3. Метод сравнения (различения)

Испытуемого просят описать общее (различное) двух (трех и более) стимулов.

Выделяются конкретные (отдельные признаки) и обобщенные (существенное)

ответы.

Использование: диагностика умения выделять признаки, умения выделять существенное, обобщать. Наиболее часто используется для диагностики развития ребенка, как развивающее упражнение (умения выделять и сопоставлять признаки, выявлять существенное и несущественное), в патопсихологическом эксперименте.

4. Методы классификации

1. Методика “ четвертый лишний”

Испытуемому даются четыре предмета или изображения. Предлагается объединить в группу три, которые можно определить общим признаком (понятием), и выделить четвертый.

Например: лопата, бревно, топор, зубило. Топор, лопата и зубило являются инструментами.

Использование: изучение процесса образования понятий (использует ли испытуемый существенные, категориальные или наглядные, ситуативные признаки), обучение выделению существенных признаков, диагностика уровня и особенностей обобщения, как развивающее упражнение (умения выделять общее и частное).

2. Свободная классификация

Испытуемому дается большой набор карточек с изображениями предметов или других стимулов.

Задание1: предлагается сгруппировать предметы так, чтобы каждую группу можно было бы назвать одним словом.

Задание 2: после выполнения первого задания испытуемого просят назвать каждую группу и объяснить, почему он выбрал такое название.

Задание 3: испытуемого просят укрупнить выделенные им группы предметов (например, сделать три группы вместо восьми), вновь назвать группы и объяснить название.

Использование: диагностика уровня обобщения (наглядно - образный, понятийный, ситуативный, функциональный, контекстный и др.), как развивающее упражнение (обучение обобщению, обучение иерархизации классификаций).

3. Групповая классификация

Задание на свободную классификацию одинаковых наборов стимулов дается

группе испытуемых. По результатам классификации строится квадратная групповая матрица.

Пример: группе из 20 человек дается следующий набор из 10 слов: время, муравьи, руки, паук, реакция, наука, люди, тело, будущее, чувства.

В каждой клетке указывается количество отнесений слов в один класс в группе. В клетке (1, 2 -первая строка, второй столбец) указывается количество отнесений слов “время” (первое слово) и “муравьи” (второе слово) в один класс по группе испытуемых. В клетке (1,3) указывается количество отнесений слов “время” (первое слово) и “руки” (третье слово) по группе испытуемых. В клетке (1,4) указывается количество отнесений слов “время” (первое слово) и “паук” (четвертое слово) по группе испытуемых. И т.д. Диагональ такой матрицы - сочетание слова с самим собой в одном классе.

Табл. 2. Первичная групповая матрица результатов классификации

№ слова	1	2	3	4	5	6	7	8	9	10
1	20	1	4	7	11	7	5	4	14	4
2		20
3			20
4				20
5					20
6						20
7							20
8								20
9									20
10										20

Заполняется лишь половина матрицы над диагональю, так как матрица симметрична относительно диагонали.

Обработка матрицы (матрица преобразуется для обработки в матрицу интеркорреляций) с помощью процедуры кластерного анализа позволяет выявить неявные иерархические отношения математической модели репрезентации стимулов в групповом опыте. Кластеризация является процедурой редукции больших баз данных в небольшое, сравнимое с объемом оперативной памяти человека (иначе кластеризация не имеет смысла) количество кластеров для дальнейшего качественного анализа.

Кластерный анализ - математические методы, с помощью которых формируются группы (классы) объектов (точек, векторов), на основании критического расстояния или связей (мер близости) между ними (строится шкала низшего порядка). Если любая пара объектов из одного класса является более сходной, чем любая пара из разных классов, задача классификации считается решенной. Для анализа используются матрицы расстояний или корреляций многомерных показателей (оценок). Другими словами, кластерный анализ является методом описания матриц расстояний или корреляций. В статистических алгоритмических процедурах исследователем задается или число, или порог значимости, после чего решения сравниваются, и выбирается наилучшее для интерпретации. Иерархическая классификация указывает на включенность мелких классов в более крупные.

Пример (по Петренко, 1997): Из 1200 рисунков - эмблем, присланных на конкурс эмблемы «Общества охраны природы» было отобрано 50, представляющих все встречающиеся в наборе типы композиционных решений. 25 экспертов классифицировали рисунки (делили их на произвольное количество групп) и, по желанию, давали группам названия. Матрица сходства рисунков обрабатывалась с помощью метода кластеризации (в данном примере - метод аггломератной иерархической классификации). Анализ полученного дерева классификации начат с самых крупных классов (как поиск обобщенного основания классификации) с последовательным переходом к более мелким. Анализ показал, что на различных «этажах» классификации выделяются ее различные основания, но основания классификации для более мелких классов являются уже более частными, по отношению к основаниям классификации более крупных, в которые эти мелкие классы входят.

Использование: в практической и исследовательской работе используется для групповой классификации небольших групп стимулов. Преимуществом метода является простота инструкции и возможности работы с любым видом стимульного материала. Большие группы стимулов с полной процедурой кластерной обработки используются, как правило, только в исследовательских процедурах из - за сложности обработки, большого количества математических допусков обработки и, соответственно, трудностей интерпретации.