Расколотый мир. Опыт анализа психодинамики личности человека в экстремальных условиях жизнедеятельно

Следующий экспериментальный план предполагает сравнение двух групп на основе их однократного тестирования. Схема плана выглядит следующим образом:

Этот план позволяет уже контролировать влияние побочных условий на проведение эксперимента, так как обе группы должны находиться в одинаковых условиях. Однако в этой случае исследователям ничего неизвестно о том, каковы были эти группы до осуществления экспериментального воздействия, а следовательно, различия между D^э и D^к могут быть результатом изначальных различий групп по тем или иным свойствам. Легко видеть, что объединение второго и третьего экспериментальных планов позволяет контролировать (в смысле уравнивания для контрольной и экспериментальной групп) все угрозы внутренней валидности. В результате такого объединения мы получим четвертый экспериментальный план, который иногда называют собственно экспериментальный в отличие от предыдущих – доэкспериментальных. Схема этого плана такова:

Этот план может быть использован при проведении основного эксперимента. В этом случае на выходе исследователь имеет четыре матрицы первичных данных, которые характеризуют начальные и конечные состояния обеих групп. Следует, однако, помнить, что данный план позволяет лишь уравнять все побочные влияния для обеих групп, т. е. обеспечивает одинаковое смещение всех экспериментальных оценок, но не позволяет узнать, каково это смещение. Такой план, следовательно, представляется удовлетворительным всегда, когда измерения производятся в интервальных шкалах. В этом случае мы можем увеличить или уменьшить все оценки на постоянную величину, не потеряв при этом никакой информации. Если же измерение каких-то показателей производилось в шкале отношений, и это важно для исследователя, то для уверенности в том, что результаты измерения не искажены побочными влияниями, следует использовать более сложный план. Таким планом может служить план Соломона, названный по имени исследователя, предложившего его. Схема этого плана такова:

Верхние индексы Э1 и К1 означают, что речь идет уже о других экспериментальной и контрольной группах, не пересекающихся с первыми. Таким образом, для реализации плана Соломона необходимо наличие четырех различных групп испытуемых. При этом в группе Г^э1 определено исследуемое отношение, а в Г^к1 – нет. Пусть теперь некоторый результат измерения d из D является показателем измерения исследуемого свойства в шкале отношений. Тогда должны быть выполнены следующие условия:

Если выполнены оба условия, то можно утверждать, что экспериментальный план согласован с измерением в шкале отношений и все побочные влияния на исследуемую переменную устранены.

Если второе условие не выполнено (но выполнено первое), т. е. d₂ ≠ d₃, то говорят, что измеряемая переменная взаимодействует с измерительным методом. При этом предполагается, что обе экспериментальные группы уравнены по измеряемым характеристикам.

Если не выполнено и первое условие, то пропорциональность шкалы нарушается, если, однако, d во всех трех указанию: в первом условии множествах данных остается постоянным, то можно говорить, что исследуемое свойство измерено в шкале интервалов и все побочные влияния манкированы. Необходимо добиться выполнения этого последнего условия при проведении основного эксперимента. Это может быть сделано посредством аккуратной проверки всех условий эксперимента и устранения всех «подозрительных» факторов, т. е. тех, которые могут оказывать влияние на исследуемую переменную.

Подготовка данных для обработки на ЭВМ.

В начале параграфа несколько слов о том, зачем нужна обработка данных на ЭВМ. Необходимость такой обработки обусловлена сложностью предмета современного психолого-педагогического исследования. Множественность составляющих его отношений делает невозможным их количественное сравнение без ЭВМ, в силу естественных временных ограничений человеческой деятельности. Но дело не только в этом. Сложность предмета исследования стимулировала разработку адекватных этой сложности методов количественного представления данных, которые в силу исторических причин оказались неразрывно связанными с электронно-вычислительной техникой. В настоящее время не представляется возможным проведение того или иного вида статистического анализа даже для небольшого числа измерений без использования ЭВМ.

Задачей статистического анализа является представление исследуемого сложного отношения как некоторого фактор-множества, т. е. как множества непересекающихся классов. Что позволяет исследователю сделать важный шаг на пути к искомому обобщению. Действительно, исследование начинается с того, что исследователь определяет множество интересующих его отношений, пересечение которых представляет собой сложное и неизвестное еще новое отношение. В процессе пилотажного исследования выясняется, что некоторые составляющие свойства связаны между собой, однако в силу их множественности восстановить всю структуру связей и перейти к обобщению не представляется возможным. С помощью специальных методов существует возможность отобразить все множество исследуемых свойств в небольшое число классов. Далее либо посредством обобщения всего класса свойств, либо посредством выбора некоторого (центрального) представителя класса он может быть отождествлен с некоторым более сложным свойством, множество же классов определяет структуру всего исследуемого отношения.

Существует два основных подхода к построению статистической классификации при незаданных классах. Первый из них носит название кластерного анализа. Этот вид анализа построен на оценке близости элементов исходного множества. Сразу оговоримся, что статистический анализ может быть использован и используется не только для классификации множества исследуемых свойств, но и для классификации испытуемых.

Для разбиения исходного множества на классы необходимо выбрать меру близости элементов. Выбор меры может быть различным в зависимости от специфики исследования. Ее можно задать системой функций f(x_i, x_j),…, f(x₁,…, x_n) от двух до n аргументов. Значения f(x₁,…, x_k) характеризуют степень близости ее аргументов. Из физических соображений обычно выбирают меру попарной близости элементов. Из попарной близости можно построить различные меры групповой близости. Например, можно выбрать диаметр множества или ее усреднение. После того как мера выбрана, определяют ее критическое значение. Далее организуется процедура отбора элементов в классы, которая прекращается тогда, когда расстояния между кластерами становятся элементами больше критического. Более подробное описание кластерного анализа можно найти у других авторов (Байметов, 1967; Брунер, 1971). Чаще всего кластерный анализ применяют для классификации испытуемых.

Вторым подходом к классификации является факторный анализ, который основан на анализе матрицы связей переменных (ковариационной матрицы). В настоящее время наиболее подробно разработана линейная модель факторного анализа. Подробнее с техникой факторного анализа можно ознакомиться у Брунера, 1971.