Letysite.ru

IT Новости с интернет пространства
0 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Принципы сбора данных

Методология сбора информации

Каждый руководитель знает, что стратегически важные решения должны основываться на всестороннем анализе имеющейся информации. Но в современном мире при огромном количестве информации бывает чрезвычайно сложно найти конкретный ответ на свой вопрос. Ведь поток информации, с которым нам всем приходится ежедневно иметь дело, неуклонно растет.

Проблемы, с которыми можно столкнуться при сборе информации, можно обойти путем адекватной подготовки процесса сбора информации и применения правильных методов по сбору и анализу. Предлагаем вам рассмотреть следующий методический подход для работы с информацией.

Проблемы сбора информации

Неопределенность – для принятия стратегических решений необходима информация о будущем. По большей части, однако, точные прогнозы часто основаны на неопределенных (бездоказательных) предположениях.

Сложность – будущие события часто зависят от множества различных факторов, которые влияют друг на друга. Даже если сами связи очевидны, небольшие отклонения в одном факторе могут привести к совершенно разным конечным результатам.

Субъективность (предвзятость) – проведением анализа занимаются люди, которые имеют субъективное восприятие мира и фильтруют информацию в соответствии со своим опытом, способностями или предпочтениями.

Методы сбора информации

Существует множество методов сбора информации. Для качества информации, получаемой с точки зрения предполагаемой цели, и для затрат на сбор информации крайне важно использовать правильные методы.

Качество информации

Прежде чем начать собирать информацию, необходимо рассмотреть (и желательно записать) с какой целью требуется собрать информацию. Анализы, которые «относятся к теме», но не дают большой выгоды для принятия решения, не имеют значения и не должны использоваться в смысле эффективного использования ресурсов.

Срок действия и актуальность

Информация, которая ближе всего по временной шкале к началу сбора, должна быть собрана в первую очередь. Устаревшие исследования не должны использоваться при проведении анализа.

Надежность и достоверность

Ошибки обследования, измерения и оценки должны быть сведены к минимуму. Необходимо включать параллельное использование различных измерительных инструментов (для обеспечения согласованности) или повторение исследования в разное время (для обеспечения стабильности). Во многих случаях простая проверка достоверности уже может показать слабые стороны полученной информации.

Объективность

Зависимость результатов от “человеческого фактора” должна быть сведена к минимуму. Это особенно верно для информации, которую можно трактовать под различным углом.

Этапы сбора и анализа информации

Подготовка

Вначале формулируется вопрос, на который необходимо получить ответ. Например, «анализ привлекательности китайского рынка» с точки зрения российского производителя нефтехимической продукции можно разбить на следующие вопросы:

  • Как будут развиваться рынок и конкурентная среда нефтехимической промышленности Китая в ближайшие десять лет? Точнее, как будут развиваться спрос, предложение и рыночные цены на отдельные товары?
  • Какие возможности выхода на рынок доступны для нашей компании с учетом имеющихся возможностей?
  • Какую долю рынка мы сможем завоевать на китайском рынке?
  • Какую прибыль нам следует ожидать?

Создание различных диаграмм может помочь в процессе структурирования и наглядной визуализации тенденций.

На основе оперативной проблемы должен быть подготовлен план анализа. Он включает в себя модели и методы анализа, которые будут использоваться, с учетом существующего информационного статуса, а также времени и ресурсов.

Подход, основанный на гипотезах, часто оказывается полезным. Для каждого из рассматриваемых вопросов разрабатывается гипотеза, которая состоит из утверждения, считающимся наиболее вероятным. Пример: «Гипотеза: поставки в Китай резко возрастут, поскольку будут наращиваться как локально высокие нефтехимические мощности, так и избыточные мощности на Ближнем Востоке, что приведет к увеличению импорта».

Сбор данных

Во время последующего выполнения сбора данных необходимо соблюдать осторожность, чтобы минимизировать влияние источников ошибок, описанных выше. Информация может быть получена как из первичных, так и из вторичных источников данных.

Поскольку фактическое обследование или оценка часто показывает качество полученной информации, может возникнуть необходимость в корректировке процедуры анализа. Например, использовать дополнительные вторичные источники или специальные методики для проверки полученных результатов.

Первичные и вторичные источники информации

Источники информации могут быть классифицированы как первичные или вторичные.

Если информация для стратегического анализа собирается независимо от проведенных ранее исследований, то это называется сбор первичных данных. Однако по многим вопросам имеет смысл прибегнуть к уже имеющейся информации, так называемым вторичным данным, которые ранее собирались для аналогичных или других целей. Их преимущество состоит в том, что они доступны и зачастую дешевле. Однако часто эта информация недостаточно актуальна или не подходит для рассматриваемой проблемы.

Внутренние источники

  • Данные бухгалтерского и оперативного учета;
  • Статистика продаж и заказов;
  • База данных;
  • Архивные данные.

Внешние источники

  • Официальная статистика;
  • Отраслевые и специализированные отчеты;
  • Информация из научных институтов и ассоциаций;
  • Информация из технической и общей литературы;
  • Международные базы данных.

Оценка и интерпретация данных

Теперь следует провести оценку и интерпретацию полученной информации. Первоначально она состоит из объединения, суммирования и обработки данных. Для этой цели доступны многочисленные статистические методы. Из большого количества собранных данных необходимо сделать итоговые выводы. Поскольку целью анализа является картина будущего развития, часто используется метод представления тренда. Это основано на предположении, что события из прошлого будут продолжаться в будущем.

Принципы сбора информации

Одна из важных составляющих анализа результативности бюджетных расходов — регулярный сбор информации о результатах деятельности предприятий. При этом главная задача состоит в том, чтобы определить, какую информацию и какими способами собирать.

Выбирая тот или иной метод сбора информации, следует учесть ряд параметров [9]:

  • 1) Затраты. Высокие затраты могут быть основным препятствием для выбора метода сбора информации, который наиболее подходит для измерения требуемого показателя. Чтобы снизить затраты, целесообразно использовать один метод для получения сразу нескольких показателей для разных услуг;
  • 2) Доступность данных. Выбирать следует такой метод сбора информации, который гарантирует, что необходимые сведения будут получены, поскольку иногда встает вопрос о получении разрешения на предоставление тех или иных данных;
  • 3) Точность и надежность данных. Методы сбора информации различаются по степени точности и надежности данных, которые в результате их применения могут быть получены, поэтому в каждом конкретном случае необходимо определить, насколько важны искомые сведения. Надежность данных будет выше, если возможность манипуляции при их получении будет сведена к минимуму (сбор данных должны проводить лица, не заинтересованные в результате), а также, если будут использоваться инструменты проверки данных;
  • 4) Понятность данных. Информация должна быть представлена в понятном для восприятия потенциальных пользователей виде. В частности, вопросы при проведении опроса мнения потребителей услуг должны быть понятны респондентам.

В том случае, если принимается решение об использовании нового метода сбора информации для мониторинга или реализации программы, важно провести пробный тест. Это поможет избежать проблем, которые могут быть связаны с расчетом новых показателей и т.д. Затраты на проведение пробного теста могут быть использованы для расчета затрат, необходимых для реализации всей процедуры сбора данных, а также для удаления особенно дорогостоящих показателей и замены их другими показателями.

Определить, как часто следует собирать информации, чрезвычайно важно, поскольку от этого зависит стоимость той или иной процедуры. Для расчета одних показателей и индикаторов требуется собирать информацию раз в год, для других — раз в месяц, в одном случае индикатор следует измерить до начала предоставления услуги, в другом — по истечении определенного времени после завершения программы. Поэтому решение о частоте сбора информации всякий раз принимается индивидуально.

Инвентаризация имеющейся информации во многом облегчает сбор данных и позволяет избежать дублирования при составлении новых форм отчетности.

В первую очередь следует пользоваться информацией, которая уже имеется либо которую можно легко получать на систематической основе, так как процесс сбора информации и ее анализа может быть очень дорогостоящим.

Читать еще:  Технические средства сбора информации

Сбор фактических значений показателей осуществляется путем организации процесса наблюдения данных, входящих в измеримые показатели. Основным объектом мониторинга являются числовые, а также нечисловые, но измеримые параметры.

При отборе показателей, характеризующих результат той или иной деятельности, следует учитывать ряд факторов:

использовать определенную процедуру сбора данных, которая необходима для получения показателя;

ориентироваться на определенный источник информации;

иметь в виду несколько составляющих эффекта;

исходить из того, что анализ целесообразно проводить в определенное время.

На отбор показателя действует оценка степени влияния на цели, задачи выражаемой данным показателем, на цель, задачу более высокого уровня. Эта оценка проводится посредством анализа причинно-следственных связей между компонентами комплекса «цели — задачи — показатели — выходы/ результаты» как по цепочке формализации («по горизонтали»), так и по уровням иерархии («по вертикали»).

Одновременно производится выявление недостаточности или избыточности данных, то есть излишних, малоинформативных, мало поддающихся управлению показателей, или, наоборот, выявление целей, задач, процессов, плохо или недостаточно отражаемых имеющимися показателями.

Большую роль в информационном обеспечении управления по результатам и бюджетирования, ориентированного на результаты играет нормативная база.

Следует отметить, что процесс бюджетирования должен быть стандартизирован с помощью бюджетных форм, инструкций и процедур, которые систематизируются в положении о бюджетировании и положениях о конкретных бюджетах. Составным элементом регламентов по бюджетированию является бюджетная политика или сопутствующий раздел в управленческой учетной политике.

НИИЦ БТ МГТУ им. Н.Э. Баумана

Система сбора и анализа данных предназначена для получения и автоматической обработки массивов информации с распределенных объектов интегрированных систем безопасности и комплексных информационных систем. Система может быть использована на крупных промышленных объектах, в коммерческих и государственных учреждениях для гибкого контроля информационного потока о состоянии удаленных объектов наблюдения (системы контроля доступа, системы видеонаблюдения, системы учета рабочего времени, корпоративные информационные системы).

Система включает серверы сбора и анализа данных, серверы баз данных, распределенные терминалы администратора и терминалы доступа.

Описание элементов системы

Удаленный сервер сбора и анализа данных

Специализированные серверы сбора и анализа данных предназначены для получения любых типов данных о состоянии удаленных объектов по запросу оператора, слежения за происшедшими событиями системы безопасности, архивирования накопленных данных и событий. Специализированные серверы сбора и анализа данных обслуживают практически неограниченное количество рабочих станций, контроллеров и удаленных серверов в локальной корпоративной сети, осуществляя взаимодействие с сервисами управления. Функционал серверов сбора и анализа может расширяться за счет подключения специализированных сервисов управления, а также адаптации модулей систем видеонаблюдения и аудирегистрации.

Сервер БД

Серверы баз данных, построенные на СУБД MS SQL Server 2005, предназначены для накопления структурированных массивов архивной информации и последующей оперативной обработки.

Терминалы администратора

Терминалы администратора предоставляют возможность динамического управления структурой объектов наблюдения, позволяют администраторам системы настраивать форматы собираемых данных, формировать структуру запросов, индивидуальные расписания и условия работы серверов сбора и анализа данных, управлять политикой безопасности и разграничивать права доступа пользователей.

Терминалы доступа

Терминалы доступа – автоматизированные рабочие места оператора системы сбора и анализа данных – позволяют оператору в режиме реального времени следить за состоянием объектов наблюдения, получать оперативные данные от отдельных объектов или группы объектов наблюдения, формировать текущие и сводные отчеты о состоянии системы и полученных данных.

Принцип работы системы

Принцип работы системы сбора и анализа данных основан на согласованном распределенном взаимодействии сервисов управления и серверов сбора и анализа данных. Источники данных (программные или аппаратные компоненты информационные системы) формируют записи о текущем состоянии объекта наблюдения и фиксируют записи наблюдения в системном журнале Windows или в собственной локальной базе. Массив распределенных сервисов управления, размещенный на контролерах безопасности и рабочих станциях системы, ведет непрерывный мониторинг в режиме реального времени всей поступающей от источников данных информации. Для упорядочивания огромных массивов разрозненных данных сервисы управления используют набор специализированных пользовательских и системных фильтров.

Структурированная информация в режиме реального времени или по заданному расписанию передается сервисом управления в связанный с ним сервер сбора и анализа данных и фиксируется в общей базе данных. При этом оператор терминала доступа получает немедленное уведомление обо всех критически важных событиях системы. Перечень критически важных событий может быть сконфигурирован для любого объекта наблюдения в составе системы.

Для формирования текущих или сводных отчетов о состоянии объектов наблюдения оператор терминала доступа создает интересующий запрос в соответствии со своими полномочиями и правами доступа. Система автоматически выполняет оптимизацию и распределяет запрос по требуемым сервисам управления и базам данных системы. Полученная от сервисов управления и баз данных информация объединяется сервером сбора и анализа данных и выводится на экран терминала в формате настраиваемых таблиц, опциональных графиков или структурированном XML.

Принципы сбора данных об отказах элементов систем управления транспортными средствами Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

Аннотация научной статьи по электротехнике, электронной технике, информационным технологиям, автор научной работы — Богданов Андрей Геннадьевич, Скороходов Дмитрий Алексеевич

В статье рассмотрены принципы сбора статистических данных об отказах и ремонте элементов систем управления транспортных средств, обеспечивающие возможность получения характеристик их надежности во время эксплуатации . Представлена математическая модель функционирования систем управления в процессе их эксплуатации . Сбор статистических данных об отказах усложняется тем обстоятельством, что сложные системы работают в режиме смены отказавших элементов. При таком режиме работы предложено не только фиксировать время между отказами , но и учитывать факты замен данного отказавшего элемента. Заполняя карточку отказов , недостаточно указать их вид, причину и дату, необходимо в каждом случае отказа анализировать весь журнал эксплуатации данного устройства. При анализе надежности необходимо, чтобы математическая модель функционирования оборудования в процессе его эксплуатации соответствовала реальной эксплуатации объекта . Математические модели , в соответствии с теорией надежности , строятся в предположении, что достоверно известно время между отказами каждого элемента сложной системы при условии непрерывной их работы. Тогда можно определить любой показатель надежности .

Похожие темы научных работ по электротехнике, электронной технике, информационным технологиям , автор научной работы — Богданов Андрей Геннадьевич, Скороходов Дмитрий Алексеевич

Principles of data gathering about refusals of the equipment of vehicles at their operation

The article describes the principles of collecting statistical data about failures and repairs of control systems of vehicles, providing the ability to characterize their reliability during operation . The mathematical model of functioning of control systems in the process of their operation . Collecting statistical data about failures is complicated by the fact that complex systems work in the change mode of failed elements. In this mode of operation is proposed to record not only the time between failures, but also to consider the possibility of replacement in the past, this failed element. At the same time to fi ll card bounce is not enough to indicate the type of failures, their reason and date. It is necessary in every case of failure to analyze the entire log of the operation of this device. In the reliability analysis requires that a mathematical model of the functioning of the equipment during its operation consistent with the actual operation of the facility . Mathematical model in accordance with the theory of reliability are based on the assumption that the known times between failures of each element of a complex system subject to continuous their work. Then you can determine any measure of reliability .

Читать еще:  Сбор информации о пк

Текст научной работы на тему «Принципы сбора данных об отказах элементов систем управления транспортными средствами»

ЗАО «Центральный научно-исследовательский институт судового машиностроения»

Д. А. Скороходов, д-р техн. наук

Институт проблем транспорта им. Н. С. Соломенко Российской академии наук

ПРИНЦИПЫ СБОРА ДАННЫХ ОБ ОТКАЗАХ ЭЛЕМЕНТОВ СИСТЕМ УПРАВЛЕНИЯ ТРАНСПОРТНЫМИ СРЕДСТВАМИ

В статье рассмотрены принципы сбора статистических данных об отказах и ремонте элементов систем управления транспортных средств, обеспечивающие возможность получения характеристик их надежности во время эксплуатации. Представлена математическая модель функционирования систем управления в процессе их эксплуатации. Сбор статистических данных об отказах усложняется тем обстоятельством, что сложные системы работают в режиме смены отказавших элементов. При таком режиме работы предложено не только фиксировать время между отказами, но и учитывать факты замен данного отказавшего элемента. Заполняя карточку отказов, недостаточно указать их вид, причину и дату, необходимо в каждом случае отказа анализировать весь журнал эксплуатации данного устройства. При анализе надежности необходимо, чтобы математическая модель функционирования оборудования в процессе его эксплуатации соответствовала реальной эксплуатации объекта. Математические модели, в соответствии с теорией надежности, строятся в предположении, что достоверно известно время между отказами каждого элемента сложной системы при условии непрерывной их работы. Тогда можно определить любой показатель надежности.

данные; модель; надежность; объект; оборудование; отказ; принципы; сбор; характеристики; эксплуатация

Работы по анализу надежности [1-7] касались расчета показателей отдельных систем, характеризуемых особенностями эксплуатации, но, к сожалению, в них не принимался во внимание сбор практических данных эксплуатации, позволяющих получить реальные характеристики надежности тех или иных систем. Сбор статистических данных об отказах и ремонтах элементов систем управления, если таковой и происходил, чаще всего не был автоматизирован. Эту работу выполнял обслуживающий персонал. Получить в этом случае объективную статистику о надежности систем управления в процессе ее эксплуатации чрезвычайно трудно. Это объясняется следующими причинами:

1. Отказы иногда возникают по вине обслуживающего персонала. «Человеческий фактор» сказывается и на том, что статистика ведется небрежно, а факты отказов часто скрываются.

2. Во многих случаях сбор статистики ведется неквалифицированно.

3. Полученные данные не дают возможности объективно судить о надежности техники, так как не отражают физической сущности явлений, а поэтому не поддаются математической обработке.

Рассмотрим эти вопросы более подробно.

При сборе статистических данных об отказах необходимо иметь в виду, что случайной величиной при оценке надежности является время между отказами, а при оценке ремонтопригодности — длительность времени ремонта. Получить эти данные легко лишь в том случае, если техника работает непрерывно, без выключения. Тогда достаточно фиксировать лишь дату отказа. На практике же техника, как правило, работает с перерывами, вызванными отсутствием необходимости ее использования, профилактическими мероприятиями, ремонтами, плохой организацией эксплуатации и другими причинами. При сборе статистических данных об отказах в этих условиях необходимо фиксировать не только дату отказа, но также суммарное время работы между отказами, исключив время нерабочего состояния техники.

Сбор статистических данных о надежности в настоящее время ведется в большинстве случаев не с целью определения численных характеристик надежности техники. Преследуются иные, более узкие, цели: предъявление рекламаций изготовителям, определение слабых мест техники с целью ее доработок, оправдание своих действий юридически в случае необходимости, обоснование наличия необходимого объема запасных частей, продление технического ресурса и т. п. Для этих целей нет надобности в строгой научно обоснованной методике сбора статистических данных об отказах элементов, узлов, устройств и систем. Достаточно указать дату, место и причину неисправности или отказа. В отрасли отсутствует единая система сбора статистических данных о надежности техники. Поэтому журналы, в которых регистрируются сведения об эксплуатации техники, не однообразны, показатели различны, они часто не согласуются друг с другом. Все это позволяет оценить технические средства исследуемого объекта в основном по показателям надежности.

1 Анализ надежности

При анализе надежности необходимо, чтобы математическая модель функционирования систем управления в процессе эксплуатации соответствовала их реальной эксплуатации. Математические модели в соответствии с теорией надежности строятся в предположении, что достоверно известно время между отказами каждого элемента системы управления при условии

непрерывной их работы. Тогда можно определить любой показатель надежности. Рассмотрим это на примере существующей методики определения интенсивностей отказов элементов по данным эксплуатации.

Интенсивность отказов элементов определяется по формуле [8]:

где n (At) — число отказавших элементов за время At; Ncp — среднее число элементов, исправно работающих на участке At.

Интенсивность отказов характеризует надежность невосстанавливаемых устройств только до первого отказа. Поэтому для определения X (At) необходимо проводить опыт без учета отказавших элементов. Отказавшие элементы не должны заменяться исправными.

При отказе сложной системы из-за отказа ее элемента система не снимается с экплуатации. Данный элемент заменяется исправным и в опыте остается постоянное число элементов. В этом случае среднее число исправно работающих элементов Ncp на участке At остается постоянным и равным первоначальному их количеству. Тогда обработка статистических данных по формуле (1) дает не интенсивность отказов элементов, а параметр потока отказов (среднюю частоту отказов) w(t), являющийся характеристикой надежности восстанавливаемых систем. Ошибки не будет лишь в единственном частном случае, когда распределение времени между отказами подчиняется закону Пуассона и w(t ) = X (t ) = const. На практике закон Пуассона в большинстве случаев не отражает физику отказов, так как имеют место приработка и старение элементов. В заблуждение несведущего исследователя также вводит следующее свойство параметра потока отказов [9]:

Процедура сбора данных;

Классификация данных

Общее понятие о данных

СБОР ДАННЫХ

Процесс непосредственного исследования предполагает контакт исследователя с объектом, в результате чего получают совокупность характеристик этого объекта. Полученные характеристики являются главным материалом для проверки рабочей гипотезы и решения проблемы. В зависимости от предмета и цели исследования эти характеристики могут представать в виде различных параметров объекта (пространственных, временных, энергетических, информационных, интеграционных), в виде соотношений между частями объекта или его самого с другими объектами, в виде различных зависимостей его состояний от всевозможных факторов и т. д. Всю совокупность подобных сведений называют данными об объекте, а точнее, первичными данными, чтобы подчеркнуть непосредственный характер этих сведений и необходимость их дальнейшего анализа, обработки, осмысления. На первый взгляд забавное, но по существу верное мнение высказывает Ж. Годфруа, считающий, что данные – это элементы подлежащие анализу, это любая информация, которая может быть классифицирована с целью обработки [89]. В теоретическом исследовании под сбором данных подразумевается поиск и отбор уже известных фактов, их систематизация, описание под новым углом зрения. В эмпирическом исследовании подданными понимается отражение предметов, явлений, признаков или связей объективной действительности. Таким образом, это не сами объекты, а их чувственно-языковые отображения. Реальные объекты – это фрагменты мира, а данные о них – это фундамент науки. Эти данные есть «сырье» научного исследования при индуктивных гипотезах и цель при дедуктивных гипотезах.

Данные можно классифицировать по различным основаниям (критериям), среди которых в науке наиболее популярны следующие:

I. По научному обоснованию

II. По вкладу в проверку гипотезы и решение проблемы

III.По области и характеру источников информации

4. Физиологические и т. д.

IV. По методам исследования

3.Экспериментальные данные и т. д.

V. По методам в сочетании с источниками (классификацияР. Б. Кеттелла)

Читать еще:  Лучшие сборки драйверов

VI. По информативности

а) качественные (классификаторные, номинативные).

б) порядковые (компаративные).

Научные данные– это сведения, полученные в результате научных изысканий и характеризующиеся высокой степенью достоверности (доказанности и надежности), возможностью проверки, теоретической обоснованностью, включенностью в широкую систему научных знаний. Характерной особенностью научных данных, как и вообще научных знаний, является их относительная истинность, т. е. потенциальная возможность их опровержения в результате научной критики.

Ненаучные данные– сведения, полученные ненаучными путями. Например, из житейского опыта, из религиозных источников, из традиций, от авторитетов и т. д. Эти данные недоказываются, зачастую считаются самоочевидными. Не имеют теоретических обоснований. Многие из них претендуют на абсолютную истинность, их принятие субъектом познания базируется на некритическом усвоении, доверии (своему опыту, догматам, авторитетам).

Решающие данные– это сведения, позволяющие однозначно принять или отвергнуть выдвинутую гипотезу.

Значительные данные– это данные, вносящие весомый вклад в решение проблемы, но недостаточные для ее решения без привлечения других сведений.

Незначительные– данные малой информативности по решаемому вопросу.

Социологические, психологическиеи т. д. – данные, полученные в соответствующих сферах бытия, в первую очередь – общественного бытия. В узком смысле – это данные соответствующих наук:

Данные наблюдения, опросаи т. д. – сведения, полученные спомощью того или иного эмпирического метода.

Пятая группировка предложена американским психологом Р. Б. Кеттеллом в середине XX столетия и обычно относится к данным по проблемам личности и социально-психологическим вопросам [430, 431].

L-данные(life data) – сведения, получаемые путем регистрации фактов реальной жизни. Обычно это данные наблюдения за повседневной жизнью человека или группы. С них рекомендуется начинать предварительное исследование проблемы [150].

Q-данные(questionnaire data) – сведения, получаемые с помощью опросников, тестов интересов, самоотчетов и других методов самооценок, а также путем свободного обследования психиатров, учителей и т. п. Благодаря простоте инструментария и легкости получения информации Q-данные занимают ведущее место в исследованиях личности. Число методик огромно. Наиболее известные: опросники Айзенка (EPI, EPQ), Миннесотский многопрофильный личностный перечень (MMPI), Калифорнийский психологический тест (CPI), 16-факторный личностный опросник Кеттелла (16PF), тест Гилфорда – Циммермана для исследования темперамента (GZIS).

Т-данные(test data) – сведения, получаемые с помощью объективных тестов, а также физиологических измерений. Эти данные «объективны», поскольку их получают в результате объективного измерения реакций и поведения человека без обращения к самооценке или оценке экспертов. Количество методик для получения Т-данных также очень велико. Это тесты способностей, тесты интеллекта, тесты достижений. Кеттелл сюда же относит антропометрические и физиологические измерения, ситуативные и проективные тесты (всего более 400 методик, разбитых на 12 групп). Наиболее, известны: тест «пятна Роршаха», тест Ро-зенцвейга, тест тематической апперцепции (ТАТ), тесты интеллекта Стенфорд-Бине, Векслера, Амтхауэра.

Деление данных по информативности базируется на качественно-количественной нагрузке их содержания, позволяющей эти сведения соотносить друг с другом или с уже имеющимися сведениями в данной области на том или ином уровне точности. Эта группировка данных согласуется с классификацией измерительных шкал по С. Стивенсу [360].

Неметрические данные – это те, которые не имеют метрики, т. е. единиц измерения.

Метрические – количественные данные, имеющие единицы измерения.

Качественные данные (классификаторные, номинативные) – сведения, на основании которых изучаемый объект (или его состояние) можно отнести к какому-либо множеству (классу) сходных объектов. В этих данных отражаются сугубо качественные характеристики объекта, не позволяющие выяснить степень выраженности признака объекта, а следовательно, и его соотношение с подобными объектами, входящими в тот же класс. Эти данные указывают только на наличие или отсутствие какого-либо признака, по которому объект можно отнести к тому или иному классу. Каждый класс сходных объектов имеет определенное наименование, поэтому система классов носит название шкалы наименований (номинальной шкалы), а сами данные называются номинативными. Психологическая основа получения таких данных и построения таких шкал – процессы опознания (идентификации), т. е. установление отношений равенства или неравенства. Примеры: 1) синий – красный – желтый и т. д.; 2) мужчина – женщина; 3) холерик – сангвиник – флегматик – меланхолик.

Порядковые, или компаративные (лат. comparativus – сравнительный) – это данные, на основании которых объекты можно сравнивать по степени выраженности их признаков в системе оценок «больше – меньше». Это дает возможность упорядочивать объекты по определенному изучаемому признаку в возрастающем (убывающем) порядке, т. е. ранжировать. Соответствующие шкалы называются порядковыми или ранговыми. Но далее субординации здесь не продвинуться. Указать, насколько различаются между собой объекты, невозможно. Психологическая основа выявления этих данных и построения порядковых шкал – процессы различения и предпочтения, т. е. установление отношений «равно – неравно» и «больше – меньше». Примеры: любые шкалы оценок, шкала твердости минералов Мооса, итоговая турнирная таблица без указания результатов, ранжирование популярных артистов, приятность звуков, запахов, цветов и т. п.

Интервальные данные – это те, которые позволяют метрически оценить выраженность признака и ответить на вопрос, «на сколько» у одного объекта этот признак выражен больше или меньше, чем у другого. Эта разница на континууме значений измеряемого признака (на шкале) представляется как некоторая сумма субъективно равных интервалов, поэтому и данные называются интервальными. А шкалы – шкалами интервалов, расстояний или разностей, где интервалы являются единицами измерения. Психологическая основа – способность к уравниванию субъективных (в первую очередь, сенсорных и эмоциональных) расстояний. Примеры: шкалы температур по Цельсию, Реомюру и Фаренгейту; календарные даты; шкалы, основанные на прямом измерении сенсорных расстояний.

Пропорциональные данные – это те, которые дополнительно к интервальной информации дают ответ на вопрос, «во сколько раз» признаку одного объекта выражен сильнее или слабее, чем у другого. Для этого на шкале данных должна иметься опорная точка, соответствующая естественному нулевому значению измеряемого признака. Такие шкалы называются пропорциональными, или шкалами отношений. Точка отсчета, называемая абсолютным нулем, указывает на отсутствие данного качества. Абсолютный нуль нельзя путать с относительным, или условным. Последний вводится искусственно, по договоренности. Например, на шкале температур по Цельсию, Фаренгейту и Реомюру за нулевую точку условно принята температура плавления льда. И в этих координатах бессмысленно говорить, во сколько раз что-то теплее или холоднее чего-то другого. Только шкала Кельвина имеет абсолютный нуль (-273,16° по Цельсию). К сожалению, для психологических характеристик обычно очень трудно указать нулевое значение, а значит, и получить пропорциональные данные. Тем не менее ряд специальных приемов, объединенных под наименованием процедур прямого (субъективного) шкалирования, открывает возможность получения пропорциональных данных и построения шкал отношений. Психологическая основа этих процедур – способность человека к определению субъективных отношений. Обычно это отношения, фиксирующие двойное или тройное превосходство (2:1, 3:1). Примеры: физические данные и соответствующие шкалы длин, весов, плотностей и т, д.; прямые психофизические шкалы громкости (сонов), яркости (брилов), тяжести (вегов) и т. п.

Сбор данных в целом должен соответствовать намеченному на предыдущем этапе алгоритму действий, чтобы избежать как пробелов в искомых знаниях, так и лишних трудозатрат. Очень важно при этом точно и четко фиксировать все действия и получаемые сведения. Для этого обычно ведется протокол исследования, используются специальные средства фиксации (видео, аудио и т. п.). Осуществляемый на этом этапе контакт исследователя с изучаемым объектом не должен наносить последнему вреда, процедура сбора данных должна быть предельно гуманизирована. Процесс сбора данных конкретизируется в зависимости от выбранного метода и задач исследования.

Ссылка на основную публикацию
Adblock
detector