ЛОКАЛИЗАЦИЯ ТОЧКИ НА ШКАЛЕ 7 страница
<N,S> симметричны и при сделанных предположениях условные вероятности правильных ответов 1 и 2 должны быть равны. Это интуитивное соображение подкрепляется теоретической моделью, к изложению которой мы переходим. Но прежде введем новое обозначение. Условимся через р(C) (от английского correct — правильный) обозначать суммарную вероятность правильного ответа:
р(C) = P(S)·p(H) + P(N) ·р(CR). (26)
Результаты 2АВВ называются несмещенными, если
p(H) = p(CR) или, что то же самое, p(H)+p(FA)=1.
Теоретическая модель 2АВВ является простым распространением модели, изложенной в предыдущем разделе. Мы сразу предположим, что все сделанные там допущения и упрощающие предположения сохраняют свою силу по отношению к <S> и <N> по отдельности, а когда <S> и <N> объединяются в пару, их сенсорные репрезентации независимы друг от друга, причем испытуемый никогда не путает, какому (“первому” или “второму”) члену пары соответствует данный образ. Каждый образ оценивается по интенсивности некоторого выбранного качества, так что образ пары оценивается по паре интенсивности сенсорного качества <X1,X2>, записанных в той же последовательности, что и стимулы. Если предъявляется <S,N>, то X1 имеет распределение f(X/S), X2 — распределение f(X/N). Если предъявляется <N,S>, то наоборот X1 распределяется по f(X/N), а X2 — по f(X/S). Имея <X1,X2>, испытуемый должен решить, первая или вторая интенсивность соответствует <S>. Естественным правилом решения здесь является следующее: берется разность X1-X2 и сравнивается с критическим значением C*. Если X1- X2 > C* , то дается ответ “Да, Нет”, если же X1- X2 < C*, то “Нет, Да”. Как видим, C* играет здесь ту же роль, что и критерий C в методе “Да-Нет”. Заметим, что разность берется всегда в одном и том же направлении, скажем от “первой” интенсивности ко “второй”, X1-X2, независимо от того, было ли предъявлено <S,N> или <N,S>. Начнем с рассмотрения случая предъявления <S,N>. Поскольку X1 и X2 суть случайные величины, то их разность тоже является случайной величиной, распределение которой мы обозначим через f(x/<S,N>). f(x/<S,N>) есть плотность вероятности того, что X1 - X2 = x при предъявлении <S,N>. Эта функция однозначно определяется, если известны два распределения f(X/S) и f(X/N). Пусть теперь предъявлена пара <N,S>. Очевидно, что в этом случае разность X2 - X1 распределена точно так же, как разность X1 - X2 в первом случае, т.е. плотность вероятности события X2 - X1 = x/<N,S> равна плотности вероятности события X1 - X2 = x/<S,N>; но ведь событие X1 - X2 = x/<S,N> равносильно событию X2 - X1 = x/<N,S>. Мы получаем важное соотношение:
f (x/<S,N>) = f(-x/<N,S>), (27)
где разность всегда берется от “первой” интенсивности ко “второй”, X1-X2. Соотношение (27) означает, что функции распределения f(x/<S,N>) и f(x/<N,S>) являются зеркально симметричными. В этом существенное отличие теоретической схемы для 2АВВ от теоретической схемы для метода “Да-Нет”: f(X/S) и f(X/N) могут быть сколь угодно непохожими друг на друга, но f(x/<S,N>) и f(x/<N,S>) являются зеркальными копиями. Введем в теоретическое представление критерий C*. На рис. 12 заштрихованные области равны по площади вероятностям p(CR) и p(H). Легко видеть, что несмещенный 2АВВ, при котором p(CR) = p(H), будет иметь место только в случае C* = 0. При отрицательных C* испытуемый будет более часто правильно указывать сигнал, если сигнальное предъявление было “первым”, чем если оно было “вторым” (при этом говорят, что наблюдатель имеет предрасположение к “первому” стимулу). При C*>0 испытуемый имеет предрасположение ко “второму” стимулу: p(CR) > p(H). Двигая C* справа налево и фиксируя различные пары p(H), p(FA) (p(FA) = 1 - p(CR)), мы можем построить кривую PX для 2АВВ (рис. 13).
В силу зеркальной симметричности распределений кривая PX для 2АВВ всегда симметрична относительно побочной диагонали. Это следствие в принципе позволяет экспериментально проверить валидность схемы с оценкой разностей X1 - X2, но, к сожалению, строгое статистическое доказательство симметричности PX провести довольно сложно. В эксперименте различные точки PX можно получить, задавая асимметричные платежные матрицы (например, штрафуя за пропуск “первого” сигнала значительно больше, чем за пропуск “второго”), подавая одну комбинацию (например, <S,N>) чаще, чем другую и т.д. — совершенно аналогично методу “Да-Нет”.
![]() |
Рис.12. Геометрическая модель обнаружения стимулов в методе 2ABB: вертикальная штриховка - p(H); горизонтальная - p(CR); C* - положение критерия принятия решения
До сих пор мы не использовали предположения о возможности монотонной трансформации X в Z, при которой f(X/S) и f(X/N) переходят в нормальные распределения f(Z/N) и f(Z/S).
![]() |
Рис.13. PX для эксперимента по методу 2ABB
Если теперь это предположение принять и использовать разности Z1 - Z2, то можно показать следующее: если f(Z/N) имеет центр равным 0 и дисперисию равной 1, а f(Z/S) - центр в точке а и дисперсию равной , то f(Z/<S,N>) и f(Z/<N,S>) являются тоже нормальными распределениями с одной и той же дисперсией, равной
и с центрами, соответственно, в точках а и -а (см. рис. 14).
Рассмотрим, каковы соотношения между вероятностями p(H) и p(FA) при произвольном значении C*. Для этого сдвинем левое распределение вместе с критерием до совмещения его центра с нулем и сожмем ось Z ровно в раз. Распределение после этого станет табличным, а критерий займет позицию
Отсюда:
(28)
![]() |
Рис. 14. Переход от распределений сенсорных эффектов, возникающих под действием пустого и значащего стимулов (<N> и <S>), к паре равновариативных распределений разности этих же сенсорных эффектов — <N,S> и <S,N>:ось абсцисс — интенсивность сенсорного эффекта (верхний график) или разница интенсивностей сенсорных эффектов (нижний график); ось ординат — плотность вероятности соответствующих сенсорных эффектов
![]() |
(29)
Вернемся теперь к исходной картинке и, сдвинув правое распределение вместе с критерием влево на а и, сжав z-ось в раз, получим:
![]() |
(30)
.
![]() |
(31)
Откуда:
(32)
Итак, в двойных нормальных координатах PX для 2АВВ описывается прямой линией с наклоном 45 градусов (заметьте, при любой величине ). Отсюда следует способ экспериментальной проверки предположения о нормальности f(z/S) и f(z/N) в методе 2АВВ: по z-преобразованным точкам PX строится прямая наилучшего приближения, проверяется удовлетворительность приближения и незначимость отличия наклона от 45 градусов. Если дополнительно предположить, что s = 1 , т.е. f(z/S) и f(z/N) имеют одинаковые дисперсии, то свободный член в формуле (32) станет равен (или, применяя стандартное обозначение, ). В этом случае для разности z[p(H)] - z[p(FA)] в 2АВВ тоже иногда используют обозначение d' и пишут:
. (33)
Часто это соотношение (не очень корректно) читается так: чувствительность в 2АВВ в выше, чем в “Да-Нет”. Этот вывод вряд ли покажется неожиданным для психолога, поскольку почти очевидно, что в условиях, где у испытуемого имеется возможность сравнения,результаты будут выше, чем в тех условиях, где такая возможность отсутствует (метод "Да-Нет").
В заключение мы остановимся на одном удивительном соотношении между 2АВВ и методом “Да-Нет”. Мы знаем, что чувствительность (отличимость сигнального стимула от пустого) может быть измерена числом d' , если на распределении f(X/S) и f(X/N) наложено весьма жестко требование о существовании монотонной трансформации XZ, переводящей эти распределения в два нормальных с равными дисперсиями. Если это требование не выполняется, но f(X/S) и f(X/N) могут быть переведены путем монотонной трансформации в два нормальных распределения с разными дисперсиями, то в методе “Да-Нет” чувствительность характеризуется уже парой чисел (а, ), что весьма неудобно, поскольку к парам чисел неприложимы оценки “больше-меньше”, “возрастает-убывает” и т.д. Разумеется, в этом случае можно предложить какую-либо другую скалярную (т.е. выразимую одним действительным числом) меру чувствительности (на рис. 15 показана одна такая мера, называемая dyn), которая с формальной точки зрения будет являться скалярной функцией от а и s например,
Или можно обратиться к 2АВВ, взяв за меру чувствительности свободный член уравнения (32). Однако часто возникает вопрос, что делать в том случае, когда проверка отвергает предположение о нормальности? Существует ли какая-либо простая скалярная мера чувствительности, применимая при любых f(X/S) и f(X/N)? Такая мера действительно существует: площадь под кривой PX. Интуитивно эта мера представляется весьма удачной. Она универсальна (применима к любой PX) и всегда позволяет сказать, в каком сигнальном стимуле, S1 или S2, сигнал более обнаруживаем (в сопоставлении с одним и тем же N). Но у этой меры (обозначим ее U, см. рис. 16) есть существенный недостаток — для ее вычисления необходимо знать достаточно много точек PX.
Допустим, однако, что для некоторой пары <N> и <S> было проведено подробное исследование и вычислена мера U. Пусть теперь мы используем те же <S> и <N> в методе 2АВВ. Мы провели всего один эксперимент и получили (с точностью до статистических вариаций) следующий результат:
Результаты показывают, что выбор является несмещенным: p(H) = p(CR). Мы знаем, что в этом случае общая вероятность правильного ответа P(C) (см. формулу (26)) равна p. Удивительное соотношение между “Да-Нет” и 2АВВ, о котором идет речь, состоит в том, что если изложенная модель обнаружения верна, то должно быть U = p. Другими словами: в несмещенном случае P(C)2АВВ= = U"Да-Нет". Таким образом, в качестве хорошей и простой (пожалуй, самой простой) меры чувствительности в 2АВВ может использоваться процент правильных ответов P(C).
![]() |
Рис. 15. Графическое представление меры чувствительности dYNна РХ в двойных нормальных координатах
![]() |
Рис. 16. Графическое представление меры чувствительности U на РХ в двойных нормальных координатах
§ 4. Метод оценки
Этот метод может быть использован как модификация метода “Да-Нет” и как модификация метода 2АВВ. Здесь будет изложен только первый вариант, поскольку перенесение его на случай 2АВВ является тривиальным.
![]() |
Как мы уже знаем, в ряде случаев (для проверки гипотез о форме распределений или для вычисления таких мер чувствительности, как U) требуется PX по достаточно большому количеству точек. Для получения нескольких точек PX методом “Да-Нет” необходимо несколько раз провести эксперимент с одной и той же парой <S> и <N>, но с различными параметрами организации эксперимента, такими как P(S), платежная матрица и т.п. Каждый эксперимент должен содержать большое количество предъявлений для того, чтобы, во-первых, можно было исключить первые пробы, в которых схема соответствия еще не установилась, и, во-вторых, чтобы частоты событий (“Да”/S) и (“Да”/N), высчитанные по оставшимся пробам (асимптотический уровень), достаточно точно соответствовали вероятностям p(H) и p(FA). Более того, поскольку от эксперимента к эксперименту чувствительность наблюдателя к данному сигналу может меняться, эксперимент с одними и теми же параметрами организации желательно повторить несколько раз на разных этапах (скажем, ближе к началу, середине и концу) всей серии экспериментов. Все это довольно громоздкая работа. Метод оценки (МО) дает нам возможность получить несколько точек PX в результате только одного эксперимента, хотя его объем, обыкновенно, превышает объем одного эксперимента “Да-Нет”.
Процедура метода оценки (МО) отличается от метода “Да-Нет” только тем, что после каждого предъявления вместо ответа “Да” или “Нет” испытуемый указывает степень его уверенности в наличии/отсутствии сигнала в этом предъявлении. Например, “совершенно уверен, что сигнал был”, “уверен, что сигнал был”, “скорее был, чем не был”, “не могу выбрать”, “скорее не был, чем был”, “уверен, что сигнала не было”, “совершенно уверен, что сигнала не было”. Эти 7 категорий естественно обозначить числами в том же порядке: 3, 2, 1, 0, -1, -2, -3. В методе оценки уверенности набор категорий всегда задается испытуемому заранее и обычно кодируется некоторой числовой системой. Иногда используется процентная шкала, когда испытуемый говорит о сигнале: “На 50% был”, “На 100% был” (точно был), “На 10% был”, “На 0% был” (точно не был). В этом случае либо испытуемого просят пользоваться только определенными (например, только круглыми: 0, 10, 20 ...%) числами, либо он может называть произвольные проценты (скажем, 78%), но потом ответы объединяются в несколько групп (например, все числа меньше 5% — в группу 0, все числа между 5 и 15 — в группу 10% и т.д.). Для конкретности предположим, что испытуемому заданы 7 категорий, названных в нашем примере. Обыкновенно эксперимент проводится без платежной матрицы или с симметричной платежной матрицей и с P(S) = P(N) = 0.5. Результаты эксперимента могут быть представлены в виде следующей таблицы (см. табл. 5).
Таблица 5
Теоретические результаты эксперимента с использованием метода оценки
![]() |
Р(n), n=-3,...+3, есть оценка условной вероятности P(n/S), получаемая путем деления числа всех случаев, когда предъявлялось <S> и был дан ответ “n”, на число всех предъявлений <S>. Аналогично q(n) есть оценка условной вероятности P(n/N). Теоретическое осмысление этих данных в рамках модели, изложенной в двух предыдущих разделах, состоит в предположении, что если испытуемому заданы K категорий (от полной уверенности в отсутствии до полной уверенности в наличии S), то он так же, как и в условиях эксперимента “Да-Нет”, базируется на интенсивности некоторого сенсорного качества, но делит ее не на две, а на K областей, как показано на рис. 17.
Как видим, совсем необязательно, чтобы границы между областями разных ответов следовали через равные интервалы или каким-нибудь закономерным образом: единственное, что предполагается — что область ответа R1лежит левее области ответа R2, если С1< С2. Итак, если выбранное качество сенсорного образа имеет интенсивность, лежащую между C0и C1, то испытуемый дает ответ “0”, если интенсивность лежит правее C3— то “3” и т.д.
Теперь приведем следующее рассуждение. Допустим, что те же стимулы <N> и <S> используются в эксперименте “Да-Нет”, причем критерий C будет последовательно помещаться в позиции С3, С2, С1, С0, С-1, С-2. При каждом положении критерия будем вычислять соответствующую пару p(H) и p(FA). Вероятностьp(H) равна площади под кривой f(X/S), лежащей правее С, а p(FA) равна площади под кривой f(X/N), лежащей правее С. Обозначим площадь под кривой f(x/S) междуСiи Ci+1 (i = -2, -1 ... 2 в нашем случае на рис. 17)
![]() |
Рис. 17. Модельное представление ситуации обнаружения сигнала в методе МО
черезAS(Ci, Ci+1), а площадь, лежащую правее Сi- черезAS(Ci, CҐ). Для кривой f(X/N) — аналогичные обозначения: AN(Ci,Ci+1) и AN(Ci, CҐ). Если критерий С помещен в позицию Сi, то p(H) = AS(Ci, CҐ), p(FA) = AN(Ci, CҐ ). С другой стороны, ясно, что p(i) - вероятность ответа «i» при предъявлении S, равна AS(Ci, Ci+1), еслиi < 3 и равнаAS(C3, CҐ ), если i = 3. Аналогичноqi= AN(Ci,Ci+1), если i < 3 и AN (C3, CҐ ), если если i = 3. Но, очевидно, что, AS (C0, CҐ ) = = AS(C0, C1) + AS(C1, C2 ) + AS(C2, C3) + AS(C3 , CҐ ), и аналогично раскладываются любые другие AS(Ci, CҐ ) и AN(Ci , CҐ ).
Следовательно, мы получаем следующую цепочку равенств (табл. 6):
Таблица 6
Способ расчета p(H) и p(FA) по полученным данным в методе МО
![]() |
Теперь мы имеем 6 пар вычисленных p(FA) и p(H) и, следовательно, имеем 6 точек PX. Взяв больше категорий, мы построим PX более подробно, но слишком большое число категорий требует очень длительного эксперимента (надо, чтобы каждая категория встречалась не слишком редко, иначе частота будет плохой оценкой вероятности) и поэтому на практике встречается не часто.
Методические рекомендации по выполнению учебных заданий по теме “Методы обнаружения сигнала”
На первом занятии, которое проходит в форме семинара, проводится обсуждение основ психофизической теории обнаружения сигнала (ТОС), являющейся рабочим инструментом современной психофизики. К этому занятию студенту необходимо прочесть данную главу учебного пособия. В качестве альтернативной и/или дополнительной литературы может быть рекомендована глава 7 книги К.В Бардина (1976). Для студентов, имеющих более солидную математическую подготовку и дополнительный интерес к освоению методов обнаружения сигнала, будут полезны 1—3 главы монографии Дж. Игана (1983). Часть первого и второе занятия посвящаются планированию предстоящего эксперимента, освоению программного обеспечения, с помощью которого проводится отработка учебного задания (см. Приложение 2), и выполнению тренировочных серий эксперимента. Третье (и при необходимости четвертое) занятие отводится для проведения основных серий эксперимента и подготовки отчета.
Предполагается, что студент уже имеет элементарные навыки самостоятельной работы на IBM-совместимом персональном компьютере.
Основное внимание при обсуждении теоретических основ ТОС необходимо обратить на те теоретические предположения, которые делаются в психофизической теории обнаружения сигнала, на отличие данного подхода к измерению чувствительности от классического фехнеровского подхода. Известную трудность при изложении данной модели обнаружения сигнала составляют особенности ее формально-математического описания, тем не менее они не выходят за рамки тех минимальных знаний об интегральном и дифференциальном исчислении, которые были получены студентами на 1-м курсе. Кроме того, в ходе освоения материала нетрудно отделить собственно психологические предположения и ограничения, накладываемые моделью в силу упрощения или даже примитивизации описываемой реальности, и следующие из этого математические допущения. Нужно себе четко представлять, что попытка формально-математического описания даже таких “низкоуровневых” процессов как обнаружение или различение простых сенсорных сигналов, сталкивается с необходимостью “вынести за скобки”, нивелировать большинство таких детерминант сенсорно-перцептивного процесса, как колебания внимания, когнитивно-стилевые особенности человека, индивидуальность его мотивации и др. Хорошо это или плохо, но большинство попыток модельного описания психических процессов, представленных в современной литературе, в той или иной степени приводит к аналогичному результату (см., например, модели памяти Аткинсона или когнитивные варианты современных моделей мотивации, где делаются более глобальные и далеко идущие предположения и ограничения в описании куда более сложной моделируемой реальности).
При проработке материала следует обратить внимание на двухэтапность описываемого процесса обнаружения сигнала. Первый этап связан непосредственно с сенсорной репрезентацией действующих стимулов, т.е. с отражением стимульной энергии в величину вызванного ими ощущения; и как результат — постулируемое распределение (на оси X) интенсивности сенсорных эффектов или, что тоже самое, — ощущений заданного в инструкции сенсорного качества. Основные детерминанты этого (сенсорного) этапа – физические характеристики стимуляции и особенности анализаторной системы. Сразу же отметим, что делаемое допущение о нормальности гипотетического распределения на сенсорной оси есть не только дань простоте при математическом моделировании, но и следствие обобщения опыта многочисленных пороговых измерений, известного в истории психологии как “фи-гамма” гипотеза. В этой связи полезно вспомнить, почему данную модель считают “непороговой”. Такое определение основывается на принятии за основу вероятностного принципа отображения энергии стимула в величину ощущения (сравните с детерминистическим определением порога как границы в классической психофизике), из чего следует отсутствие как такового порога на сенсорной оси и, следовательно, непороговый принцип работы сенсорной системы.
Второй этап характеризует процесс принятия решения о полученном ощущении и связан с внесенсорной детерминацией процесса обнаружения (различения) сигнала. Критерий принятия решения является тем интегральным показателем, который и определяет окончательный результат процесса обнаружения сигнала. Обычно при описании данной модели критерий наблюдателя помещают на сенсорной оси, тем самым указывая на его природу. Подчеркнем, что, являясь по своей сути сенсорным эталоном обнаруживаемого сигнала, стандартом для сравнения с текущим стимулом, критерий формируется не только и не столько под действием стимуляции (например, в ходе тренировки), но во многом зависит от несенсорных факторов. Различного рода экспериментальные установки и ожидания, сформированные инструкцией экспериментатора и/или самоинструкцией, влияют на выбор стратегии испытуемого при принятии решения о наличии сигнала в очередной пробе. В Приложении 1 приведены дополнительные сведения о различных критериях оптимальности принятия решения, используемых в современной психофизике, и описан принятый в ТОС критерий наблюдателя, основанный на оценке отношения правдоподобия. Расчет отношения правдоподобия — один из основных способов параметрического (т.е. основанного на законах постулируемого в ТОС нормального распределения сенсорных эффектов) измерения критерия наблюдателя. Следует особо подчеркнуть, что сам математический аппарат, описывающий работу человека (или кибернетического устройства) с различными критериями, пришел в психологию из математической теории игр, и является не более, чем формальным описанием тех гипотетических процессов принятия решения, которые имеют место в ситуациях повышенной неопределенности. Очевидно, что задача обнаружения порогового сигнала, когда наблюдатель работает на пределе своих сенсорных способностей, представляет собой такую ситуацию. Учитывая формальный характер описания работы наблюдателя с определенным критерием, апелляцию к определенному критерию (например, критерию по типу отношения правдоподобия) нужно рассматривать не более, чем формализованное (модельное) описание результата некоторых гипотетических процессов принятия решения. В этом смысле психологический анализ деятельности наблюдателя должен идти от содержательной психологической интерпретации использования им того или иного критерия, а не от вычисления определенной математической функции, описывающей критерий, которая сама по себе может быть свободна от психологического содержания.
Задание 1. Обнаружение зрительного сигнала методом «Да-Нет»
Цели задания.
1. Практическое освоение метода «Да-Нет» на примере обнаружения зрительного сигнала.
2. Исследование динамики d' и в зависимости от влияния несенсорных факторов.
Методические замечания по планированию и проведению эксперимента.
При планировании предстоящего исследования стоит обратить особое внимание на важность тренировочных серий эксперимента и вспомнить, каким требованиям должен удовлетворять идеальный испытуемый (наблюдатель). Прежде всего еще раз подчеркнем, что в предлагаемой модели описывается ситуация обнаружения сигнала порогового уровня, следовательно в ходе тренировочных серий необходимо подобрать соответствующие параметры обнаруживаемого сигнала. В компьютерной программе стимуляции (см. Приложение 2) предлагаются на выбор различные сигнальные и несигнальные стимулы, например: обнаруживать букву R на фоне L, I на фоне 1 или Q среди O. Естественно, принимая во внимание индивидуальные особенности зрения испытуемого, следует подобрать такие стимулы, которые будут с трудом отличаться друг от друга, и в этом смысле, по-видимому, вариант R и L (это достаточно хорошо различимые конфигурации) будет адекватен лишь для тех студентов, у кого не очень хорошее зрение. В противном случае, как показывает наш опыт, даже при минимальном времени экспозиции стимулов на экране дисплея после хорошей тренировки некоторые испытуемые показывают практически 100%-е обнаружение такого сигнала. Интересно, что поначалу это может показаться весьма сомнительным, но поработав 15—20 минут, как правило, все убеждаются, что тренировка идет и, несмотря на невысокую уверенность каждого отдельного ответа в прошедшей серии, результат обнаружения почти 100%-й. И, следовательно, время предыдущих тренировочных серий потрачено не оптимально. Таким образом, с самого начала нужно четко представлять себе, что следует выбрать такие стимулы и такую их длительность, чтобы обеспечить пороговый уровень обнаружения сигнала. Для более четкой ориентации введем операциональный критерий “пороговости” обнаружения сигнала: индекс сенсорной чувствительности d' должен быть в диапазоне от 1 до 2, что соответствует вероятности попаданий явно меньшей 1 и вероятности ложных тревог, превышающей 0. Например, если тренировочные серии проводятся при априорной вероятности предъявления сигнала, равной 0.5, то соответствующие значения вероятностей попаданий и ложных тревог будут приблизительно такими: p(H) - от 0.7 до 0.8, а p(FA) - от 0.1 до 0.3.
Следующий немаловажный момент касается вопроса о достижении испытуемым асимптотического (предельного) уровня обнаружения порогового сигнала, а именно, достиг ли он того предельного уровня тренировки, когда со временем практически не происходит существенных изменений d'. Самым простым подтверждением достижения асимптотического уровня обнаружения будет относительное постоянство показателей обнаружения в 3—4 следующих друг за другом тренировочных сериях при неизменных стимульных параметрах. Полезно также посмотреть, как изменяется среднее время реакции (ВР) и его вариативность. Стабилизация величины среднего ВР и его разброса служит хорошим доказательством выхода испытуемого на асимптотический уровень обнаружения. В табл. 7 приведены реальные результаты тренировочной серии эксперимента (данные студента Е.К., 1994 г.), показывающие достижение к шестой серии асимптотического уровня обнаружения сигнала.