В. Обобщение данных путем группировки испытуемых.

Обобщение данных представляет собой группировку испытуемых по степени их близости в пространстве измеряемых признаков, то есть на матрице данных выделяются группы похожих испытуемых.

Существуют два основных варианта постановки задачи: 1) группировка испытуемых на незаданные группы; 2) группировка испытуемых на заданные группы.

1. Задача группировки испытуемых на незаданные группы. Этот вариант задачи формулируется следующим образом: имеется многомерное психологическое описание выборки испытуемых и требуется осуществить их разделение на однородные группы, то есть такое разделение, при котором в составе выделенных групп оказались бы испытуемые, похожие по психологическим характеристикам. Такая постановка задачи группировки испытуемых соответствует интуитивным представлениям о типе личности.

Для решения этой задачи используется кластерный анализ, который разработан в рамках математической теории распознавания образов. Кластерный анализ - метод автоматической классификации, предназ­наченный для анализа структуры взаимного расположения испытуемых в пространстве измеряемых признаков. Он позволяет производить объективную классификацию испытуемых по большому набору признаков и основывается на гипотезе “компактности”. Если представить каждого испытуемого в виде точки в многомерном пространстве признаков, то естественно предположить, что геометрическая близость точек в этом пространстве указывает на похожесть соответствующих испытуемых.

Методы кластерного анализа (автоматической классификации) дают возможность получать сокращенное описание распределения испытуемых путем выделения их скоплений в пространстве исследуемых признаков.

Под структурой множества испытуемых в этом случае понимается взаимное расположение этих скоплений, их размеры и число испытуемых в каждом скоплении. В результате разбиения множества испытуемых на типы, соответствующие скоплениям похожих испытуемых, получаем описание распределения испытуемых на выделенные типы. В этом случае каждый испытуемый характеризуется уже не исходным набором признаков, а принадлежностью к тому или иному типу.

Если типы выделяются хорошо, то принадлежность испытуемого к некоторому типу характеризует и положение испытуемого в исходном пространстве признаков, хотя и более грубо, чем его задание набором призна­ков.

Таким образом, в результате кластерного анализа (автоматической клас­сификации) матрица данных разбивается по строкам на подматрицы, каждая из которых соответствует группе похожих между собой испытуемых. Это позволяет “сжать" информацию, представленную в исходной матрице данных, с большим числом строк и построить новую матрицу с меньшим количеством строк, равным числу выделенных типов испытуемых.

В отличие от методов факторного анализа, которые разбивают матрицу данных на вертикальные полоски, методы кластерного анализа производят разбиение матрицы данных на горизонтальные полоски. При этом каждая горизонтальная полоска соответствует одному типу испытуемых, пред­ставители которого являются близкими по значениям всего набора используемых признаков.

2. Задача группировки испытуемых на заданные группы. При решении этой задачи предполагается, что имеются результаты многомерного психологического обследования нескольких групп испытуемых и о каждом испытуемом заранее известно, к какой группе он принадлежит. Например, в задаче профотбора это могут быть группы хороших и плохих специалистов, при исследовании полового диморфизма - это испытуемые разного пола, при педагогических исследованиях - это группы школьников, различающихся по успешности обучения, дисциплинированности, общественной активности, возрасту и т.п.

Задача заключается в том, чтобы найти правило разбиения испытуемых на заданные группы по психологическим характеристикам.

В настоящее время для решения этой задачи с успехом используются алгоритмы обучения по распознаванию образов с учителем. Все они основы­ваются на предположении, что существует такое многомерное пространство психологических характеристик, в котором точки, представляющие испытуемых одной группы, расположены кучно и “далеко” от точек, представляющих испытуемых другой группы.

В этом случае может быть построена простая поверхность, разделяющая испытуемых разных групп. Программы распознавания образов различаются между собой, в частности, типом разделяющих поверхностей и способом их построения.

Для того чтобы найти разделяющую поверхность, испытуемые представляются в виде векторов (упорядоченной совокупности значений индивидуальных характеристик личностных признаков), затем выбирается некоторое количество векторов первой и второй групп (при классификации на две группы) и проводится обучение. В результате программа формирует разделяющее правило (в виде набора признаков или уравнения разделяющей поверхности), с помощью которого можно по значениям психологических признаков определить, к какой группе принадлежит испытуемый. Это оказывается возможным, если каждой группе испытуемых соответствует своя область в многомерном пространстве психологических признаков, так как тогда группы хорошо разделяются сравнительно простыми поверхностями.

Таким образом, очевидно, что обе постановки задачи группировки испытуемых (с учителем и без него) достаточно близки. И хотя при группировке на незаданные группы не существует априорных групп, а задача заключается в нахождении формального способа группировки испыт“емых, подходы к ее постановке и решению общие и базируются на гипотезе компактности”.

Дата добавления: 2015-07-16