Свободная классификация

Испытуемому дается большой набор карточек с изображениями предметов или других стимулов.

Задание 1: предлагается сгруппировать предметы так, чтобы каждую группу можно было бы назвать одним словом.

Задание 2: после выполнения первого задания испытуемого просят назвать каждую группу и объяснить, почему он выбрал такое название.

Задание 3: испытуемого просят укрупнить выделенные им группы предметов (например, сделать две или три группы вместо восьми), вновь назвать группы и объяснить название.

Используется для диагностики уровня обобщения (наглядно-образный, понятийный, ситуативный, функциональный, контекстный и др.); как развивающее упражнение (обучение обобщению, обучение иерархизации классификаций); для организации классификационной работы эксперта.

Групповая классификация

Задание па свободную классификацию одинаковых наборов стимулов дается группе испытуемых. По результатам классификации строится квадратная групповая матрица.

Группе из 20 человек дается следующий набор из 10 слов: 1) время, 2) муравьи, 3) руки, 4) паук, 5) реакция, 6) наука, 7) люди, 8) тело, 9) будущее, 10) чувства.

По результатам классификации строится первичная групповая таблица (табл. 5.3). В каждой клетке указывается количество отнесений слов в один класс в группе. В клетке 1,2 (первая строка, второй столбец) указывается количество отнесений слов "время" (первое слово) и "муравьи" (второе слово) в один масс по группе испытуемых (количество испытуемых, объединивших слова "время" и "муравьи" в один класс). В клетке 1,3 указывается количество отнесений слов "время" (первое слово) и "руки" (третье слово) по группе испытуемых. В клетке 1,4 указывается количество отнесений слов "время" (первое слово) и "наук" (четвертое слово) по группе испытуемых и т.д. Диагональ такой матрицы – сочетание слова с самим собой в одном классе.

Таблица 5.3

Первичная групповая матрица результатов классификации

№ слова	1	2	3	4	5	6	7	8	9	10
1	20	1	4	7	11	7	5	4	14	4
2		20
3			20
4				20
5					20
6						20
7							20
8								20
9									20
10										20

Заполняется лишь половина матрицы над диагональю, так как матрица симметрична относительно диагонали. Обработка матрицы (матрица преобразуется для обработки в матрицу интеркорреляций) с помощью процедуры кластерного анализа позволяет выявить неявные иерархические отношения математической модели репрезентации стимулов в групповом опыте (проще – дерево классификации).

Кластеризация является процедурой редукции больших баз данных в небольшое, сравнимое с объемом оперативной памяти человека (иначе кластеризация не имеет смысла), количество кластеров (классов) для дальнейшего качественного анализа.

Кластерный анализ – математические методы, с помощью которых формируются группы (классы) объектов (точек, векторов), на основании критического расстояния или связей (мер близости) между ними. Если любая пара объектов из одного класса является более сходной, чем любая пара из разных классов, задача классификации считается решенной. Для анализа используются матрицы расстояний или корреляций многомерных показателей (оценок). Другими словами, кластерный анализ является методом описания матриц расстояний или корреляций. В статистических алгоритмических процедурах исследователем задается или число, или порог значимости, после чего решения сравниваются, и выбирается наилучшее для интерпретации. Иерархическая классификация указывает на включенность мелких классов в более крупные.

Из 1200 рисунков-эмблем, присланных на конкурс эмблемы "Общества охраны природы" было отобрано 50, представляющих все встречающиеся в наборе типы композиционных решений. 25 экспертов классифицировали рисунки (делили их на произвольное количество групп) и, но желанию, давали группам названия. Матрица сходства рисунков обрабатывалась с помощью метода кластеризации. Анализ полученного дерева классификации начинается с самых крупных классов (как поиск обобщенного основания классификации) с последовательным переходом к более мелким. Анализ показал, что на различных "этажах" классификации выделяются ее различные основания, но основания классификации для более мелких классов являются уже более частными по отношению к основаниям классификации более крупных, в которые эти мелкие классы входят (Петренко, 1983).

В практической и исследовательской работе используется для групповой классификации небольших групп стимулов. Преимуществом метода является простота инструкции и возможности работы с любым видом стимулыюго материала. Большие группы стимулов с полной процедурой кластерной обработки используются, как правило, только в исследовательских процедурах из-за сложности обработки, большого количества математических допусков обработки и, соответственно, трудностей интерпретации.