Методологическая глава выпускной квалификационной

Работы

Методологическую, вторую главу ВКР обычно называют «Организация и методы исследования». В ней представляется характеристика изучаемой выборки, раскрываются этапы организации проведенного эмпирического обследования, описываются используемые автором методы и методики исследования, экспериментальные процедуры, способы статистической обработки информации. Традиционно в главе выделяют 2 подраздела: 1.Организация и дизайн исследования; 2.Методы и методики исследования. Иногда выделяют подразделы «Характеристика выборки», «Авторская методика» и др..

Характеристика выборки исследования.При описании изучаемой выборки дается её характеристика по возрасту и полу испытуемых, а при необходимости ‒ по другим характеристикам, которые могли повлиять на результаты исследования. Такими характеристиками могут быть качества испытуемых, связанные с предметом исследования (например, уровень интеллекта, степень коммуникативности, выраженность тревожности и др.). Обосновывается репрезентативность выборки относительно задач исследования, описывается способ, с использованим которого она подбиралась исследователем (указываются критерии отбора).

Методы исследования.В этом подразделе описываются методики эмпирического исследования, обосновывается выбор используемых методик, указывается их назначение.

При подборе психодиагностических методик целесообразно ориентироваться на Информационное письмо Президиума Совета по психологии УМО по классическому университетскому образованию Российской Федерации от 31 мая 2011 года[1], где при написании ВКР рекомендовано использовать только официальные, прошедшие проверку на надежность и валидность, стандартизацию и апробацию методики. Чаще всего перечни психодиагностических методов можно встретить в специальной литературе по психодиагностике, а также в «Компендиумах психодиагностических методик»[2] или в «Реестрах исследовательских и психодиагностических методик, прошедших профессиональное рецензирование».

При описании методик обязательно должны быть указаны:

- полное название и автор методики или её модификации (со ссылкой на публикацию о применяемой методике, а также с указанием на то, кем и когда разработана);

- назначение методики (что измеряет данная методика);

- сфера применения и возрастные ограничения;

- структура стимульного материала (количество вопросов, утверждений, рисунков и т.д.);

- процедура проведения исследования по данной методике (какая задача ставится перед испытуемым при проведении тестирования, какой характер имеет исследование - индивидуальный или групповой);

- способ обработки результатов обследования (чаще всего указывается, что обработка осуществляется в соответствии с ключом путем начисления баллов по шкалам);

- шкалы и подшкалы методики и их краткое описание;

- нормативы и порядок интерпретации результатов исследования (чаще всего указывается, какие значения по шкалам считаются низкими, средними и высокими).

При описании методики также должны быть представлены сведения о её валидности и надежности (если они имеются).

В данном разделе нет необходимости приводить стимульный материал широко известных методик. Детальное описание материалов проводится только в случаях, когда применяется оригинальная или малоизвестную методика, составляется авторская анкета или проводится модификации существующей методики, используются экспериментальные процедуры или оборудование.

Студент обязан хорошо знать структуру и содержание применяемых в ВКР психодиагностических методик, название, семантику, способ обработки и порядок интерпретации содержащихся в методиках шкал.

Также не требуется подробного описания методов математической обработки первичных результатов эмпирического исследования. Достаточно просто перечислить, какие именно методы математической статистики использовались и с помощью каких компьютерных программ осуществлялась обработка.

Выбор математических методов статистического анализа эмпирических данных целесообразно осуществлять в процессе планирования исследования. При планировании исследования необходимо заранее продумать, какие эмпирические показатели будут регистрироваться, с помощью каких методов они будут обрабатываться и какие статистические выводы при разных результатах обработки можно будет сделать. Необходимо отчётливо представлять, какие показатели будут сопоставляться друг с другом, какие показатели описательной статистики и какие критерии статистического вывода будут использоваться.

Выбор математических методов обработки первичных результатов эмпирического исследования зависит от:

- типа используемых измерительных шкал эмпирических данных (номинативных, ранговых, количественных – интервальных шкал или шкал отношений), позволяющих определить принцип статистической обработки данных (параметрический или непараметрический);

- вида эмпирического исследования (изучение взаимосвязей, сравнительное или экспериментальное исследование), определяющего выбор необходимого метода статистического анализа.

Определение принципа статистической обработки данных.При проведении эмпирического исследования полученные результаты в виде чисел фиксируются по определённым измерительным шкалам. Измерительная шкала представляет собой линейку (стандарт), имеющую определенную размерность чисел (или номинаций) и задающую способ измерения исследуемого свойства[3]. В зависимости от измерительной шкалы проявляются те или иные свойства чисел, что следует учитывать при математической интерпретации признаков. Способ измерения «устанавливает» соответствие между числовыми значениями переменной (признаками) и измеряемым свойством объектов. Принято выделять 4 уровня такого соответствия: номинативный, порядковый, интервальный, отношений. Чем выше уровень измерения, тем больше полезных свойств имеет соответствующая измерительная шкала.

Знание применяемых в ВКР измерительных шкал помогает правильно выбрать методику статистического анализа и корректно интерпретировать статистические результаты.

Измерительные шкалы разделяют на метрические и неметрические. Метрические шкалы устанавливают единицы измерения, а неметрические - не имеют таковых. К неметрическим относят номинативную (или поименную, номинальную) и ранговую (или порядковую, ординальную) шкалы, к метрическим – интервальную и абсолютную (отношений). По другой, реже упоминаемой классификации, выделяют количественные и качественные шкалы. Единственная качественная шкала – номинативная – характеризуется наличием в рамках каждого из выделенных классов качества, отсутствующего у объектов других классов. В количественных шкалах (ранговой, интервальной, абсолютной) оценивается «количество» определенного свойства, имеющегося у каждого объекта выборки вне зависимости от выделенных классов.

Номинативная шкала представляет собой шкалу, в которой выражены качественные характеристики объекта и не выражены их количественные свойства. Она предполагает отнесение объектов к классам (группам, градациям) так, чтобы они были идентичны по измеряемому свойству внутри класса и имели качественные различия между классами. Номинативные данные, таким образом, позволяют осуществлять познавательную процедуру классификации. Каждый класс получает обозначение (наименование), после чего каждый объект приписывается к определенному классу, т.е. получает «имя» своего класса. Номинативные шкалы только с двумя разрядами называются номинативными бинарными шкалами (мужчины - женщины, европейцы – американцы, черное – белое, кареглазые – голубоглазые и т.п.). Градаций номинативной шкалы может быть несколько. Например, к разным классам относят испытуемых, имеющих взаимоисключающие свойства: цвет глаз (карие, синие, серые, зеленые), цвет кожи (белый, желтый, черный), национальность, конфессиональную принадлежность. При кодировании категорий номинальной шкалы цифрами (например, 1 – русские, 2 – украинцы, 3 – татары, 4 – белорусы и т.д.) с ними нельзя производить арифметические действия, поскольку они не тождественны количеству измеренного свойства.

Ранговая шкала позволяет определить выраженность свойства объекта по степени возрастания или убывания. Ранг – это число, показывающее место объекта в иерархии. Примером ранжирования может быть иерархия студентов в конкретной группе по коммуникативности или интеллекту, экспертная оценка тревожности у школьников 10-б класса школы №63 и т.д. Ранжирование можно осуществлять:

ü с помощью экспертов (специалистов экстра-класса в данной профессиональной сфере);

ü путем сравнения результатов выполнения тестовых заданий (скорость решения геометрических задач позволяет, например, определить ранг успешности учеников по геометрии). Сравнение можно осуществлять либо путем сопоставления с результатами другого человека, либо с эталонными значениями, либо с желаемым (предвосхищаемым) результатом;

ü методом самооценки (несмотря на то, что этот способ очень субъективен, без него в прикладной психологии не обойтись);

ü посредством групповой оценки когда, например, каждый член коллектива попарно сравнивает всех субъектов группы по определенному свойству. В коллективе каждый может также ранжировать всех членов по выраженности свойства. Групповая оценка, несомненно, более объективна, чем самооценка и позволяет после определенной процедуры расчета установить место каждого в групповой иерархии. Член коллектива в данной ситуации выступает как эксперт и очевидно, что квалификация таких экспертов будет различной.

Наряду с возможностью классификации объектов (как при номинальном измерении) применение порядковой шкалы позволяет их упорядочивать, т.е. располагать в порядке убывания (нарастания) исходя из «количества» свойства у каждого ранжируемого объекта. А вот, на сколько или во сколько раз больше (меньше) признак выражен у объекта, ранговые показатели «подсказать» не смогут. Это связано с тем, что расстояния между разными рангами различные. Например, когда мы ранжируем сотрудников по уровню коммуникативной компетентности, мы понимает, что у одного сотрудника этот показатель лучше, чем у другого, но не можем точно определить степень превышения (на сколько и во сколько раз) выраженности свойства.

Интервальная шкала предполагает измерение, при котором равным разностям между числами соответствуют равные разности в уровне измеряемого свойства объекта. Эта шкала позволяет классифицировать объекты по принципу «больше (меньше) на определенное количество единиц». Отсюда, число (измеренное значение свойства объекта) пропорционально выраженности исследуемого свойства объекта. Интервальная шкала мощнее номинальной и порядковой. Она позволяет не только выявить различия в уровне выраженности свойства между объектами, как это возможно при ранжировании, но и определить, на сколько больше или меньше выражено свойство (но не во сколько раз). К примеру, уровень нарциссизма у испытуемого К. может быть на 28 Т-баллов больше, чем у испытуемого М.

Методы параметрического анализа могут быть применены только для показателей, измеренных по метрическим шкалам в тех случаях, когда значения показателей имеют нормальное распределение. Во всех остальных случаях (номинативные и ранговые шкалы, отсутствие нормальности распределения количественных показателей метрических шкал) используются методы непараметрического анализа эмпирических данных.

Определение методов статистической обработки данных.Приизучении взаимосвязей показателей необходимо, прежде всего, определить типы шкал, в которых измерены изучаемые признаки. В случаях анализа взаимосвязей между показателями, измеренными в ранговых или метрических шкалах, применяются методы корреляционного анализа. Если изучаемые показатели измерены в метрической шкале и их значения имеют нормальное распределение, применяется параметрический метод корреляционного анализа по Пирсону (r-Пирсона). При отсутствии нормального распределения значений показателей метрических шкал или наличии показателей, измеренных в ранговой шкале, применяются непараметрические методы (r_s-Спирмена, t-Кендалла) корреляционного анализа. Оценка результатов корреляционного анализа предполагает расчёт коэффициента корреляции (определяющего силу и направленность взаимосвязи) и его значимости (количественной оценки надёжности взаимосвязи).

При анализе связей между показателями, измеренных только в номинативной шкале применяют критерий χ²– Пирсона (для классификаций и таблиц сопряжённости), критерий Мак-Нимара (для таблиц сопряжённости 2х2 с повторными измерениями) и критерий серий (для последовательностей)

В случаях необходимости проведения статистического анализа данных, когда одна из переменных является количественной (ранговой или интервальной), а другая — качественной (номинативной), используются параметрические и непараметрические методы сравнения, при применении которых исследовательская задача сводится к сравнению групп (градаций номинативной переменной) по уровню выраженности признака (измеряемой количественной переменной). Целью исследований сравнительного характера является проверка гипотез о наличии различий одних и тех же психологических параметров (зависимые переменные) у различных независимых групп испытуемых, формируемых по заданным критериям (независимые переменные).

При применении методов сравнения необходимо учитывать:

- во-первых, количество сравниваемых групп (градаций номинативной переменной) – две или более двух;

- во-вторых, зависимость выборок (зависимые или независимые выборки). К зависимым выборкам относят случаи, когда для важного измеряемого на выборках признака можно установить гомоморфную пару: одному случаю из выборки X соответствует только один случай из выборки Y и наоборот (два измерения показателя до и после экспериментального воздействия, пары близнецов, мужья и жёны и т.д.). Выборки, в которые объекты исследования набирались независимо друг от друга называют независимыми выборками;

- в-третьих, измерительную шкалу, в которой измерены изучаемые показатели (ранговая или метрические шкалы). При этом для метрических шкал важным является наличие или отсутствие нормального распределения значений изучаемого показателя.

При сравнительном анализе показателей у респондентов двух независимых выборок и наличия нормального распределения зависимых переменных, измеренных в интервальной шкале или шкале отношений, а также - гомогенности дисперсий этих выборок, анализ различий проводят при помощи эмпирического критерия t-Стьюдента для независимых выборок и оценки его достоверности. Альтернативой данного метода является непараметрический критерий U-Манна-Уитни (в случаях, когда показатели измерены в ранговой шкале, распределение метрических показателей хотя бы в одной выборке существенно отличаются от нормального и/или их дисперсии различаются статистически достоверно).

В случаях, когда сравнительный анализ показателей осуществляется у респондентов более двух независимых выборок, используется однофакторный дисперсионный анализ (ANOVA). Суть дисперсионного анализа сводится к изучению влияния одной или нескольких независимых переменных (факторов) на зависимую переменную. При этом независимые (номинативные) переменные отражают групповую принадлежность и могут иметь две или более градации (или уровня), а зависимые (метрические) переменные представлены в виде шкал. Непараметрическим аналогом данного вида анализа является однофакторный дисперсионный анализ Краскала-Уоллеса (таблица 2).

Таблица 2 – Статистические методы сравнения показателей независимых выборок

Тип используемых измерительных шкал	Количество выборок (градаций номинативной переменной)
две выборки	больше двух выборок
Метрическая шкала (при нормальном распределении значений показателя)	Параметрические методы сравнения
критерий t-Стьюдента для независимых выборок	однофакторный дисперсионный анализ (ANOVA)
Ранговая шкала Метрическая шкала (при ненормальном распределении значений показателя)	Непараметрические методы сравнения
критерий U-Манна-Уитни, критерий серий	критерий H-Краскала- Уоллеса

Для проверки различий между двумя выборками парных измерений (связанные или зависимые выборки), когда необходимо определить изменение изучаемого признака до и после планируемого в эксперименте воздействия, применяют параметрический статистический критерий t-Стьюдента для зависимых выборок. Альтернативой данного критерия является непараметрический критерий Т- Вилкоксона.

Проверка гипотезы о различии более двух зависимых выборок (повторных измерений) по уровню выраженности изучаемого признака осуществляется с помощью однофакторного дисперсионного анализа (ANOVA) с повторными измерениями (параметрический метод сравнения) или непараметрического критерия χ²– Фридмана (таблица 3).

Таблица 3 – Статистические методы сравнения показателей зависимых выборок

Тип используемых измерительных шкал	Количество выборок (градаций номинативной переменной)
две выборки	больше двух выборок
Метрическая шкала (при нормальном распределении значений показателя)	Параметрические методы сравнения
критерий t-Стьюдента для зависимых выборок	однофакторный дисперсионный анализ (ANOVA) с повторными измерениями
Ранговая шкала Метрическая шкала (при ненормальном распределении значений показателя)	Непараметрические методы сравнения
критерий Т-Вилкоксона, критерий знаков	критерий χ²- Фридмана

Для построения более сложных математических моделей эмпирического исследования могут быть использованы методы многомерного статистического анализа, позволяющие структурировать (факторный анализ) и классифицировать (кластерный анализ) эмпирическую информацию, прогнозировать значения изучаемых метрических (регрессионный анализ) и номинативных (дискриминантный анализ) «зависимых» психологических переменных по известным значениям «независимых» метрических переменных, отображать пространственные отношения между объектами (многомерное шкалирование) и т. д.

Для получения достоверных результатов и обоснования выводов крайне необходим выбор правильных статистических критериев.

Факторный анализ — это группа методов, направленных на выявление, математическое выражение и определенную причинную интерпретацию латентных структур. Результатом факторного анализа является переход от множества исходных переменных к существенно меньшему числу новых переменных — факторов. Фактор при этом интерпретируется как причина совместной изменчивости нескольких исходных переменных. Факторный анализ разделяют на эксплораторный (поиск факторов, позволяющих описать исходную корреляционную матрицу) и конфирматорный (проверка гипотезы о числе факторов и их нагрузках).

Кластерный анализ — совокупность алгоритмов обработки данных, предназначенных для распределения (классификации) исследуемых объектов на относительно однородные группы (кластеры). Результатом кластерного анализа является дерево иерархической классификации - дендрограмма, интерпретация которой состоит в описании полученных классов объектов на основе их содержательных характеристик.

Множественный регрессионный анализ позволяет предсказать значения метрической «зависимой» переменной по множеству известных значений метрических «независимых» переменных, измеренных у множества объектов (испытуемых). Используется при проверке гипотезы о влиянии (детерминации) показателей независимых переменных на зависимую переменную.

Дискриминантный анализ позволяет классифицировать объекты по известным классам, исходя из измеренных у них признаков на основе решающих правил, выработанными предварительно на выборке идентичных объектов, у которых были измерены те же признаки.

Многомерное шкалирование позволяет выявить шкалы как критерии, по которым поляризуются объекты при их субъективном попарном сравнении и получить пространственное отображение отношений, существующих между объектами.