Файловый архив студентов. Файловый архив студентов.
1329 вузов, 5502 предметов.
/ Регистрация
FAQ Обратная связь Вопросы и предложения
Добавил:
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Башкирский Государственный Аграрный Университет
Предмет:
[НЕСОРТИРОВАННОЕ]
Файл:

Психология профессиональной пригодности. Учебное пособие для вузов

.pdf
Скачиваний:
2
Добавлен:
08.09.2026
Размер:
2 Мб
Скачать
☆
Глава 10. Приемы разработки и оценки методов диагностики...
f
f
391
ных одномерных распределений вероятностей признаков v1,
,…, vn для класса «А»:
v
2
BB B
2
vfv fv
( ), ( ), , ( )…
1
11
n1
Предполагается, что v
2
vfv fv
( ), ( ), , ( )…
AA A
1
11
.
, v2,…, vn слабо зависимы. Если,
1
n1
для класса «В»:
однако, этого нет, то для увеличения эффективности про цедуры в рассмотрение вводятся сложные признаки — син дромы, определение которых можно получить на основании опыта и теоретических соображений или же используя со ответствующий математический аппарат. Построение одно мерных распределений существенно облегчает процесс обу чения, а в случае слабой зависимости потери информации при этом невелики.
Если классы «А» и «В» многочисленны, то можно полу
чить достаточно хорошую оценку требуемых вероятностей
)} и {fB(vj)} (i = 1, 2, …, n).
{f
А(vj
В тех же случаях, когда численности классов «А» и «В» невелики, приходится прибегать к грубому квантованию признаков на 2—3—4 градации. Практическая проверка по казывает, что при наличии в группе 25—30 человек и соот ветствующем квантовании можно получить удовлетвори тельные результаты.
Полученные в результате обследования данного контин гента лиц показатели могут иметь различную ценность для целей прогнозирования профессиональной пригодности. Поэтому следующим этапом «обучения» является оценка информативности признаков.
Признак будет тем более информативным, чем больше различие между его распределениями у представителей класса «А» и «В». Оценка информативности признака v жет выражаться величиной P
j
пределения f
(vj) и f
А
мощи вычисления
j
(vj) различны. Это достигается при по
B
2
χ
. Интуитивно ясно, что вероятность P
— вероятностью того, что рас
j
мо
1
может быть хорошей мерой информативности признака v при данной конкретной классификации. Необходимо отме тить, что признаки, информативные в одном случае, могут оказаться совсем не информативными для решения задачи профотбора других специалистов.
j
j
Раздел II. Методы определения профессиональной пригодности
⎞ ⎠
⎟
392
Вычисление c2 производилось по формуле:
где N
2
() ()
χ
NN
=⋅⋅
jAjB
(j)
(j)
иN
A
— общее число лиц соответственно в классах
B
S
j
j
=∑i
1
⎡
1
⎢
() ()()()()()
j
ABAN
+
⎢⎢
i
⎣
i
j
j
⎛
i
−
⎜
j
j
A
⎝
⎤
⎞
B
i
,
⎥
⎟
j
N
⎥
B
⎠
⎦
«А» и «В», данные которых использовались при построении
(j)
(j)
иB
распределений для jго признака;A
i
— частоты появ
i
ления индивидов в iй градации jго признака для сравни ваемых классов; S
Вероятности P
— число градаций для jго признака.
j
определялись по таблицам Л. Большова
j
и Н. Смирнова [52]. Оценка информативности может быть также получена и при помощи расстояния Кульбака. В при нятых здесь обозначениях и несколько измененной форме это расстояние имеет вид:
II I
=+
jjAj
B
где
S
j
j
⎛
=
⎜
∑
i
=
1
⎝
ANAN
i
lg
j
A
A
I
j
⋅
ijB
BN
⋅
ijA
j
и
j
S
j
j
⎛
=
⎜
∑
i
=
1
⎝
BNAN
i
lg
j
B
B
I
j
⋅
ijB
BN
⋅
ijA
j
⎞
.
⎟
j
⎠
Эта мера имеет ряд преимуществ, особенно при теоре тических исследований. Для практики представляет интерес возможность измерения значимости признаков v
(j = 1, 2, …,
1
n) отдельно для вынесения решения о принадлежности v к
A
} или {vB} (соответственно слагаемые I
{v
A
и I
j
B
).
j
Используя ту или другую меру, признаки целесообразно расположить по их убывающей информативности, а те из них, которые неинформативны (P слишком велико или I — мало), использовать не надо. Если окажется, что информа тивных признаков осталось мало, то необходимо ввести но вые признаки.
Процесс «обучения» можно считать законченным, ког да оценки распределений f
j
(vj) и f
А
j
(vj) (j = 1, 2, …, n) доста
B
точно надежны, признаки упорядочены по их информатив ности и их достаточно много.
Глава 10. Приемы разработки и оценки методов диагностики...
393
Классификация (решающее правило). При классификации можно допустить две ошибки. Субъект из класса «А» может быть ошибочно отнесен к классу «В» и, наоборот, субъект из класса «В» может быть ошибочно причислен к классу «А». Первую из указанных ошибок классификации будем обозна чать через
Вероятности ошибок
α, а вторую через β.
α и β определяются до проведения
классификации. При выборе этих вероятностей должна быть учтена важность той или другой ошибки классифика ции, а также реальная ситуация, возникшая при решении данной конкретной задачи.
Пусть при обследовании субъекта S были получены при
0
0
знаки v
, v
1
,…, V
2
0
(они приведены здесь в порядке их убы
n
вающей информативности). Пусть на основании здравого смысла выбраны допустимые вероятности ошибок
α и β.
Рассмотрим отношение вероятностей, соответствующих первому признаку:
110
fv
()
B
.
110
fv
()
A
Если это отношение будет меньше, чем
α
,
β
1−
то это будет означать, что полученное значение признака v
0
1
настолько вероятнее для класса «А», что можно с выбранным уровнем надежности (
α, β) утверждать, что данное лицо от
носится к классу «А» (пригодно к данной профессиональной деятельности). Если это отношение
1−
α
>
,
β
то с тем же уровнем надежности принимается решение о не пригодности к рассматриваемой деятельности. Если
110
fv
<
()
B
110
fv
()
A
<
1−
α
,
β
1−
α
β
Раздел II. Методы определения профессиональной пригодности
394
то информация, заключенная в признаке, недостаточна для отнесения к классам «А» и «В» и рассматривается следующий
0
признак v
.
2
Если
110220
fv fv
() ()
⋅
BB
110220
fv fv
() ()
⋅
AA
<
1−
α
,
β
то выносится решение об отнесении индивида в класс «А»; если
110220
fv fv
() ()
⋅
BB
110220
fv fv
() ()
⋅
AA
>
1−
α
,
β
то в класс «В».
Когда же
110220
fv fv
() ()
1−
α
<
β
⋅
BB
110220
fv fv
() ()
⋅
AA
то рассматривается значение третьего признака v
<
1−
α
,
β
0
и т. д.
3
Если, перебрав все признаки, не удается отнести субъек та к тому или иному классу с данным уровнем надежности, то есть рассматриваемое отношение не выходит за пределы требуемых рубежей, то это означает, что имеющиеся резуль таты обследования не позволяют сделать прогноз с выбран ным уровнем надежности. В этих случаях можно понизить этот уровень и таким образом сделать прогноз или обратить ся за дополнительной информацией.
При отсутствии дополнительной информации для мини мизации вероятности ошибки целесообразно построить два распределения отношения правдоподобия по всем призна кам соответственно для групп «А» и «В» и на основе этих рас пределений выбрать один порог. Особенности распределе ния обычно таковы, что этим порогом редко бывает 1.
Как известно, в схемах последовательного статистического анализа [58] процедуры обосновываются для однородного слу чая, когда f
1
(v1) = f
A
2
(v2) = ... = f
A
n
(vn) и f
A
1
(v1) = f
B
2
(v2) = ... = f
B
B
n
(vn)
Однако нетрудно показать, что зависимость порогов от вероятности ошибок
α и β переносится и на случай неоди
Глава 10. Приемы разработки и оценки методов диагностики...
j
395
наковых распределений, возникающих в диагностической задаче.
Практически удобно иметь дело не с отношениями ве роятностей, а с логарифмом этого отношения. Тогда все вы числения сводятся к последовательному сложению.
Итак, определение принадлежности векторов v (v к множеству {v
} или {vB} осуществляется следующим образом.
A
Последовательно вычисляются величины L
k
LR
=
, а
k
j
=∑1
R
Каждое вычисленное L
α
1−
α
1−
и
β
.
β
j
fv
()
Bjj
= lg
.
fv
()
Ajj
сравнивается с порогами
k
, L2, …, Lk, где
1
, v2, …, vn)
1
Если при некотором k < n
1−
α
β
< Lk <
1−
α
,
β
то вычисляется L
α
>
L
k
1−
то v
⊂ {v
}; если же
B
1−
L
<
k
β
то v
⊂ {v
}.
B
β
α
k+1
,
,
. Если же
10.5.3. Градация признаков
При использовании любых количественных методов для от бора приходится прибегать к квантованию признака, так как часто не удается достаточно точно измерить то или другое свойство человека, определяющее его индивидуальные пси хологические особенности. В таких случаях количество гра
Раздел II. Методы определения профессиональной пригодности
396
даций зависит от нашего умения дифференцировать данный признак. Если признак измеряется достаточно точно (на пример, время реакции), то число градаций можно объек тивизировать. В данном случае, когда необходимо строить одномерные распределения признаков, число градаций в первую очередь зависит от количества лиц в обучающих группах. Если число лиц достаточно велико, число градаций принимается равным 9—12.
Если же число лиц невелико (25—30 человек), то кван тование признака на диапазоны обеспечивается, исходя из особенностей получающихся гистограмм. На основании опыта установлено, что в таких случаях достаточно 2, 3, 4 диапазона. В ряде случаев, когда распределения имеют сложную форму, диапазоны градаций будут неодинаковыми.
Общим правилом здесь может быть указание, предписы вающее делать такие диапазоны, при которых расстояние (например, X
(V) и fB(V) будет наибольшим.
f
A
2
) между соответствующими распределениями
10.5.4. Выбор порога
В последовательной статистической процедуре отношения вероятностей предусматриваются два порога:
α
1−
α
1−
и
β
,
β
где
α, β — ошибки классификации, которые назначаются за
ранее. Простая зависимость порогов от вероятностей оши бок классификации позволяет выбирать нужный порог, ос новываясь на сложившейся конъюнктуре.
Необходимость выбора небольшого числа лиц из боль ших контингентов делает возможным определить a = b по рядка 0,001 или даже 0,0001. С другой стороны, при ограни ченном количестве лиц естественно выбрать даже 0,10.
Если окажется, что ошибка пропустить хорошего специ
α = β = 0,05 или
Глава 10. Приемы разработки и оценки методов диагностики...
алиста и, наоборот, ошибка приема малопригодного нерав ноценны, то имеется возможность учесть это, выбирая раз ные вероятности
Таким образом, выбор порогов является весьма гибким и учитывает реальную обстановку, а также цену возможных ошибок.
α и β.
397
10.5.5. Пример
Проиллюстрируем на примере изложенный выше алгоритм определения профессиональной пригодности по психологи ческим показателям.
Разбиение на классы. В качестве исходного материала для составления дифференциальнодиагностической таблицы были использованы результаты психологического обследо вания двух групп операторов, которых по объективным про изводственным показателям и характеристикам ведущих специалистов можно отнести к классу «хороших» («А») и «плохих» («В») специалистов.
Представители этих двух классов различались между со бой по своей квалификации, а также, частично, по опыту работы.
Операторы, отнесенные к классу «А» (34 человека в возра сте 27—32 лет), прошли длительную подготовку по специаль ности и имели практический опыт работы в сложных системах управления. Все они характеризовались как специалисты вы сокой квалификации.
Лица, объединенные в класс «В» (33 человека в возрасте 23—29 лет), имели более низкий уровень подготовки и вы полняли операторскую деятельность в менее сложных сис темах управления.
Психологические показатели. Для оценки состояния ряда психологических качеств и психофизиологических функций был использован комплекс табличных тестов и аппаратурных методик, выбор которых определен требованиями к состоянию ведущих систем организма у данных специалистов. Это:
Раздел II. Методы определения профессиональной пригодности
398
1. Корректурная проба с кольцами: а) время выполнения задания в сек; б) относительная частота ошибок;
2. «Компасы»: коэффициент успешности;
3. «Отыскивание чисел с переключением»: а) время вы полнения задания в сек.; б) производительность — время выполнения одной операции в сек.; в) количе ство ошибок;
4. «Сложение с переключением»: а) производительность — количество сложений за мин.; б) величина различия в темпе работы; в) относительная частота ошибок;
5. «Перепутанные линии»: а) производительность — ко личество просмотренных линий за 10 мин.; б) количе ство ошибок;
6. «Расстановка чисел»: а) производительность; б) отно сительная частота ошибок;
7. «Память на числа» — воспроизведение сразу после эк спозиции: а) коэффициент успешности
cm
−
cn
+
,
,
A
=
где с — общее число зафиксированных чисел, m — число ошибочно воспроизведенных чисел, n — число невоспроизведенных чисел; б) количество правильно воспроизведенных чисел;
8. «Память на числа» — воспроизведение через 30 мин. после экспозиции: а) коэффициент успешности; б) ко личество правильно воспроизведенных чисел;
9. «Реакция на движущийся объект»: а) относительная частота точных ответов
x :%100
25
где x — количество точных ответов; б) суммарная ве личина отклонений от «0»;
10. Тремометрия — проведение стержня в прорези: а) ко личество касаний за 1 сек.; б) средняя продолжитель ность одного касания;
Глава 10. Приемы разработки и оценки методов диагностики...
399
11. Тремометрия — удержание стержня в отверстии: а) ко личество касаний за 1 сек.; б) средняя продолжитель ность одного касания;
12. Рефлекс на время — 1 сек.: величина ошибки;
13. Рефлекс на время — 15 сек.: величина ошибки.
Построение распределений. Небольшое число лиц в груп пах «А» и «В» потребовало проведения грубого квантования, которое был сделано в соответствии с изложенными выше рекомендациями (см. 10.5.3). Диапазоны квантования при ведены далее в таблице 15.
Полученные распределения, как правило, существенно отличаются от нормальных, а в ряде случаев имеют U–об разную форму (например, показатель относительной часто ты ошибок в корректурной пробе). Важно отметить, что для классов «А» и «В», вообще говоря, получены разные по фор ме распределения одного и того же признака.
Информативность признаков. Оценка признаков проводи
2
χ
лась при помощи критерия
Если P
> 0,10, то признак считался неинформативным.
j
.
В результате анализа было установлено, что некоторые признаки мало информативны для различения классов и могут не рассматриваться. Необходимо отметить, что при других диапазонах квантования информативность призна ков может быть несколько другой. Экспериментальное ва рьирование диапазонов в разумных пределах показало, что получающееся изменение информативности не очень суще ственно.
Построение диагностической таблицы. Теперь все готово для построения рабочей диагностической таблицы. Для каж дого информативного признака вычисляется логарифм от ношения вероятностей для значений психофизиологических признаков, попадающих в соответствующие диапазоны, то есть для jпризнака и iдиапазона (градации) вычисляются по формуле
Раздел II. Методы определения профессиональной пригодности
lg lg
,
,
,
1005
1005
1 279
− =
−
=−
β
α
400
Таблица 14
Пример вычисления диагностических коэффициентов
иканзирП
аканзирпнозапаиД11,0<02,0—11,003,0—12,003,0>
я
инадапопатотсаЧ
ынозапаидв
енозапаидв
ытнеициффэок
j
π
=
lg
i
атотсачяаньлетисонтО
еиксечитсонгаиД
j
AN
⋅
ijB
j
NB
⋅
Aji
(i = 1, 2, … sj; j = 1, 2, …, n)
9
5
902,0
831,0
81,0
3
41
970,0 883,0
- 07,0 - 52,0
8
21
имацьлоксаборпяанруткерроK
кобишоатотсачяаньлетисонтО
32
5
781,0 333,0
435,0 831,0
35,0
(обозначения определены выше).
Этапы последовательного вычисления диагностических коэффициентов иллюстрируются на примере одного при знака (табл. 14).
Расположение тех признаков, которые остались после отбраковки, в порядке убывающей информативности с со ответствующим «диагностическим коэффициентом», сведе ны в таблицу 15. В ней заключается вся необходимая инфор мация для проведения классификации на два класса «А» и «В» для новых контингентов людей.
Работа с таблицей и проверка ее эффективности. Пусть до пустимые вероятности ошибок классификации a = b = 0,05. Тогда пороговыми значениями будут числа
11005
lg lg
У обследуемого Вва получены следующие психологи ческие признаки: 1) 0,26; 2) 45; 3) 17; 4) 0,11; 5) 24; 6) 174; 7) 0,14; 8) 1,9; 9) 4,3; 10) 16 и др. (название признаков см. в таб лице 15 под теми же номерами)
Находим в таблице 15 соответствующие этим значени
−
α
β
,
−
=
,
005
=
,
1279
и
.
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]
Помощь Обратная связь Вопросы и предложения Пользовательское соглашение Политика конфиденциальности