ПРИМЕНЕНИЕ МЕТОДОВ МНОГОМЕРНОГО СТАТИСТИЧЕСКОГО АНАЛИЗА В ЗАДАЧЕ ИССЛЕДОВАНИЯ ГЕНДЕРНЫХ И ПСИХОЛОГИЧЕСКИХ ОСОБЕННОСТЕЙ СТУДЕНТОВ - Студенческий научный форум

VI Международная студенческая научная конференция Студенческий научный форум - 2014

ПРИМЕНЕНИЕ МЕТОДОВ МНОГОМЕРНОГО СТАТИСТИЧЕСКОГО АНАЛИЗА В ЗАДАЧЕ ИССЛЕДОВАНИЯ ГЕНДЕРНЫХ И ПСИХОЛОГИЧЕСКИХ ОСОБЕННОСТЕЙ СТУДЕНТОВ

Шпак Ю.К. 1, Ясюкевич Ю.В. 2
1Томский политехнический университет
2Юргинский филиал ТПУ
 Комментарии
Текст работы размещён без изображений и формул.
Полная версия работы доступна во вкладке "Файлы работы" в формате PDF

В свете новой социальной ситуации, сложившейся в нашей стране, в связи с ломкой социальных стереотипов необходимо отметить актуальность изучения особенностей профессионального становления личности с учетом социально-культурного понимания гендера. При этом в основе данной позиции лежит понимание гендера как одной из базовых характеристик личности, которая оказывает влияние на другие ее характеристики, в том числе и на профессиональное становление личности, и на особенности процесса формирования самосознания [1, 2].

Гендер – социальный пол, определяющий поведение человека в обществе и то, как это поведение воспринимается. В психологии понятие «гендер» употребляется в более широком смысле, подразумевая любые психические или поведенческие свойства, ассоциирующиеся с маскулинностью и фемининностью, предположительно отличающие мужчин от женщин.

Гендер характеризует социальный статус, который определяет индивидуальные возможности образования, профессиональной деятельности, доступ к власти [5, 6].

Известно, что в большинстве культур психологическая среда для двух полов отличается и эти различия могут по-разному влиять на выбор будущей профессии [7].

Реализация гендерной программы развития личности, выраженная в процессе гендерной социализации, понимается как одна из основных программ биореализации человека [3]. Гендерная социализация является основой становления гендерной идентичности, под которой понимается аспект самосознания, описывающий переживание себя, как представителя определенного пола [4].

Анализ гендерной идентичности наиболее актуален у молодых людей, в частности у студентов высшей школы и средних специальных учебных заведений, жизнь которых неразрывно связана с устремлением в будущее – созданием семьи, рождением и воспитанием детей профессиональным становлением и преобразованием общества. Необходимость изучения гендерных различий, последующей профессиональной самореализации, развития личности обусловлена по меньшей мере двумя обстоятельствами.

1. Трансформации в различных сферах общественной жизни определяют индивидуальные особенности бытия, изменяют культуру, нормы, ценности и ожидания членов общества.

2. В обществе декларативно признается гендерное равенство, но на практике существует гендерная ассиметрия, формируется противоречивый набор гендерных норм, стереотипов и правил поведения [7].

Из вышеизложенного следует, что исследование, направленное на изучение личностных и гендерных особенностей студентов медицинских учебных заведений, является актуальным и перспективным.

Значимость изучения гендерных особенностей формирования профессионального самосознания студентов вуза в процессе овладения профессией, недостаточная изученность возможностей интеграции профессионального самосознания с базовыми характеристиками личности и актуальность гендерного аспекта в формировании профессионального становления студентов вуза позволили сформулировать проблему данного исследования. Каково влияние гендерных особенностей на формирование профессионального самосознания студентов в процессе профессиональной подготовки и какая взаимосвязь между гендерными особенностями и специальностью студентов? Решение данной проблемы является целью исследования.

Объектом исследования являются гендерные и психологические особенности студентов.

Для достижения поставленной цели необходимо решить ряд задач:

- изучить методы многомерного статистического анализа;

- выбрать подходящий метод для решения поставленной задачи;

- выбрать статистический пакет для реализации выбранного метода;

- реализовать используемый метод;

- проанализировать полученные данные;

- сформулировать вывод на основе проанализированных данных.

Концептуальная постановка задачи

Любая научно-исследовательская или практическая задача в психологии сначала подвергается психологическим интерпретациям, посредством которых от теоретических воз­зрений переходят к операционально определяемым понятиям и эмпирическим процедурам. Затем наступает черед психоло­го-математических интерпретаций, с помощью которых вы­бираются и реализуются математические методы эмпиричес­кого исследования. Полученные данные надо обработать и в процессе обработки осуществляются математичес­кие интерпретации. Наконец, результаты обработки следует интерпретировать содержательно, т. е. выполнить математико-психологическую интерпретацию уровней значимости, аппрок­симированных зависимостей и т. д. Цикл замкнулся, и либо за­дача решена и можно переходить к другой, либо необходимо уточнить предыдущую и повторить исследование. Такова логи­ка действий в применении математики, — и не только в психо­логии, но и в других науках [8].

Объектом исследования являются студенты разных специальностей: экономисты, менеджеры и бухгалтера. С каждым из них были проведены психологические тесты, которые дали показатели гендерных и психологических особенностей студентов. В результате исследования необходимо получить психологический портрет студентов все предоставленных специальностей.

Характеристика экспериментальных данных

В качестве исходной информации имеем сведения о студентах с тремя группами специальностей:

1 группа: Экономисты.

2 группа: Менеджеры.

3 группа: Бухгалтера.

Каждая группа имеет такие гендерные особенности как маскулинность, фемининность и андрогинность.

Маскулинность. К типично мужским чертам традиционно относятся такие, как независимость, напористость, доминантность, агрессивность, склонность к риску, самостоятельность, уверенность в себе и др. В специальных исследованиях было установлено, что генерализованная спонтанная агрессивность, а также сексуальная агрессия коррелируют с уровнем содержания андрогенов (мужские половые гормоны) в сыворотке крови. В другом исследовании на выборке в 191 человек было установлено, что маскулинных индивидов отличает большее самоуважение в целом, а также более высокая самооценка в области академических достижений и собственной внешности – физическое Я [9].

Фемининность. К типично женским чертам традиционно относятся такие, как уступчивость, мягкость, чувствительность, застенчивость, нежность, сердечность, способность к сочувствию и сопереживанию и др. Социальные стереотипы фемининности меньше касаются сторон личности и успешности деловой карьеры, но при этом уделяют значительное внимание эмоциональным аспектам.

Андрогинность. В соответствии с существующими представлениями индивид не обязательно является носителем четко выраженной психологической маскулинности или фемининности. В личности могут быть на паритетных началах представлены существенные черты как маскулинного, так и фемининного типов. При этом предполагается, что у андрогина эти черты представлены гармонично и взаимодополняемо. Считается, что такая гармоничная интеграция маскулинных и фемининных черт повышает адаптивные возможности андрогннного типа. При этом большая мягкость, устойчивость в социальных контактах и отсутствие резко выраженных доминантно-агрессивных тенденций в общении никак не связаны со снижением уверенности в себе, а напротив, проявляются на фоне сохранения высокого самоуважения, уверенности в себе и самопринятия. В уже упоминавшемся выше исследовании [9] было показано, что андрогины не уступают маскулинному типу ни по уровню самоуважения в целом, ни по уровню самооценок академических достижений и собственной внешности (физическое Я).

Вернемся к исходной информации исследования. Описанные ранее группы студентов, кроме гендерных особенностей имеют показатели, основанные на психологических тестах, которые проводились с каждым студентом. Эти тесты имеют названия «Фрайбургский личностный опросник», «Опросник Леонгарда-Шмишека», «Шкала самооценки Спилберга – Ханина», «Роза качества жизни».

Тест под названием «Фрайбургский личностный опросник FPI» характеризует личностные особенности, определяя степень невротичности, спонтанности, депрессивности, раздражительности, общительности, уравновешенности, реактивности, агрессивности, застенчивости, открытости и эмоциональной лабильности.

Тест характера под названием «Опросник Леонгарда-Шмишека» характеризует гипертимность, возбудимость, мотивность, педантичность, тревожность, циклотивность, неуравновешенность, дистимность и экзальтированность каждого студента.

«Шкала самооценки Спилберга – Ханина» является надежным и информативным способом самооценки уровня тревожности в данный момент и личностной тревожности.

Интегративный тест самооценки, под названием «Роза качества жизни», отражает общий уровень соматического и психического здоровья, позволяет провести самоанализ удовлетворенности жизнью с помощью показателей душевного покоя, семьи, детей, здоровья, материальный достаток, жилищных условий, питания, условий в районе проживания, духовных потребностей, общения с друзьями, развлечения и отдыха, положения в обществе, работы и сексуальной жизни.

Задача заключается в анализе структуры экспериментальных многомерных психологических данных на основе кластерного анализа.

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

Выбор метода решения поставленной задачи

Анализ многомерных данных без использования обучающей информации направлен на выяснение структуры взаимоотношений объектов и признаков. В настоящее время накоплен обширный арсенал средств такого анализа. Классификация известных методов анализа структуры многомерных данных приведена в таблице 1.

Таблица 1. Классификация методов анализа структуры данных

Методы визуализации данных

Методы автоматического группирования

Линейные методы снижения размерности

Факторный анализ объектов и признаков

Нелинейные отображения

Кластерный анализ объектов и признаков

Многомерное шкалирование

Иерархическое группирование

Заполняющие пространство кривые

Определение “точек сгущения”

Для решения поставленной задачи будут использоваться многомерные статистические методы анализа данных.

Кластерный анализ

Кластерный анализ - это многомерная статистическая процедура, выполняющая сбор данных, содержащих информацию о выборке объектов, и затем упорядочивающая объекты в сравнительно однородные группы (кластеры) (Q-кластеризация, или Q-техника, собственно кластерный анализ).

Кластер (англ. Cluste  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 [11]. Большое достоинство кластерного анализа в том, что он позволяет производить разбиение объектов не по одному параметру, а по целому набору признаков.

Критерий качества классификации (cluster (англ.) – гроздь, пучок, скопление, группа элементов, характеризуемых каким-либо общим свойством) в той или иной мере отражает следующие неформальные требования [15]:

1) внутри групп объекты должны быть тесно связаны между собой;

2) объекты разных групп должны быть далеки друг от друга;

3) при прочих равных условиях распределения объектов по группам должны быть равномерными.

Требования 1 и 2 выражают стандартную концепцию компактности классов разбиения [16]; требование 3 состоит в том, чтобы критерий не навязывал объединения отдельных групп объектов.

Основная цель кластерного анализа – выделить в исходных многомерных данных такие однородные подмножества, чтобы объекты внутри групп были похожи друг на друга, а объекты из разных групп – не похожи. Под «похожестью» понимается близость объектов в многомерном пространстве признаков, и тогда задача сводится к выделению в этом пространстве естественных скоплений объектов, которые и считаются однородными группами [13].

Решением задачи кластерного анализа является разбиение, удовлетворяющее некоторому критерию оптимальности. Этот критерий может представлять собой некоторый функционал, выражающий уровни желательности различных разбиений и группировок. Данный функционал часто называют целевой функцией. Но что означает «два объекта xiи xjразличны»? Задача была бы решена, если бы объекты i и j попадали в один кластер всякий раз, когда расстояние (отдаленность) между соответствующими точками xiи xjбыло бы «достаточно малым» и, наоборот, попадали в разные кластеры, если бы расстояние между точками xiи xjбыло «достаточно большим».

В таблице 2 приведены примеры наиболее часто используемых функций расстояния.

Таблица 2. Некоторые функции расстояния, используемые в методах кластерного анализа

Название

Формула

Обозначения

  1. Евклидово

расстояние

 

i, j — номера объектов;

p — количество переменных, характеризующих объект;

k — номер признака;

xki— значение

k-го признака у

i-го объекта;

S – ковариационная матрица

2. L1-норма

 

3. Сюпремум норма

 

4. Lp-норма

 

5. Расстояние

Махаланобиса

 

6. Расстояние

Хэмминга

 

Многие процедуры при кластеризации совершаются ступенчато. Это означает, что два, наиболее близко расположенных объекта xiи xj,объединяются и рассматриваются как один кластер. Это приводит к тому, что число объектов уменьшается и становится равным n – 1, причем один кластер будет содержать два объекта, а остальные по одному. Наиболее подходящее разбиение выбирает чаще всего сам исследователь на основе дендрограммы, которая отображает результаты группирования объектов на всех шагах алгоритма. Могут одновременно также использоваться и математические критерии качества группирования.

Дендрограмма (dendrogram) - древовидная диаграмма, содержащая n уровней, каждый из которых соответствует одному из шагов процесса последовательного укрупнения кластеров. Дендрограмму также называют древовидной схемой, деревом объединения кластеров, деревом иерархической структуры.

Традиционно различают классификации иерархические и неиерархические (называемые иногда структурными). Соответственно можно разделить алгоритмы получения этих классификаций.

Принцип работы иерархических алгоритмов состоит в последовательном объединении в кластер сначала самых близких, а затем и всё более отдалённых друг от друга элементов. Большинство из этих алгоритмов исходит из матрицы сходства (расстояний), и каждый отдельный элемент рассматривается вначале как отдельный кластер. Общая схема такой иерархической группировки может быть представлена как повторяющееся приложение трех операций к мерам расстояния объект (кластер) – объект (кластер):

  1. найти наименьшее расстояние между объектом (кластером) S1 и объектом (кластером) S2;

  2. объединить S1 и S2 в один кластер, присвоив общий индекс объединению ;

  3. вычислить расстояние от кластера до любого другого объекта (кластера) S.

Существуют методы, основанные на евклидовой мере расстояния. К ним относятся метод Уорда, центроидный метод, метод ближайшего соседа, метод дальнего соседа и медианный метод.

Метод Уорда (Ward's method). В качестве целевой функции применяется внутригрупповая сумма квадратов (ВСК) отклонений, которая есть не что иное, как сумма квадратов расстояний между каждой точкой (объектом) и средней по кластеру, содержащему этот объект. Этот метод представляет собой последовательную процедуру: на каждом шаге объединяются такие два кластера, которые приводят к минимальному увеличению целевой функции, т. е. ВСК. Метод Уорда направлен на объединение близко расположенных кластеров.

Центроидный метод. Расстояние между двумя кластерами I и Jв этом методе определяется как евклидово расстояние между центрами (средними) этих кластеров. Кластеризация осуществляется поэтапно: на каждом из n – 1 шагов объединяют два кластера I и J, имеющие минимальные значения . Если n1 много больше n2, то центры и J близки друг к другу, и характеристики J при объединении кластеров практически игнорируются [15].

Метод ближайшего соседа. На первом шаге каждый объект считается отдельным кластером. Расстояние между кластерами равно расстоянию между двумя ближайшими соседями классов. Независимо от общей формы кластера к нему присоединяются ближайшие к границе объекты.

Метод дальнего соседа. Так же как и во всех методах, в этом методе каждый объект на первом шаге считается отдельным кластером, и межкластерное расстояние равно расстоянию между самыми дальними объектами.

Медианный метод. Межкластерное расстояние равно расстоянию между точками с медианными значениями признаков в классах.

В качестве метода решения поставленной задачи выбран метод Уорда (Ward's method).

Программная реализация алгоритма многомерного статистического анализа

Развитие вычислительной техники и программного обеспечения способствует широкому внедрению методов многомерного статистического анализа в практику.

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].

Наиболее популярными являются пакеты статистического анализа данных, представленных в таблице 3. Выбор исследователем компьютерного статистического пакета анализа данных зависит от характера решаемых задач, квалификации пользователя, имеющегося оборудования и т.п.

Таблица 3. Классификация статистических пакетов

Тип

Зарубежные

Отечественные

Универсальные

STATGRPHICS, SPSS, STATISTICA, S-PLUS

STADIA, Olymp

Специализированные

Большое разнообразие

Класс-Мастер, Эвристика, DataScope, САНИ

Пакеты прикладных программ с удобным пользовательским интерфейсом, такие как SPSS, Statistica, STATGRPHICS и др., снимают трудности в применении методов многомерного статистического анализа, заключающиеся в сложности математического аппарата, опирающегося на линейную алгебру, теорию вероятностей и математическую статистику, и громоздкости вычислений.

Тем не менее, следует отметить, что пакеты SPSS и STATISTICA предназначены для пользователей, владеющих статистическими методами анализа данных на профессиональном уровне. Поэтому осваивать работу со статистическими пакетами лучше всего начинать с программы STATGRPHICS. Этот пакет имеет в распоряжении статистический консультант (StatAdvisor), который интерпретирует полученные результаты, определяет значимые эффекты или указывает на возможные недостатки в приведенном анализе. Изучив принципы работы с данным пакетом, не составит особого труда перенести полученные навыки на другие пакеты.

Преимущества статистических пакетов STATGRAPHICS, SPSS и STATISTICA для проведения кластерного анализа обусловлены их графическими возможностями. Так, в них предусмотрены двумерные и трехмерные графические отображения полученных кластеров в пространстве исследуемых переменных, а также результаты работы иерархической процедуры группирования объектов.

Некоторые из методов кластерного анализа достаточно полно представлены в прикладном пакете STATGRAPHICS, в котором реализовано 6 видов иерархических процедур: метод ближайшего соседа, метод дальнего соседа, центроидный метод, медианный метод, метод группового среднего, метод Уорда и одна неиерархическая процедура типа k-средних. Такое явное предпочтение иерархическим алгоритмам отдано из-за того, что в отличие от оптимизационных кластерных алгоритмов, представляющих исследователю конечный результат группирования объектов, иерархические процедуры позволяют проследить процесс выделения группировок, и иллюстрируют соподчиненность кластеров, образующихся на разных этапах работы.

На основании всего выше сказанного в качестве прикладной программы был выбран статистический пакет STATGRPHICS.

Проведение экспериментальных исследований и обсуждение результатов

Объектом исследования являются студенты с гендерными и психологическими особенностями. Студенты в свою очередь поделены на три группы по специальности экономист, менеджер и бухгалтер. Каждая группа содержит в себе некоторое количество студентов определенной специальности с личными показателями. Все данные представлены в таблице на рисунке 1.

Рисунок 1. Фрагмент таблицы данных

В результате исследования необходимо получить психологический портрет в каждой группе студентов.

Проведем кластерный анализ, чтобы выделить в исходных многомерных данных такие однородные подмножества, чтобы объекты внутри групп были похожи друг на друга, а объекты из разных групп – не похожи.

Рассмотрим последовательность действий проведения кластерного анализа в статистическом пакете Statgraphics.

Активизируем пакет Statgraphics, выберем в главном меню модуль кластерного анализа Special – MultivariateMethods – ClusterAnalysis… (рис. 2).

Рисунок 2. Активизация модуля кластерного анализа

Откроется диалоговое окно для ввода исследуемых переменных. После нажатия кнопки OK на экране раскроется окно с суммарной статистикой кластерного анализа, где будут указаны: количество исследованных объектов, метод выделения кластеров и количество выделенных кластеров. В таблице указаны центроиды выделенных кластеров. Для внесения изменений параметров анализа с помощью контекстного меню (правая кнопка мыши) выберем пункт AnalysisOptions… Откроется окно ввода параметров проведения кластерного анализа (рис. 3).

Рисунок 3. Окно выбора метода кластерного анализа

По умолчанию выделение кластеров реализовывается методом ближайшего соседа, выделяется один кластер и используется в качестве меры расстояния квадрат Евклидова расстояния. Внесем изменения параметров и нажмите кнопку OK.

Для вывода результатов развернутого кластерного анализа (например, для определения распределения объектов по выделенным кластерам) нажмем кнопку табличных опций. Откроется окно выбора, представленное на рис. 4.

Рисунок 4. Окно табличных опций кластерного анализа

Для вывода графической информации (например, иерархической дендограммы) нажмем кнопку графических опций. Откроется окно выбора, представленное на рис. 5.

Рисунок 5. Окно выбора графических опций кластерного анализа

Проведем процедуру разбиения на кластеры. Будем использовать психологические показатели теста ФПИ (Фрайбургский личностный опросник FPI). Для этого выполним все вышеуказанные действия и получим графическое представление – дендограмму, по которой определим количество выделенных кластеров. В окне выбора метода заменим количество кластеров на 3. Получившаяся дендограмма, представлена на рисунке 6.

Рис. 6. Дендрограмма, построенная по результатам теста ФПИ

Полученные результаты представлены в таблице 4 и 5.

Таблица 4. Центроиды кластеров по тесту ФПИ

Показатели теста ФПИ

Кластер 1

Кластер 2

Кластер3

Невротичность

6,54

6,88

3,89

Спонтанная агрессивность

6,50

6,81

4,46

Депрессивность

6,11

7,25

4,04

Раздражительность

6,57

7,44

5,11

Общительность

3,39

4,19

5,43

Уравновешенность

6,07

3,72

6,46

Реактивная агрессивность

7,07

6,59

5,50

Застенчивость

6,46

7,28

4,96

Открытость

6,21

8,19

6,46

Экстраверсия – интроверсия

4,82

5,09

6,07

Эмоциональная лабильность - стабильность

6,14

7,53

4,32

По полученным данным можно сделать вывод, что в первый кластер попали студенты интроверты с низкой общительностью и с выраженной реактивной агрессивностью. Такие люди избегают контактов с людьми, не разговорчивы, не склонны к социальной активности и при этом очень яростно отстаивают свое мнение, авторитетны и крайне недоверчивы. Ко второму кластеру относятся студенты неуравновешенные, не уверенные в себе, депрессивные, раздражительные, чрезмерно щепетильные, но в тоже время доверительно-откровенно взаимодействуют с окружающими людьми при высоком уровне самокритичности. Третий кластер составляют психологически и эмоционально устойчивые люди, т.е. для них характерны умеренный уровень невротизации, психопатизации (неимпульсивность, обдуманная реакция, уверенность, без внутренних противоречий и сомнений), депрессивности и застенчивости.

В таблице 5 представлены данные о распределении студентов разных специальностей по выделенным кластерам.

Таблица 5. Распределение студентов по кластерам в количественном и процентном соотношении

Специальность студента

Кластер 1

Кластер 2

Кластер 3

Общее количество по каждой специальности

Менеджеры

16 (18,18 %)

14 (15,91%)

14 (15,91%)

44 (50,00%)

Экономисты

8 (9,09%)

13 (14,77%)

9 (10,23%)

30 (34,09%)

Бухгалтера

4 (4,55%)

5 (5,68%)

5 (5,68%)

14 (15,91%)

Общее количество

28 (31,82%)

32 (36,36%)

28 (31,82%)

88 (100%)

Как видно из таблицы 5 психологические особенности характерные для второго кластера чаще всего встречаются у студентов экономистов, хотя достоверных взаимосвязей между специальностью (менеджер, бухгалтер, экономист) и выделенными кластерами выявлено не было.

Проведем кластерный анализ для гендерных особенностей студентов и проанализируем, какому уровню фемининности или маскулинности соответствуют вышеперечисленные психологические портреты. Для этого составим таблицу с полученными данными (таблица 6).

Таблица 6. Распределение студентов по кластерам и гендерным особенностям

Уровень

Гендерные особенности

Кластер 1

Кластер 2

Кластер 3

Низкий

Маскулинность

8

14

7

Фемининность

13

8

18

Средний

Маскулинность

14

14

14

Фемининность

6

10

7

Высокий

Маскулинность

6

4

7

Фемининность

9

14

3

Проанализировав полученные данные, можно сказать, что для девушек фемининного типа характерны депрессивность, раздражительность, неуравновешенность и откровенность. А для девушек маскулинного типа характерен психологический портрет первого и третьего кластера из предыдущего кластерного анализа, т.е. низкая общительность, выраженная реактивная агрессивность, неимпульсивность, обдуманная реакция и другие.

Проведем кластерный анализ для психологического теста «Опросник Леонгарда-Шмишека». Получим графическое представление – дендограмму, по которой определим количество выделенных кластеров. В окне выбора метода заменим количество кластеров на 4. Получившаяся дендограмма, представлена на рисунке 7.

Рисунок 7. Дендрограмма, построенная по результатам теста Леонгарда-Шмишека

По полученным данным составлены таблицы с центроидами (таблица 7) и с распределением студентов по кластерам (таблица 8).

Таблица 7. Центроиды кластеров по тесту Леонгарда-Шмишека

Психологические показатели теста (типы акцентуаций)

Кластер1

Кластер 2

Кластер 3

Кластер 4

Гипертимический тип

18,6

15,75

11,14

21,0

Возбудимый тип

14,08

16,13

14,5

16,42

Эмотивный тип

15,84

19,73

15,64

18,15

Педантичный тип

8,96

13,13

13,79

10,63

Тревожно-боязливый тип

11,28

18,0

14,78

9,94

Циклотимический тип

12,44

20,06

16,89

19,57

Демонстративный тип

13,36

11,5

12,14

19,26

Аффективно-экзальтированный тип

8,52

15,75

13,82

12,0

Дистимический тип

5,52

7,5

10,39

5,84

Застревающий тип

14,4

23,25

15,85

18,31

Исходя из полученных результатов, можем создать психологический портрет студентов в каждом кластере.

К первому кластеру принадлежат студенты, которые не склонны к педантизму, уравновешенны и обладают низким уровнем утомляемости. Редко испытывают перепады настроения.

Во второй кластер попали студенты с высоким показателем эмоциональной жизни. Они имеют высокие перепады настроения и неуравновешенное поведение. Так же у испытуемых наблюдается повышенная тревожность.

О студентах в третьем кластере можем сказать, что они имеют низкую жизненную активность и высокую утомляемость. Эта группа студентов составляет больший процент от общего количества всех испытуемых.

Оставшиеся студенты характеризуются высокими показателями жизненной активности, демонстративного поведения и выраженного эмоционального реагирования. В тоже время они не испытывают тревожность и утомляемость.

Таблица 8. Распределение студентов по кластерам в количественном и процентном соотношении

Специальность студента

Кластер 1

Кластер 2

Кластер 3

Кластер 4

Общее количество по каждой специальности

Менеджеры

12

(13,64%)

9 (10,23%)

15 (17,05%)

8

(9,09%)

44

(50%)

Экономисты

9

(10,23%)

4

(4,55%)

10 (11,36%)

7

(7,95%)

30

(34,09%)

Бухгалтера

4

(4,55%)

3

(3,41%)

3 (3,41%)

4

(4,55%)

14

(15,91%)

Общее количество

25

(28,41%)

16 (18,18%)

28 (31,82%)

19 (21,59%)

88

(100%)

Из таблицы 8 видно, что для студентов экономистов наименее характерен психологический потрет по второму кластеру, а именно высокие перепады настроения и неуравновешенное поведение.

Проведем кластерный анализ по тому же алгоритму, но будем использовать психологические показатели теста «Шкала самооценки Спилберга – Ханина». Получим дендограмму, по которой определим количество выделенных кластеров. В окне выбора метода заменим количество кластеров на 4. Получившаяся дендограмма, представлена на рисунке 8.

Рисунок 8. Дендрограмма, построенная по результатам теста Спилберга-Ханина

Полученные результаты после анализа занесем в таблицы 9 и 10.

Таблица 9. Центроиды кластеров теста Спилберга-Ханина

Психологические показатели теста

Кластер 1

Кластер 2

Кластер 3

Кластер 4

Ситуативная тревожность

26,63

22,13

14,76

40,75

Личностная тревожность

45,73

41,55

47,33

50,0

Из таблицы 9 следует, что первый и второй кластер характеризуется низким уровнем ситуативной тревожности. Люди с такими показателями обычно спокойны, уравновешенны и не имеют какого-либо напряжения на момент тревожной ситуации. Третий кластер составляют люди с низкой ситуативной и высокой личностной тревожностью. Состояние этих студентов характеризуется низким напряжением, спокойствием и низкой нервозностью. Но они воспринимают любые ситуации как угрожающие и испытывают состояние повышенной тревоги. Четвертый кластер составили студенты с высокой личностной тревожностью, т.е. так же как и студенты из третьего кластера, они воспринимают ситуации с большой тревогой.

Таблица 10. Распределение студентов по кластерам в количественном и процентном соотношении

Специальность студента

Кластер 1

Кластер 2

Кластер 3

Кластер 4

Общее количество по каждой специальности

Менеджеры

12 (13,64%)

16 (18,18%)

7 (7,95%)

9 (10,23%)

44

(50%)

Экономисты

6

(6,82%)

13

(14,77%)

9

(10,23%)

2

(2,27%)

30

(34,09%)

Бухгалтера

1

(1,14%)

7

(7,95%)

5

(5,68%)

1

(1,14%)

14

(15,91%)

Общее количество в каждом кластере

19 (21,59%)

36 (40,91%)

21 (23,86%)

12 (13,64%)

88

(100%)

Анализируя данные в таблице 10, пришли к выводу, что для студентов экономической специальности наиболее характерен психологический портрет второго кластера, т.е. они спокойны и уравновешенны. Так же отметим, что для студентов бухгалтеров практически не характерны особенности первого и четвертого кластера.

Проведя кластерный анализ с психологическим тестом «Роза качества жизни», получили дендограмму, изображенную на рисунке 9. Количество кластеров было заменено на 4.

Рисунок 9. Дендрограмма, построенная по результатам теста «Роза качества жизни»

Полученные центроиды занесены в таблицу 11.

Таблица 11. Центроиды кластеров по тесту «Роза качества жизни»

Психологические показатели теста

Кластер 1

Кластер 2

Кластер 3

Кластер 4

Душевный покой

72,96

53,89

71,67

63,23

Семья

91,88

62,78

67,14

69,41

Дети

75,31

45,28

78,33

80,0

Здоровье

77,96

57,78

65,0

78,82

Материальный достаток

45,93

26,39

58,57

78,23

Жилищные условия

67,34

36,11

58,81

65,58

Питание

85,78

43,61

63,81

68,82

Условия в районе проживания

93,91

45,55

73,57

61,47

Духовные потребности

39,03

33,89

66,67

73,82

Общение с друзьями

68,91

57,78

30,71

83,82

Развлечение, отдых

70,78

42,22

60,95

72,35

Положение в обществе

83,91

41,66

60,24

70,29

Работа

84,38

62,77

61,19

85,88

Сексуальная жизнь

76,41

51,39

71,19

70,29

Для студентов, попавших в первый кластер наиболее важными ценностями являются семья, питание, развлечение и отдых, положение в обществе, работа и сексуальная жизнь. Но наименее важными являются духовные потребности. Студентов, которые относятся ко второму кластеру, можно характеризовать как людей, для которых совсем не важны душевный покой, семья, дети, здоровье, материальный достаток, жилищные условия, питание, условия в районе проживания, духовные потребности, отдых, положение в обществе, работа и сексуальная жизнь. Для студентов из третьего кластера совсем не ценны работа и общение с друзьями, что нельзя сказать о студентах из четвертого кластера. Эти студенты наоборот считают очень важными такие ценности как дети, здоровье, материальный достаток, общение с друзьями и работа.

Полученные результаты поместим в таблицу 12.

Таблица 12. Распределение студентов по кластерам в количественном и процентном соотношении

Специальность студента

Кластер 1

Кластер 2

Кластер 3

Кластер 4

Общее количество по каждой специальности

Менеджеры

9 (10,23%)

8

(9,09%)

15 (17,05%)

12 (13,64%)

44

(50%)

Экономисты

14

(15,91%)

8

(9,09%)

4

(4,55%)

4

(4,55%)

30

(34,09%)

Бухгалтера

9

(10,23%)

2

(2,27%)

2

(2,27%)

1

(1,14%)

14

(15,91%)

Общее количество в каждом кластере

32

(36,36%)

18 (20,45%)

21 (23,86%)

17

(19,32%)

88

(100%)

Как видно из таблицы 12, психологические особенности характерные для третьего и четвертого кластера реже всего встречаются у студентов экономистов, но чаще всего у менеджеров. Для бухгалтеров более присуще психологическое описание первого кластера. Были выявлены достоверные взаимосвязи между специальностью (менеджер, бухгалтер, экономист) и выделенными кластерами.

Литература

1. Маркова А. К. Психология профессионализма. М.: Знание, 1996.

2. Самоукина Н. В. Психология и педагогика профессиональной деятельности. М.: Тандем, 2000. - 352 с.

3. Платонов К. К. Личностный подход как принцип психологии // Методологические и теоретические проблемы психологии / под ред. Е. В. Шороховой. М., 1969. – 501 c.

4. Климов Е. А. Психология профессионала. М.: ИПП, 1996. - 400 с.

5. Ильенков Э. В. Философия и культура. М.: Политиздат, 1991. - 374 с.

6. Ильенков Э. В. Что же такое личность // С чего начинается личность. -М.: Политиздат, 1984. – 358 c.

7. Толстолес Е. С., Шелехов И. Л., Берестнева О. Г. Личностные и гендерные особенности студентов медицинских учебных заведений // Вестник ТГПУ. 2012. 6 (121) - 152 c.

8. Суходольский Г. В. Введение в математико-психологическую теорию деятельности. СПб.: СПбГУ, 1998. – 219с.

    9. Соловьева Г. Г. Методологические основы гендера // Основы гендерного образования. Алматы: Акыл кiтабы, 1999. - 48 с.

    10. http://ru.wikipedia.org/wiki/Факторный_анализ.

11. Соловов А.В. Когнитивная компьютерная графика в инженерном образовании. M: Высшее образование в России, 1998. – 96 c.

12. Осадчая И.А. Применение когнитивной графики и многомерных методов анализа данных в социально-психологических исследованиях // V Международная студенческая электронная научная конференция «Студенческий научный форум». Томск, 2013. – 49 c.

13. Тюрин Ю. Н., Макаров А. А. Анализ данных на компьютере / Под ред. В. Э. Фигурнова. – М.: ИНФРА-М, Финансы и статистика, 1995. – 384 с.

14. Шаропин К.А., Берестнева О.Г., Шкатова Г.И. Визуализации результатов экспериментальных исследований. Томск: Известия Томского политехнического университета, 2010. – С. 176.

15. Мандель И. Д., Черный Л. М. Экспериментальное сравнение алгоритмов кластер-анализа // Автоматика и телемеханика, 1988, № 11. – С. 48.

16. Аркадьев А. Г., Браверман Э. М. Обучение машины классификации объектов. М.: Наука, 1971. - 192 с.

Просмотров работы: 4064