетания этих элементов в единое целое (внутренняя структура) либо через выявление места объекта в совокупности других объектов (внешняя структура). Особая разновидность этого типа объяснения, приобретающая все большую популярность в науке, –
микроструктурные объяснения. Они позволяют через микроструктуру познать и объяснить явления макроуровня. Впечатляют плоды внедрения микроструктурных объяснений в такие области знания, как атомная физика, теория света, кинетическая теория теплоты, биохимия, генетика, молекулярная биология. Не упускает своего шанса и психология [91, 130].
Приведенные виды объяснений в научной практике чаще используются в комплексе, образуя различные комбинации.
Нередки симбиозные варианты объяснения, использующие одновременно различные характеристики объекта: структурно-генетические, атрибутивно- субстанциальные, структурно-функциональные. Применение таких смешанных объяснений или их комплексов характерно для объяснения наиболее сложных явлений действительности, к которым в первую очередь относятся явления жизни [254].
Среди явлений жизни наиболее сложными считаются психические явления. Их объяснения, естественно, имеют определенную специфику.
4.7.2.2. Виды объяснения в психологии
В психологии спектр возможных объяснений одного и того же явления шире, чем в других науках. Главная причина такого положения – в чрезвычайной сложности и объекта, и предмета исследования психологии.
Человек и его психика
– системы многоуровневые и многокомпонентные, выступающие одновременно в различных ипостасях. При объяснении часто затрагивается только одна какая-нибудь сторона, один какой-нибудь уровень. Неоднородность (и структурная, и функциональная) психики, с одной стороны, и ее целостность, с другой, предопределяют сложность и многофакторность связей в психических проявлениях. Анализируя, т. е. расчленяя психику, легче найти объяснительный принцип отдельным психическим фактам.
Но искусственность такого разделения чревата указанными ошибками. Научный синтез не всегда их преодолевает. Часто объяснение сводится к привязке к какой-либо «модели». Многообразие же таких моделей в психологии чрезвычайно велико, что в конечном итоге так же умножает вариативность объяснений в психологии. Каждый вариант объяснительной модели обусловлен теоретическими и методологическими позициями ее автора, его компетентностью в данной и смежных областях знания. Зачастую модели определяются и методом, используемым при