Психология профессиональной пригодности полностью

3) в какой-то мере инвариантным к сдвигу распределений признаков (последнее существенно в силу необходимости считаться с разными методическими условиями получения одного и того же признака).

Этим требованиям в значительной степени удовлетворяет алгоритм, основанный на модификации последовательного статистического анализа отношения вероятностей [58]. Он был предложен для диагностических целей и оказался весьма эффективным при дифференциальной диагностике ряда заболеваний по таким признакам, на основании которых постановка диагноза оказывалась затрудненной даже для опытных специалистов [63].

Для целей определения профессиональной пригодности этот алгоритм должен быть еще более эффективным, так как психологические признаки v₁, v₂, …, v_n являются слабо статистически зависимыми, а при этих условиях последовательный анализ отношения вероятностей является оптимальной процедурой для классификации на два класса [64].

Алгоритм состоит из двух этапов: первого – этапа обучения, во время которого накапливается информация о признаках на основании уже имеющегося опыта и оценивается информативность выбранных признаков, и второго – этапа классификации, на котором выносится решение о пригодности субъекта к определенной деятельности.

Обучение. Предполагается, что на основании предыдущего опыта можно выделить группы субъектов «А» и «В», которые отражают наше понимание пригодности (или непригодности) к данной деятельности и являются определенными эталонами для дальнейшего прогнозирования пригодности. Ряд практических вопросов, связанных с образованием классов «А» и «В», будет рассмотрен ниже. Далее предполагается, что имеется какой-то набор признаков v₁, v₂,…, v_n, существенность которых для определения профессиональной пригодности можно и не знать. Теперь можно построить множество векторов {v_A} и {v_B}, соответственно характеризующих группы субъектов «А» и «В».

Процесс обучения состоит в получении оценки дискретных одномерных распределений вероятностей признаков v₁, v₂,…, v_n для класса «А»: f_A¹(v₁), f_A²(v₁),…, f_Aⁿ(v₁) для класса «В»: f_B¹(v₁), f_B²(v₁),…, f_Bⁿ(v₁).

Предполагается, что v₁, v₂,…, v_n слабо зависимы. Если, однако, этого нет, то для увеличения эффективности процедуры в рассмотрение вводятся сложные признаки – синдромы, определение которых можно получить на основании опыта и теоретических соображений или же используя соответствующий математический аппарат. Построение одномерных распределений существенно облегчает процесс обучения, а в случае слабой зависимости потери информации при этом невелики.

Если классы «А» и «В» многочисленны, то можно получить достаточно хорошую оценку требуемых вероятностей {f_А(v_j)} и {f_B(v_j)} (i = 1, 2, …, n).

В тех же случаях, когда численности классов «А» и «В» невелики, приходится прибегать к грубому квантованию признаков на 2–3–4 градации. Практическая проверка показывает, что при наличии в группе 25–30 человек и соответствующем квантовании можно получить удовлетворительные результаты.

Полученные в результате обследования данного контингента лиц показатели могут иметь различную ценность для целей прогнозирования профессиональной пригодности. Поэтому следующим этапом «обучения» является оценка информативности признаков.

Признак будет тем более информативным, чем больше различие между его распределениями у представителей класса «А» и «В». Оценка информативности признака v₁ может выражаться величиной P_j – вероятностью того, что распределения f_А^j(v_j) и f_B^j(v_j) различны. Это достигается при помощи вычисления χ². Интуитивно ясно, что вероятность P_j может быть хорошей мерой информативности признака v_j при данной конкретной классификации. Необходимо отметить, что признаки, информативные в одном случае, могут оказаться совсем не информативными для решения задачи профотбора других специалистов.

Вычисление c² производилось по формуле:

где N_A^(j) и N_B^(j)– общее число лиц соответственно в классах «А» и «В», данные которых использовались при построении распределений для j-го признака;A_i^(j) и B_i^(j) – частоты появления индивидов в i-й градации j-го признака для сравниваемых классов; S_j – число градаций для j-го признака.

Вероятности P_j определялись по таблицам Л. Большова и Н. Смирнова [52]. Оценка информативности может быть также получена и при помощи расстояния Кульбака. В принятых здесь обозначениях и несколько измененной форме это расстояние имеет вид:

где

Эта мера имеет ряд преимуществ, особенно при теоретических исследований. Для практики представляет интерес возможность измерения значимости признаков v₁(j = 1, 2, …, n) отдельно для вынесения решения о принадлежности v к {v_A} или {v_B} (соответственно слагаемые I^A_j и I^B_j ).