«Дерево решений» как инструмент анализа латентных связей психодиагностических данных

Аннотация

Актуальность. Методы машинного обучения являются эффективным инструментом обработки данных, предоставляют широкие возможности для анализа результатов психологической диагностики. При этом они обладают рядом преимуществ перед традиционным корреляционным, факторным, регрессионным анализом, позволяют проводить системный анализ латентных связей между психологическими показателями. Поиск, анализ и интерпретация латентных опосредованных взаимосвязей признаков является одной из ключевых проблем психологии. Такие возможности предоставляет метод «дерево решений».

Цель. На конкретных примерах продемонстрировать возможности метода «дерево решений» при обработке многомерных психодиагностических данных.

Выборка. Проводилась обработка неоднородных оригинальных психодиагностических данных разных групп респондентов: родителей дошкольников (496 матерей), 83 школьников предподросткового возраста (11–12 лет), 79 подростков 14–16 лет.

Методы. Одновременно анализировались результаты двух и более тестов. У родителей дошкольников изучались родительские установки (“Parental Attitude Research Instrument” (PARI), Шафер и Белл) и семейные взаимоотношения (“Analysis of family relationships” (АСВ), Эйдемиллер). Для психодиагностики школьников предподросткового возраста 11–12 лет использовались теппинг-тест Ильина, культурно-независимый тест интеллекта Кеттелла, 12-факторный личностный опросник Кеттелла и Коана (CPQ), тест «Незаконченные предложения» Михала. Психодиагностика адаптивных характеристик и личностных черт подростков 14–16 лет проводилась при помощи теста Роджерса и Даймонд и 14-факторного личностного опросника Кеттелла (14-PF) соответственно. Алгоритмы обработки данных реализованы на отечественной аналитической платформе DEDUCTOR.

Результаты. При помощи метода «дерево решений» большое число психологических признаков классифицировалось по их связи с разными целевыми атрибутами (психологическими характеристиками). Показаны возможности предлагаемого алгоритма обработки данных для оценки латентных связей психологических характеристик и построения иерархических структур, соответствующих вертикальному системному анализу данных. В частности, выявлены взаимосвязи между индивидуально психологическими и психосоциальными характеристиками школьников предподросткового возраста (11–12 лет), личностными чертами и адаптационными характеристиками подростков 14–15 лет, родительскими установками и семейными взаимоотношениями у матерей дошкольников.

Выводы. Метод «дерево решений» позволяет проводить анализ латентных связей неоднородных психодиагностических данных по уровню значимости входных признаков, даже без анализа структуры самого «дерева». Метод дает возможность выделить диапазон значений психологических признаков, в котором внутрисистемные связи более устойчивы. Показано влияние интеллектуальных показателей как индивидуально психологических характеристик на результаты тестирования школьников. Вербальный и невербальный интеллект (14 факторный опросник и культурно независимый IQ тест Р.Б. Кеттелла) проявляются как значимые показатели во взаимосвязях психологических признаков.

Литература

Барабанщиков, В.А. (2007). Системный подход в структуре психологического познания. Методология и история психологии, 2(1), 86−99.

Ганзен, В.А. (1984). Системные описания в психологии. Ленинград: Изд-во Ленинградского ун-та.

Дюк, В., Самойленко, А. (2001). Data Mining: учебный курс. Санкт-Петербург: Изд-во «Питер».

Кузнецова, В.Б. (2017). Черты личности как медиатор взаимосвязи между методами воспитания и проблемами поведения у детей. Психологический журнал, 38(1), 31−40.

Левитин, А.В. (2006). Введение в разработку и анализ (глава 10). В кн.: Ограничения мощи алгоритмов: Деревья принятия решения. Алгоритмы. (С. 409–417). Москва: Изд-во «Вильямс».

Лубовский, Д.В. (1994). Применение диагностического комплекса проективного интервью в работе детского психолога-практика. Москва: Изд-во Центра психологической службы.

Кудряшова, А.В. (ред.) (1992). Лучшие психологические тесты. Петрозаводск: Изд-во «Петроком».

Ломов, Б.Ф. (1984). Методологические и теоретические проблемы психологии. Москва: Изд-во «Наука».

Поддьяков, А.Н. (2007). Сравнительная психология развития Х. Вернера в современном контексте. Культурно-историческая психология, 3(1), 63−72.

Славутская, Е.В., Владимирова, О.Н. (2022). Системный анализ данных психодиагностики и проявление интегро-дифференционного принципа в развитии личности. Казанский педагогический журнал, (2), 195–206. https://doi.org/10.51379/KPJ.2022.152.2.028

Славутская, Е.В., Славутский, Л.А. (2022). Интеллектуальный анализ данных психодиагностики: традиционные методы и современные подходы. Чебоксары: Изд-во Чувашского государственного педагогического ун-та.

Славутская, Е.В. (2011). Исследование интеллектуальных показателей младших подростков при развивающем воздействии на их эмоционально-волевую сферу. Известия Саратовского университета. Новая серия. Серия: Философия. Психология. Педагогика, 11(2), 76−81.

Славутская, Е.В., Абруков, В.С., Славутский, Л.А., Бичурина, С.У., Садовая, В.В. (2020). Вертикальный системный анализ данных психодиагностики учащихся с использованием метода «дерево решений». Science for Education Today, 10(3), 87–107. https://doi.org/10.15293/2658-6762.2003.05

Чуприкова, Н.И. (2009). Теория развития: Дифференционно-интеграционная парадигма. Москва: Изд-во «Языки славянских культур».

Шитиков, В.К., Мастицкий, С.Э. (2017). Классификация, регрессия и другие алгоритмы Data Mining с использованием R. URL: https://ranalytics.github.io/data-mining (дата обращения: 12.02.2023).

Cattell, R.B. (1990). Advanced in Cattelian Personality Theory. Handbook of Personality. Theory and Research. New York: Guilford Publ.

Christensen, A.P., Golino, H, Silvia, P.J. (2020). A Psychometric Network Perspective on the Validity and Validation of Personality Trait Questionnaires. European Journal of Personality, 34(6), 1095-1108. https://doi.org/10.1002/per.2265

Colledani, D., Robusto, E. Anselmi, P. (2024) Shortening and Personalizing Psychodiagnostic Assessments with Decision Tree-Machine Learning Classifiers: An Application Example Based on the Patient Health Questionnaire-9. International Journal of Mental Health and Addiction, 1–21. https://doi.org/10.1007/s11469-024-01332-x

De Young, C.G., Carey, B.E., Krueger, R.F., Ross, S.R. (2016). Ten aspects of the Big Five in the Personality Inventory for DSM-5. Personality Disorders: Theory, Research, and Treatment, 7(2), 113–123. https://doi.org/10.1037/per0000170

Eidemiller, E.G., Yustitsky, V.V. (1989). Family psychotherapy: The basic principles and practical experience. International Journal of Family Psychiatry, 10(3–4), 325–337.

Eisenberg, N., Miller, P. A., Shell, R., McNalley, S., Shea, C. (1991). Prosocial development in adolescence: A longitudinal study. Developmental Psychology, 27(5), 849–857. https://doi.org/10.1037/0012-1649.27.5.849

Israel, A., Brandt, N.D., Spengler, M., Göllner, R., Lüdtke, O., Trautwein, U., Wagner, J. (2022). The longitudinal interplay of personality and school experiences in adolescence. European Journal of Personality, 37(4), 131–153. https://doi.org/10.1177/08902070211062326

McCrae, R.R., Costa, P.T. (2021). Understanding persons: From Stern's personalistics to Five-Factor Theory. Personality and Individual Differences, 169, 109816. https://doi.org/10.1016/j.paid.2020.109816

Mõttus, R., Wood, D., Condon, D.M., Zimmermann, J. (2020). Descriptive, Predictive and Explanatory Personality Research: Different Goals, Different Approaches, but a Shared Need to Move Beyond the Big Few Traits. European Journal of Personality, 34(6), 1175–1201. https://doi.org/10.1002/per.2311

Price, L., Rauf, I., Gooch, D., Katz, D., Pearce, O., Price, B. (2024). Children's perspectives on pain-logging: Insights from a Co-Design Approach. Proceedings of the 2024 ACM Designing Interactive Systems Conference. (pp. 1306–1318). https://doi.org/10.1145/3643834.3661597

Rogers, C.R., Dymond, R.F. (1999). Psychotherapy and Personality Change: Coordinated Research Studies in the Client-Centered Approach. Chicago: University of Chicago Publ.

Schaefer, E.S., Bell, R.Q. (1958). Development of a parental attitude research instrument. Child Development, 29, 339–361.

Shchebetenko, S., Kalugin, A.Y., Mishkevich, A.M., Soto, C.J., John, O.P. (2020) Measurement invariance and sex and age differences of the big five inventory-2. Evidence From the Russian Version. Assessment, 27(3), 472−486. https://doi.org/10.1177/1073191119860901

Slavutskaya, E.V., Slavutskii, L.A, Nikolaev, E.L., Zakharova, A.N. (2021). Neural Network Models for the Analysis and Visualization of Latent Dependencies: Examples of Psycho Diagnostic Data Processing. Knowledge in the Information Society: Joint Conferences XII Communicative Strategies of the Information Society (CSIS2020) and XX Professional Culture of the Specialist of the Future (PCSF2020). (pp. 61−70). St. Petersburg, Cham: Springer Verlag Publ. https://doi.org/10.1007/978-3-030-65857-1_7

Slavutskaya, E.V., Slavutskii, L.A. (2024). Intra System Links Dynamics as a Cause of Development Cyclicity: The Simplest Equations. Digital and Information Technologies in Economics and Management (DITEM2023): Lecture Notes in Networks and Systems, Dushanbe. (pp. 25–36). Cham: Springer Nature Switzerland AG Publ. https://doi.org/10.1007/978-3-031-55349-3_3

Sosnowska, J., Kuppens, P., De Fruyt, F., Hofmans, J. (2020). New directions in the conceptualization and assessment of personality — a dynamic systems approach. European Journal of Personality, 34(6), 988−998. https://doi.org/10.1002/per.2233

Soto, C.J., John, O.P. (2017). Short and extra-short forms of the Big Five Inventory 2: The BFI-2-S and BFI-2-XS. Journal of Research in Personality, 68, 69−81.