CC BY
35
УДК 159.9.075
Личностные черты и адаптационные характеристики подростков: интеллектуальный анализ взаимосвязей
Personality traits and adaptive characteristics of adolescents: interconnections' data mining
Славутская Е.В., ФГБОУ ВО «Чувашский государственный педагогический университет им. И.Я. Яковлева», [email protected]
Абруков В.С., ФГБОУ ВО «Чувашский государственный университет им. И.Н. Ульянова», [email protected]
Славутский Л.А., ФГБОУ ВО «Чувашский государственный университет им. И.Н. Ульянова», [email protected]
Slavutskaya E., Chuvash State Pedagogical University named after I.Ya. Yakovlev, [email protected]
Abrukov V., Chuvash State University, [email protected] Slavutskii L., Chuvash State University, [email protected]
DOI: 10.51379/KPJ.2022.154.4.023
Ключевые слова: психодиагностика, подростки, факторные модели личности, межфункциональные связи, факторный анализ, дерево решений.
Keywords: psychodiagnostics, adolescents, factor models of personality, cross-functional connections, factor analysis, decision tree.
Аннотация. Актуальность работы связана с необходимостью развития новых методов обработки и анализа психодиагностических данных. Цель статьи - показать возможности выявления латентных взаимосвязей личностных характеристик в рамках факторных моделей личности при комплексном использовании факторного анализа и методов машинного обучения. Анализировались данные психодиагностических срезов в группах подростков 14 - 15 лет. Использовались стандартизированные апробированные методики: тест Р. Даймонд - К. Роджерс, выявляющий адаптационные характеристики, и опросник Р.Б. Кеттелла (методика 14 PF) для описания личностных черт в рамках структурной теории. Полученные многомерные психодиагностические данные обрабатывались при помощи традиционного факторного анализа и одного из методов машинного обучения - метода «дерево решений». Авторами показано, что анализ данных психодиагностики при совместном использовании разных методик их обработки позволяет значительно расширить возможности психологической интерпретации результатов. Показаны возможности обнаружения нелинейных и опосредованных связей между психологическими признаками, их иерархической классификации. Комплексный анализ межфункциональных связей личностных черт с адаптационными характеристиками подростков представляет интерес, как с методологической точки зрения, так и с психологической. Результаты демонстрируют особенности факторных моделей личности и соответствующих им психодиагностических методик, возможности получения новой психологической информации при использовании современных методов интеллектуального анализа данных.
Abstract. The relevance of the article is connected with the need to develop new methods of processing and analyzing psycho diagnostic data. The purpose of the article is to show the possibilities of identifying latent relationships of personal characteristics within the framework of personality factor models with the integrated use of factor analysis and machine learning methods. The data ofpsycho diagnostic sections in groups of adolescents aged 14 - 15 were analyzed. Standardized approved methods were used: test R. Dymond - K. Rogers, identifying adaptive characteristics, and R.B. Cattell's questionnaire (method 14 PF) for the description of personality traits in the framework of structural theory. The obtained multidimensional psycho diagnostic data were processed using traditional factor analysis and one of the methods of machine learning - the "decision tree " method. The authors have shown that
the analysis of psycho diagnostic data with the combined use of different processing methods makes it possible to significantly expand the possibilities of psychological results interpretation. The possibilities to detect nonlinear and indirect connections between psychological traits and their hierarchical classification are shown. A comprehensive analysis of the personality traits cross-functional connections with the adolescents' adaptive characteristics is of interest, both from a methodological point of view and from a psychological point of view. The results demonstrate the features of factor models of personality and their corresponding psycho diagnostic techniques, the possibility of obtaining new psychological information using modern methods of data mining.
Введение. Основы структурных теорий личности и ее факторных моделей заложили Гордон Олпорт, Раймонд Кеттелл и Ганс Айзенк. Такие модели называют диспозиционными (dispositive), поскольку сами модели описывают поведенческие реакции человека и его психологические характеристики на основе его восприятия другими людьми или им самим, а психодиагностическими инструментами для проверки моделей являются опросники. Наиболее широкое распространение в психологической практике получила факторная модель в основе структурной теории личностных черт Р.Б. Кеттелла (Raymond Cattell) [8]. Она используется психологами всего мира много десятилетий, очень широко апробирована. В последние десятилетия большое число психологов занимаются проверкой и адаптацией другой диспозиционной модели личности, которая получила название «Большая Пятерка» (Big Five Inventory) [10;15]. Эту модель личности интенсивно адаптируют для разных возрастных и языковых групп респондентов [10;13;16;20].
Big Five модель в соответствии с ее названием предполагает описание психологических характеристик человека пятью личностными чертами: уровнем экстраверсии,
доброжелательности, добросовестности,
нейротизма и открытости опыту. Модель более компактна и удобна в использовании, чем факторная модель личности Кеттелла, которая описывается 12-16-ю личностными чертами (12-ти, 14-ти и 16-ти факторные опросники). Опросники «Большой Пятерки» оказываются короче, чем опросники Кеттелла, что удобно для анализа данных больших групп респондентов. Однако характеристики, описывающие в них личность, максимально унифицированы и обобщены, что характерно для современной эпохи глобализма. Опросники «Big Five» больше подходят для получения значительных массивов данных в усредненных социологических опросах и социальных, кросс--культурных исследований и т.д. Специфика такого исследования не предполагает в дальнейшем, например, адресный индивидуальный подход, оказание
психологической помощи, организацию психологического сопровождения респондентов. Для примера, факторные опросники Р.Б. Кеттелла
«родились» в результате многократной факторизации многочисленного набора признаков, тем не менее, имеют возрастную специализацию и валидизацию, обширный набор личностных черт, специализированных по блокам: коммуникативные характеристики, эмоциональные, волевые, интеллект.
В то же время, основной проблемой факторных моделей личности является то, что они являются результатом многократной факторизации. То есть по существу каждая личностная черта включает в себя значительный набор психологических характеристик. С точки зрения системного анализа факторы в модели должны быть независимы [5]. Обеспечить такую независимость психологических характеристик невозможно. Даже если они не связаны корреляционно (между ними нет, в статистическом смысле, линейной или монотонной связи), такие связи могут быть нелинейными или опосредованными [19;22]. Факторные модели не дают возможности оценить причинно-следственные связи между
психологическими характеристиками и построить иерархическую структуру личности [3;18]. Считается, например, что в Big Five - модели интеллект является составной частью черты «открытость опыту». Сразу возникают вопросы: имеется ввиду врожденный «флюидный» интеллект (IQ) или общий интеллект G [11], как с чертами личности связан эмоциональный интеллект [6] и т.д.? Если структура личности рассматривается как объект системного анализа, то что является «инвариантом» [2] при ее трансформации в процессе развития?
В качестве факторных моделей могут рассматриваться и результаты применения других тестов. Например - тест К. Роджерса, Р. Даймонд [17]. Он состоит из субтестов и, собственно, показателей адаптации и дезадаптации, которые являются некоторой линейной комбинацией (с весовыми коэффициентами) из остальных показателей. Размерность каждого из результатов субтестов примерно соответствует размерности признаков в опроснике Р.Б. Кеттелла. Это позволяет изучать корреляционные связи между показателями по обоим тестам даже на основе
параметрического коэффициента корреляции Пирсона.
Однако даже в рамках факторных моделей необходимо строить иерархическую структуру психологических характеристик, оценивать опосредованные связи между ними [3;9]. В настоящей работе для этой цели предлагается в рамках комплексного анализа
межфункциональных связей использовать методы машинного обучения, в частности, метод «Дерево решений». Этот метод, как инструмент интеллектуального анализа данных [1;21], широко используется для решения задач классификации [7;12].
Материалы и методы. Для анализа внутри- и межфукциональных связей психологических характеристик использовались результаты тестирования 79 учащихся средних школ г. Канаш Чувашской республики. Возраст подростков 14 - 15 лет. Диагностика проводилась по двум стандартизированным и широко апробированным методикам:
1. Тест К. Роджерса, Р. Даймонд, который состоит из 11-ти субтестов и собственно 2-х показателей адаптивности - дезадаптивности.
2. 14-ти факторный личностный опросник Р.Б. Кеттелла (14 PF).
Таким образом, по каждому респонденту в диагностическом срезе было получено по 27 численных показателей, описывающих личностные черты и адаптационные характеристики. Полученные при обработке результаты дополнительно проверялись на выборках из 25 - 30 учащихся школ г. Чебоксары.
Для обработки данных психодиагностики в качестве традиционных инструментов применялись факторный и корреляционный анализ. Шкалированные методики
психодиагностики позволяют их использование на основе параметрического коэффициента корреляции Пирсона. Для анализа латентных связей психологических показателей и иерархического анализа данных применялся один из методов машинного обучения - «Дерево решений».
Результаты анализа данных. Для примера в таблице 1 приведены результаты факторного анализа личностных черт подростков 14 - 15-ти лет по 14-ти факторному опроснику Р.Б. Кеттела. Данные получены одним из авторов и анализировались ранее в другом контексте в [4].
Таблица 1. - Результаты факторного анализа личностных черт подростков
Черты личности Факторные нагрузки
Фактор 1 Фактор 2 ФакторЗ Фактор 4 Фактор 5
A 0,108428 -0,833235 0,097342 0,039200 -0,161688
B -0,068750 0,003630 -0,073055 -0,104750 0,889427
C 0,022870 -0,153055 -0,002786 0,860535 0,028548
D 0,688618 0,072514 -0,429282 0,234194 -0,281900
E 0,172806 -0,675031 -0,292230 0,082129 0,413736
Б 0,361658 -0,138140 -0,696050 0,223105 0,092422
G -0,873459 0,089603 0,084681 0,108350 -0,032781
Н 0,578849 -0,595200 0,313949 -0,183778 0,036622
I -0,265892 0,377175 0,128605 0,746290 -0,059346
1 0,663568 0,166645 -0,101562 -0,322103 -0,465337
О -0,216454 0,181085 0,430712 0,204576 0,497548
02 0,213539 0,588247 -0,397719 -0,107309 -0,011632
03 0,067743 -0,092595 0,838313 0,214892 0,016354
04 0,066837 0,785875 0,203218 0,144077 0,015140
Е 2,362385 2,735049 1,989337 1,690915 1,547889
S,% 16,8742 19,5361 14,2095 12,0780 11,0563
Примечание к таблице: Е, Б - собственные значения факторов и их вклад в общую дисперсию. A Шизотимия - аффектомия; B Вербальный интеллект; C Степень эмоциональной устойчивости; D Флегматичность - возбудимость; E Пассивность - доминантность; F Осторожность - легкомыслие; G степень принятия моральных норм; H Робость, застенчивость - смелость, авантюризм; I Реализм -сензитивность; J Неврастения, фактор Гамлета; O Самоуверенность - склонность к чувству вины; Q2 Степень групповой зависимости; Q3 Степень самоконтроля; Q4 Степень внутреннего напряжения.
Полученные результаты по набору значимых Пять факторов дают более 73% вклада в общую
черт характерны для подростков этого возраста. дисперсию. На первый взгляд может показаться,
что это соответствует «Большой Пятерке». Однако при детальном анализе выясняется, что сопоставление и интерпретация этих пяти факторов с чертами личности из Big Five Inventory не выявляют согласия двух методик. Черты личности по 14 PF Р.Б. Кеттелла, которые могут соответствовать чертам «Большой Пятерки» оказываются в разных факторах таблицы 1. Более того, при тестировании этих же подростков через год, значимых факторов оказалось уже 6, и их состав существенно изменился [4].
Факторный и корреляционный анализ данных, включающих в себя одновременно все 27 показателей, выявляет 10 - 11 значимых факторов (по критерию Кайзера) и матрицу корреляционных коэффициентов размерностью 27х27. Психологическая интерпретация и выделение наиболее важных
межфункциональных связей оказываются в этом случае затруднены из-за избыточности численной информации. Кроме того, коэффициенты корреляции имеют разный уровень статистической значимости от 0,1 до 5%. Поэтому уровень линейных корреляционных связей определялся последовательно между значимыми факторами в структуре черт личности, см. таблицу 1 и адаптационными показателями. Это позволяет делать ряд выводов даже при анализе линейных корреляционных связей.
На рисунке 1 для примера показаны корреляционные связи личностных черт из 4-го фактора таблицы 1 с результатами теста адаптационных характеристик подростков К. Роджерс, Р. Даймонд [17] (статистически значимые корреляции обозначены стрелками).
Рисунок 1. - Корреляционные связи 4-го фактора таблицы 1 с результатами теста К. Роджерса, Р. Даймонд
Этот фактор, включающий такие черты, как сензитивность и эмоциональную устойчивость оказался из всех факторов связан с наибольшим числом адаптационных характеристик. При том, что сам этот фактор не выделяется высоким вкладом в общую дисперсию, см. таблицу 1. Это демонстрирует тот факт, что вклад фактора в общую дисперсию не может считаться основой для иерархического анализа структуры личностных черт. Кроме того, фрустрация ^4), входящая во второй фактор с максимальным вкладом и которую Р. Кеттелл называет чертой
личности, может быть отнесена к эмоциональным состояниям, то есть психологическим характеристикам другого уровня. Это относится и к черте D (уровень возбудимости), которую можно рассматривать как индивидуально-психологическую характеристику, близкую к темпераменту. Этот показатель относится к реактивным, которые позволяют эффективно адаптироваться, в отличие от активности, с помощью которой человек преобразует ситуацию.
Примечательно то, что черта «эмоциональная устойчивость» в этом факторе корреляционно со знаком минус (линейно) связана с показателем «Дезазаптация», а с «Адаптацией» не связана. То есть даже линейная комбинация признаков, составляющая эти два показателя, не гарантирует наличие корреляционной связи между интегральными (полученными в виде линейного ряда) характеристиками. Этот вывод
подтверждается оценками статистических распределений, показанными на рисунке 2. Если для гистограммы показателя «дезадаптация» по 2
критерию X Пирсона с уровнем 0,05 распределение может считаться нормальным, то для «адаптации» - нет. Сравнение в данном случае корректно, поскольку данные получены у одних и тех же респондентов.
Рисунок 2. - Гистограммы распределений показателей адаптивности по выборке испытуемых
Приведенные факты свидетельствуют об особенностях факторных моделей и показывают необходимость дополнительного анализа выявленных психологических показателей. В факторных моделях личности соотношения между отдельными чертами трансформируются в процессе психосоциального развития. В.А. Ганзен указывал на то, что «человек является «активной системой», и в окружающем его мире тоже достаточно много «активных объектов» [2]. Значит, кроме активного отражения и регулирования, можно рассматривать в разных случаях и реактивное отражение и регулирование.
Поэтому могут меняться не только вклады отдельных показателей в общую структуру личности, но и связи между ними. Для большинства психологических задач необходим анализ иерархической структуры личностных черт [3; 14], сопоставление результатов разных психологических тестов, лонгитюдные исследования с оценкой динамики этих изменений. Важнейшей задачей является выявление опосредованных, нелинейных связей между показателями.
Приведём пример анализа
психодиагностических данных тех же подростков
при помощи одного из методов машинного обучения.
Метод «дерево решений» (ДР), который строит иерархическую модель связей, позволяет определять значимость отдельных признаков (атрибутов). Чем больше значимость атрибута, тем больший вклад он вносит в результат классификации. Выбор этого метода обусловлен в данном случае большим числом исходных признаков (27). Если для корректного использования факторного анализа число исходных признаков должно быть многократно меньше размеров выборки, то ДР не имеет таких ограничений. Кроме того, ДР не накладывает ограничений на размерность данных и монотонность связей.
На первом этапе для использования метода ДР из многомерных данных психодиагностики выбирается целевая функция. В настоящей работе таким атрибутом (переменной) являлись результаты по показателю «Адаптация».
Количество классов (подмножеств) на которое разбиваются значения целевой функции, подбирается эмпирически. Границы подмножеств в используемом программном пакете DEDUCTOR устанавливаются при этом автоматически. Классификация многомерного массива данных из 25 психологических показателей (опросник Кеттелла + тест Роджерса, Даймонд) проводилась при разбиении целевой функции на 2 и на 6 классов. Результаты классификации показаны в таблицах сопряженности, см. таблицы 2,3. В них приведено в процентном отношении количество значений целевой функции попадающих в заданный интервал (класс) на выходе ДР. Процент правильно распознанных значений в исходной выборке отражается в диагональных ячейках таблицы. Как видно из таблиц, для 2-х классов распознавание составляет 94%. Для шести классов - 91%.
Таблица 2. - Таблица сопряженности при классификации личностных черт и адаптационных характеристик по показателю «адаптация» по двум классам
Классифицировано для двух классов показателя «адаптация»,%
Фактически До 150 От 150 ИТОГО
До 150 51 51
От 150 6 43 49
ИТОГО 57 43 100
Таблица 3. - Таблица сопряженности при классификации личностных черт и адаптационных характеристик по показателю «адаптация» по шести классам
Классифици] ювано для шести классов показателя «адаптация»,%
Фактически <109 [109, 125] [126, 133] [134, 146] [147, 154] >154 ИТОГО
<109 10 2 12
[109, 125] 20 20
[126, 133] 18 18
[134,146] 3 15 18
[147,154] 2 10 2 14
>154 18 18
ИТОГО 13 20 20 17 10 20 100
Как было показано в таблице 3, важнейшим показателем, позволяющим проводить вертикальный системный анализ данных, является диаграмма значимости входных атрибутов (в процентах) при классификации целевой переменной. Дерево решений представляет собой разветвленную
иерархическую структуру опосредованных связей между входными признаками и целевой функцией (показателем «Адаптация»). Уровень значимости, таким образом, определяет,
насколько значения входных атрибутов связаны со значениями целевой функции. В настоящей работе из 25-ти входных признаков значимыми оказались 5 или 7 для разбиения значений целевой функции на 2 или 6 диапазонов. Соответствующие гистограммы приведены на рисунке 3. Если сопоставить данные рисунка 3, то можно делать выводы об уровне значимости опосредованных связей между показателем «Адаптация» и остальными признаками даже без анализа структуры самого дерева решений [3].
Рисунок 3. - Диаграмма значимости входных признаков при классификации показателя «Адаптация» по двум и шести классам
При сравнении набора значимых признаков и их вклада в классификацию по целевой функции при использовании ДР выявляются существенные отличия от результатов, полученных корреляционным и факторным анализом. Если классифицировать данные последовательно по-разному количеству диапазонов (классов) целевой функции, то можно делать оценки иерархии связей [3]. Наблюдается следующее:
1. Из личностных черт значимыми являются не те признаки, которые формируют факторы с максимальной факторной нагрузкой, см. таблицу 1 и рисунок 3. Для метода ДР общее количество входных признаков не имеет решающего значения.
2. Четвёртый фактор таблицы 1 (эмоциональная стабильность и сензитивность), которой обеспечивал максимальное линейные корреляционные связи с показателями адаптации и дезадаптации, не входит в значимые признаки при классификации по методу «дерево решений».
3. Из личностных черт значимым при разной классификации оказывается только вербальный интеллект (В), который, в свою очередь, корреляционно не связан с остальными личностными чертами и адаптационными характеристиками, независим и составляет отдельный фактор при факторном анализе. Это подтверждает вывод о том, что связи между
психологическими характеристиками носят в значительной степени нелинейный и опосредованный характер.
4. Признак «Эскапизм» (уход от проблем) имеющий, как адаптационная характеристика, максимальную значимость при классификации данных по двум классам «адаптации», отсутствует среди значимых при классификации по шести классам, см. рисунок 3. Похожий результат наблюдается для адаптационной характеристики «доминирование»: при классификации по шести классам её значимость значительно увеличивается по сравнению с классификацией по двум классам.
5. Личностные черты «смелость» и «возбудимость» не являются значимыми и проявляются только при классификации по разным диапазонам «Адаптации». То есть обнаруживаются только в качестве «промежуточных» звеньев в общей структуре межфункциональных связей.
Следовательно, анализируя и сопоставляя значимость признаков на рисунке 3, можно оценить их иерархию по взаимосвязи и влиянию на «адаптацию». В данном случае наиболее значимыми для показателя «адаптация» могут считаться, по-видимому вербальный интеллект, доминирование и «принятие себя», которые
присутствует с разным вкладом в обеих гистограммах рисунка 3.
Таким образом, результаты показывают, что в возрастной группе 14 - 15 лет социально-психологическая адаптация лучше проходит у тех подростков, у которых выражены стратегии «доминирование» и «принятие себя» (по тесту Роджерса, Даймонд), развит вербальный интеллект (как черта личности по опроснику Кеттелла). Эти три показателя в нашем эксперименте составляют значимый
адаптационный кластер - он проявляется в классификации и по двум и по шести классам, хоть и с разным вкладом. Наибольший вклад имеет стратегия «доминирование» (16%/25%), на «втором месте» - вербальный интеллект (17%/17%), и только на «третьем месте» -стратегия «принятие себя» (11%/16%). Интересен тот факт, что «доминантность» в качестве черты личности (опросник Кеттелла) не выявлена в значимых характеристиках и связи с адаптацией, а адаптационная стратегия «доминирование» -выражена значительно. К менее значимым (встречается по классификации только по двум классам), но выраженным характеристикам относится стратегия «эскапизм» (36%). Уход от реальности в мир фантазий и иллюзий в подростковом возрасте проявляется достаточно часто. В целом, его причисляют к одной из неадаптивных стратегий поведения людей в трудной жизненной ситуации. В «свете» полученных результатов (связи эскапизма с адаптацией) можно констатировать факт того, что в подростковом возрасте эта стратегия может быть адаптивной. Она предоставляет подростку
некий ресурс, механизмы для адаптации, которые еще нуждаются в осмыслении и изучении.
Заключение. Представленный в настоящей работе комплексный интеллектуальный анализ межфункциональных связей личностных черт с адаптационными характеристиками подростков представляет интерес, как с методологической точки зрения, так и с психологической. Использованные в работе стандартизированные психодиагностические методики являются широко апробированными в течение нескольких десятилетий. Однако, за счет комплексного подхода к обработке полученных данных, на примере конкретной группы респондентов обнаружены новые особенности взаимосвязей психологических характеристик, проявляющихся в подростковом возрасте. Результаты, с одной стороны, расширяют представление об особенностях подросткового возраста, позволяют разработать адекватную стратегию
воспитательной работы в изучаемой группе и эффективную модель психологического сопровождения на возрастном отрезке 14 - 15 лет. С другой стороны - демонстрируют особенности факторных структурных моделей личности и соответствующих им психодиагностических методик, возможности получения новой психологической информации при обработке данных современными средствами
интеллектуального анализа. Использованы отечественные аналитические платформы «8ТАТБТ1СА» и «DEDUCTOR», имеющие понятный и удобный интерфейс, возможности автоматизированной предобработки данных, доступные практическим психологам.
Литература:
1. Дюк В. Data Mining: учебный курс / В. Дюк, А. Самойленко. - Санкт-Петербург: Питер, 2001. - 386 с.
2. Ганзен В.А. Системные описания в психологии / В.А. Ганзен. - Ленинград: Изд-во Ленингр. ун-та, 1984. - 176 с.
3. Славутская Е.В. Вертикальный системный анализ данных психодиагностики учащихся с использованием метода «дерево решений» / Е.В. Славутская, Л.А. Славутский, В.С. Абруков, С.У. Бичурина, В.В. Садовая // Science for Education Today. -2020. - № 3. - С. 87-107. DOI: http://dx.doi.org/10.15293/2658-6762.2003.05
4. Славутская Е.В. Экспериментальный анализ личностных особенностей и адаптации подростков из замещающих семей / Е.В. Славутская, Г.Ф. Иванова // Казанский педагогический журнал. - 2021. - № 2(145). - С. 226-234. DOI: 10.51379/KPJ.2021.146.3.032
5. Славутская Е.В. Системный анализ данных психодиагностики и проявление интегро-
дифференционного принципа в развитии личности / Е.В. Славутская, О.Н. Владимирова // Казанский педагогический журнал. - 2022. - № 2(151). - С. 195205. - DOI 10.51379/KPJ.2022.152.2.028.
6. Собкин В.С. Взаимосвязь эмоционального интеллекта и личностных особенностей (по материалам обследования студентов театрального колледжа) / В.С. Собкин, Т.А. Лыкова // Национальный психологический журнал. - 2015. - № 2(18). - С. 56-65. DOI: 10.11621/npj.2015.0206
7. Шитиков В.К. Классификация, регрессия и другие алгоритмы. Data Mining с использованием R / В.К. Шитиков, С.Э. Мастицкий. - Тольятти; Лондон, 2017. - 351 с.
8. Cattell R.B. Advanced in cattelian personality theory. handbook of personality. theory and research / R.B. Cattell. - The Guilford Press, New York, 1990.
9. Christensen A.P. On the equivalency of factor and network loadings / A.P. Christensen, H. Golino // Behavior
Research Methods. - 2021. - vol. 53. - pp. 1563-1580. https://doi.org/10.3758/s13428-020-01500-6
10. De Bolle M. The emergence of sex differences in personality traits in early adolescence: A cross-sectional, cross-cultural study / M. De Bolle, F. De Fruyt, R.R. McCrae, C.E. Lockenhoff, P.T. Costa Jr. et al. // Journal of Personality and Social Psychology. -2015. - vol. 108(1). -pp. 171-185. URL: https://doi.org/10.1037/a0038497
11. Geary D.C. Efficiency of mitochondrial functioning as the fundamental biological mechanism of general intelligence (g) / D.C. Geary // Psychological Review. - 2018. - vol. 125(6). - P. 1028-1050. DOI: https://doi.org/10.1037/rev0000124
12. Genrikhov I.E. About methods of synthesis complete regression decision trees / I.E. Genrikhov, E.V. Djukova // Pattern Recognition and Image Analysis. -2019. - vol. 29. - P. 457-470. DOI: https://link.springer.com/article/10.1134/S10546618190300 40
13. Krampen D. The german-language short form of the big five inventory for children and adolescents - other-rating version (BFI-K KJ-F) / D. Krampen, K. Kupper, B. Rammstedt, S. Rohrmann // European Journal of Psychological Assessment. - 2020. - vol. 37(2). - pp. 109117. https://doi.org/10.1027/1015-5759/a000592.
14. Mottus R. Descriptive predictive and explanatory personality research: different goals, different approaches, but a shared need to move beyond the big few traits / R. Mottus, D. Wood, D.M. Condon, J. Zimmermann // European Journal of Personality. - 2020. - 34(6). - pp. 1175-1201. https://doi.org/10.1002/per.2311
15. McCrae Robert R. Understanding persons: From Stern's personalistics to Five-Factor Theory / Robert R. McCrae, Paul T. Costa // Personality and Individual Differences. - 2021. - vol. 169. - P. 109816.
16. Soto C.J. Short and extra-short forms of the Big Five Inventory 2: The BFI-2-S and BFI-2-XS / C.J. Soto,
O.P. John // Journal of Research in Personality. - 2017. -vol. 68. - pp. 69-81.
17. Rogers C.R. Psychotherapy and Personality Change: Coordinated Research Studies in the Client-Centered Approach / C.R. Rogers, R.F. Dymond. -Chicago: University of Chicago Press, 1954.
18. Rosenberg S.A hierarchical class model: theory and method with applications in psychology and psy-chopathology / S. Rosenberg, I. Van Mechelen, P. De Boeck; In: P. Arabie, L. Hubert, and G. De Soete (Eds.). -Classification and Clustering. - New Yourk: River Edge, World Scientific. - 1996. - P. 123-155. https://doi.org/10.1142/9789812832153_0004
19. Slavutskaya E.V. Neural network models for the analysis and visualization of latent dependencies: examples of psycho diagnostic data processing / E.V. Slavutskaya, L.A. Slavutskii, E.L. Nikolaev, A.N. Zakharova // Knowledge in the Information Society. (PCSF2020) -Cham: Springer Verlag, 2021. - P. 61-70. - DOI 10.1007/978-3-030-65857-1_7.
20. Shchebetenko S. Measurement invariance and sex and age differences of the big five inventory-2 / S. Shchebetenko, A.Y. Kalugin, A.M. Mishkevich, C.J. Soto, O.P. John // Evidence From the Russian Version. Assessment. - 2020. - vol. 27(3). - pp. 472-486. DOI: 10.1177/1073191119860901. Epub 2019 Jul 9. PMID: 31286794.
21. Witten I.H. Data mining: practical machine learning tools and techniques / I.H. Witten, E. Frank, M.A. Hall, M. Kaufmann, 3 rd ed. - Amsterdam: Elsevier, 2011. - 629 p.
22. Zwir I. Three genetic-environmental networks for human personality / I. Zwir, C. Del-Val, C. R. Cloninger // Molecular Psychiatry - 2021. - vol. 26. - pp. 3858-3875. https://doi.org/10.1038/s41380-019-0579-x
References:
1. Dyuk V. Data Mining: training course / V. Dyuk, A. Samoylenko. - St. Petersburg: Peter, 2001. - 386 p.
2. Ganzen V.A. System descriptions in psychology / V.A. Hansen. - Leningrad: Leningrad Publishing House. un-ta, 1984. - 176 p.
3. Slavutskaya E.V. Vertical system analysis of students' psycho-diagnostic data using the "decision tree" method / E.V. Slavutskaya, L.A. Slavutsky, V.S. Abrukov, S.U. Bichurin, V.V. Sadovaya // Science for Education Today. - 2020. - No. 3. - P. 87-107. DOI: http://dx.doi.org/10.15293/2658-6762.2003.05
4. Slavutskaya E.V. Experimental analysis of personal characteristics and adaptation of adolescents from substitute families / E.V. Slavutskaya, G.F. Ivanova // Kazan Pedagogical Journal. - 2021. - No. 2 (145). - S. 226234. DOI: 10.51379/KPJ.2021.146.3.032
5. Slavutskaya E.V. System analysis of psychodiagnostic data and manifestation of the integral-differential principle in personality development / E.V. Slavutskaya, O.N. Vladimirova // Kazan Pedagogical Journal. - 2022. -No. 2 (151). - S. 195-205. - DOI 10.51379/KPJ.2022.152.2.028.
6. Sobkin V.S. The relationship of emotional intelligence and personality characteristics (based on the survey of students of the theater college) / V.S. Sobkin, T.A. Lykova // National Psychological Journal. - 2015. -No. 2(18). - S. 56-65. DOI: 10.11621/npj.2015.0206
7. Shitikov V.K. Classification, regression and other algorithms. Data Mining using R / V.K. Shitikov, S.E. Masticsky. - Tolyatti; London, 2017. - 351 p.
8. Cattell R.B. Advanced in cattelian personality theory. handbook of personality. theory and research / R.B. Cattell. - The Guilford Press, New York, 1990.
9. Christensen A.P. On the equivalency of factor and network loadings / A.P. Christensen, H. Golino // Behavior Research Methods. - 2021. - vol. 53.-pp. 1563-1580 https://doi.org/10.3758/s13428-020-01500-6
10. De Bolle M. The emergence of sex differences in personality traits in early adolescence: A cross-sectional, cross-cultural study / M. De Bolle, F. De Fruyt, R.R. McCrae, C.E. Lockenhoff, P.T. Costa Jr. et al. // Journal of Personality and Social Psychology. -2015. - vol. 108(1). -pp. 171-185. URL: https://doi.org/10.1037/a0038497
11. Geary D.C. Efficiency of mitochondrial functioning as the fundamental biological mechanism of general intelligence (g) / D.C. Geary // Psychological Review. - 2018. - vol. 125(6). - P. 1028-1050. DOI: https://doi.org/10.1037/rev0000124
12. Genrikhov I.E. About methods of synthesis complete regression decision trees / I.E. Genrikhov, E.V. Djukova // Pattern Recognition and Image Analysis. -2019. - vol. 29. - P. 457-470. DOI: https://link.springer.com/article/10.1134/S10546618190300 40
13. Krampen D. The german-language short form of the big five inventory for children and adolescents - other-rating version (BFI-K KJ-F) / D. Krampen, K. Kupper, B. Rammstedt, S. Rohrmann / / European Journal of Psychological Assessment. - 2020. - vol. 37(2). - pp. 109117. https://doi.org/10.1027/1015-5759/a000592.
14. Mottus R. Descriptive predictive and explanatory personality research: different goals, different approaches, but a shared need to move beyond the big few traits / R. Mottus, D. Wood, D.M. Condon, J. Zimmermann // European Journal of Personality. - 2020. - 34(6). - pp. 1175-1201. https://doi.org/10.1002/per.2311
15. McCrae Robert R. Understanding persons: From Stern's personalistics to Five-Factor Theory / Robert R. McCrae, Paul T. Costa // Personality and Individual Differences. - 2021. - vol. 169. - P. 109816.
16. Soto C.J. Short and extra-short forms of the Big Five Inventory 2: The BFI-2-S and BFI-2-XS / C.J. Soto, O.P. John // Journal of Research in Personality. - 2017. -vol. 68.-pp. 69-81.
17. Rogers C.R. Psychotherapy and Personality Change: Coordinated Research Studies in the Client-
Centered Approach / C.R. Rogers, R.F. Diamond. -Chicago: University of Chicago Press, 1954.
18. Rosenberg S.A hierarchical class model: theory and method with applications in psychology and psy-chopathology / S. Rosenberg, I. Van Mechelen, P. De Boeck; In: P. Arabie, L. Hubert, and G. De Soete (Eds.). -Classification and Clustering. - New York: River Edge, World Scientific. - 1996. - P. 123-155. https://doi.org/10.1142/9789812832153_0004
19. Slavutskaya E.V. Neural network models for the analysis and visualization of latent dependencies: examples of psycho diagnostic data processing / E.V. Slavutskaya, L.A. Slavutskii, E.L. Nikolaev, A.N. Zakharova // Knowledge in the Information Society. (PCSF2020) -Cham: Springer Verlag, 2021. - P. 61-70. - DOI 10.1007/978-3-030-65857-1_7.
20. Shchebetenko S. Measurement invariance and sex and age differences of the big five inventory-2 / S. Shchebetenko, A.Y. Kalugin, A.M. Mishkevich, C.J. Soto, O.P. John // Evidence From the Russian Version. assessment. - 2020. - vol. 27(3). - pp. 472-486. DOI: 10.1177/1073191119860901. Epub 2019 Jul 9. PMID: 31286794.
21. Witten I.H. Data mining: practical machine learning tools and techniques / I.H. Witten, E. Frank, M.A. Hall, M. Kaufmann, 3 rd ed. - Amsterdam: Elsevier, 2011. - 629 p.
22. Zwir I. Three genetic-environmental networks for human personality / I. Zwir, C. Del-Val, C. R. Cloninger // Molecular Psychiatry - 2021. - vol. 26. - pp. 3858-3875. https://doi.org/10.1038/s41380-019-0579-x
5.3.4. Педагогическая психология, психодиагностика цифровых образовательных сред
(19.00.07 - Педагогическая психология)
Сведения об авторах:
Славутская Елена Владимировна (г. Чебоксары, Россия), доктор психологических наук, доцент, профессор кафедры психологии и социальной педагогики ФГБОУ ВО «Чувашский государственный педагогический университет им. И.Я. Яковлева», e-mail: [email protected]
Абруков Виктор Сергеевич (г. Чебоксары, Россия), доктор физико-математических наук, профессор, профессор кафедры прикладной физики и нанотехнологий ФГБОУ ВО «Чувашский государственный университет им. И.Н. Ульянова», e-mail: [email protected]
Славутский Леонид Анатольевич (г. Чебоксары, Россия), доктор физико-математических наук, профессор, профессор кафедры автоматики и управления в технических системах ФГБОУ ВО «Чувашский государственный университет им. И.Н. Ульянова», e-mail: [email protected]
