Методы научных психологических исследований

      Метод тестов – метод испытаний, установления определённых психических качеств человека. Тест – кратковременное, одинаковое для всех испытуемых задание, по результатам которого определяется наличие и уровень развития определённых психических качеств человека. (Столяренко Л. Д. Основы психологии. М., «Феникс», 2007. 16 стр.). Тесты могут быть прогностические и диагностирующие. Тесты должны быть научно обоснованны, надёжны, валидны и выявлять устойчивые психологические характеристики. 

3. Методы обработки данных

      Третья  группа, к которой относятся методы количественный (математико-статический) анализ, с одной стороны, качественный – с другой (в том числе дифференциация материала по типам, группам, вариантам и составление психологической казуистики, т. е. описание случав, как наиболее полно выражающих типы и варианты, так и являющихся исключениями или нарушениями общих правил).

     Количественные  методы. К основным методам количественного анализа (и синтеза) в психологии относятся следующие:

1. Методы  первичной обработки данных (табулирование,

построение  диаграмм, гистограмм, полигонов и  кривых распределения).

2. Методы  вторичной обработки данных (вычисление  статистик).

3. Корреляционный  анализ.

4. Дисперсионный  анализ.

5. Регрессионный анализ.

6. Факторный  анализ.

7. Таксономический  (кластерный) анализ.

8. Шкалирование.

     Первичная обработка. На первой стадии «сырые» сведения группируются по тем или иным критериям, заносятся в сводные таблицы, а для наглядного представления данных строятся различные диаграммы и графики. Все эти манипуляции позволяют, во-первых, обнаружить и ликвидировать ошибки, совершенные при фиксации данных, и, во-вторых, выявить и изъять из общего массива нелепые данные, полученные в результате нарушения процедуры обследования, несоблюдения испытуемыми инструкции и т. п. Кроме того, первично обработанные данные, представая в удобной для обозрения форме, дают исследователю в первом приближении представление о характере всей совокупности данных в целом: об их однородности–неоднородности, компактности-разбросанности, четкости–размытости и т. д. Эта информация хорошо читается на наглядных формах представления данных и связана с понятием «распределение данных».

     Под распределением данных понимается их разнесенность по категориям выраженности исследуемого качества (признака). Разнесенность по категориям показывает, как часто (или редко) в определенном массиве данных встречаются те или иные показатели изучаемого признака. Поэтому такой вид представления данных называют «распределением частот».

     Вторичная обработка. Вторичная обработка завершает анализ данных и подготавливает их к синтезированию знаний на стадиях объяснения и выводов. Даже если эти последние этапы по каким-либо причинам не могут быть выполнены, исследование может считаться состоявшимся, поскольку завершилось получением результатов.

     В основном вторичная обработка заключается  в статистическом анализе итогов первичной обработки.

     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). 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. Иногда для описания нелинейных явлений в психологии удается применить непараметрические математико-статистические методы и модели. Например, используется математическая теория катастроф.

     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». 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. 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. 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 метод. 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. 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.

     Таксонометрический  анализ. Метод представляет собой математический прием группировки данных в классы (таксоны, кластеры) таким образом, чтобы объекты, входящие в один класс, были более однородны по какому-либо признаку по сравнению с объектами, входящими в другие классы. В итоге появляется возможность определить в той или иной метрике расстояние между изучаемыми объектами и дать упорядоченное описание их взаимоотношений на количественном уровне. В силу недостаточной проработанности критерия эффективности и допустимости кластерных процедур данный метод применяется обычно в сочетании с другими способами количественного анализа данных. С другой стороны, и сам таксономический анализ используется как дополнительная страховка надежности результатов, полученных с использованием других количественных методов, в частности факторного анализа. Суть кластерного анализа позволяет рассматривать его как метод, явно совмещающий количественную обработку данных с их качественным анализом. Поэтому причислить его однозначно к разряду количественных методов, видимо, не правомерно. Но поскольку процедура метода по преимуществу математическая и результаты могут быть представлены численно, то и метод в целом будем относить к категории количественных.

     Шкалирование. Шкалирование в еще большей степени, чем таксономический анализ, совмещает в себе черты количественного и качественного изучения реальности. Количественный аспект шкалирования состоит в том, что в его процедуру в подавляющем большинстве случаев входят измерение и числовое представление данных. Качественный аспект шкалирования выражается в том, что, во-первых, оно позволяет манипулировать не только количественными данными, но и данными, не имеющими единиц измерения, а во-вторых, включает в себя элементы качественных методов (классификации, типологизации, систематизации).

     В самом общем смысле шкалирование есть способ познания мира через моделирование  реальности с помощью формальных (в первую очередь, числовых) систем. Применяется этот способ практически во всех сферах научного познания (в естественных, точных, гуманитарных, социальных, технических науках) и имеет широкое прикладное значение.

     Наиболее  строгим определением представляется следующее: шкалирование – это процесс отображения по заданным правилам эмпирических множеств в формальные. Под эмпирическим множеством понимается любая совокупность реальных объектов (людей, животных, явлений, свойств, процессов, событий), находящихся в определенных отношениях друг с другом. Эти отношения могут быть представлены четырьмя типами (эмпирическими операциями): 1) равенство (равно – не равно); 2) ранговый порядок (больше – меньше); 3) равенство интервалов; 4) равенство отношений.

     По  природе эмпирического множества  шкалирование делится на два вида: физическое и психологическое. В первом случае шкалированию подвергаются объективные (физические) характеристики объектов, во втором – субъективные (психологические).

     Итогом  шкалирования является построение шкал, т. е. некоторых знаковых (числовых) моделей исследуемой реальности, с помощью которых можно эту реальность измерить. Таким образом, шкалы являются измерительными инструментами.

     Качественные  методы. Качественные методы (КМ) позволяют выявить наиболее существенные стороны изучаемых объектов, что дает возможность обобщать и систематизировать знания о них, а также постигать их сущность. Очень часто КМ опираются на количественную информацию. Наиболее распространены такие приемы, как классификация, типологизация, систематизация, периодизация, казуистика.

     Классификация. Классификация (лат. classic – разряд, facere – делать) – это распределение множества объектов по группам (классам) в зависимости от их общих признаков. Сведение в классы может производиться как по наличию обобщающего признака, так и по его отсутствию. Результатом подобной процедуры становится совокупность классов, которую как и сам процесс группировки называют классификацией. Классификационная процедура – это, по существу, дедуктивная операция деления (декомпозиция): известное множество элементов по некоторому критерию делится на подмножества (классы). Классы строятся путем определения границ подмножеств и включения в эти границы тех или иных элементов. Элементы с характеристиками, выходящими за границы данного класса, помещаются в другие классы или выпадают из классификации.

     Типологизация. Типологизация – это группировка объектов по наиболее существенным для них системам признаков. В основе такой группировки лежит понимание типа как единицы расчленения изучаемой реальности и конкретной идеальной модели объектов действительности. В результате проведения типологизации получают типологию, т. е. совокупность типов. Процесс типологизации в противоположность классификации есть операция индуктивная (композиционная): элементы некоторого множества группируются вокруг одного или нескольких элементов, обладающих эталонными характеристиками. При выявлении типов границ между ними не устанавливается, а задается структура типа. С ней соотносят по признакам равенства или подобия другие элементы. Таким образом, если классификация – это группировка на основе различий, то типологизация – это группировка на основе сходства.