Общая психодиогностика

K
R
K
N
R
e
F
(3.5.2) 
где 
e
F
- эмпирическое значение статистики Фишера со степенями свободы V
1
= k и У
2
= N-
k; 
N— количество индивидов; 
k - количество тестовых показателей. 
Не следует забывать, что основой применения этой модели прогноза является экстраполя-

---

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.