Классический психосемантический эксперимент

Подготовка и проведение. В качестве инструментальной части методики опишем ее реализацию в системе Медис [1,5,7]. Как и в методике репертуарных решеток, исходным для проведения эксперимента является список стимулов — элементов и/или конструктов. В качестве стимула может выступать некоторое текстовое описание (наименование) понятия или объекта. В отличие от методики репертуарных решеток никакого различия между элементами и конструктами не делается; просто одна часть стимулов объявляется элементами, а другая — конструктами. Как следствие, конструкты в системе Медис — монополярны.

Далее, планируется тестовая ситуация, в которой эксперт будет осуществлять сравнение стимулов. В простейшем (и наиболее частом) случае это будет «ли"-вопрос [3] с фиксированным набором ответов.

В процессе эксперимента по оценке различий (или соответствий) значения категорий, выбираемых испытуемым, заносятся в матрицу данных, которая, вообще говоря, состоит из двух частей — дистанционной матрицы и оценочной решетки. Дистанционная матрица содержит оценки различий «элемент""элемент» и имеет симметричный (треугольный) вид. Оценочная решетка содержит оценки соответствий «элемент""конструкт» и имеет прямоугольный вид.

Статистическая обработка. Результатом работы алгоритма многомерного шкалирования всегда является некоторая конфигурация — список координат точек, представляющих шкалируемые понятия. Смысл алгоритма шкалирования заключается в том, чтобы разместить эти точки таким образом, чтобы геометрические расстояния между ними наилучшим образом соответствовали исходным различиям между объектами.

В любом из алгоритмов многомерного шкалирования можно выделить две составляющие:

«Модель» — то, что подразумевается под «соответствием» евклидовых расстояний между точками конфигурации исходным оценкам различий между понятиями.

Конкретный способ достижения этого соответствия в чисто математическом смысле. Как правило, выписывается некоторая функция координат точек («стресс» — см. [21]), численная величина которой является мерой «несоответствия» модели исходным данным. Эта функция обычно обращается в нуль при идеальном соответствии данным. В алгоритме шкалирования предусмотрен поиск минимума этой функции.

Модель метрического метода Торгерсона[30] предполагает буквальное соответствие евклидовых расстояний исходным различиям (с точностью до масштабирования). Алгоритм состоит в пересчете исходной матрицы различий-«расстояний» в матрицу скалярных произведений векторов, проведенных из центра тяжести конфигурации, к которой далее применяется метод главных компонент.

Метод Торгерсона предъявляет слишком жесткие требования к данным. Например, трудно ожидать, чтобы те числа, которыми обозначены субъективные различия в матрице данных, удовлетворяли неравенству треугольника и прочим геометрическим свойствам евклидовых расстояний.

Основная идея неметрических методов состоит в отказе придавать какой-либо смысл тем числам, которые изображают различия в матрице данных.

Неметрические методы предъявляют единственное требование к конфигурации: ее точки должны наилучшим образом воспроизводить отношение «больше"-"меньше» между исходными различиями. Обычно это требование физически реализуется в процессе последовательных приближений к окончательному решению как некоторое ограничение на расстояния между точками конфигурации, направленное на достижение идеального рангового соответствия модели исходным данным. Так в методе Гуттмана (см., например, [21]) на каждом шаге происходит пересортировка величин расстояний в соответствии с ранговым порядком различий в исходных данных. латентный образ реальность граф В отличие от метрического, неметрическое решение не единственно. Можно (иногда весьма заметно) передвинуть точки в конфигурации без изменения общего соответствия исходным данным (в смысле рангового порядка различий). При этом важно помнить о том, что два разных (на вид) неметрических решения, которые с одинаковой точностью воспроизводят отношение порядка между различиями, в содержательном отношении эквивалентны.

Предлагается модификацияне метрического метода многомерного шкалирования, реализующая попытку смягчить проблемы сходимости и неоднозначности решения с помощью учета специфики «ли"-вопросов, ответы на которые составляют исходную матрицу данных. Обычно, в процессе субъективного шкалирования список ответов состоит из небольшого числа дискретных альтернатив (например: «да», «пожалуй, да», «трудно сказать», «пожалуй, нет», «нет»), «количественное» соотношение между которыми является трудно формализуемым. Поэтому, то ограничение на расстояния между точками конфигурации, достижение которого является целью последовательных приближений метода, заключается в том, что для заданного набора альтернатив {qi, i=1,K} все расстояния, соответствующие одному определенному qi, полагаются равными между собой, независимо от абсолютных величин (как этих, так и всех остальных) расстояний конфигурации. Таким образом, делается попытка «расслоения» расстояний в рамках конфигурации по тем категориям, которые они моделируют. Напротив, в популярных версиях неметрических методов (см. [21]) разброс результирующих расстояний может «затушевывать» дискретное рассогласование между категориями исходных различий (в случае, когда формальное «меньше» на самом деле выглядит как «почти равно»).