CC BY
55
УДК 378 Карякина Татьяна Ивановна
кандидат педагогических наук, доцент, доцент кафедры информатики и информатизации образования Волгоградского государственного социально-педагогического университета dom-hors@mail.ru
Полях Наталия Федоровна
кандидат педагогических наук, доцент кафедры теории и методики обучения физике и информатике Волгоградского государственного социально-педагогического университета dom-hors@mail.ru
МЕТОДИЧЕСКИЕ АСПЕКТЫ ОБРАБОТКИ
СОЦИАЛЬНОЙ ИНФОРМАЦИИ
Karyakina Tatyana Ivanovna
PhD in Education Science, Assistant Professor of the Information Science and Education Informatization Department, Volgograd State University for Social and Educational Studies dom-hors@mail.ru
Polyakh Natalia Fedorovna
PhD in Education Science, Assistant Professor of the Physics and Informatics’ Theory and Training Technique Department, Volgograd State University for Social and Educational Studies dom-hors@mail.ru
METHODOLOGICAL ASPECTS OF THE SOCIAL INFORMATION PROCESSING
Аннотация:
Рассмотрены возможности применения методов статистического подхода для обработки социальной информации. Продемонстрированы авторские приемы использования статистического анализа на примере идентификации исследуемого качества личности образовательного процесса. Рассмотренные методические аспекты являются актуальными при формировании информационной компетентности будущего специалиста - учителя информатики - в условиях математической обработки социальной информации.
Ключевые слова:
социальная информация, статистический анализ, информационная компетентность, учитель информатики, квалиметрия, анализ экспериментальных данных.
Summary:
The article discusses application of the statistic methods for the social information processing. Studying the case of the personal quality identification in the educational process the author uses original technique of the statistic analysis implementation. The methodological aspects under consideration are relevant when forming the informatics expert knowledge of the future information science teacher in the conditions of the mathematic processing of the social information.
Keywords:
social information, statistical analysis, competency in informatics, teacher of informatics, qualimetry, experimental data processing.
В современном обществе в условиях информационно-изменяющейся среды особое место занимает обработка социальной информации. Социальная информация - совокупность знаний, сведений, данных и сообщений, которые формируются и воспроизводятся в обществе и используются индивидами, группами, организациями, различными социальными институтами для регулирования социального взаимодействия, общественных отношений и процессов.
Обработка социальной информации предполагает, что любой закон природы или общественного развития может быть выражен в виде описания характера или структуры взаимосвязей, существующих между изучаемыми явлениями. Если эти зависимости: а) стохастичны по своей природе; б) выявляются на основании статистического наблюдения за анализируемыми событиями или переменными, осуществляемого по выборке из интересующей нас генеральной совокупности, - то мы оказываемся в рамках проблемы статистического исследования зависимостей.
На всех стадиях статистического исследования главенствующую роль играет дополнительная информация об анализируемом объекте [1]. Однако, как показал анализ проведенных нами исследований, возникают следующие проблемы применения статистического анализа в обработке социальной информации: а) как организовать процесс наиболее эффективного использования дополнительной информации об анализируемом объекте?; б) как собрать, обработать и интерпретировать данные эксперимента? Особенно остро эти проблемы встают в задаче оценки многомерных зависимостей с ростом размерности пространства контролируемых переменных. Так, большинство методов, используемых в педагогических исследованиях, направлено на выявление качественных (описательных) характеристик каких-либо сторон педагогических явлений, что не позволяет оценить интенсивность их проявления в количественном
измерении. Проанализируем возможности квалиметрических принципов для количественного представления результатов исследования по формированию изучаемого качества личности в педагогической деятельности, а именно информационной компетентности будущего специалиста - учителя информатики.
Методика формирования информационной компетентности будущего специалиста - учителя информатики - предполагает первичное определение ее структуры средствами статистического анализа. Сущность исследуемого качества личности образовательного процесса рассматривалась с позиций гуманитарного подхода. Информационную компетентность будущего специалиста - учителя информатики - мы понимали как ценностное отношение к необходимости осознания себя как будущего учителя, личностное восприятие информации, установление согласованного взаимодействия в системе «учитель - информация - ученик», ориентацию на целостное восприятие ученика как личности, осуществление гуманитарной рефлексии собственных действий и принимаемых решений.
Опытно-экспериментальная работа на начальных этапах исследования включала констатирующий эксперимент, целью которого была проверка гипотезы о наличии латентной структуры объекта исследования. Для диагностики информационной компетентности будущего специалиста - учителя информатики - были определены следующие показатели сформированности исследуемого качества личности с позиций гуманитарного подхода к образовательному процессу: 1 - мотивы самопознания собственного процесса познания предметной области; 2 - мотивы идентификации процесса познания другого; 3 - отношение к себе и другому человеку; 4 - отношение к психолого-педагогическим знаниям; 5 - осуществление самоанализа, самокорректировки, рефлексии образа «Я» в процессе освоения содержания профессионального образования; 6 - умение осуществлять гуманитарную экспертизу явлений объективной и субъективной реальности; 7 - наличие реалистической самооценки - гуманитарный анализ действительности и собственных действий; 8 - способность к рефлексии; 9 - ответственность за принятое решение.
Мы исходили из понимания того, что при описании сложных объектов из всего многообразия статистических методов чаще всего ограничиваются использованием корреляционного и регрессионного анализов, в основе которых лежит упрощенная схема «вход - выход» исследования объекта (модель «черного ящика»). Тем не менее их широкое применение позволяет решить большое количество конкретных прикладных задач. Конечной целью практически любого прикладного исследования является получение новой информации, полезной для управления анализируемым объектом либо его аналогом. С позиций системного анализа, являющегося методологией решения сложных проблем в условиях неопределенности, решение задач оценки связи между переменными с использованием статистических методов можно условно разбить на следующие одинаково важные этапы:
1) осмысление и формализация цели, четкая смысловая и математическая постановка задачи;
2) определение объекта исследования - четкое установление границ исследуемого объекта и выделение его из окружающей среды с учетом всех внешних взаимосвязей как по технологическим (материальным), так и по информационным каналам;
3) выбор структурной схемы объекта исследования и методов его математического описания в рамках этой модели;
4) постановка эксперимента и сбор статистического материала;
5) проверка соответствия собранного статистического материала тем ограничениям, которые лежат в основе выбранной математической схемы и статистического метода;
6) осуществление первичной обработки исходной информации с целью получения выборки, удовлетворяющей заданным свойствам;
7) получение интересующих нас зависимостей;
8) статистическая проверка надежности и достоверности полученных результатов;
9) интерпретация выявленных зависимостей;
10) в случае необходимости возврат на предыдущие этапы.
Исходя из выше описанного, каждый показатель (1-9) был интерпретирован как порядковая (ординальная) переменная, результатом ее измерения стала балльная экспертная оценка, что позволило характеризовать статистически обследованные объекты степенью проявления в них анализируемого свойства [2]. Учитывая, что совокупность экспертных оценок образует матрицу «объект - свойство», было проведено ранжирование этой матрицы с целью получения матрицы ранжировок. Исследование матрицы ранжировок (рейтинговых оценок) методами факторного анализа показало наличие единственного общего агрегированного латентного фактора (качества), интерпретируемого как информационная компетентность будущего специалиста -учителя информатики.
Анализ матрицы ранжировок методами ранговой корреляции Спирмена позволил ответить на вопросы: имеется ли связь между исследуемыми показателями, какова структура этих связей и как измерить их тесноту? Мы исходили из понимания того, что один из методов содержательной интерпретации корреляционных матриц заключается в ее расчленении на части (корреляционные плеяды) относительно тесно коррелированных переменных. Причина этих корреляций находится вне данной системы переменных - это некоторая латентная переменная, влияние которой и проявляется в корреляциях преимущественно данной плеяды. Таким образом, парные корреляции интерпретируются как следствие взаимодействия коррелирующих переменных с некоторой неконтролируемой латентной переменной - компонентом.
С помощью методов математической статистики была вскрыта следующая латентная структура: один общий латентный агрегированный показатель (качественная переменная) -информационной компетентности будущего специалиста - учителя информатики - через три частных компонента - мотивационный, когнитивный и креативный.
Для содержательного анализа исследуемого объекта необходимо было решить проблему «оцифровки». Мы исходили из утверждения о том, что градации переменной, описываемой в шкале наименований, приписываются численные значения, и устанавливаются уровни, позволяющие оценивать степень эффективности профессиональной подготовки специалистов.
В нашей работе использовался метод оцифровки, представляемый суммой баллов, набираемых испытуемым в результате выполнения набора заданий, служащих для получения экспертной оценки каждого из описанных выше частных показателей. Каждое задание оценивалось в к-балльной шкале, тогда сумма баллов Y могла принимать значения 0^ Y<кт, где т -количество заданий в наборе. В этой ситуации суммы баллов могли и не образовывать равных интервалов в конкретном исходе опыта. Формальное выравнивание достигалось группировкой
я=кт
исходных сумм баллов в классы длиной « , где п - число классов (уровней), характеризующих степень выраженности общего латентного признака. В результате переменная сумма баллов Y попадала в конкретный класс, номер которого характеризовал уровень общего агрегированного латентного показателя. Далее производилось разбиение на четыре класса, и были определены четыре уровня. Таким образом, используя метод оцифровки, создавались условия подготовки экспериментальных данных исследования к компьютерной обработке неколичественных показателей. В свою очередь, на основе этого прогнозировалось управление методической системой обучения будущего специалиста - учителя информатики, в ходе реализации которой формировалась его информационная компетентность.
Развитие и конкретизация понятия исследуемого качества личности могут быть проиллюстрированы следующей схемой:
Факторный анализ, агрегированный латентный фактор Система показателей, экспертные оценки, ранжирование Корреляционный анализ, плеяды
V
Шкалирование, уровни Уровень состояния готовности субъекта Факторный анализ, компоненты
Рисунок 1 - Развитие и конкретизация понятия
В результате нами была выделена следующая методика получения и обработки данных для статистического анализа: перед тем как перейти к формулировке общей и частных задач статистического исследования зависимостей, условно надо описывать функционирование изучаемого реального объекта (системы, процесса, явления) набором переменных, среди которых:
1) х = (х(1),х(2),...,х(р)) - так называемые «входные» переменные, описывающие условия функционирования (часть из них, как правило, поддается регулированию или частичному управлению); в соответствующих математических моделях их называют независимыми, факторами - аргументами, экзогенными, предикторными (или просто предикторами, то есть предсказателями), объясняющими переменными;
2) у = (у(1),у(2),...,у<т)) - «выходные» переменные, характеризующие поведение или результат (эффективность) функционирования, в математических моделях их называют зависимыми, откликами, эндогенными, результирующими или объясняемыми переменными;
3) є = (є(1\є(2\...,є(т)) - латентные (то есть скрытые, не поддающиеся непосредственному
измерению) случайные «остаточные» компоненты, отражающие влияние (соответственно на у)
неучтенных на входе факторов, а также случайные ошибки в измерении анализируемых показателей (в математических моделях их, как правило, именуют остатками).
При этом среди компонент исследуемого многомерного признака X могут быть а) количественные, то есть скалярно измеряющие в определенной шкале степень проявления изучаемого свойства объекта; б) порядковые (или ординальные), то есть позволяющие упорядочивать анализируемые объекты по степени проявления в них изучаемого свойства; в) классификационные (или номинальные), то есть позволяющие разбивать обследованную совокупность объектов на неподдающиеся упорядочиванию однородные (по анализируемому свойству) классы.
Тогда общая задача статистического исследования зависимостей (в терминах изучаемых показателей) может формулироваться следующим образом: по результатам п измерений
анализируемой совокупности построить такую (векторно-значную) функцию /(X) = /(х(1),х<2\...,х(р>), которая позволила бы наилучшим (в определенном смысле) образом восстанавливать значения результирующих (прогнозируемых) переменных у по заданным значениям объясняющих (предикторных) переменных X .
По итогам проведенных исследований в методическую систему обучения будущего специалиста - учителя информатики - при его подготовке в педагогическом университете были внесены корректировки, в частности в проектирование содержательной линии «Социальная информатика», куда вошли такие темы, как «Методологические основы статистического подхода», «Основы прикладной статистики», «Программное обеспечение: средства анализа данных на персональных компьютерах».
Таким образом, а) обработка социальной информации может и должна базироваться на методах многомерного статистического анализа; б) разрабатывая формы и методы фиксирования признаков изучаемого объекта, явления, а также методы учета результатов, исследователь осуществляет непосредственно реализацию эксперимента, количественную и качественную отработку результатов и формулирует выводы [3]; в) в процессе осуществления эксперимента возможно уточнение гипотезы, включение новых объектов исследования, применение дополнительных методов фиксирования и учета результатов эксперимента и как следствие может быть постановка проблемы и задач нового эксперимента (уточняющего, проверочного); г) при обработке социальной информации педагогического направления для устранения проблем интерпретации результатов исследования, кроме качественного анализа данных, возможна и необходима количественная обработка данных на основе метода оцифровки; д) рассмотренный метод рекомендуется использовать в образовательных учреждениях при изучении вопросов социальной информатики для глубокого понимания социальных явлений.
1. Вуколов Э.А. Основы статистического анализа: учебное пособие. М., 2004.
2. Львовский Е.Н. Статистические методы построения эмпирических формул. М., 1988.
3. Маглеванный И.И., Карякина Т.И., Полях Н.Ф. Косвенная оценка параметров методом наименьших квадратов в школьном физическом эксперименте // Школа будущего. 2010. № 4. С. 66-73.
References (transliterated):
1. Vukolov E.A. Osnovy statisticheskogo analiza: uchebnoe posobie. M., 2004.
2. L'vovskiy E.N. Statisticheskie metody postroeniya empiricheskikh formul. M., 1988.
3. Maglevanniy I.I., Karyakina T.I., Polyakh N.F. Kosvennaya otsenka parametrov metodom naimen'shikh kvadratov v shkol'nom fizicheskom eksperimente // Shkola budushchego. 2010. № 4. P. 66-73.
УІГ') Ж 2 исследуемых переменных на объектах (системах, процессах)
Ссылки:
