Повна версія

Головна arrow Психологія arrow Експериментальна психологія

  • Увеличить шрифт
  • Уменьшить шрифт


<<   ЗМІСТ   >>

МОДЕЛЮВАННЯ І ВИЗНАЧЕННЯ ЗВ'ЯЗКІВ МІЖ ЗМІННИМИ

Загальні уявлення про метод моделювання

Моделювання, як експеримент і спостереження, відноситься до базових методів наукового дослідження. Суть методу моделювання полягає в побудові моделей досліджуваних феноменів, яке дозволяє не тільки домогтися високого ступеня розуміння реальності, але й - у ряді випадків - робити точні кількісні передбачення щодо майбутнього розвитку досліджуваних феноменів. Таким чином, моделювання дозволяє вирішувати фундаментальні завдання науки - завдання виявлення зв'язків між змінними, а також задачі прогнозування та управління.

Наріжним поняттям методу моделювання є поняття моделі.

Модель - це конструйований об'єкт (фізичний чи ідеальний), який відтворює деякі властивості іншого об'єкта, що є власне предметом вивчення.

Моделювання полягає в побудові і наступному вивченні моделі, яке заміщає безпосереднє вивчення вихідного об'єкта. Висновки, отримані на основі вивчення моделі, переносяться на вихідний об'єкт, причому можливість такого перенесення обгрунтовується схожістю моделі і вихідного об'єкта. Очевидно, що мова йде про умовивід за аналогією, що не має, строго кажучи, логічного обгрунтування. Тому можливість продуктивного використання методу моделювання залежить, насамперед від якості використовуваних моделей. Хороша модель повинна бути максимально спрощена, але разом з тим відображати основні, істотні властивості вихідного об'єкта.

Цінність моделювання полягає в тому, що воно дозволяє робити висновки про досліджуваних феноменах в тих випадках, коли їх безпосереднє вивчення неможливо. Наприклад, вивчення когнітивних порушень в умовах екстремального стресу доцільно проводити на основі моделей, що описують взаємодію когнітивної та емоційної сфер, не піддаючи реальних випробуваних ризику підвищеної емоційної навантаження. Створення наукових моделей має, однак, самостійний гносеологічний сенс, оскільки є, поряд з іншими емпіричними методами, ефективним засобом перевірки наукових теорій. Сучасні наукові моделі в явній формі експлікується відносини між теоретичними конструктами, і успішна перевірка таких моделей означає збільшення ступеня правдоподібності стоять за ними наукових теорій.

Процес створення будь-якої моделі є ітеративним і полягає в чергуванні етапів побудови, настройки (або підгонки) і верифікації моделі. Належним чином верифікована модель може бути використана для вирішення фундаментальних і прикладних завдань.

Побудова моделі полягає в її описі з використанням будь-якої мови (природного або - частіше -формальне). Наукові моделі можуть приймати самий різний вигляд - від якісних, що описують концептуальні відносини між представляють інтерес сутностями, до кількісних, що описують точні кількісні відносини всередині системи змінних у вигляді набору рівнянь (саме цей клас моделей особливо корисний для вирішення завдань управління і прогнозування). Для побудови моделі критично важливою є формулювання припущень. По суті, допущення являють собою рішення про ідеалізацію реальності, яка дозволяє розробнику моделі сформулювати досить просту, але в той же час інформативну модель (наприклад, при побудові психологічної моделі дослідник часто приймає рішення ігнорувати нелінійні відносини між входять до модель змінними). В цілому побудова моделі часто є індуктивним і навіть інтуїтивним процесом - і в цьому відношенні багато в чому аналогічним етапу висунення гіпотези в рамках гіпотетико-дедуктивного методу.

Переважна кількість моделей допускають можливість додаткової "настройки". Це, зокрема, необхідно при моделюванні індивідуальних відмінностей у психічних процесах. Така гнучкість досягається за рахунок включення в модель параметрів, тобто величин, зміна значень яких впливає на поведінку моделі. Наприклад, моделі категоризації, що описують віднесення стимулів до різних семантичним категоріям на основі аналізу їх перцептивних ознак, часто містять параметри, що характеризують ступінь суб'єктивної значущості тієї чи іншої ознаки для певного випробуваного. Конкретні значення параметрів зазвичай достатньо важко визначити a priori, і тому на етапі припасування використовуються різні методи визначення оптимальних значень параметрів. Значення параметрів вважаються оптимальними, якщо дозволяють максимально наблизити поведінку моделі до поведінки модельованого об'єкта. Введення параметрів в модель має бути змістовно обгрунтовано, оскільки нескінченне збільшення числа параметрів дозволяє підігнати будь-яку модель під будь набір емпіричних даних.

Після побудови моделі необхідно довести її відповідність досліджуваному феномену (етап верифікації). Перевірка моделей здійснюється на основі оцінки здатності моделі демонструвати передбачене поведінка при створенні певних умов. Для цього досліднику необхідно зібрати дані про поведінку вихідного об'єкта в цих умовах, а також про поведінку моделі в аналогічних умовах (при цьому використовуються значення параметрів, визначені на етапі припасування моделі). Наприклад, при верифікації моделей категоризації необхідно зібрати дані про результати категоризації набору елементів випробуваними людьми, а потім - дані про результати категоризації того ж набору стимулів тестованої моделлю. Маючи ці два набори даних ("емпіричний" і "теоретичний"), дослідник отримує можливість якісно або кількісно оцінити ступінь їхньої подібності. Якщо поведінка піддослідних і моделі є подібним, то модель може розглядатися як пройшла перевірку. Якщо ж поведінка моделі значно відрізняється від поведінки вихідного об'єкта, то модель повинна бути відкинута як неспроможна.

Кількісна оцінка ступеня відповідності між емпіричним і теоретичним набором даних здійснюється за допомогою так званих індексів відповідності (Jit indexes). Індекси відповідності являють собою чисельні показники, аналіз значень яких дозволяє зробити висновок про ступінь "близькості" двох наборів даних. Вибір конкретного індексу відповідності в тій чи іншій ситуації моделювання залежить від безлічі умов, таких як метрика і особливості розподілу використаних змінних. Для деяких індексів існує можливість отримати статистичну оцінку значимості ступеня відповідності моделі і модельованого об'єкта. Для інших індексів даний аналітичний апарат недоступний, і рішення про ступінь відповідності приймається на основі якісних рекомендацій, що містяться в спеціальній літературі. В цілому слід зазначити, що іноді однозначний вибір "оптимального" індексу відповідності неможливий і розробник моделі повинен приймати зважене рішення, керуючись значеннями декількох індексів відповідності одночасно.

Таким чином, в результаті перевірки приймається рішення про прийняття моделі або її відкиданні. Проходження емпіричної перевірки не означає "істинності" моделі. Ухвалення моделі говорить про те, що модель може використовуватися аж до виявлення істотних недоліків. З іншого боку, якщо модель не пройшла емпіричної перевірки, це означає її нездатність достовірно описувати досліджуваний феномен. Така модель не може бути використана в дослідних або прикладних цілях. На практиці відкидання моделі найчастіше означає необхідність її модифікації (зміни припущень, модельних відносин, кількості параметрів), після чого модель, можливо, верифицируется повторно. Таким чином, логіка перевірки моделей виявляє тут же асиметрію виведення, що й перевірка гіпотез в експериментальному методі.

Подібність експериментального методу і методу моделювання не є випадковим, оскільки обидва методи слідують одній гіпотетико-дедуктивної логіці. Моделювання може розумітися як експериментування над моделями. У самому загальному сенсі модель являє собою систему тверджень про зв'язки між змінними, і на етапі перевірки дослідник оцінює відповідність тверджень ("пророцтв") моделі спостережуваним зв'язкам між змінними (інформація про які отримана шляхом обстеження модельованого об'єкта) . Точно так само в експерименті дослідник оцінює відповідність гіпотези (твердження про зв'язки між змінними) емпіричної реальності (реальним, спостережуваним зв'язкам між змінними), здійснюючи контрольовані впливу на об'єкт дослідження. Таким чином, і в тому, і в іншому випадку дослідник оцінює істинність теоретичного затвердження на основі аналізу емпіричних даних. Логічним підставою такої перевірки в обох випадках є силогізм modus tollens. Однак моделювання як метод володіє тим істотною перевагою, що, використовуючи досить добре верифікувати модель, дослідник отримує можливість встановлювати вплив різних небезпечних, екстремальних та інших умов без фактичного впливу їх на досліджуваний об'єкт.

У сучасній психології використовується так зване знакове моделювання, яке полягає в побудові формальної моделі психічних процесів з використанням тих чи інших символічних систем. У першу чергу мова йде про використання математичної нотації, внаслідок чого зазвичай використовується термін "математичне моделювання". У вузькому сенсі математичне моделювання використовує моделі, що складаються в описі характеристик описуваних об'єктів у вигляді рівнянь. В останні десятиліття математичне моделювання є бурхливо розвивається областю психологічного моделювання, для якої характерні виражена спеціалізація і вироблення специфічних методичних прийомів. Так, в останні роки розвиток отримало динамічне моделювання, що описують динаміку складних систем за допомогою апарату диференціальних рівнянь. Цей вид моделювання, ідеально пристосований для аналізу процесів розвитку складних систем, широко використовується, наприклад, у віковій та соціальній психології. Іншим видом математичного моделювання є байесовськими моделювання. Даний вид моделювання використовується для побудови кількісних моделей когнітивних процесів, складовим елементом яких є прийняття рішень (впізнання, категоризація, оволодіння мовою і т.д.). В основі моделювання процесу прийняття рішення лежить математичний апарат перевірки гіпотез на основі теореми Байєса.

Особливе значення для психології мають два варіанти знакового моделювання: обчислювальний моделювання і статистичне моделювання. Обчислювальне моделювання полягає в побудові формальної моделі досліджуваного феномена у вигляді виконуваної комп'ютерної програми. Це дозволяє оточити поведінку складних моделей в тих випадках, коли отримати таку оцінку аналітичним шляхом важко (або навіть неможливо) в силу їх великої складності. Крім того, систематично змінюючи ввідні дані програми, можна здійснити так званий обчислювальний експеримент, суть якого полягає в отриманні даних про поведінку моделі в різних умовах. Обчислювальний моделювання особливо широко поширене в когнітивної психології, що багато в чому обумовлено легкістю трансляції інформаційних моделей психічних процесів у виконувані комп'ютерні програми.

Статистичне моделювання являє собою особливий вид моделювання, який полягає в побудові статистичних моделей, що дають компактне опис набору емпіричних даних з незначною втратою інформації. У найзагальнішому вигляді статистична модель являє собою рівняння, що описує зв'язки між однією або декількома залежними змінними та однією чи кількома незалежними змінними. Таке рівняння не є детерміністичним і містить випадковий компонент, що дозволяє описувати розподілу залежних змінних. Для психології воно має особливе значення в силу множинної детермінованості психологічних змінних і вираженого імовірнісного характеру відносин між психологічними змінними. Кінцевою метою статистичного моделювання в психології є кількісний опис зв'язків між психологічними змінними, зокрема причинно-наслідкових зв'язків.

Як і будь-який вид моделювання, статистичне моделювання полягає в побудові моделі з її подальшою підгонкою і верифікацією. Наприклад, при побудові лінійної регресійної моделі дослідник повинен вказати залежну змінну У (критерій) і одну або

кілька незалежних змінних X; / = 1, ..., і (предикторів). Модель припускає, що значення критерію являє собою лінійну комбінацію значень предикторів:

При цьому коефіцієнти Ь. Є параметрами регресійній моделі. Кожен коефіцієнт може бути інтерпретований як приватний коефіцієнт кореляції, що описує силу лінійного зв'язку між критерієм У і предиктором X. за вирахуванням впливу інших предикторів. Змістовно про; визначає "вагу", з яким предиктор Х-: бере участь у визначенні значення критерію (наприклад, легко бачити, що якщо Ь {наближається до нуля, то вплив X. на У зникає). Таким чином, аналізуючи параметри, дослідник отримує можливість визначити, які предиктори істотні для визначення значення критерію, а які не роблять на цю величину вираженого впливу. При дотриманні певних умов (умови причинного виводу) істотні предиктори можуть отримати змістовну інтерпретацію як причини, що визначають наслідок У.

Простим прикладом лінійної регресійної моделі є регресія, зв'язує успішність складання іспиту з низкою потенційних предикторів. До останніх відносяться, наприклад, частота відвідування лекційних та семінарських занять і середня кількість годин, що виділяються учням на підготовку до іспиту протягом семестру. Крім того, можливий вплив на екзаменаційну оцінку роблять фактори, що не мають безпосереднього відношення до інтенсивності підготовки: фізичне самопочуття учня в день іспиту, індивідуальний рівень екзаменаційної тривожності або навіть охайність одягу навчається і характерна нього манера викладу думок. Першочерговим завданням дослідника є визначення набору потенційних предикторів для включення в регресійну модель, які - згідно раціональному аналізу або на основі вже наявних емпіричних результатів - можуть бути пов'язані з критерієм. Згодом на основі аналізу регресійних коефіцієнтів дослідник зможе відкинути частина предикторів, які виявляться несуттєвими.

Для того щоб запропоновану регресійну модель можна було використовувати, необхідно визначити значення її параметрів, тобто значення регресійних коефіцієнтів Ьг Це здійснюється на етапі припасування моделі, в ході якого вибираються конкретні значення /? .. Для підгонки регресійних моделей найчастіше використовується так званий метод найменших квадратів (метод полягає в мінімізації квадрата різниці емпіричних значень критерію У- і передбачених значень критерію Г .). Після цього модель верифицируется з використанням того чи іншого індексу відповідності. У разі лінійної регресії таким індексом є коефіцієнт множинної детермінації К2, значення даного показника дорівнює відсотку дисперсії (мінливості) критерію, який може бути пояснений сукупним впливом включених в регресійну модель предикторів. Високі значення к2 говорять про високу якість моделі, а низькі - про те, що запропонована модель є незадовільною. Якість різних моделей М, і М2 (пояснюють один і той же критерій) може порівнюватися на основі порівняння їх індексів відповідності Я2Х і г? 2.,.

Побудова компактної та інформативною регресійній моделі є ітеративним процесом, в ході якого дослідник виключає з моделі малоефективні предиктори і доповнює її іншими потенційно важливими предикторами. У ході цієї діяльності дослідник орієнтується на велику кількість формальних і змістовних показників. Після того як дослідник вважатиме регресійну модель задовільною, вона може бути використана для змістовних висновків про зв'язки між змінними моделі і про психологічні механізми, що лежать в основі цих зв'язків. Крім того, добре верифіковані регресійні моделі можуть бути використані в практичних цілях для передбачення значення критерію на основі набору предикторів в тих випадках, коли безпосереднє вимірювання критерію неможливо або важко. Така необхідність виникає, наприклад, при необхідності здійснити прогноз ефективності професійної діяльності людини в майбутньому на підставі аналізу його психологічних характеристик при вступі на роботу.

Лінійні регресійні моделі є найбільш поширеними статистичними моделями в сучасній психології в силу їх відносної простоти і розробленості математичного апарату. Проте існує значна кількість більш складних видів статистичних моделей, що володіють великим потенціалом точного опису психологічних феноменів. Наприклад, очевидним розширенням лінійних моделей є нелінійні регресійні моделі, які допускають наявність нелінійних зв'язків між критерієм і набором предикторів. Крім того, лінійні моделі можуть розширюватися до багаторівневих (ієрархічних) моделей, що описують вплив предикторів на критерій на декількох рівнях агрегації даних (наприклад, індивід група товариство). Іншим актуальним напрямком статистичного моделювання в психології є побудова моделей з латентними змінними - неспостережуваними факторами, які представляють загальну для декількох спостережуваних змінних дисперсію (докладніше вони будуть охарактеризовані в наступному розділі про структурний моделюванні). Об'єднання регресійних моделей та моделей з латентними змінними використовується при методі структурного моделювання, що вже став стандартним методом аналізу багатовимірних даних в кореляційних і експериментальних дослідженнях.

Моделювання в різних його видах відноситься до стандартного арсеналу методів проведення сучасних психологічних досліджень. Можливість (і необхідність) формулювання в рамках застосування методу моделювання точних кількісних моделей досліджуваних психологічних феноменів і орієнтація на об'єктивну перевірку пропонованих моделей значно обмежує можливості спекулятивного теоретизування для дослідників. Крім того, розвинений апарат оцінки якості моделей шляхом використання індексів відповідності не тільки знижує можливість суб'єктивних спотворень при ухваленні рішення про результати моделює дослідження, а й відкриває широкі можливості для об'єктивного вибору кращої моделі з набору альтернативних моделей. У цілому застосування моделювання як методу психологічного дослідження значною мірою сприяло і сприяє перетворенню психології в науку, здатну до достовірного виявленню закономірних зв'язків між теоретичними конструктами та ефективному використанню цих результатів для вирішення як фундаментальних, так і практичних проблем.

 
<<   ЗМІСТ   >>