Комп’ютерні методи аналізу психодіагностичних даних

Аналіз даних – напрямок інформаційної технології, який включає в себе сукупність методів і засобів добування, певним чином організованих даних, інформації для прийняття рішення.

В психодіагностиці аналіз психодіагностичних даних широко застосовується на двох основних напрямках психодіагностичної практики [Дюк, 1994]:

1) при створенні нового психодіагностичного інструментарію;

2) при обробці результатів психодіагностичного експерименту.

Методи аналізу даних можуть реалізуватися як із застосуванням засобів механізації і автоматизації, так і без них. Автоматизація методів аналізу даних реалізуються на комп’ютерах різного класу, як правило у вигляді прикладних програм загального призначення та спеціалізованих програм для даної галузі. В даний час світовий ринок програмного забезпечення пропонує велику кількість пакетів і програм для статистичного аналізу даних. Ці пакети поділяють на методо-орієнтовані, проблемно-орієнтовані й універсальні. Широке коло задач, що виникають при конструюванні психодіагностичних тестів і аналізі результатів експериментально-психологічних досліджень, обумовлюють особливу популярність універсальних пакетів. До складу пакетів таких програм входять відомі процедури дисперсійного, факторного, дискримінантного, кластерного аналізу, а також інші процедури прикладної статистики. Ці процедури активно експлуатуються при проведенні психодіагностичних досліджень.

На погляд науковців та фахівців психодіагностики, традиційний психологічний експеримент застиг на одній елементарній схемі. Формальні операції обробки результатів психодіагностичного тестування, як правило, полягають в аналізі збігу відповідей обстежуваного з так званим “ключем”, який представляє собою заздалегідь відомий перелік відповідей, “працюючих” на прояв психологічної характеристики, що діагностується. Дуже часто просто підраховується число збігів, рідше вони просумовуються з певними ваговими коефіцієнтами. Подібні процедури, в яких відповіді обстежуваних на пункти тесту мають роль первинних (вихідних) дихотомічних ознак, а результат обчислюється у вигляді зваженої суми, відноситься до відомого в прикладній статистиці класу лінійних діагностичних правил.

Лінійні діагностичні правила на цей час превалюють в психодіагностиці, але адекватність їх використання для вирішення багатьох задач диференціальної психометрики викликають певні сумніви. Властивості цих правил добре вивчені. З їх допомогою вдається одержати корисні наукові і ефективні практичні результати тоді, коли розподілення емпіричних об’єктів в багатовимірному просторі ознак мають порівняно прості структури (наприклад, коли полярні діагностичні класи утворюють компактні геометричні, розділені в просторі угрупування). Таке допущення в психодіагностиці не завжди буває справедливим. Частіше, при проектуванні тестів експериментатору приходиться мати справу з поліморфними діагностичними класами, які формуються на основі інтегральних зовнішніх критеріїв. В цих умовах застосування лінійних діагностичних правил принципово обмежує можливості видобування цінної інформації, яка може бути саме в особливостях структури експериментальних даних.

Уже в рамках традиційного лінійного підходу реалізація повномасштабних психометричних досліджень потребує застосування комп’ютерної техніки. В той же час сучасні комп’ютери з їх спроможністю виконувати з високою швидкістю великі обсяги розрахункових і логічних операцій дають можливість використовувати для аналізу даних і конструювання психодіагностичних тестів більш ефективні підходи, які дозволяють використовувати у більш повній мірі складну структуру психодіагностичної інформації. Йдеться про методи, які при „ручній” обробці мало використовувалися через їх складність (регресійний, дисперсійний, факторний аналіз та ін). Оперативна обробка дає можливість не тільки оцінювати одержані результати, але і моделювати інші варіанти для вивчення, що є актуальним в дослідженнях компенсаторних механізмів, взаємовпливів психічних процесів, взаємостосунків в групі і т.д.;

В останній час усе більше дослідників бачить реальну альтернативу традиційним психодіагностичним методам (як при створенні нового психодіагностичного інструментарію, так і при аналізі даних психодіагностичного експерименту) у застосуванні методів теорії розпізнавання образів, яка бере свій початок саме з дослідження психологічних феноменів з одного боку і пошуком нових шляхів аналізу складної експериментально-психологічної інформації з другого. На цей час відома велика кількість математичних моделей, які можуть бути застосованими для вирішення задач розпізнавання образів. Усі ці моделі спираються на геометричне зображення і тлумачення характеристик об’єктів, що розпізнаються у просторі ознак.

Великий арсенал алгоритмів розпізнання образів широко використовується в самих різних галузях науки і техніки. Однак в психодіагностиці, нажаль поки що, ця теорія не знаходить належного застосування. Пояснюється це тим, що:

· об’єкт дослідження – психіка людини – є дуже складним за природою;

· перша причина тягне за собою другу – висока розмірність моделі;

· перше і друге призводить до складної і часто не передбачуваної структури розпізнання класів в просторі ознак;

· названі труднощі ускладнюються розмитістю і нечіткістю психодіагностичних критеріїв.

Головною з перелічених труднощів, яка накладає обмеження на застосування методу розпізнавання образів є велика розмірність простору ознак, якими повинен оперувати дослідник при проведенні психодіагностичних досліджень, Підвищення розмірності, як правило, веде до експоненціального росту складності алгоритмів. Тільки з появою високопродуктивних комп’ютерів виникає реальна можливість використання цього математичного апарату аналізу даних спеціалістами у галузі психодіагностики в якості реальної перспективи удосконалення психодіагностики.

Суміщення сучасних методів аналізу з організацією баз психодіагностичних даних дозволяє розширити можливості традиційних психодіагностичних методик і конструювати нові процедури, що відповідають змінній структурі потреб людини в суспільстві.