Типизация и идентификация респондентов в социологии по их астрономическим показателями на момент рождения

Луценко Евгений Вениаминович; Трунев Александр Петрович; Шашин Владимир Николаевич

УДК 303.732.4

ТИПИЗАЦИЯ И ИДЕНТИФИКАЦИЯ РЕСПОНДЕНТОВ В СОЦИОЛОГИИ ПО ИХ АСТРОНОМИЧЕСКИМ ПОКАЗАТЕЛЯМИ НА МОМЕНТ РОЖДЕНИЯ

Луценко Е.В., - д.э.н., к.т.н., профессор

Кубанский государственный аграрный университет, г.Краснодар, Россия

Трунев А.П., - к.ф.-м.н., Ph.D

Director, A&E Trounev IT Consulting, Canada, Toronto

Шашин В.Н., - ведущий инженер-электронщик

ЗАО ИМТЕХ, г. Санкт-Петербург, Россия,

В статье описывается масштабный эксперимент по применению нового метода искусственного интеллекта - автоматизированного системно-когнитивного анализа (АСК-анализ) для выявления зависимостей между астропризнаками и обобщенными категориями (на основе исследования выборки из 20007 респондентов) путем типизации (обобщения), а также использования знания этих зависимостей для идентификации новых респондентов, не входящих в обучающую выборку, по этим категориям и проведения исследования созданной модели.

Ключевые слова: ТИПИЗАЦИЯ ИДЕНТИФИКАЦИЯ РЕСПОНДЕНТ СОЦИОЛОГИЯ АСТРОНОМИЧЕСКИЕ ПОКАЗАТЕЛИ МОМЕНТ РОЖДЕНИЯ

Постановка проблемы

В последнее время [15] среди исследователей часто возникает вопрос, действительно ли существуют практически значимые зависимости между астрономическими признаками респондентов на момент рождения (астропризнаками) и обобщенными категориями, отражающими физический, психофизиологический и социальный статус личности, а также ключевые события жизни? Однако, как это часто бывает, положительный ответ на этот вопрос сам ставит больше вопросов, чем решает. И вот лишь некоторые из них:

1. Если эти зависимости существуют, то возможно ли их выявить и использовать для идентификации респондентов, а также для выработки рекомендаций по коррекции их целей, ценностей, мотиваций, а также семейного, социального и профессионального поведения?

2. Если подтвердятся те зависимости, которые уже известны астрологам, то возникает вопрос о том, откуда (из какого источника) они стали известны им еще в глубокой древности, когда не было мощных компьютеров и интеллектуальных систем?

3. Можно ли использовать модель, содержащую эти зависимости между астропризнаками и категориями для астрологических исследований или даже для развития астрологии?

В данной статье мы не ставим себе целью ответить на все эти вопросы и лишь надеемся приблизиться к ответу на первый из них путем применения интеллектуаль-

ных систем анализа. Отметим, что принципы построения и некоторые результаты применения интеллектуальных систем для решения подобных задач даны в работах [1-15].

Традиционные подходы к решению проблемы

Ответы на эти вопросы в наше время исследователи искали в основном путем применения математической статистики. При этом были получены неоднозначные результаты, на основе которых можно высказать гипотезу, что если подобные зависимости и существуют, то, скорее всего они очень слабы и являются достаточно выраженными лишь для очень ограниченного количества категорий личности (прежде всего спортсменов). Заметим, среди исследователей сложилось мнение, что решение этой проблемы может быть получено путем применения многопараметрической регрессии и интеллектуальных систем анализа [14, 15].

Ограничения традиционных подходов

Обычно статистические методы предъявляют к исследуемой выборке жесткие требования (например, необходимость полных повторностей), которые на практике очень сложно соблюсти для данных достаточно большой размерности. В ряде случаев, т.е. при решении ряда задач в различных предметных областях, это создает практически непреодолимые проблемы на пути применения этих методов или приводит к необходимости обработки лишь подматриц малых размерностей, для которых эти требования полностью выполняются (из исходных больших матриц). Поэтому является актуальной задача разработки других методов, предъявляющих менее жесткие требования, чем классическая статистика, к исходным данным, в частности к их объему, и в то же время позволяющих решать практически значимые задачи.

Однако, сама необходимость повторностей предъявляется к исходным данным далеко не во всех статистических методах, а только в таких параметрических методах, как индексный метод и факторный анализ, которыми чаще всего и пользуются в подобных случаях, при этом ограничения и требования этих методов к исходным данным автоматически (по умолчанию, не критически) распространяют на все методы вообще. Это очень сильное неоправданное и ни на чем не основанное обобщение, т.к. существуют и другие методы, к которым относится и АСК-анализ, в которых этого требования нет или оно не является столь жестким (т.е. оно конечно желательно, но вовсе не обязательно).

Кроме того, мы можем и не исследовать всю систему первичных возможных астропризнаков признаков, а брать для исследования лишь одну из подсистем, например исследовать только влияние одной из планет или только стихию, и т.п. В этом случае необходимый корректный с точки зрения наличия полных повторностей объем выборки существенно сокращается.

В АСК-анализе недостаточность статистики с точки зрения классических представлений не приводит вообще к невозможности получения осмысленного результата, а приводит лишь к возможному, но вовсе не обязательному, понижению его качества за счет невозможности в этом случае исключения артефактов и менее эффективному подавлению шумов в исходных данных, но сами зависимости и в этом случае все равно будут выявлены.

Таким образом, по нашему мнению, АСК-анализ [1-8] не является статистическим методом (мы считаем, что это метод искусственного интеллекта, основанный на теории информации) и по этой причине не должен сравниваться со статистическими методами и оцениваться как статический метод по критериям, принятым в этих случаях.

Авторы хотели бы отметить также следующее важное обстоятельство. Не смотря на то, что астропризнаки респондентов на момент рождения (связанные также с местом рождения) впервые стали использоваться в астрологии и поэтому традиционно ассоциируются именно с астрологией, но по своей сути они являются чисто астрономическими и сами по себе к астрологии, ее практике и теоретическим концепциям не имеют непосредственного отношения. Этим мы хотим сказать, что использование этих признаков в данном исследовании не является достаточным основанием отождествлять его с астрологическим исследованием или относить его к астрологии.

Таким образом, по нашему мнению, данное исследование не является исследованием в области астрологии, а представляет собой экспериментальную попытку применения технологий искусственного интеллекта для постановки и решения некоторых задач, которые ранее (до этого) решались лишь астрологическими методами. При этом все зависимости между астропризнаками и обобщенными категориями выявляются в АСК-анализе непосредственно на основе анализа эмпирических данных и при этом никак не используются какие-либо априорные астрологические теоретические положения.

Поэтому, с одной стороны, интересно конечно сравнить результаты данного исследования с астрологическими прогнозами для тех же респондентов, но, с другой стороны, данное исследование некорректно было бы оценивать с точки зрения астрологии, т. е. можно рассматривать как попытку независимой проверки некоторых положений самой астрологии методами искусственного интеллекта.

Авторская концепция решения проблемы

В данной статье для решения поставленных задач предлагается применить автоматизированный системно-когнитивный анализ (АСК-анализ) - новый непараметрический метод искусственного интеллекта, основанный не на статистике, а на системном обобщении теории информации, системном анализе и когнитивном моделировании [18, 12]. Этот метод позволяет выделять полезный сигнал о связи признаков с обобщенными категориями из шума путем обобщения (многоканальной типизации), осуществлять синтез информационным моделей больших размерностей, а также использовать их для решения задач идентификации (прогнозирования), поддержки принятия решений и просто исследования предметной области путем исследования ее модели.

Теоретические основы АСК-анализа

Метод и технология АСК-анализа включает:

- базовую когнитивную концепцию;

- математическую модель;

- методику численных расчетов;

- специальный программный инструментарий - универсальную когнитивную аналитическую систему "Эйдос".

Базовая когнитивная концепция АСК-анализа рассматривает процесс познания, как многоуровневую иерархическую систему обработки информации, причем когнитивные структуры каждого уровня являются результатом интеграции структур предыдущего уровня.

На 1-м уровне этой системы находятся дискретные элементы потока чувственного восприятия, которые на 2-м уровне интегрируются в чувственный образ конкретного объекта. Те, в свою очередь, на 3-м уровне интегрируются в обобщенные образы классов и факторов, образующие на 4-м уровне кластеры, а на 5-м конструкты. Система конструктов на 6-м уровне образуют текущую парадигму реальности (т.е. человек познает мир путем синтеза и применения конструктов). На 7-м же уровне обнаруживается, что текущая парадигма не единственно-возможная, т.к. существуют другие формы сознания и реальности, кроме известных до этого.

Ключевым для когнитивной концепции является понятие факта, под которым понимается соответствие дискретного и интегрального элементов познания (т.е. элементов разных уровней интеграции-иерархии), обнаруженное на опыте. Факт рассматривается как квант смысла, что является основой для его формализации [6]. Мысль представляет собой действие над данными, извлекающее из них смысл. Таким образом, происхождение смысла связывается со своего рода "разностью потенциалов", существующей между смежными уровнями интеграции-иерархии обработки информации в процессах познания. Между когнитивными структурами разных уровней иерархии существует отношение "дискретное - интегральное". Именно это служит основой формализации смысла. Из базовой когнитивной концепции следует когнитивный конфигуратор, представляющий собой минимальную полную систему когнитивных операций, названных "базовые когнитивные операции системного анализа" (БКОСА).

Всего выявлено 10 таких операций, каждая из которых оказалась достаточно элементарной для формализации и программной реализации:

1) присвоение имен;

2) восприятие;

3) обобщение (синтез, индукция);

4) абстрагирование;

5) оценка адекватности модели;

6) сравнение, идентификация и прогнозирование;

7) дедукция и абдукция;

8) классификация и генерация конструктов;

9) содержательное сравнение;

10) планирование и принятие решений об управлении.

Математическая модель АСК-анализа основана на системной теории информации (СТИ), которая создана в рамках реализации программной идеи обобщения всех понятий математики, в частности теории информации, базирующихся на теории множеств, путем тотальной замены понятия множества на более общее понятие системы и тщательного отслеживания всех последствий этой замены [7]. Благодаря математической модели, положенной в основу АСК-анализа, этот метод является непараметрическим и позволяет сопоставимо обрабатывать тысячи градаций факторов (астропризнаков) и будущих состояний объекта управления (категорий) при неполных (фрагментированных), зашумленных данных различной природы, т.е. измеряемых в различных единицах измерения [4].

При этом на этапе синтеза модели осуществляется многокритериальная типизация респондентов обучающей выборки по исследуемым категориям, т.е. рассчитывается количество информации, которое содержится в фактах попадания долгот углов в интервалы (рассматриваемые как критерии), о принадлежности респондента к тем или иным категориям, а на этапе идентификации эта информация используется для расчета степени сходства конкретных респондентов с обобщенными категориями.

Результат идентификации респондента, описанного данной системой астропризнаков, представляет собой список обобщенных категорий (классов), в котором они расположены в порядке убывания суммарного количества информации о принадлежности респондента к каждому из них. Математическая модель позволяет сформировать информационные портреты классов и астропризнаков, а также осуществить их кластерный и конструктивный анализ.

Информационный портрет класса (обобщенной категории) показывает какое количество информации содержит каждый астропризнак о принадлежности респондента к данной категории.

Информационный (семантический) портрет астропризнака является его развернутой смысловой количественной характеристикой, в которой содержится информация о принадлежности респондента, обладающего данным признаком, ко всем обобщенным категориям.

Кластеры классов представляют собой группы категорий, сходных по характерным для них астропризнакам.

Кластеры астропризнаков представляют собой группы признаков, сходных по их смыслу, т.е. по тому, какую информацию о принадлежности респондентов, обладающих этими признаками к обобщенным категориям они содержат.

Под конструктом понимается система противоположных (наиболее сильно отличающихся) кластеров, которые называются "полюсами" конструкта, а также спектр промежуточных кластеров, к которым применима количественная шкала измерения степени их сходства или различия.

Конструкты могут быть получены как результат кластерного анализа кластеров категорий или астропризнаков, при этом конструкт рассматривается как кластер с нечеткими границами, включающий в различной степени, причем не только в положительной, но и в отрицательной, все классы или астропризнаки.

Конструктивный анализ позволяет определить в принципе совместимые и в принципе несовместимые по характерным для них астропризнакам классы или обобщенные категории. Совместимыми называются классы, для которых характерны сходные системы астропризнаков, а несовместимыми - для которых они диаметрально противоположны и одновременно неосуществимы.

По результатам кластерно-конструктивного анализа строятся диаграммы смыслового сходства-различия классов (признаков), соответствующие определению семантических сетей и нечетких когнитивных схем, т.е. представляющие собой ориентиро-

ванные графы, в которых классы (признаки) соединены линиями, толщина которых соответствует модулю, а цвет знаку их сходства-различия.

Предложенная математическая модель в обобщенной постановке обеспечивает содержательное сравнение классов друг с другом и астропризнаков друг с другом, т.е. построение когнитивных диаграмм. Например, информационные портреты классов содержат информацию о характерности признаков для классов. Кластерноконструктивный анализ обеспечивает сравнение классов друг с другом, т.е. дает степень их сходства и различия. Но он не дает информации о том, какими признаками эти классы похожи и какими отличаются, и какой вклад каждый признак вносит в сходство или различие некоторых двух классов. Информация об этом генерируется на основе анализа и сравнения двух информационных портретов, что и осуществляется при содержательном сравнении классов. Каждая пара признаков, принадлежащих сравниваемым классам, образует "смысловую связь", вносящую определенный вклад в сходство/различие между этими классами если эти признаки тождественны друг другу или между ними имеется определенное сходство/различие по смыслу. Список связей сортируется в порядке убывания модуля силы связи, причем учитывается не более заданного их количества (это связано с ограничениями при графическом отображении). Графической визуализацией результатов содержательного сравнения классов являются когнитивные диаграммы с много-многозначными связями. На когнитивной диаграмме классов отображены их информационные портреты, в которых факторы расположены в порядке убывания их характерности для этих классов, а линии, соединяющие астропризнаки, имеют толщину и цвет, соответствующие модулю и знаку их вклада в сходство-различие классов. Когнитивная диаграмма классов дает детальную расшифровку структуры конкретной линии связи семантической сети. Кроме того, предложены и реализованы в модели инвертированные когнитивные диаграммы, детально раскрывающие сходство-различие двух астропризнаков по их влиянию на принадлежность респондента к различным категориям, а также прямые и инвертированные диаграммы В.С. Мерлина (1986), в которых показаны уровни и знаки связей между астропризнаками различных уровней интегративности по их характерности для различных категорий. Предложены и реализованы также классические и интегральные когнитивные карты, представляющие собой диаграммы, объединяющие семантические сети классов и признаков и нелокальные нейронные сети [3].

Методика численных расчетов АСК-анализа включает структуры данных, способы представления и формализации (кодирования) входных, промежуточных и выходных данных, а также алгоритмы реализации базовых когнитивных операций системного анализа.

Специальный программный инструментарий АСК-анализа - универсальная когнитивная аналитическая система "Эйдос" (система "Эйдос") обеспечивает:

- формализацию предметной области;

- подготовку обучающей выборки и управление ей, в т.ч. взвешивание или "ремонт" данных;

- синтез семантической информационной модели предметной области (обобщение или типизация);

- оптимизацию модели;

- проверку адекватности модели;

- идентификацию и прогнозирование;

- типологический анализ (включая решение обратной задачи идентификации и прогнозирования, семантический информационный и кластерно-конструктивный анализ классов и факторов);

- оригинальную графическую визуализация результатов анализа в форме когнитивной графики (простых и интегральных когнитивных карт, семантических сетей и когнитивных диаграмм).

Этапы АСК-анализа

В работах [1-10] приведен перечень этапов системно-когнитивного анализа, которые необходимо выполнить, чтобы осуществить синтез и исследование модели объекта управления:

1. Когнитивная структуризация, а затем и формализация предметной области [5].

2. Ввод данных мониторинга в базу прецедентов (обучающую выборку).

3. Синтез семантической информационной модели (СИМ).

4. Оптимизация СИМ (в случае целесообразности).

5. Проверка адекватности СИМ (верификация модели, измерение внутренней и внешней, дифференциальной и интегральной валидности).

6. Решение задач идентификации состояний объекта управления, прогнозирование и поддержка принятия управленческих решений по управлению с применением СИМ.

7. Системно-когнитивный анализ СИМ.

Важной особенностью АСК-анализа является возможность единообразной числовой обработки разнотипных числовых и нечисловых данных [4]. Это обеспечивается тем, что нечисловым величинам тем же методом, что и числовым, приписываются сопоставимые в пространстве и времени, а также между собой, количественные значения, позволяющие обрабатывать их как числовые:

- на первых двух этапах АСК-анализа числовые величины сводятся к интервальным оценкам, как и информация об объектах нечисловой природы (фактах, событиях) (этот этап реализуется и в методах интервальной статистики);

- на третьем этапе АСК-анализа всем этим величинам по единой методике, основанной на системном обобщении семантической теории информации А.Харкевича, сопоставляются количественные величины (имеющие смысл количества информации в признаке о принадлежности объекта к классу), с которыми в дальнейшем и производятся все операции моделирования (этот этап является уникальным для АСК-анализа).

Краткое описание технологии применения АСК-анализа для решения поставленных задач

1. В результате когнитивной структуризации предметной области:

- сформирована база данных дерева категорий;

- подсчитано количество категорий;

- создана база данных респондентов с указанием категорий, к которым они относятся;

- сформирована база данных событий жизни;

- информация о событиях жизни включена в базу данных респондентов;

- создана база данных, непосредственно-воспринимаемая стандартным интерфейсом для внешних баз данных системы "Эйдос", объединяющая данных из базы категорий и астропризнаков по всем респондентам обучающей выборки.

Все эти работы были выполнены с помощью специальной программы, разработанной для этой цели автором статьи (работа этой программы на объеме выборки 20007 респондентов составляет несколько минут на P4). При этом в качестве исходной информации использовались Excel-файлы, содержащие для каждого респондента информацию о категориях, к которым он относится и полную характеристику в форме астропризнаков. Основным источником астрологической базы данных, подготовленной для системы ЭЙДОС, является Lois Rodden’s AstroDatabank (см. www. astrodatabank. com). Эта база содержит жизнеописание знаменитостей и простых людей, проживавших (или проживающих) в США. Достоинством этой базы данных является то, что, все события жизни классифицированы, а все профессиональные и иные категории упорядочены. На первом этапе данные были конвертированы в формат баз данных JDataStore фирмы Borland. Затем данные были тщательно отсортированы, с использованием SQL запросов и специальных функций на языке Java. В результате были получены астрологические и биографические данные для 20007 уникальных персон и 16360 записей событий, происходивших с ними. Для них всех с помощью библиотеки швейцарских эфемерид (см. www.astro.com) были вычислены координаты небесных тел (долгота и широта в градусах и расстояние в астрономических единицах). Для записей с точным временем вычислялись куспиды астрологических домов в системе Плацидуса, а также звездные стоянки Луны - накшатры (использовалась система из 27 стоянок). В анализе были использованы эфемериды следующих небесных тел: Солнца, Луны, Меркурия, Венеры, Марса, Юпитера, Сатурна, Урана, Нептуна, Плутона и Хирона. Следующим шагом является сортировка персон по категориям. В результате было получено XML дерево категорий исходной базы данных. Для этой цели была написана процедура, позволяющая безошибочно изменять категории, сортируя его. Далее база данных была полностью экспортирована в формат Excel, а из него в формат интеллектуальной системы ЭЙДОС. Архив исходных данных в формате Excel доступен по адресу: http://astro. proforums. ru/tmp/abank.rar. Отметим, что работа с категориями продолжается и в настоящее время, поэтому архив обновляется и пополняется по мере пополнения исходной базы данных.

Исполнимый и исходный текст программы преобразования исходных данных в файлы, непосредственно воспринимаемые одним из стандартных интерфейсов системы "Эйдос" для внешних баз данных, вместе со всеми исходными, промежуточными и результирующими базами данных а полностью функциональном состоянии можно скачать с сайта автора по ссылкам:

http://lc.kubagro.ru/astrolog/astr-all.rar и http://lc.kubagro.ru/1/astr7.rar.

2. В результате формализации предметной области:

- получены справочники классов (классификационные шкалы и градации), т.е. обобщенных категорий, включающие категории из дерева категорий, предоставленного В.Шашиным, а также события жизни;

- получены справочники астропризнаков (49 описательных шкал с суммарным количеством градаций: 532, т.е. по 12 для всех шкал, кроме накшатр);

- получена обучающая выборка, включающая данные о принадлежности к категориям и астропризнаки по 20007 респондентам.

Первоначально справочник категорий включал 10988 категорий (http://lc. kubagro .ru/1/astr8. rar), затем из него были удалены все наименее представленные респондентами категории, так что в результате осталось 500 категорий, каждая из

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

которых была представлена не менее чем 27 респондентами. Это было необходимо сделать как для проведения обобщения (типизации), так и для того, чтобы модель просчитывалась на реально имеющихся в распоряжении авторов персональных компьютерах за разумное время.

Все эти работы выполнены автоматически одним из стандартных интерфейсов системы "Эйдос" с внешними базами данных.

3. Синтез семантической информационной модели (СИМ).

Этот этап осуществляется автоматически в системе "Эйдос" на основе баз данных, подготовленных на предыдущем этапе. Весь процесс для объема выборки 20007 респондентов при указанном количестве классов и астропризнаков занимает несколько часов машинного времени на РС 1ВМ Pentium-4.

4. Оптимизация СИМ (в случае целесообразности).

Этот этап представляет собой ортонормирование семантического пространства астропризнаков и состоит в удалении из модели тех из них, которые оказались наименее существенными для идентификации респондентов по категориям. В данном исследовании этого не делалось.

5. Проверка адекватности СИМ (верификация модели, измерение внутренней и внешней, дифференциальной и интегральной валидности).

Данный этап является весьма существенным по двум основным причинам.

Во-первых, если модель предметной области адекватна, то непосредственное исследование предметной области корректно можно заменить исследованием ее модели, т.е. считать исследование модели исследованием самой предметной области.

Во-вторых, если модель предметной области адекватна, то можно утверждать, что получен положительный результат в проводимом исследовании, т.е. выявлены значимые зависимости между астропризнаками и принадлежностью респондентов к тем или иным категориям.

В технологии АСК-анализа и системе "Эйдос" предусмотрено несколько способов и вариантов проверки модели на адекватность из которых мы воспользовались наиболее жестким: адекватность проверялась путем контрольной идентификации случайно отобранных 1000 респондентов, данные которых не использовались при синтезе модели (бутстрепный метод [4]).

6. Решение задач идентификации респондентов.

В исследовании решалось две задачи идентификации респондентов:

1. Идентификация группы из 1000 респондентов, выбранных случайным образом из исходной выборки объемом 20007 респондентов, данные которых не использовались при синтезе модели, которая была построена на данных оставшихся 19007 респондентов.

2. Идентификация группы из 69 респондентов, данные по которым были представлены участниками форума на сайте http://trounev.net. При этом использовались различные варианты моделей отличающиеся как наборами описательных шкал, так и количеством градаций в них.

Анализ результатов идентификации 2-й группы приведен в статьях авторов [10,

11], поэтому в данной статье мы на нем останавливаться не будем, а подробнее рассмотрим результаты измерения внешней валидности путем идентификации группы из 1000 случайно отобранных респондентов, данные которых не использовались при синтезе модели.

7. Системно-когнитивный анализ СИМ.

Возможности системно-когнитивного анализа семантической информационной модели кратко описаны выше и подробнее в работах [1-10]. Часть предварительных выходных форм, получающихся при проведении АСК-анализа СИМ размещено на сайте автора по ссылкам, которые даны на упоминаемых в начале статьи форумах. Однако полное исследование полученных моделей еще предстоит выполнить.

Краткое описание некоторых полученных результатов

Итак, была измерена внешняя дифференциальная (в разрезе по категориям) и интегральная (общая средневзвешенная по всем категориям) валидность модели путем идентификации группы из 1000 случайно отобранных респондентов, данные которых не использовались при синтезе модели.

Система "Эйдос" выдает две обобщенные формы по результатам идентификации:

1. В разрезе по категориям в порядке убывания достоверности их идентификации.

2. В разрезе по респондентам в порядке убывания достоверности их идентификации.

В первой форме дается эвристическая оценка достоверности идентификации категорий, а во второй - конкретных респондентов (каждого из 1000). Рассмотрим эти формы, приведенные в таблицах 1 и 2.

Таблица 1 - НЕКОТОРЫЕ ОБОБЩЕННЫЕ КАТЕГОРИИ, РАНЖИРОВАННЫЕ В ПОРЯДКЕ УБЫВАНИЯ ДОСТОВЕРНОСТИ ИДЕНТИФИКАЦИИ

Код Наименование Максимальным уровень сходства Достоверность идентификации (эвристический критерий)

327 CATEGORIES: C1603-Sports. 32,524 56,195

52 CATEGORIES: ###-Disk Collection 9,043 44,192

454 EVENT LIFE: Death, Cause unspecified. 13,973 43,433

24 CATEGORIES: ###-Basketball. 22,299 33,469

374 CATEGORIES: C282-Football 32,450 29,927

190 CATEGORIES: A1-Book Collection. 11,734 26,847

156 CATEGORIES: ###-Sexuality 17,248 24,181

194 CATEGORIES: A25-Writers 13,226 24,158

499 SEX: 17,681 23,722

84 CATEGORIES: ###-Homosexual male 16,699 20,322

338 CATEGORIES: C17817-Birth. 23,537 19,778

118 CATEGORIES: ###-Occult Fields 14,241 16,252

319 CATEGORIES: C15021-Astrologer 14,484 15,846

325 CATEGORIES: C1592-Death 15,781 15,833

38 CATEGORIES: ###-Childhood 25,122 15,765

183 CATEGORIES: ###-Unusual circumstances 27,587 14,819

192 CATEGORIES: A19-Famous. 14,981 13,669

66 CATEGORIES: ###-Family noted. 26,419 12,394

199 CATEGORIES: A38-Business. 16,811 12,085

95 CATEGORIES: ###-Long life >80 yrs 16,425 11,913

500 SEX: M. 48,477 11,875

264 CATEGORIES: B66-American Book 24,495 11,814

202 CATEGORIES: A7-Relationship 15,796 10,311

298 CATEGORIES: C12770-Entertain. 11,449 9,830

35 CATEGORIES: ###-Cesarean. 27,538 9,480

107 CATEGORIES: ###-Misc. 19,925 9,405

182 CATEGORIES: ###-UFO sighting. 18,269 9,158

305 CATEGORIES: C13294-Science. 17,188 9,079

197 CATEGORIES: A32-Body. 21,872 -0,474

403 CATEGORIES: C7039-D.J 18,462 -0,490

65 CATEGORIES: ###-Family large. 15,681 -0,516

122 CATEGORIES: ###-Other Engineer. 19,722 -0,521

149 CATEGORIES: ###-Same location lifetime. 20,151 -0,531

371 CATEGORIES: C2726-Columnist 22,126 -0,538

429 EVENT LIFE: Assault/ Battery Perpetratio. 21,036 -0,551

428 EVENT_LIFE: Arrest. 13,478 -0,604

324 CATEGORIES: C1586-journalist. 20,905 -0,610

456 EVENT LIFE: Deinstitutionalized - prison. 17,895 -0,615

470 EVENT_LIFE: Great Publicity 16,112 -0,617

145 CATEGORIES: ###-Rags to riches. 18,369 -0,803

27G CATEGORIES: B8Gб-Child performer. 22,95G -G,973

471 EVENT LIFE: Homicide Perpetration 22,974 -1,G37

б4 CATEGORIES: ###-Extremes in quantity. 23,394 -1,23G

Рассмотрим каким образом определяется достоверность идентификации обобщенной категории. Сделаем это на примере категории "CATEGORIES: C1603-Sports". Рассмотрим карточку идентификации респондентов с этой категорией - рис. 1.

РЕЗУЛЬТАТ ИДЕНТИФИКАЦИИ РЕСПОНДЕНТОВ С ОБОБЩЕННОЙ КАТЕГОРИЕЙ: Cl603-Sports|

04-11-06 £2:49:13

Класс: 327 CATEGORIES: C1603-Sports Качество: 58.56$

Код Информационный источник $ Сход Гистограмма скодств/различий

15S46 Rose, E. 4 33

10183 Jones, Jimmie D 32

9566 Hunt e r, J. D e 4 32

6481 Furrer, W. Qb 4 32

18142 Tolliver, E.J. ■■j 32

17150 Stepnoski, И. С 32

17361 Stryzinski, D. 4 32

17074 Stains, F. Lb 32

15051 Prostitute 580 32

3362 Carpenter, R. W 32

5064 Dodge, D. S 4 32

7178 Gritz, Bo -0

19998 Zoegeler, Armin 4 -0

6 Aaron, Hank 4 -1

3858 Clarke, Allan ■■j -1

13796 Olmo, Giuseppe -2

7921 Homicide Poison 4 -4

17839 Taruffi, Piero 4 -4

7689 Hermite, Charle -5

2306 Bonnard, Pierre -8 ■

15625 Rigoulot, Chari 4 -8 ■

15861 Rosenberg, Alfo -8 ■

9526 Huchel, Erich -8 ■

13079 Mondrian, Piet -8 ■

10293 Kahn, Gust ave -9 ■

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

11804 Mac C r ai g, Hugh -9 ■

1116 Assailly, Alain -10 ■

1185 Astrologer 3939 -10 ■

7520 Hauptmann, Erun -13

Универсальная когнитивная аналитическая система НПП *ЭЙД0С*

Рис. 1. Результаты идентификации категории С1603

Из-за того, что в этой карточке 1000 строк (по числу респондентов) мы сочли возможным показать не их все, а часть исключили (показаны пунктиром). В верхней части карточки приведены респонденты, которых система отнесла к данной категории. Против тех респондентов, которые к ней действительно относятся стоит знак: "V".

Система при идентификации может совершать четыре вида ошибок:

1. Относить респондентов к категории, хотя они к ней не относятся ("ошибочная идентификация", например, респондент: 15051 Prostitute 580).

2. Не относить респондентов к категории, хотя они к ней относятся ("ошибочная неидентификация", например, респондент: 15625 Rigoulot, Charl).

Эвристический критерий качества идентификации обобщенной категории сконструирован таким образом, что качество равное (+100%) получается если ошибки этих двух видов отсутствуют. При этом увеличение количества ошибок 1-го рода приближает значение критерия к 0, а 2-города к (-100%).

Обратим внимание на то, что в конце таблицы 1 приведены категории, с которыми респонденты чаще идентифицируются ошибочно, чем правильно. Как это может быть пока не совсем понятно.

Таблица 2 - ОБОБЩЕННЫЕ ДАННЫЕ ИДЕНТИФИКАЦИИ НЕКОТОРЫХ РЕСПОНДЕНТОВ, РАНЖИРОВАННЫЕ В ПОРЯДКЕ УБЫВАНИЯ ДОСТОВЕРНОСТИ ИДЕНТИФИКАЦИИ

Код Респондент Максимальный уровень сходства Достоверность идентификации (эвристический критерий)

707 Alcoholic 8302 30,616 20,116

615 Alcoholic 5950 31,856 19,320

583 Alcoholic 5544 33,596 19,289

584 Alcoholic 5564 32,657 19,138

14009 Out of Body Exp 32,216 17,683

499 Alcoholic 10406 34,213 17,631

668 Alcoholic 6925 35,167 16,900

564 Alcoholic 5300 31,512 16,384

18142 Tolliver, B.J. 46,818 16,254

7001 Graham, Jeff Qb 46,252 16,223

10121 Johnson, R. Te 47,534 16,129

5485 Eaumua, D. Sal 47,782 16,107

14360 Pavan, Marisa 32,490 -2,620

18366 Twiggy 37,565 -2,769

3654 Chaplin, Michae 20,143 -2,943

16973 Speakman, Hugh 16,097 -2,947

5777 Estrich, Susan 19,235 -3,036

14571 Phillips, Mark 20,767 -3,529

1GG62 Johnson, Abigai 17,987 -4,G97

При анализе этой таблицы мы прежде всего обращаем внимание на то, что наиболее высокий уровень достоверности идентификации наблюдается у алкоголиков и имеющих внетелесный опыт (ВТО), т.е. опыт в измененных формах сознания. В конце этой таблицы также есть респонденты, которые системой чаще относятся к тем категориям, к котором они в действительности не принадлежат (причины чего еще предстоит выяснить в будущих исследованиях).

Эвристический критерий достоверности идентификации респондента рассчитывается по алгоритму, аналогичному описанному выше. В качестве примера приведем карточку респондента, который был идентифицирован системой с наибольшей достоверностью из всех 1000 респондентов - рис. 2. При этом система не допустила ни одной (!!!) ошибки ошибочной неидентификации, хотя и несколько раз отнесла респондента к категориям, к которым он не относится (ошибочная идентификация).

РЕЗУЛЬТАТ ИДЕНТИФИКАЦИИ РЕСПОНДЕНТА С КЛАССАМИ РАСПОЗНАВАНИЯ

04-11-06 £3:16:46

Номер анкеты: 707 Респондент: Alcoholic 8302 Качество результата: 20.116%

Код Н аим єно в ани е к л а с с а р асп о знав аго-ш % Cx Г ис т огр амиа с ход с т в/различий

500 SEX: H 31

257 CATEGORIES E 5 2 0-Re1i glon ^ 29

165 CATEGORIES #if #-Sp i rituality ■\І 28

235 CATEGORIES B275-Ueight 27

242 CATEGORIES B 31 -A1 c oho 1 Abus •=■ ^ 24

433 EVENT LIFE Hysti 'nal E xp e r i enc e 23

268 CATEGORIES B 7 5 0-12 st ep group 23

327 CATEGORIES C1603-Sport s 23

154 CATEGORIES ifit#-Sex Business 22 ш

2 CATEGORIES -Meditation 21

309 CATEGORIES C1393-Vo^alist 1

73 CATEGORIES if tf it-Finane ier 0

323 CATEGORIES C15 3 8 5-King 0

100 CATEGORIES ###-Harried late 0

27 CATEGORIES ###-Bi-Se xual 0

361 CATEGORIES C20917-En onomist 0

205 CATEGORIES B10 7 5 - Wi unVi >=■ r of H i vo r c p- ~ 0

141 CATEGORIES if if if-Public speaker 0

101 CATEGORIES if if it -Mathemat ics -0

96 CATEGORIES if if s -Lott pry -0

5 CATEGORIES if if if -A f £ li 1 PVil-. fflffli 1 y -26

142 CATEGORIES if if if-Quads -26

174 CATEGORIES if if it - Sui c i de At t empt -26

457 EVENT LIFE Depressive episode -27

19 CATEGORIES if if it -Ast rologers -27

339 CATEGORIES C17857-DesiLft± -27

78 CATEGORIES if if if-Greatest Hits -30

52 CATEGORIES if if s -Disk Collection -36

Универсальная когнитивная аналитическая система Ніш *ЭИД0С*

Рис. 2. Результат идентификации анкеты 7G7

Об этой форме можно высказать гипотезу, что те категории, с которыми у данного респондента высокое сходство но он к ним фактически не относится соответствуют его нереализованным предрасположенностям, а категории, к которым он фактически относится, но система его к ним не отнесла - тем занятиям, к которым у него не было предрасположенности, но которыми он все же занимался (скорее всего не очень успешно).

Для сравнения с таблицей 1 приведем таблицу 3 с эвристической оценкой достоверности идентификации категорий на при измерении внешней валидности путем синтеза модели на основе данных 15007 респондентов и идентификации 5000 респондентов, данные которых не использовались при синтезе модели. При этом приведем два варианта, полученных, соответственно, при отборе 5000 респондентов случайным образом и как каждого 4-го из исходной выборки.

Приведем на наш взгляд интересный результат, полученный на основе идентификации 5000 респондентов (выбранных как каждый 4-й из исходной выборки), данные которых не использовались при синтезе модели, созданной на основе данных оставшихся 15007 респондентов - рис. 3.

РЕЗУЛЬТАТ ИДЕНТИФИКАЦИИ ИНФОРИАЦИОННЫХ ИСТОЧНИКОВ С КЛАССОИ РАСПОЗНАВАНИЯ

□ 6-11-0 6

12:53:03

Класс: 221 CATEGORIES: B1590-0ut of Body experience

Качество:

1.38%

Код

Информационный источник

Сход

Гистограмма сходств/различий

14004 Out of Body Exp V 33

13980 Out of Body Exp V 28

13948 Out of Body Exp V 28

13992 Out of Body Exp V 27

13996 Out. of Body Exp V 26

13976 Out of Body Exp V 26

13940 Out of Body Exp V 26

14000 Out of Body Exp "/ 25

13872 Out of Body Exp V 25

13944 Out of Body Exp V 24

13932 Out of Body Exp і 24

13924 Out of Body Exp V 24

13956 Out of Body Exp V 24

14008 Out of Body Exp V 22

13936 Out of Body Exp V 22

13864 Out of Body Exp V 21

13912 Out of Body Exp V 21

13960 Out of Body Exp V 20

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

13972 Out of Body Exp V 19

13900 Out of Body Exp V 19

13880 Out of Body Exp і 19

13888 Out of Body Exp 19

13916 Out of Body Exp •і 17

13920 Out of Body Exp V 15

1004 Arbogast, Jerry V 6

11944 Hann, Tad V 5

13720 O' Reilly, Hicha V 1

Универсальная когнитивная аналитическая система

НПП *ЗИД0С1

Рис. З. Результат идентификации категории В1590

Из этой карточки мы видим, что всех респондентов, в действительности относящихся к категории 221, модель смогла отнести к этой категории. На основе этого результат можно высказать гипотезу, что врожденные способности к внетелесному опыту (ВТО) в высокой степени предопределяются астрономическими показателями, определяемыми временем и местом рождения респондента. Какими именно астрономическим показателями мы видим в информационном портрете категории: В1590:

СИСТЕМА ДЕТЕРМИНАЦИИ ОБОБЩЕННОЙ КАТЕГОРИИ: lll В1590: "ВНЕТЕЛЕСНЫЙ ОПЫТ" (фрагмент)

№ Код признака Наименование признака Кол-во инф. в признаке (бит) Кол-во информации в признаке о принадлежности респондента к данной обобщенной категории (в % от теоретически max. возможного)

1 3SS nodedist: {0.003, 0.003} 1,02534 11,44

2 3S9 HOUSE1: {0.000, 29.97S} 0,75514 8,42

3 521 HOUSE12: {0.000, 29.975} 0,74047 8,26

4 401 HOUSE2: {0.000, 29.967} 0,74030 8,26

б 413 HOUSE3: {0.000, 29.972} 0,73670 8,22

6 509 HOUSE11: {0.000, 29.9S5} 0,72843 8,12

7 461 HOUSE7: {0.000, 29.97S} 0,72242 8,06

З 473 HOUSES: {0.000, 29.9S3} 0,72133 8,05

9 4S5 HOUSE9: {0.000, 29.966} 0,71677 7,99

10 497 HOUSE10: {0.000, 29.9S3} 0,70899 7,91

11 425 HOUSE4: {0.000, 29.99S} 0,67937 7,58

12 437 HOUSE5: {0.000, 29.966} 0,66257 7,39

13 449 HOUSE6: {0.000, 29.9S2} 0,62306 6,95

14 173 JUPITERLON: {269.S21, 299.795} 0,59354 6,62

1б 66 MOONDIST: {0.002, 0.002} 0,54703 6,10

16 121 VENUSDIST: {0.S39, 0.952} 0,53606 5,98

17 115 VENUSLAT: {7.151, S.594} 0,52123 5,81

13 214 SATURNLAT: {-0.931, -0.47S} 0,51645 5,76

19 62 MOONLAT: {1.SS6, 2.71S} 0,48100 5,36

20 217 SATURNLAT: {0.430, 0.SS3} 0,47612 5,31

21 251 URANUSLAT: {-0.127, -0.020} 0,47180 5,26

22 S0 MERCURYLAT: {-4.204, -3.4S4} 0,46167 5,15

23 33S PLUTODIST: {43.05S, 44.793} 0,45034 5,02

24 160 MARSDIST: {1.923, 2.103} 0,44342 4,95

2б 326 PLUTOLAT: {6.192, 9.031} 0,43519 4,85

26 140 MARSLAT: {-6.763, -5.S24} 0,42598 4,75

27 176 JUPITERLAT: {-1.62S, -1.362} 0,42350 4,72

23 1S3 JUPITERLAT: {0.234, 0.500} 0,40183 4,48

29 347 CHIRONLON: {149.SS7, 179.S64} 0,40127 4,48

30 105 VENUSLAT: {-7.275, -5.S32} 0,38355 4,28

321 204 SATURNLON: {1S0.033, 209.95S} -0,36078 -4,02

322 311 PLUTOLON: {150.0S4, 1S0.045} -0,36278 -4,05

323 112 VENUSLAT: {2.S23, 4.266} -0,36662 -4,09

324 S5 MERCURYLAT: {-0.605, 0.115} -0,36775 -4,10

32б 150 MARSLAT: {2.624, 3.563} -0,37246 -4,15

326 21S SATURNLAT: {0.SS3, 1.337} -0,38674 -4,31

327 300 NEPTUNEDIS: {30.270, 30.434} -0,39554 -4,41

323 30S PLUTOLON: {60.201, 90.162} -0,39579 -4,41

329 13S MARSLON: {299.639, 329.577} -0,40220 -4,49

330 119 VENUSDIST: {0.612, 0.725} -0,41S12 -4,66

331 371 CHIRONDIST: {13.015, 14.642} -0,43369 -4,34

332 159 MARSDIST: {1.744, 1.923} -0,4426S -4,94

333 25S URANUSDIST: {17.397, 17.700} -0,44573 -4,97

334 5S MOONLAT: {-1.445, -0.612} -0,44S41 -б,00

ЗЗб 71 MERCURYLON: {119.9S7, 149.931} -0,46713 -б,21

336 145 MARSLAT: {-2.069, -1.131} -0,46773 -б,22

337 100 VENUSLON: {239.7S0, 269.73S} -0,47704 -б,32

333 67 MERCURYLON: {0.212, 30.156} -0,4S269 -б,33

339 11S VENUSDIST: {0.49S, 0.612} -0,4S557 -б,42

340 339 PLUTODIST: {44.793, 46.52S} -0,4992S -б,б7

341 243 URANUSLON: {269.679, 299.63S} -0,50066 -б,б3

342 61 MOONLAT: {1.053, 1.SS6} -0,50321 -б,61

343 250 URANUSLAT: {-0.235, -0.127} -0,51340 -б,73

344 233 SATURNDIST: {10.660, 10.S61} -0,53567 -б,97

34б 32S PLUTOLAT: {11.S70, 14.709} -0,5374S -б,99

346 17S JUPITERLAT: {-1.096, -0.S30} -0,61394 -6,3б

347 170 JUPITERLON: {179.S97, 209.S72} -0,62957 -7,02

343 456 HOUSE6: {209.S75, 239.S57} -0,63S31 -7,12

349 194 JUPITERDIS: {5.129, 5.236} -0,6471S -7,22

3б0 163 MARSDIST: {2.461, 2.641} -0,66613 -7,43

3б1 90 MERCURYLAT: {2.993, 3.713} -0,679S0 -7,б3

Зб2 19 NAKSATRA_M: Uttara Bhadra -0,6S277 -7,62

ЗбЗ 2S3 NEPTUNELAT: {-1.417, -1.131} -0,69146 -7,71

Зб4 1S6 JUPITERDIS: {4.276, 4.3S2} -0,71620 -7,99

Збб 3S5 NODELON: {299.S46, 329.S03} -0,72375 -3,07

Зб6 442 HOUSE5: {149.S2S, 179.794} -0,73965 -3,2б

Зб7 320 PLUTOLAT: {-10.S43, -S.004} -0,74727 -3,33

3б3 477 HOUSES: {119.933, 149.916} -0,7S037 -3,70

Зб9 464 HOUSE7: {S9.933, 119.911} -0,79657 -3,33

360 92 VENUSLON: {0.113, 30.072} -0,79SS3 -3,91

361 174 JUPITERLON: {299.795, 329.770} -0,S3403 -9,30

362 451 HOUSE6: {59.964, S9.947} -0,S3415 -9,30

363 411 HOUSE2: {299.675, 329.642} -0,S4124 -9,33

364 256 URANUSLAT: {0.412, 0.520} -0,S5599 -9,бб

36б 490 HOUSE9: {149.S29, 179.795} -0,S5S20 -9,б7

366 242 URANUSLON: {239.719, 269.679} -0,S7107 -9,72

367 424 HOUSE3: {329.693, 359.666} -0,S7175 -9,72

363 522 HOUSE12: {29.975, 59.951} -0,S772S -9,73

369 450 HOUSE6: {29.9S2, 59.964} -0,90076 -10,0б

370 436 HOUSE4: {329.979, 359.977} -0,90227 -10,06

371 43S HOUSE5: {29.966, 59.931} -0,90420 -10,09

372 60 MOONLAT: {0.221, 1.053} -0,91167 -10,17

373 520 HOUSE11: {329.S40, 359.S25} -0,91706 -10,23

374 4S9 HOUSE9: {119.S63, 149.S29} -0,92S71 -10,36

37б 39S HOUSE1: {269.S05, 299.7S3} -0,93S12 -10,46

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

376 423 HOUSE3: {299.721, 329.693} -0,943S7 -10,бЗ

377 502 HOUSE10: {149.916, 179.S99} -0,95274 -10,63

373 463 HOUSE7: {59.955, S9.933} -0,95521 -10,6б

379 429 HOUSE4: {119.992, 149.990} -0,95796 -10,63

330 476 HOUSES: {S9.950, 119.933} -0,96362 -10,7б

331 503 HOUSE10: {179.S99, 209.SS2} -0,96566 -10,77

332 272 NEPTUNELON: {60.042, 89.991} -0,9S723 -11,01

333 391 HOUSE1: {59.957, 89.935} -0,99456 -11,09

334 507 H0USE10: {299.831, 329.814} -1,01342 -11,30

33б 410 H0USE2: {269.707, 299.675} -1,01 S40 -11,36

336 515 H0USE11: {179.913, 209.898} -1,03239 -11,б1

337 495 H0USE9: {299.658, 329.624} -1,0420S -11,62

333 4S2 H0USE8: {269.849, 299.833} -1,05470 -11,76

339 417 H0USE3: {119.889, 149.861} -1,05495 -11,77

390 529 H0USE12: {239.803, 269.778} -1,06321 -11,36

391 516 H0USE11: {209.898, 239.884} -1,06460 -11,37

392 404 H0USE2: {89.902, 119.870} -1,10524 -12,33

393 397 H0USE1: {239.827, 269.805} -1,10S14 -12,36

394 52S H0USE12: {209.827, 239.803} -1,11230 -12,41

39б 239 URANUSL0N: {149.841, 179.800} -1,152S5 -12,36

В начале информационного портрета находятся признаки, обнаружение которых у респондента несет информацию в пользу его принадлежности к данной категории (отмечено красным), а в конце - в пользу непринадлежности (отмечено синим).

Таблица 3 - НЕКОТОРЫЕ ОБОБЩЕННЫЕ КАТЕГОРИИ, РАНЖИРОВАННЫЕ В ПОРЯДКЕ УБЫВАНИЯ ДОСТОВЕРНОСТИ ИДЕНТИФИКАЦИИ ПО

РЕЗУЛЬТАТАМ ИЗМЕРЕНИЯ ВНЕШНЕЙ ВАЛИДНОСТИ

Идентификация 1000 случайных респондентов, модель на основе 19007 Идентификация 5000 случайных респондентов, модель на основе 15007 Идентификация 5000 респондентов (каждый 4-й), модель на основе 15007

Код Наимен. категории Max сход. Досто- верн. Код Наимен. категории Max сход. Досто- верн. Код Наимен. категории Max сход. Досто- верн.

327 CATEGORIES: C1603-Sports. 32,524 56,195 327 CATEGORIES: C1603-Sports. 33,228 56,G91 327 CATEGORIES: C1603-Sports. 33,GG7 54,G4G

52 CATEGORIES: ###-Disk Collection 9,G43 44,192 52 CATEGORIES: ###-Disk Collection 1G,311 44,499 52 CATEGORIES: ###-Disk Collection 1G,349 45,933

454 EVENT_LIFE: Death, Cause unspecified. 13,973 43,433 454 EVENT_LIFE: Death, Cause unspecified. 14,7G5 4G,372 454 EVENT_LIFE: Death, Cause unspecified. 14,217 41,169

24 CATEGORIES: ###-Basketball. 22,299 33,469 24 CATEGORIES: ###-Basketball. 22,G81 31,943 374 CATEGORIES: C282-Football 31,8GG 3G,541

374 CATEGORIES: C282-Football 32,45G 29,927 374 CATEGORIES: C282-Football 32,842 29,787 24 CATEGORIES: ###-Basketball. 21,913 29,338

19G CATEGORIES: A1-Book Collection. 11,734 26,847 19G CATEGORIES: A1-Book Collection. 15,G48 28,55G 156 CATEGORIES: ###-Sexuality 2G,G16 26,413

156 CATEGORIES: ###-Sexuality 17,248 24,181 156 CATEGORIES: ###-Sexuality 19,4G4 27,825 19G CATEGORIES: A1-Book Collection. 15,744 26,2GG

194 CATEGORIES: A25-Writers 13,226 24,158 338 CATEGORIES: C17817-Birth. 25,284 26,463 338 CATEGORIES: C17817-Birth. 25,2GG 24,794

499 SEX: Ж. 17,681 23,722 499 SEX: Ж. 17,499 23,823 194 CATEGORIES: A25-Writers 14,165 23,9G6

84 CATEGORIES: ###-Homosexual male 16,699 2G,322 194 CATEGORIES: A25-Writers 13,2G8 23,1G1 499 SEX: Ж. 17,882 21,736

338 CATEGORIES: 017817-Birth. 23,537 19,778 84 CATEGORIES: ###-Homosexual male 18,325 2G,G47 84 CATEGORIES: ###-Homosexual male 18,296 21,452

118 CATEGORIES: ###-Occult Fields 14,241 16,252 183 CATEGORIES: ###-Unusual circumstances 29,913 17,7G1 38 CATEGORIES: ###-Childhood 26,561 17,291

319 CATEGORIES: C15021-Astrologer 14,484 15,846 38 CATEGORIES: ###-Childhood 27,954 16,682 183 CATEGORIES: ###-Unusual circumstances 28,335 15,395

325 CATEGORIES: C1592-Death 15,781 15,833 95 CATEGORIES: ###-Long life >80 yrs 19,629 14,321 118 CATEGORIES: ###-Occult Fields 15,612 14,38G

38 CATEGORIES: ###-Childhood 25,122 15,765 192 CATEGORIES: A19-Famous. 14,947 13,419 192 CATEGORIES: A19-Famous. 16,9G4 14,337

183 CATEGORIES: ###-Unusual circumstances 27,587 14,819 264 CATEGORIES: B66-American Book 25,195 13,165 5GG SEX: М. 49,872 14,G29

192 CATEGORIES: A19-Famous. 14,981 13,669 118 CATEGORIES: ###-Occult Fields 14,959 12,963 264 CATEGORIES: B66-American Book 25,2G7 13,612

66 CATEGORIES: ###-Family noted. 26,419 12,394 325 CATEGORIES: C1592-Death 2G,612 12,644 95 CATEGORIES: ###-Long life >80 yrs 17,286 13,51G

199 CATEGORIES: A38-Business. 16,811 12,G85 35 CATEGORIES: ###-Cesarean. 36,G68 12,6GG 319 CATEGORIES: C15021-Astrologer 15,6G9 13,215

95 CATEGORIES: ###-Long life >80 yrs 16,425 11,913 5GG SEX: М. 49,538 12,4G4 325 CATEGORIES: C1592-Death 17,G43 12,521

5GG SEX: М. 48,477 11,875 319 CATEGORIES: C15021-Astrologer 16,173 12,G54 182 CATEGORIES: ###-UFO sighting. 22,481 1G,796

264 CATEGORIES: B66-American Book 24,495 11,814 66 CATEGORIES: ###-Family noted. 29,861 1G,9G8 66 CATEGORIES: ###-Family noted. 3G,G57 1G,361

2G2 CATEGORIES: A7-Relationship 15,796 1G,311 191 CATEGORIES: A16-Entertainment 16,393 1G,G16 1G7 CATEGORIES: ###-Misc. 23,398 1G,147

298 CATEGORIES: C12770-Entertain. 11,449 9,83G 2G2 CATEGORIES: A7-Relationship 18,374 9,453 191 CATEGORIES: A16-Entertainment 15,936 9,739

35 CATEGORIES: ###-Cesarean. 27,538 9,48G 199 CATEGORIES: A38-Business. 18,674 9,294 199 CATEGORIES: A38-Business. 17,618 9,516

145 CATEGORIES: ###-Rags to riches. 18,369 -G,8G3 323 CATEGORIES: C15385-King 24,62G -G,2G4 3G2 CATEGORIES: C12989-Chemistry. 22,579 -G,162

27G CATEGORIES: B806-Child performer. 22,95G -G,973 26 CATEGORIES: ###-Beauty Queen. 25,416 -G,21G 276 CATEGORIES: B918-Homicide serial. 23,G85 -G,163

471 EVENT_LIFE: Homicide Perpetration 22,974 -1,G37 277 CATEGORIES: B952-Psychotic Episode. 2G,844 -G,219 272 CATEGORIES: B837-Very happily married 24,629 -G,217

64 CATEGORIES: ###-Extremes in quantity. 23,394 -1,23G 145 CATEGORIES: ###-Rags to riches. 2G,18G -G,337 294 CATEGORIES: C12292-Baseball 28,325 -G,27G

Из таблицы 3 видно, что от способа выборки респондентов для измерения внешней валидности и от их количества (в пределах от 1000 до 5000) результаты оценки достоверности идентификации категорий по результатам измерения внешней валидности изменяются не принципиально и не очень существенно.

Справочно приведем некоторые результаты исследования модели.

Вот форма, в которой 5000 случайным образом отобранных (из 20007) респондентов, данные которых НЕ ИСПОЛЬЗОВАЛИСЬ при синтезе модели, проранжирова-ны в порядке убывания достоверности их идентификации: http://lc.kubagro.ru/astrolog/forum/raspit1.htm. Видно, что в начале списка много алкоголиков..., т.е. респонденты, относящиеся к этой категории, распознаются наиболее достоверно.

А вот карточка идентификации наиболее достоверно идентифицированного алкоголика с кодом 641: http://lc.kubagro.ru/astrolog/forum/kart-641.gif. Птичками'^" отмечены коды классов (категорий), к которым данный респондент действительно относится.

В системе "Эйдос" есть средство для вывода наиболее характерных и наиболее нехарактерных признаков любой обобщенной категории: это режим "Информационные портреты классов" 5-й подсистемы "Типология", а еще есть диаграммы нейронов: http://lc.kubagro.ru/astrolog/neuron/page 01.htm в частности и нейрона 242: http://lc.kubagro.ru/astrolog/neuron/NRN0242I. gif. Вот информационный портрет категории код-242: CATEGORIES: B31-Alcohol Abuse:

http://lc.kubagro.ru/astrolog/forum/ipo 0242.htm. В начале этого информационного портрета содержатся признаки, характерные для респондентов, относящихся к данной категории, в середине - нейтральные, а в конце - нехарактерные. Список всех категорий, ранжированный в порядке убывания достоверности их идентификации приводится здесь: http://lc.kubagro.ru/astrolog/forum/raspit2.htm. Более детальная форма по достоверности идентификации классов (категорий) по результатам измерения внешней валидности семантической информационной модели приведена здесь: http://lc.kubagro.ru/astrolog/forum/validsys.htm.

Смысл полей в этой форме:

G1. KOD_OBJ // Код класса G2. NAME // Наименование класса

G3. PS_DOST_ID // Общая вероятность достоверной идентификации логических анкет с учетом уровней сходства-различия (в %)

G4. PSLA_PROTN // Вероятность правильного отнесения логических анкет к классу G5. PSLA_OSHOTN // Вероятность ошибочного отнесения логических анкет к классу G6. PSLA_PRNOTN // Вероятность правильного не отнесения логических анкет к классу G7. PSLA_OSHNOTN // Вероятность ошибочного не отнесения логических анкет к классу G8. SLA_PROTN // Суммарное сходство логических анкет, правильно отнесенных к классу G9. SLA_OSHOTN // Суммарное сходство логических анкет, ошибочно отнесенных к классу 1G. SLA_PRNOTN // Суммарное сходство логических анкет, правильно не отнесенных к классу

11. SLA_OSHNOTN // Суммарное сходство логических анкет, ошибочно не отнесенных к классу

12. PN_DOST_ID // Общая вероятность достоверной идентификации логических анкет с учетом количества логических анкет (в %)

13. PNLA_PROTN // Вероятность правильного отнесения логических анкет к классу

14. PNLA_OSHOTN // Вероятность ошибочного отнесения логических анкет к классу

15. PNLA_PRNOTN // Вероятность правильного не отнесения логических анкет к классу

16. PNLA_OSHNOTN // Вероятность ошибочного не отнесения логических анкет к классу

17. N_LOGANK // Количество логических анкет, относящихся к данному классу

18. NLA_PROTN // Количество логических анкет, правильно отнесенных к данному классу

19. NLA_OSHOTN // Количество логических анкет, ошибочно отнесенных к данному классу 2G. NLA_PRNOTN // Количество логических анкет, правильно не отнесенных к данному классу

21. NLA_OSHNOTN // Количество логических анкет, ошибочно не отнесенных к данному классу

22. PN_RANDUGAD // Вероятность случайного угадывания (правильного отнесения лог.анк. к классу)

23. P_EFFEKTMOD // Эффективность модели (во сколько раз она лучше, чем случайное угадывание)

Скептики априорно утверждают, что никаких зависимостей между астрономическим показателями на момент рождения респондента и его принадлежностью к тем или иным социальным категориям не существует. С использованием языка математики, это утверждение можно переформулировать так, что, эти зависимости имеют случайный характер или являются шумом.

Реальный сигнал всегда включает полезную информацию (закономерность) и шум в каких-то соотношениях. Обычно несколько упрощенно считают, что полезный сигнал и шум складываются, хотя обычно это так только когда и полезный сигнал, и шум закодированы в амплитуде функции.

Но существует и много других вариантов: не только аддитивные, но и мультипликативные, и другие амплитудные, но и фазовые, и частотные шумы как самой функции, так и аналогичные шумы ее аргументов [7]. Но эти варианты мы не будем сейчас рассматривать.

В любом случае нужно уметь отличать влияние закономерностей от влияния шумов на результаты исследования. Для этого мы исследовала случайную модель, которая представляет собой ОДИН ШУМ. Разница между ней и реальной астромоделью и дает нам представление о том, что в астромодели может наделать шум и чем она отличается от шума, т.е. есть ли в ней закономерности. И сопоставление астромодели со случайной моделью позволяет сделать предварительный вывод, что они заметно отличаются и закономерности в астромодели есть! Правда соотношение синал-шум для различных категорий респондентов различно и действие закономерностей вполне явно не для всех категорий, а только для определенной их части, для других же результаты на уровне шума.

В случайной выборке все коды астропризнаков и все коды принадлежности к категориям для вех респондентов случайные (для их генерации использовался программный генератор псевдослучайных чисел с равномерным распределением). Никаких карт, тех что были в обычной модели, в случайной выборке нет. Таким образом в случайной модели вообще нет никаких закономерностей и зависимостей между астропризнаками и принадлежностью респондентов к категориям (кроме опять же случайных). Поэтому достоверность идентификации и прогнозирования, которые основаны на выявленных закономерностях, для случайной модели будут минимальными. По их величине и можно судить о возможном влиянии шума в реальной модели предметной области.

Сравнивались две модели:

- "реальная" (содержательная), 5000 реальных анкет было выбрано из реальных 20007 случайным образом, а на основе оставшихся 15007 реальных анкет был осуществлен синтез модели; затем после синтеза модели в ней были идентифицированы эти 5000 респондентов, данные которых не использовались при синтезе модели, в результате чего и были получены формы по внешней валидности;

- "случайная", в которой было сгенерировано 5000 вообще случайных анкет, в которых астропризнаки случайные и принадлежность к категориям тоже случайная. И

затем идентифицировал их на основе модели, синтез которой был осуществлен на основе 15007 анкет, также сгенерированных случайным образом.

В реальных анкетах безусловно есть и много шума. Это видно по результатам идентификации, не одинаковым для разных категорий. Но есть и закономерности. И особенно наглядно это видно, когда сравниваешь эти результаты идентификации реальных анкет на реальной модели с идентификацией случайных анкет на случайной модели.

СК-анализ существенно отличается от просто статистики, в которой поиск корреляций между астропризнаками и принадлежностью к категориям осуществляется для отдельных респондентов. Типизация или обобщение, реализуемое в методе СК-анализе, является методом выделения сигнала из шума, аналогичным многоканальной системе с дублированием сообщения на многих датчиках или во времени. Интегральная мера сходства в СК-анализе между конкретным образом объекта (в нашем случае респондента) и обобщенным образом класса (категории), т.е. информационное расстояние, также одновременно является фильтром от белого шума, т.к. представляет собой свертку (скалярное произведение), которое равно нулю для белого шума (это по сути его определение).

Когда мы не можем чего-то разобрать по телефону, то просим повторить. При этом мы опять чего-то не можем разобрать, но при повторной реализации неразборчивы уже другие слова и используя память мы можем их того, что разобрали за несколько повторов составить уже понятную фразу. Так и каждый респондент что-то хочет сказать нам всей своей жизнью, но что мы не можем разобрать, если анализировать только одну его жизнь. Если же респондентов 20007 и они группируются в 500 категорий, в среднем по 40 в категории, то уже есть надежда что-то разобрать.

При этом выясняется, что различные астропризнаки имеют различный вес как для дифференциации классов между собой, так и для идентификации респондентов с каждым из них. И зависимости выявляются уже между образом конкретного респондента и обобщенными образами классов (категорий), так и между классами или между самими астропризнаками. Этот подход существенно отличается от статистики. Проведенное исследование позволяет утверждать, что эти зависимости существуют и СК-анализ позволяет их выявить, изучить и использовать для решения задач идентификации (прогнозирования) и поддержки принятия решений. Особенно наглядно это видно при сравнении и сопоставлении реальной модели со случайной, аналогичной по размерностям справочников классов и признаков, а также объему обучающей выборки. Конечно отношение сигнал/шум различно для различных обобщенных категорий и различных конкретных респондентов, в результате чего некоторые из них идентифицируются очень хорошо, другие же гораздо хуже или практически на уровне случайного угадывания.

Была просчитана внешняя валидность на 5000 респондентов на случайной модели, по всем основным параметрам размерности аналогичной основной модели. Получилась достоверность значительно ниже, чем в основной модели. Эту разницу можно объяснить только тем, что в основной модели есть зависимости, отличающие ее от случайной. В то же время результаты анализа на случайной модели дают представление о величине возможных погрешностей в основной модели, т.е. об уровнях сходства

при идентификации, которые уже невозможно объяснить случайными сочетаниями параметров.

Выходные формы реальной и случайной моделей закачаны по адресу: http://lc. kubagro .ru/1/astr14.rar

Эти формы нужно анализировать в сопоставлении с приведенными ранее: http://lc.kubagro.ru/1/astr13.rar

Из сопоставления этих форм можно сделать некоторые предварительные выводы.

Первое.

Разница между формами, полученными а реальной и случайной моделях очень заметная. Уровни сходства конкретных объектов с классами в случайной модели значительно ниже, чем в обычной. Уровни достоверности идентификации и внешняя валидность тоже. Ясно, что эти различия полностью обусловлены наличием зависимостей между астропризнаками и принадлежностью респондентов к различным категориям. В то же время необходимо отметить, что эта разница различна для различных категорий: для одних она очень большая, для других меньше, а для третьих практически отсутствует. На этом основании можно высказать гипотезу о том, что для различных категорий уровень сигнал/шум зависимостей между астропризнаками респондентов на момент рождения и принадлежностью этих респондентов к тем или иным категориям имеет различное значение.

Второе.

Даже для случайной модели видно, что метод СК-анализа даже на очень приличной по объему случайной выборке все дает результаты идентификации, отличающиеся от чисто случайных. Это объясняется тем, что этот метод находит различия в классах даже при такой большой случайно выборке.

Ниже приводится исходный текст программы генерации случайной выборки на языке xBase++ (Аляска). Это сделано для того, чтобы можно было проверить (при желании), что выборка действительно случайная. В программе используются генераторы псевдослучайных чисел с равномерным распределением.

***** ФОРМИРОВАНИЕ КЛАССИФИКАЦИОННЫХ И ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ, ****** ***** а ТАКЖЕ ОБУЧАЮЩЕЙ ВЫБОРКИ СЛУЧАЙНЫМ ОБРАЗОМ ПО ПАРАМЕТРАМ АСТРОМОДЕЛИ ***** Луценко Е.В. 06/02/06 10:17ат **************************************

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

#pragma Library( #pragma Library( #pragma Library( #pragma Library( #pragma Library( #pragma Library( #pragma Library( #pragma Library( #pragma Library( #pragma Library( #pragma Library( #pragma Library(

ADAC20B.LIBП ) KERNEL32.LIBП ) USER32.LIB" ) XBTBASE1.LIBП ) XBTBASE2.LIBП ) XBTNETB.LIBП ) XBTNETW.LIBП ) XPPDBGC.LIB" ) XPPRT0.LIBП ) XPPRT1.LIBП ) XPPUI2.LIBП ) XPPUI3.LIBП )

#include ПACH0ICE.CHП #include ,,APP.CHП

#include

APPBROW.CH"

APPEDIT.CHП

APPEVENT.CHП

ASSERT.CH’’

B0X.CHП

CLASS.CHП

C0LLAT.CHП

C0L0R.CHП

COMMON.CH’’

DAC.CHП

DBEDIT.CHП

DBFDBE.CHП

DBSTRUCT.CHП

DBTYPES.CH’’

DE^BE.^’’

DIRECTRY.CHП

DMLB.CHП

ERROR^H’’

FILEIO.CH''

F0NT.CHП

GET.CHП

GETEXIT.CHП

GRA.CHП

GRAERROR.CH’’

INKEY.CHП

MEM0EDIT.CHП

MEMVAR.CH’’

NATMSG.CH’’

NLS.CHП

NTXDBE.CHП

PROMPT.CH’’

SERVICE.CHП

SET.CHП

SETCURS.CH'1

SIMPLEIO.CH’’

STD.CHП

THREAD.CHП

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

TYPES.CHП

VXBRIDGE.CHП

XB2.CHП

XBP.CHП

XBPDEV.CHП

XBPSYS.CHП

XBT.CH''

XBTCOM.CH’’

XBTDISK.CHП

XBTDRV.CHП

XBTKBD.CHП

XBTMISC.CH’’

XBTNETB.CHП

XBTNETW.CHП

XBTNWPS.CHП

XBTPRINT.CHП

XBTSCAN.CH’’

XBTSYS.CHП

XBTVIDE0.CHП

XBTWIN.CH’’

GetCol.prgп

xbpget.prg''

xbpgetc.prgп

*PROCEDURE AppSys()

*RETURN

PROCEDURE Main()

***** БЛОК-1. ОТОБРАЖЕНИЕ ИНФОРМАЦИИ О ФУНКЦИЯХ ПРОГРАММНОГО ИНТЕРФЕЙСА

SET CURSOR OFF SET DATE ITALIAN SET DECIMALS TO 15 SET ESCAPE On

Messl = Mess2 = Mess3 =

ГЕНЕРАЦИЯ СЛУЧАЙНЫХ КЛАССИФИКАЦИОННЫХ ШКАЛ И ГРАДАЦИЙ ГЕНЕРАЦИЯ СЛУЧАЙНЫХ ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ === ” ГЕНЕРАЦИЯ СЛУЧАЙНОЙ ОБУЧАЮЩЕЙ ВЫБОРКИ = ”

** БЛОК-3. ЗАДАНИЕ В ДИАЛОГЕ ДИАПАЗОНОВ СТОЛБЦОВ С КЛАССАМИ И ФАКТОРАМИ

N_Obj = 500

Mess = "Задайте количество классов : #####" @10,40-LEN(Mess)/2 SAY Mess COLOR "w+/rb"

@10,52 GET N_Obj PICTURE "#####" COLOR "rg+/r+"

N_Atr = 532

Mess = "Задайте количество признаков: #####" @12,40-LEN(Mess)/2 SAY Mess COLOR "w+/rb"

@12,52 GET N_Atr PICTURE "#####" COLOR "rg+/r+"

N_Ank = 20007

Mess = "Задайте количество анкет : #####" @14,40-LEN(Mess)/2 SAY Mess COLOR "w+/rb"

@14,52 GET N_Ank PICTURE "#####" COLOR "rg+/r+"

SET CURSOR ON;READ;SET CURSOR OFF

N_LogAnk = 7 && Среднее кол-во логических анкет в одной физической CLOSE ALL

** БЛОК-7. ГЕНЕРАЦИЯ КЛАССИФИКАЦИОННЫХ ШКАЛ И ГРАДАЦИЙ

CLOSE ALL

USE Object EXCLUSIVE NEW;ZAP

FOR j=1 TO N_Obj APPEND BLANK REPLACE Kod WITH j

REPLACE Name WITH "Obj_"+ALLTRIM(STR(j,5))

A_nop

A_kppl

A_kpp2

= {} = {} = {}

AADD(A_

AADD(A

nop

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

nop

NAKSATRA_M,,);AADD(A_kppl, l);AADD(A_kpp2, 27) SUNLON '');AADD(A_kppl, 2 ;AADD(A_kpp2, 39) SUNLAT '');AADD(A_kppl, 40);AADD(A_kpp2, 40) SUNDIST '');AADD(A_kppl, 4l);AADD(A_kpp2, 41) MOONLON ,,);AADD(A_kppl, 42);AADD(A_kpp2, 53) MOONLAT '');AADD(A_kppl, 54);AADD(A_kpp2, 65) MOONDIST ,,);AADD(A_kppl, 66);AADD(A_kpp2, 66) MERCURYL0Nп);AADD(A_kpp1, 67);AADD(A_kpp2, 7 MERCURYLATп);AADD(A_kpp1, 79);AADD(A_kpp2, 90) MERCURYDISп);AADD(A_kpp1, 9l);AADD(A_kpp2, 91) VENUSLON ,,);AADD(A_kppl, 92);AADD(A_kpp2,l03) VENUSLAT ,,);AADD(A_kppl,l04);AADD(A_kpp2,ll5) VENUSDIST '');AADD(A_kppl,ll6);AADD(A_kpp2,l27) MARSLON ,);AADD(A_kppl,l28);AADD(A_kpp2,l39) MARSLAT ,,);AADD(A_kppl,l40);AADD(A_kpp2,l5l) MARSDIST '');AADD(A_kppl,l52);AADD(A_kpp2,l63) JUPITERLON,,);AADD(A_kppl,l64);AADD(A_kpp2,l75) JUPITERLAT,,);AADD(A_kppl,l76);AADD(A_kpp2,l76) JUPITERDISп);AADD(A_kpp1,186);AADD(A_kpp2,197) SATURNLON п);AADD(A_kpp1,198);AADD(A_kpp2,209) SATURNLAT п);AADD(A_kpp1,210);AADD(A_kpp2,221) SATURNDIST'');AADD(A_kppl,222);AADD(A_kpp2,233) URANUSLON п);AADD(A_kpp1,234);AADD(A_kpp2,245) URANUSLAT п);AADD(A_kpp1,24 6);AADD(A_kpp2,257) URANUSDIST,,);AADD(A_kppl,258);AADD(A_kpp2,269) NEPTUNEL0Nп);AADD(A_kpp1,270);AADD(A_kpp2,281) NEPTUNELAT,,);AADD(A_kppl,282);AADD(A_kpp2,293) NEPTUNEDIS,,);AADD(A_kppl,294);AADD(A_kpp2,305) PLUTOLON ,,);AADD(A_kppl,306);AADD(A_kpp2,3l7) PLUTOLAT ,,);AADD(A_kppl,3l8);AADD(A_kpp2,329) PLUTODIST ,,);AADD(A_kppl,330);AADD(A_kpp2,34l) CHIRONLON '');AADD(A_kppl,342);AADD(A_kpp2,353) CHIRONLAT ,,);AADD(A_kppl,354);AADD(A_kpp2,365) CHIRONDIST,,);AADD(A_kppl,366);AADD(A_kpp2,374) NODELON '');AADD(A_kppl,375);AADD(A_kpp2,386) NODELAT ,);AADD(A kppl,387);AADD(A kpp2,387)

AADD(A_

AADD(A

nop

’NODEDIST

’HOUSEl

,HOUSE2

,HOUSE3

,HOUSE4

,HOUSE5

,HOUSE6

,HOUSE7

,HOUSE8

,HOUSE9

,H0USE10

,HOUSEll

,H0USE12

п);AADD(A_kpp1,388);AADD(A_kpp2,388) AADD(A_kppl,389);AADD(A_kpp2,400) AADD(A_kppl,40l);AADD(A_kpp2,4l2) AADD(A_kppl,4l3);AADD(A_kpp2,424) AADD(A_kppl,425);AADD(A_kpp2,436) AADD(A_kppl,437);AADD(A_kpp2,448) AADD(A_kppl,44 9);AADD(A_kpp2,460) AADD(A_kppl,4 6l);AADD(A_kpp2,472) AADD(A_kppl,4 73);AADD(A_kpp2,484) AADD(A_kppl,485);AADD(A_kpp2,496) );AADD(A_kppl,4 97);AADD(A_kpp2,508) );AADD(A_kppl,509);AADD(A_kpp2,520) );AADD(A kppl,52l);AADD(A kpp2,532)

USE Priz_ob EXCLUSIVE NEW;ZAP FOR i=1 TO LEN(A_nop)

APPEND BLANK REPLACE Kod WITH i REPLACE Name WITH A_nop[i] f=3

FOR j=A_kpp1[i] TO A_kpp2[i] FIELDPUT(f++, j)

USE Priz__per EXCLUSIVE NEW;ZAP

FOR i=1 TO LEN(A_nop)

FOR j=A_kpp1[i] TO A_kpp2[i]

APPEND BLANK REPLACE Kod WITH j

REPLACE Name WITH A_nop[i]+"-"+STR(j,3)

REPLACE Kod_ob_pr WITH i

*** БЛОК-9. ГЕНЕРАЦИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ

USE ObInfZag EXCLUSIVE NEW;ZAP USE ObInfKpr EXCLUSIVE NEW;ZAP

FOR M_KodIst=1 TO N_Ank

SELECT ObInfZag APPEND BLANK

REPLACE Kod_ist WITH M_KodIst

REPLACE Name_ist WITH "Ist-"+STRTRAN(STR(M_KodIst,5)," ","0") A Kkl := {}

DO WHILE LEN(A_kkl) < N_LogAnk

M_kkl = 1 + INT(N_Obj*RANDOM()/65535) && Код класса M_kkl = IF(M_Kkl<1,1,M_kkl)

M_kkl = IF(M_kkl>N_Obj,N_Obj,M_kkl)

IF ASCAN(A_kkl,M_kkl) = 0 && Если класс еще не встречался

IF LEN(A_kkl)+1 <= 4000

AADD(A_kkl,M_kkl)

ENDIF

ENDDO

ASORT(A_kkl)

FOR j = 1 TO N_LogAnk FIELDPUT(2+j, A_kkl[j]) NEXT

***** Генерация массива кодов признаков в для БД ОЫп^рг А_Крг := {}

FOR 1 = 1 ТО LEN(A_nop)

М_Крр = A_kpp1[i]+INT((1+A_kpp2[i]-A_kpp1[i])*RANDOM()/65535) && Код признака

М_Крр = ^(И^рр^Д^^рр)

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

И^рр = IF(M_Kpp>N_Atr,N_Atr,M_Kpp)

IF ASCAN(A_Kpr,M_Kpp) = 0 && Если признак еще не встречался

IF LEN(A_Kpr)+1 <= 4000 AADD(A_Kpr,M_Kpp)

ENDIF

****** Запись массива кодов признаков в БД ObInfKpr

SELECT ObInfKpr

APPEND BLANK

FIELDPUT(1,M_KodIst)

k=2

FOR j=1 TO LEN(A_Kpr)

IF k <= 12

FIELDPUT(k++,A_Kpr[j])

ELSE

APPEND BLANK

FIELDPUT(1,M_KodIst)

k=2

FIELDPUT(k ,A_Kpr[j])

ENDIF

Mess = " ПРОЦЕСС ГЕНЕРАЦИИ ЗАВЕРШЕН УСПЕШНО !!! "

MsgBox(Mess)

CLOSE ALL

RETURN

Для сравнения с полученной моделью приводим результаты измерения достоверности по случайной модели по всем параметрам размерностей аналогичной модели с внешней валидность на 5000 респондентах:

http://lc.kubagro.ru/astrolog/rnd/validsys.htm

Видно, что наивысшая эвристическая оценка достоверности составляет 1,206. Эту величину мы и предлагаем считать погрешностью модели, т.е. вкладом, который может дать белый шум в достоверность модели при таких размерностях.

Если сравнить этот отчет с отчетом по внешней валидности модели с реальными респондентами:

http://lc.kubagro.ru/astrolog/forum/validsys.htm

то между ними видна большая разница, которая, по всей видимости обусловлена наличием закономерностей в предметной области.

По-видимому, с достоверностью примерно 95% можно утверждать, что уровень достоверности 1,206 * 2,5 = 3,015 является не случайным, т.е. можно утверждать, что для довольно значительного количества категорий (около 80, в форме выделены красным цветом) выявлены закономерности между принадлежностью респондентов к ним и астрономическим данными на момент рождения этих респондентов.

Различие в формах по измерению внешней валидности моделей, содержательной и случайной, обусловлено наличием в изучаемой предметной области закономерностей, и тем, что они обнаружены методом АСК-анализа.

Чтобы убедиться в этом достаточно сравнить экранные формы по достоверности моделей и идентификации респондентов (приведена каточка наиболее достоверно идентифицируемого респондента):

содержательной модели:

FoxPro Run Сотими(1

I Универсальная когнитивная аналитическая система.

0:07 (с) НПП *ЭИДОС*

Подсистема анализа. Измерение адекватности семантической информационной модели

тет физических : ост.СИМ с уч.сх. : ост.сим с уч.1Чла:

CATEGORIES: C1603-Sports

Б000 логических:

12.21% Прав.отн: 20.92% Ошиб.не отн:

7.82% Прав.отн: 17.3 5% Ошиб.не отн:

33686 8.70 9. 53

код класса Наименование ! класса Достов. идентиф. лог.анк. с учетом сходства Вероятн. правиль. отнесен. лог.анк. к классу (сходс.)

КЕИ CATEGORIES: C1603-Sports 56.091 57.422

52 CATEGORIES: *^-Disk Collection 44.499 45.710

454 EVENT_LIFE: Death, Cause unspecified 40.372 41.709

24 CATEGORIES: -~~-Basketbal1 31.943 32.044

374 CATEGORIES: C2S2-Footbal1 29.787 29.235

190 CATEGORIES: Al-Book Collection 22.550 40.337

Рігенерация отчетаР2СортировкаРЗПечатьР4ПоискР8Расч.внешней валид. РЭУдал.классов

и случайной модели:

ы FoxPro Run Command . □ X

Универсальная когнитивная аналитическая система. 0:03 (с) нпп *эидос* |

подсистема анализа, измерение адекватности семантической информационной модели

0bj_70

нкет физических : 5000 логических: 3 5000

ост.СИМ с уч.сх.: -0.01% Прав.отн: 1.42% Ошиб.не отн: 1.43

ост.СИМ с уч.Мла: 0.00% Прав.отн: 1.42% Ошиб.не отн: 1.42

Вероятн. Вероятн. Вероятн. Вероятн.

Достов. правиль. ошибочн. правиль. ошибочн.

идентиф. отнесен. отнесен. не отн. не отн.

лог.анк. лог.анк. лог.анк. лог.анк. лог.анк.

Код с учетом к классу к классу к классу к классу

класса Наименование класса сходства (сходс.) (сходс.) (сходс.) (сходс.)

ШЕ Obj 70 1.206 2.214 1.009 98.991 1.009

39 5 Obj 395 1.114 1.794 0.6S0 99.320 0.680

431 Obj 431 1.112 2.047 0.936 99.064 0.936

90 Obj_90 1.043 2.091 1.048 98.952 1.048

453 Obj 453 0.912 1.926 1.014 98.986 1.014

149 Obj_149 0.898 1.673 0.775 99.225 0.775

РІГенерация QT4eTaF2CopTHpoBKaF3ne4aTbF4noHCKF8Pac4.внешней валид.РЭУдал.классов

ол FoxPro Run Command

Универсальная когнитивная аналитическая система

0:26 (с) нпп *эидос*

Т

Класс:

РЬІ_70 Качество:

п Код Информационный источник °o Сход Гистограмма сходств/различий

К 3 17965 Ist-1796 5 16

Р і 2342 Ist-02342 14

і » 2 519 Ist-02 519 14

і і 10217 Ist-10217 v' 13

■ • 6387 Ist-06387 13

6598 Ist-06 598 13

13270 I St-13270 13

J э_ 18161 Ist-18161 13 j

а 3960 Ist-03960 -13

19010 Ist-19010 -13

8728 Ist-08728 -13

15222 Ist-15222 -14

19812 Ist-19812 -14

15768 I St-15768 -14

1123 Ist-01123 -14

J 11858 Ist-11858 -15

.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

F1 Стр.| F2CTp.| РЗПечать карточки Р4Печать всех карточек РБПечать сводной формы

Ссылки на соответствующие отчеты по достоверности этих моделей приведены

выше.

Из приведенных форм видно, что:

- уровни сходства респондентов с классами в содержательной модели значительно выше, чем в случайной;

- в содержательной модели количество верно идентифицированных респондентов значительно превосходит количество ошибочно неидентифицированных, тогда как в случайно модели их примерно поровну.

Это позволяет высказать обоснованную на наш взгляд гипотезу о том, что эти довольно существенные и заметные различия в реальной содержательной и случайной моделях обусловлены наличием закономерностей, реально действующих в данной предметной области.

Мы предлагаем еще один критерий оценки достоверности модели: это преимущество, которое она обеспечивает при идентификации респондентов по сравнению со случайным угадыванием. Допустим к некоторой i-й категории по данным обучающей выборки из N респондентов фактически (действительно) относится Ni респондентов. Тогда вероятность того, что респондент выбранный случайным образом из некоторой генеральной совокупности, по отношению к которому обучающая выборка репрезентативна (это значит, что для нее сохраняется то же самое распределение респондентов по категориям) будет: Pi=Ni/N. Это и есть вероятность случайного угадывания принадлежности респондента к категории. А использование модели для идентификации обеспечивает более высокую вероятность правильного отнесения респондента к категории, равную, например, Pm. Тогда эффективность модели, т.е. преимущество, которое дает ее использование по сравнению со случайным угадыванием, будет: Pm/Pi. Форма, в которой категории ранжированы в порядке убывания данного критерия, доступна по ссылке: http://lc.kubagro.ru/astrolog/forum/VALIDSYS eff mod.htm. В статье она не приводится из-за ее большого объема и размерности. Интересно, что по этому критерию уже не 80, а 382 категории, распознаются с помощью модели лучше в 2,5 и более раз, чем с помощью случайного угадывания. Этот результат позволяет с достоверностью 95% высказать гипотезу о том, что для этих категорий действительно выявлены закономерности.

Приводим карточку идентификации респондентов (всех 5000) с наиболее достоверно идентифицируемым классом (327 CATEGORIES: C1603-Sports):

http://lc. kubagro. ru/astrolog/forum/rspkart2. htm. Птички "V" указывают на респондентов, которые действительно относятся к этому классу. Еще раз отметим, что данные ЭТИХ респондентов не были использованы для синтеза модели.

Список астропризнаков, ранжированный в порядке убывания содержащегося в них среднего количества информации о принадлежности респондентов к категориям (аналог значимости, т.е. полезность для решения задачи идентификации): http://lc.kubagro.ru/astrolog/priz per.htm. Видно, что там в начале почти один Плутон, и немного Нептун, и с количеством градаций от максимального до среднего.

Астросоциология

Так как при проведении данного исследования авторы никоим образом не использовали никаких априорных основных положений, аксиом и постулатов астрологии, а основывались лишь исключительно на эмпирических астрономических данных о респондентах на момент рождения и эмпирических, данных об их социальном, психологическом, психофизиологическом и медицинском статусе, а также методах искусственно-

го интеллекта (в данном случае это АСК-анализ), то, как мы считаем, можно обоснованно говорить о том, что данное исследование фактически является исследованием в новой области науки, которую предлагается назвать астросоциологией.

По нашему мнению астросоциология является наукой, так как она:

- имеет свой специфический ОБЪЕКТ И ПРЕДМЕТ исследования: выявление и изучение взаимосвязей между астрономическими данными респондентов на момент рождения и их социальным, психологическим, психофизиологическим, физическим и медицинским статусом, а также использование знания этих взаимосвязей для прогнозирования и поддержки принятия решений;

- имеет свой МЕТОД и реализующий его программный инструментарий: в настоящее время это Автоматизированный системно-когнитивный анализ (АСК-анализ) и его инструментарий: Универсальная когнитивная аналитическая система "Эйдос", но в будущем, мы уверены, метод астросоциологии будет включать и другие математические методы и инструментальные системы искусственного интеллекта;

- позволяют открывать НОВЫЕ, ранее неизвестные ЗНАНИЯ непосредственно на основе анализа эмпирических данных и использовать эти знания для повышения эффективности достижения научных и прагматических целей (см.таблицу)

№ Характеристика Астрология Астросоциология

1 Цели и задачи Прагматические: получение прогноза для конкретного респондента Научные: выявление и изучение зависимостей между астрономическими данными респондентов на момент рождения и их статусом. Прагматические: получение прогноза для конкретного респондента

2 Объект и предмет исследования Конкретный респондент Базы данных по десяткам, а в перспективе сотням тысяч и даже миллионам респондентов.

3 Эмпирическая база Отсутствует Базы данных по десяткам, а в перспективе сотням тысяч и даже миллионам респондентов.

4 Метод исследования Натальная карта Естественно-научный метод, методы и инструментарий искусственного интеллекта (в настоящее время АСК-анализ и система "Эйдос")

5 Знания зависимостей между астрономическими данными на момент рождения респондентов и их статусом Известны заранее Выявляются непосредственно из эмпирических данных с применением методов и инструментария искусственного интеллекта

6 Содержательная интерпретация зависимостей между астрономическими данными респондентов на момент рождения и их статусом, т.е. выяснение реальных механизмов действия Не предполагается Является одной из задач

Конечно, цели и задачи, объект и предмет исследования астросоциологии сходен с предметом астрологии, однако это уже не астрология, а наука, т.к. в отличие от астрологии, в ней используется современный естественно-научный метод и полученные результаты не только в принципе допускают содержательную интерпретацию, но выяснение реальных механизмов реализации исследуемых взаимосвязей рассматривается как одна из задач астросоциологии.

Некоторые выводы и перспективы

Главный результат проведенного исследования состоит в том, что вообще нашлись довольно достоверно идентифицируемые классы (обобщенные категории). Значит все же зависимости между астропризнаками и принадлежностью респондентов к категориям существуют, но сильными они являются лишь для некоторых категорий, для которых и можно получить достаточно достоверные прогнозы. Для подавляющего же большинства категорий достаточно сильных для практического использования зависимостей между астропризнаками и принадлежностью респондентов к ним не обнаружено.

Сравнение содержательной модели, со случайной показывает (на взгляд авторов вполне убедительно), что в результате проведенного исследования в предметной области были выявлены закономерности, которые и нашли отражение в модели.

Другой вопрос в том, достаточно ли такого знания этих закономерностей и силы этих закономерностей для того, чтобы использовать это знание на практике для прогнозирования?

Вот на это вопрос пока не получено ясного и убедительного ответа. Над этим надо еще работать. В этом направлении прежде всего планируется автоматизировать алгоритм "Голосования моделей" ("коллективы решающих правил"), описанный в работах [11, 16], как показавший наиболее достоверные результаты прогнозирования (достаточно достоверные для их применения на практике), однако оказавшийся слишком трудоемким при ручной его реализации, что сдерживает широкое практическое использование этого алгоритма. В настоящее время этот алгоритм уже реализован программно авторами и проходит тестирование.

Второй по важности результат состоит в том что для одних респондентов прогнозы получаются очень достоверными, для других не очень, а для третьих их вообще нельзя назвать прогнозами. По-видимому, это связано с тем, к каким категориям в действительности относятся данные респонденты: к достоверно идентифицируемым или нет.

Но если бы таких зависимостей выявить не удалось, то для нас это не стало бы доказательством их не существования: мы бы лишь сказали, что применяемые нами математические методы и программный инструментарий (система "Эйдос") не позволили выявить этих зависимостей, а сами они может быть существуют, а может быть и нет.

Во всяком случае авторы считают, что любые высказывания о несуществовании чего-либо не являются научными, т.к. невозможно доказать несуществование, принципиально доказуемо только существование.

В данной работе мы оставили в стороне интереснейшие вопросы:

1. Какими физическими или иными механизмами (процессами) могут быть обусловлены выявленные зависимости, т.е. каким образом астрономические показатели респондентов на момент рождения (астропризнаки) детерминируют их принадлежность к тем или иным социальным и психофизиологическим категориям.

2. На сколько выявленные зависимости совпадают с уже известными в астрологии (если подобные зависимости уже известны).

Первый вопрос - это вопрос об "объяснении" механизма возникновения и действия этих зависимостей и об их содержательной интерпретации. По-видимому, в этом плане в настоящее время мы будем вынуждены ограничиться лишь высказыванием тех или иных гипотез. В любом случае это дело специалистов в области астрономии, социологии, психологии и психофизиологии.

Второй вопрос также выходит за рамки настоящей статьи и нуждается в совместном исследовании специалистов в области астрологии и интеллектуальных методов обработки эмпирических данных.

В любом случае рассматриваемая в статье задача представляют собой "крепкий орешек" для любой системы искусственного интеллекта, прежде всего из-за своей огромной размерности, а также сильной зашумленности и фрагментарности (неполноты) данных. Так что эта задача интересна не только для астрологов, но и для разработчиков интеллектуальных систем, для которых она может рассматриваться как довольно жесткий тест на качество математических моделей и реализующих их программных продуктов, типа репозитария UCI [12].

В перспективе авторы планируют продолжить исследования на больших объемах выборки и с более совершенными наборами категорий и астропризнаков, в частности с различным количеством интервалов (секторов) в описательных шкалах в одной модели. В результате авторы надеются разработать более качественные, надежные и достоверные модели, а затем провести их детальный системно-когнитивный анализ.

Благодарности

Данная статься является примером выполнения совместного исследования авторами, живущими в разных странах за тысячи километров друг от друга, что стало возможным благодаря Internet. Необходимо отметить, что работы выполнены при постоянной поддержке и участии посетителей сайтов www.trounev.net/ , http://www.trounev. com/ .

Проблема обсуждалась на форумах:

- http://www.trounev.net/Forum/index.php?showtopic=118&st=0 (начало темы);

- http://trounev.com/phpBB/viewtopic.php?p=1661%231661 (продолжение).

Авторы искренне благодарят всех участников дискуссии.

Литература

1. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддерж-

ке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"). Монография (научное издание). - Краснодар: КЮИ МВД РФ, 1996. - 280с.

2. Луценко Е. В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с.

3. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности: 351400 "Прикладная информатика (по отраслям)". - Краснодар: КубГАУ. 2004. - 633 с.

4. Луценко Е.В. Математический метод АСК-анализа в свете идей интервальной бутстрепной робастной статистики объектов нечисловой природы. Научный журнал КубГАУ [Электронный ресурс]. -Краснодар: КубГАУ, 2004. - №01(3). - Режим доступа: http://ej.kubagro.ru/2004/01/13/p13 .asp

5. Луценко Е.В. Типовая методика и инструментарий когнитивной структуризации и формализации задач в АСК-анализе. Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №01(3). - Режим доступа: http://ej.kubagro.ru/2004/01/16/p16.asp

6. Луценко Е.В. Системно-когнитивный анализ как развитие концепции смысла Шенка-Абельсона. Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №03(5). - Режим доступа: http://ej.kubagro.ru/2004/03/04/p04.asp

7. Луценко Е.В. АСК-анализ как метод выявления когнитивных функциональных зависимостей в

многомерных зашумленных фрагментированных данных. Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2005. - №03(11). - 19 с. - Режим доступа:

http://ej.kubagro.ru/2005/03/19/p19.asp

8. Луценко Е.В. Системная теория информации и нелокальные интерпретируемые нейронные сети прямого счета. Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2003. -№01(1). - Режим доступа: http://ej.kubagro.ru/2003/01/11/p11.asp

9. Луценко Е.В. Синтез астропрофессиограмм и прогнозирование успешности деятельности на основе

применения АСК-анализа. Ж-л International Journal The World Astrology Review. [Электронный ресурс]. - Toronto, Canada, 2006. - №02(50), February 28. - Режим доступа:

http://trounev.net/thewar/No50/EL.htm

10. Луценко Е.В., Трунев А., Шашин В. Система идентификации субъектов по астрономическим данным на момент рождения International Journal The World Astrology Review, No 9 (57), September 30, 2006. - Toronto, Canada, - Режим доступа: http://trounev.net/thewar/No57/ADOS.htm

11. Луценко Е.В., Трунев А., Шашин В. Метод пакетного распознавания карт рождения в системе ис-

кусственного интеллекта ЭЙДОС. International Journal The World Astrology Review, No 10 (58), October 31, 2006. - Toronto, Canada, - Режим доступа: http ://trounev.com/thewar/N o58/AIT58 1. htm

12. Луценко Е.В. Методика использования репозитария UCI для оценки качества математических мо-

делей систем искусственного интеллекта. Научный журнал КубГАУ [Электронный ресурс]. -Краснодар: КубГАУ, 2003. - №02(2). - Режим доступа: http://ej.kubagro.ru/2003/02/12/p12.asp

13. Lutsenko E.V. Conceptual principles of the system (emergent) information theory & its application for the

cognitive modelling of the active objects (entities). 2002 IEEE International Conference on Artificial Intel-

ligence System (ICAIS 2002). - Computer society, IEEE, Los Alamos, California, Washington - Brussels - Tokyo, p. 268-269. http://pitis.tsure.ru/files13/5.pdf

http://csdl2.computer.org/comp/proceedings/icais/2002/1733/00/17330268.pdf

14. Pat Harris. If it works, it can’t be astrology.../ Correlation, Vol. 23 (2), 2006.

15. Луценко Е.В., Трунев А., Шашин В. Типизация и идентификация респондентов, описанных астрономическими показателями на момент рождения, по социальным и психофизиологическим категориям с применением АСК-анализа. International Journal Chaos and Correlation, No 1, November 30, 2006. - Toronto, Canada, - Режим доступа: http://trounev.com/Chaos/No1/AIT59.htm

16. Lutsenko Eugene, Trounev Alexander, Shashin Vladimir. Method of birth chart recognition by using the artificial intelligence system AIDOS. International Journal Chaos and Correlation, No 1, November 30, 2006. - Toronto, Canada, - Режим доступа: http://trounev.com/WordPress/?p=23#more-23

Примечание:

Для обеспечения доступа читателей к некоторым из этих другим работам авторов они размещены в Internet по адресам:

http://lc. kubagro .ru/aidos/eidos.htm http://ej.kubagro.ru/a/viewaut.asp?id=11

Текст научной работы на тему «Типизация и идентификация респондентов в социологии по их астрономическим показателями на момент рождения»