Математические модели обучаемости

Математические методы представляют совокуп­ность алгоритмов, основанных на теоретических поло­жениях и идеях определенного раздела математики и позволяющих осуществить комплексный анализ тех или иных закономерностей и отношений. Применение математических методов в инженерной психологии развивается по трем основным направлениям:

ü математическая обработка экспериментальных данных;

ü математическое моделирование деятельности оператора;

ü вычисление количественных значений инженерно-пси­хологических показателей.

При­менение математических методов связано с прогрес­сом вычислительной техники, применением ЭВМ в инженерно-психологических исследованиях. Эта связь наиболее ярко проявляется при автоматизации обра­ботки результатов эксперимента, применении имита­ционных моделей деятельности оператора, производ­стве различного рода вычислений.

Основными задачами математической обработки экспериментальных данных являются [2]:

ü определение характеристик случайных величин и событий;

ü сравне­ние между собой их вычисленных значений;

ü построе­ние законов распределения случайных величин;

ü уста­новление зависимости между полученными случайными величинами;

ü анализ случайных процессов.

Основными характеристиками случайных величин являются их математическое ожидание и дисперсия, а случайных событий – вероятность их наступления. Математическое ожидание характеризует среднее зна­чение наблюдаемой случайной величины (например, времени реакции, погрешности измерений, числа оши­бок, допущенных человеком при выполнении работы и т. п.), а дисперсия является мерой рассеивания ее зна­чений относительно среднего значения. Выборочные (опытные) значения математического ожидания и дис­персии вычисляются соответственно по формулам

                                          

где х_i – наблюденное значение случайной величины,

n – объем выборки (число наблюдений).

Квадратный корень из дисперсии, т. е. величина, , носит название среднеквадратического отклонения и имеет ту же размерность, что и сама случайная величина. Для оценки вероятности случайного события используют величину , где m – число опытов, в которых данное событие имело место. Чем больше n, тем ближе вычисленные значения , Dx, P к своим истинным значениям, характеризующим генеральную совокупность изучаемой случайной величины.

Сравнение между собой одноименных характери­стик нескольких выборок проводится потому, что в силу ограниченного объема выборки полученные различия между характеристиками случайных величин (матема­тическими ожиданиями, дисперсиями и др.) может быть случайным и не всегда означает, что эти величины различны на самом деле. Проверку этого факта, т. е. проверку статистических гипотез, нужно проводить с помощью непараметрических и параметрических кри­териев согласия.

В первом случае используются не сами значения наблюдаемых величин, а только их упорядоченность (для каждой пары сравниваемых величин известно, какая из них больше), т. е. критерии, не зависящие от параметров распределения. Такие критерии весьма удобны для практического использования, так как тре­буют минимального объема вычислений и априорных сведений и могут использоваться даже при невозмож­ности прямых измерений изучаемых признаков. Такие случаи встречаются, например, при проверке степени различия индивидуальных качеств двух групп опера­торов в случае, если эти качества не могут быть коли­чественно определены. Основными из непараметри­ческих критериев согласия являются критерий знаков, критерий Смирнова и критерий Вилконсона [2].

При использовании параметрических критериев вычисляются значения параметров сравниваемых рас­пределений. Это усложняет процедуру сравнения, од­нако позволяет получить более точные результаты. Основными из параметрических критериев являются критерий Фишера, критерий Стьюдента и критерий x ².

Критерий Фишера используется для проверки стати­стических гипотез о равенстве дисперсий двух выбо­рок. Он применяется в тех прикладных задачах, где необходимо исследовать стабильность изучаемых ве­личин. Например, он может быть использован для сравнения рассеяний ошибок двух операторов, разбро­сов оценок экспертов, полученных по разным методи­кам, однородности латентных периодов времени реак­ции в различных экспериментах и т. п.

Критерий Стьюдента применяется для проверки значимости различия между двумя средними значениями.

Крите­рий x ² служит для сравнения двух распределений, для проверки согласия эмпирического распределения с одним из теоретических.

Одним из способов проверки статистических ги­потез является последовательный анализ. Он приме­няется в том случае, когда число наблюдений в ис­следовании не устанавливается заранее, а является случайной величиной. Особенность последовательно­го анализа состоит в том, что после осуществления каж­дого наблюдения принимается одно из следующих решений: принять проверяемую гипотезу, отвергнуть ее, продолжать испытания. Прикладные задачи иссле­дования, в которых применяется последовательный анализ, могут быть теми же, что и в случае проверки гипотез по выборкам заданной длины, но при этом возможна существенная экономия в длительности эк­сперимента. В инженерной психологии последователь­ный анализ широко используется, например, при оцен­ке результатов деятельности оператора. С его помощью определяется то число опытов (решаемых оператором учебных задач), по выполнении которых оператору с заданной достоверностью выставляется оценка «зачет» или «незачет» [2].

Процедура последовательного анализа сводится к следующему. На каждом шаге испытаний после каж­дого опыта фиксируется число d_n благоприятных исхо­дов среди проведенных n наблюдений. По известным формулам, зная заданные вероятности ошибок первого и второго рода, определяются значения оце­ночных границ а_n и r_n. В системе координат (d_n, n) стро­ятся две параллельные прямые г_n (n) и а_n (n), имеющие одинаковый угловой коэффициент (рис. 4). Точки (d_n, n) наносятся на график по ходу контроля, и эксперимент проводится до тех пор, пока очередная точка не вый­дет за пределы полосы, заключенной между прямыми а_n и г_n. Если d_n<a_n, то оператор получает «незачет», если d_n > r_n– «зачет». В случае, если a_n<d_n<r_n, то проверка продолжается. Применение последовательного анали­за позволяет существенно уменьшить объем исследо­вания по сравнению с традиционным методом фикси­рованной однократной выборки.

 

Рис. 4. Схема проведения последовательного анализа

 

Построение законов распределения позволяет наи­более полно и точно описать изучаемую случайную величину, полученную в результате проведения инже­нерно-психологического наблюдения или эксперимен­та. Для построения закона распределения предвари­тельно строится гистограмма. Она является одним из способов графического представления количественных данных в виде прямоугольных столбиков, примыкающих друг к другу, высота которых соответствует частоте каждо­го класса данных. Для построения гистограммы интер­вал, в котором сосредоточены наблюдения, делится на n подынтервалов (разрядов) и подсчитывается число наблюдений, значения которых соответствует данному разряду. На основании этих данных и строится гистог­рамма, которая представляет собой кусочно-непрерыв­ную функцию, которая в пределах данного разряда равна числу (частоте) наблюдений, попавших в него. Наиболее часто гистограмму практически применяют в качестве плотности распределения случайной вели­чины, по наблюдениям которой она построена.

Различают одномерные и многомерные (в частно­сти, двумерные) законы распределения. Одномерный закон показывает, как часто в изучаемой совокупности встречаются опыты с данным значением изучаемой случайной величины. Закон распределения можно изобразить графически (рис. 5), либо описать той или иной аналитической зависимостью. Его пик приходит­ся на наиболее вероятное (наиболее распространенное) значение случайной величины. Примерами такого за­кона являются, в частности, распределения значений тех или иных антропометрических показателей. Дву­мерный закон учитывает совместное распределение двух количественных показателей, например, числа ошибок и времени решения задач оператором. В инженерной психологии наиболее часто применяет­ся нормальный, экспоненциальный, биноминальный законы распределения, альфа- и гамма- распределения, распределение Пуассона и др. Соответствие меж­ду опытным и теоретическим распределениями прове­ряется с помощью критериев согласия x ² или Колмо­горова. При этом следует иметь в виду, что одно и то же опытное распределение может дать положительный результат при сравнении не с одним, а с несколькими теоретическими распределениями. Такое обстоятель­ство имеет место, например, при изучении времени реакции оператора. В таких случаях следует опи­раться не только на результаты формальной проверки с помощью критериев согласия, а изучать прежде все­го психологическую сущность и условия применимос­ти того или иного закона распределения.

 

Рис. 5. Гистограмма и сглаживающая ее теоретическая функция

распределения (пример)

 

Для определения связи между двумя и более пере­менными используются такие методы статистического анализа, как корреляционный, регрессионный, диспер­сионный, факторный и др. Корреляционный анализ служит для установления вида, знака и тесноты связи между двумя или несколькими случайными переменны­ми. В первом случае используют коэффициент парной корреляции, во втором – коэффициент множественной корреляции. Примером использования корреляционно­го анализа в инженерной психологии является, в част­ности, проверка прогностической валидности психодиагностических тестов. Мерой валидности является в этом случае коэффициент корреляции оценок испы­туемых по психофизиологическим методикам с оцен­ками их профессиональной деятельности (т. е. с вне­шним критерием). Однако всегда следует помнить, что при интерпретации результатов корреляционного анализа необходима особая осторожность при учете статистически достоверных высоких корреляций: иногда могут возникнуть ложные корреляции за счет того, что обе изучаемые переменные испытывают сильное влияние третьего, не учтенного при наблю­дении фактора.

В инженерной психологии, как правило, экспери­ментальному изучению подвергается не вся генераль­ная совокупность, а только часть ее – выборка; т. е. группа испытуемых, представляющих определенную популяцию и отобранных для эксперимента или на­блюдения. На основании полученных характеристик выборки делаются выводы о генеральной совокупно­сти. Практически любое статистическое исследование в инженерной психологии основано на анализе свойств и характеристик определенной выборки. Ее объем определяется двумя противоречивыми услови­ями. С одной стороны, она должна быть достаточно большой, чтобы правильно отразить все свойства ге­неральной совокупности. С другой стороны, она не должна быть чрезмерно большой, чтобы была реаль­ная возможность ее изучения. Поэтому результаты математической обработки экспериментальных дан­ных для выборки (вследствие случайного отбора в нее объектов из генеральной совокупности) могут отли­чаться от соответствующих характеристик генераль­ной совокупности. В связи с этим необходимо оценить достоверность полученных результатов, т. е. возмож­ность их распределения на всю генеральную совокуп­ность.

Для оценки достоверности пользуются принципом практической уверенности. Он состоит в том, что до­стоверным считают событие, имеющее достаточно большую, близкую к единице, вероятность. Такая ве­роятность называется доверительной. Величина, до­полняющая ее до единицы, называется уровнем зна­чимости. Он представляет собой вероятность того, что заключение, принятое достоверным, на самом деле окажется ошибочным. Общепринятыми считаются три уровня значимости: 0,05 – для обычных исследо­ваний, 0,01 – для важных исследований, 0,001 – для особо важных исследований (например, связанных с отсутствием вредности какого-либо воздействия на человека). Соответствующие этим уровням значимо­сти доверительные вероятности соответственно рав­ны: 0,95; 0,99; 0,999. При построении законов распре­деления случайных величин вычисляется также для заданной доверительной вероятности диапазон воз­можных значений генеральной статистической ха­рактеристики. Этот диапазон называется доверитель­ным интервалом.

При отборе данных, характеризующих ту или иную выборку в инженерно-психологических исследованиях, следует учитывать в ряде случаев различные проявле­ния изменчивости характеристик оператора. Существу­ет по крайней мере два ее проявления. Во-первых, от индивидуума к индивидууму (индивидуальные разли­чия между операторами); во-вторых, для конкретного индивидуума – случайное изменение характеристик оператора от опыта к опыту. Одновременный учет обоих проявлений изменчивости может проводиться различными способами [2]:

ü при формировании выборки для каждого из п испыту­емых берется по некоторому числу m реализаций слу­чайной величины, всего получается N = m-n значений;

ü с помощью жребия выбирается конкретный оператор и для него берется требуемое число значений изучаемой случайной величины;

ü выборка формируется по всем п операторам из сред­них значений изучаемой случайной величины, получен­ных на основании усреднения m значений этой величи­ны для каждого оператора, что эквивалентно, как и в первом случае, общему объему выборки, равному N=mn.

Однако в любом случае выборка обязательно дол­жна быть представительной, т. е. такой, чтобы элемент генеральной совокупности мог попасть в нее с задан­ной вероятностью, не зависящей от характеристик, подлежащих измерению. Такая выборка называется репрезентативной.

Вопросы для самопроверки:

1. Назовите основные этапы подготовки оператора. Дайте краткую характеристику каждого из них.

2. В чем состоят задачи профессионального отбора?

3. Перечислите в нужной последовательности основные этапы профессионального отбора.

4. Назовите основные уровни усвоения знаний. Чем характеризуется каждый уровень?

5. Какие элементы составляют структуру тренажера? В чем особенность каждого из них?

6. Перечислите основные задачи математической обработки экспериментальных данных.

7. Объясните своими словами схему проведения последовательного анализа.

 

Литература:

1. Бодров В.А. Психология профессиональной пригодности. Учебное пособие для вузов – М.. ПЕР СЭ, 2001 – 511 с – (Современное образование).

2. Душков Б.А. Основы инженерной психологии. – М.: Высшая школа, 2002. – 390 с.

3. Сергеев С.Ф. Инженерная психология и эргономика: Учебное пособие. – М.: НИИ школьных технологий, 2008. – 176 с.

4. Фугелова Т.А. Инженерная психология. - Тюмень: ТюмГНГУ, 2010. – 291 с.

5. http://psyfactor.org/personal/personal15-10.htm /  

6. http://www.ngpedia.ru/id037854p1.html

7. http://ru.wikipedia.org/wiki/

8. http://vsegost.com/

1.

 

[1] Иван Петрович Павлов (1849-1936) – ученый, создатель науки о высшей нервной деятельности [7].

123	Поделиться:

Воспользуйтесь поиском по сайту: