Страница 21 из 23
В случае деревьев решений объяснение может строиться путем выписывания последовательности условий, проверенных для данного испытуемого на пути от корня дерева до листа. Эти условия образуют конъюнкцию, т. е. легко интерпретируемое логическое правило (Воронцов, 2007). Пример дерева, построенного с использованием выборки значений интерпретированных выше главных компонент SR-матриц и предсказывающего успешность выполнения задания теста Равена, приведен на рисунке 5.
Рис. 5. Дерево классификации, позволяющее правильно (в 70 % случаев) предсказывать результат выполнения задания («Выполнил верно» – «Pass» и «Выполнил неверно» – «NotPass») по величинам главных компонент «Horis» («He использовать горизонтальные переходы и использовать вертикальные») и «Vertic» («Использовать вертикальные переходы в правой нижней части матрицы Равена»)
В целом данное дерево можно интерпретировать следующим образом: если испытуемый придерживается определенных стратегий глазодвигательной активности, то скорее всего задания теста Равена будут пройдены успешно. Однако, если испытуемый зацикливается при рассмотрении элементов матрицы задания по углам, т. е. в верхней левой либо в нижней правой частях, то, вероятно, он не может установить зависимость между элементами матрицы задания и само задание пройдено не будет.
В случае применения линейных регрессионных моделей или дискриминантных функций выявление значимых объясняющих признаков также не составляет труда (достаточно воспользоваться подходящими статистическими критериями значимости коэффициентов модели), а их интерпретация зависит от абсолютной величины коэффициента и знака при нем.
В ходе проекта было разработано программное обеспечение, позволяющее психологу проводить анализ экспериментальных данных видеоокулографии с помощью рассмотренного метода статистического анализа и методов выделения информативных признаков (в том числе и скрытых), не имея при этом глубоких познаний ни в математике, ни в программировании, точнее, при минимальных познаниях в данных областях. На данный момент на языке R (R Core Team, 2014) программно реализованы (автор – Борислав Поляков, выпускник факультета информационных технологий МГППУ):
– загрузка и предобработка входных данных, – ручная и автоматическая разметка стимульных материалов (выделение зон интереса), – алгоритм вычисления матрицы представления преемника, – построение расширенной таблицы данных со значениями входных переменных, необходимых для последующего анализа, – метод снижения размерности пространства признаков (метод главных компонент), – визуализация компонентных нагрузок для выбора интерпретируемых компонент, – алгоритм обучения дерева решений, – алгоритм оценки предсказательной способности дерева, – визуализация дерева решений.
Разработанное ПО было применено для исследовательского анализа данных видеоокулографии, полученных при прохождении испытуемыми теста интеллекта Равена и при чтении учениками начальных классов небольшого отрывка текста с целью выделения показателей, информативных с точки зрения предсказания результатов выполнения заданий теста Равена, возрастной группы и уровня сформированности навыка чтения. Успешное применение предложенного подхода свидетельствует о его эффективности и большом потенциале при использовании в качестве метода исследовательского анализа глазодвигательной активности.
Ананьева К. И., Демидов А. А., Швец Т. А. Оценка психологических особенностей человека по изображению его лица представителями разных расовых групп // Экспериментальная психология. 2013. Т. 6. № 3. С. 98–109.
Барабанщиков В. А., Жегалло А. В. Регистрация и анализ направленности взора человека. М.: Изд-во «Институт психологии РАН», 2013.
Безруких М. М., Демидов А. А., Иванов В. В. Возрастные особенности окуломоторной активности детей в процессе чтения // Психология человека в современном мире. Том 2: Матер. Всеросс. юбил. науч. конф., посв. 120-летию со дня рождения С. Л. Рубинштейна. М.: Изд-во «Институт психологии РАН» 2009. С. 151–155.
Воронцов К. В. Логические алгоритмы классификации. Материалы лекций факультета управления и прикладной математики Московского физико-технического института. М.: МФТИ, 2007.
Куравский Л. С, Мармалюк П. А., Барабанщиков В. А., Безруких М. М., Демидов А. А., Иванов В. В., Юрьев Г. А. Оценка степени сформированности навыков и компетенций на основе вероятностных распределений глазодвигательной активности. Вопросы психологии. 2013. № 5. С. 64–81.
Куравский Л. С, Мармалюк П. А., Баранов С. Н., Алхимов В. И., Юрьев Г. А., Артюхина С. В. (Марковские модели глазодвигательной активности и их применение для тестирования профессиональных навыков. Информационные технологии. 2014. № 8. С. 34–43.
Лепский А. Е. Математические методы распознавания образов: Курс лекций. Таганрог: ТТИ ЮФУ, 2009. URL: http://lepskiy.ucoz.com/ lect_lepskiy_bronevich_pass.pdf (дата обращения: 18.06.2015).
Мармалюк П. А., Звонкина О. М. Опорные показатели глазодвигательной активности при прохождении теста Равена и автоматизация их расчета. Молодые ученые – нашей новой школе. Матер. XI Межвуз. науч. – практ. конф. с межд. участием. М.: МГППУ, 2012. С. 350–352.
Хохлова А. А. Исследование глазодвигательной активности при прохождении матричного теста интеллекта Равена. Молодые ученые – нашей новой школе. Матер. X науч. – практ. межвуз. конф. М.: МГППУ, 2011. С. 343–345.
Alpaydin E. Introduction to machine learning. 2nd edition. The MIT Press, 2010.
Dayan P. Improving generalization for temporal difference learning – the Successor Representation // Neural Computing. 1993. V. 5. P. 613–624.
Gershman S., Moore C, ToddM., NormanK., SederbergP. The Successor Representation and Temporal Context // Neural Computing. 2012. V. 24 (6). P. 1553–1568.
Hayes T. R., PetrovA. A., Sederberg P. B. A novel method for analyzing sequential eye movements reveals strategic influence on Raven's Advanced Progressive Matrices // Journal of Vision. 2011. V. 10. P. 1–11.
Howard M., & Kahana M. A distributed representation of temporal context // Journal of Mathematical Psychology. 2002. V. 46. P. 269–299.
R Core Team: R: A language and environment for statistical computing. R Foundation for Statistical Computing. 2014. URL: http://www.r-project. org (дата обращения: 18.06.2015).
Sederberg P., Howard M., Kahana M. A context-based theory of recency and contiguity in free recall. Psychological Review. 2008. V. 115. P. 893–912.
О чем говорит окуломоторика
А. А. Митькин
Разносторонний анализ движений глаз имеет собственную историю, начало которой было положено Дюбуа-Реймоном в середине XIX в. (Du Bois-Reymond, 1849). Нейрофизиология обнаруженного явления была обозначена как роговично-сетчаточный потенциал (передний полюс глазного яблока имеет знак «плюс», а задний – знак «минус»).
Дальнейшее изучение окуломоторной активности (ОМА), проходившее в острых дискуссиях (Митькин, 1982), позволило ученым отказаться от расширительной трактовки эффективности окулографических методик. Наиболее жесткой элиминации подверглась попытка напрямую связать ОМА с интеллектуальными процессами.
Опыт экспериментальных исследований показал, что испытуемый зачастую оказывается «хитрее», чем предполагает экспериментатор, и выбирает для решения поставленной задачи собственные оригинальные варианты. В конечном счете мы всегда имеем дело с сотрудничеством двух индивидов, а характер этого сотрудничества существенно зависит от специфики метода. Личный опыт автора побуждает его сделать акцент на методе электроокулографии (ЭОГ). Этот метод обладает рядом преимуществ, касающихся положения испытуемого и общей организации исследования. ЭОГ позволяет изучать окуломоторику в самом широком диапозоне профессионального поведения индивида, при любой пространственной ориентации оператора и неблагоприятных внешних условиях. ЭОГ дает возможность «дробить» эксперимент (в пространстве и времени), а затем интегрировать итоговую картину результата. Незаменимость ЭОГ в исследованиях, проводимых на маленьких детях, давно признана всеми психологами (накожные датчики-электроды не доставляют детям беспокойства и не влияют на их спонтанное поведение).