The concept of Decision Support System for psychological testing

The concept of a decision support system designed to optimize the order of tasks during psychological testing and based on trained continuous-time Markov models is presented. Diagnostic conclusions are derived using probabilistic estimates of being in different subject’s classes. These estimates are improved during testing procedure. Selection of a regular task is carried out for each subject individually, with previous testing outcome and forecasting the discriminating fineness of future tasks being in use.

Введение

В современных условиях не всегда удаётся обеспечивать постоянный личный контакт преподавателей психологической диагностики со студентами с целью передачи необходимого неформального профессионального опыта. Это обусловлено тем, что аудиторные занятия ограничены по времени, а число студентов достаточно велико. Для повышения эффективности преподавания используются различные средства, которые не только дают знания о правилах применения каждой конкретной методики, но и навыки корректного проведения диагностических процедур, а также наблюдений за испытуемыми. В частности, с этой целью студентам демонстрируются соответствующие видеозаписи работы авторитетных специалистов с подробными комментариями. Иногда практикуется работа студентов в парах, когда они диагностируют своих товарищей. Однако эти приёмы не обеспечивают накопления достаточного практического опыта, и тестирование остаётся затянутой по времени и трудоёмкой процедурой.

Если практикующему специалисту для принятия решений требуется относительно короткий промежуток времени, за который он сможет дать всестороннюю оценку, то сотрудники с меньшим опытом, как правило, подходят к процессу достаточно формально. Они применяют заранее заготовленный набор методик, полностью проводят их в рекомендуемом порядке, что может занимать значительное время и утомить испытуемого, исказив полученный результат.

В подобных случаях полезны системы поддержки принятия решений [14], которые ускоряют процесс тестирования при использовании результатов математического моделирования. Это ускорение может быть связано, в частности, с анализом временнόй динамики прохождения каждого теста, косвенно отражающей уровень способностей. Подобный инструмент даёт практикующему специалисту дополнительную информацию для анализа и предоставляет рекомендации по выбору следующего теста, обладающего, по сравнению с прочими, наибольшей для данного испытуемого дифференцирующей способностью. Такие рекомендации, не являясь обязательными и не лишая специалиста возможности получения собственного опыта, направляют его по наиболее эффективному и надёжному пути. Следует отметить, что процесс тестирования при этом не становится полностью автоматическим в силу многокомпонентности процедуры оценки способностей и наличия дополнительных неформализуемых критериев.

Перспективность и актуальность данного подхода при обучении студентов-психологов обусловлена тем, что им при работе с психометрическими методиками часто недостает наблюдений, обязательных для накопления опыта клинического и личностного анализа, что приводит к значительным затратам финансовых, временных и других ресурсов, необходимых для получения полезной информации. Несмотря на то что интеллектуальные системы не дают навыков непосредственного общения с респондентом и соответствующего профессионального опыта, они позволяют в реальных условиях сосредоточиться на освоении важнейших особенностей практической работы с испытуемыми. К преимуществам этих систем относятся:

1. удобство адаптации под любые методики;
2. повышение доступности знаний, необходимых для специалиста;
3. развитие навыков самостоятельной работы у студентов;
4. повышение надёжности результатов тестирования;
5. интенсификация процесса тестирования.

В основу математической концепции построения подобных систем и их программной реализации могут быть положены различные принципы организации и аппарат: определённые типы нейронных сетей [1; 2; 6; 10;17], экспертные системы [3; 4;12], обучаемые сети Маркова [7–9;11;16;18;19] и другие структуры. Однако сравнительный анализ показал, что перечисленные средства, за исключением марковских моделей и нейронных сетей, не обеспечивают должную универсальность и простоту адаптации к новым тестам, для каждого из которых фактически приходится разрабатывать отдельный специализированный программный продукт. С учетом развитых возможностей для вероятностного прогнозирования, отработанного аппарата идентификации [9;11;16;18] и простоты интерпретации полученных результатов, наиболее подходящим типом математических моделей для реализации поддержки принятия решений при проведении психологического тестирования, а также для организации психологического тренинга оказались марковские процессы с непрерывным временем.

В этой работе рассмотрена концепция системы поддержки принятия решений, предназначенной для использования в процессе психологического тестирования. Этот подход может быть использован при создании инструментальных средств, предназначенных для диагностики способностей и компетенций, а также организации и совершенствования процесса обучения.

Математические модели для представления динамики прохождения тестов

1. Galushkin A.I. Nejronnye seti. Osnovy teorii. M., 2010.
2. Golovko V. A. Nejronnye seti: obuchenie, organizacija i primenenie: Ucheb. posobie. M., 2001.
3. Dzhekson P. Vvedenie v jekspertnye sistemy: Ucheb. posobie. M., 2001.
4. Dzhons M.T. Programmirovanie iskusstvennogo intellekta v prilozhenijah. M., 2004.
5. Kramer G. Matematicheskie metody statistiki. M., 1976.
6. Kuravskij L.S., Baranov S.N. Primenenie nejronnyh setej dlja diagnostiki i prognozirovanija ustalostnogo razrushenija tonkostennyh konstrukcij // Nejrokomp'jutery: razrabotka i primenenie. 2001. № 12.
7. Kuravskij L.S., Baranov S.N. Sintez setej Markova dlja prognozirovanija ustalostnogo razrushenija // Nejrokomp'jutery: razrabotka i primenenie. 2002. № 12.
8. Kuravskij L.S., Baranov S.N., Kornienko P.A. Obuchaemye mnogofaktornye seti Markova i ih primenenie dlja issledovanija psihologicheskih harakteristik // Nejrokomp'jutery: razrabotka i primenenie. 2005. № 12.
9. Kuravskij L.S., Baranov S.N., Jur'ev G.A. Sintez i identifikacija skrytyh markovskih modelej dlja diagnostiki ustalostnogo razrushenija // Nejrokomp'jutery: razrabotka i primenenie. 2010. № 12.
10. Kuravskij L.S., Margolis A.A., Jur'ev G.A. Psihologicheskij trening na osnove nejrosetevoj tehnologii // Nejrokomp'jutery: razrabotka i primenenie. 2009. № 9.
11. Kuravskij L.S., Jur'ev G.A. Ispol'zovanie markovskih modelej pri obrabotke rezul'tatov testirovanija // Voprosy psihologii. 2011. № 2.
12. Ljuger Dzh. F. Iskusstvennyj intellekt: strategii I metody reshenija slozhnyh problem. M., 2003.
13. Ovcharov L.A. Prikladnye zadachi teorii massovogo obsluzhivanija. M., 1969.
14. Psihodiagnostika v Rossii cherez 5 let // Psihologija. Zhurn. Vysshej shkoly jekonomiki. T. 5. 2008. № 4.
15. Saati T.L. Jelementy teorii massovogo obsluzhivanija i ejo prilozhenija. M., 2010.
16. Kuravsky L.S. and Baranov S.N. Condition monitoring of the structures suffered acoustic fatigue failure and forecasting their service life. Proc. Condition Monitoring 2003, Oxford, United Kingdom, July 2003.
17. Kuravsky L.S. and Baranov S.N. Neural networks in fatigue damage recognition: diagnostics and statistical analysis // Proc. 11th International Congress on Sound and Vibration, St.-Petersburg, July 2004.
18. Kuravsky L.S. and Baranov S.N. The concept of multifactor Markov networks and its application to forecasting and diagnostics of technical systems // Proc. Condition Monitoring 2005, Cambridge, United Kingdom, July 2005.
19. Kuravsky L.S., Baranov S.N. and Yuryev G.A. Synthesis and identification of hidden Markov models based on a novel statistical technique in condition monitoring // Proc. 7th International Conference on Condition Monitoring & Machinery Failure Prevention Technologies, Stratford-upon-Avon, England, June 2010.
20. URL: http:// www.solver.com.