Science for Education Today, 2020, Т. 10, № 3, С. 87–107
УДК: 
159.9+371

Вертикальный системный анализ данных психодиагностики учащихся с использованием метода «дерево решений»

Славутская Е. В. 1 (Чебоксары, Россия), Славутский Л. А. 2 (Чебоксары, Россия), Абруков В. С. 2 (Чебоксары, Россия), Бичурина С. У. 3 (Казань, Россия), Садовая В. В. 3 (Казань, Россия)
1 Чувашский государственный педагогический университет имени И.Я. Яковлева
2 Чувашский государственный университет им. И.Н. Ульянова
3 Казанский (Приволжский) федеральный университет
Аннотация: 

Проблема и цель. Выбор форм и методов психолого-педагогического сопровождения учащихся (индивидуально и в группе) в рамках современной образовательной парадигмы требует новых средств анализа данных. Цель работы: исследовать возможности доступного для использования практическими психологами образования современного инструмента – метода «дерево решений» для вертикального системного анализа данных психодиагностики и выбора форм и методов психолого-педагогического сопровождения учащихся.
Методология. На основе системного подхода в психологии и педагогике, при использовании одного из инструментов интеллектуального анализа данных - метода «дерево решений», рассматривается задача классификации результатов психодиагностики учащихся. На примере вертикального системного анализа данных тестирования школьников предподросткового возраста строится иерархическая структура связей их разноуровневых психологических характеристик (задатки, индивидуально-психологические и характеристики психосоциального уровня). Диагностические инструменты выбирались таким образом, чтобы в анализируемых данных условно присутствовали психологические характеристики всех уровней. Использовались стандартизированные, шкалированные методы психодиагностики, которые достаточно широко
распространены в психолого-педагогической практике. Два нижних уровня: тип нервной системы (теппинг-тест Е. П. Ильина), и IQ (культурно – независимый тест Р. Б. Кеттелла). Индивидуально-психологические качества личности в поведении и деятельности анализировались на основе 12-ти факторного опросника Р. Б. Кеттелла и Р. В. Коана (CPQ). Верхний уровень социально-психологических отношений представлен показателями: отношение к семье, сверстникам, к школе, к себе (тест «Незаконченные предложения» В. Михала); мотивационной характеристикой (тест «Потребность в достижениях»). Обрабатывались результаты психологической диагностики 83-х школьников (11–12 лет, пятый класс средней общеобразовательной школы), для которых получены 19 численных показателей тестирования.
Результаты. При апробации метода «дерево решений» продемонстрировано, что алгоритм может применяться практическими психологами образования для анализа относительно небольшой выборки результатов психодиагностики – начиная от нескольких десятков респондентов. Показано, что вертикальный системный анализ психологических характеристик может наглядно проводиться по упрощенной процедуре: при сравнении значимости входных атрибутов при классификации по разному количеству подмножеств целевой переменной. В качестве переменных, по которым осуществлялась классификация данных, использовались показатели верхнего уровня (мотивация и система отношений). Метод «дерево решений» позволяет проводить анализ и оценку не только прямых, но и латентных (опосредованных, скрытых) связей психологических данных учащихся. Для предподросткового возраста анализ связей разноуровневых характеристик по результатам классификации показывает прямую взаимосвязь только некоторых характеристик социального уровня с характеристиками базового уровня (задатками) и лишь опосредованную связь с коммуникативными чертами. Психологическая интерпретация выявленных взаимосвязей данных тестирования позволяет уточнить возрастную специфику конкретных групп учащихся для последующего психолого-педагогического сопровождения. Обсуждается возможность использования результатов в анализе проблем перехода учащихся из начальной в среднюю общеобразовательную школу.
Заключение. Построение иерархических моделей связи разноуровневых данных психодиагностики учащихся представляет интерес для достаточно широкого круга задач педагогики и психологии, вне зависимости от возраста респондентов, показывает эффективность предлагаемого метода как инструмента для их решения.

Ключевые слова: 

школьники предподросткового возраста; разноуровневые психологические характеристики; вертикальный системный анализ; латентные связи; интеллектуальный анализ данных; дерево решений.

URL WoS/RSCI: https://www.webofscience.com/wos/rsci/full-record/RSCI:43091311

Процентиль актуальности SciVal: 97.701 Creative Performance | Implicit Theories | Gifted

http://apps.webofknowledge.com/full_record.do?product=RSCI&search_mode=G...

https://www.scopus.com/record/display.uri?eid=2-s2.0-85092605952&origin=...

Vertical system analysis of students' psycho diagnostic data using the 'Decision Tree' method

Библиографическая ссылка:
Славутская Е. В., Славутский Л. А., Абруков В. С., Бичурина С. У., Садовая В. В. Вертикальный системный анализ данных психодиагностики учащихся с использованием метода «дерево решений» // Science for Education Today. – 2020. – № 3. – С. 87–107. DOI: http://dx.doi.org/10.15293/2658-6762.2003.05
Список литературы: 
  1. Барабанщиков В. А. Системный подход в структуре психологического познания // Методология и история психологии. – 2007. – Т. 2, № 1. – С. 86–99. URL: https://www.elibrary.ru/item.asp?id=19011785
  2. Воробьев А. В. Обзор применения математических методов при проведении психологических исследований // Психологические исследования. – 2010. – № 2. – С. 8. URL: https://www.elibrary.ru/item.asp?id=13922162
  3. Голубева Э. А. Об изучении реактивности, силы и инертности нервной системы в школе Б.  М. Теплова – В. Д. Небылицына // Психологический журнал. – 2018. – Т. 39, № 2. – С.  72–78. DOI: https://doi.org/10.7868/80205959218020071 URL: https://www.elibrary.ru/item.asp?id=32561967
  4. Знаков В. В. Динамический подход к исследованию личности и процессуальный анализ в психологии субъекта // Психологический журнал. – 2019. – Т. 40, № 5. – С. 27–34. DOI: https://doi.org/10.31857/S020595920006073-6 URL: https://www.elibrary.ru/item.asp?id=39543754
  5. Кузнецова В. Б. Черты личности как медиатор взаимосвязи между методами воспитания и проблемами поведения у детей // Психологический журнал. – 2017. – Т. 38, № 1. – С. 31–40. URL: https://elibrary.ru/item.asp?id=28358098
  6. Колишев Н. С., Славутская Е. В., Славутский Л. А. Динамика структурирования личностных черт учащихся при переходе в основную общеобразовательную школу // Интеграция образования. – 2019. – Т. 23, № 3. – С. 390–403. DOI: https://doi.org/10.15507/1991-9468.096.023.201903.390-403   URL: https://www.elibrary.ru/item.asp?id=41041580
  7. Резниченко Н. С., Шилов С. Н., Абдулкин В. В. Нейросетевой подход в решении медико-психологических проблем и в диагностическом процессе у лиц с ограниченными возможностями здоровья (обзор литературы) // Журнал Сибирского федерального университета. Серия: Гуманитарные науки. – 2013. – Т. 6, № 9. – С. 1256–1264. URL: https://www.elibrary.ru/item.asp?id=20253460
  8. Славутский Л. А., Славутская Е. В. Нейросетевой анализ взаимосвязи вербального и невербального интеллекта младших подростков // Психологический журнал. – 2014. – Т. 35, № 5. – С. 28–36. URL: https://www.elibrary.ru/item.asp?id=22363313
  9. Славутская Е. В., Абруков В. С., Славутский Л. А. Простые нейросетевые алгоритмы для оценки латентных связей психологических характеристик младших подростков // Экспериментальная психология. – 2019. – Т. 12, № 2. – P. 131–144. DOI: https://doi.org/10.17759/exppsy.2019120210 URL: https://www.elibrary.ru/item.asp?id=38587766
  10. Шадриков В. Д. К новой психологической теории способностей и одаренности // Психологический журнал. – 2019. – Т. 40, № 2. – С. 15–26. DOI: https://doi.org/10.31857/S020595920002981-5 URL: https://www.elibrary.ru/item.asp?id=37137953
  11. Adriaens F., Lijffijt J., De Bie T. Subjectively interesting connecting trees and forests // Data Mining and Knowledge Discovery. – 2019. – Vol. 33. – P. 1088–1124. DOI:  https://doi.org/10.1007/s10618-019-00627-1
  12. Amiel J. J., Tan Y. S. M. Using collaborative action research to resolve practical and philosophical challenges in educational neuroscience. // Trends in Neuroscience and Education. – 2019. – Vol.  16. – P. 100116. DOI: https://doi.org/10.1016/j.tine.2019.100116
  13. Braun S. S., Davidson A. J. Gender (non)conformity in middle childhood: a mixed methods approach to understanding gender-typed behavior, friendship, and peer preference // Sex Roles. – 2017. – Vol. 77. – P. 16–29. DOI:  https://doi.org/10.1007/s11199-016-0693-z
  14. De Bolle M., De Fruyt F., McCrae R. R., Löckenhoff C. E., Costa P. T., Jr Aguilar-Vafaie M. E., Ahn C.-k., Ahn H.-n., Alcalay L., Allik J., Avdeyeva T. V., Bratko D., Brunner-Sciarra M., Cain T. R., Chan W., Chittcharat N., Crawford J. T., Fehr R., Ficková E., … Terracciano А. The emergence of sex differences in personality traits in early adolescence: A cross-sectional, cross-cultural study // Journal of Personality and Social Psychology. – 2015. – Vol. 108 (1). – P. 171–185. DOI: https://doi.org/10.1037/a0038497
  15. Delibalt V. V., Degtyaryov A. V., Dozortseva E. G., Chirkina R. V., Dvoryanchikov N. V., Pimonov V. A., Debolsky M. G., Malkin D. A. Evaluation of cognitive functions, personality and regulatory sphere in minors with deviant and delinquent behavior within the authority of the psychological, medical and educational committee // International journal of cognitive research in science, engineering and education. – 2017. – Vol. 5 (2). pp. 107–118. DOI: https://doi.org/10.5937/IJCRSEE1702107D
  16. Daugherty A. M., Sutton B. P., Hillman C. H., Kramer A. F., Cohen N. J., Barbey A. K. Individual differences in the neurobiology of fluid intelligence predict responsiveness to training: Evidence from a comprehensive cognitive, mindfulness meditation, and aerobic exercise intervention // Trends in Neuroscience and Education. – 2020. – Vol. 18. – P. 100123. DOI: https://doi.org/10.1016/j.tine.2019.100123
  17. Fawaz H. I., Forestier G., Weber J. Idoumghar L., Muller P.-A. Deep learning for time series classification: a review // Data Mining and Knowledge Discovery. – 2019. – Vol. 33. – P. 917–963. DOI: https://doi.org/10.1007/s10618-019-00619-1
  18. Geary D. C. Efficiency of mitochondrial functioning as the fundamental biological mechanism of general intelligence (g) // Psychological Review. –2018. – Vol. 125 (6). – P. 1028–1050. DOI: https://doi.org/10.1037/rev0000124
  19. Genrikhov I. E., Djukova E. V. About methods of Synthesis Complete Regression Decision Trees // Pattern Recognition and Image Analysis. – 2019. – Vol. 29. – P. 457–470. DOI:  https://doi.org/10.1134/S1054661819030040
  20. Genrikhov I. E., Djukova E. V., Zhuravlev V. I. On full regression decision trees // Pattern Recognition and Image Analysis. – 2017. – Vol. 27. – P. 1–7. DOI:  https://doi.org/10.1134/S1054661817010047
  21. Girn M., Mills C., Christoff K.  Linking brain network reconfiguration and intelligence: Are we there yet? // Trends in Neuroscience and Education. – 2019. – Vol. 15. – P. 62–70. DOI: https://doi.org/10.1016/j.tine.2019.04.001
  22. Han H., Soylu F., Anchan D. M. Connecting levels of analysis in educational neuroscience: A review of multi-level structure of educational neuroscience with concrete examples // Trends in Neuroscience and Education. – 2019. – Vol. 17. – P. 100113. DOI: https://doi.org/10.1016/j.tine.2019.100113
  23. Knyazev G. G., Bazovkina D. V., Savostyanov A. N., Kuznetsova V. B., Proshina E. A. Suppression mediates the effect of 5-HTTLPR by stress interaction on depression // Scandinavian Journal of Psychology. – 2017. – Vol. 58 (5). – P. 373–378. DOI: https://doi.org/10.1111/sjop.12389
  24. Kosonogov V., Vorobyeva E., Kovsh E., Ermakov P. А review of neurophysiological and genetic correlates of emotional intelligence // International journal of cognitive research in science, engineering and education. – 2019. – Vol. 7 (1). – pp. 137–142. DOI: https://doi.org/10.5937/ijcrsee1901137K
  25.  Kurdi G., Leo J., Parsia B., Sattler U., Al-Emari S. A Systematic Review of Automatic Question Generation for Educational Purposes. // International Journal of Artificial Intelligence in Education. – 2020. – Vol. 30. – P. 121–204. DOI: https://doi.org/10.1007/s40593-019-00186-y  
  26.  Mei J., Lv H., Yang L., Li Y. Clustering for heterogeneous information networks with extended star-structure // Data Mining and Knowledge Discovery. – 2019. – Vol. 33. – P. 1059–1087. DOI: https://doi.org/10.1007/s10618-019-00626-2
  27.  Pluck G., Mancero P. B., Ortíz E. P. A., Alcívar A. M. U., Gavilanez C. E. M., Chacon P. Differential associations of neurobehavioral traits and cognitive ability to academic achievement in higher education // Trends in Neuroscience and Education. – 2020. – Vol. 18. – P. 100124. DOI: https://doi.org/10.1016/j.tine.2019.100124
  28.  Selimović Z., Selimović H., Opić S. Development of social skills among elementary school children // International journal of cognitive research in science, engineering and education. – 2018. – Vol. 6 (1). – P. 17–30. DOI: https://doi.org/10.5937/ijcrsee1801017S  
  29. Suzin G., Ravona-Springer R, Ash E. L, Davelaar E. J., Usher M. Differences in Semantic Memory Encoding Strategies in Young, Healthy Old and MCI Patients // Frontiers in Aging Neuroscience. – 2019. – Vol. 11. – P. 306. DOI: https://doi.org/10.3389/fnagi.2019.00306
Дата публикации 30.06.2020