Моделирующий подход в психологии 

Сущность моделирования заключается в построении моделей изучаемых феноменов, оно позволяет добиться высокой степени понимания реальности, а иногда и делать точные количественные предсказания относительно будущего развития изучаемых феноменов: то есть здесь решаются задачи выявления связей между переменными, прогнозирования и управления.

Модель – это конструируемый объект (физический или идеальный), к-рый воспроизводит некоторые свойства др. объекта, являющегося предметом изучения.

Моделирование заключается в построении и дальнейшем изучении модели, к-рая замещает непосредственное изучение исходного объекта. Выводы, полученные при изучении модели, переносятся на исходный объект. Хорошая модель должна быть максимально упрощена и отражать основные св-ва исходного объекта.

Ценность моделирования в том, что можно сделать выводы о феноменах, которые непосредственно изучать сложно или невозможно (опасно).

Процесс создания модели состоит из 3х этапов: построение, подгонка, верификация.

1. Построение – описание модели с использованием некоего языка – естественного или формально-логического. Модели м.б. качественными или количественными. Для построения модели критически важной является формулировка допущений, т.е. решений об идеализации реальности.

2. На этапе подгонки используются различные методы определения оптимальных значений параметров, то есть значений, позволяющих максимально приблизить поведение модели к поведению моделируемого объекта.

3. Верификация – доказательство соответствия модели изучаемому процессу на основе оценки способности модели демонстрировать предсказанное поведение при создании опред. условий (сравниваем поведение модели и объекта).

Количественная оценка степени соответствия между эмпирическим и теоретическим набором данных осуществляется с помощью индексов соответствия. Выбор индекса зависит от множества условий: метрики, особенности распределения использованных переменных. В рез-те проверки принимается решение о принятии модели или о ее отвержении. Логика проверки моделей обнаруживает асимметрию вывода, как проверка гипотез в экспериментальном методе.

моделирование, как и экспериментальный метод, следуют гипотетико-дедуктивной логике. Моделирование – экспериментирование над моделями. В общем виде модель представляет собой систему утверждений о связях между переменными.

используется знаковое моделирование, к-рое заключается в построении формальной модели психических процессов с использованием символических систем. Это математическое моделирование. В узком смысле математическое моделирование – описание х-к объектов в виде уравнений:

1) динамическое моделирование – описывает динамику сложных систем с помощью аппарата дифференциальных уравнений;

2) байесовское моделирование – используется для построения количественных моделей когнитивных процессов, составным элементом которых является принятие решений (аппарат проверки гипотез на основе теоремы Байеса).

Два значимых для психологии вар-та знакового моделирования:

1. вычислительное моделирование

Построение формальной модели изучаемого феномена в виде исполняемой компьютерной программы; это позволяет оценить поведение сложных моделей, когда получить такую оценку аналитическим путем трудно. Например, в когнитивной психологии.

2. статистическое моделирование

Построение статистических моделей, дающих компактное описание набора эмпирических данных с незначительной потерей информации. В общем виде это – уравнение, описывающее связи между одной или неск. ЗП и одной или неск. НП. Конечная цель – количественное описание связей между пси переменными.

Варианты:

- Линейная регрессионная модель.

Исследователь должен указать ЗП (критерий) и одну или несколько НП (предикаторов). Модель предполагает, что значение критерия представляет собой линейную комбинацию значений предикаторов. Анализируя параметры этой модели, исследователь определяет, какие предикаторы важны, а какие – нет.

Пример: регрессия, связывающая успешность сдачи экзамена с рядом потенциальных предикаторов (кол-во часов занятий, внешний вид студента, его тревожность и проч).

Нужно определить значения регрессионных коэффициентов на этапе подгонки модели, для подгонки используется метод наименьших квадратов. На этапе верификации: в случае линейной регрессии индексом соответствия явл. коэффициент множественной детерминации R^2 , значение данного показателя равно проценту дисперсии критерия, кот. м.б. объяснен совокупным влиянием предикаторов. Высокие значения коэф. говорят о высоком качестве модели.

- Нелинейная регрессионная модель.

Допускает наличие нелинейных связей между критерием и набором предикторов.

- Многоуровневые (иерархические модели)

- Модели с латентными переменными

Латентные переменные - ненаблюдаемые факторы, кот. представляют общую для нескольких наблюдаемых переменных дисперсию.

- Структурное моделирование.

Здесь используется объединение моделей с латентными переменными и регрессионными.

Проблема контроля эффекта группировки данных. Иерархическая группировка. (ученик – класс- школа—район—город—регион—страна). Объединение во вложенные группы т.о., что на каждом уровне вложения каждая единица относится только к одной группе. Проблема – высокая степень неоднородности. При анализе рез-тов таких исследований стоит использовать иерархическое моделирование.

Здесь влияние факторов каждого уровня моделируется отдельным уравнением, т.е. регрессионные коэффициенты, описывающие эффекты факторов на нижележащем уровне, сами становятся предметом моделирования на вышележащем уровне. Плюсы: возможность одновр. оценки коэффициентов на разных уровнях; учет различий в точности определения эффектов индивидуал. факторов при оценке эффектов групповых => повышенная точность оценок эффектов гр. и межгр. взаимодействий. Высокая гибкость. Сложности: надо определить кол-во иерархич. уровней, кот. будут использоваться при сборе и обработке данных – обычно их 2 (микро-и макроуровень); необх. определить кол-во факторов, включаемых в модель на каждом уровне (лучше взять немножко); повышенные требования на этапе интерпретации рез-тов.