«Мозговой штурм» как форма проведения занятий по статистическим методам в психологии

NovaInfo 62, с.409-417, скачать PDF
Опубликовано
Раздел: Психологические науки
Просмотров за месяц: 2
CC BY-NC

Аннотация

Дается описание использования мозгового штурма при проведении учебного семинара по статистическим методам в психологии.

Ключевые слова

МОЗГОВОЙ ШТУРМ, МАГИСТРЫ ПСИХОЛОГИИ, МНОГОМЕРНЫЙ СТАТИСТИЧЕСКИЙ АНАЛИЗ

Текст научной работы

Факультет психологии Саратовского государственного университета имени Н.Г. Чернышевского, одного из старейших и ведущих научно-образовательных центров России, занимает достойное место среди других структурных подразделений университета. В настоящее время на факультете психологии открыты 6 магистерских программ:

  1. Юридическая психология;
  2. Психология творчества;
  3. Организационная психология;
  4. Кросс-культурная психология;
  5. Консультативная психология;
  6. Когнитивная психология.

Область профессиональной деятельности магистров-психологов включает решение комплексных теоретических и практических задач, возникающих в различных сферах деятельности. Область применения полученных знаний открывает широкие возможности в таких профессиональных отраслях как научно-исследовательская деятельность и преподавание, психологическое консультирование, экспертиза, тренинг-менеджмент, психологическое сопровождение профессиональной деятельности и организационных изменений, прогнозирование, профилактика и урегулирование конфликтов. Образовательный процесс в магистратуре, помимо учебных курсов, включает прохождение практик, выполнение научно-исследовательской работы в ведущих организациях г. Саратова, участие в факультетских, российских и международных конференциях. Высокий уровень подготовки в магистратуре факультета психологии, активное сотрудничество с организациями-работодателями и иностранными партнерами, обеспечивает востребованность выпускников на рынке труда.

Одной из важнейших дисциплин, изучаемых будущими магистрами-психологами, является учебная дисциплина «Статистические методы в психологии». Целью освоения дисциплины «Статистические методы в психологии» является ознакомление студентов с математической статистикой и математическими методами анализа данных, применяемых в психологических исследованиях. Задачей дисциплины является овладение студентами системой математических методов обработки данных и подготовка студентов для самостоятельной работы в предметной области. Результатами овладения дисциплиной станут: умение провести интерпретацию полученных в ходе анализа результатов; оценить статистическую значимость полученных выводов; осуществить адекватный своим психологическим задачам выбор компьютерной программы для обработки эмпирического массива; владение понятийным аппаратом математической статистики, навыками профессионального мышления, необходимыми для адекватного использования методов математической статистики в психологии. Многомерная статистическая обработка является сегодня основным видом статистической обработки при проведении исследований в когнитивной, юридической и других разделах психологии. Однако овладение этими методами часто представляет значительные затруднения для студентов-психологов в силу сложности математического аппарата. В рамках прохождения курса учащиеся получат необходимые сведения о принципах проверки статистических гипотез о параметрах многомерных распределений, а также базовые знания о математическом аппарате, применяемом с этой целью. Особое внимание в куре уделяется мотивировке необходимости применения методов многомерной статистики для анализа данных комплексных психологических исследований с целью снижения вероятности ошибочных выводов. Курс ориентируется на подробное обсуждение тех многомерных методов, которые наиболее часто используются сегодня при обработке данных психологических исследований. Курс содержит сведения о практике использования многомерных методов, в частности, об идентификации многомерных выбросов, а также методах определения необходимого объема наблюдений на этапе планирования исследования, применяющего многомерную статистическую обработку. Завершающая часть курса посвящена рассмотрению стратегий применения различных многомерных методов обработки в различных исследовательских ситуациях, а также рассмотрению вопроса о многомерной статистической обработке результатов, полученных в ходе реализации исследовательских программ.

Особое место в курсе уделяется кластерному анализу и дискриминантному анализу. Несмотря на несомненную важность применения указанных методов в психологических исследованиях, именно эти методы мало упоминаются и редко используются, если судить по публикациям в современных отечественных научных журналах.

В статье предлагается анализ занятия-семинара, проводимого с магистрантами-психологами первого года обучения. Тема занятия — «Кластерный анализ». Целью занятия является изучение и использование кластерного анализа для решения задач классификации. Классификация — это упорядочение объектов по схожести. Понятие схожести является неоднозначным. Достаточно часто в психологии, социологии и других областях знания возникает необходимость проведения классификации множества объектов по множеству переменных. Для проведения такой многомерной классификации, как правило, используются методы кластерного анализа. Группы близких по какому-либо критерию объектов обычно называются кластерами. Кластеризацию можно считать процедурой, которая, начиная работать с тем или иным типом данных, преобразует их в данные о кластерах. Многие методы кластерного анализа отличаются от других методов многомерного анализа отсутствием обучающих выборок, т.е. априорной информации о распределении соответствующих переменных генеральной совокупности. С геометрической точки зрения в основе кластерного анализа лежит теория метрических пространств. В зависимости от особенностей решаемой задачи выбирается определенный тип метрики. Иногда на одном и том же пространстве признаков выбирается несколько метрик.

К особенностям проведения занятия по заданной теме следует отнести следующие обстоятельства:

  1. Магистранты уже ознакомились с методами классификации объектов на примере дискриминантного анализа;
  2. Обучающиеся, имея первое высшее образование, уже знакомы с элементами математической статистики. Более того, многие слушатели имеют техническое и естественнонаучное образование и, даже, используют статистические методы обработки данных в своей профессиональной деятельности.

По мнению автора настоящей статьи, перечисленные выше особенности обсуждаемого контекста весьма полезны с точки зрения организации и проведения занятий по статистическим методам в психологии. Конечно, первый пункт с позиции полезности может не обсуждаться, что же касается второго пункта, то здесь могут возникнуть сомнения, основанные на том факте, что магистранты-психологи могут заметно различаться между собой по критерию наличия у последних базовых знаний математической статистики и математики вообще. Автору статьи удалось обратить объективно существующие различия в предварительной подготовке студентов в свою пользу, взяв за основу проведения занятия методику мозгового штурма.

Прежде чем давать подробное описание занятие по теме «Кластерный анализ», укажу еще на некоторые чрезвычайно важные обстоятельства. Первое обстоятельство связано с применением в использовании многомерных методов компьютерных технологий. В настоящее время применение статистических методов основано на активном использовании специализированных пакетов прикладных программ. В процессе изучения курса изучается, а затем и применяется для решения конкретных задач психологии, компьютерная программа SPSS Statistics (аббревиатура англ. «Statistical Package for the Social Sciences» — «статистический пакет для социальных наук»). Основным достоинством программного комплекса SPSS, как одного из самых существенных достижений в области компьютеризированного анализа данных, является самый широкий охват существующих статистических методов, который удачно сочетается с большим количеством удобных средств визуализации результатов обработки. Программный комплекс SPSS развивается уже на протяжении 50 лет, представляя широкие возможности для использования не только в сфере психологии, социологии, биологии и медицины, но и в области маркетинговых исследований и управления качеством продукции, что значительно расширяет применимость комплекса. Замечу, что на занятиях с магистрантами действительно решаются задачи из реальной практики обучающихся. Каждый магистрант уже работает над своей собственной задачей, выполняя выпускную квалификационную работу. Сочетаясь в диалектическом единстве, эти два обстоятельства привносят в образовательный процесс особую эффективность: компьютерная программа позволяет тотчас, на глазах обучающихся, получать полезные, с точки зрения осуществляемой ими исследовательской деятельности, результаты. Умножаясь на результативность метода мозгового штурма, такая эффективность рождает качественно новое знание и новые умения, несомненно, лежащие в основе целого ряда как профессиональных, так и метапрофессиональных компетенций.

Мозговой штурм [14, 26-35] как способ психологической активизации коллективной творческой деятельности был разработан американским предпринимателем, изобретателем и психологом А. Осборном в 1953 г. для получения новых идей. Мозговой штурм широко применялся в 1950-х гг. в таких странах как США и Франция, стремившихся разрушить косность мысли при обсуждении технологических задач, а также проблем планирования и прогнозирования развития общества. Со временем «мозговой штурм» стал использоваться как общий метод творческого решения проблем, который может применяться в разных, в том числе и образовательных целях.

Занятие начинается с разделения всех участников образовательного действа на три группы. В первую группу входят эксперты — магистранты, которые получили персональные задания накануне занятия. Группа экспертов не многочисленна — от двух до пяти человек. В задачу экспертов входит изложение теоретических вопросов и демонстрация решения конкретной задачи с привлечением программы SPSS. Следует отметить, что решаемая задача представляет собой исследовательскую проблему, над которой в момент проведения занятия работает один или групп представителей экспертной группы. Вторая группа состоит из одного участника семинара — преподавателя. Третью группу составляют все остальные слушатели. Если занятие проходит в соответствии с тем, как задумал преподаватель, то его участи в проведении занятия минимально. Преподавателю вполне достаточно время от времени направлять диалог в нужное русло, делая незначительные замечания и задавая наводящие вопросы.

Остановимся на основных этапах проведения учебного семинара.

Для обсуждения, как правило, предлагаются следующие темы:

  1. Основы теории метрических и псевдометрических пространств;
  2. Свойства метрики Махаланобиса;
  3. Основы кластерного анализа;
  4. Пакет статистических прикладных программ SPSS;
  5. Решение конкретной исследовательской проблемы методами кластерного анализа с использованием программного комплекса SPPS.

Первый этап — изложение основных теоретических положений. Эксперты рассказывают слушателям об основных характеристиках кластерного анализа. Кластерный анализ — метод классификационного анализа; его основное назначение — разбиение множества исследуемых объектов и признаков на однородные у некотором смысле группы, или кластеры. Это многомерный статистический метод, поэтому предполагается, что исходные данные могут быть значительного объема. Большое достоинство кластерного анализа в том, что он дает возможность производить разбиение объектов не по одному признаку, а по ряду признаков. Кроме того, кластерный анализ в отличие от большинства статистических методов не накладывает никаких ограничений на вид рассматриваемых объектов и позволяет исследовать множество исходных данных практически произвольной природы. Так как кластеры — это группы однородности, то задача кластерного анализа заключается в том, чтобы на основании признаков объектов разбить их множество на m (m — целое) кластеров так, чтобы каждый объект принадлежал только одной группе разбиения. При этом объекты, принадлежащие одному кластеру, должны быть однородными (сходными), а объекты, принадлежащие разным кластерам, — разнородными. Если объекты кластеризации представить как точки в n-мерном пространстве признаков (n — количество признаков, характеризующих объекты), то сходство между объектами определяется через понятие расстояния между точками, так как интуитивно понятно, что чем меньше расстояние между объектами, тем они более схожи. Уровень слушателей позволяет подробно остановиться на проблеме выбора метрики в пространстве признаков. В задачах кластерного анализа и классификации часто используются расстояния, основанные на функции Махаланобиса, с помощью которых можно определять сходство образов и классов. Они отличается от расстояния Евклида тем, что учитывают дисперсии переменных (признаков). Функцию, предложенную Махаланобисом, традиционно называют метрикой, что не достаточно очевидно и требует дополнительного исследования. Если остается время, то эксперты или остальные магистранты доказывают, что определяемая Махаланобисом функция удовлетворяет аксиомам метрического пространства.

Далее приводится сравнение кластерного анализа с дискриминантным анализом. Дискриминантный анализ включает статистические методы классификации многомерных наблюдений в ситуации, когда исследователь обладает так называемыми обучающими выборками. Этот вид анализа является многомерным, так как использует несколько признаков объекта, число которых может быть сколь угодно большим. Цель дискриминантного анализа состоит в том, чтобы на основе измерения различных характеристик (признаков) объекта классифицировать его, т.е. отнести к одной из нескольких заданных групп (классов) некоторым оптимальным способом. При этом предполагается, что исходные данные наряду с признаками объектов содержат категориальную (группирующую) переменную, которая определяет принадлежность объекта к той или иной группе. Поэтому в дискриминантном анализе предусмотрена проверка непротиворечивости классификации, проведенной методом, с исходной эмпирической классификацией. Под оптимальным способом понимается либо минимум математического ожидания потерь, либо минимум вероятности ложной классификации.

Второй этап — непосредственное решение задачи. Весь процесс решения задачи демонстрируется на большом экране. Каждый из слушателей может задавать вопросы и предлагать свои версии для реализации отдельных фрагментов в работе программы. Эксперты по желанию участников учебного семинара могут вносить изменения в базу исходных данных. Такая процедура весьма поучительна. Слушатели видят, как программа реагирует на «шевеление» данных и, тем самым, более глубоко вникают в возможности программы.

Следующий этап — дискуссия, в рамках которой каждый участник семинара может рассказать об особенностях своей исследовательской задачи. На этом этапе мозговой штурм достигает наивысшей точки. Именно в этот момент могут рождаться новые идеи, которые затем могут быть использованы магистрантами в своей профессиональной деятельности.

Так, например, на одном из занятий магистрантом было предложено совместить в одном исследовании оба классификационного метода — кластерный и дискриминантный.

Заключение

Эффективность метода мозгового штурма при проведении занятий по статистическому анализу в нашем случае существенным образом обусловлена привлечением информационных технологий и высоким уровнем обучающихся. О других примерах использования специализированных программ с учетом образовательного уровня и психологического профиля студентов можно узнать из работ [1-13, 15-25].

Читайте также

Список литературы

  1. Букушева А.В. Учебно-исследовательские задачи в подготовке бакалавров-математиков // Вестник Пермского государственного гуманитарно-педагогического университета. Серия «Информационные компьютерные технологии в образовании». 2015. №11. С. 85-93.
  2. Букушева А.В. Учебно-исследовательские задачи в продуктивном обучении будущих бакалавров-математиков // Образовательные технологии. 2016. №2. С. 16-26.
  3. Букушева А.В. Решение учебно-исследовательских задач с использованием систем компьютерной математики // Информационные технологии в образовании: Материалы VII Всеросс. научно-практ. конф. – Саратов: ООО "Издательский центр "Наука"", 2015. С.185-187.
  4. Букушева А.В. Использование Gnumeric в решении задач математической статистики // Естественные и математические науки в современном мире. Сборник научных трудов по итогам международной научно-практической конференции. г. Уфа. Изд-во: Инновационный центр развития образования и науки. 2015. С. 38-41.
  5. Букушева А.В. Использование Интернет-ресурсов в обучении компьютерной геометрии // Информатизация образования: теория и практика. Международная научно-практическая конференция (20-21 ноября 2015 г., г.Омск) / Сборник материалов. Под общей редакцией М.П. Лапчика. – Омск: Полиграфический центр КАН, 2015. С. 71-74.
  6. Букушева А.В. Визуализация кривых и поверхностей средствами Maxima // «Осенние математические чтения в Адыгее»: Материалы I Международной научной конференции, посвященной памяти профессора Казбека Сагидовича Мамия. – Майкоп: Изд-во Адыгейский государственный университет, 2015. С. 45-48.
  7. Букушева А.В. Организация самостоятельной работы студентов при изучении компьютерной геометрии в LMS MOODLE // Азимут научных исследований: педагогика и психология. 2016. Т. 5. № 3 (16). С. 30-34.
  8. Букушева А.В. Принципы методической системы обучения компьютерной геометрии // Балтийский гуманитарный журнал. 2016. Т. 5. № 3(16) С. 95-98.
  9. Букушева А.В. Развитие когнитивных навыков при решении задач компьютерными методами // «Университеты в системе поиска и поддержки математически одаренных детей и молодежи»: Материалы I Всероссийской научно-практической конференции. – Майкоп: Изд-во Адыгейский государственный университет, 2015. С. 22-24.
  10. Букушева А.В. Место компьютерной геометрии в подготовке бакалавров-математиков // Современные информационные технологии и ИТ-образование [Электронный ресурс] / Сборник научных трудов X Юбилейной международной научно-практической конференции / под ред. В.А. Сухомлина. Москва: МГУ, 2015. 1 электрон. oпт. диск (СD-ROM). С. 291-294.
  11. Букушева А.В. Визуализация геометрических объектов в Maxima // Фундаментальная математика и ее приложения в естествознании: тезисы докладов VIII Международной школы-конференции для студентов, аспирантов и молодых ученых /отв. ред. Б.Н. Хабибуллин, Е.Г. Екомасов. Уфа: Изд-во БашГУ, 2015. С. 276.
  12. Букушева А.В. Компьютерное сопровождение геометрии для будущих бакалавров-математиков // Непрерывная предметная подготовка в контексте педагогических инноваций: Сборник научных трудов Двенадцатой Международной заочной научно-методической конференции: В 2ч. Ч. 1. Саратов: Изд-во СРОО «Центр Просвещение», 2016. С. 68-72.
  13. Букушева А.В. Статистическая обработка данных в Gnumeric // Хроники объединенного фонда электронных ресурсов "Наука и образование". 2016. № 11 (90). С. 46.
  14. Вербицкий, А. А. Активное обучение в высшей школе / А. А. Вербицкий. – М. : Выс. школа, 1991. – 207 с.
  15. Галаев С.В., Букушева А.В. Междисциплинарные учебно-методические комплексы как результат и средство информационного взаимодействия в информационно-коммуникационной предметной среде // Информатика и образование. 2008. №4. С. 113-115.
  16. Галаев С.В. Подготовка информатиков-юристов // Высшее образование в России. 2007. №5. С. 78-79.
  17. Галаев С., Александрова Н., Букушева А. Организация самостоятельной деятельности студентов с применением ДО // Высшее образование в России. 2007. №10. С. 141-143.
  18. Галаев С.В. Подготовка по «сдвоенным» педагогическим специальностям // Высшее образование в России. 2008. №5. С. 146-149.
  19. Галаев С.В., Авдеева О.В., Александрова Н.А. Система профессиональной подготовки педагогов-психологов в условиях информатизации образования // Информатика и образование. 2008. №5. С. 102-105.
  20. Галаев С.В. Мотивация профессионального развития будущих педагогов-психологов в условиях информатизации образования // Известия Саратовского университета. Новая серия. Серия: Философия. Психология. Педагогика. 2008. Т. 8. №2. С. 72-76.
  21. Прохоров Д.В., Демченко А.А., Галаев, С.В. В структуре классического университета // Высшее образование в России. 2009. №1. С. 156-162.
  22. Галаев С.В., Морозова-Дорофеева Т.А. В поиске новых путей // Начальная школа. 2009. №8. С. 31-36.
  23. Галаев С.В. Математика для психологов. Учебное пособие. Изд-во: ИЦ "Наука". Саратов. 2006. 140 с.
  24. Галаев С.В. Математика как универсальный язык культуры // NovaInfo.Ru. 2017. Т.6. № 58. С. 399-407.
  25. Галаев С.В. Использование теории нечетких множеств в гуманитарных исследованиях // Вестник Саратовского госагроуниверситета им. Н.И. Вавилова. 2006. №6. Вып. 3. С. 34-39.
  26. Калинковская С.Б. Основы теории решения изобретательских задач и методов развития творческого воображения: метод. рекомендации / Владимирский гос. пед. ун-т. Владимир, 2006. Ч. I. 48 с.
  27. Курьянов М. А. Активные методы обучения : метод. пособие. – Тамбов : изд-во ФГБОУ ВПО «ТГТУ», 2011. – 80 с.
  28. Матяш Н.В., Павлова Т.А. Методы активного социально-психологического обучения. – М. : Академия, 2010. – 96 с.
  29. Оганесян Н.Т. Методы активного социально-психологического обучения: тренинги, дискуссии и игры. – М. : «Ось-89», 2002. – 176 с.
  30. Панина Т.С., Вавилова Л.Н. Современные способы активизации обучения. – М.: Академия, 2007. – 176 с.
  31. Панфилова А.П. Инновационные педагогические технологии: Активное обучение : учеб. пособие для студентов высш. учеб. заведений. – М. : Академия, 2009. – 192 с.
  32. Современные образовательные технологии / под ред. Н.В. Бордовской. – М.: КНОРУС, 2010. – 432 с.
  33. Современные технологии обучения / под ред. Г.В. Борисовой, Т.Ю. Аветовой, Л.И. Косовой. – СПб. : Полиграф-С, 2002. – 79 с.
  34. Яремчук, С. В. Методы активного социально-психологического обучения: учеб. пособие. – Комсомольск-на-Амуре: изд-во АмГПГУ, 2009. – 121 с.
  35. Шейнов В. П. Психологическое влияние. – Минск: Харвест, 2011. – 800 с.

Цитировать

Галаев, С.В. «Мозговой штурм» как форма проведения занятий по статистическим методам в психологии / С.В. Галаев. — Текст : электронный // NovaInfo, 2017. — № 62. — С. 409-417. — URL: https://novainfo.ru/article/12016 (дата обращения: 12.08.2022).

Поделиться