V Международная студенческая научная конференция Студенческий научный форум - 2013

Введение

Воздействие интерактивной компьютерной графики (ИКГ) привело к возникновению нового направления в проблематике искусственного интеллекта, названного когнитивной (т.е. способствующей познанию) компьютерной графикой.

Когнитивная графика  это совокупность приемов и методов образного представления условий задачи, которое позволяет либо сразу увидеть решение, либо получить подсказку для его нахождения [1].

Использование когнитивной графики дает возможность пользователю, не анализируя большого количества информации сделать определенные выводы. Информация может быть представлена когнитивным образом: сектором, гистограммой, крестом, кругом и т.д., части, которых закрашены разными цветами и несут определенный смысл.

Отдельное направление когнитивная графика образует в социально-психологической сфере. Визуализация текущего состояния и характерных особенностей позволяет обеспечить непрерывный контроль над состоянием групп лиц, либо отдельного человека.

Целью данной работы является изучение возможностей применения методов когнитивной графики при решении задачи исследования социально-психологических особенностей.

1. Постановка задачи

Вид отображения U известен заранее. Оптимизируемый функционал в данном случае называется проекционным индексом и обозначается Q(U, X), под X понимается весь набор многомерных данных, Q зависит от параметров отображения. В зависимости от поставленной задачи могут быть использованы следующие проекционные индексы:

а) индекс, минимизирующий расстояние от точек данных до их проекций – и это дает классический метод снижения размерности с помощью главных компонент;

б) индексы, максимизирующие расстояния между кластерами;

в) индексы, максимально разделяющие заранее заданные классы для построения линейного классификатора;

г) индексы, использующиеся для выделения аномальных наблюдений, далеко отстоящих от основной массы распределения точек данных;

д) индексы, выделяющие нелинейные структуры в многомерных данных.

1.1. Концептуальная постановка задачи

Человеческая природа такова, что наше постижение мира, накопление знаний о нем, решение задач, возникающих перед человеком возможно двумя различными путями. Один из них позволяет работать с абстрактными цепочками символов, с текстами и т.п. Этот механизм мышления человеческого сознания обычно называют символическим, алгебраическим или логическим. Второй механизм мышления обеспечивает работу с чувственными образами и представлениями об этих образах. Его называют образным, геометрическим, интуитивным и т.п.

Стремление человека выразить мысль, передать идею в форме графического изображения старо как мир. Графические изображения (на камне, холсте, бумаге, металле и других средствах отображения информации) давно используются в обучении. Экран компьютера как средство пассивного отображения графики не обладает принципиальной новизной. Новой для сферы обучения является интерактивность компьютерной графики, благодаря которой в процессе анализа изображений существует возможность динамически управлять их содержанием, формой, размерами и цветом, рассматривать графические объекты с разных сторон, приближать и удалять их, менять характеристики освещенности и проделывать другие подобные манипуляции, добиваясь наибольшей наглядности. Таким образом, это возможность не только для пассивного созерцания графических иллюстраций, но и для активного исследования характеристик графических моделей изучаемых объектов или процессов.

Применение графики в исследовательских работах не только увеличивает скорость передачи информации и повышает уровень ее понимания, но и способствует развитию таких важных для специалиста любой отрасли качеств, как интуиция, профессиональное «чутье», образное мышление.

1.2. Математическая постановка задачи

Имеется выборка X_i,j из n объектов, характеризующихся m переменными. Где i  номер объекта, j  номер переменной (признака).

Задача заключается в анализе структуры экспериментальных многомерных социально-психологических данных на основе методов визуализации.

Для решения поставленной задачи необходимо проанализировать существующие подходы к анализу данных такого типа, выбрать способ его компьютерной реализации.

2. Визуализация многомерных данных

2.1. Проблемы визуализации многомерных данных

При анализе и прогнозировании социально-экономических явлений исследователь довольно часто сталкивается с многомерностью их описания. Это происходит при решении задачи сегментирования рынка, построении типологии стран по достаточно большому числу показателей, прогнозирования конъюнктуры рынка отдельных товаров, изучении и прогнозировании экономической депрессии и многих других проблем. Методы многомерного анализа  наиболее действенный количественный инструмент исследования социально-экономических процессов, описываемых большим числом характеристик [1]. К ним относятся кластерный анализ, таксономия, распознавание образов, факторный анализ.

2.2. Кластерный анализ

Кластер (англ. cluster скопление)  объединение нескольких однородных элементов, которое может рассматриваться как самостоятельная единица, обладающая определёнными свойствами. Кластерный анализ наиболее ярко отражает черты многомерного анализа в классификации, факторный анализ в исследовании связи. Первое применение кластерный анализ нашел в социологии. Главное назначение кластерного анализа разбиение множества исследуемых объектов и признаков на однородные в соответствующем понимании группы или кластеры. Это означает, что решается задача классификации данных и выявления соответствующей структуры в ней. Методы кластерного анализа можно применять в самых различных случаях, даже в тех случаях, когда речь идет о простой группировке, в которой все сводится к образованию групп по количественному сходству [2]. Большое достоинство кластерного анализа в том, что он позволяет производить разбиение объектов не по одному параметру, а по целому набору признаков.

Существует около 100 разных алгоритмов кластеризации, однако наиболее часто используемые: иерархический кластерный анализ и кластеризация методов k-средних.

Эти методы также реализованы в пакете «NovoSparkVisualizer».

Метод древовидной классификации  это пошаговый метод разбиения выборки на отдельные группы. Его принцип достаточно прост.

Шаг 1. Каждый человек признаётся единственным представителем своего кластера (типа). Количество типов равно объёму выборки.

Шаг 2. Находится несколько человек, которые наиболее похожи на первого. Теперь эти люди составляют один кластер. Количество кластеров уменьшается.

Шаг 3. Продолжаем искать кластеры, наиболее похожие друг на друга и объединять их. Теперь вся выборка разделена на некоторое количество групп, внутри которых люди очень схожи по своим характеристикам. Это продолжается, пока объединение не закончится.

В отличие от древовидной классификации, метод k-средних разбивает всю выборку по заданным признакам на указанное количество кластеров. Таким образом, чтобы использовать этот метод нужно знать или предполагать сколько кластеров мы хотим иметь. Количество кластеров обычно определяется на основе анализа дендрограммы (рис.1).

Рис. 1. Древовидная диаграмма

2.3. Компьютерный анализ результатов психологических исследований

В настоящее время в исследованиях, связанных с изучением психологического состояния населения, широко используются различные математико-статистические методы обработки данных с применением современных информационных технологий.

Компьютерная обработка данных предполагает некоторое математическое преобразование данных с помощью определенных программных средств. Для этого необходимо иметь представление как о математических методах обработки данных, так и о соответствующих программных средствах [5].

В настоящее время существует множество различных пакетов, предназначенных для анализа экспериментальных данных в различных областях человеческой деятельности. Наиболее известными являются компьютерные системы SAS, SPSS, SYSTAT, Minitab, Statgraphics (зарубежные). В России популярны пакеты Statistica/W и STADIA.

Использование компьютера для обработки данных делает достаточно сложные методы анализа данных более доступными и наглядными. Поэтому исследователю остается в основном творческая работа: постановка задач, выбор методов их решения, интерпретация полученных результатов, выработка предложений и управленческих решений.

В данной работе был использован пакет «NovoSparkVisualizer», основы работы с которым изложены в разделе 3.

3. Выбор и описание программной среды

3.1. Краткое описание системы «NovoSparkVisualizer»

В настоящее время на рынке программных продуктов появился современный инструмент визуализации «NovoSparkVisualizer», позволяющий производить качественный анализ многомерных данных на графическом образе. Визуальный анализ может сыграть важную роль в любом научном эксперименте, особенно там, где необходима быстрая оценка главных аспектов набора данных.

Интуитивный пользовательский интерфейс пакета представляет собой удобную оболочку для работы со сложными наборами многомерных данных и изучения их свойств и взаимозависимостей. Продукт позволяет визуально сравнивать отдельные наблюдения или целые наборы данных. Данные могут быть созданы внутри аппликации, либо импортированы из множества источников, включая текстовые файлы со значениями, разделенными запятой или другими разделителями, а также текстовые файлы с фиксированной шириной столбцов, базы данных MicrosoftAccess. Инструментом поддерживаются все стандартные операции редактирования, позволяющие группировать исходные данные по нескольким критериям и изучать их поведение.

Пакет предназначен для визуализации многомерных данных, отображаемых из n-мерного пространства переменных в двумерные (2D) или трехмерные (3D) геометрические места точек (проекции), именуемые визуализированными графическими образами, которые образуют соответствующие им ментальные ассоциаты в мозгу человека, являющиеся, по свой сути, визуальными когнитивными образами.

Основной идеей визуализационного подхода, является представление каждого многомерного наблюдения в виде двумерной кривой. В этом случае, если два наблюдения близки по значениям, их кривые будут очень похожи друг на друга, в то время как если наблюдения отличаются сильно, то и кривые будут очень отличаться. Возможность представить образ в трехмерном пространстве позволяет смотреть на него с разных позиций [4].

3.2. Функциональность пакета «NovoSparkVisualizer»

Пакет «NovoSparkVizualizer» имеет следующие способы использования:

- Визуализация данных;

- Идентификация кластеров данных;

- Сравнение наблюдений;

- Сравнение наборов данных;

- Поиск выбросов;

- Наблюдение за процессом.

Рассмотрим способы, использованные в работе:

Визуализация данных

Иногда, для быстрой оценки основных аспектов нового набора данных, достаточно только одного взгляда на его визуальное представление.

Рис. 2. Визуализация данных

Идентификация кластеров данных

Если определен критерий сортировки данных, то на основе этого можно визуализировать кластеры данных.

Следующие два образа демонстрируют, как кластеры могут выглядеть в трехмерном виде и двумерном горизонтальном виде сверху.

Рис. 3. Кластеры в трехмерном виде

Рис. 4. Кластеры в двумерном горизонтальном виде сверху

Сравнение наблюдений

Для сравнения индивидуальных наблюдений можно использовать их "спектральное" представление, которое подчеркивает отличительные характеристики каждой кривой и помогает более детально исследовать их визуальные свойства. Образ внизу представляет собой пример визуализации социально-психологических особенностей пяти студентов в спектральном виде.

Рис. 5. Спектральное сравнение наблюдений

Импорт данных из внешнего источника

Аппликация позволят импортировать табличные данные из текстового файла или базы данных, поддерживая разнообразные форматы данных.

Поскольку в нашем случае экспериментальные данные представлены в таблицах Microsoft Excel, преобразуем их в текстовые файлы (рис. 6-8).

Рис. 6. 1 группа студентов

Рис. 7. 2 группа студентов

Рис. 8. 3 группа студентов

Программа предоставляет интуитивный интерфейс для выбора источника данных и предварительного просмотра результатов импорта. Несколько файлов или таблиц баз данных могут быть импортированы в один и тот же проект.

Создание нового набора данных

В качестве альтернативы можно ввести данные вручную, например, если внешний источник данных не существует или не доступен для чтения. Новый набор данных будет автоматически приведен к структуре таблиц, уже загруженных в тот же проект.

Редактирование данных

Продукт поддерживает все виды редактирования данных, предоставляя возможность экспериментировать с ними и смотреть, как изменения в данных влияют на их визуальное представление. Таким образом возможно не только построить любую выборку внутри аппликации, но и посмотреть, как образ этой выборки меняется в соответствии с изменениями, показывая поведение данных в различных сценариях.

Специализированный пакет прикладных программ «NovoSparkVisualizer» обладает рядом достоинств: сравнительно невысокой стоимостью, развитым интерактивным инструментарием динамической визуализации многомерных данных и удобным интерфейсом по обработке визуализированной информации. Исходя из выше сказанного, можно сделать вывод, что «NovoSparkVisualizer» оптимально подходит для решения функциональных задач [4].

3.3. Возможности пользовательского интерфейса

Пользовательский интерфейс пакета «NovoSparkVisualizer» состоит из следующих частей:

1. Главное меню.

Содержит полный набор команд, которые могут вызываться внутри аппликации.

1. Панель инструментов.

Обеспечивает быстрый доступ к наиболее часто используемым командам в окне проекта.

1. Рабочая область.

Содержит визуальное представление наборов данных, загруженных в проект.

1. Таблица данных.

Содержит исходные данные, а также параметры прорисовки для одного набора. В каждом проекте может быть одно и более окон данных.

1. Строка состояния.

Показывает текущий статус главного окна и характеристики данных, загруженных в текущий проект.

1. Область задач, панель «представления».

Включает элементы манипуляции установками образа и всего проекта.

Данные предметной области представляются в пакете «NovoSparkVisualizer» в виде таблицы.

Расположение любой из частей можно менять, изменяя размер, перемещая, пряча или состыковывая их к любому краю главного окна. Область образа при этом будет сжиматься или расширяться соответственно, занимая оставшуюся часть в пределах рамки окна.

Рис. 9. Интерфейс пакета «NovoSparkVisualizer»

3.4. Методологические основы визуализации, применяемые в пакете «NovoSparkVisualizer»

Основной идеей визуализационного подхода является представление каждого многомерного наблюдения в виде двумерной кривой. В этом случае, если два наблюдения близки по значениям, их кривые будут очень похожи друг на друга, в то время как если наблюдения отличаются сильно, то и кривые будут значительно отличаться.

В пакете «NovoSparkVisualizer» реализован подход, предложенный Воловоденко В.А.

Предполагаемый подход позволяет провести визуализацию основных линейных конструкций: отрезок, ломаная линия, симплекс в многомерных пространствах. В рассматриваемом случае наиболее общей формой представления данных является вектор конечномерного пространства Rn:

. (1)

Для перехода от данного вектора к визуальному образу будет использоваться базис ортонормированных функций . В качестве такого базиса можно использовать известные функции, в частности ортонормированные полиномы Лежандра на отрезке [0,1], множество которых мы обозначим через. В таком случае точке с координатами можно поставить в соответствие функцию

_{. (2)}

Разница между формулами (1) и (2) заключается в том, что для вектора А из (1) возможно только аналитическое представление, в то время как для функции возможно представление в виде графика этой функции. График функции  это структура, которая допускает визуальное представление на отрезке [0,1]. Между (1) и (2) устанавливается однозначная связь в обе стороны, т.е. взаимнооднозначная связь [5]. Если ввести в рассмотрение второй вектор

.

то ему ставится в соответствие функция

.

Будем считать, что функции и являются визуальными образами точек А и В, принадлежащих пространству Rn(рис.10).

Если с векторами А и В связать точки их концов, а начала векторов разместить в начале координат пространства Rn, то получается взаимнооднозначная связь между точками пространства Rn и функциями-образами и (рис. 11).

Рис. 10. Визуальные образы точек А и В, принадлежащих пространству Rn

Рис. 11. Условно представление прямой L, проходящей через точки А и В в пространстве Rn

Введем переменную Z и образуем линейное выражение

. (3)

Очевидно:

С(0) = А и С(1) = В.

Эта возможность дает право на рассмотрение функции С(z), как функции представляющей многомерную прямую линию, проходящую через точки А и В в пространстве Rn.

Следовательно, мы можем рассматривать выражение аналогичное (3) для представления отрезка АВ:

, . (4)

Из выражения (4) следует, что можно образовать функцию

. (5)

Обратим внимание, что эта функция будет зависеть от двух аргументов . Это очень важно, так как дает возможность получения графика функции , который является визуальным образом отрезка АВ (рис. 12). Таким образом, получается, что на квадрате [0,1]×[0,1] можно построить гладкую поверхность по формуле (5), которая будет однозначно соответствовать аналитическому выражению (4), представляющему многомерный отрезок АВ.

Рис. 12. Визуальное представление поверхности, соответствующей отрезку АВ.

4. Решение задачи анализа экспериментальных данных с помощью методов визуализации

4.1. Характеристика экспериментальных данных

В качестве исходной информации имеем выборочные сведения о студентах, а именно соответствующие им результаты анкетирования, определяющие мотивационный профиль личности.

В структуре личности мотивация  основное понятие, используемое для объяснения движущихся сил поведения и деятельности человека. Мотив всегда существует в деятельности человека до тех пор, пока не достигнута цель, либо изменившиеся условия не сделают другой мотив более насущным для данного человека.

Мотивация определяется у X.Хекхаузена как побуждение к действию определенным мотивом. Мотивация – процесс выбора между различными возможными действиями; процесс, регулирующий и направляющий действие на достижение специфических для данного мотива целевых состояний и поддерживающих эту направленность.

Многозначность мотивационных проявлений определяет многообразие различных методик, используемых для их психодиагностики:

1. Прямые методы психодиагностики мотивации сферы личности;

2. Личностные опросники для измерения мотивов;

3. Проективные методы для диагностики мотивов.

К прямым методам психодиагностики мотивов относятся, прежде всего анкеты, в которых перечисляется различные по значимости для человека мотивы. Испытуемый, выбирая мотивы, располагает их в порядке значимости. Проективные методы направлены на анализ продуктов воображения и фантазий. Факты, полученные в психологии, говорят о том, что мотивации достижения успехов и избежания неудач являются важными и относительно независимыми видами человеческой мотивации. От них во многом зависит судьба и положение человека в обществе. Замечено, что люди с сильно выраженным стремлением к достижению успехов добиваются в жизни гораздо большего, чем те, у кого такая мотивация слаба или отсутствует [3].

Для более полной оценки перспектив общего мотивационного развития в процессе обучения или профессионального становления, полезно исследовать и характер соотношения основных мотивационных тенденций, то насколько человек стремится выйти за пределы реальной житейской ситуации и стремится к самоактуализации. Данным задачам в наиболее полной мере соответствует методика «Мотивационный профиль личности».

Показатели мотивационного профиля:

П  поддержание жизнеобеспечения; К  комфорт; С  социальный статус; О  общение; Д  общая активность; ДР  творческая активность; ОД  общественная полезность.

Рассмотрим мотивационные проявления на примере экспериментальной выборки, состоящей из трех групп студентов:

1. студенты гуманитарного факультета ТПУ;

2. бизнес-инкубатор ТПУ;

3. студенты-психологи ТГПУ.

Таблица 1

Фрагмент таблицы исходных данных

ФИО	гр.	П	К	С	О	Д	ДР	ОД
Звягинцев В.А.	1	16,0	23,0	24,0	30,5	25,5	27,5	12,0
Моторкина А.С.	1	21,0	32,0	39,5	33,0	14,5	23,5	15,0
Гонцова И.В.	1	18,0	27,0	43,5	30,0	9,5	12,5	7,0
Бондаренко М.В.	1	25,0	41,0	55,0	42,0	30,0	38,5	25,5
Дударев А.Д.	1	6,5	19,0	29,0	32,0	1,5	10,5	-4,0
Тэцлаф А.Д.	2	-1,5	20,0	9,5	16,5	8,0	14,0	1,0
Гесенко В.С.	2	19,5	18,0	45,0	30,0	21,5	29,5	14,5
Алдошина М.В.	2	13,0	7,0	32,0	11,0	10,0	25,0	8,0
Сергеева И.А.	2	2,0	1,0	8,5	14,0	10,0	7,5	1,0
Миронов Д.К.	2	14,0	17,0	21,5	25,5	11,0	19,0	-1,0
Козлова Т.В.	3	8,0	-10,0	23,5	26,0	19,0	26,5	7,0
Родионов М.Д.	3	2,0	9,0	-2,5	4,0	7,0	8,0	-9,5
Чесноков Д.В.	3	12,5	1,0	-7,5	1,5	-2,5	9,0	6,5
Максименков С.А.	3	-6,0	0,0	10,0	8,0	6,5	19,5	-10,0
Сучкова Т.Г.	3	14,0	6,0	19,0	10,5	-2,5	12,0	-4,0

4.2. Технология визуализации на базе пакета «NovoSparkVisualizer»

В технологии визуализации исходных данных по реальным объектам можно выделить несколько основных этапов:

1. Сформируем функционально полную совокупность исходных данных.

Для загрузки данных настраиваем нужный формат источника:

Рис. 13. Импортирование данных

1. Разобьем исходные данные на кластеры. Для этого воспользуемся методом k-средних.

Метод k-средних – наиболее популярный метод кластеризации. Он разбивает множество элементов векторного пространства на заранее известное число кластеров k. Действие алгоритма таково, что он стремится минимизировать дисперсию на точках каждого кластера:

,

где k – число кластеров, – полученные кластеры, i= 1,2,..,k и – центры масс векторов .

Основная идея заключается в том, что на каждой итерации перевычисляется центр масс для каждого кластера, полученного на предыдущем шаге, затем векторы разбиваются на кластеры вновь в соответствии с тем, какой из новых центров оказался ближе к выбранной метрике. Алгоритм завершается, когда на какой-то итерации не происходит изменения кластеров [2].

Рис. 14. Кластерная структура кластеризации методом k-средних

3) Сравним выборочные данные групп по визуальной близости спектров наблюдений.

Рис. 15. Спектральное представление 1 группы

Рис. 16. Спектральное представление 2 группы

Рис. 17. Спектральное представление 3 группы

Каждая цветная полоска в спектральном виде соответствует одному человеку. На каждом образе представлено по пять полосок, соответственно представляющих пять людей из определенной группы. Цветовые схемы всех трех групп значительно отличаются друг от друга, что свидетельствует о разнонаправленности всех групп [7].

Как видно из рисунков, студенты 1-й и 3-й группы имеют практически одинаковую структуру мотивационного профиля. Наиболее выраженные различия в структуре мотивационного профиля наблюдаются у студентов 2-й группы.

Таким образом, использование средств когнитивной графики дает исследователю дополнительную информацию при изучении мотивационной сферы студентов, а также при решении любых задач исследования социально-психологических особенностей индивида.

5. Анализ полученных результатов

5.1. Анализ мотивационной сферы студентов

В результате кластерного анализа методом k-средних было выделено 4 кластера, характеристики которых представлены в таблице 2.

Таблица 2

Центроиды кластеров

Кластер	П	К	С	О	Д	ДР	ОД
1	10,5311	14,1563	24,3438	21,3281	7,59375	17,7969	-0,75
2	17	20,4091	32,8182	28	17,5455	23,5455	13,8636
3	3,16129	4,29032	11,0161	11,7742	-0,83871	8,51613	-5,41935
4	25	41	55	42	30	38,5	25,5

Очевидно, что людей находящихся в том или ином кластере объединяют отличительные характеристики. Первый кластер объединил студентов, имеющих высокие мотивы общения и социального статуса, а также довольно низкий показатель общественной полезности. В эту группу вошли студенты гуманитарного факультета и студенты-психологи.

Второй кластер объединил творчески активных студентов, имеющих высокие показатели мотива поддержания жизнеобеспечения и социального статуса, а также студентов, стремящихся к общению. В эту группу вошли студенты бизнес-инкубатора ТПУ.

Третий кластер объединил студентов, имеющих самые низкие показатели общей активности и общественной полезности. В данную группу попали представители каждой из групп.

В четвертом кластере оказался студент из первой группы, имеющий высокие показатели по каждой характеристике.

Рис. 18. График центроидов кластеров

Таблица 3

Количественное присутствие студентов группы в кластере

	1кластер	2кластер	3кластер	4кластер
1группа	13	8	6	1
2группа	6	1	9	0
3группа	5	0	11	0
4группа	7	2	5	0

Студенты 2 и 3 групп попали преимущественно в 3 кластер, т.е. для них характерны отрицательные значения показателей общественной активности (Д) и общественной полезности (ОД), т.е. неспособность к планомерной учебной деятельности и нежелание принимать участие в общественной жизни.

Студенты 1 и 4 групп оказались преимущественно в 1-м кластере, что говорит о большом стремлении к общению и желании повысить свой социальный статус.

Рис. 19. Диаграмма присутствия каждой из групп в 1-м кластере

Рис. 20. Диаграмма присутствия каждой из групп во 2-м кластере

Рис. 21. Диаграмма присутствия каждой из групп в 3-м кластере

Рис. 22. Диаграмма присутствия каждой из групп в 4-м кластере

В таблицах и на диаграммах представлены данные о структуре полученных кластеров.

Анализ полученных результатов показал, что в первый кластер попали студенты из всех групп, т.е. его характеристики можно условно считать типичным мотивационным профилем для студентов 3 – 5 курсов.

В соответствии с методикой «Мотивационный профиль личности» существует 4 типа мотивационных профилей:

1 – прогрессивный

2 – регрессивный

3 – импульсивный

4 – уплощенный

Как видно из графика центроидов кластеров, в нашем случае наблюдается только импульсивный тип мотивационного профиля. При этом структура мотивов во всех кластерах одинакова – наиболее выраженными являются мотивы С и О, наименее выраженными – мотивы Д и ОД.

5.2. Анализ социально-психологических особенностей студенток старших курсов

1. Анализ особенностей студенток при помощи теста «Роза качества жизни»

Интегративный тест самооценки качества жизни предложен доктором медицинских наук И.А. Гундаровым (1995). Тест отражает общий уровень соматического и психического здоровья, позволяет провести самоанализ удовлетворенности жизнью.

Рассмотрим схему. Круг разбит на 14 секторов, радиусы делятся на три равных отрезка: 30, 60 и 100 условных единиц. Каждому радиусу соответствует показатель качества жизни, например душевный покой, семья, дети, здоровье, материальный достаток и т.д. 100 единиц – максимальный уровень удовлетворённости соответствующим показателем. 0 – центр круга (минимальный уровень). Очертания розы индивидуальны.

Рис. 23. Схема розы «качества жизни»

В результате кластерного анализа иерархическим методом было выделено 4 кластера (дендограмма представлена в приложении 4), характеристики которых представлены в таблице 4.

Таблица 4

Центроиды кластеров

Кластер	душевный покой	семья	дети	здоровье	материальный достаток	жилищные условия	питание
1	85,781	93,906	39,031	68,906	70,781	83,906	84,375
2	43,611	45,556	33,889	57,778	42,22	41,667	62,778
3	63,809	73,571	66,667	30,714	60,952	60,238	61,191
4	68,824	61,47	73,824	83,824	72,352	70,294	85,882

Продолжение таблицы 4

Кластер	условия в районе прожив.	духовные потреб.	общ. с друзьями	отдых	положение в обществе	работа	сексуальная жизнь
1	76,406	72,969	91,875	75,313	77,969	45,938	67,344
2	51,389	53,889	62,778	45,278	57,778	26,389	36,111
3	71,191	71,667	67,143	78,33	65	58,571	58,81
4	70,294	63,235	69,412	80	78,824	78,235	65,588

В первом кластере оказались студентки полностью удовлетворенные своей семьей, душевным покоем и своим общением с друзьями, а также имеющие небольшое желание завести детей.

Во втором кластере оказались люди, имеющие среднюю удовлетворенность практически по всем показателям. Эти люди испытывают некие недостатки по всем параметрам.

Третий кластер объединил людей, имеющих удовлетворенность жизнью выше среднего, за исключением своего здоровья.

В четвертый же кластер попали люди, указавшие свою удовлетворенность жизнью как не самую высокую, так и не самую низкую.

Рис. 24. Образовавшиеся кластеры

Рис. 25. График кластерного рассеяния в пакете Statgraphics Plus

Рис. 26. Спектральное представление 5 студентов из 1-го кластера

1. Анализ особенностей студенток при помощи Фрайбургского личностного опросника (ФПИ)

Опросник FPI содержит 12 шкал. Шкалы опросника I – IX являются основными, или базовыми, а X – XII – производными, интегрирующими. Производные шкалы составлены из вопросов основных шкал и обозначаются иногда не цифрами, а буквами E, N и М соответственно.

Шкала I (невротичность) характеризует уровень невротизации личности. Высокие оценки соответствуют выраженному невротическому синдрому астенического типа со значительными психосоматическими нарушениями.

Шкала II (спонтанная агрессивность) позволяет выявить и оценить психопатизацию интротенсивного типа. Высокие оценки свидетельствуют о повышенном уровне психопатизации, создающем предпосылки для импульсивного поведения.

Шкала III (депрессивность) дает возможность диагностировать признаки, характерные для психопатологического депрессивного синдрома. Высокие оценки по шкале соответствуют наличию этих признаков в эмоциональном состоянии, в поведении, в отношении к себе и к социальной среде.

Шкала IV (раздражительность) позволяет судить об эмоциональной устойчивости. Высокие оценки свидетельствуют о неустойчивом эмоциональном состоянии со склонностью к аффективному реагированию.

Шкала V (общительность) характеризует как потенциальные возможности, так и реальные проявления социальной активности. Высокие оценки позволяют говорить о наличии выраженной потребности в общении и постоянной готовности к удовлетворению этой потребности.

Шкала VI (уравновешенность) отражает устойчивость к стрессу. Высокие оценки свидетельствуют о хорошей защищенности к воздействию стресс-факторов обычных жизненных ситуаций, базирующейся на уверенности в себе, оптимистичности и активности.

Шкала VII (реактивная агрессивность) имеет целью выявить наличие признаков психопатизации эктратенсивного типа. Высокие оценки свидетельствуют о высоком уровне психопатизации, характеризующемся агрессивным отношением к социальному окружению и выраженным стремлением к доминированию.

Шкала VIII (застенчивость) отражает предрасположенность к стрессовому реагированию на обычные жизненные ситуации, протекающему по пассивно-оборонительному типу. Высокие оценки по шкале отражают наличие тревожности, скованности, неуверенности, следствием чего являются трудности в социальных контактах.

Шкала IX(открытость) позволяет характеризовать отношение к социальному окружению и уровень самокритичности. Высокие оценки свидетельствуют о стремлении к доверительно-откровенному взаимодействию с окружающими людьми при высоком уровне самокритичности. Оценки по данной шкале могут в той или иной мере способствовать анализу искренности ответов обследуемого при работе с данным опросником, что соответствует шкалам лжи других опросников.

Шкала X (экстраверсия – интроверсия). Высокие оценки по шкале соответствуют выраженной экстравертированности личности, низкие – выраженной интровертированности.

Шкала XI (эмоциональная лабильность). Высокие оценки указывают на неустойчивость эмоционального состояния, проявляющуюся в частых колебаниях настроения, повышенной возбудимости, раздражительности, недостаточной саморегуляции. Низкие оценки могут характеризовать не только высокую стабильность эмоционального состояния как такового, но и хорошее умение владеть собой.

Шкала XII(маскулизм – феминизм). Высокие оценки свидетельствуют о протекании психической деятельности преимущественно по мужскому типу, низкие – по женскому.

К низким относятся оценки в диапазоне 1 – 3 балла, к средним - 4 – 6 баллов, к высоким – 7 – 9 баллов. Следует обратить особое внимание на оценку по шкале IX, имеющую значение для общей характеристики достоверности ответов.

В результате кластерного анализа иерархическим методом было выделено 4 кластера (дендограмма представлена в приложении 5), характеристики которых представлены в таблице 5.

Таблица 5

Центроиды кластеров

Кластер	Невротичность	спонтанная агрессивность	Депрессивность	Раздражительность
1	4.0417	3.75	3.9583	4.3333
2	6.9583	6.875	6.9583	7.1667
3	7.2609	6.7826	7.5652	7.4348
4	4.7647	6.7059	4.7059	6.9412

Продолжение таблицы 5

Кластер	Общительность	Уравновешенность	реактивная агрессивность	застенчивость
1	4.4583	6	5.25	5.25
2	4.375	5.9583	7.375	6.9583
3	3.3478	3.1304	6.3913	7.3478
4	5.4118	6.5294	6.6471	5.3529

Продолжение таблицы 5

Кластер	открытость	экстраверсия - интроверсия	эмоциональная лабильность	маскулизм - феминизм
1	6.0833	4.5417	4.3333	4.375
2	7	5.7083	7.2083	5.75
3	7.6087	4.2609	7.5217	3
4	7.5294	7.2941	4.9412	6.7647

Первый кластер объединил студенток, имеющих средние показатели невротичности, уравновешенности, реактивной агрессивности и застенчивости. Также можно отметить, что эти девушки относятся к такому типу людей как экстраверты и маскулисты.

Во втором кластере оказались студентки с высокими показателями открытости, эмоциональной лабильности, раздражительности и реактивной агрессивности.

Третий кластер объединил людей с высокими показателями по всем параметрам. Эти студентки, также как и студентки из первого кластера являются экстравертками и маскулистками.

В четвертом кластере оказались интровертки и феминистки с высокими показателями открытости и раздражительности.

Рис. 27. График полученных кластеров (вид сверху)

Рис. 28. График кластерного рассеяния в пакете Statgraphics Plus

1. Анализ особенностей студенток при помощи личностного опросника «Шмишек»

Данный опросник применяется для психологической консультации, а также с целью профотбора и профориентации. Его применение возможно как индивидуально, так и в группе.

Описание акцентуаций по Леонгарду:

1. Демонстративный тип. Высокие оценки по этой шкале говорят о повышенной способности к вытеснению, демонстративности поведения.

2. Педантичный тип. Высокие оценки говорят о ригидности, инертности психических процессов, о долгом переживании травмирующих событий.

3. Застревающий тип. Основная черта этого типа — чрезмерная стойкость аффекта со склонностью к формированию сверхценных идей.

4. Возбудимый тип. Таким людям свойственны повышенная импульсивность, ослабление контроля над влечениями и обсуждениями.

5. Гипертимический тип. Высокие оценки говорят о постоянном повышенном фоне настроения в сочетании с жаждой деятельности, высокой активностью, предприимчивостью.

6. Дистимический тип. Этот тип является противоположным предыдущему, характеризуется сниженным настроением, фиксацией на мрачных сторонах жизни, идеомоторной заторможенностью.

7. Тревожнообоязливый тип. Основные черты —склонность к страхам, повышенная робость и пугливость, высокий уровень тревожности.

8. Цикломитический тип. Людям с высокими оценками по этой шкале соответствует смена гипертимических и дистимических фаз.

9. Аффективнооэкзальтированный тип. Лицам этого типа свойственен большой диапазон эмоциональных состояний, они легко приходят в восторг от радостных событий и в полное отчаяние от печальных.

10. Эмотивный тип. Это чувствительные и впечатлительные люди, отличаются глубиной переживаний в области тонких эмоций в духовной жизни человека [6].

В результате кластерного анализа иерархическим методом было выделено 4 кластера, характеристики которых представлены в таблице 6.

Таблица 6

Центроиды кластеров

Кластер	гипертимы	возбудимые	мотивные	педантичные	тревожные
1	18,6	14,08	15,84	8,96	11,28
2	15,75	16,125	19,125	13,125	18
3	11,1429	14,5	15,6429	13,7857	14,7857
4	21	16,4211	18,1579	10,6316	9,9474

Продолжение таблицы 6

Кластер	циклотивные	демонстративные	неуравновешенные	дистимные	экзальтированные
1	12,44	13,36	8,52	5,52	14,4
2	20,0625	11,5	15,75	7,5	23,25
3	16,8929	12,1429	13,8214	10,3929	15,8571
4	19,5789	19,2632	12	5,8421	18,3158

В первом кластере оказались студентки, которые относятся к возбудимому, неуравновешенному типу.

Второй кластер объединил педантичных и легко возбудимых людей.

В третьем кластере оказались люди, относящиеся к гипертимическому типу.

В четвертом кластере оказались студентки, относящиеся к демонстративному, цикломитическому типу.

Рис. 29. График кластерного рассеяния в пакете Statgraphics Plus

Рис. 30. Образовавшиеся кластеры

Заключение

В результате выполнения выпускной квалификационной работы изучены методы анализа многомерных данных (кластерный анализ и методы визуализации). С использованием данных методов решены 2 прикладные задачи:

• исследована структура мотивов учебной деятельности студентов;

• выявлены социально-психологические особенности студенток старших курсов.

Произведено сравнение результатов классификации объектов численно-аналитическим методом, процедурой сравнения по качественным хроматическим признакам и методами кластерного анализа.

Применение средств визуализации в процедурах принятия решений повышает уровень их понимания, делает результаты более наглядными и аргументированными.

В настоящее время авторами ведутся исследования по поиску других областей применения визуализации в данной системе.

Материалы работы обсуждались на IX Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых «Молодежь и современные информационные технологии»; на VIII Международной конференции студентов и молодых ученых «Перспективы развития фундаментальных наук» и на VIII Всероссийской научно-практической конференции «Технологии Microsoft в теории и практике программирования».

Список литературы

1. Зенкин А.А. Когнитивная компьютерная графика/ Под ред. Д.А.

Поспелова. – М.: Наука, 1991. – 187 с.

1. Соловов А.В. Когнитивная компьютерная графика в инженерном образовании / Высшее образование в России, 1998. С. 90-96.

2. Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. – М.: Эдиториал УРСС, 2002. – 352 с.

3. Официальный сайт компании NovoSpark. [Электронный ресурс]. –

Режим доступа: http://www.novospark.com

1. Шаропин К.А., Берестнева О.Г., Шкатова Г.И. Визуализация результатов экспериментальных исследований// Известия Томского политехнического университета, 2010 – т.316, - №5. – С. 172 – 176. (23970287)

2. Козлова Н.В., Берестнева О.Г., Шелехов И.Л. Особенности личностного и профессионального становления студентов университета. Вып. 9 (87), 2009. - № 6. – С. 103 – 107. (26929022)

3. Осадчая И.А. Когнитивная графика в социально-психологических исследованиях. //VIII Международная конференция студентов и молодых ученых «Перспективы развития фундаментальных наук». - Томск, 2011.

Приложение 1

Приложение 2

Кластерная структура полной выборки

Приложение 3

Первый кластер

Второй кластер

Третий кластер

Четвертый кластер

Приложение 4

Дендограмма кластеров теста «Роза Жизни»

Продолжение приложения 4

Приложение 5

Дендограмма кластеров теста «ФПИ»

Продолжение приложения 5

47

Код для цитирования: Скопировать