Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Книги / Соломин И.Л. - Психосемантическая диагностика скрытой мотива.doc
Скачиваний:
304
Добавлен:
29.05.2015
Размер:
1.8 Mб
Скачать

2.3. Получение матрицы данных

Получение матрицы данных также может осуществляться в форме одного из двух вариантов.

Первый вариант состоит в оценке испытуемым выраженности каждого признака у каждого объекта в баллах. Этот вариант обычно используется, если число оцениваемых объектов превышает 15. Количество баллов шкалы может быть произвольным. В простейшем случае испытуемый пользуется 2-балльной шкалой, отмечая лишь наличие или отсутствие каждого признака. Нежелательно использовать более чем 7-9-балльную шкалу, так как именно эта размерность шкалы не превышает разрешающей способности большинства людей в области оценочной деятельности.

Если число оцениваемых объектов менее 15, более предпочтительным является другой вариант, представляющий собой ранжирование всего набора объектов. В этом случае испытуемому предлагается расположить весь набор объектов в порядке возрастания или убывания выраженности каждого признака. При этом оценкой по соответствующему признаку будет порядковый номер объекта в полученном ряду. Этот вариант более сложен для испытуемого и непригоден при большом количестве объектов.

В результате обоих вариантов данные испытуемого представляются в виде прямоугольной таблицы N объектов на M признаков, в клетках которой находятся баллы или ранги.

2.4. Обработка данных

В большинстве случаев психосемантическое исследование предполагает достаточно сложную обработку данных, требующую использования компьютерной техники.

2.4.1 Нормирование матрицы данных

Люди существенно различаются по стилю оценивания. Одни предпочитают давать более высокие оценки всем объектам, другие – более низкие, одни стараются давать крайние, полярные оценки, другие – более умеренные, центральные. Субъективная точка отсчета (ноль) и единица измерения (деление шкалы) может отличаться не только у разных испытуемых, но даже по разным шкалам у одного и того же испытуемого. Поэтому если в исследовании использовались шкалы с числом градаций более 2, для того, чтобы уравнять начало координат и цену деления осей, данные целесообразно нормировать. Такая индивидуальная стандартизация семантического пространства позволяет затем более эффективно сравнивать результаты разных испытуемых. Нормирование - это перевод балльных значений в доли среднеквадратичного отклонения относительно среднего арифметического. Оно осуществляется по формуле:

где Xi – значение i объекта по данному признаку в баллах, M – среднее арифметическое значение всех объектов по этому признаку, – среднеквадратичное отклонение значений по этому признаку. Среднеквадратичное или стандартное отклонение, представляющее собой меру изменчивости признака, рассчитывается по формуле:

где Xi – значение i объекта по данному признаку в баллах, M – среднее арифметическое значение всех объектов по этому признаку, N - количество объектов.

В результате этой нормирования начало координат каждой шкалы помещается в точку, соответствующую среднему арифметическому всех объектов (центрирование), а цена деления соответствует единице стандартного отклонения значений (масштабирование).

Центрирование и масштабирование значений позволяет нивелировать междиндивидуальные и межпризнаковые различия в оценках объектов и дает возможность получить индивидуальную норму или эталон для измерения субъективных значений. Например, если испытуемый дает оценку некоторого объекта по 7-балльной шкале равную 5, мы не знаем, много это или мало. А если известно, что средняя арифметическая оценка этим испытуемым всех объектов по данной шкале равна 6 при стандартном отклонении равном 0.5, то мы видим, что нормированное значение оценки 5 равно -2, то есть, является очень низким.