91
ция - предположение о том, что на новом отрезке времени
T’ будут действовать те же тенден-
ции связи переменных, что и на отрезке
T, на котором прежде измерялись весовые коэффици-
енты ß
i
. Не следует также забывать, что корректность прогноза обусловлена периодом упрежде-
ния: для больших (или меньших)
T использование уравнения (3.5.1) может оказаться некор-
ректным.
Прогностические возможности указанного метода ограничены однократностью измерения
тестовых показателей .X
1
, Х
2
..., X
k
. В силу однократности измерения этот метод оказывается
эффективным опять-таки только по отношению к самым универсальным и статическим показа-
телям (таким, например, как интегральные свойства темперамента или нервной системы), обес-
печивающим очень грубый, вероятностный, приближенный прогноз.
В некоторых случаях эффективность этого метода
может существенно повыситься, если
использовать хотя бы двукратное (с небольшим интервалом в две-три недели) измерение систе-
мы показателей Х
1
Х
2
,..., X
k
. Уже таким способом можно, например, учесть вклад фактора «усво-
ение знаний» в прогнозирование мотивационной вовлеченности (уровня интереса) студента в
свою специальность. Повторное измерение (например, через месяц после начала обучения в вузе)
позволяет выявить, в каком направлении действует фактор «усвоение знаний» в своем влиянии
на уровень интереса данного студента: может оказаться, что в результате разнонаправленного
действия этого фактора немало пар студентов уже через месяц поменяются местами в ранговом
ряду по уровню интереса (Х
а
< Х
b
). В этом случае в уравнение (3.5.1)
целесообразно ввести не
статический показатель X
i
a простейший динамический показатель
Х
i
, =
0
1
t
i
X
t
i
X
. Кроме то-
го, не исключена возможность одновременного использования в уравнении (3.5.1) и статических
X
i
. и динамических
Х
i
. показателей; тогда разработанная модель прогноза будет учитывать как
достигнутый уровень (экстраполировать статику), так и намечающиеся тенденции (экстра-
полировать тенденции).
Приведем еще один содержательный пример. Многочисленные эмпирические исследования
по прогнозированию супружеской совместимости (Обозов Н. Н., 1979) показали неудовлетвори-
тельно низкий уровень надежности прогноза на основе таких показателей, как однократно изме-
ренный уровень сходства (темперамента, мотивов, интересов, ценностных ориентации) или вза-
имодополнительности психических свойств будущих супругов. Но эту надежность можно суще-
ственно повысить, если ввести в уравнение (3.5.1) показатели типа
Х.. В
данном случае со-
держательно-психологический смысл этих показателей будет заключаться в следующем: они
указывают на то, в каком направлении действует на уровень сходства (совместимости) опыт вза-
имодействия будущих супругов. Потенциально несовместимые супруги в ходе взаимодействия
(за период помолвки), как правило, дивергируют в своих показателях (например, имеющиеся не-
значительные акцентуации характера взаимно усиливаются). И наоборот,
потенциально совме-
стимые супруги могут очень быстро конвергировать: оказывается достаточным проведение од-
ного-двух обсуждений с участием психолога по спорным вопросам,
чтобы сблизиться в пред-
ставлениях о желаемом семейном укладе и образе жизни.
Более сложные математические методы прогнозирования (например, учитывающие цикли-
ческую динамику объектов) пока еще редко используются в психодиагностике, так как требуют
частых многократных измерений системы тестовых показателей, что оказывается невозможным
по чисто практическим причинам. Тем не менее уже сегодня можно твердо констатировать недо-
статочность линейных моделей прогнозирования. Для ознакомления с рядом других подходов к
прогнозированию мы рекомендуем психологам обратиться к руководству «Рабочая книга по про-
гнозированию» (М., 1982).
Остановимся теперь более подробно на подходе, который ныне представляет собой реаль-
92
ную альтернативу ограниченным линейным статистическим моделям и позволяет строить эф-
фективный прогноз для более сложных зависимостей между прогнозируемыми (зависимыми) и
прогнозирующими (независимыми) переменными. Этот подход, по традиции, принято называть
распознаванием образов, так как разработка его математического аппарата была во многом сти-
мулирована инженерными задачами конструирования искусственных систем зрения, слуха, дру-
гих органов чувств (Распознавание образов. М., 1970).
В психодиагностике роль «элементарных сенсорных данных» выполняют первичные тесто-
вые показатели X
1
Х
2
,..., X
k
, а роль «образа» (выходного сигнала системы) - соответствующая ди-
агностическая категория. Таким образом, по существу, распознавание образов
1
и есть диагности-
ка в широком смысле.
Поясним специфику подхода на простейшем схематическом примере. Пусть Р
у
-
вероятность такого типового критерия оценки студентов, как успеваемость, Х
1
- уровень интере-
са к специальности,
выявленный у абитуриента, Х
2
- уровень его знаний о специальности.
На рис. 16 точки X
1
= 0 и Х
2
= 0 - медианные значения соответствующих тестовых показа-
телей. В данном упрощенном примере в статусе «образа» выступает каждый из четырех квадран-
тов диагностического пространства. Для предсказания Р
у
мы не можем построить линейной ком-
бинации Х
1
и Х
2
, какие бы коэффициенты ß
1
, и ß
2
мы ни взяли. Для предсказания Р
y
мы должны
зафиксировать попадание индивида в заданную область пространства параметров. «Образ», или
диагностическая категория, и есть на геометрическом языке определенная область в простран-
стве параметров.
Do'stlaringiz bilan baham: 
