Психологическое моделирование в психологии: Моделирование психологическое . Что такое «Моделирование психологическое «? Понятие и определение термина «Моделирование психологическое » – Глоссарий

Содержание

Дистантник: Моделирование

Модели́рование — метод исследования объектов на их моделях — аналогах определённого фрагмента природной или социальной реальности; построение и изучение моделей реально существующих предметов, процессов или явлений с целью получения объяснений этих явлений (органических и неорганических систем, инженерных устройств, разнообразных процессов — физических, химических, биологических, социальных) и конструируемых объектов. Моделирование необходимо также для предсказания явлений, интересующих исследователя.

Форма моделирования зависит от используемых моделей и сферы их применения. По характеру моделей выделяют предметное и знаковое (информационное) моделирование. При знаковом моделировании моделями служат схемы, чертежи и т.п. Важнейшим видом такого моделирования является математическое (логико-математическое) моделирование. Возможность моделирования, т.е. переноса результатов, полученных в ходе построения и исследования моделей, на оригинал, основана на том, что модель в определённом смысле отображает (воспроизводит) какие-либо его стороны и предполагает наличие соответствующих теорий или гипотез. Моделирование всегда применяется вместе с другими общенаучными и специальными методами; особенно тесно оно связано с экспериментом. Моделирование в обучении имеет два аспекта: моделирование как содержание, которое учащиеся должны усвоить, и моделирование как учебное действие, средство обучения. С помощью моделирования удаётся свести изучение сложного к простому, невидимого и неощутимого к видимому и ощутимому, незнакомого к знакомому. Система научных моделей, аппарат для их исследования, методика использования в практике результатов исследования входят в основы наук, которые составляют содержание учебного предмета. Моделирование объектов, которые по своей сложности или величине не поддаются исследованию и изготовлению в натуре,- составная часть технического творчества детей. В зависимости от того, какие свойства моделируемого объекта выбраны главными, один и тот же объект может быть представлен моделями различной конструкции. Так, при исследовании физических процессов стремятся к тому, чтобы по результатам опытов на модели можно было судить о явлениях, происходящих в естественных условиях. Наряду с физическим часто используется математическое моделирование. Для изучения сложных самоорганизующихся систем используют кибернетическое моделирование: создаётся функциональная модель, основанная на более простых явлениях, чем изучаемая система. Широко применяется моделирование на компьютерах.

Подробнее

Под моделированием понимается процессы как построения, так и изучения и применения моделей. Оно тесно связано с такими гносеологическими категориями, как абстракция, аналогия, гипотеза и другими: процесс моделирования обязательно включает и построение абстракций, и умозаключения по аналогии, и конструирование научных гипотез. Поэтому естественно задать вопрос: является ли моделирование особым методом научного познания, не является ли оно синонимом процесса теоретического исследования или процесса познавательной деятельности вообще?

Главная особенности моделирования в том, что это метод опосредованного познания с помощью объектов-заместителей — моделей.

Виды моделирования

В силу многозначности понятия «модель» в науке и технике не существует единой классификации видов моделирования: классификацию можно проводить по характеру моделей, по характеру моделируемых объектов, по сферам приложения моделирования (в технике, физических науках, кибернетике и т. д.). Например, можно выделить следующие виды моделирования:

  • Компьютерное моделирование
  • Математическое моделирование
  • Математико-картографическое моделирование
  • Цифровое моделирование
  • Логическое моделирование
  • Психологическое моделирование
  • Статистическое моделирование
  • Структурное моделирование
  • Физическое моделирование
  • Экономико-математическое моделирование
  • Имитационное моделирование
  • Эволюционное моделирование
  • и т. д.

Модели могут быть техническими, логическими, математическими, кибернетическими. Математическая модель представляет собой выражение или формулу, включающую переменные и отношения между ними, воспроизводящие элементы и отношения в изучаемом явлении. Техническое моделирование предполагает создание прибора или устройства, по своему действию напоминающего то, что подлежит изучению. Кибернетическое моделирование основано на использовании в качестве элементов модели понятий из области информатики и кибернетики.

Логическое моделирование основано на идеях и символике, применяемой в математической логике.

Процесс моделирования

Процесс моделирования включает три элемента:

  • субъект (исследователь),
  • объект исследования,
  • модель, определяющую (отражающую) отношения познающего субъекта и познаваемого объекта.

Первый этап построения модели предполагает наличие некоторых знаний об объекте-оригинале. Познавательные возможности модели обусловливаются тем, что модель отображает (воспроизводит, имитирует) какие-либо существенные черты объекта-оригинала. Вопрос о необходимой и достаточной мере сходства оригинала и модели требует конкретного анализа. Очевидно, модель утрачивает свой смысл как в случае тождества с оригиналом (тогда она перестает быть моделью), так и в случае чрезмерного во всех существенных отношениях отличия от оригинала. Таким образом, изучение одних сторон моделируемого объекта осуществляется ценой отказа от исследования других сторон.

Поэтому любая модель замещает оригинал лишь в строго ограниченном смысле. Из этого следует, что для одного объекта может быть построено несколько «специализированных» моделей, концентрирующих внимание на определенных сторонах исследуемого объекта или же характеризующих объект с разной степенью детализации.

На втором этапе модель выступает как самостоятельный объект исследования. Одной из форм такого исследования является проведение «модельных» экспериментов, при которых сознательно изменяются условия функционирования модели и систематизируются данные о ее «поведении». Конечным результатом этого этапа является множество (совокупность) знаний о модели.

На третьем этапе осуществляется перенос знаний с модели на оригинал — формирование множества знаний. Одновременно происходит переход с «языка» модели на «язык» оригинала. Процесс переноса знаний проводится по определенным правилам. Знания о модели должны быть скорректированы с учетом тех свойств объекта-оригинала, которые не нашли отражения или были изменены при построении модели.

Четвертый этап — практическая проверка получаемых с помощью моделей знаний и их использование для построения обобщающей теории объекта, его преобразования или управления им.

Моделирование — циклический процесс. Это означает, что за первым четырехэтапным циклом может последовать второй, третий и т.д. При этом знания об исследуемом объекте расширяются и уточняются, а исходная модель постепенно совершенствуется. Недостатки, обнаруженные после первого цикла моделирования, обусловленные малым знанием объекта или ошибками в построении модели, можно исправить в последующих циклах.

Сейчас трудно указать область человеческой деятельности, где не применялось бы моделирование. Разработаны, например, модели производства автомобилей, выращивания пшеницы, функционирования отдельных органов человека, жизнедеятельности Азовского моря, последствий атомной войны. В перспективе для каждой системы могут быть созданы свои модели, перед реализацией каждого технического или организационного проекта должно проводиться моделирование.

Литература и ссылки

  • Учебные пособия института математического моделирования РАН
  • Художественное моделирование геометрических форм, статья
  • Нефёдов С. А., Турчин П. В. Опыт моделирования демографически-структурных циклов // История и Математика: Макроисторическая динамика общества и государства История и Математика: Макроисторическая динамика общества и государства / Ред. Коротаев А.В., Малков С.Ю., Гринин Л.Е. М.: КомКнига/УРСС. С.153-167. ISBN 978-5-484-01009-7.
  • Деловая игра
  • Сообщество свободного математического моделирования

Психологическое моделирование кратко Моделирование и Моделирование систем

Сразу хочу сказать, что здесь никакой воды про психологическое моделирование, и только нужная информация. Для того чтобы лучше понимать что такое психологическое моделирование , настоятельно рекомендую прочитать все из категории Моделирование и Моделирование систем.

психологическое моделирование

(англ. psychological modelling) – метод, воспроизводящий определенную психическую деятельность с целью ее исследования или совершенствования путем имитации жизненных ситуаций в лабораторной обстановке. Для создания модели жизненной ситуации часто используются моделирующие устройства. В частности, моделирующие устройства дидактического назначения представлены тренажерами различных типов и аудиовизуальными пособиями (макеты, схемы, карты, теле– и киноустановки). Для научных исследований применяются, кроме того, моделирующие устройства (стимуляторы) для исследования способностей индивидуума, эффективности функционирования систем «человек – машина » и т. п. Назначение этих устройств состоит в имитации определенной трудовой, спортивной и т. п. ситуации, в которую включается испытуемый, и регистрации особенностей поведения испытуемого в данной ситуации.

Моделирование психологическое (греч. psyche – душа, logos – учение, лат. modulus – образец) – особый метод изучения в лабораторных условиях, который используют в различных психологических исследованиях.

Психологическое моделирование заключается в создании специальной психогенной ситуации, которая позволяет изучать поведение человека, обусловленное его психической природой. Приемы моделирования психологического варьируются в зависимости от целей исследования (обучения или обследования), однако можно выделить ряд общих свойств.

Моделирование в психологии — применение метода моделирования в психологических исследованиях. Развивается в двух направлениях;

знаковая или техническая имитация механизмов, процессов и результатов психической деятельности — моделирование психики;
организация того или иного вида человеческой деятельности путем искусственного конструирования среды этой деятельности — моделирование ситуаций, связывающих изучаемые психические процессы; последнее принято называть психологическим моделированием.

Моделирование психики — метод исследования психических состоянии, свойств и процессов, который заключается в построении моделей психических явлений и в изучении функционирования этих моделей с использованием полученных результатов в качестве данных о закономерностях функционирования психики. По полноте отражения объекта в модели можно выделить следующие классы и подклассы моделей психики: знаковые (образные, вербальные, математические), программные (жестко алгоритмические, эвристические, блок-схемные), вещественные (бионические). Такая последовательность моделей отражает постепенный переход от описаной имитации результатов и функций психической деятельности к вещественной имитации ее структуры и механизмов.

Моделирование психики тесно связано с поблемой искусственного интеллекта и построением сложных управляющих информационных и вычислительных машин и систем . Об этом говорит сайт https://intellect.icu . Работы по моделированию психики ведутся не только в психологии, но и в смежных с психологией областях — бионике, кибернетике, автоматике, вычислительной технике, информатике. Первые успехи в моделировании психики достигнуты в середине XX в. на базе цифровой и аналоговой вычислительной техники.

Современный уровень знаний о психической деятельности позволяет широко развернуть исследования лишь на первых ступенях приближения модели к объекту, поэтому наиболее разработаны в настоящее время знаковые (в частности, математические) и программные (в частности, эвристические) модели.

С их помощью удалось имитировать некоторые аспекты таких процессов и свойств психики, как восприятие, запоминание, обучаемость, логическое мышление и т.д. Делаются первые попытки построить вещественные — гипотетические и бионические — модели психической деятельности (напр., перцептрон Ф. Розенблата и др.).

В самом общем плане моделирование в психологии представлено двумя принципиальными направлениями Первое – моделирование психики: это путь искусственного конструирования психики и ее различных проявлений. Второе –психологическое моделирование: это путь искусственного создания специальных условий для проявления психики естественных объектов (людей, животных, социальных групп). Оба пути дают возможность изучения структуры, функций и механизмов работы психики, ее проявлений в различных формах и в различных условиях. Схематично система основных направлений моделирования в психологии представлена ниже на рисунке 12.

Моделирование физиологических и, в первую очередь,нейрофизиологических механизмов – область интересов многих наук. Голос психологов здесь, к сожалению, отнюдь не доминирующий. Достаточно указать, что «ни психология вообще, ни психология мышления в частности, ни философия обычно не называются в числе тех теоретических дисциплин, на которых основываются исследования в области «искусственного интеллекта» за рубежом» [145, с. 7]. Но именно здесь наиболее успешно используется компьютерное моделирование. Материальность этих механизмов накладывает значительные ограничения на субъективизм в выборе моделей и способов их построения. Вещественная представлен-ность и зримые результаты работы этих моделей выступают мощными индикаторами их соответствия прототипу – нервному субстрату психики. Можно сказать, что при моделировании физиологических основ психической деятельности у исследователя есть более четкие ориентиры для конструирования модели и более строгие критерии их оценки, чем при моделировании собственно психических явлений. «Если вопрос о моделировании субъективных явлений в известном смысле проблематичен, то моделирование материальных основ или механизмов этих явлений, наоборот, представляется не только вполне возможным, но и весьма важным делом как для физиологов, так и для психологов»

Моделирование психологических механизмов – стихия психологов. Идеальность (нематериальность) психологических механизмов исключает их физическое воплощение и предоставляет неограниченные возможности своей презентации и интерпретации. Поэтому мы имеем массу вариантов механизма сенсорного отклика (теория обнаружения сигнала, высокопороговая теория, нейроквантовая теория и др.) и еще большее число показателей сенсорной чувствительности (от понятного, но не доказанного сенсорного порога до трудновоспринимаемой РХП – рабочейхарактеристики приемника). Поэтому мы имеем множество теорий эмоций (от организменной теории Джеймса–Ланге до информационной теории П. В. Симонова). Поэтому мы имеем бесконечное число моделей и теорий личности. В психологии вообще считается хорошим тоном множественность мнений по одному вопросу. В разряд ее девиза можно отнести тезис: «сколько ученых, столько и мнений». Однако, безусловно соглашаясь с относительностью научных знаний и их потенциальной заряжен-ностью своим опровержением, все же необходимо признать, что на определенных и достаточно длительных этапах развития научной мысли она нуждается в устойчивых, «благонадежных» данных, играющих роль каркаса актуальных знаний человечества, согласующихся с доминирующей на данный исторический момент научной картиной мира (парадигмой). Чрезмерная множественность мнений в психологической науке отражает, видимо, не столько сложность и вариативность мира в целом и изучаемого предмета в частности, сколько отставание научного синтеза от анализа, теоретического обобщения от эмпирического исследования, систематизации знаний от накопления конкретных фактов.

+Идеальность психологических механизмов кроме свободы мысли и творчества исследователей обусловливает и практическую сложность (если вообще возможность) их эмпирической проверки. Сомнения в принципиальной возможности создания адекватных моделей собственно психологических явлений Е. И. Бойко высказывал еще более 30 лет назад: «Моделирование субъективного образа как такового … строго говоря, очень проблематично, если не невозможно вообще» [40, с. 50]. Тогда возникает вопрос о необходимости таких моделей. Ответ однозначен: несмотря на их дискуссионность, а зачастую и обескураживающие натянутость и надуманность, эти модели в науке необходимы и полезны. Именно они составляют основной багаж психологии, без которого мы бы не имели вообще никакого научного представления о собственном внутреннем мире и не могли бы получать или оказывать квалифицированную психологическую помощь. Ведь исходным моментом успешности применения любой психотерапевтической методики является убежденность использующего ее специалиста в истинности ее концептуальных основ, т. е. заложенной в ней модели человека и модели воздействия на него.

  • психика , структура психики ,
  • модели , модель ,
  • моделирование , моделирование систем ,
  • методы моделирования временных данных , temporal data modeling ,
  • имитационное моделирование ,
  • моделирование , моделирование систем ,
  • Теория подобия
  • Эвристический
  • Научная визуализация
  • Статистическая модель
  • Системны анализ
  • Функциональный анализ
  • Абстрогирование
  • Абстракция

А как ты думаешь, при улучшении психологическое моделирование, будет лучше нам? Надеюсь, что теперь ты понял что такое психологическое моделирование и для чего все это нужно, а если не понял, или есть замечания, то нестесняся пиши или спрашивай в комментариях, с удовольствием отвечу. Для того чтобы глубже понять настоятельно рекомендую изучить всю информацию из категории Моделирование и Моделирование систем

Моделирование в психологии

Моделирование в психологии (англ. modelling in psychology) — применение метода моделирования в психологических исследованиях. Развивается в 2 направлениях: 1) знаковая, или техническая, имитация механизмов, процессов и результатов психической деятельности — моделирование психики; 2) организация, воспроизведение того или иного вида человеческой деятельности путем искусственного конструирования среды этой деятельности (напр., в лабораторных условиях), что принято называть психологическим моделированием.

Моделирование психики — метод исследования психических состояний, свойств и процессов, который заключается в построении моделей психических явлений, в изучении функционирования этих моделей и использовании полученных результатов для предсказания и объяснения эмпирических фактов. По полноте отражения объекта в модели можно выделить следующие классы и подклассы моделей психики: знаковые (образные, вербальные, математические), программные (жестко алгоритмические, эвристические, блок-схемные), вещественные (бионические). Такая последовательность моделей отражает постепенный переход от описательной имитации результатов и функций психической деятельности к вещественной имитации ее структуры и механизмов.

Моделирование психики тесно связано с проблемой искусственного интеллекта и построением сложных управляющих информационных и вычислительных машин и систем. Работы по моделированию психики ведутся не только в психологии, но и в смежных областях — бионике, кибернетике, вычислительной технике, информатике, синергетике. Первые успехи в моделировании психики достигнуты в середине XX в. на базе цифровой и аналоговой вычислительной техники.

Современный уровень знаний о психической деятельности позволяет широко развернуть исследования лишь на первых ступенях приближения модели к объекту, поэтому наиболее разработаны в настоящее время знаковые (в частности, математические) и программные (в частности, эвристические) модели. С их помощью удалось имитировать некоторые аспекты таких процессов и свойств психики, как восприятие, память, обучаемость, логическое мышлениеи т. д. Делаются первые попытки построить вещественные — гипотетические и бионические — модели психической деятельности.

Проблемой моделирования мышления в мире занимаются давно, однако, несмотря на большой поток (в основном прикладных) работ, область искусственного интеллекта испытывает сейчас значительный кризис и все чаще высказывается мнение об отсутствии общей концепции мышления и необходимости ее создании.      Построение модели мышления как механизма управления поведением, обеспечивающего мыслящим системам возможность автономного существования в широком классе изменений условий внешней среды является одним из главных направлений работ сектора.

Поскольку поведения строится на основе хранящихся в памяти законов и правил, позволяющих посредством анализа, логического вывода и других преобразований входной информации, принимать решения, т. е. находить неизвестные пути к целям, формировать действия, предсказывать изменения и пр., причем не все законы заранее известны, то необходимым этапом становится обучение, т.е. основанный на наблюдениях,  выдвижении и проверке гипотез поиск законов.

Именно с обучением связаны основные проблемы моделирования мышления, одна из которых состоит в том, что в исходных описаниях ситуаций число связываемых гипотезами характеристик чрезвычайно велико, из-за чего возникает так называемый «комбинаторный взрыв», когда перебор и проверка гипотез становятся практически нереализуемыми. Необходимо сокращение размерности исходных описаний.      Вторая проблема связана с тем, что при случайно выбранном языке представления гипотез большая их часть, пройдя проверку на конечном множестве примеров, будут оставаться ненадежными, т.е. на новых примерах выполняться не будут.      Единственная возможность – использование языка изначально согласованного с устройством мира.

Ведется разработка такого языка. Основу языка составляет понятие объекта пространства — времени. В качестве объектов могут фигурировать представления предметов, их частей, траекторий движения, процессы и пр. Каждому объекту и каждой его части соответствует свой канонический пространственно-временной базис, в котором  задается  его описание.

Со структурой языка согласовываются алгоритмы обработки входной информации и архитектура ассоциативной памяти, обеспечивающие процессы формирования понятий и законов и их использование при принятии решений.

Алгоритмы рассчитываются на высокую степень распараллеливания вычислений. М.Н. Вайнцвайгом и М.П. Поляковой построена теоретическая модель ассоциативной памяти, позволяющая инвариантно к локальным преобразованиям базисов и найденным ранее законам устанавливать частичное соответствие картин входа и памяти, распознавать объекты входных картин и отдельные их части, строить инвариантное предсказание ближайших контрастных событий.

     При параллельной реализации выполнение указанных процессов обеспечивается в реальном времени.

     В качестве одной из задач, на которых ведется отладка модели и  ее коррекция, рассматриваются действия системы в мире движущихся предметов, где имеют место законы трения, соударения и отражения, взаимодействия масс, зарядов и пр. Цели системы состоят в выполнении в тех или иных местах  пространства-времени ситуаций с заданными свойствами.

     По мере обучения происходит постепенное расширение класса ситуаций, в которых обеспечивается возможность достижения целей.

Изучение процессов мышления позволяет моделировать их с помощью ЭВМ. Моделирование процессов мышления, с одной стороны, открывает перспективы для создания машин, решающих различные задачи. С другой стороны, применение методов моделирования способствует более глубокому изучению психических процессов. Поэтому программа вычислительной машины, выступая в качестве модели некоторых сторон мыслительной деятельности, является как средством исследования, так и средством автоматизации умственного труда.

Моделирование отдельных сторон мышления чело­века может быть реализовано на основе эвристических машинных программ (эвристическое программирование). В них с психологических позиций рассматривается поведение человека как сложной информационной системы. Цель состоит в том, чтобы построить систему-модель, поведение которой в выбранных ситуациях соответствовало бы поведению человека. Такая модель должна решать задачи, используя те же методы, способы и приемы переработки информации, которыми пользуется человек. На этом пути возникает проблема изучения алгоритмов переработки информации человеком, а также проблема изучения человеческих эвристик, т. е. способов решения задач человеком.

Эвристические машинные модели создаются следующим образом. Путем экспериментального исследования поведения человека при решении задач выбранного типа выявляются наиболее характерные приемы и методы решения. На этой основе выдвигается гипотеза об алгоритмах, описывающих выбран­ный тип деятельности человека. Для проверки гипотезы строится ее модель (в виде программы ЭВМ) и сопоставляется поведение модели и человека при решении задач данного класса. Результаты сопоставления используются для коррекции гипотезы и самой модели.

Для построения модели разработан также ряд способов, с помощью которых ЭВМ может решить поставленную задачу, если алгоритм ее заранее неизвестен. К этим эвристическим способам относятся: поиск правильного решения из некоторого множества путем перебора; ограничение перебора вариантов за счет опознания объектов исследования по некоторому набору их признаков; обучение машины стратегии поиска на основе закрепленного опыта; сокращение поиска путем предварительного планирования; нахождение закономерностей в исходных данных (индукция). Количество этих способов может быть увеличено, причем каждый из них включает свои подспособы.

Таким образом, эвристическое программирование основывается на двух моментах: на воссоздании некоторых интеллектуальных человеческих действий и на анализе специфических свойств и особенностей объекта, в отношении которого осуществляется программирование. В области практического использования эвристических машинных программ получены интересные результаты.

Созданные программы можно разделить на два класса.

К первому классу относятся программы, в основе которых лежит гипотеза об общих механизмах процесса решения задач. Особенностью таких программ является их обобщенный характер, возможность решения на их основе широкого класса задач. К ним относится, например, программа «Общий решатель проблем» (ОРП). Общий характер программы обусловлен тем, что она состоит из отдельных частей, каждая из которых занимается учетом определенных факторов. Основой ОРП является ядро программы, которое состоит из исполнительного алгоритма и арсенала эвристических способов формулирования, оценки и решения определенных задач. Программа работает в следующих основных понятиях: объекты (геометрические фигуры, выражения символической логики и т. п.) и способы преобразования этих объектов (операторы), которые изменяют состояние объектов, их свойства и различия между ними. ОРП может действовать в любой среде, в которой можно определить совокупность объектов и в которой эти объекты могут быть преобразованы или скомбинированы в другие объекты путем применения распознающих «операторов» или правил преобразования.

Ко второму классу относятся программы, созданные на основе наблюдения и анализа какой-либо конкретной деятельности и способные решать задачи, возникающие именно в этой деятельности. Примером является программа для решения задачи оптимального распределения операций между рабочими на конвейере. Эта программа была создана на основе анализа мыслительной деятельности инженеров — организаторов производства.

Заканчивая общую характеристику эвристических машинных программ, следует подчеркнуть, что в них используется упрощенная модель задачи с ограниченным перебором вариантов, но без полной гарантии получения оптимального решения. Рассмотренные программы еще далеки от человеческих эвристик. По сути дела, в них решается не творческая мыслительная задача, а более простая лабиринтная задача с известными областями поиска, начальными условиями и конечной целью. Для выработки новых алгоритмов в ходе решения используется методика перебора вариантов (проб и ошибок), но с известным сокращением. Моделируются лишь отдельные стороны мыслительной деятельности человека. Основной путь оптимизации рассмотренных программ состоит в приближении их к человеческим эвристикам, особенностям концептуальной модели, формируемой человеком.

Более полно особенности человеческого мышления учтены при разработке метода ситуационного управления. Метод предназначен для автоматизации процессов управления и основан на психологическом изучении мышления оператора. В результате исследований установлено, что процесс решения оперативной проблемы есть не столько выбор одного варианта, из нескольких возможных (как это принято в эвристических машинных программах), сколько формирование варианта, ведущего к решению. Этот принцип и ис­пользован в методе ситуационного управления. Суть его состоит в том, что ЭВМ строит внутри себя систему отношений или модель управляющего объекта, а дальнейшая стратегия управления формируется на основе динамики этой модели.

Метод ситуационного управления, являясь итогом психологических исследований процесса решения задач, может выполнять двоякую функцию. С одной стороны, это путь построения программ, позволяющих автоматизировать такие управленческие процессы, которые до его создания не могли быть переданы ЭВМ или автоматизировались не лучшим образом. С другой стороны, такой метод может быть рассмотрен как математический инструмент описания реальной мыслительной деятельности оператора в процессе решения сложных задач по оперативному управлению. Все это позволяет по-новому подойти к решению проблемы распределения функций между человеком и ЭВМ в системе управления, поскольку применение метода позволяет передать машине решение многих задач, которые еще недавно были доступны лишь человеку.

К настоящему времени метод ситуационного управления внедрен на ряде предприятий нашей страны. Причем везде, где он внедрялся, получен существенный экономический эффект.

Большой интерес представляют также машинные программы моделирования мыслительных процессов, в основу построения которых положено понятие логико-психологических координат (ЛПК). Эти программы базируются на так называемой операторно-гностической модели мышления. В ее основу положены две гипотезы: положение об «одноканальности» сознания и «многоканальное™» наглядно-содержательной интуиции и положение о несовместимости в осознаваемой части интеллекта операторного (связанного с выполнением операций) и логико-психологического (концептуального) компонентов мыслительного процесса.

Центральным звеном операторно-гностической модели являются ЛПК, которые включают в себя как эвристические, так и логико-алгоритмические компоненты. Логико-психологические координаты — это одновременно и условие познания соответствующих мыслительных механизмов, и путь разработки «психологического» обеспечения ЭВМ и АСУ. На основе экспериментальных психологических исследований анализируется роль ЛПК, которыми человек, находясь в проблемной ситуации, руководствуется в своей деятельности. Выявленные ЛПК используются затем для оптимизации машинных программ.

Рассмотренные подходы к созданию машинных моделей мыслительной деятельности являются составной частью более широкого научного направления, известного под названием «искусственный интеллект» и занимающегося созданием машинных систем для решения сложных задач. При этом не выдвигается в качестве обязательного условия имитация естественного интеллекта. Главное — чтобы машинные программы выдавали результаты, аналогичные тем, которые получает человек. Поэтому в общем случае работы в области искусственного интеллекта направлены не столько на моделирование существа познавательных процессов, сколько на автоматизацию сложных форм деятельности — автоматизацию, для которой достаточно описания внешнего поведения человека.

Как известно, в психологии и кибернетике различают три уровня сходства между мышлением человека и программами ЭВМ:

■ сходство результатов;

■ сходство общих методов и приемов;

■ сходство между последовательностями отдельных операций и деталей решения.

Работы в области искусственного интеллекта ориентированы в основном лишь на сходство результатов. В психологических направлениях этих работ (эвристические машинные программы, методы ситуационного управления и др. ) делаются, кроме того, попытки получения сходства методов, приемов и последовательности выполнения отдельных операций. Однако эти попытки крайне ограничены, поэтому между интеллектом человека и его машинными аналогами (искусственным интеллектом) остаются принципиальные различия.

Моделирование метод психологического исследования плюсы и минусы. Метод моделирования в социальной психологии

Психологическое моделирование Этимология.

Происходит от греч. psyche — душа + logos — учение и лат. modulus — образец.

Категория.

Воссоздание в лабораторных условиях психической деятельности для исследования ее структуры.

Специфика.

Осуществляется при помощи предоставления испытуемому различных средств, которые могут включаться в структуру деятельности. В качестве таких средств, наряду с прочим, используются различные тренажеры, макеты, схемы, карты, видеоматериал.

Психологический словарь . И.М. Кондаков . 2000 .

ПСИХОЛОГИЧЕСКОЕ МОДЕЛИРОВАНИЕ

(англ. psychological modelling ) — метод, воспроизводящий определенную психическую деятельность с целью ее исследования или совершенствования путем имитации жизненных ситуаций в лабораторной обстановке . Для создания модели жизненной ситуации часто используются моделирующие устройства. В частности, моделирующие устройства дидактического назначения представлены тренажерами различных типов и аудиовизуальными пособиями (макеты, карты, теле- и киноустановки). Для научных исследований применяются, кроме того, моделирующие устройства (стимуляторы) для исследования способностей индивидуума, эффективности функционирования систем «человек-машина» и т. п. Назначение этих устройств состоит в имитации определенной трудовой, спортивной и т. п. ситуации, в которую включается испытуемый, и регистрации особенностей поведения испытуемого в данной ситуации. См. .

Большой психологический словарь. — М.: Прайм-ЕВРОЗНАК . Под ред. Б.Г. Мещерякова, акад. В.П. Зинченко . 2003 .

Смотреть что такое «психологическое моделирование» в других словарях:

    Психологическое Моделирование — воссоздание в лабораторных условиях психической деятельности для исследования ее структуры. Осуществляется при помощи предоставления испытуемому различных средств, которые могут включаться в структуру деятельности. В качестве таких средств,… … Психологический словарь

    Психологическое моделирование — Психологическое моделирование создание формальной модели психического или социально психологического процесса, то есть формализованной абстракции данного процесса, воспроизводящей его некоторые основные, ключевые, по мнению данного… … Википедия

    ПСИХОЛОГИЧЕСКОЕ МОДЕЛИРОВАНИЕ — метод, воспроизводящий определенную психическую деятельность с целью ее исследования или совершенствования путем имитации жизненных или производственных ситуаций в лабораторной обстановке. Модели ситуаций представляют собой обычно моделирующие… …

    ПМ представляет собой учебное моделирование на занятиях внешних и внутренних (психологических) условий решения правоохранительных задач, максимально приближенных к реальным служебным, служебно боевым и боевым, в которых сотрудники готовятся… …

    Моделирование необходимо для приучения сотрудников к преодолению трудностей реальных ситуаций (см. Психологическое моделирование служебных ситуаций на занятиях), формирования для этого необходимых знаний, навыков, умений, привычек, качеств,… … Энциклопедия современной юридической психологии

    Моделирование — Моделирование исследование объектов познания на их моделях; построение и изучение моделей реально существующих объектов, процессов или явлений с целью получения объяснений этих явлений, а также для предсказания явлений, интересующих… … Википедия

    Состоит из следующих основных направлений деятельности специалиста психолога: 1) разработка психологических рекомендаций при планировании оперативно тактических комбинаций, что диктуется, с одной стороны, криминально психологическими… … Энциклопедия современной юридической психологии

    Этимология. Происходит от лат. modulus образец. Категория. Средство обучения. Специфика. Отработка определенных психологических операций, прежде всего в научно теоретической сфере, на системах, служащих отображением реальных процессов окружающей… …

    1. Построение моделей протекания некоих психологических процессов с целью формальной проверки их работоспособности. 2. Воссоздание деятельности психической в лабораторных условиях для исследования ее структуры. Выполняется путем предоставления… … Большая психологическая энциклопедия

    Моделирование в обучении — [лат. modus образ] 1) содержание образования и способ познания, которым учащиеся должны овладеть в обучении; 2) одно из основных учебных действий, являющееся составным элементом учебной деятельности. Первый аспект означает включение в содержание… … Энциклопедический словарь по психологии и педагогике

Методы научных исследований — это те приемы и средства, с помощью которых ученые получают достоверные сведения, используемые далее для построения научных теорий и выработки практических рекомендаций. Сила науки во многом зависит от совершенства методов исследования, от того, насколько они валидны и надежны, как быстро и эффективно данная отрасль знаний способна воспринять и использовать у себя все самое новое, передовое, что появляется в методах других наук. Там, где это удается сделать, обычно наблюдается заметный прорыв вперед в познании мира.

Все сказанное относится и к психологии. Ее явления настолько сложны и своеобразны, настолько труднодоступны для изучения, что на протяжении всей истории этой науки ее успехи непосредственно зависели от совершенства применяемых методов исследования. Со временем в ней оказались интегрированными методы самых разных наук. Это — методы философии и социологии, математики и физики, информатики и кибернетики, физиологии и медицины, биологии и истории, ряда других наук.

История применения методов исследования в психологии

Благодаря применению методов естественных и точных наук, психология начиная со второй половины прошлого века выделилась в самостоятельную науку и стала активно развиваться. До этого момента психологические знания получали в основном путем самонаблюдения (интроспекции), умозрительных рассуждений, наблюдения за поведением других людей. Анализ и разумное обобщение подобного рода жизненных фактов сыграли свою положительную роль в истории психологии. Они послужили основой для построения первых научных теорий, объясняющих сущность психологических феноменов и человеческого поведения. Однако субъективизм этих методов, их недостаточная надежность и сложность явились причиной того, что психология долгое время оставалась философствующей, неэкспериментальной наукой, способной предполагать, но не доказывать причинно-следственные связи, существующие между психическими и другими явлениями. Вместе с тем из-за чрезмерно выраженного теоретизирования она была фактически оторвана от практики.

Намерение сделать ее настоящей, более или менее точной, практически полезной наукой, не только описывающей, но и объясняющей явления было связано с внедрением в нее лабораторного эксперимента и измерения. Попытки количественной оценки психологических явлений предпринимаются начиная со второй половины XIX в. Одной из первых таких попыток было открытие и формулировка серии законов, связывающих силу ощущений человека с выраженными в физических величинах стимулами, воздействующими на организм. К ним относятся законы Бугера-Вебера, Вебера-Фехнера, Стивенса, представляющие собой математические формулы, при помощи которых определяется связь между физическими стимулами и ощущениями человека, а также абсолютный и относительный пороги ощущений. Сюда же следует отнести и начальный этап развития дифференциально-психологических исследований (конец XIX в.), когда для выявления общих психологических свойств и способностей, отличающих людей друг от друга, стали использовать методы математической статистики. Впоследствии, уже в XX в., тенденция использования математических моделей и расчетов получила широкое распространение в самых разных отраслях психологии. Без них сейчас не обходится ни одно серьезное научное психологическое исследование.

С конца 80-х годов XIX в. в психологии стали создаваться и применяться специальные технические приборы и устройства для проведения лабораторных экспериментальных научных исследований. Пионером в этом отношении явился немецкий ученый В.Вундт, который в Лейпциге организовал работу первой психологической лаборатории. Технические приборы и устройства позволяли исследователю ставить и проводить контролируемый и управляемый научный эксперимент, дозировать воздействия физических стимулов, на которые должен реагировать человек, измерять его реакции. Сначала это были довольно простые технические устройства, в основном механические. В начале XX в. к ним присоединились электрические приборы, а в наше время в психологических лабораторных исследованиях используются многие виды современной аппаратуры, в том числе радио-, видео- и электронной, включая ЭВМ.

Основные методы психологических исследований

Наряду с математизацией и технизацией исследований в психологии до сих пор не утратили своего значения традиционные методы сбора научной информации, в том числе такие, как наблюдение, самонаблюдение и опрос. Причин сохранения их значения несколько. Первая состоит в том, что явления, изучаемые в психологии, сложны и уникальны, их не всегда можно изучить с помощью методов, заимствованных из других наук. Для исследования таких тонких явлений, которыми занимается психология, методы естественных и точных наук во многих случаях не годятся. Наблюдение и самонаблюдение позволяют уловить многое из того, что практически недоступно приборам, неописуемо с помощью точных математических формул. Самонаблюдение нередко применяется в тех случаях, когда исследователь хочет непосредственно сам, а не со слов других лиц или по показаниям бездушных приборов получить сведения об ощущениях, эмоциональных переживаниях, образах, представлениях, мыслях, сопровождающих тот или иной поведенческий акт.

Однако данные наблюдения, и особенно самонаблюдения, почти всегда требуют проверки на достоверность и надежность. Там, где это возможно, эти данные необходимо контролировать при помощи иных, более объективных методов, в частности математических расчетов. Ниже представлены методы, которые используются в современной психологии для сбора так называемых первичных данных, т.е. информации, подлежащей дальнейшему уточнению и обработке. Основные методы психологических исследований и их варианты, применяемые для сбора первичных данных:

Наблюдение

Внешнее (наблюдение со стороны)

Внутреннее (самонаблюдение)

Свободное

Стандартизированное

Включенное

Стороннее

Письменный

Свободный

Стандартизированный

Тест-опросник

Тест-задание

Проективный тест

Эксперимент

Естественный

Лабораторный

Моделирование

Математическое

Логическое

Техническое

Кибернетическое

Наблюдение, как метод исследования в психологии

Наблюдение имеет несколько вариантов.

Внешнее наблюдение — это способ сбора данных о психологии и поведении человека путем прямого наблюдения за ним со стороны.
Внутреннее наблюдение или самонаблюдение , применяется тогда, когда психолог-исследователь ставит перед собой задачу изучить интересующее его явление в том виде, в каком оно непосредственно представлено в его сознании. Внутренне воспринимая соответствующее явление, психолог как бы наблюдает за ним (например, за своими образами, чувствами, мыслями, переживаниями) или пользуется аналогичными данными, сообщаемыми ему другими людьми, которые сами ведут интроспектирование по его заданию.
Свободное наблюдение не имеет заранее установленных рамок, программы, процедуры его проведения. Оно может менять предмет или объект наблюдения, его характер в ходе самого наблюдения в зависимости от пожелания наблюдателя.
Стандартизированное наблюдение , напротив, заранее определено и четко ограничено в плане того, что наблюдается. Оно ведется по определенной, предварительно продуманной программе и строго следует ей, независимо от того, что происходит в процессе наблюдения с объектом или самим наблюдателем.
При включенном наблюдении (оно чаще всего используется в общей, возрастной, педагогической и социальной психологии) исследователь выступает в качестве непосредственного участника того процесса, за ходом которого он ведет наблюдение. Например, психолог может решать в уме какую-либо задачу, одновременно наблюдая за собой. Другой вариант включенного наблюдения: исследуя взаимоотношения людей, экспериментатор может включиться сам в общение с наблюдаемыми людьми, не прекращая в то же время наблюдать за складывающимися между ними и этими людьми взаимоотношениями.
Стороннее наблюдение в отличие от включенного не предполагает личного участия наблюдателя в том процессе, который он изучает.

Каждый из названных видов наблюдения имеет свои особенности и применяется там, где он может дать наиболее достоверные результаты. Внешнее наблюдение, например, менее субъективно, чем самонаблюдение, и обычно применяется там, где признаки, за которыми необходимо наблюдать, легко могут быть выделены и оценены извне. Внутреннее наблюдение незаменимо и часто выступает как единственно доступный метод сбора психологических данных в тех случаях, когда отсутствуют надежные внешние признаки интересующего исследователя явления.

Свободное наблюдение целесообразно проводить в тех случаях, когда невозможно точно определить, что следует наблюдать, когда признаки изучаемого явления и его вероятный ход заранее не известны исследователю. Стандартизированное наблюдение, напротив, лучше использовать тогда, когда у исследователя имеется точный и достаточно полный перечень признаков, относимых к изучаемому феномену.

Включенное наблюдение полезно в том случае, когда психолог может дать правильную оценку явлению, лишь прочувствовав его на самом себе. Однако если под влиянием личного участия исследователя его восприятие и понимание события может быть искажено, то лучше обращаться к стороннему наблюдению, применение которого позволяет более объективно судить о наблюдаемом.

Опрос, как метод исследования в психологии

Опрос представляет собой метод, при использовании которого человек отвечает на ряд задаваемых ему вопросов. Есть несколько вариантов опроса, и каждый из них имеет свои достоинства и недостатки. Рассмотрим их.

Устный опрос применяется в тех случаях, когда желательно вести наблюдение за поведением и реакциями человека, отвечающего на вопросы. Этот вид опроса позволяет глубже, чем письменный, проникнуть в психологию человека, однако требует специальной подготовки, обучения и, как правило, больших затрат времени на проведение исследования. Ответы испытуемых, получаемые при устном опросе, существенно зависят и от личности того человека, который ведет опрос, и от индивидуальных особенностей того, кто отвечает на вопросы, и от поведения обоих лиц в ситуации опроса.
Письменный опрос позволяет охватить большее количество людей. Наиболее распространенная его форма — анкета. Но ее недостатком является то, что, применяя анкету, нельзя заранее учесть реакции отвечающего на содержание ее вопросов и, исходя из этого, изменить их.
Свободный опрос — разновидность устного или письменного опроса, при которой перечень задаваемых вопросов и возможных ответов на них заранее не ограничен определенными рамками. Опрос данного типа позволяет достаточно гибко менять тактику исследования, содержание задаваемых вопросов, получать на них нестандартные ответы. В свою очередь стандартизированный опрос, при котором вопросы и характер возможных ответов на них определены заранее и обычно ограничены достаточно узкими рамками, более экономичен во времени и в материальных затратах, чем свободный опрос.

Тесты, как метод исследования в психологии

Тесты являются специализированными методами психодиагностического обследования, применяя которые можно получить точную количественную или качественную характеристику изучаемого явления. От других методов исследования тесты отличаются тем, что предполагают четкую процедуру сбора и обработки первичных данных, а также своеобразие их последующей интерпретации. С помощью тестов можно изучать и сравнивать между собой психологию разных людей, давать дифференцированные и сопоставимые оценки. Варианты теста: тест-опросник и тест-задание.

Тест-опросник основан на системе заранее продуманных, тщательно отобранных и проверенных с точки зрения их валидности и надежности вопросов, по ответам на которые можно судить о психологических качествах испытуемых.
Тест-задание предполагает оценку психологии и поведения человека на базе того, что он делает. В тестах этого типа испытуемому предлагается серия специальных заданий, по итогам выполнения которых судят о наличии или отсутствии и степени развития у него изучаемого качества. Тест-опросник и тест-задание применимы к людям разного возраста, принадлежащим к различным культурам, имеющим разный уровень образования, разные профессии и неодинаковый жизненный опыт. Это — их положительная сторона. А недостаток состоит в том, что при использовании тестов испытуемый по желанию может сознательно повлиять на получаемые результаты, особенно если он заранее знает, как устроен тест и каким образом по его результатам будут оценивать его психологию и поведение. Кроме того, тест-опросник и тест-задание неприменимы в тех случаях, когда изучению подлежат психологические свойства и характеристики, в существовании которых испытуемый не может быть полностью уверен, не осознает или сознательно не хочет признавать их наличие у себя. Такими характеристиками являются, например, многие отрицательные личностные качества и мотивы поведения.
В этих случаях обычно применяется третий тип тестов — проективные . В основе таких тестов лежит механизм проекции, согласно которому неосознаваемые собственные качества, особенно недостатки, человек склонен приписывать другим людям. Проективные тесты предназначены для изучения психологических и поведенческих особенностей людей, вызывающих негативное отношение. Применяя тесты подобного рода, о психологии испытуемого судят на основании того, как он воспринимает и оценивает ситуации, психологию и поведение людей, какие личностные свойства, мотивы положительного или отрицательного характера он им приписывает.

Пользуясь проективным тестом, психолог с его помощью вводит испытуемого в воображаемую, сюжетно неопределенную ситуацию, подлежащую произвольной интерпретации. Такой ситуацией может стать, например, поиск определенного смысла в картинке, где изображены неизвестно какие люди, непонятно чем занятые. Нужно ответить на вопросы, кто эти люди, чем они озабочены, а чем думают и что произойдет дальше. На основании содержательной интерпретации ответов судят о собственной психологии отвечающих.

Тесты проективного типа предъявляют повышенные требования к уровню образованности и интеллектуальной зрелости испытуемых, и в этом состоит основное практическое ограничение их применимости. Кроме того, такие тесты требуют большой специальной подготовки и высокой профессиональной квалификации со стороны самого психолога.

Эксперимент, как метод исследования в психологии

Специфика эксперимента как метода психологического исследования заключается в том, что в нем целенаправленно и продуманно создается искусственная ситуация, в которой изучаемое свойство выделяется, проявляется и оценивается лучше всего. Основное достоинство эксперимента состоит в том, что он позволяет надежнее, чем все остальные методы, делать выводы о причинно-следственных связях исследуемого явления с другими феноменами, научно объяснять происхождение явления и развитие. Однако организовать и провести настоящий, отвечающий всем требованиям психологический эксперимент на практике бывает нелегко, поэтому в научных исследованиях он встречается реже, чем другие методы. Имеются две основные разновидности эксперимента: естественный и лабораторный. Друг от друга они отличаются тем, что позволяют изучать психологию и поведение людей в условиях, отдаленных или приближенных к действительности.

Естественный эксперимент организуется и проводится в обычных жизненных условиях, где экспериментатор практически не вмешивается в ход происходящих событий, фиксируя их в том виде, как они разворачиваются сами по себе.
Лабораторный эксперимент предполагает создание некоторой искусственной ситуации, в которой изучаемое свойство можно лучше всего изучить. Данные, получаемые в естественном эксперименте, лучше всего соответствуют типичному жизненному поведению индивида, реальной психологии людей, но не всегда точны из-за отсутствия у экспериментатора возможности строго контролировать влияние всевозможных факторов на изучаемое свойство. Результаты лабораторного эксперимента, напротив, выигрывают в точности, но зато уступают в степени естественности — соответствия жизни.

Моделирование, как метод исследования в психологии

Моделирование как метод применяется в том случае, когда исследование интересующего ученого явления путем простого наблюдения, опроса, теста или эксперимента затруднено или невозможно в силу сложности или труднодоступноcти. Тогда прибегают к созданию искусственной модели изучаемого феномена, повторяющей его основные параметры и предполагаемые свойства. На этой модели детально исследуют данное явление и делают выводы о его природе.

Модели могут быть техническими, логическими, математическими, кибернетическими. Математическая модель представляет собой выражение или формулу, включающую переменные и отношения между ними, воспроизводящие элементы и отношения в изучаемом явлении. Техническое моделирование предполагает создание прибора или устройства, по своему действию напоминающего то, что подлежит изучению. Кибернетическое моделирование основано на использовании в качестве элементов модели понятий из области информатики и кибернетики. Логическое моделирование основано на идеях и символике, применяемой в математической логике. Наиболее известными примерами математического моделирования в психологии являются формулы, выражающие собой законы Бугера-Вебера, Вебера-Фехнера и Стивенса. Логическое моделирование широко используется при изучении мышления человека и его сравнении с решением задач вычислительной машиной. С множеством разнообразных примеров технического моделирования мы встречаемся в научных исследованиях, посвященных изучению восприятия и памяти человека. Это — попытки построения перцептронов — машин, способных наподобие человека воспринимать и перерабатывать сенсорную информацию, запоминать и воспроизводить ее.

Иллюстрацией кибернетического моделирования является использование в психологии идей математического программирования на ЭВМ. Развитие программного обеспечения работы ЭВМ за последние несколько десятков лет открыло для психологии новые перспективы изучения интересующих ее процессов и человеческого поведения, так как оказалось, что мыслительные операции, используемые людьми, логика их рассуждений при решении задач весьма близки к операциям и логике, на основе которых разрабатываются программы для ЭВМ. Это привело к попыткам представления и описания поведения человека, его психологии по аналогии с действием электронно-вычислительных устройств. Пионерами в этом отношении в психологии выступили известные американские ученые Д. Миллер, Ю.Галантер, К.Прибрам. Отметив наличие в организме такой же сложной, иерархически построенной системы регуляции поведения, какая характеризует структуру и функционирование программ для ЭВМ, они сделали вывод о том, что подобным же образом может быть описано и поведение человека.

Другие методы исследования в психологии

Кроме перечисленных методов, предназначенных для сбора первичной информации, в психологии широко применяются различные способы и приемы обработки этих данных, их логического и математического анализа для получения вторичных результатов, т.е. фактов и выводов, вытекающих из интерпретации переработанной первичной информации. Для этой цели применяются, в частности, разнообразные методы математической статистики, без которых зачастую невозможно получить достоверную информацию об изучаемых явлениях, а также методы качественного анализа.

Психологическое моделирование заключается в искусственном создании специальных условий, провоцирующих нужные по задаче исследования (обследования, обучения) ответные реакции, действия или отношения естественных носителей психики (людей или животных). Иначе говоря, исследователь в зависимости от предмета и задач исследования создает для изучаемого объекта специфическую психогенную ситуацию, в результате чего моделируется его поведение (для человека в форме деятельности и общения).

Сопоставляя исходные условия психогенной ситуации с параметрами поведения объекта, можно, во-первых, получать косвенные данные об организации и работе психики, которые могут быть использованы для ее изучения и моделирования, во-вторых, выявлять корреляционные, причинно-следственные, а иногда и функциональные связи между психогенными воздействиями и особенностями поведения, что дает основания для выведения психологических закономерностей, и, в-третьих, разрабатывать эффективные приемы воздействия на людей с целью оказания им психологической помощи.

Основные особенности психологического моделирования

1. Естественные объект и предмет исследования – люди (животные) и их психика.

2. Искусственность условий исследования (например, экспериментальная лаборатория, диагностический центр, психотерапевтический кабинет).

3. Применение моделирующих средств – методических пособий (например, инструкций, анкет, стимулького материала), технических устройств (например, экспонирующегооборудования, измерительной аппаратуры) или фармакологических средств (например, барбитуратов в некоторыхвидах психотерапевтических воздействий или психоделиков в трансперсональной психологии).

4. Целенаправленность воздействий на объект.

5. Гуманизация воздействий.

6. Программирование процедуры воздействий (от минимума регламентации при свободной беседе до максимума при тестировании или лабораторном эксперименте). 7. Регистрация воздействующих (ситуационных и процедурных) факторов и ответов объекта изучения.

Сформировать психогенную ситуацию можно с помощью любого эмпирического метода психологии вплоть до спровоцированного наблюдения и интроспекции. Наиболее характерны в этом отношении, безусловно, лабораторный эксперимент, тестирование, психофизиологические и психотерапевтические методы.

Психологическое моделирование является неотъемлемой формой всех видов психологической работы: исследования, диагностики, консультирования, коррекции. В психотерапевтической практике именно сами психогенные ситуации зачастую выступают инструментом оказания психологической помощи. Классический пример тому – психодрама, где, собственно, сценическое действо должно приводить к терапевтическому эффекту (катарсису). Специфическим видом психологического моделирования являются психотренинги. В них особенно ярко представлены все перечисленные выше признаки этого направления.

Дмитриева Юлия Александровна 2013

Социальная психология

УДК 316.6.001.57 ББК Ю95

МЕТОД МОДЕЛИРОВАНИЯ В СОЦИАЛЬНОЙ ПСИХОЛОГИИ

Ю.А. Дмитриева, В.Г. Грязева-Добшинская

Рассматривается актуальность использования моделирования в социальной психологии как метода общенаучного уровня. Раскрываются понятия «модель» и «моделирование» в контексте научных исследований в социальной психологии. Анализируются особенности метода моделирования в социально-психологических исследованиях: использование наглядной, демонстрационной основы; получение новых знаний путем вывода по аналогии; установление отношений гомоморфизма или изоморфизма между моделью и оригиналом. Представлен вариант классификации видов моделирования в социальной психологии, созданный на основе изучения используемых средств моделирования.

Ключевые слова: модель, моделирование, метод моделирования в социальной психологии, классификация видов моделирования в социальной психологии.

Метод моделирования активно используется в научном познании и в различных направлениях практической деятельности людей. Он применяется на всех этапах исследований и в естественно-научной, и в социально-гуманитарной сферах. Отмечается его универсальность и принадлежность к методам общенаучного уровня, при этом подчеркивается специфика метода моделирования в каждой области знания .

В социальных науках метод моделирования начал применяться в первой половине XX столетия, и интенсивность его использования постоянно возрастает . Ситуация на рубеже ХХ-ХХ1 столетий характеризуется наличием динамичных и разнонаправленных изменений во всех сферах жизнедеятельности человека. Актуальной становится проблематика адаптации человека в сложном изменяющемся мире. В частности, в социально-психологических исследованиях малых групп, команд, коллективов возникают задачи прогнозирования эффективного направления развития деятельности в условиях неопределенности и планирования оптимальных программ отбора и обучения персонала. Такого рода задачи социально-психологических исследований представляется возможным решить с помощью метода моделирования, позволяющего выйти на качественно новый уровень исследований социально-психологических явлений.

Очевидно, что в современных условиях требуется определение специфики примене-

ния метода моделирования в социальной психологии, выявление его особенностей и возможностей при исследовании различных социально-психологических явлений. На основе анализа особенностей применения метода моделирования в социальной психологии предлагается классификация видов моделирования.

Понятия «модель» и «моделирование» в социальной психологии

В современной науке понятие «модель» интерпретируется различным образом, и такая многозначность этого понятия затрудняет определение его особенностей и создание единой классификации моделей. Целесообразно рассмотреть основные интерпретации понятия «модель» в науке в целом и в социальной психологии, в частности.

Термин «модель» (от лат. «modelium» -мера, образ, способ) употребляется для обозначения образа (прообраза) или вещи, сходной в каком-то отношении с другой вещью . Как следствие, термин «модель» в контексте проблематики научных исследований используется для обозначения аналога какого-либо объекта, явления или системы, которые являются оригиналом при использовании метода моделирования. Под моделью понимается мысленно представленная или материально реализованная система, отображающая или воспроизводящая комплекс существенных свойств и способная замещать объект в процессе познания .

В соответствии с общенаучной интерпретацией этого термина, под моделью в социальной психологии будем понимать естественное или искусственно созданное явление, предназначенное для изучения социальнопсихологических феноменов.

Термин «моделирование» используется для обозначения научного метода, заключающегося в осуществлении различных процедур, связанных с моделью (создание, преобразование, интерпретация), причем для его раскрытия употребляются такие категории, как «подражание», «воспроизведение», «аналогия», «отражение» . Универсальной, полностью раскрывающей смысл данного понятия, по нашему мнению, является следующая формулировка. «Моделирование — … опосредованное практическое и теоретическое исследование объекта, при котором непосредственно изучается не сам интересующий нас объект, а некоторая вспомогательная искусственная или естественная система (модель): а) находящаяся в некотором объективном соответствии с познаваемым объектом; б) способная замещать его на определенных этапах познания и в) дающая при исследовании в конечном счете информацию о самом моделируемом объекте» .

В психологии из всего многообразия дефиниций термина «моделирование» можно выделить следующие наиболее часто встречающиеся определения, максимально отображающие всю многогранность этого понятия. Во-первых, моделирование как форма познавательной деятельности, включающая мышление и воображение. Во-вторых, моделирование как метод познания объектов и явлений через их модели. В-третьих, моделирование как процесс непосредственного создания и усовершенствования каких-либо моделей .

Соответственно, в социальной психологии под методом моделирования будем понимать опосредованное практическое и теоретическое исследование социально-психологического явления (предмета, процесса и т. д.) с помощью некоторой искусственно или естественно созданной системы (модели).

На основе анализа использования метода моделирования были выявлены его особенности как метода познания, в том числе и как метода познания социально-психологических явлений:

1) использование наглядной, демонстрационной основы;

2) получение новых знаний путем вывода по аналогии;

3) установление отношений гомоморфизма или изоморфизма между моделью и оригиналом.

Основные результаты анализа подходов к использованию метода моделирования в социальной психологии могут быть представлены следующим образом.

Первой особенностью метода моделирования в социальной психологии является наличие наглядной, демонстрационной основы.

В моделях социально-психологических явлений используются для наглядности геометрические формы и графические схемы. Так, основой модели мотивации А. Маслоу является «пирамида потребностей» , в модели когнитивного баланса межличностных отношений Р-О-Х, предложенной Ф. Хайдером для описания процессов социальной перцепции и межличностных отношений, используется «треугольник межличностных отношений» , а в моделях управления межличностными отношениями Г. Келли, Дж. Тибо используются «матрицы взаимозависимости» .

Наглядной основой для моделирования когнитивных процессов служат когнитивные карты (в рамках общепсихологического подхода), которые в рамках общепсихологического подхода являются технологией работы субъектов с информацией и визуализируют образ пространственной организации внешнего мира. В социальной психологии используется вариант когнитивных карт — «ментальные карты» как техника стимулирования группового творческого мышления и социальной креативности .

Другим вариантом когнитивной карты является граф, использующийся в различных направлениях социально-психологических исследований. Впервые теория графов для изучения объектов социальной психологии была использована в школе К. Левина, в которой ключевая категория «динамическое поле» рассматривалась как целостная самоорганизующаяся система. Графы применяли для изучения структуры динамического поля через представление взаимоотношений между индивидами внутри группы и динамики их изменений . В дальнейшем теория графов использовалась социальными психологами при изучении межличностных отношений в малых группах посредством графического представления результатов исследований социометрии и рефе-рентометрии . В отечественной психологии графы используются в стратометрической концепции малых групп А.В. Петровского для

представления структурных уровней межличностных отношений .

Второй особенностью метода моделирования в социальной психологии является получение новых знаний о каком-либо объекте путем вывода по аналогии.

Вывод по аналогии — логическая основа метода моделирования. Правомерность сделанного на таком основании вывода зависит от понимания исследователем характера аналогичных отношений, их значимости в моделируемой системе. Понимаемое в таком контексте моделирование связано с обобщением, абстрагированием исследователя от некоторых свойств прототипа. Однако при таком варианте восхождение к абстрактному неизбежно будет связано с упрощением и огрублением прототипа в некоторых отношениях, использующихся при его моделировании.

Одна из форм аналогии — метафора, которая была самой первой чувственнонаглядной основой метода моделирования. Так, Г. Морган использует при анализе различных типов организации научные метафоры «машины», «организма», «мозга» и «культуры» («бюрократическая организация как машина», «саморазвивающаяся организация как живая система», «самообучающаяся организация как мозг», «организация как культурная система») . Символический интерак-ционизм обращается к «драматургической» метафоре («театр как аналог жизни»). В частности, И. Гоффман, рассматривая социальноролевое взаимодействие людей в русле «социальной драматургии», использует именно театральную терминологию .

Третьей особенностью метода моделирования в социальной психологии является установление отношений изоморфизма и гомоморфизма между моделью и оригиналом .

Моделирование с установлением отношений изоморфизма и гомоморфизма — более редкий метод в социальной психологии, поскольку его использование основано на применении математического аппарата.

Системы признаются изоморфными, если между их элементами, функциями, свойствами и отношениями существует или может быть установлено взаимооднозначное соответствие. Примером изоморфной модели является структура интегральной индивидуальности, разработанная В.С. Мерлином для анализа характера взаимосвязей свойств различных уровней интегральной индивидуальности (в том числе ее социально-психологического

и социально-исторического уровней). Психологами пермской школы неоднократно подтверждалось взаимооднозначное соответствие между моделью интегральной индивидуальности и результатами эмпирических исследований .

В социальной психологии отношения изоморфизма между моделью и оригиналом можно обнаружить в тех исследованиях, в которых в той или иной форме представлены статистические распределения частот встречаемости некоторых социально-психологических феноменов. Так, вариативность характеристик социально-психологических свойств личности, исследуемых с помощью психодиагностических методик (CPI, 16PF, NEO FFI и др.), подчиняется законам нормального распределения. Средние по уровню выраженности показатели социально-психологических свойств личности встречаются наиболее часто, а минимальные и максимальные — значительно реже. На этом основана стандартизация психодиагностических методик. Однако могут встречаться и иные закономерности. В частности, в исследованиях динамики свойств личности и группы под воздействием кинопроизведений обнаруживается гиперболическое распределение частот проявляемых эффектов: после экспериментальных воздействий обнаруживается минимальное количество сильных, специфических для каждого художественного произведения эффектов воздействия и максимальное количество — слабых, неспецифических эффектов .

Гомоморфизм является более общим и слабым отношением между оригиналом и моделью, так как при этом не выполняется, как минимум, одно из трех условий: соответствие элементов, соответствие функций, взаимооднозначное соответствие свойств и отношений. Тем не менее, сохранение гомоморфных отношений считается достаточным для использования метода моделирования в социальной психологии.

Отношения гомоморфизма между оригиналом и моделью можно обнаружить в исследовании эволюции художественных стилей и трендов развития художественной коммуникации . В частности, В. Петров постулирует принцип эволюции художественных стилей, что выражается в периодической смене приоритетности у публики аналитического и синтетического стилей и эстетических предпочтений данных стилей. Динамика изменения приоритетности художественных

стилей носит неточный синусоидальный характер . Аналогично, гомоморфные отношения между оригиналом и моделью можно увидеть в исследовании трендов развития художественной коммуникации, проявляющиеся в постепенном наращивании (с постоянными флуктуациями) плотности информации в разных видах искусства с течением времени .

В целом, метод моделирования стал неотъемлемой частью научных исследований в социальной психологии. Анализ специфики использования этого метода в социальной психологии позволяет сделать вывод о том, что некоторые особенности его применения проявляются часто, а другие — реже. Наиболее частыми вариантами применения метода моделирования в социально-психологических исследованиях являются образное, наглядное представление новых концепций, установление отношений подобия с уже изученными феноменами, а также обобщенное представление результатов эмпирических исследований в тех сферах, где существует большое количество разнообразных подходов. Значительно реже в описании результатов социально-психологического исследования встречается установление отношений изоморфизма и гомоморфизма между моделью и оригиналом, так как для этого в процессе моделирования требуется использование математического аппарата и статистической обработки данных.

Классификация видов моделирования в социальной психологии

В научной литературе предложены различные варианты классификаций видов моделирования, причем следует отметить отсутствие единой классификации в силу многозначности самого понятия «модель». Разнообразие классификаций обусловлено возможностью их проведения по различным основаниям: по характеру моделей, по способу моделирования, по характеру моделируемых объектов, по виду создаваемых моделей, по сферам их приложения и уровням моделирования и т. д. .

В социальной психологии целесообразно проведение анализа возможностей и сфер применения одной из существующих классификаций видов моделирования, основанной на представлении о разнообразии используемых средств. Согласно этой классификации, моделирование подразделяется на два больших класса: материальное (субстанциональное) моделирование и идеальное моделирование .

Материальное (субстанциональное) моделирование основывается на материальной аналогии объекта и его модели. При построении данных моделей выделяют функциональные характеристики (пространственные, физические, поведенческие и т.д.) исследуемого объекта, а сам процесс исследования связан с непосредственным материальным воздействием на объект .

Соответственно, в материальных моделях социально-психологических явлений необходимо моделирование одного вида групповой деятельности посредством другого. К такому виду моделирования в социальной психологии можно отнести разработанные Я.Л. Морено психодраму и социодраму, которые включают проигрывание реальных ситуаций в терапевтических группах для развития творческого потенциала человека и расширения возможностей адекватного поведения и взаимодействия с людьми . К данному виду относится и моделирование реальной совместной деятельности через проигрывание ситуаций в социально-психологическом тренинге с помощью кибернометра, разработанное

Н.Н. Обозовым .

Идеальное моделирование основывается на мыслимой аналогии между объектом исследования и моделью и подразделяется на интуитивное моделирование и знаковое (формализованное) моделирование. Интуитивное моделирование заключается в отражении окружающего мира и основывается на интуитивном представлении об объекте исследования и создании мысленного образа. Данный вид моделирования применяется чаще всего в начале процесса познания объекта моделирования или для исследования объектов с очень сложными системными взаимосвязями .

В социальной психологии обращение к интуитивному моделированию можно встретить в исследованиях процесса принятия групповых решений и в исследованиях практического интеллекта менеджеров . В организационной психологии к данному виду моделирования относится построение общего видения организации, создание модели будущего через антиципацию предстоящих событий или социально-психологических явлений .

Знаковое моделирование заключается в исследовании объекта и получении новых знаний путем логического или математического выводов из первоначального описания модели. Данный вид моделирования применяется в тех слу-

чаях, когда необходима строгая формализация имеющихся данных и при этом неприменима теория подобия. В процессе знакового моделирования используют схемы, графики, формулы, которые являются непосредственно моделями этого метода. Знаковое моделирование подразделяется на два вида в зависимости от способа моделирования и используемых средств: математическое моделирование и компьютерное моделирование .

Математическое моделирование является методом изучения реального объекта, процесса или системы через их замену математической моделью, которая выражает количественные и качественные характеристики с помощью математических терминов и уравнений. Данный метод моделирования применяется, когда по каким-либо причинам невозможно провести эксперимент. Некоторые социально-психологические процессы, например, принятие решений на выборах или распределение голосов избирателей, определяются исследователями полностью в математических терминах .

На основе анализа применения математического моделирования в социально-психологических исследованиях могут быть выделены четыре варианта наиболее распространенных математических моделей в социальной психологии. Такие математические модели социально-психологических феноменов имеют различные математические основания: системы линейных или дифференциальных уравнений, аппарат теории вероятности, системы нелинейных уравнений; теория самоорганизации и синергетика.

В рамках данной классификации могут быть рассмотрены следующие модели социального поведения: модель социального поведения Л.Ф. Ричардсона (или модель гонки вооружений), основанная на системе линейных уравнений; модель социального поведения, основанная на теории игр и аппарате теории вероятности; модель социального поведения

Э. Даунса, основанная на системах нелинейных уравнений; модели описания нелинейных социально-психологических процессов, базирующиеся на теории самоорганизации сложных систем и синергетике. Далее представлен более подробный анализ применения метода моделирования для каждой из этих моделей.

Математическое моделирование, основанное на системе линейных уравнений. Как уже указано выше, к данному виду математического моделирования относится использование моде-

ли социального поведения Л.Ф. Ричардсона («модель гонки вооружений»), которая учитывает действие трех факторов: наличие военной угрозы, бремени расходов и прошлых обид между двумя какими-либо государствами. Такая модель представляет класс динамических моделей, моделирующих развитие некоторого процесса во времени и обладающих способностью прогнозировать будущее. К концу семидесятых годов модель Ричардсона была неоднократно экспериментально подтверждена на разных вариантах гонки вооружений и оказалась наиболее эффективна в случаях краткосрочных прогнозов .

Математический аппарат на основе системы линейных уравнений используется, в частности, для прогнозирования активности менеджеров в инновационной деятельности и выявления оптимальных социально-психологических воздействий для повышения ее эффективности. На основе психологической диагностики моделируется ролевая активность менеджеров, значимая для введения инноваций .

Математическое моделирование, базирующееся на теории игр и математическом аппарате теории вероятности. Данный вид математического моделирования является наиболее распространенным в социальной психологии и представляет собой системный подход, обеспечивающий понимание поведения игроков в ситуациях, когда их успехи и поражения взаимозависимы. «Игры» в рамках данной теории — это ситуации, в которых два или несколько участников делают выбор своих действий, и выигрыш или проигрыш каждого участника зависит от совместного выбора обоих (всех).

Теория игр прежде рассматривалась на материале одного из типов соревнования, которое было названо «игра с нулевой суммой». Условием этого типа игры является принцип «сколько один игрок выигрывает, столько же другой игрок проигрывает». Однако большая часть социально-психологических ситуаций являются вариантами игр с ненулевой суммой (или «кооперативных игр»), в которых оба игрока при определенных условиях могут оказаться в выигрыше. В политической психологии лучше всего из кооперативных игр изучена «дилемма заключенного» . В социальной психологии такая модель используется для контроля выполнения договоров, принятия решений и для определения оптимального поведения в

ситуациях конкуренции с различным числом участников .

Математическое моделирование, основанное на системе нелинейных уравнений. К данному виду математического моделирования относится модель Э. Даунса, предназначенная для исследований явлений в политической психологии. Простейший вариант графического представления модели Э. Даунса представляет собой колоколообразную кривую в декартовой системе координат, выражающей идеологические позиции. Такая модель объясняет соотношение идеологических позиций кандидатов на всеобщих выборах и изменение их позиций в промежутке между первичными и повторными выборами .

Математическое моделирование, основанное на теории самоорганизации и синергетике. К данному виду математического моделирования относятся модели, предназначенные для исследования открытых нелинейных диссипативных систем, далеких от равновесия. Такими системами является большинство объектов, изучаемых социальной психологией. Неравно-весность социально-психологических явлений заключается в их иррегулярном поведении, проявляющемся в спонтанной активности, в активном характере восприятия, в выборе цели индивидом или группой .

Системы, в которых происходит самоорганизация, являются сложными и обладают большим числом степеней свободы (возможных направлений развития). С течением времени в системе выделяются доминирующие варианты развития, к которым «подстраиваются» остальные. Развитие нелинейных систем многовариантно и необратимо. Для управления такой системой нужно воздействовать на нее в тот момент, когда она находится в состоянии предельной неустойчивости (именуемое точкой бифуркации). Таким образом, в качестве новых приоритетов современной картины мира синергетика вводит феномен неопределенности и многовариантности развития, идею возникновения порядка из хаоса .

В социальной психологии примером моделей, основанных на теории самоорганизации, является «модель тюремных бунтов». На математическом аппарате теории самоорганизации основывается «модель выработки единого мнения» в исследовании организационного поведения и процессов принятия решений . К данному виду математического моделирования относится моделирование эффектов личностной динамики после художе-

ственных воздействий, в том числе исследующее максимально неустойчивые катастрофические состояния субъектов .

Компьютерное моделирование является методом исследования сложных систем и явлений с помощью использования их компьютерной модели. Данный метод реализуется в виде алгоритмов (строго сформулированных последовательных инструкций), применяемых для создания программных средств. Этот вид моделирования позволяет облегчить исследования сложных процессов и явлений с помощью больших систем уравнений, не поддающихся решению алгебраическими средствами .

В социальной психологии компьютерное моделирование применяется при исследовании обширных социально-психологических процессов (например, массовое поведение, смена настроений масс) или при изучении ситуаций, сопряженных с обработкой большого количества информации (например, процессов обучения).

Примерами компьютерных моделей для исследования социально-психологических феноменов являются программа SearchMan, предназначенная для компьютерных экспериментов по выбору супруга; программа FAMILY, позволяющая вести компьютерное экспериментирование по условиям выживания семьи в кризисе; программа TALK, позволяющая моделировать ситуации общения индивидов на основе транзакционного анализа .

Представленный выше анализ видов моделирования, используемых в социальной психологии, позволяет предложить и обосновать их классификацию на основе применяемых в процессе моделирования средств. Согласно этой классификации, наиболее распространенным видом моделирования в социальной психологии является материальное моделирование, которое включено в процессы психологического и организационного консультирования, социально-психологических тренингов. В исследованиях политической психологии чаще используется математическое моделирование, поскольку оно позволяет реализовать социальный запрос на получение точного и достоверного прогноза. В целом, математическое и компьютерное моделирование в последние годы приобретает особую значимость в научных исследованиях социально-психологических явлений. Их использование дает возможность выбрать оптимальную и рациональную стратегию и тактику реализации исследовательских программ.

1. Актуальность изучения возможностей метода моделирования в социальнопсихологических исследованиях связана с возрастающей ролью прогнозирования, планирования и управления в исследовательской и практической деятельности людей.

2. Трактовка понятий «модель» и «моделирование» в социально-психологических исследованиях основана на общенаучном понимании. Анализ применения метода моделирования дает возможность выделить его основные особенности, проявляющиеся, в частности, и в социальной психологии. Особенностями метода моделирования в социальной психологии являются использование наглядной, демонстрационной основы; получение новых знаний путем вывода по аналогии; установление отношений изоморфизма и гомоморфизма между изучаемым объектом и оригиналом.

3. Некоторые особенности метода моделирования в социальной психологии проявляются часто, другие — реже. Наиболее частым вариантом применения метода моделирования в социально-психологических исследованиях является образное, наглядное представление новых концепций, установление отношений подобия с уже изученными феноменами. Несколько реже встречается применение метода моделирования через установление отношений изоморфизма и гомоморфизма, так как для этого в процессе моделирования требуется использование математического аппарата и статистической обработки данных. Но именно применение метода моделирования в социально-психологических исследованиях через установление отношений изоморфизма и гомоморфизма позволяет выйти в эмпирических исследованиях на качественно новый уровень, который будет основан на достоверной психологической диагностике и современных математических методах, в том числе математической статистики.

4. На основе анализа существующих классификаций в научной литературе авторами статьи предложен и обоснован вариант классификации видов моделирования в социальной психологии, основанный на разнообразии средств, используемых при моделировании. В рамках этой классификации определены и проанализированы следующие виды моделирования социально-психологических явлений: материальное, идеальное, интуитивное, знаковое, математические и компьютерное.

5. Анализ применения метода моделирования в социальной психологии позволяет

отметить наиболее распространенный вид моделирования — материальное моделирование, так как его использование основывается на установлении материальной аналогии групповых феноменов (например, реальная группа -тренинговая группа), а сам процесс моделирования требует применения только социально-психологических компетенций. Математическое и компьютерное моделирование в социально-психологических исследованиях менее популярны, так как для их использования помимо социально-психологических компетенций необходимо применение достоверных психодиагностических методик и современных методов математики и статистики.

6. Применение разнообразных видов моделирования в социальной психологии (особенно математического и компьютерного) открывает большие перспективы ее дальнейшего развития, поскольку эффективное моделирование представляет возможности для выбора наиболее оптимальной стратегии и тактики реализации исследовательских программ, а также повышает качество результатов социально-психологических исследований, открывает новые возможности для организационного и психологического консультирования.

Литература

1. Андреева, Г.М. Зарубежная социальная психология ХХ столетия: Теоретические подходы: учеб. пособие для вузов / Г.М. Андреева, Н.Н. Богомолова, Л.А. Петровская. -М. : Аспект Пресс, 2002. — 287 с.

2. Байдлих, В. Социодинамика. Системный подход к математическому моделированию в социальных науках / В. Байдлих. — М., 2004.

3. Глинский, Б.А. Моделирование как метод научного исследования / Б.А. Глинский, Б.С. Грязнов, Б.С. Дынин. — М., 1965.

4. Грязева-Добшинская, В.Г. Диагностика и моделирование социальнопсихологических ресурсов команды менеджеров в условиях введения инноваций /

В.Г. Грязева-Добшинская, Ю.А. Дмитриева // Вестник ЮУрГУ. Серия «Психология». -2011. — Вып. 13. — № 18(235). — С. 111-117.

5. Грязева-Добшинская, В.Г. Психологическая топология личности. Технология экспериментального исследования личностной динамики в группе: учеб. пособие / В.Г. Грязе-ва-Добшинская. — Челябинск: Изд-во ЮУрГУ, 2008. -142 с.

6. Грязева-Добшинская, В.Г. Гиперболическое распределение и технологии стати-

стической обработки данных психодиагностики в исследованиях динамики личности и группы / В.Г. Грязева-Добшинская // Современная психодиагностика в период инноваций: сб. тез. II Всерос. науч. конф. / редколлегия: Н.А. Батурин (отв. ред.) и др. — Челябинск: Издат. центр ЮУрГУ, 2010. — С. 33-36.

7. Дриккер, А.С. Художественные эпохи и виды эмоциональных коммуникаций / Творчество в искусстве — искусство творчества / А.С. Дриккер. — М.: Наука; Смысл, 2000. -С. 475-485.

8. Гоффман, И. Представление себя другим в повседневной жизни / И. Гоффман; пер. с англ. А.Д. Ковалева. — М. : Канон-Пресс-Ц; Кучково поле, 2000.

9. Йенсен, Р. Общество мечты. Как

грядущий сдвиг от информации к воображению преобразит ваш бизнес / Р. Йенсен. -СПб.: Стокгольмская школа экономики,

10. Келли, Г. Межличностные отношения. Теория взаимозависимости / Г. Келли, Дж. Тибо. — Современная зарубежная социальная психология. — М. : Изд-во Московского университета, 1984. — С. 61-81.

11. Компьютерное моделирование. Инструменты для исследования социальных систем: учебное пособие / А.К. Гуц, В.В. Ко-робицын, А.А. Лаптев и др. — Омск: Омск. гос. ун-т, 2001. — 92 с.

12. Кричевский, Р.Л. Социальная психология малой группы: учеб. пособие для вузов / Р.Л. Кричевский, Е.М. Дубовская. — М. : Аспект Пресс, 2001. — 318 с.

13. Крылов, В.Ю. Методологические и теоретические проблемы математической психологии /В.Ю. Крылов. — М., 2000. — 384 с.

14. Курдюмов, С.П. Психология и синергетика / С.П. Курдюмов, В.Ю. Крылов, Г.Г. Малинецкий. — М., 1990.

15. Левин, К. Теория поля в социальных науках: пер. с англ. /К. Левин. — СПб.: Сенсор,

16. Малков, С.Ю. Социальная самооргани-

зация и исторический процесс: Возможности математического моделирования /

С.Ю. Малков. — Изд-во Либроком, 2009. — 240 с.

17. Мангейм, Д.Б. Политология: методы исследования / Д.Б. Мангейм, Р.К. Рич. — М. : Весь мир, 1997. — 544 с.

18. Мерлин, В.С. «Психология индивидуальности: избранные психологические тру-

ды» / В.С. Мерлин; под ред. Е.А. Климова. -М.: Изд-во Моск. психолого-социального инта; Воронеж: МОДЭК, 2005. — 544 с.

19. Московичи, С. Социальная психология / С. Московичи. — СПб. : Питер, 2007. — 592 с.

20. Морган, Г. Образы организации / Г. Морган; пер. с англ. [И. Матвеева, Р. Са-муненков]; Стокгольмская школа экономики. — М. : Манн, Иванов, Фербер, 2008. — 504 с.

21. Морено, Я.Л. Социометрия: Экспериментальный метод и наука об обществе / Я.Л. Морено. — М. : Академический Проект,

22. Нельке, М. Техники креативности. -М. : Омега-Л, 2009. — 144 с.

23. Никандров, В.В. Метод моделирования в психологии: учеб. пособие / В.В. Никандров. — СПб. : Речь, 2003. — 55 с.

24. Новик, И.Б. Моделирование и аналогия / И.Б. Новик, А.И. Уемов. — Материалистическая диалектика и методы естественных наук. — М., 1968.

25. Обозов, Н.Н. Аппаратурно-технические методы исследования срабатываемо-сти и совместимости //«Подходим ли мы друг другу на работе и в личной жизни. -СПб.: Академия психологии, предпринимательства и менеджмента, 2002. — С. 28-33.

26. Петров, В.М. Череда эпох и эволюция искусства: опыт количественного исследования. / Творчество в искусстве — искусство творчества. — М.: Наука; Смысл, 2000. —

27. Практический интеллект / Р.Дж. Стернберг, Дж.Б. Форсайт, Дж. Хедланд и др. — СПб. : Питер, 2002. — 272 с.

28. Сенге, П. Пятая дисциплина: искусство и практика самообучающейся организации / П. Сенге. — М. : ЗАО «Олимп — Бизнес»,

29. Социальная психология малых групп: материалы I Всероссийской науч.-практ. конф., посвященной памяти профессора А.В. Петровского. 29-30 окт. 2009 г., Москва, МГППУ / отв. ред. М.Ю. Кондратьев. — М. : МГППУ, 2009. — С. 4-13.

30. Социальные системы. Формализация и компьютерное моделирование: учеб. пособие / А.К. Гуц, В.В. Коробицын, А.А. Лаптев и др. — Омск: Омск. гос. ун-т., 2000 — 160 с.

31. Управление в условиях неопределенности: пер. с. англ. — М. : Альпина Бизнес Букс, 2006. — С. 73-111.

Дмитриева Юлия Александровна, аспирант, психолог кафедры общей психологии, ЮжноУральский государственный университет, [email protected]

Грязева-Добшинская Вера Геннадьевна, доктор психологических наук, профессор, зав. кафедрой общей психологии, Южно-Уральский государственный университет, [email protected] .ru

THE MODELING METHOD IN SOCIAL PSYCHOLOGY

Ju.A. Dmitrieva, V.G. Gryazeva-Dobshinskaya

Topical use of modeling in social psychology as a method of general scientific level. Disclosed the concept of “model” and “simulation” in the context of research in social psychology. The features of the modeling method in social psychological research: the use of visual, demonstration basis, obtaining new knowledge by withdrawing, by analogy, to establish relations homomorphism or isomorphism between the model and the original. A version of the classification of modeling in social psychology that is based on the study of the means of modeling.

Keywords: model, simulation, modeling in social psychology, classification of modeling in social psychology.

Julia A. Dmitrieva, postgraduate student, the psychologist of the Department of General Psychology, South Ural State University, [email protected]

Vera G. Gryazeva-Dobshinskaya, Doctor of Psychological Science, associate professor, Head of Department of General Psychology, South Ural State University, [email protected]

Курсовая работа

Метод моделирования и специфика его применения в психологии

Введение

психология педагогический моделирование

Методы научных исследований — это те приемы и средства, с помощью которых ученые получают достоверные сведения, используемые далее для построения научных теорий и выработки практических рекомендаций. Сила науки во многом зависит от совершенства методов исследования, от того, насколько они валидны и надежны, как быстро и эффективно данная отрасль знаний способна воспринять и использовать у себя все самое новое, передовое, что появляется в методах других наук. Там, где это удается сделать, обычно наблюдается заметный прорыв вперед в познании мира.

Все сказанное относится и к психологии. Ее явления настолько сложны и своеобразны, настолько труднодоступны для изучения, что на протяжении всей истории этой науки ее успехи непосредственно зависели от совершенства применяемых методов исследования. Со временем в ней оказались интегрированными методы самых разных наук. Это — методы философии и социологии, математики и физики, информатики и кибернетики, физиологии и медицины, биологии и истории, ряда других наук.

Универсальность моделирования как познавательного метода позволяет относить его к разряду методов общенаучного (а возможно, и всеобщего) характера. Но в каждой области знаний, где применяется моделирование, этот метод имеет свою специфику. Следовательно, для любой науки важно представлять и общие принципы моделирования, и частнонаучные особенности его использования.

Однако, несмотря на широкое применение моделирования в психологии, серьезного интереса к нему как исследовательскому методу не наблюдается. Моделирование применяется, но нет теории моделирования (подобной теории эксперимента, который, кстати, является частной реализацией моделирования). Проявляемая психологами активность в использовании моделирования не завершается построением целостной картины этого метода.

Наблюдаемый в настоящее время очередной всплеск психологических работ по математическому и компьютерному моделированию актуализирует эту проблему.

Рассматривается актуальность использования моделирования в психологии как метода общенаучного уровня. Раскрываются понятия «модель» и «моделирование» в контексте научных исследований в психологии. Анализируются особенности метода моделирования в социально-психологических исследованиях: использование наглядной, демонстрационной основы; получение новых знаний путем вывода по аналогии; установление отношений гомоморфизма или изоморфизма между моделью и оригиналом. Представлен вариант классификации видов моделирования в психологии, созданный на основе изучения используемых средств моделирования.

Актуальностью курсовой работы является описание метода моделирования в психологическом исследовании. Метод моделирования имеет огромное познавательное значение, его использовали Демокрит и Эпикур, Леонардо да Винчи. Широкое распространение в социальных науках он приобрел свыше ста лет назад.

Цель работы раскрыть сущность метода моделирования в психологическом исследовании.

Задачи курсовой работы — определить, что такое сущностные характеристики и функции метода, типология моделей и основные средства моделирования, а также преимущества и ограничения метода моделирования в психологии.

Объект исследования — эмпирические методы.

Предмет исследования — метод моделирования.

Гипотеза данного исследования базируется на предположении о том, что метод моделирования способствует лучшему результату при исследовании.

Практическая значимость исследования заключается в том, что результаты могут быть использованы при научном исследования для улучшения качества работы.

Структура работы. Курсовая работа состоит из введения, двух глав, заключения, списка литературы. Основной текст представлен на 31 страницах текста. Список литературы содержит 15 наименований источников.

1. Теоретический анализ литературы по проблеме использования метода моделирования в психологии

1. 1 Общая характеристика эмпирических методов

Слово «эмпирический» буквально означает «то, что воспринимается органами чувств». Когда это прилагательное употребляется по отношению к методам научного исследования, оно служит для обозначения методик и методов, связанных с сенсорным (чувственным) опытом. Поэтому говорят, что эмпирические методы основываются на «твердых (неопровержимых) данных». Кроме того, эмпирическое исследование твердо придерживается научного метода в противоположность др. исследовательским методологиям, таким как натуралистическое наблюдение, архивные исследования и др. Важнейшая и необходимая предпосылка, лежащая в основе методологии эмпирического исследования состоит в том, что оно обеспечивает возможность своего воспроизведения и подтверждения / опровержения. Пристрастие эмпирического исследования к «твердым данным» требует высокой внутренней согласованности и устойчивости средств измерения (и мер) тех независимых и зависимых переменных, которые привлекаются с целью научного изучения. Внутренняя согласованность является основой условием устойчивости; средства измерения не могут быть высоко или хотя бы достаточно надежными, если эти средства, поставляющие сырые данные для последующего анализа, не будут давать высокие интеркорреляции. Неудовлетворение этого требования способствует внесению в систему дисперсии ошибок и приводит к получению неоднозначных или вводящих в заблуждение результатов.

Наблюдение и самонаблюдение позволяют уловить многое из того, что практически недоступно приборам, неописуемо с помощью точных математических формул. Самонаблюдение нередко применяется в тех случаях, когда исследователь хочет непосредственно сам, а не со слов других лиц или по показаниям бездушных приборов получить сведения об ощущениях, эмоциональных переживаниях, образах, представлениях, мыслях, сопровождающих тот или иной поведенческий акт.

Однако данные наблюдения, и особенно самонаблюдения, почти всегда требуют проверки на достоверность и надежность. Там, где это возможно, эти данные необходимо контролировать при помощи иных, более объективных методов, в частности математических расчетов. Наблюдение имеет несколько вариантов. Внешнее наблюдение — это способ сбора данных о психологии и поведении человека путем прямого наблюдения за ним со стороны.

Внутреннее наблюдение, или самонаблюдение, применяется тогда, когда психолог-исследователь ставит перед собой задачу изучить интересующее его явление в том виде, в каком оно непосредственно представлено в его сознании. Внутренне воспринимая соответствующее явление, психолог как бы наблюдает за ним (например, за своими образами, чувствами, мыслями, переживаниями) или пользуется аналогичными данными, сообщаемыми ему другими людьми, которые сами ведут интроспектирование по его заданию.

Свободное наблюдение не имеет заранее установленных рамок, программы, процедуры его проведения. Оно может менять предмет или объект наблюдения, его характер в ходе самого наблюдения в зависимости от пожелания наблюдателя.

Стандартизированное наблюдение, напротив, заранее определено и четко ограничено в плане того, что наблюдается. Оно ведется по определенной, предварительно продуманной программе и строго следует ей, независимо от того, что происходит в процессе наблюдения с объектом или самим наблюдателем.

При включенном наблюдении (оно чаще всего используется в общей, возрастной, педагогической и социальной психологии) исследователь выступает в качестве непосредственного участника того процесса, за ходом которого он ведет наблюдение. Например, психолог может решать в уме какую-либо задачу, одновременно наблюдая за собой. Другой вариант включенного наблюдения: исследуя взаимоотношения людей, экспериментатор может включиться сам в общение с наблюдаемыми людьми, не прекращая в то же время наблюдать за складывающимися между ними и этими людьми взаимоотношениями. Стороннее наблюдение в отличие от включенного не предполагает личного участия наблюдателя в том процессе, который он изучает.

Каждый из названных видов наблюдения имеет свои особенности и применяется там, где он может дать наиболее достоверные результаты. Внешнее наблюдение, например, менее субъективно, чем самонаблюдение, и обычно применяется там, где признаки, за которыми необходимо наблюдать, легко могут быть выделены и оценены извне. Внутреннее наблюдение незаменимо и часто выступает как единственно доступный метод сбора психологических данных в тех случаях, когда отсутствуют надежные внешние признаки интересующего исследователя явления. Свободное наблюдение целесообразно проводить в тех случаях, когда невозможно точно определить, что следует наблюдать, когда признаки изучаемого явления и его вероятный ход заранее не известны исследователю. Стандартизированное наблюдение, напротив, лучше использовать тогда, когда у исследователя имеется точный и достаточно полный перечень признаков, относимых к изучаемому феномену.

Включенное наблюдение полезно в том случае, когда психолог может дать правильную оценку явлению, лишь прочувствовав его на самом себе. Однако если под влиянием личного участия исследователя его восприятие и понимание события может быть искажено, то лучше обращаться к стороннему наблюдению, применение которого позволяет более объективно судить о наблюдаемом.

Тесты являются специализированными методами психодиагностического обследования, применяя которые можно получить точную количественную или качественную характеристику изучаемого явления. От других методов исследования тесты отличаются тем, что предполагают четкую процедуру сбора и обработки первичных данных, а также своеобразие их последующей интерпретации. С помощью тестов можно изучать и сравнивать между собой психологию разных людей, давать дифференцированные и сопоставимые оценки.

Варианты теста: тест-опросник и тест-задание. Тест-опросник основан на системе заранее продуманных, тщательно отобранных и проверенных с точки зрения их валидности и надежности вопросов, по ответам на которые можно судить о психологических качествах испытуемых.

Тест-задание предполагает оценку психологии и поведения человека на базе того, что он делает. В тестах этого типа испытуемому предлагается серия специальных заданий, по итогам выполнения которых судят о наличии или отсутствии и степени развития у него изучаемого качества.

Тест-опросник и тест-задание применимы к людям разного возраста, принадлежащим к различным культурам, имеющим разный уровень образования, разные профессии и неодинаковый жизненный опыт. Это — их положительная сторона. А недостаток состоит в том, что при использовании тестов испытуемый по желанию может сознательно повлиять на получаемые результаты, особенно если он заранее знает, как устроен тест и каким образом по его результатам будут оценивать его психологию и поведение. Кроме того, тест-опросник и тест-задание неприменимы в тех случаях, когда изучению подлежат психологические свойства и характеристики, в существовании которых испытуемый не может быть полностью уверен, не осознает или сознательно не хочет признавать их наличие у себя. Такими характеристиками являются, например, многие отрицательные личностные качества и мотивы поведения.

В этих случаях обычно применяется третий тип тестов — проективные. В основе таких тестов лежит механизм проекции, согласно которому неосознаваемые собственные качества, особенно недостатки, человек склонен приписывать другим людям. Проективные тесты предназначены для изучения психологических и поведенческих особенностей людей, вызывающих негативное отношение. Применяя тесты подобного рода, о психологии испытуемого судят на основании того, как он воспринимает и оценивает ситуации, психологию и поведение людей, какие личностные свойства, мотивы положительного или отрицательного характера он им приписывает.

Пользуясь проективным тестом, психолог с его помощью вводит испытуемого в воображаемую, сюжетно неопределенную ситуацию, подлежащую произвольной интерпретации. Такой ситуацией может стать, например, поиск определенного смысла в картинке, где изображены неизвестно какие люди, непонятно чем занятые. Нужно ответить на вопросы, кто эти люди, чем они озабочены, о чем думают и что произойдет дальше. На основании содержательной интерпретации ответов судят о собственной психологии отвечающих.

Тесты проективного типа предъявляют повышенные требования к уровню образованности и интеллектуальной зрелости испытуемых, и в этом состоит основное практическое ограничение их применимости. Кроме того, такие тесты требуют большой специальной подготовки и высокой профессиональной квалификации со стороны самого психолога.

Специфика эксперимента как метода психологического исследования заключается в том, что в нем целенаправленно и продуманно создается искусственная ситуация, в которой изучаемое свойство выделяется, проявляется и оценивается лучше всего. Основное достоинство эксперимента состоит в том, что он позволяет надежнее, чем все остальные методы, делать выводы о причинно-следственных связях исследуемого явления с другими феноменами, научно объяснять происхождение явления и развитие. Однако организовать и провести настоящий, отвечающий всем требованиям психологический эксперимент на практике бывает нелегко, поэтому в научных исследованиях он встречается реже, чем другие методы.

Имеются две основные разновидности эксперимента: естественный и лабораторный. Друг от друга они отличаются тем, что позволяют изучать психологию и поведение людей в условиях, отдаленных или приближенных к действительности. Естественный эксперимент организуется и проводится в обычных жизненных условиях, где экспериментатор практически не вмешивается в ход происходящих событий, фиксируя их в том виде, как они разворачиваются сами по себе. Лабораторный эксперимент предполагает создание некоторой искусственной ситуации, в которой изучаемое свойство можно лучше всего изучить.

Данные, получаемые в естественном эксперименте, лучше всего соответствуют типичному жизненному поведению индивида, реальной психологии людей, но не всегда точны из-за отсутствия у экспериментатора возможности строго контролировать влияние всевозможных факторов, на изучаемое свойство. Результаты лабораторного эксперимента, напротив, выигрывают в точности, но зато уступают в степени естественности — соответствия жизни.

Моделирование как метод применяется в том случае, когда исследование интересующего ученого явления путем простого наблюдения, опроса, теста или эксперимента затруднено или невозможно в силу сложности или труднодоступности. Тогда прибегают к созданию искусственной модели изучаемого феномена, повторяющей его основные параметры и предполагаемые свойства. На этой модели детально исследуют данное явление и делают выводы о его природе.

Модели могут быть техническими, логическими, математическими, кибернетическими. Математическая модель представляет собой выражение или формулу, включающую переменные и отношения между ними, воспроизводящие элементы и отношения в изучаемом явлении. Техническое моделирование предполагает создание прибора или устройства, по своему действию напоминающего то, что подлежит изучению. Кибернетическое моделирование основано на использовании в качестве элементов модели понятий из области информатики и кибернетики. Логическое моделирование основано на идеях и символике, применяемой в математической логике.

Наиболее известными примерами математического моделирования в психологии являются формулы, выражающие собой законы Бугера — Вебера, Вебера — Фехнера и Стивенса. Логическое моделирование широко используется при изучении мышления человека и его сравнении с решением задач вычислительной машиной. С множеством разнообразных примеров технического моделирования мы встречаемся в научных исследованиях, посвященных изучению восприятия и памяти человека. Это — попытки построения перцептронов — машин, способных наподобие человека воспринимать и перерабатывать сенсорную информацию, запоминать и воспроизводить ее. Иллюстрацией кибернетического моделирования является использование в психологии идей математического программирования на ЭВМ. Это привело к попыткам представления и описания поведения человека, его психологии по аналогии с действием электронно-вычислительных устройств. Пионерами в этом отношении в психологии выступили известные американские ученые Д. Миллер, Ю. Галантер, К. Прибрам. Отметив наличие в организме такой же сложной, иерархически построенной системы регуляции поведения, какая характеризует структуру и функционирование программ для ЭВМ, они сделали вывод о том, что подобным же образом может быть описано и поведение человека.

1.2 Понятия «модель» и «моделирование» в психологии

В современной науке понятие «модель» интерпретируется различным образом, и такая многозначность этого понятия затрудняет определение его особенностей и создание единой классификации моделей. Целесообразно рассмотреть основные интерпретации понятия «модель» в науке в целом и в психологии, в частности.

Термин «модель» (от лат. «modelium» — мера, образ, способ) употребляется для обозначения образа (прообраза) или вещи, сходной в каком-то отношении с другой вещью. Как следствие, термин «модель» в контексте проблематики научных исследований используется для обозначения аналога какого-либо объекта, явления или системы, которые являются оригиналом при использовании метода моделирования. Под моделью понимается мысленно представленная или материально реализованная система, отображающая или воспроизводящая комплекс существенных свойств и способная замещать объект в процессе познания.

В соответствии с общенаучной интерпретацией этого термина, под моделью в психологии будем понимать естественное или искусственно созданное явление, предназначенное для изучения социальнопсихологических феноменов.

Термин «моделирование» используется для обозначения научного метода, заключающегося в осуществлении различных процедур, связанных с моделью (создание, преобразование, интерпретация), причем для его раскрытия употребляются такие категории, как «подражание», «воспроизведение», «аналогия», «отражение». Универсальной, полностью раскрывающей смысл данного понятия, по нашему мнению, является следующая формулировка. «Моделирование — опосредованное практическое и теоретическое исследование объекта, при котором непосредственно изучается не сам интересующий нас объект, а некоторая вспомогательная искусственная или естественная система (модель): а) находящаяся в некотором объективном соответствии с познаваемым объектом; б) способная замещать его на определенных этапах познания и в) дающая при исследовании в конечном счете информацию о самом моделируемом объекте».

В психологии из всего многообразия дефиниций термина «моделирование» можно выделить следующие наиболее часто встречающиеся определения, максимально отображающие всю многогранность этого понятия. Во-первых, моделирование как форма познавательной деятельности, включающая мышление и воображение. Во-вторых, моделирование как метод познания объектов и явлений через их модели. В-третьих, моделирование как процесс непосредственного создания и усовершенствования каких-либо моделей.

Соответственно, в психологии под методом моделирования будем понимать опосредованное практическое и теоретическое исследование социально-психологического явления (предмета, процесса и т.д.) с помощью некоторой искусственно или естественно созданной системы (модели).

На основе анализа использования метода моделирования были выявлены его особенности как метода познания, в том числе и как метода познания социально-психологических явлений:

)использование наглядной, демонстрационной основы;

)получение новых знаний путем вывода по аналогии;

)установление отношений гомоморфизма или изоморфизма между моделью и оригиналом.

Основные результаты анализа подходов к использованию метода моделирования в психологии могут быть представлены следующим образом.

Первой особенностью метода моделирования в психологии является наличие наглядной, демонстрационной основы. В моделях социально-психологических явлений используются для наглядности геометрические формы и графические схемы. Так, основой модели мотивации А. Маслоу является «пирамида потребностей», в модели когнитивного баланса межличностных отношений Р-О-Х, предложенной Ф. Хайдером для описания процессов перцепции и межличностных отношений, используется «треугольник межличностных отношений», а в моделях управления межличностными отношениями Г. Келли, Дж. Тибо используются «матрицы взаимозависимости».

Наглядной основой для моделирования когнитивных процессов служат когнитивные карты (в рамках общепсихологического подхода), которые в рамках общепсихологического подхода являются технологией работы субъектов с информацией и визуализируют образ пространственной организации внешнего мира. В психологии используется вариант когнитивных карт — «ментальные карты» как техника стимулирования группового творческого мышления и креативности.

Другим вариантом когнитивной карты является граф, использующийся в различных направлениях социально-психологических исследований. Впервые теория графов для изучения объектов психологии была использована в школе К. Левина, в которой ключевая категория «динамическое поле» рассматривалась как целостная самоорганизующаяся система. Графы применяли для изучения структуры динамического поля через представление взаимоотношений между индивидами внутри группы и динамики их изменений. В дальнейшем теория графов использовалась социальными психологами при изучении межличностных отношений в малых группах посредством графического представления результатов исследований социометрии и референтометрии. В отечественной психологии графы используются в стратометрической концепции малых групп А.В. Петровского для представления структурных уровней межличностных отношений.

Второй особенностью метода моделирования в психологии является получение новых знаний о каком-либо объекте путем вывода по аналогии. Вывод по аналогии — логическая основа метода моделирования. Правомерность сделанного на таком основании вывода зависит от понимания исследователем характера аналогичных отношений, их значимости в моделируемой системе. Понимаемое в таком контексте моделирование связано с обобщением, абстрагированием исследователя от некоторых свойств прототипа. Однако при таком варианте восхождение к абстрактному неизбежно будет связано с упрощением и огрублением прототипа в некоторых отношениях, использующихся при его моделировании.

Одна из форм аналогии — метафора, которая была самой первой чувственнонаглядной основой метода моделирования. Так, Г. Морган использует при анализе различных типов организации научные метафоры «машины», «организма», «мозга» и «культуры» («бюрократическая организация как машина», «саморазвивающаяся организация как живая система», «самообучающаяся организация как мозг», «организация как культурная система»). Символический интеракционизм обращается к «драматургической» метафоре («театр как аналог жизни»). В частности, И. Гоффман, рассматривая социальноролевое взаимодействие людей в русле «драматургии», использует именно театральную терминологию.

Третьей особенностью метода моделирования в психологии является установление отношений изоморфизма и гомоморфизма между моделью и оригиналом.

Моделирование с установлением отношений изоморфизма и гомоморфизма — более редкий метод в психологии, поскольку его использование основано на применении математического аппарата.

Системы признаются изоморфными, если между их элементами, функциями, свойствами и отношениями существует или может быть установлено взаимооднозначное соответствие. Примером изоморфной модели является структура интегральной индивидуальности, разработанная В.С. Мерлином для анализа характера взаимосвязей свойств различных уровней интегральной индивидуальности (в том числе ее социально-психологического и социально-исторического уровней). Психологами пермской школы неоднократно подтверждалось взаимооднозначное соответствие между моделью интегральной индивидуальности и результатами эмпирических исследований.

В психологии отношения изоморфизма между моделью и оригиналом можно обнаружить в тех исследованиях, в которых в той или иной форме представлены статистические распределения частот встречаемости некоторых социально-психологических феноменов. Так, вариативность характеристик социально-психологических свойств личности, исследуемых с помощью психодиагностических методик (CPI, 16PF, NEO FFI и др.), подчиняется законам нормального распределения. Средние по уровню выраженности показатели социально-психологических свойств личности встречаются наиболее часто, а минимальные и максимальные — значительно реже. На этом основана стандартизация психодиагностических методик. Однако могут встречаться и иные закономерности. В частности, в исследованиях динамики свойств личности и группы под воздействием кинопроизведений обнаруживается гиперболическое распределение частот проявляемых эффектов: после экспериментальных воздействий обнаруживается минимальное количество сильных, специфических для каждого художественного произведения эффектов воздействия и максимальное количество — слабых, неспецифических эффектов.

Гомоморфизм является более общим и слабым отношением между оригиналом и моделью, так как при этом не выполняется, как минимум, одно из трех условий: соответствие элементов, соответствие функций, взаимооднозначное соответствие свойств и отношений. Тем не менее, сохранение гомоморфных отношений считается достаточным для использования метода моделирования в психологии.

Отношения гомоморфизма между оригиналом и моделью можно обнаружить в исследовании эволюции художественных стилей и трендов развития художественной коммуникации. В частности, В. Петров постулирует принцип эволюции художественных стилей, что выражается в периодической смене приоритетности у публики аналитического и синтетического стилей и эстетических предпочтений данных стилей. Динамика изменения приоритетности художественных стилей носит неточный синусоидальный характер. Аналогично, гомоморфные отношения между оригиналом и моделью можно увидеть в исследовании трендов развития художественной коммуникации, проявляющиеся в постепенном наращивании (с постоянными флуктуациями) плотности информации в разных видах искусства с течением времени.

В целом, метод моделирования стал неотъемлемой частью научных исследований в психологии. Анализ специфики использования этого метода в психологии позволяет сделать вывод о том, что некоторые особенности его применения проявляются часто, а другие — реже. Наиболее частыми вариантами применения метода моделирования в социально-психологических исследованиях являются образное, наглядное представление новых концепций, установление отношений подобия с уже изученными феноменами, а также обобщенное представление результатов эмпирических исследований в тех сферах, где существует большое количество разнообразных подходов. Значительно реже в описании результатов социально-психологического исследования встречается установление отношений изоморфизма и гомоморфизма между моделью и оригиналом, так как для этого в процессе моделирования требуется использование математического аппарата и статистической обработки данных.

1.3 Классификация видов моделирования в психологии

В научной литературе предложены различные варианты классификаций видов моделирования, причем следует отметить отсутствие единой классификации в силу многозначности самого понятия «модель». Разнообразие классификаций обусловлено возможностью их проведения по различным основаниям: по характеру моделей, по способу моделирования, по характеру моделируемых объектов, по виду создаваемых моделей, по сферам их приложения и уровням моделирования и т. д.

В психологии целесообразно проведение анализа возможностей и сфер применения одной из существующих классификаций видов моделирования, основанной на представлении о разнообразии используемых средств. Согласно этой классификации, моделирование подразделяется на два больших класса: материальное (субстанциональное) моделирование и идеальное моделирование.

Материальное (субстанциональное) моделирование основывается на материальной аналогии объекта и его модели. При построении данных моделей выделяют функциональные характеристики (пространственные, физические, поведенческие и т.д.) исследуемого объекта, а сам процесс исследования связан с непосредственным материальным воздействием на объект.

Соответственно, в материальных моделях социально-психологических явлений необходимо моделирование одного вида групповой деятельности посредством другого. К такому виду моделирования в психологии можно отнести разработанные Я.Л. Морено психодраму и социодраму, которые включают проигрывание реальных ситуаций в терапевтических группах для развития творческого потенциала человека и расширения возможностей адекватного поведения и взаимодействия с людьми. К данному виду относится и моделирование реальной совместной деятельности через проигрывание ситуаций в социально-психологическом тренинге с помощью кибернометра, разработанное Н.Н. Обозовым.

Идеальное моделирование основывается на мыслимой аналогии между объектом исследования и моделью и подразделяется на интуитивное моделирование и знаковое (формализованное) моделирование. Интуитивное моделирование заключается в отражении окружающего мира и основывается на интуитивном представлении об объекте исследования и создании мысленного образа. Данный вид моделирования применяется чаще всего в начале процесса познания объекта моделирования или для исследования объектов с очень сложными системными взаимосвязями.

В психологии обращение к интуитивному моделированию можно встретить в исследованиях процесса принятия групповых решений и в исследованиях практического интеллекта менеджеров. В организационной психологии к данному виду моделирования относится построение общего видения организации, создание модели будущего через антиципацию предстоящих событий или социально-психологических явлений.

Знаковое моделирование заключается в исследовании объекта и получении новых знаний путем логического или математического выводов из первоначального описания модели. Данный вид моделирования применяется в тех случаях, когда необходима строгая формализация имеющихся данных и при этом неприменима теория подобия. В процессе знакового моделирования используют схемы, графики, формулы, которые являются непосредственно моделями этого метода. Знаковое моделирование подразделяется на два вида в зависимости от способа моделирования и используемых средств: математическое моделирование и компьютерное моделирование.

Математическое моделирование является методом изучения реального объекта, процесса или системы через их замену математической моделью, которая выражает количественные и качественные характеристики с помощью математических терминов и уравнений. Данный метод моделирования применяется, когда по каким-либо причинам невозможно провести эксперимент. Некоторые социально-психологические процессы, например, принятие решений на выборах или распределение голосов избирателей, определяются исследователями полностью в математических терминах.

На основе анализа применения математического моделирования в социально-психологических исследованиях могут быть выделены четыре варианта наиболее распространенных математических моделей в психологии. Такие математические модели социально-психологических феноменов имеют различные математические основания: системы линейных или дифференциальных уравнений, аппарат теории вероятности, системы нелинейных уравнений; теория самоорганизации и синергетика.

В рамках данной классификации могут быть рассмотрены следующие модели социального поведения: модель социального поведения Л.Ф. Ричардсона (или модель гонки вооружений), основанная на системе линейных уравнений; модель социального поведения, основанная на теории игр и аппарате теории вероятности; модель социального поведения Э. Даунса, основанная на системах нелинейных уравнений; модели описания нелинейных социально-психологических процессов, базирующиеся на теории самоорганизации сложных систем и синергетике. Далее представлен более подробный анализ применения метода моделирования для каждой из этих моделей.

Математическое моделирование, основанное на системе линейных уравнений. Как уже указано выше, к данному виду математического моделирования относится использование модели социального поведения Л.Ф. Ричардсона («модель гонки вооружений»), которая учитывает действие трех факторов: наличие военной угрозы, бремени расходов и прошлых обид между двумя какими-либо государствами. Такая модель представляет класс динамических моделей, моделирующих развитие некоторого процесса во времени и обладающих способностью прогнозировать будущее. К концу семидесятых годов модель Ричардсона была неоднократно экспериментально подтверждена на разных вариантах гонки вооружений и оказалась наиболее эффективна в случаях краткосрочных прогнозов.

Математический аппарат на основе системы линейных уравнений используется, в частности, для прогнозирования активности менеджеров в инновационной деятельности и выявления оптимальных социально-психологических воздействий для повышения ее эффективности. На основе психологической диагностики моделируется ролевая активность менеджеров, значимая для введения инноваций.

Математическое моделирование, базирующееся на теории игр и математическом аппарате теории вероятности. Данный вид математического моделирования является наиболее распространенным в психологии и представляет собой системный подход, обеспечивающий понимание поведения игроков в ситуациях, когда их успехи и поражения взаимозависимы. «Игры» в рамках данной теории — это ситуации, в которых два или несколько участников делают выбор своих действий, и выигрыш или проигрыш каждого участника зависит от совместного выбора обоих (всех).

Теория игр прежде рассматривалась на материале одного из типов соревнования, которое было названо «игра с нулевой суммой». Условием этого типа игры является принцип «сколько один игрок выигрывает, столько же другой игрок проигрывает». Однако большая часть социально-психологических ситуаций являются вариантами игр с ненулевой суммой (или «кооперативных игр»), в которых оба игрока при определенных условиях могут оказаться в выигрыше. В политической психологии лучше всего из кооперативных игр изучена «дилемма заключенного». В психологии такая модель используется для контроля выполнения договоров, принятия решений и для определения оптимального поведения в ситуациях конкуренции с различным числом участников.

Математическое моделирование, основанное на системе нелинейных уравнений. К данному виду математического моделирования относится модель Э. Даунса, предназначенная для исследований явлений в политической психологии. Простейший вариант графического представления модели Э. Даунса представляет собой колоколообразную кривую в декартовой системе координат, выражающей идеологические позиции. Такая модель объясняет соотношение идеологических позиций кандидатов на всеобщих выборах и изменение их позиций в промежутке между первичными и повторными выборами.

Математическое моделирование, основанное на теории самоорганизации и синергетике. К данному виду математического моделирования относятся модели, предназначенные для исследования открытых нелинейных диссипативных систем, далеких от равновесия. Такими системами является большинство объектов, изучаемых психологией. Неравно-весность социально-психологических явлений заключается в их иррегулярном поведении, проявляющемся в спонтанной активности, в активном характере восприятия, в выборе цели индивидом или группой.

Системы, в которых происходит самоорганизация, являются сложными и обладают большим числом степеней свободы (возможных направлений развития). С течением времени в системе выделяются доминирующие варианты развития, к которым «подстраиваются» остальные. Развитие нелинейных систем многовариантно и необратимо. Для управления такой системой нужно воздействовать на нее в тот момент, когда она находится в состоянии предельной неустойчивости (именуемое точкой бифуркации). Таким образом, в качестве новых приоритетов современной картины мира синергетика вводит феномен неопределенности и многовариантности развития, идею возникновения порядка из хаоса.

В психологии примером моделей, основанных на теории самоорганизации, является «модель тюремных бунтов». На математическом аппарате теории самоорганизации основывается «модель выработки единого мнения» в исследовании организационного поведения и процессов принятия решений. К данному виду математического моделирования относится моделирование эффектов личностной динамики после художественных воздействий, в том числе исследующее максимально неустойчивые катастрофические состояния субъектов.

Компьютерное моделирование является методом исследования сложных систем и явлений с помощью использования их компьютерной модели. Данный метод реализуется в виде алгоритмов (строго сформулированных последовательных инструкций), применяемых для создания программных средств. Этот вид моделирования позволяет облегчить исследования сложных процессов и явлений с помощью больших систем уравнений, не поддающихся решению алгебраическими средствами.

В психологии компьютерное моделирование применяется при исследовании обширных социально-психологических процессов (например, массовое поведение, смена настроений масс) или при изучении ситуаций, сопряженных с обработкой большого количества информации (например, процессов обучения).

Представленный выше анализ видов моделирования, используемых в психологии, позволяет предложить и обосновать их классификацию на основе применяемых в процессе моделирования средств. Согласно этой классификации, наиболее распространенным видом моделирования в психологии является материальное моделирование, которое включено в процессы психологического и организационного консультирования, социально-психологических тренингов. В исследованиях политической психологии чаще используется математическое моделирование, поскольку оно позволяет реализовать социальный запрос на получение точного и достоверного прогноза. В целом, математическое и компьютерное моделирование в последние годы приобретает особую значимость в научных исследованиях социально-психологических явлений. Их использование дает возможность выбрать оптимальную и рациональную стратегию и тактику реализации исследовательских программ.

Эмпирические методы — это те методы, которые мы проводим с помощью органов чувств. Психологическое моделирование — создание формальной модели психического или социально-психологического процесса, то есть формализованной абстракции данного процесса, воспроизводящей его некоторые основные, ключевые, по мнению данного исследователя, моменты с целью его экспериментального изучения либо с целью экстраполяции сведений о нём на то, что исследователь считает частными случаями данного процесса. Модель компактно и наглядно организует факты, предполагает взаимозависимость установленных фактов. Модель включает в себя явления, которые ожидаются с некоторой вероятностью. Она пригодна для дальнейшего планирования эксперимента. Модель позволяет привлечь к анализу количественные данные, построить объяснение с помощью каких-то новых переменных, увидеть объект под новым углом зрения. Обобщение экспериментальных данных позволяет предлагать и такие модели, которые отражают специфику неявных социально-психологических закономерностей; таковы, в частности, закономерности смыслового восприятия убеждающей речи в модели К. Ховленда и М. Шерифа.

При исследовании сложных объектов модель позволяет объединить разрозненные знания. С помощью модели можно выбрать наиболее рациональную стратегию и тактику реализации исследовательских программ. Оценка системы с длительными циклами развития с помощью модели происходит в более сжатые сроки. Все это позволяет снижать затраты материальных ресурсов для проведения экспериментов с моделями или делать выводы о невозможности таких экспериментов. На практике с помощью моделей обосновываются принимаемые решения, моделирование сопутствует прогнозированию, планированию и управлению.

.1 Основные типы моделей

Единая классификация видов моделирования затруднена в силу многозначности понятия «модель» в науке. Ее можно проводить по различным основаниям: по характеру моделей (по средствам моделей), по характеру моделируемых объектов, по сферам их приложения и его уровням. В связи с этим любая классификация обречена на неполноту.

В зависимости от средств моделирования различают материальные и идеальные модели. Материальное (субстанциональное) моделирование основывается на материальной аналогии объекта и его модели. Для построения данного типа моделей необходимо выделить функциональные характеристики (геометрические, физические) исследуемого объекта. Процесс исследования связан с материальным воздействием на объект.

К материальным (субстанциальным) моделям социально-психологических явлений можно отнести те, которые моделируют один вид групповой деятельности посредством другого. Примером этого типа моделирования являются исследования на кибернометре, проводившиеся Н.Н. Обозовым, проигрывание ситуаций в социально-психологическом тренинге. Например, в моделировании ситуаций в группах активного социально-психологического обучения субъектом является ведущий и группа используется как «материал» для построения и определения моделей. Субъектом может являться группа вместе с ведущим. Такое моделирование подразумевает включение в модель проявлений личности в целом, затрагивая аффективную, ценностную и неосознаваемую часть опыта человека. В итоге внутриличностный опыт участников переформулируется.

Также к субстанциональным моделям можно отнести социально-психологические эксперименты. Так, колония А. Макаренко являлась субстанциональной моделью организации и осуществления воспитательной работы с подростками.

Большой класс моделей представляют идеальные модели. Идеальное моделирование основано на мыслимой аналогии. Идеальное моделирование подразделяется на знаковое (формализованное) и интуитивное моделирование. Последнее применяется там, где процесс познания только начинается или системные взаимосвязи очень сложные. Жизненный опыт человека можно рассматривать как интуитивную модель межличностных отношений. Возможен вариант построения модели, при котором формальная структура выбирается на интуитивных основаниях.

Моделями знакового моделирования являются схемы, графики, чертежи, формулы. Важнейшим видом знакового моделирования является математическое моделирование. Не всякая знаковая система выступает в качестве модели, так как знаковая система лишь в том случае становится моделью, если она становится предметом исследования, если в ее пределах и ее средствами решаются задачи, решение и смысл которых лежат за пределами данной знаковой системы. Так, естественный язык может выступать в роли модели при изучении быта, культуры, экономических и социальных отношений; естественные языки выступают в роли моделей при исследовании закономерностей мышления, представляющего собой отражения объективного мира.

Существенным моментом создания любой знаковой модели является формализация. Всякая формализация сопровождается следующими процедурами:

Задается алфавит (конечный или бесконечный).

Задаются правила, порождающие из исходных знаков алфавита «слова», «формулы».

Формулируются правила, по которым от одних слов, формул данной системы можно переходить к другим словами и формулам (так называемые правила вывода).

В зависимости от характера и целей создаваемой модели могут формулироваться (но могут и не формулироваться) предложения, считающиеся исходными (аксиомы или постулаты). Как правило, формулируются не сами аксиомы данной знаковой системы, а схемы аксиом с соответствующими правилами подстановки.

Знаковые модели обладают некоторой самостоятельностью. В их пределах и их средствами зачастую ставятся и решаются задачи, реальный смысл которых может быть первоначально не ясен. В знаковых моделях теория подобия абсолютно не применима.

Сегодня большая часть исследований по знаковым моделям ведется в русле логико-математических. В этих моделях природа прототипа и модели уже не играет никакой роли. В этих моделях важны чисто логические и математические свойства. Описание модели в этом случае не отделимо от самой модели. Возможность экспериментирования отсутствует и заменяется выводом. Новые знания получаются путем логического и математического выводов из первоначального описания модели. Математическое моделирование в социальной психологии не ограничивается операциями количественными, оно может иметь дело также и с качественными характеристиками. Некоторые социально-психологические процессы — такие, как принятие решений на выборах или распределение голосов избирателей, могут быть определены полностью в математических терминах. В подобных случаях математические модели являются средством изучения логических следствий из наблюдаемых правил.

В случае сложных систем, когда неясно количественное выражение множества целевых функций, используются имитационные модели. Имитационное моделирование применяется для анализа поведения системы, здесь не исследуются фундаментальные законы динамики системы. При этом функционирование сложной системы представляется в виде определенного алгоритма, который реализуется на ЭВМ.

Возможен вариант построения модели, при котором формальная структура выбирается на интуитивных основаниях. Принятая формальная модель может подсказать нам общее структурное представление об изучаемой системе. В этом случае осознание и вербализация концепции следуют за уже готовой ее математической формой. Множество возможных абстрактных структур заведомо меньше множества их конкретных интерпретаций.

Математические и компьютерные модели. Примером математической модели социального поведения может служить модель Льюиса Ф. Ричардсона, или модель гонки вооружений. Рассмотрим ее для иллюстрации компактности, трансформируемости и эффективности математических моделей. Эта модель учитывает действие всего лишь трех факторов: а) государство Х ощущает наличие военной угрозы со стороны государства Y, точно такая же логика действует со стороны государства Y; б) бремя расходов; в) прошлые обиды.

Хt +1 = kYt — aXt + g+1 = mXt — bYt + h

и Yt — величины уровней вооружения в момент времени t

Коэффициенты k, m, a, b — являются положительными величинами, а g и h — положительными или отрицательными в зависимости от того, насколько в целом враждебно или дружественно настроены государства.

Величина угрозы отражена в членах kYt и mXt, поскольку, чем больше эти числа, тем больше количество вооружений у противной стороны.

Величина расходов отражена в членах aXt и mYt, поскольку за счет этих членов снижается уровень вооружений в следующем году.

Константы g и h отражают величину прошлой обиды, которая в рамках данной модели считается неизменной.

К концу семидесятых годов модель была испробована уже сотни раз на самых разных вариантах гонки вооружений. Модель Ричардсона в целом эффективна в случаях краткосрочных прогнозов; характера гонки вооружений и, следовательно, прогнозирования войн, так как почти всем современным войнам предшествует нестабильная гонка вооружений.

Модель Ричардсона — это только один из представителей большого класса динамических моделей, т.е. таких, которые моделируют развитие некоторого процесса во времени. Многие из таких моделей реализуются в виде дифференциальных уравнений, а многие заимствуют математический аппарат из моделей демографического роста и других биологических процессов (8, 12, 14).

Одна из наиболее развитых областей математического моделирования социального поведения называется теорией игр. «Игры» в рамках данной теории — это ситуации, в которых два или более участника делают выбор в отношении своих действий, и выигрыш каждого участника зависит от совместного выбора обоих (всех). Игры, изучаемые теорией игр, обычно более формализованы, чем традиционные, и вознаграждения в них представляют собой не просто выигрыш или проигрыш, а нечто боле сложное, но принцип соревнования здесь и там один и тот же.

Теория игр вначале рассматривалась на материале одного из типов соревнования, которое носит название игры с нулевой суммой. Условие этого типа игры: сколько один игрок выигрывает, столько же другой проигрывает. К этой категории принадлежит большая часть обычных игр. Однако большая часть социально-психологических ситуаций являются играми с ненулевой суммой, или кооперативными, когда оба игрока при определенных условиях могут оказаться в выигрыше (то есть тот факт, что один из игроков выиграл вовсе не означает тот факт, что другой столько же проиграл). Из кооперативных игр лучше всего изучена игра «дилемма заключенного». Эта модель может применяться для обоюдного контроля выполнения деловых контрактов, принятие решений о начале активных действий (забастовки, коллективные сговоры). В реальной действительности игроки чаще выбирают сотрудничество, несмотря на все факторы, подталкивающие их к обману.

Третьим примером математических моделей, которые очень хорошо известны, является модель Даунса. Модель позволяет объяснить, почему кандидаты на всеобщих выборах не занимают совпадающие позиции и почему кандидаты часто меняют свои идеологические позиции в промежутке между первичными и повторными выборами. Простейший вариант модели Даунса представляет собой колоколообразную кривую, проходящую вдоль единой фиксированной идеологической оси.

Кроме рассмотренных моделей, к математическим моделям относятся модели ожидаемой полезности. Они эффективны при решении вопросов, какие меры следует предпринять (прескриптивные модели), но предсказать действительное поведение людей (дескриптивные модели) они не могут. К этим моделям близки модели оптимизации, которые по большей части были заимствованы из экономической науки и инженерного дела. Эти модели полезны для определения оптимального поведения, например когда в качестве соперника выступает непредсказуемое будущее, в ситуациях конкуренции с малым числом участников, а кроме того в условиях конкуренции, когда обстановка определяется большим числом участников (8). Математическое описание колебательных процессов вызывает интерес в связи с изучением мотивации, модели формирования общественного мнения описывают с помощью кинетических уравнений. Статические задачи как правило записываются в виде алгебраических выражений, динамические — в виде дифференциальных и конечноразностных уравнений.

Многомерность социально-психологических явлений может быть достаточно полно описана в настоящее время методами современного многомерного анализа, включающего в частности, методы многомерной статистики, кластерный анализ и анализ латентных структур, многомерное шкалирование и др.

Компьютерные модели основываются на программировании с использованием не уравнений, а алгоритмов (строго сформулированных последовательных инструкций). Компьютерные модели бывают особенно эффективны при изучении ситуаций, сопряженных с обработкой большого количества информации, например, процессов обучения, нечисловых процессов. Очень часто применяется такая форма компьютерной модели как экспертная система. В ней используется большое количество установок типа «если … то». Экспертные системы проявили свои возможности в точном воспроизведении поступков людей в самых разнообразных областях. Еще более сложными являются динамические компьютерные имитационные модели, которые моделируют сложные процессы с помощью больших систем уравнений, не поддающихся решению алгебраическими средствами. Объектами компьютерных имитационных моделей могут быть обширные социально-психологические процессы (смена настроений масс, массовое поведение) и эти модели все чаще используются для проигрывания сценариев типа «что будет, если…».

Модели нелинейных процессов.

Быстрое развитие синергетики, теории самоорганизации сложных систем, было обусловлено поиском моделей для описания нелинейных процессов. Синергетика имеет дело с открытыми нелинейными диссипативными системами, далекими от равновесия. Практически все объекты, с которыми сталкивается социальная психология можно отнести к этому классу. Под открытыми системами понимают такие, которые могут обмениваться энергией, веществом, информацией с окружающей средой. И отдельный человек и социальные группы относятся к открытым системам. Нелинейность систем предполагает, что в реальных социальных и социально-психологических системах последствия представляют собой результат воздействия множества причин. Более того, следствия оказывают обратное влияние на породившие их причины. Под свойством диссипативности в широком смысле понимается способность изучаемой системы «забывать» детали внешних воздействий. Основное свойство таких систем — необычайная чувствительность к всевозможным воздействиям и в связи с этим чрезвычайная неравновесность. Неравновесность социально-психологических явлений проявляется в их иррегулярном поведении. Сложные социально-психологические процессы напоминают бесконечный компьютер, в котором заложено бесконечное число коммуникантов, это делает невозможным выделение «начального сигнала» (руководства) и определение четкого адресата.

Неравновесное состояние изучаемых объектов иллюстрируют процессы спонтанной активности, активного характера восприятия, выбора цели индивидом или группой.

Системы, в которых происходит самоорганизация, могут быть сложными и обладать огромным числом степеней свободы, что может привести к реализации совершенно случайных последовательностей. Наличие многообразия степеней свободы порождает хаос, который в синергетике рассматривается как причина развития структур, как сложноорганизованная последовательность. С течением времени в системе выделяется небольшое количество ведущих степеней свободы, к которым «подстраиваются» остальные. В процессе самоорганизации у целого появляются свойства, которыми не обладает ни одна из частей. Развитие нелинейных систем необратимо и многовариантно. Эволюция такой системы определяется не ее прошлым, а будущим. Для управления такой системой нужно воздействовать на нее в момент, когда она находится в состоянии неустойчивости (вблизи так называемой точки бифуркации), причем надо организовать очень точное воздействие. Оно может быть чрезвычайно слабым, но, будучи очень точным, приведет к радикальному изменению всей эволюции системы. В качестве новых приоритетов современной картины мира синергетика вводит, таким образом, феномен неопределенности и многоальтернативности развития, идею возникновения порядка из хаоса.

На принципиальное значение процессов самоорганизации для психики человека не раз обращали внимание крупные психологи. Ключевая категория К. Левина «динамическое поле» рассматривалась как целостная самоорганизующаяся система. Г. Олпорт обсуждал понятие самоконфронтации, которое, можно рассматривать в рамках идеи самоорганизации. Модели, иллюстрирующие связь явлений с теорией самоорганизации: модель тюремных бунтов, теория катастроф, модель миграции, Модель выработки единого мнения Г.А. Саймона и Г. Гутцкова.

В типологию моделей входят также структурные, функциональные и смешанные модели. Субстанциональные модели вызываются к жизни трудностями технического и организационного характера. Структурные модели имитируют внутреннюю организацию оригинала. Они могут быть как знаковыми, так и незнаковыми. Функциональные модели имитируют способ поведения оригинала. Они также как и структурные модели меньше привязаны к оригиналу. Эти модели могут быть как материальными, так и идеальными. Функциональное моделирование — это основной метод кибернетики на современном этапе. Объективной основой кибернетического подхода является относительная независимость функции от структуры, т.е. факт существования потенциального множества конкретных структур, способных выполнять данную функцию.

Отдельные типы моделей в чистом виде встречаются редко. Модели обычно из одномерных превращаются в многомерные. Субстанциональная модель должна быть либо структурной, либо функциональной, либо той и другой. Функционально-структурные модели по степени вероятности выводов значительно уступают структурно — функциональным моделям.

Модели также можно разделить по степени полноты. По этому основанию они делятся на полные и неполные. Чем полнее модель, тем она сложнее, поэтому совсем необязательно в каждом случае стремиться к созданию полной модели. В качестве начального этапа исследования выгоднее и удобнее бывает создавать неполные модели, так как они позволяют быстрее получить результат. Хотя этот результат менее точен, чем при использовании полной модели, но в большинстве случаев на первом этапе исследования его использование вполне оправдано. Чем больше модель, тем осторожнее следует к ней относиться. Построить эффективную модель, значит найти такое описание ее, которое дает ответ на конкретно поставленный вопрос. Общая модель сложного объекта называется агрегированной и составляется из детализированных моделей.

2.2 Этапы моделирования

1.Формулирование проблемы исследования, определение целей, постановка задач моделирования.

Проблемная ситуация есть основа всякого анализа, именно она является предметом моделирования. Любая проблемная ситуация имеет объективную и субъективную основу и важно не допустить абсолютизации ни одной из них.

Пример. Модель социально-психологической адаптации вынужденных мигрантов. Цель: организация социально-психологической помощи и адаптация мигрантов. Задачи: мониторинг социально-психологического состояния мигрантов; консультирование и оказание медико-психологической помощи; обеспечение центров социально-психологической адаптации мигрантов.

Теоретическая проблема: отсутствие типологии социально-психологической адаптации мигрантов и незнание моделей их адаптивного поведения.

Практическая проблема: противоречивость внутригрупповых требований и требований нового этноса к мигрантам.

. Обоснование необходимости обращения к методу моделирования.

Например:

Особенности объекта исследования.

Необходим прогноз поведения.

Наличие детализированных моделей и т.п.

. Теоретическая подготовка процесса моделирования. Построение неформализованной модели (метафоры, когнитивные карты, системный анализ объекта). Отбираются инструменты, которые способны объяснить отобранные наблюдения, но при этом определены недостаточно строго. Необходимо определить, какой из наборов теоретических допущений (потенциальных моделей) принять.

Пример: адаптация вынужденных мигрантов — принятие норм, ценностей новой среды, форм социального взаимодействия + личный, общественный интерес, социальные функции.

. Построение концептуальной модели.

Представление механизмов действия и взаимодействия структурообразующих единиц модели, формирование показателей. Переменных не должно быть много.

Пример: выделение активной и пассивной адаптации теоретическим путем. Определение в качестве показателей защитных механизмов поведения, групповых механизмов, конфликта с нормами, девиантного поведения и др.

. Конструирование формализованной модели.

Формирование пространства переменных и описание в их терминах единиц модели, сбор данных и идентификация модельных параметров и отношений, верификация модели.

Формализация не обязательно достигает уровня, на котором обнаруженные отношения описываются математически. Формальным в широком смысле слова можно считать любое исследование концепции однозначным языком. Таким образом, нужно, как минимум, превратить неупорядоченную совокупность категорий в дедуктивную систему. Но поскольку множество возможных абстрактных структур заведомо меньше множества их конкретных интерпретаций, концепция психолога следует за уже готовой математической формой. Эмпирическая проверка нужна не всегда, поскольку процесс описывается иногда исчерпывающим образом. Проверка модели включает в себя и этап операционализации, измерения и статистического анализа.

Пример. Исходное положение дедуктивной системы: нормальная адаптация ведет к устойчивой приспособляемости без патологии личности и без нарушения норм.

. Исследование моделей и получение новой информации.

Пример. Выявлено, что некоторые мигранты преодолевают внутригрупповые проблемные ситуации необычным способом, возникает конфликт с групповыми нормами; у других возникает конфликт со своей группой.

. Переход от полученной модельной информации к переструктурированным знаниям о предмете исследования.

Деформализация и содержательная интерпретация, анализ, обобщение и объяснение.

. Включение модельных знаний в систему теоретического знания об объекте исследования.

Пример. Создание более содержательной типологии социально-психологической адаптации вынужденных мигрантов: нормальная защитная адаптация, незащитные адаптивные процессы, неконформистская адаптация, новаторская адаптация, патологическая адаптация.

Некоторые особенности метода моделирования в психологии проявляются часто, другие — реже. Наиболее частым вариантом применения метода моделирования в социально-психологических исследованиях является образное, наглядное представление новых концепций, установление отношений подобия с уже изученными феноменами. Несколько реже встречается применение метода моделирования через установление отношений изоморфизма и гомоморфизма, так как для этого в процессе моделирования требуется использование математического аппарата и статистической обработки данных. Но именно применение метода моделирования в социально-психологических исследованиях через установление отношений изоморфизма и гомоморфизма позволяет выйти в эмпирических исследованиях на качественно новый уровень, который будет основан на достоверной психологической диагностике и современных математических методах, в том числе математической статистики.

Этапами моделирования являются — формулирование проблемы исследования, обоснование необходимости обращения к методу моделирования, теоретическая подготовка процесса, построение концептуальной модели, конструирование формализованной модели, исследование моделей и получение новой информации, переход от полученной модельной информации к переструктурированным знаниям о предмете исследования, включение модельных знаний в систему теоретического знания об объекте.

Заключение

Следует обратить внимание на сложности, связанные с моделированием. Модель не может быть лучше заложенных в нее исходных допущений. Валидность модели зависит не от ее аппарата, а от допущений. Самый частый недостаток моделей — сверхупрощенные исходные допущения. Например, модель Ричардсона дает сбой в ситуациях, связанных с ядерным оружием. В модели не учитываются несущественные в определенном отношении свойства, которые могут быть существенны в ином отношении. Выданные моделью результаты должны быть правильно переведены на естественный язык. Часто общность выводов модели переоценивается.

Модель компактно и наглядно организует факты, предполагает взаимозависимость установленных фактов. Модель включает в себя явления, которые ожидаются с некоторой вероятностью. Модель позволяет привлечь к анализу количественные данные, построить объяснение с помощью каких-то новых переменных, увидеть объект под новым углом зрения. Обобщение экспериментальных данных позволяет предлагать и такие модели, которые отражают специфику неявных социально-психологических закономерностей; таковы, в частности, закономерности смыслового восприятия убеждающей речи в модели К. Ховленда и М. Шерифа.

Список литературы

1. Кравченко, А.И. Психология и педагогика: учеб. [для вузов]/ А.И. Кравченко. — М.: ТК Велби: Проспект, 2007. — 400 с.

2. Маклаков, А.Г. Общая психология: учеб. пособие для вузов и слушателей курсов психол. Дисциплин/ А.Г. Маклаков. — СПб.: Питер, 2010. — 582 с.

Островский, Э.В. Психология и педагогика: учеб. пособие для вузов по эконом. специальностям / Э.В. Островский, Л.И. Чернышева; под ред. Э.В. Островского. — М.: Вузов. учеб., 2007. — 380 с.

Рамедник, Д.М. Общая психология и психологический практикум: учеб. пособие для вузов / Д.М. Рамедник. — М.: ФОРУМ, 2009. — 303 с.

Реан, А.А. Психология и педагогика: учеб. пособие для вузов/ А.А. Реан, Н.В. Бордовская, С.И. Розум. — СПб.: Питер, 2006. — 432 с.

Байдлих В. Социодинамика. Системный подход к математическому моделированию в социальных науках. М., 2004.

Дружинин В.Н. Экспериментальная психология — СПб: Издательство «Питер», 2000. — 320 с.

Глинский Б.А., Грязнов Б.С., Дынин Б.С. Моделирование как метод научного исследования. — М., 1998.

Рубинштейн С.Л. Основы общей психологии. — СПб.: Питер, 1999. — 138 с.

Никандров В.В. Метод моделирования в психологии. — СПб: Издательство «Речь», 2003

Немов Р.С. Психология. Учеб. для студентов высш. пед. учеб. заведений. В 3 кн. Кн. 1. Общие основы психологии. — М.: Просвещение: Владос, 2003. — 688 с.

Нуркова В.В., Березанская Н.Б. Психология: Учебник. М., 2004. — 119 с.

Психология: Учебник / Под редакцией В.Н. Дружинина. СПб., 2003. — 198 с.

Введение в психологию / Под ред. А.В. Петровского. М., 2011. — 133 с.

Гиппенрейтер, Ю.Б. Введение в общую психологию. Курс лекций. — Москва: АСТ, 2008 год. — 352 с.


Репетиторство

Нужна помощь по изучению какой-либы темы?

Наши специалисты проконсультируют или окажут репетиторские услуги по интересующей вас тематике.
Отправь заявку с указанием темы прямо сейчас, чтобы узнать о возможности получения консультации.

Моделирование как метод исследования в современной психологии. Понятия «модель» и «моделирование» в психологии

Психологическое моделирование Этимология.

Происходит от греч. psyche — душа + logos — учение и лат. modulus — образец.

Категория.

Воссоздание в лабораторных условиях психической деятельности для исследования ее структуры.

Специфика.

Осуществляется при помощи предоставления испытуемому различных средств, которые могут включаться в структуру деятельности. В качестве таких средств, наряду с прочим, используются различные тренажеры, макеты, схемы, карты, видеоматериал.

Психологический словарь . И.М. Кондаков . 2000 .

ПСИХОЛОГИЧЕСКОЕ МОДЕЛИРОВАНИЕ

(англ. psychological modelling ) — метод, воспроизводящий определенную психическую деятельность с целью ее исследования или совершенствования путем имитации жизненных ситуаций в лабораторной обстановке . Для создания модели жизненной ситуации часто используются моделирующие устройства. В частности, моделирующие устройства дидактического назначения представлены тренажерами различных типов и аудиовизуальными пособиями (макеты, карты, теле- и киноустановки). Для научных исследований применяются, кроме того, моделирующие устройства (стимуляторы) для исследования способностей индивидуума, эффективности функционирования систем «человек-машина» и т. п. Назначение этих устройств состоит в имитации определенной трудовой, спортивной и т. п. ситуации, в которую включается испытуемый, и регистрации особенностей поведения испытуемого в данной ситуации. См. .

Большой психологический словарь. — М.: Прайм-ЕВРОЗНАК . Под ред. Б.Г. Мещерякова, акад. В.П. Зинченко . 2003 .

Смотреть что такое «психологическое моделирование» в других словарях:

    Психологическое Моделирование — воссоздание в лабораторных условиях психической деятельности для исследования ее структуры. Осуществляется при помощи предоставления испытуемому различных средств, которые могут включаться в структуру деятельности. В качестве таких средств,… … Психологический словарь

    Психологическое моделирование — Психологическое моделирование создание формальной модели психического или социально психологического процесса, то есть формализованной абстракции данного процесса, воспроизводящей его некоторые основные, ключевые, по мнению данного… … Википедия

    ПСИХОЛОГИЧЕСКОЕ МОДЕЛИРОВАНИЕ — метод, воспроизводящий определенную психическую деятельность с целью ее исследования или совершенствования путем имитации жизненных или производственных ситуаций в лабораторной обстановке. Модели ситуаций представляют собой обычно моделирующие… …

    ПМ представляет собой учебное моделирование на занятиях внешних и внутренних (психологических) условий решения правоохранительных задач, максимально приближенных к реальным служебным, служебно боевым и боевым, в которых сотрудники готовятся… …

    Моделирование необходимо для приучения сотрудников к преодолению трудностей реальных ситуаций (см. Психологическое моделирование служебных ситуаций на занятиях), формирования для этого необходимых знаний, навыков, умений, привычек, качеств,… … Энциклопедия современной юридической психологии

    Моделирование — Моделирование исследование объектов познания на их моделях; построение и изучение моделей реально существующих объектов, процессов или явлений с целью получения объяснений этих явлений, а также для предсказания явлений, интересующих… … Википедия

    Состоит из следующих основных направлений деятельности специалиста психолога: 1) разработка психологических рекомендаций при планировании оперативно тактических комбинаций, что диктуется, с одной стороны, криминально психологическими… … Энциклопедия современной юридической психологии

    Этимология. Происходит от лат. modulus образец. Категория. Средство обучения. Специфика. Отработка определенных психологических операций, прежде всего в научно теоретической сфере, на системах, служащих отображением реальных процессов окружающей… …

    1. Построение моделей протекания некоих психологических процессов с целью формальной проверки их работоспособности. 2. Воссоздание деятельности психической в лабораторных условиях для исследования ее структуры. Выполняется путем предоставления… … Большая психологическая энциклопедия

    Моделирование в обучении — [лат. modus образ] 1) содержание образования и способ познания, которым учащиеся должны овладеть в обучении; 2) одно из основных учебных действий, являющееся составным элементом учебной деятельности. Первый аспект означает включение в содержание… … Энциклопедический словарь по психологии и педагогике

Моделирование в психологии (англ. modelling in psychology ) — применение метода моделирования в психологических исследованиях. Развивается в 2 направлениях: 1) знаковая, или техническая, имитация механизмов, процессов и результатов психической деятельности — моделирование психики; 2) организация, воспроизведение того или иного вида человеческой деятельности путем искусственного конструирования среды этой деятельности (напр. , в лабораторных условиях), что принято называть психологическим моделированием.

Моделирование психики — метод исследования психических состояний, свойств и процессов, который заключается в построении моделей психических явлений, в изучении функционирования этих моделей и использовании полученных результатов для предсказания и объяснения эмпирических фактов. По полноте отражения объекта в модели можно выделить следующие классы и подклассы моделей психики: знаковые (образные, вербальные, математические), программные (жестко алгоритмические, эвристические, блок-схемные), вещественные (бионические). Такая последовательность моделей отражает постепенный переход от описательной имитации результатов и функций психической деятельности к вещественной имитации ее структуры и механизмов.

Моделирование психики тесно связано с проблемой искусственного интеллекта и построением сложных управляющих информационных и вычислительных машин и систем. Работы по моделированию психики ведутся не только в психологии, но и в смежных областях — бионике, кибернетике, вычислительной технике, информатике, синергетике. Первые успехи в моделировании психики достигнуты в середине XX в. на базе цифровой и аналоговой вычислительной техники.

Современный уровень знаний о психической деятельности позволяет широко развернуть исследования лишь на первых ступенях приближения модели к объекту, поэтому наиболее разработаны в настоящее время знаковые (в частности, математические) и программные (в частности, эвристические) модели. С их помощью удалось имитировать некоторые аспекты таких процессов и свойств психики, как восприятие, память, обучаемость, логическое мышлениеи т. д. Делаются первые попытки построить вещественные — гипотетические и бионические — модели психической деятельности.

Проблемой моделирования мышления в мире занимаются давно, однако, несмотря на большой поток (в основном прикладных) работ, область искусственного интеллекта испытывает сейчас значительный кризис и все чаще высказывается мнение об отсутствии общей концепции мышления и необходимости ее создании. Построение модели мышления как механизма управления поведением, обеспечивающего мыслящим системам возможность автономного существования в широком классе изменений условий внешней среды является одним из главных направлений работ сектора.

Поскольку поведения строится на основе хранящихся в памяти законов и правил, позволяющих посредством анализа, логического вывода и других преобразований входной информации, принимать решения, т.е. находить неизвестные пути к целям, формировать действия, предсказывать изменения и пр., причем не все законы заранее известны, то необходимым этапом становится обучение, т.е. основанный на наблюдениях, выдвижении и проверке гипотез поиск законов.

Именно с обучением связаны основные проблемы моделирования мышления, одна из которых состоит в том, что в исходных описаниях ситуаций число связываемых гипотезами характеристик чрезвычайно велико, из-за чего возникает так называемый «комбинаторный взрыв», когда перебор и проверка гипотез становятся практически нереализуемыми. Необходимо сокращение размерности исходных описаний. Вторая проблема связана с тем, что при случайно выбранном языке представления гипотез большая их часть, пройдя проверку на конечном множестве примеров, будут оставаться ненадежными, т. е. на новых примерах выполняться не будут. Единственная возможность – использование языка изначально согласованного с устройством мира.

Ведется разработка такого языка. Основу языка составляет понятие объекта пространства — времени. В качестве объектов могут фигурировать представления предметов, их частей, траекторий движения, процессы и пр. Каждому объекту и каждой его части соответствует свой канонический пространственно-временной базис, в котором задается его описание.

Со структурой языка согласовываются алгоритмы обработки входной информации и архитектура ассоциативной памяти, обеспечивающие процессы формирования понятий и законов и их использование при принятии решений.

Алгоритмы рассчитываются на высокую степень распараллеливания вычислений. М.Н. Вайнцвайгом и М.П. Поляковой построена теоретическая модель ассоциативной памяти, позволяющая инвариантно к локальным преобразованиям базисов и найденным ранее законам устанавливать частичное соответствие картин входа и памяти, распознавать объекты входных картин и отдельные их части, строить инвариантное предсказание ближайших контрастных событий.

При параллельной реализации выполнение указанных процессов обеспечивается в реальном времени.

В качестве одной из задач, на которых ведется отладка модели и ее коррекция, рассматриваются действия системы в мире движущихся предметов, где имеют место законы трения, соударения и отражения, взаимодействия масс, зарядов и пр. Цели системы состоят в выполнении в тех или иных местах пространства-времени ситуаций с заданными свойствами.

По мере обучения происходит постепенное расширение класса ситуаций, в которых обеспечивается возможность достижения целей.

Изучение процессов мышления позволяет моделировать их с помощью ЭВМ. Моделирование процессов мышления, с одной стороны, открывает перспективы для создания машин, решающих различные задачи. С другой стороны, применение методов моделирования способствует более глубокому изучению психических процессов. Поэтому программа вычислительной машины, выступая в качестве модели некоторых сторон мыслительной деятельности, является как средством исследования, так и средством автоматизации умственного труда.

Моделирование отдельных сторон мышления чело­века может быть реализовано на основе эвристических машинных программ (эвристическое программирование). В них с психологических позиций рассматривается поведение человека как сложной информационной системы. Цель состоит в том, чтобы построить систему-модель, поведение которой в выбранных ситуациях соответствовало бы поведению человека. Такая модель должна решать задачи, используя те же методы, способы и приемы переработки информации, которыми пользуется человек. На этом пути возникает проблема изучения алгоритмов переработки информации человеком, а также проблема изучения человеческих эвристик, т. е. способов решения задач человеком.

Эвристические машинные модели создаются следующим образом. Путем экспериментального исследования поведения человека при решении задач выбранного типа выявляются наиболее характерные приемы и методы решения. На этой основе выдвигается гипотеза об алгоритмах, описывающих выбран­ный тип деятельности человека. Для проверки гипотезы строится ее модель (в виде программы ЭВМ) и сопоставляется поведение модели и человека при решении задач данного класса. Результаты сопоставления используются для коррекции гипотезы и самой модели.

Для построения модели разработан также ряд способов, с помощью которых ЭВМ может решить поставленную задачу, если алгоритм ее заранее неизвестен. К этим эвристическим способам относятся: поиск правильного решения из некоторого множества путем перебора; ограничение перебора вариантов за счет опознания объектов исследования по некоторому набору их признаков; обучение машины стратегии поиска на основе закрепленного опыта; сокращение поиска путем предварительного планирования; нахождение закономерностей в исходных данных (индукция). Количество этих способов может быть увеличено, причем каждый из них включает свои подспособы.

Таким образом, эвристическое программирование основывается на двух моментах: на воссоздании некоторых интеллектуальных человеческих действий и на анализе специфических свойств и особенностей объекта, в отношении которого осуществляется программирование. В области практического использования эвристических машинных программ получены интересные результаты.

Созданные программы можно разделить на два класса.

К первому классу относятся программы, в основе которых лежит гипотеза об общих механизмах процесса решения задач. Особенностью таких программ является их обобщенный характер, возможность решения на их основе широкого класса задач. К ним относится, например, программа «Общий решатель проблем» (ОРП). Общий характер программы обусловлен тем, что она состоит из отдельных частей, каждая из которых занимается учетом определенных факторов. Основой ОРП является ядро программы, которое состоит из исполнительного алгоритма и арсенала эвристических способов формулирования, оценки и решения определенных задач. Программа работает в следующих основных понятиях: объекты (геометрические фигуры, выражения символической логики и т. п.) и способы преобразования этих объектов (операторы), которые изменяют состояние объектов, их свойства и различия между ними. ОРП может действовать в любой среде, в которой можно определить совокупность объектов и в которой эти объекты могут быть преобразованы или скомбинированы в другие объекты путем применения распознающих «операторов» или правил преобразования.

Ко второму классу относятся программы, созданные на основе наблюдения и анализа какой-либо конкретной деятельности и способные решать задачи, возникающие именно в этой деятельности. Примером является программа для решения задачи оптимального распределения операций между рабочими на конвейере. Эта программа была создана на основе анализа мыслительной деятельности инженеров — организаторов производства.

Заканчивая общую характеристику эвристических машинных программ, следует подчеркнуть, что в них используется упрощенная модель задачи с ограниченным перебором вариантов, но без полной гарантии получения оптимального решения. Рассмотренные программы еще далеки от человеческих эвристик. По сути дела, в них решается не творческая мыслительная задача, а более простая лабиринтная задача с известными областями поиска, начальными условиями и конечной целью. Для выработки новых алгоритмов в ходе решения используется методика перебора вариантов (проб и ошибок), но с известным сокращением. Моделируются лишь отдельные стороны мыслительной деятельности человека. Основной путь оптимизации рассмотренных программ состоит в приближении их к человеческим эвристикам, особенностям концептуальной модели, формируемой человеком.

Более полно особенности человеческого мышления учтены при разработке метода ситуационного управления. Метод предназначен для автоматизации процессов управления и основан на психологическом изучении мышления оператора. В результате исследований установлено, что процесс решения оперативной проблемы есть не столько выбор одного варианта, из нескольких возможных (как это принято в эвристических машинных программах), сколько формирование варианта, ведущего к решению. Этот принцип и ис­пользован в методе ситуационного управления. Суть его состоит в том, что ЭВМ строит внутри себя систему отношений или модель управляющего объекта, а дальнейшая стратегия управления формируется на основе динамики этой модели.

Метод ситуационного управления, являясь итогом психологических исследований процесса решения задач, может выполнять двоякую функцию. С одной стороны, это путь построения программ, позволяющих автоматизировать такие управленческие процессы, которые до его создания не могли быть переданы ЭВМ или автоматизировались не лучшим образом. С другой стороны, такой метод может быть рассмотрен как математический инструмент описания реальной мыслительной деятельности оператора в процессе решения сложных задач по оперативному управлению. Все это позволяет по-новому подойти к решению проблемы распределения функций между человеком и ЭВМ в системе управления, поскольку применение метода позволяет передать машине решение многих задач, которые еще недавно были доступны лишь человеку.

К настоящему времени метод ситуационного управления внедрен на ряде предприятий нашей страны. Причем везде, где он внедрялся, получен существенный экономический эффект.

Большой интерес представляют также машинные программы моделирования мыслительных процессов, в основу построения которых положено понятие логико-психологических координат (ЛПК). Эти программы базируются на так называемой операторно-гностической модели мышления. В ее основу положены две гипотезы: положение об «одноканальности» сознания и «многоканальное™» наглядно-содержательной интуиции и положение о несовместимости в осознаваемой части интеллекта операторного (связанного с выполнением операций) и логико-психологического (концептуального) компонентов мыслительного процесса.

Центральным звеном операторно-гностической модели являются ЛПК, которые включают в себя как эвристические, так и логико-алгоритмические компоненты. Логико-психологические координаты — это одновременно и условие познания соответствующих мыслительных механизмов, и путь разработки «психологического» обеспечения ЭВМ и АСУ. На основе экспериментальных психологических исследований анализируется роль ЛПК, которыми человек, находясь в проблемной ситуации, руководствуется в своей деятельности. Выявленные ЛПК используются затем для оптимизации машинных программ.

Рассмотренные подходы к созданию машинных моделей мыслительной деятельности являются составной частью более широкого научного направления, известного под названием «искусственный интеллект» и занимающегося созданием машинных систем для решения сложных задач. При этом не выдвигается в качестве обязательного условия имитация естественного интеллекта. Главное — чтобы машинные программы выдавали результаты, аналогичные тем, которые получает человек. Поэтому в общем случае работы в области искусственного интеллекта направлены не столько на моделирование существа познавательных процессов, сколько на автоматизацию сложных форм деятельности — автоматизацию, для которой достаточно описания внешнего поведения человека.

Как известно, в психологии и кибернетике различают три уровня сходства между мышлением человека и программами ЭВМ:

■ сходство результатов;

■ сходство общих методов и приемов;

■ сходство между последовательностями отдельных операций и деталей решения.

Работы в области искусственного интеллекта ориентированы в основном лишь на сходство результатов. В психологических направлениях этих работ (эвристические машинные программы, методы ситуационного управления и др.) делаются, кроме того, попытки получения сходства методов, приемов и последовательности выполнения отдельных операций. Однако эти попытки крайне ограничены, поэтому между интеллектом человека и его машинными аналогами (искусственным интеллектом) остаются принципиальные различия.

Дмитриева Юлия Александровна 2013

Социальная психология

УДК 316.6.001.57 ББК Ю95

МЕТОД МОДЕЛИРОВАНИЯ В СОЦИАЛЬНОЙ ПСИХОЛОГИИ

Ю.А. Дмитриева, В.Г. Грязева-Добшинская

Рассматривается актуальность использования моделирования в социальной психологии как метода общенаучного уровня. Раскрываются понятия «модель» и «моделирование» в контексте научных исследований в социальной психологии. Анализируются особенности метода моделирования в социально-психологических исследованиях: использование наглядной, демонстрационной основы; получение новых знаний путем вывода по аналогии; установление отношений гомоморфизма или изоморфизма между моделью и оригиналом. Представлен вариант классификации видов моделирования в социальной психологии, созданный на основе изучения используемых средств моделирования.

Ключевые слова: модель, моделирование, метод моделирования в социальной психологии, классификация видов моделирования в социальной психологии.

Метод моделирования активно используется в научном познании и в различных направлениях практической деятельности людей. Он применяется на всех этапах исследований и в естественно-научной, и в социально-гуманитарной сферах. Отмечается его универсальность и принадлежность к методам общенаучного уровня, при этом подчеркивается специфика метода моделирования в каждой области знания .

В социальных науках метод моделирования начал применяться в первой половине XX столетия, и интенсивность его использования постоянно возрастает . Ситуация на рубеже ХХ-ХХ1 столетий характеризуется наличием динамичных и разнонаправленных изменений во всех сферах жизнедеятельности человека. Актуальной становится проблематика адаптации человека в сложном изменяющемся мире. В частности, в социально-психологических исследованиях малых групп, команд, коллективов возникают задачи прогнозирования эффективного направления развития деятельности в условиях неопределенности и планирования оптимальных программ отбора и обучения персонала. Такого рода задачи социально-психологических исследований представляется возможным решить с помощью метода моделирования, позволяющего выйти на качественно новый уровень исследований социально-психологических явлений.

Очевидно, что в современных условиях требуется определение специфики примене-

ния метода моделирования в социальной психологии, выявление его особенностей и возможностей при исследовании различных социально-психологических явлений. На основе анализа особенностей применения метода моделирования в социальной психологии предлагается классификация видов моделирования.

Понятия «модель» и «моделирование» в социальной психологии

В современной науке понятие «модель» интерпретируется различным образом, и такая многозначность этого понятия затрудняет определение его особенностей и создание единой классификации моделей. Целесообразно рассмотреть основные интерпретации понятия «модель» в науке в целом и в социальной психологии, в частности.

Термин «модель» (от лат. «modelium» -мера, образ, способ) употребляется для обозначения образа (прообраза) или вещи, сходной в каком-то отношении с другой вещью . Как следствие, термин «модель» в контексте проблематики научных исследований используется для обозначения аналога какого-либо объекта, явления или системы, которые являются оригиналом при использовании метода моделирования. Под моделью понимается мысленно представленная или материально реализованная система, отображающая или воспроизводящая комплекс существенных свойств и способная замещать объект в процессе познания .

В соответствии с общенаучной интерпретацией этого термина, под моделью в социальной психологии будем понимать естественное или искусственно созданное явление, предназначенное для изучения социальнопсихологических феноменов.

Термин «моделирование» используется для обозначения научного метода, заключающегося в осуществлении различных процедур, связанных с моделью (создание, преобразование, интерпретация), причем для его раскрытия употребляются такие категории, как «подражание», «воспроизведение», «аналогия», «отражение» . Универсальной, полностью раскрывающей смысл данного понятия, по нашему мнению, является следующая формулировка. «Моделирование — … опосредованное практическое и теоретическое исследование объекта, при котором непосредственно изучается не сам интересующий нас объект, а некоторая вспомогательная искусственная или естественная система (модель): а) находящаяся в некотором объективном соответствии с познаваемым объектом; б) способная замещать его на определенных этапах познания и в) дающая при исследовании в конечном счете информацию о самом моделируемом объекте» .

В психологии из всего многообразия дефиниций термина «моделирование» можно выделить следующие наиболее часто встречающиеся определения, максимально отображающие всю многогранность этого понятия. Во-первых, моделирование как форма познавательной деятельности, включающая мышление и воображение. Во-вторых, моделирование как метод познания объектов и явлений через их модели. В-третьих, моделирование как процесс непосредственного создания и усовершенствования каких-либо моделей .

Соответственно, в социальной психологии под методом моделирования будем понимать опосредованное практическое и теоретическое исследование социально-психологического явления (предмета, процесса и т. д.) с помощью некоторой искусственно или естественно созданной системы (модели).

На основе анализа использования метода моделирования были выявлены его особенности как метода познания, в том числе и как метода познания социально-психологических явлений:

1) использование наглядной, демонстрационной основы;

2) получение новых знаний путем вывода по аналогии;

3) установление отношений гомоморфизма или изоморфизма между моделью и оригиналом.

Основные результаты анализа подходов к использованию метода моделирования в социальной психологии могут быть представлены следующим образом.

Первой особенностью метода моделирования в социальной психологии является наличие наглядной, демонстрационной основы.

В моделях социально-психологических явлений используются для наглядности геометрические формы и графические схемы. Так, основой модели мотивации А. Маслоу является «пирамида потребностей» , в модели когнитивного баланса межличностных отношений Р-О-Х, предложенной Ф. Хайдером для описания процессов социальной перцепции и межличностных отношений, используется «треугольник межличностных отношений» , а в моделях управления межличностными отношениями Г. Келли, Дж. Тибо используются «матрицы взаимозависимости» .

Наглядной основой для моделирования когнитивных процессов служат когнитивные карты (в рамках общепсихологического подхода), которые в рамках общепсихологического подхода являются технологией работы субъектов с информацией и визуализируют образ пространственной организации внешнего мира. В социальной психологии используется вариант когнитивных карт — «ментальные карты» как техника стимулирования группового творческого мышления и социальной креативности .

Другим вариантом когнитивной карты является граф, использующийся в различных направлениях социально-психологических исследований. Впервые теория графов для изучения объектов социальной психологии была использована в школе К. Левина, в которой ключевая категория «динамическое поле» рассматривалась как целостная самоорганизующаяся система. Графы применяли для изучения структуры динамического поля через представление взаимоотношений между индивидами внутри группы и динамики их изменений . В дальнейшем теория графов использовалась социальными психологами при изучении межличностных отношений в малых группах посредством графического представления результатов исследований социометрии и рефе-рентометрии . В отечественной психологии графы используются в стратометрической концепции малых групп А.В. Петровского для

представления структурных уровней межличностных отношений .

Второй особенностью метода моделирования в социальной психологии является получение новых знаний о каком-либо объекте путем вывода по аналогии.

Вывод по аналогии — логическая основа метода моделирования. Правомерность сделанного на таком основании вывода зависит от понимания исследователем характера аналогичных отношений, их значимости в моделируемой системе. Понимаемое в таком контексте моделирование связано с обобщением, абстрагированием исследователя от некоторых свойств прототипа. Однако при таком варианте восхождение к абстрактному неизбежно будет связано с упрощением и огрублением прототипа в некоторых отношениях, использующихся при его моделировании.

Одна из форм аналогии — метафора, которая была самой первой чувственнонаглядной основой метода моделирования. Так, Г. Морган использует при анализе различных типов организации научные метафоры «машины», «организма», «мозга» и «культуры» («бюрократическая организация как машина», «саморазвивающаяся организация как живая система», «самообучающаяся организация как мозг», «организация как культурная система») . Символический интерак-ционизм обращается к «драматургической» метафоре («театр как аналог жизни»). В частности, И. Гоффман, рассматривая социальноролевое взаимодействие людей в русле «социальной драматургии», использует именно театральную терминологию .

Третьей особенностью метода моделирования в социальной психологии является установление отношений изоморфизма и гомоморфизма между моделью и оригиналом .

Моделирование с установлением отношений изоморфизма и гомоморфизма — более редкий метод в социальной психологии, поскольку его использование основано на применении математического аппарата.

Системы признаются изоморфными, если между их элементами, функциями, свойствами и отношениями существует или может быть установлено взаимооднозначное соответствие. Примером изоморфной модели является структура интегральной индивидуальности, разработанная В.С. Мерлином для анализа характера взаимосвязей свойств различных уровней интегральной индивидуальности (в том числе ее социально-психологического

и социально-исторического уровней). Психологами пермской школы неоднократно подтверждалось взаимооднозначное соответствие между моделью интегральной индивидуальности и результатами эмпирических исследований .

В социальной психологии отношения изоморфизма между моделью и оригиналом можно обнаружить в тех исследованиях, в которых в той или иной форме представлены статистические распределения частот встречаемости некоторых социально-психологических феноменов. Так, вариативность характеристик социально-психологических свойств личности, исследуемых с помощью психодиагностических методик (CPI, 16PF, NEO FFI и др.), подчиняется законам нормального распределения. Средние по уровню выраженности показатели социально-психологических свойств личности встречаются наиболее часто, а минимальные и максимальные — значительно реже. На этом основана стандартизация психодиагностических методик. Однако могут встречаться и иные закономерности. В частности, в исследованиях динамики свойств личности и группы под воздействием кинопроизведений обнаруживается гиперболическое распределение частот проявляемых эффектов: после экспериментальных воздействий обнаруживается минимальное количество сильных, специфических для каждого художественного произведения эффектов воздействия и максимальное количество — слабых, неспецифических эффектов .

Гомоморфизм является более общим и слабым отношением между оригиналом и моделью, так как при этом не выполняется, как минимум, одно из трех условий: соответствие элементов, соответствие функций, взаимооднозначное соответствие свойств и отношений. Тем не менее, сохранение гомоморфных отношений считается достаточным для использования метода моделирования в социальной психологии.

Отношения гомоморфизма между оригиналом и моделью можно обнаружить в исследовании эволюции художественных стилей и трендов развития художественной коммуникации . В частности, В. Петров постулирует принцип эволюции художественных стилей, что выражается в периодической смене приоритетности у публики аналитического и синтетического стилей и эстетических предпочтений данных стилей. Динамика изменения приоритетности художественных

стилей носит неточный синусоидальный характер . Аналогично, гомоморфные отношения между оригиналом и моделью можно увидеть в исследовании трендов развития художественной коммуникации, проявляющиеся в постепенном наращивании (с постоянными флуктуациями) плотности информации в разных видах искусства с течением времени .

В целом, метод моделирования стал неотъемлемой частью научных исследований в социальной психологии. Анализ специфики использования этого метода в социальной психологии позволяет сделать вывод о том, что некоторые особенности его применения проявляются часто, а другие — реже. Наиболее частыми вариантами применения метода моделирования в социально-психологических исследованиях являются образное, наглядное представление новых концепций, установление отношений подобия с уже изученными феноменами, а также обобщенное представление результатов эмпирических исследований в тех сферах, где существует большое количество разнообразных подходов. Значительно реже в описании результатов социально-психологического исследования встречается установление отношений изоморфизма и гомоморфизма между моделью и оригиналом, так как для этого в процессе моделирования требуется использование математического аппарата и статистической обработки данных.

Классификация видов моделирования в социальной психологии

В научной литературе предложены различные варианты классификаций видов моделирования, причем следует отметить отсутствие единой классификации в силу многозначности самого понятия «модель». Разнообразие классификаций обусловлено возможностью их проведения по различным основаниям: по характеру моделей, по способу моделирования, по характеру моделируемых объектов, по виду создаваемых моделей, по сферам их приложения и уровням моделирования и т. д. .

В социальной психологии целесообразно проведение анализа возможностей и сфер применения одной из существующих классификаций видов моделирования, основанной на представлении о разнообразии используемых средств. Согласно этой классификации, моделирование подразделяется на два больших класса: материальное (субстанциональное) моделирование и идеальное моделирование .

Материальное (субстанциональное) моделирование основывается на материальной аналогии объекта и его модели. При построении данных моделей выделяют функциональные характеристики (пространственные, физические, поведенческие и т.д.) исследуемого объекта, а сам процесс исследования связан с непосредственным материальным воздействием на объект .

Соответственно, в материальных моделях социально-психологических явлений необходимо моделирование одного вида групповой деятельности посредством другого. К такому виду моделирования в социальной психологии можно отнести разработанные Я.Л. Морено психодраму и социодраму, которые включают проигрывание реальных ситуаций в терапевтических группах для развития творческого потенциала человека и расширения возможностей адекватного поведения и взаимодействия с людьми . К данному виду относится и моделирование реальной совместной деятельности через проигрывание ситуаций в социально-психологическом тренинге с помощью кибернометра, разработанное

Н.Н. Обозовым .

Идеальное моделирование основывается на мыслимой аналогии между объектом исследования и моделью и подразделяется на интуитивное моделирование и знаковое (формализованное) моделирование. Интуитивное моделирование заключается в отражении окружающего мира и основывается на интуитивном представлении об объекте исследования и создании мысленного образа. Данный вид моделирования применяется чаще всего в начале процесса познания объекта моделирования или для исследования объектов с очень сложными системными взаимосвязями .

В социальной психологии обращение к интуитивному моделированию можно встретить в исследованиях процесса принятия групповых решений и в исследованиях практического интеллекта менеджеров . В организационной психологии к данному виду моделирования относится построение общего видения организации, создание модели будущего через антиципацию предстоящих событий или социально-психологических явлений .

Знаковое моделирование заключается в исследовании объекта и получении новых знаний путем логического или математического выводов из первоначального описания модели. Данный вид моделирования применяется в тех слу-

чаях, когда необходима строгая формализация имеющихся данных и при этом неприменима теория подобия. В процессе знакового моделирования используют схемы, графики, формулы, которые являются непосредственно моделями этого метода. Знаковое моделирование подразделяется на два вида в зависимости от способа моделирования и используемых средств: математическое моделирование и компьютерное моделирование .

Математическое моделирование является методом изучения реального объекта, процесса или системы через их замену математической моделью, которая выражает количественные и качественные характеристики с помощью математических терминов и уравнений. Данный метод моделирования применяется, когда по каким-либо причинам невозможно провести эксперимент. Некоторые социально-психологические процессы, например, принятие решений на выборах или распределение голосов избирателей, определяются исследователями полностью в математических терминах .

На основе анализа применения математического моделирования в социально-психологических исследованиях могут быть выделены четыре варианта наиболее распространенных математических моделей в социальной психологии. Такие математические модели социально-психологических феноменов имеют различные математические основания: системы линейных или дифференциальных уравнений, аппарат теории вероятности, системы нелинейных уравнений; теория самоорганизации и синергетика.

В рамках данной классификации могут быть рассмотрены следующие модели социального поведения: модель социального поведения Л.Ф. Ричардсона (или модель гонки вооружений), основанная на системе линейных уравнений; модель социального поведения, основанная на теории игр и аппарате теории вероятности; модель социального поведения

Э. Даунса, основанная на системах нелинейных уравнений; модели описания нелинейных социально-психологических процессов, базирующиеся на теории самоорганизации сложных систем и синергетике. Далее представлен более подробный анализ применения метода моделирования для каждой из этих моделей.

Математическое моделирование, основанное на системе линейных уравнений. Как уже указано выше, к данному виду математического моделирования относится использование моде-

ли социального поведения Л.Ф. Ричардсона («модель гонки вооружений»), которая учитывает действие трех факторов: наличие военной угрозы, бремени расходов и прошлых обид между двумя какими-либо государствами. Такая модель представляет класс динамических моделей, моделирующих развитие некоторого процесса во времени и обладающих способностью прогнозировать будущее. К концу семидесятых годов модель Ричардсона была неоднократно экспериментально подтверждена на разных вариантах гонки вооружений и оказалась наиболее эффективна в случаях краткосрочных прогнозов .

Математический аппарат на основе системы линейных уравнений используется, в частности, для прогнозирования активности менеджеров в инновационной деятельности и выявления оптимальных социально-психологических воздействий для повышения ее эффективности. На основе психологической диагностики моделируется ролевая активность менеджеров, значимая для введения инноваций .

Математическое моделирование, базирующееся на теории игр и математическом аппарате теории вероятности. Данный вид математического моделирования является наиболее распространенным в социальной психологии и представляет собой системный подход, обеспечивающий понимание поведения игроков в ситуациях, когда их успехи и поражения взаимозависимы. «Игры» в рамках данной теории — это ситуации, в которых два или несколько участников делают выбор своих действий, и выигрыш или проигрыш каждого участника зависит от совместного выбора обоих (всех).

Теория игр прежде рассматривалась на материале одного из типов соревнования, которое было названо «игра с нулевой суммой». Условием этого типа игры является принцип «сколько один игрок выигрывает, столько же другой игрок проигрывает». Однако большая часть социально-психологических ситуаций являются вариантами игр с ненулевой суммой (или «кооперативных игр»), в которых оба игрока при определенных условиях могут оказаться в выигрыше. В политической психологии лучше всего из кооперативных игр изучена «дилемма заключенного» . В социальной психологии такая модель используется для контроля выполнения договоров, принятия решений и для определения оптимального поведения в

ситуациях конкуренции с различным числом участников .

Математическое моделирование, основанное на системе нелинейных уравнений. К данному виду математического моделирования относится модель Э. Даунса, предназначенная для исследований явлений в политической психологии. Простейший вариант графического представления модели Э. Даунса представляет собой колоколообразную кривую в декартовой системе координат, выражающей идеологические позиции. Такая модель объясняет соотношение идеологических позиций кандидатов на всеобщих выборах и изменение их позиций в промежутке между первичными и повторными выборами .

Математическое моделирование, основанное на теории самоорганизации и синергетике. К данному виду математического моделирования относятся модели, предназначенные для исследования открытых нелинейных диссипативных систем, далеких от равновесия. Такими системами является большинство объектов, изучаемых социальной психологией. Неравно-весность социально-психологических явлений заключается в их иррегулярном поведении, проявляющемся в спонтанной активности, в активном характере восприятия, в выборе цели индивидом или группой .

Системы, в которых происходит самоорганизация, являются сложными и обладают большим числом степеней свободы (возможных направлений развития). С течением времени в системе выделяются доминирующие варианты развития, к которым «подстраиваются» остальные. Развитие нелинейных систем многовариантно и необратимо. Для управления такой системой нужно воздействовать на нее в тот момент, когда она находится в состоянии предельной неустойчивости (именуемое точкой бифуркации). Таким образом, в качестве новых приоритетов современной картины мира синергетика вводит феномен неопределенности и многовариантности развития, идею возникновения порядка из хаоса .

В социальной психологии примером моделей, основанных на теории самоорганизации, является «модель тюремных бунтов». На математическом аппарате теории самоорганизации основывается «модель выработки единого мнения» в исследовании организационного поведения и процессов принятия решений . К данному виду математического моделирования относится моделирование эффектов личностной динамики после художе-

ственных воздействий, в том числе исследующее максимально неустойчивые катастрофические состояния субъектов .

Компьютерное моделирование является методом исследования сложных систем и явлений с помощью использования их компьютерной модели. Данный метод реализуется в виде алгоритмов (строго сформулированных последовательных инструкций), применяемых для создания программных средств. Этот вид моделирования позволяет облегчить исследования сложных процессов и явлений с помощью больших систем уравнений, не поддающихся решению алгебраическими средствами .

В социальной психологии компьютерное моделирование применяется при исследовании обширных социально-психологических процессов (например, массовое поведение, смена настроений масс) или при изучении ситуаций, сопряженных с обработкой большого количества информации (например, процессов обучения).

Примерами компьютерных моделей для исследования социально-психологических феноменов являются программа SearchMan, предназначенная для компьютерных экспериментов по выбору супруга; программа FAMILY, позволяющая вести компьютерное экспериментирование по условиям выживания семьи в кризисе; программа TALK, позволяющая моделировать ситуации общения индивидов на основе транзакционного анализа .

Представленный выше анализ видов моделирования, используемых в социальной психологии, позволяет предложить и обосновать их классификацию на основе применяемых в процессе моделирования средств. Согласно этой классификации, наиболее распространенным видом моделирования в социальной психологии является материальное моделирование, которое включено в процессы психологического и организационного консультирования, социально-психологических тренингов. В исследованиях политической психологии чаще используется математическое моделирование, поскольку оно позволяет реализовать социальный запрос на получение точного и достоверного прогноза. В целом, математическое и компьютерное моделирование в последние годы приобретает особую значимость в научных исследованиях социально-психологических явлений. Их использование дает возможность выбрать оптимальную и рациональную стратегию и тактику реализации исследовательских программ.

1. Актуальность изучения возможностей метода моделирования в социальнопсихологических исследованиях связана с возрастающей ролью прогнозирования, планирования и управления в исследовательской и практической деятельности людей.

2. Трактовка понятий «модель» и «моделирование» в социально-психологических исследованиях основана на общенаучном понимании. Анализ применения метода моделирования дает возможность выделить его основные особенности, проявляющиеся, в частности, и в социальной психологии. Особенностями метода моделирования в социальной психологии являются использование наглядной, демонстрационной основы; получение новых знаний путем вывода по аналогии; установление отношений изоморфизма и гомоморфизма между изучаемым объектом и оригиналом.

3. Некоторые особенности метода моделирования в социальной психологии проявляются часто, другие — реже. Наиболее частым вариантом применения метода моделирования в социально-психологических исследованиях является образное, наглядное представление новых концепций, установление отношений подобия с уже изученными феноменами. Несколько реже встречается применение метода моделирования через установление отношений изоморфизма и гомоморфизма, так как для этого в процессе моделирования требуется использование математического аппарата и статистической обработки данных. Но именно применение метода моделирования в социально-психологических исследованиях через установление отношений изоморфизма и гомоморфизма позволяет выйти в эмпирических исследованиях на качественно новый уровень, который будет основан на достоверной психологической диагностике и современных математических методах, в том числе математической статистики.

4. На основе анализа существующих классификаций в научной литературе авторами статьи предложен и обоснован вариант классификации видов моделирования в социальной психологии, основанный на разнообразии средств, используемых при моделировании. В рамках этой классификации определены и проанализированы следующие виды моделирования социально-психологических явлений: материальное, идеальное, интуитивное, знаковое, математические и компьютерное.

5. Анализ применения метода моделирования в социальной психологии позволяет

отметить наиболее распространенный вид моделирования — материальное моделирование, так как его использование основывается на установлении материальной аналогии групповых феноменов (например, реальная группа -тренинговая группа), а сам процесс моделирования требует применения только социально-психологических компетенций. Математическое и компьютерное моделирование в социально-психологических исследованиях менее популярны, так как для их использования помимо социально-психологических компетенций необходимо применение достоверных психодиагностических методик и современных методов математики и статистики.

6. Применение разнообразных видов моделирования в социальной психологии (особенно математического и компьютерного) открывает большие перспективы ее дальнейшего развития, поскольку эффективное моделирование представляет возможности для выбора наиболее оптимальной стратегии и тактики реализации исследовательских программ, а также повышает качество результатов социально-психологических исследований, открывает новые возможности для организационного и психологического консультирования.

Литература

1. Андреева, Г.М. Зарубежная социальная психология ХХ столетия: Теоретические подходы: учеб. пособие для вузов / Г.М. Андреева, Н.Н. Богомолова, Л.А. Петровская. -М. : Аспект Пресс, 2002. — 287 с.

2. Байдлих, В. Социодинамика. Системный подход к математическому моделированию в социальных науках / В. Байдлих. — М., 2004.

3. Глинский, Б.А. Моделирование как метод научного исследования / Б.А. Глинский, Б.С. Грязнов, Б.С. Дынин. — М., 1965.

4. Грязева-Добшинская, В.Г. Диагностика и моделирование социальнопсихологических ресурсов команды менеджеров в условиях введения инноваций /

В.Г. Грязева-Добшинская, Ю.А. Дмитриева // Вестник ЮУрГУ. Серия «Психология». -2011. — Вып. 13. — № 18(235). — С. 111-117.

5. Грязева-Добшинская, В.Г. Психологическая топология личности. Технология экспериментального исследования личностной динамики в группе: учеб. пособие / В.Г. Грязе-ва-Добшинская. — Челябинск: Изд-во ЮУрГУ, 2008. -142 с.

6. Грязева-Добшинская, В.Г. Гиперболическое распределение и технологии стати-

стической обработки данных психодиагностики в исследованиях динамики личности и группы / В.Г. Грязева-Добшинская // Современная психодиагностика в период инноваций: сб. тез. II Всерос. науч. конф. / редколлегия: Н.А. Батурин (отв. ред.) и др. — Челябинск: Издат. центр ЮУрГУ, 2010. — С. 33-36.

7. Дриккер, А.С. Художественные эпохи и виды эмоциональных коммуникаций / Творчество в искусстве — искусство творчества / А.С. Дриккер. — М.: Наука; Смысл, 2000. -С. 475-485.

8. Гоффман, И. Представление себя другим в повседневной жизни / И. Гоффман; пер. с англ. А.Д. Ковалева. — М. : Канон-Пресс-Ц; Кучково поле, 2000.

9. Йенсен, Р. Общество мечты. Как

грядущий сдвиг от информации к воображению преобразит ваш бизнес / Р. Йенсен. -СПб.: Стокгольмская школа экономики,

10. Келли, Г. Межличностные отношения. Теория взаимозависимости / Г. Келли, Дж. Тибо. — Современная зарубежная социальная психология. — М. : Изд-во Московского университета, 1984. — С. 61-81.

11. Компьютерное моделирование. Инструменты для исследования социальных систем: учебное пособие / А.К. Гуц, В.В. Ко-робицын, А.А. Лаптев и др. — Омск: Омск. гос. ун-т, 2001. — 92 с.

12. Кричевский, Р.Л. Социальная психология малой группы: учеб. пособие для вузов / Р.Л. Кричевский, Е.М. Дубовская. — М. : Аспект Пресс, 2001. — 318 с.

13. Крылов, В.Ю. Методологические и теоретические проблемы математической психологии /В.Ю. Крылов. — М., 2000. — 384 с.

14. Курдюмов, С.П. Психология и синергетика / С.П. Курдюмов, В.Ю. Крылов, Г.Г. Малинецкий. — М., 1990.

15. Левин, К. Теория поля в социальных науках: пер. с англ. /К. Левин. — СПб.: Сенсор,

16. Малков, С.Ю. Социальная самооргани-

зация и исторический процесс: Возможности математического моделирования /

С.Ю. Малков. — Изд-во Либроком, 2009. — 240 с.

17. Мангейм, Д.Б. Политология: методы исследования / Д.Б. Мангейм, Р.К. Рич. — М. : Весь мир, 1997. — 544 с.

18. Мерлин, В.С. «Психология индивидуальности: избранные психологические тру-

ды» / В.С. Мерлин; под ред. Е.А. Климова. -М.: Изд-во Моск. психолого-социального инта; Воронеж: МОДЭК, 2005. — 544 с.

19. Московичи, С. Социальная психология / С. Московичи. — СПб. : Питер, 2007. — 592 с.

20. Морган, Г. Образы организации / Г. Морган; пер. с англ. [И. Матвеева, Р. Са-муненков]; Стокгольмская школа экономики. — М. : Манн, Иванов, Фербер, 2008. — 504 с.

21. Морено, Я.Л. Социометрия: Экспериментальный метод и наука об обществе / Я.Л. Морено. — М. : Академический Проект,

22. Нельке, М. Техники креативности. -М. : Омега-Л, 2009. — 144 с.

23. Никандров, В.В. Метод моделирования в психологии: учеб. пособие / В.В. Никандров. — СПб. : Речь, 2003. — 55 с.

24. Новик, И.Б. Моделирование и аналогия / И.Б. Новик, А.И. Уемов. — Материалистическая диалектика и методы естественных наук. — М., 1968.

25. Обозов, Н.Н. Аппаратурно-технические методы исследования срабатываемо-сти и совместимости //«Подходим ли мы друг другу на работе и в личной жизни. -СПб.: Академия психологии, предпринимательства и менеджмента, 2002. — С. 28-33.

26. Петров, В.М. Череда эпох и эволюция искусства: опыт количественного исследования. / Творчество в искусстве — искусство творчества. — М.: Наука; Смысл, 2000. —

27. Практический интеллект / Р.Дж. Стернберг, Дж.Б. Форсайт, Дж. Хедланд и др. — СПб. : Питер, 2002. — 272 с.

28. Сенге, П. Пятая дисциплина: искусство и практика самообучающейся организации / П. Сенге. — М. : ЗАО «Олимп — Бизнес»,

29. Социальная психология малых групп: материалы I Всероссийской науч.-практ. конф., посвященной памяти профессора А.В. Петровского. 29-30 окт. 2009 г., Москва, МГППУ / отв. ред. М.Ю. Кондратьев. — М. : МГППУ, 2009. — С. 4-13.

30. Социальные системы. Формализация и компьютерное моделирование: учеб. пособие / А.К. Гуц, В.В. Коробицын, А.А. Лаптев и др. — Омск: Омск. гос. ун-т., 2000 — 160 с.

31. Управление в условиях неопределенности: пер. с. англ. — М. : Альпина Бизнес Букс, 2006. — С. 73-111.

Дмитриева Юлия Александровна, аспирант, психолог кафедры общей психологии, ЮжноУральский государственный университет, [email protected]

Грязева-Добшинская Вера Геннадьевна, доктор психологических наук, профессор, зав. кафедрой общей психологии, Южно-Уральский государственный университет, [email protected] .ru

THE MODELING METHOD IN SOCIAL PSYCHOLOGY

Ju.A. Dmitrieva, V.G. Gryazeva-Dobshinskaya

Topical use of modeling in social psychology as a method of general scientific level. Disclosed the concept of “model” and “simulation” in the context of research in social psychology. The features of the modeling method in social psychological research: the use of visual, demonstration basis, obtaining new knowledge by withdrawing, by analogy, to establish relations homomorphism or isomorphism between the model and the original. A version of the classification of modeling in social psychology that is based on the study of the means of modeling.

Keywords: model, simulation, modeling in social psychology, classification of modeling in social psychology.

Julia A. Dmitrieva, postgraduate student, the psychologist of the Department of General Psychology, South Ural State University, [email protected]

Vera G. Gryazeva-Dobshinskaya, Doctor of Psychological Science, associate professor, Head of Department of General Psychology, South Ural State University, [email protected]

Введение

Актуальностью реферата является описание метода моделирования в психологическом исследовании. Метод моделирования имеет огромное познавательное значение, его использовали Демокрит и Эпикур, Леонардо да Винчи. Широкое распространение в социальных науках он приобрел свыше ста лет назад.

Цель реферата раскрыть сущность метода моделирования в психологическом исследовании.

Задачи реферата — определить, что такое сущностные характеристики и функции метода, типология моделей и основные средства моделирования, а также преимущества и ограничения метода моделирования в социальной психологии.

1. Сущностные характеристики метода моделирования

Моделирование (англ. modelling in рsychology) — применение метода моделирования в психологических исследованиях. Развивается в 2 направлениях:

знаковая, или техническая, имитация механизмов, процессов и результатов психической деятельности — моделирование психики .

организация, воспроизведение того или иного вида человеческой деятельности путем искусственного конструирования среды этой деятельности напр., в лабораторных условиях, что принято называть психологическим моделированием.

Моделирование психики метод исследования психических состояний, свойств и процессов, который заключается в построении моделей психических явлений, в изучении функционирования этих моделей и использовании полученных результатов для предсказания и объяснения эмпирических фактов. По полноте отражения объекта в модели можно выделить след. классы и подклассы моделей психики: знаковые образные, вербальные, математические, программные жестко алгоритмические, эвристические, блок-схемные, вещественные бионические. Такая последовательность моделей отражает постепенный переход от описательной имитации результатов и функций психической деятельности к вещественной имитации ее структуры и механизмов. Моделирование психики тесно связано с проблемой искусственного интеллекта и построением сложных управляющих информационных и вычислительных машин и систем. Работы по моделированию психики ведутся не только в психологии, но и в смежных областях — бионике, кибернетике, вычислительной технике, информатике, синергетике. Первые успехи в моделировании психики достигнуты в середине XX в. на базе цифровой и аналоговой вычислительной техники. Современный уровень знаний о психической деятельности позволяет широко развернуть исследования лишь на первых ступенях приближения модели к объекту, поэтому наиболее разработаны в настоящее время знаковые в частности, математические и программные в частности, эвристические модели. С их помощью удалось имитировать некоторые аспекты таких процессов и свойств психики, как восприятие, память, обучаемость, логическое мышление и т. д. Делаются первые попытки построить вещественные — гипотетические и бионические — модели зрительного опознания напр., перцептрон Ф. Розенблата, пандемониум О. Селфриджа и др.

Слово «модель» произошло от латинского слова «modelium», которое означает — мера, образ, способ и т.д. Его первоначальное значение было связано со строительным искусством, и почти во всех европейских языках оно употреблялось для обозначения образа или прообраза, или вещи, сходной в каком-то отношении с другой вещью.

Термин «модель» определяется в науке достаточно многозначно, и это затрудняет определение некоторых его особенностей и классификацию моделей. Модель часто понимают как мысленно представленную или материально реализованную систему, которая отображает или воспроизводит комплекс существенных свойств и параметров объекта и способна замещать его в процессе познания. Модель всегда оперирует идеализированными конструктами и не имеет причинно-следственной связи с объектом- прототипом, в отличие от теории данного объекта. Она представляет собой множество взаимосвязанных предположений о мире.

Сущностными свойствами моделей являются:

Субъектность модели. Модель субъектна, так как именно человек проводит отбор тех свойств, в которых она соответствует оригиналу. Модель и оригинал всегда находятся в известном исследователю объективном соответствии. Модели, таким образом, не существуют в природе и обществе, их создает субъект познания.

Двойственная природа моделей. В процессе познания модель сама замещает объект, сохраняет при этом некоторые важные для исследователя черты и сама становится объектом непосредственного исследования. Модель — одновременно и предпосылка, и средство познания.

Трансформируемость модели. С моделью можно делать то, что с оригиналом нельзя. Возможность преобразований — самая фундаментальная, самая информативная сторона метода моделирования. Модель применяется для исследования объектов, оперирование с которыми затруднено или вовсе невозможно по этическим или организационным причинам.

Компактность модели. Модель компактнее оригинала и поэтому выступает в качестве альтернативы физического эксперимента. Модели воспроизводят объект исследования в упрощенной форме. Поскольку модель беднее по свойствам и отношениям, чем реальность, любое моделирование связано с проблемой адекватности модели. Модели одного и того же объекта могут быть различными и отражать этот объект с разных сторон. Для более разностороннего охвата реальности требуется множество моделей. Могут существовать многомодельные построения и многоуровневые модели. В свою очередь, от комплексной модели можно переходить к частным моделям.

Специфическая информативность модели как средства познания. Модель представляет собой абстракцию. Всегда можно выделить такие свойства, которые не представлены в данной модели.

Любая модель требует интерпретации. Знание такого рода относится к разряду относительных истин. Это — не аксиома, а вероятностное знание.

Мы будем понимать под моделью естественно или искусственно созданное для изучения социально-психологических процессов и состояний явление (предмет, процесс, ситуацию и т.д.).

В связи с вышеуказанными свойствами огромное значение для моделирования приобретает теория, которая обосновывает возможность и правомерность перехода от объекта к моделям и обратно. Когда модель и объект принадлежат к одной и той же форме движения материи, такой теорией является теория подобия. Если же объект и модель относятся к разным формам движения материи, то теоретическое обоснование правомерности построения подобных моделей дается теорией аналогий, или еще более общей теорией изоморфизма систем.

Термин «моделирование» служит для обозначения различных научных процедур. Часто моделирование рассматривается как создание аналогов (схем, структур, знаковых систем) определенного фрагмента социальной реальности или концептуально-теоретического образования и т.п. Целью метода является получение новых знаний о каком-либо объекте путем вывода по аналогии. Умозаключение по аналогии является логической основой метода моделирования. Выводы по аналогии — это выводы, в которых посылка относится к одному объекту, а заключение — к другому. Вывод о тождестве некоторых свойств моделирующей и моделируемой систем делается на основании тождества других свойств в тех же системах. Очевидно, что правомерность вывода по аналогии зависит от характера аналогичных отношений, от значимости их в моделируемой системе. Модель — это то, с чем сравнивают, но не любое проведение аналогии можно назвать моделированием. Поскольку модель как средство познания основана на аналогии, то она утрачивает свой смысл как в случае тождества модели и прототипа, так и в случае их большого различия. Необходимость в моделировании появляется тогда, когда сравниваемые системы (прототип и модель) частично известны. Но, поскольку тождество между моделью и прототипом исключено, моделирование неизбежно связано с упрощением, огрублением в каких-то отношениях прототипа, с абстрагированием ее от ряда сторон прототипа.

Кроме отношений аналогии модель и прототип находятся в отношениях изоморфизма и гомоморфизма. Изоморфный или гомоморфный образ объекта и есть его модель. Системы изоморфны, если между их элементами, а также функциями, свойствами и отношениями существует или может быть установлено взаимооднозначное соответствие. В психологию принцип изоморфизма психических, нейрофизиологических и физических явлений вводит гештальтпсихология. Системы гомоморфны, если переносится знание лишь с гомоморфного образа на прообраз, но не наоборот. Гомоморфизм — более общее, более слабое отношение, когда не выполняется одно из трех условий: соответствие элементов, соответствие функций, взаимоноднозначное соответствие свойств и отношений. Сегодня считается достаточным, если между моделью и ее объектом сохраняются гомоморфные отношения, уже не симметричные. Социально-психологические системы в большинстве своем гомоморфны.

Процесс построения модели на основе аналогии, следуя за А.Молем, можно представить в такой последовательности этапов (11):

Нахождение образной (метафорической) аналогии между изучаемой системой и некоторой другой, более изученной;

Проверка обоснованности найденного образа, его соответствия наблюдаемой реальности;

Введение аналогии в логические рамки, которые позволяют проверить степень полноты соответствия аналогий с реальными данными;

Проверка существенности, ценности аналогии, т.е. установление значимости в модели и прототипе тех отношений, которые пока не были приняты во внимание. Если учет последних не приводит к серьезным поправкам в образе, то модель-аналог признается полезной. После этого начинаются этапы детализации модели;

Установление масштабов, входящих в логическую модель величин и пределов их изменчивости (области валидности) при которых данная аналогия является вполне справедливой;

Исследование возможности интерпретации в терминах модели второстепенных отношений прототипа;

Описание предложенной модели возможно более формальным способом.

Как вещественному аналогу, так и идеальной концептуальной модели может быть присуща наглядность. Таковы, например, некоторые модели мотивации. Широко известна предложенная Ф.Хайдером модель Р-О-Х, или «треугольник Хайдера». Применение этой модели оказалось продуктивным при описании межличностных отношений, а также (в модификации Ньюкома) при исследовании речевого воздействия на группу и личность.

Самой первой чувственно-наглядной основой моделирования являются метафоры. Метафора может быть рассмотрена как одна из форм аналогии. В методологии Флада и Джексона, например, рассмотрены атрибуты пяти системных метафор. К научным метафорам авторы относят метафору машины, организма, мозга, культуры и политики.

Когнитивные карты — также наглядная основа для моделирования. Понятие «когнитивная карта» вводит необихевиорист Э. Толмен в 1948 году. Означает оно — схематичное, упрощенное описание картины мира индивида. В математике примером когнитивной карты является ориентированный граф. Когнитивные карты могут представлять собой системы правил, семантические сети и структуры отношений.

Наглядность модели, образность представления об изучаемой системе обеспечивает также теория графов, сохраняющая и формальную строгость. Граф — математический пример когнитивной карты. Граф — схема, состоящая из заданных точек (вершин), соединенных определенной системой линий. Отрезки, соединяющие вершины, называются ребрами (дугами) графа. Ориентированным называется такой граф, на котором стрелкой указаны направления всех его ребер. Путь в графе — это последовательность дуг, первая вершина — начало пути, последняя — конец пути. При совпадении начала и конца имеем цикл. Граф без циклов называется лесом. Генеалогическое дерево является примером графа без циклов (лесом). Граф «родители — дети» — ориентированный, а граф «знакомые люди» — неориентированный, в нем нет направленных дуг. При рассмотрении графов большое внимание уделяется определению кратчайшего пути. Граф, содержащий только ребра называется неориентированным; граф, содержащий только дуги — ориентированным. Язык теории графов естественно использовать при моделировании структур. Впервые графовые модели объектов социальной психологии начали использоваться в школе К.Левина. Работы Ф.Харари, Д. Картрайта, Дж. Райли используют теорию графов для изучения структуры взаимоотношений между индивидами внутри группы и динамики ее изменений. Таким образом, в социальной психологии теория графов давно используется при изучении малых групп (см. также «Социометрия»), с ее помощью можно исследовать эмоциональные и другие отношения членов группы (референтометрия). Так, методика «выбора в действии» предполагает наблюдение в реальной или экспериментальной ситуации и может определить подгруппы. Например, исследователь наблюдает, как дети дарят открытки товарищам. Кроме этого теория графов может способствовать изучению структур сложных организаций, отношений между семьями. Однако следует помнить, что исследуется только структура межличностных отношений, групповые нормы, ценности, социально-демографические характеристики не рассматриваются. Примером модели в виде графа является циклическая модель группового развития В.Сатир.

Модель обладает некоторой степенью целостности и в этом смысле является системой. В настоящее время при исследовании больших систем. В том числе и социально-психологических, например больших групп, применяется системный анализ, моделирование в форме системной аналогии. Системное описание объекта является аналогией, которая может быть выражена как в образно-наглядной, так и в концептуальной форме, в некоторой совокупности базовых предположений. Дать описание моделируемого объекта в виде системы, значит определить границы его взаимодействия с внешней средой, его структуру, элементы и подсистемы, связи и отношения, функции и их экстремальные значения. В социально-психологическом знании в виде систем описываются коммуникативные процессы, варианты организационного развития (сопротивление изменениям), потребительское поведение и другие. Системный анализ оперирует большим количеством информации различной природы, что позволяет не упустить из рассмотрения важные стороны и связи изучаемого объекта.

2. Основные типы моделей

Единая классификация видов моделирования затруднена в силу многозначности понятия «модель» в науке. Ее можно проводить по различным основаниям: по характеру моделей (по средствам моделей), по характеру моделируемых объектов, по сферам их приложения и его уровням. В связи с этим любая классификация обречена на неполноту.

В зависимости от средств моделирования различают материальные и идеальные модели. Материальное (субстанциональное) моделирование основывается на материальной аналогии объекта и его модели. Для построения данного типа моделей необходимо выделить функциональные характеристики (геометрические, физические) исследуемого объекта. Процесс исследования связан с материальным воздействием на объект.

К материальным (субстанциальным) моделям социально-психологических явлений можно отнести те, которые моделируют один вид групповой деятельности посредством другого. Примером этого типа моделирования являются исследования на кибернометре, проводившиеся Н. Н. Обозовым, проигрывание ситуаций в социально-психологическом тренинге. Например, в моделировании ситуаций в группах активного социально-психологического обучения субъектом является ведущий и группа используется как «материал» для построения и определения моделей. Субъектом может являться группа вместе с ведущим. Такое моделирование подразумевает включение в модель проявлений личности в целом, затрагивая аффективную, ценностную и неосознаваемую часть опыта человека. В итоге внутриличностный опыт участников переформулируется.

Также к субстанциональным моделям можно отнести социально-психологические эксперименты. Так, колония А. Макаренко являлась субстанциональной моделью организации и осуществления воспитательной работы с подростками.

Большой класс моделей представляют идеальные модели. Идеальное моделирование основано на мыслимой аналогии. Идеальное моделирование подразделяется на знаковое (формализованное) и интуитивное моделирование. Последнее применяется там, где процесс познания только начинается или системные взаимосвязи очень сложные. Жизненный опыт человека можно рассматривать как интуитивную модель межличностных отношений. Возможен вариант построения модели, при котором формальная структура выбирается на интуитивных основаниях.

Моделями знакового моделирования являются схемы, графики, чертежи, формулы. Важнейшим видом знакового моделирования является математическое моделирование. Не всякая знаковая система выступает в качестве модели, так как знаковая система лишь в том случае становится моделью, если она становится предметом исследования, если в ее пределах и ее средствами решаются задачи, решение и смысл которых лежат за пределами данной знаковой системы. Так, естественный язык может выступать в роли модели при изучении быта, культуры, экономических и социальных отношений; естественные языки выступают в роли моделей при исследовании закономерностей мышления, представляющего собой отражения объективного мира.

Существенным моментом создания любой знаковой модели является формализация. Всякая формализация сопровождается следующими процедурами:

Задается алфавит (конечный или бесконечный).

Задаются правила, порождающие из исходных знаков алфавита «слова», «формулы».

Формулируются правила, по которым от одних слов, формул данной системы можно переходить к другим словами и формулам (так называемые правила вывода).

В зависимости от характера и целей создаваемой модели могут формулироваться (но могут и не формулироваться) предложения, считающиеся исходными (аксиомы или постулаты). Как правило, формулируются не сами аксиомы данной знаковой системы, а схемы аксиом с соответствующими правилами подстановки.

Знаковые модели обладают некоторой самостоятельностью. В их пределах и их средствами зачастую ставятся и решаются задачи, реальный смысл которых может быть первоначально не ясен. В знаковых моделях теория подобия абсолютно не применима.

Сегодня большая часть исследований по знаковым моделям ведется в русле логико-математических. В этих моделях природа прототипа и модели уже не играет никакой роли. В этих моделях важны чисто логические и математические свойства. Описание модели в этом случае не отделимо от самой модели. Возможность экспериментирования отсутствует и заменяется выводом. Новые знания получаются путем логического и математического выводов из первоначального описания модели. Математическое моделирование в социальной психологии не ограничивается операциями количественными, оно может иметь дело также и с качественными характеристиками. Некоторые социально-психологические процессы — такие, как принятие решений на выборах или распределение голосов избирателей, могут быть определены полностью в математических терминах. В подобных случаях математические модели являются средством изучения логических следствий из наблюдаемых правил.

В случае сложных систем, когда неясно количественное выражение множества целевых функций, используются имитационные модели. Имитационное моделирование применяется для анализа поведения системы, здесь не исследуются фундаментальные законы динамики системы. При этом функционирование сложной системы представляется в виде определенного алгоритма, который реализуется на ЭВМ.

Возможен вариант построения модели, при котором формальная структура выбирается на интуитивных основаниях. Принятая формальная модель может подсказать нам общее структурное представление об изучаемой системе. В этом случае осознание и вербализация концепции следуют за уже готовой ее математической формой. Множество возможных абстрактных структур заведомо меньше множества их конкретных интерпретаций.

Математические и компьютерные модели. Примером математической модели социального поведения может служить модель Льюиса Ф.Ричардсона, или модель гонки вооружений. Рассмотрим ее для иллюстрации компактности, трансформируемости и эффективности математических моделей. Эта модель учитывает действие всего лишь трех факторов: а) государство Х ощущает наличие военной угрозы со стороны государства Y, точно такая же логика действует со стороны государства Y; б) бремя расходов; в) прошлые обиды.

Хt +1 = kYt — aXt + g+1 = mXt — bYt + h

и Yt — величины уровней вооружения в момент времени t

Коэффициенты k, m, a, b — являются положительными величинами, а g и h — положительными или отрицательными в зависимости от того, насколько в целом враждебно или дружественно настроены государства.

Величина угрозы отражена в членах kYt и mXt, поскольку, чем больше эти числа, тем больше количество вооружений у противной стороны.

Величина расходов отражена в членах aXt и mYt, поскольку за счет этих членов снижается уровень вооружений в следующем году.

Константы g и h отражают величину прошлой обиды, которая в рамках данной модели считается неизменной.

К концу семидесятых годов модель была испробована уже сотни раз на самых разных вариантах гонки вооружений. Модель Ричардсона в целом эффективна в случаях краткосрочных прогнозов; характера гонки вооружений и, следовательно, прогнозирования войн, так как почти всем современным войнам предшествует нестабильная гонка вооружений.

Модель Ричардсона — это только один из представителей большого класса динамических моделей, т.е. таких, которые моделируют развитие некоторого процесса во времени. Многие из таких моделей реализуются в виде дифференциальных уравнений, а многие заимствуют математический аппарат из моделей демографического роста и других биологических процессов.

Одна из наиболее развитых областей математического моделирования социального поведения называется теорией игр. «Игры» в рамках данной теории — это ситуации, в которых два или более участника делают выбор в отношении своих действий, и выигрыш каждого участника зависит от совместного выбора обоих (всех). Игры, изучаемые теорией игр, обычно более формализованы, чем традиционные, и вознаграждения в них представляют собой не просто выигрыш или проигрыш, а нечто боле сложное, но принцип соревнования здесь и там один и тот же.

Теория игр вначале рассматривалась на материале одного из типов соревнования, которое носит название игры с нулевой суммой. Условие этого типа игры: сколько один игрок выигрывает, столько же другой проигрывает. К этой категории принадлежит большая часть обычных игр. Однако большая часть социально-психологических ситуаций являются играми с ненулевой суммой, или кооперативными, когда оба игрока при определенных условиях могут оказаться в выигрыше (то есть тот факт, что один из игроков выиграл вовсе не означает тот факт, что другой столько же проиграл). Из кооперативных игр лучше всего изучена игра «дилемма заключенного». Эта модель может применяться для обоюдного контроля выполнения деловых контрактов, принятие решений о начале активных действий (забастовки, коллективные сговоры). В реальной действительности игроки чаще выбирают сотрудничество, несмотря на все факторы, подталкивающие их к обману.

Третьим примером математических моделей, которые очень хорошо известны, является модель Даунса. Модель позволяет объяснить, почему кандидаты на всеобщих выборах не занимают совпадающие позиции и почему кандидаты часто меняют свои идеологические позиции в промежутке между первичными и повторными выборами. Простейший вариант модели Даунса представляет собой колоколообразную кривую, проходящую вдоль единой фиксированной идеологической оси.

Кроме рассмотренных моделей, к математическим моделям относятся модели ожидаемой полезности. Они эффективны при решении вопросов, какие меры следует предпринять (прескриптивные модели), но предсказать действительное поведение людей (дескриптивные модели) они не могут. К этим моделям близки модели оптимизации, которые по большей части были заимствованы из экономической науки и инженерного дела. Эти модели полезны для определения оптимального поведения, например когда в качестве соперника выступает непредсказуемое будущее, в ситуациях конкуренции с малым числом участников, а кроме того в условиях конкуренции, когда обстановка определяется большим числом участников. Математическое описание колебательных процессов вызывает интерес в связи с изучением мотивации, модели формирования общественного мнения описывают с помощью кинетических уравнений. Статические задачи как правило записываются в виде алгебраических выражений, динамические — в виде дифференциальных и конечноразностных уравнений.

Многомерность социально-психологических явлений может быть достаточно полно описана в настоящее время методами современного многомерного анализа, включающего в частности, методы многомерной статистики, кластерный анализ и анализ латентных структур, многомерное шкалирование и др.

Компьютерные модели основываются на программировании с использованием не уравнений, а алгоритмов (строго сформулированных последовательных инструкций). Компьютерные модели бывают особенно эффективны при изучении ситуаций, сопряженных с обработкой большого количества информации, например, процессов обучения, нечисловых процессов. Очень часто применяется такая форма компьютерной модели как экспертная система. В ней используется большое количество установок типа «если … то». Экспертные системы проявили свои возможности в точном воспроизведении поступков людей в самых разнообразных областях.

Примерами компьютерных моделей социально-психологических процессов могут служить программы Talk и Search Man, разработанные учеными из Омска. Первая служит для комплексного моделирования транзактного общения индивидов. Вторая создана с целью проведения компьютерных экспериментов, касающихся проблемы выбора женщиной супруга с целью образования семьи.

Еще более сложными являются динамические компьютерные имитационные модели, которые моделируют сложные процессы с помощью больших систем уравнений, не поддающихся решению алгебраическими средствами. Объектами компьютерных имитационных моделей могут быть обширные социально-психологические процессы (смена настроений масс, массовое поведение) и эти модели все чаще используются для проигрывания сценариев типа «что будет, если…».

Модели нелинейных процессов.

Быстрое развитие синергетики, теории самоорганизации сложных систем, было обусловлено поиском моделей для описания нелинейных процессов. Синергетика имеет дело с открытыми нелинейными диссипативными системами, далекими от равновесия. Практически все объекты, с которыми сталкивается социальная психология можно отнести к этому классу. Под открытыми системами понимают такие, которые могут обмениваться энергией, веществом, информацией с окружающей средой. И отдельный человек и социальные группы относятся к открытым системам. Нелинейность систем предполагает, что в реальных социальных и социально-психологических системах последствия представляют собой результат воздействия множества причин. Более того, следствия оказывают обратное влияние на породившие их причины. Под свойством диссипативности в широком смысле понимается способность изучаемой системы «забывать» детали внешних воздействий. Основное свойство таких систем — необычайная чувствительность к всевозможным воздействиям и в связи с этим чрезвычайная неравновесность. Неравновесность социально-психологических явлений проявляется в их иррегулярном поведении. Сложные социально-психологические процессы напоминают бесконечный компьютер, в котором заложено бесконечное число коммуникантов, это делает невозможным выделение «начального сигнала» (руководства) и определение четкого адресата.

Системы, в которых происходит самоорганизация, могут быть сложными и обладать огромным числом степеней свободы, что может привести к реализации совершенно случайных последовательностей. Наличие многообразия степеней свободы порождает хаос, который в синергетике рассматривается как причина развития структур, как сложноорганизованная последовательность. С течением времени в системе выделяется небольшое количество ведущих степеней свободы, к которым «подстраиваются» остальные. В процессе самоорганизации у целого появляются свойства, которыми не обладает ни одна из частей. Развитие нелинейных систем необратимо и многовариантно. Эволюция такой системы определяется не ее прошлым, а будущим. Для управления такой системой нужно воздействовать на нее в момент, когда она находится в состоянии неустойчивости (вблизи так называемой точки бифуркации), причем надо организовать очень точное воздействие. Оно может быть чрезвычайно слабым, но, будучи очень точным, приведет к радикальному изменению всей эволюции системы. В качестве новых приоритетов современной картины мира синергетика вводит, таким образом, феномен неопределенности и многоальтернативности развития, идею возникновения порядка из хаоса.

На принципиальное значение процессов самоорганизации для психики человека не раз обращали внимание крупные психологи. Ключевая категория К. Левина «динамическое поле» рассматривалась как целостная самоорганизующаяся система. Г. Олпорт обсуждал понятие самоконфронтации, которое, можно рассматривать в рамках идеи самоорганизации. Модели, иллюстрирующие связь явлений с теорией самоорганизации: модель тюремных бунтов, теория катастроф, модель миграции, Модель выработки единого мнения Г.А. Саймона и Г. Гутцкова.

В типологию моделей входят также структурные, функциональные и смешанные модели. Субстанциональные модели вызываются к жизни трудностями технического и организационного характера. Структурные модели имитируют внутреннюю организацию оригинала. Они могут быть как знаковыми, так и незнаковыми. Функциональные модели имитируют способ поведения оригинала. Они также как и структурные модели меньше привязаны к оригиналу. Эти модели могут быть как материальными, так и идеальными. Функциональное моделирование — это основной метод кибернетики на современном этапе. Объективной основой кибернетического подхода является относительная независимость функции от структуры, т.е. факт существования потенциального множества конкретных структур, способных выполнять данную функцию.

Отдельные типы моделей в чистом виде встречаются редко. Модели обычно из одномерных превращаются в многомерные. Субстанциональная модель должна быть либо структурной, либо функциональной, либо той и другой. Функционально-структурные модели по степени вероятности выводов значительно уступают структурно-функциональным моделям.

Модели также можно разделить по степени полноты. По этому основанию они делятся на полные и неполные. Чем полнее модель, тем она сложнее, поэтому совсем необязательно в каждом случае стремиться к созданию полной модели. В качестве начального этапа исследования выгоднее и удобнее бывает создавать неполные модели, так как они позволяют быстрее получить результат. Хотя этот результат менее точен, чем при использовании полной модели, но в большинстве случаев на первом этапе исследования его использование вполне оправдано. Чем больше модель, тем осторожнее следует к ней относиться. Построить эффективную модель, значит найти такое описание ее, которое дает ответ на конкретно поставленный вопрос. Общая модель сложного объекта называется агрегированной и составляется из детализированных моделей.

моделирование психика социальный психология

3. Этапы моделирования

  1. Формулирование проблемы исследования, определение целей, постановка задач моделирования.

Проблемная ситуация есть основа всякого анализа, именно она является предметом моделирования. Любая проблемная ситуация имеет объективную и субъективную основу и важно не допустить абсолютизации ни одной из них.

Пример. Модель социально-психологической адаптации вынужденных мигрантов. Цель: организация социально-психологической помощи и адаптация мигрантов. Задачи: мониторинг социально-психологического состояния мигрантов; консультирование и оказание медико-психологической помощи; обеспечение центров социально-психологической адаптации мигрантов.

Теоретическая проблема: отсутствие типологии социально-психологической адаптации мигрантов и незнание моделей их адаптивного поведения.

Практическая проблема: противоречивость внутригрупповых требований и требований нового этноса к мигрантам.

  1. Обоснование необходимости обращения к методу моделирования.

Например:

  • Особенности объекта исследования.
  • Необходим прогноз поведения.
  • Наличие детализированных моделей и т.п.
  • Теоретическая подготовка процесса моделирования. Построение неформализованной модели (метафоры, когнитивные карты, системный анализ объекта). Отбираются инструменты, которые способны объяснить отобранные наблюдения, но при этом определены недостаточно строго. Необходимо определить, какой из наборов теоретических допущений (потенциальных моделей) принять.

Пример: социальная адаптация вынужденных мигрантов — принятие норм, ценностей новой социальной среды, форм социального взаимодействия + личный, общественный интерес, социальные функции.

Построение концептуальной модели.

Представление механизмов действия и взаимодействия структурообразующих единиц модели, формирование показателей. Переменных не должно быть много.

Пример: выделение активной и пассивной адаптации теоретическим путем. Определение в качестве показателей защитных механизмов поведения, групповых механизмов, конфликта с нормами, девиантного поведения и др.

Конструирование формализованной модели.

Формирование пространства переменных и описание в их терминах единиц модели, сбор данных и идентификация модельных параметров и отношений, верификация модели.

Формализация не обязательно достигает уровня, на котором обнаруженные отношения описываются математически. Формальным в широком смысле слова можно считать любое исследование концепции однозначным языком. Таким образом, нужно, как минимум, превратить неупорядоченную совокупность категорий в дедуктивную систему. Но поскольку множество возможных абстрактных структур заведомо меньше множества их конкретных интерпретаций, концепция психолога следует за уже готовой математической формой. Эмпирическая проверка нужна не всегда, поскольку процесс описывается иногда исчерпывающим образом Проверка модели включает в себя и этап операционализации, измерения и статистического анализа.

Пример. Исходное положение дедуктивной системы: нормальная адаптация ведет к устойчивой приспособляемости без патологии личности и без нарушения норм.

Исследование моделей и получение новой информации.

Пример. Выявлено, что некоторые мигранты преодолевают внутригрупповые проблемные ситуации необычным способом, возникает конфликт с групповыми нормами; у других возникает конфликт со своей группой.

Переход от полученной модельной информации к переструктурированным знаниям о предмете исследования.

Деформализация и содержательная интерпретация, анализ, обобщение и объяснение.

Включение модельных знаний в систему теоретического знания об объекте исследования.

Пример. Создание более содержательной типологии социально-психологической адаптации вынужденных мигрантов: нормальная защитная адаптация, незащитные адаптивные процессы, неконформистская адаптация, новаторская адаптация, патологическая адаптация.

Заключение

В заключение следует обратить внимание на сложности, связанные с моделированием. Модель не может быть лучше заложенных в нее исходных допущений. Валидность модели зависит не от ее аппарата, а от допущений. Самый частый недостаток моделей — сверхупрощенные исходные допущения. Например, модель Ричардсона дает сбой в ситуациях, связанных с ядерным оружием. В модели не учитываются несущественные в определенном отношении свойства, которые могут быть существенны в ином отношении. Выданные моделью результаты должны быть правильно переведены на естественный язык. Часто общность выводов модели переоценивается.

Модель компактно и наглядно организует факты, предполагает взаимозависимость установленных фактов. Модель включает в себя явления, которые ожидаются с некоторой вероятностью. Модель позволяет привлечь к анализу количественные данные, построить объяснение с помощью каких-то новых переменных, увидеть объект под новым углом зрения. Обобщение экспериментальных данных позволяет предлагать и такие модели, которые отражают специфику неявных социально-психологических закономерностей; таковы, в частности, закономерности смыслового восприятия убеждающей речи в модели К. Ховленда и М.Шерифа.

Сущностными характеристиками метода моделирования являются: субъектность модели, двойственная природа, трансформируемость, компактность и специфическая информативность модели.

К основным типам моделей относятся: модели по своему характеру (материальные и идеальные), по характеру моделируемых объектов, по сферам их приложения.

Этапами моделирования являются — формулирование проблемы исследования, обоснование необходимости обращения к методу моделирования, теоретическая подготовка процесса, построение концептуальной модели, конструирование формализованной модели, исследование моделей и получение новой информации, переход от полученной модельной информации к переструктурированным знаниям о предмете исследования, включение модельных знаний в систему теоретического знания об объекте.

Список использованной литературы

1. Кравченко, А.И. Психология и педагогика: учеб. [для вузов]/ А.И. Кравченко. — М.: ТК Велби: Проспект, 2007. — 400 с.

Психологическое моделирование заключается в искусственном создании специальных условий, провоцирующих нужные по задаче исследования (обследования, обучения) ответные реакции, действия или отношения естественных носителей психики (людей или животных). Иначе говоря, исследователь в зависимости от предмета и задач исследования создает для изучаемого объекта специфическую психогенную ситуацию, в результате чего моделируется его поведение (для человека в форме деятельности и общения).

Сопоставляя исходные условия психогенной ситуации с параметрами поведения объекта, можно, во-первых, получать косвенные данные об организации и работе психики, которые могут быть использованы для ее изучения и моделирования, во-вторых, выявлять корреляционные, причинно-следственные, а иногда и функциональные связи между психогенными воздействиями и особенностями поведения, что дает основания для выведения психологических закономерностей, и, в-третьих, разрабатывать эффективные приемы воздействия на людей с целью оказания им психологической помощи.

Основные особенности психологического моделирования

1. Естественные объект и предмет исследования – люди (животные) и их психика.

2. Искусственность условий исследования (например, экспериментальная лаборатория, диагностический центр, психотерапевтический кабинет).

3. Применение моделирующих средств – методических пособий (например, инструкций, анкет, стимулького материала), технических устройств (например, экспонирующегооборудования, измерительной аппаратуры) или фармакологических средств (например, барбитуратов в некоторыхвидах психотерапевтических воздействий или психоделиков в трансперсональной психологии).

4. Целенаправленность воздействий на объект.

5. Гуманизация воздействий.

6. Программирование процедуры воздействий (от минимума регламентации при свободной беседе до максимума при тестировании или лабораторном эксперименте). 7. Регистрация воздействующих (ситуационных и процедурных) факторов и ответов объекта изучения.

Сформировать психогенную ситуацию можно с помощью любого эмпирического метода психологии вплоть до спровоцированного наблюдения и интроспекции. Наиболее характерны в этом отношении, безусловно, лабораторный эксперимент, тестирование, психофизиологические и психотерапевтические методы.

Психологическое моделирование является неотъемлемой формой всех видов психологической работы: исследования, диагностики, консультирования, коррекции. В психотерапевтической практике именно сами психогенные ситуации зачастую выступают инструментом оказания психологической помощи. Классический пример тому – психодрама, где, собственно, сценическое действо должно приводить к терапевтическому эффекту (катарсису). Специфическим видом психологического моделирования являются психотренинги. В них особенно ярко представлены все перечисленные выше признаки этого направления.

Моделирование психических процессов

Содержание статьи

1. Требования, предъявляемые к психическим моделям

2. Математические модели психики

3. Программные модели

Моделирование в психологии предполагает создание реальных или идеальных, прежде всего, математических моделей для исследования психических процессов. При этом под «моделью» понимается система объектов или знаков, которая воспроизводит ряд существенных свойств системы-оригинала. Упрощенная модель является действенным средством проверки истинности и полноты теоретических представлений в разных отраслях знания.

Распространение данного метода в психологии началось в 50-е годы XX века. Модели сложных физиологических функциональных систем человека были созданы в работах П.К. Анохина и Н.А. Бернштейна. Эти модели содержали все основные компоненты последующих кибернетических моделей поведения.

В течение небольшого времени появились математические модели обучения, информационные модели памяти, восприятия и внимания. Психические процессы понимались по аналогии с процессами вычислений, которые осуществляют ЭВМ. Некоторые авторы делают попытку найти структурное подобие между организацией познавательной сферы человека и структурой блоков вычислительного устройства. Других авторов привлекают его вычислительные возможности. Подобные работы, связанные с созданием искусственного интеллекта и машинным зрением, ведутся в разделах кибернетики.

Модели в области психических и психофизиологических функций представляют собой машинные программы. Реализация этих программ зависит от выбранного языка программирования.

Говоря о моделировании психических и психофизиологических процессов, надо сказать, что здесь есть две стороны – примеры успешного моделирования процессов – психолингвистические модели понимания, распознающие системы, интегральные работы с одной стороны и с другой стороны – есть мнение, что для создания полноценных психологических теорий одного этого метода недостаточно.

Как правило, формальные модели не дают однозначного описания имеющихся данных, а для уменьшения произвольности их интерпретации, необходимо использовать результаты качественного психологического анализа.

Требования, предъявляемые к психическим моделям

По сравнению с моделями физических объектов к моделям психической деятельности предъявляют более сложные требования, потому что модели психики должны помочь ученому исследовать сам процесс психической деятельности, а не только его результат.

Более или менее успешно в настоящее время моделируют только отдельные психические процессы и действия человека. Действующую модель целостного поведения человека создать достаточно трудно.

Принято различать три основных вида моделей психики:

  • Знаковые, т.е. математическое или точное словесное описание какого-либо явления психики;
  • Программные;
  • Вещественные.

В знаковых моделях выделяются вербальные модели и математические. О вербальных моделях речь уже шла в предыдущих статьях, поэтому более подробно остановимся на математических моделях психики.

Математические модели психики

Определение

Они представляют собой высоко формализованные модели, при построении которых ученые пытаются описать психические процессы языком математических формул и графиков.

Математические модели точнее вербальных и однозначно понимаются не только психологами различных направлений, но и математиками, и инженерами.

Выигрывая в точности математическое моделирование, имеет существенный недостаток – описывает внешнюю сторону психической деятельности, форму её протекания и минует содержание. Выразить его математическими символами невозможно или почти невозможно. При всем при том, математические модели легко преобразуются в действующие, т.е. их можно заложить в электронно-вычислительную машину. Работа этой машины и будет представлять собой математическую модель в действии.

Программные модели

Программные модели являются связующими моделями между знаковыми моделями и вещественными, т.е. они так организованы, что на их основе можно сконструировать вещественные модели – действующие машины- автоматы, имитирующие работу мышления, памяти, внимания человека.

Выделяют жестко-алгоритмические и эвристические модели:

  • Жестко-алгоритмические модели представляют собой четкое описание какого-либо психического явления, которое состоит из строгой последовательности однозначных операций. Поиск новых способов решения задач при действии по жесткому алгоритму, лишены творчества. У этих моделей есть недостаток, связанный с тем, что при изучении их можно понять только ограниченный круг явлений психической деятельности;
  • Эвристические программные модели. Они уже сложнее жестко-алгоритмических моделей. Цель этих моделей заключается в изучении таких действий или психических процессов человека, течение которых может иметь несколько вариантов. Сказать заранее какой будет реализован нельзя. Например, игроки в шахматы точно не знают, какие ходы они будут делать в процессе игры. Это и понятно, т.к. выбор хода зависит не только от игрока, но и от хода его противника. О ходе противника можно знать только предположительно. Решение задач такого типа зависит от целого ряда факторов, которые человек не контролирует, а результат может быть получен только посредством составления гипотез.

Большинство воспитательных задач также можно отнести к задачам в условиях неопределенности. При их решении невозможно с уверенностью сказать, какой будет реакция воспитанников на воздействие. Методы решения задач в условиях неопределенности, называются эвристическими методами, а модели, которые воспроизводят сложный процесс их решения, получили название эвристических моделей.

Исследователь, создавая эвристическую модель, сначала моделирует деятельность человека, наподобие того, как художник изучает «натуру». При решении этой задачи, исследователь наблюдает за порядком действий своих испытуемых, фиксирует их ошибки и способы их исправления, высказывания, реплики и другие проявления деятельности.

На втором этапе, на основе проведенных наблюдений, составляется гипотеза о структуре психических процессов, которые принимают участие в решении такого типа задач. Гипотеза выражается в виде программы и её можно заложить в ЭВМ, превратив в действующую модель.

На следующем этапе идет изучение работы машины, решающей подобные задачи. Последующие наблюдения дают возможность внести в программу исправления до заключительного вывода об оригинале, считающегося наиболее достоверным.

Существует достаточно большое разнообразие эвристических моделей психики, созданных как отечественными, так и зарубежными учеными. Среди большого разнообразия моделей особенно распространены эвристические модели мыслительной деятельности человека. Среди них:

  1. Программа, воспроизводящая шахматную и шашечную игру;
  2. Программа решения логических задач;
  3. Программа доказательства геометрических теорем;
  4. Программа творческого мышления композитора и др.

У эвристического моделирования, как и у жестко-алгоритмического, есть недостатки, причем, существенные:

  • Имитация мыслительного процесса по эвристическим программам происходит вне связи с другими психическими процессами – восприятием, памятью, воображением. В реальной действительности мышление обязательно на них опирается;
  • ЭВМ, приводящие в действие эвристические программы, не переживают чувства радости, огорчения, успеха, не обладают никакими потребностями и стремлениями;
  • Эвристические модели, как и другие модели психики, созданы на основе аналогии, а она дает приблизительно верный вывод.

Вывод

Таким образом, можно сделать вывод, что метод моделирования в значительной степени действительно позволяет расширить возможности экспериментального изучения психической деятельности человека.

Метод дает возможность смело выдвигать и проверять научные гипотезы о скрытых явлениях работы мозга, а выводы выражать количественными характеристиками. Но, в психологии моделирование, это всего лишь один из методов исследования психической деятельности, который не отменяет и не заменяет собой другие методы.

Сообщество экспертов Автор24

Автор этой статьи Дата последнего обновления статьи: 07.12.2021

Выполнение любых типов работ по психологии

Заказать ВКР по психологии Сочинение на тему зависть — плод слабости и несвободы Реферат по психологии на тему экзистенциальная исполненность личности Реферат по психологии на тему психология как наука управления людьми Курсовая работа на тему исследование самооценки в психологии Отчет по практике по психологии Реферат по психологии общения Реферат по психологии на тему стресс и стрессоустойчивость Реферат на тему общение Реферат на тему психология личности

Подбор готовых материалов по теме

Дипломные работы Курсовые работы Выпускные квалификационные работы Рефераты Сочинения Доклады Эссе Отчеты по практике Решения задач Контрольные работы

Психология моделирования: определение, примеры и многое другое

Создайте невероятную жизнь, которую вы заслуживаете, вместе со специалистом по личным результатам уже сегодня!

Узнать больше

< Вернуться ко всем историям

Раскройте внутреннюю силу

Моделирование эффективных стратегий

Автор: Команда Тони

Чего ты хочешь больше всего в жизни? И вы учитесь — и учитесь — у людей, у которых это уже есть?

Это суть моделирования в психологии, мощная концепция, которую успешные люди используют каждый день.

Вы знаете, что должны предпринять масштабные действия, чтобы воплотить свои цели в реальность. Хотя вам предстоит проделать большую работу самостоятельно, вы также можете обратиться к людям в вашей жизни, которые уже добились успеха. Чему эти люди могут вас научить? Чему вы можете научиться, изучая их путь к успеху?

Успех часто кажется подарком другим. Чем еще объясняется то, как легко они собирают достижения, пока вы смотрите на них? Каков ключ к успеху, который они подобрали, но вы, кажется, не можете найти?

Успех не зависит от удачи, судьбы или магии. Это происходит от тяжелой работы, голода и окружения себя правильными людьми. Это означает культивировать образ мышления победителя и всегда стремиться к большему.

Правда в том, что эти успешные владельцы бизнеса обращаются к моделированию, когда принимают решения. Но что такое моделирование в психологии? И как научиться им пользоваться?

«Мы окружаем себя тем, что лучше, или видим в других людях образец для подражания. Вы говорите: «Если они могут это сделать, то и я смогу» 9.0021 – Тони Роббинс

Что такое моделирование в психологии?

Моделирование означает обучение путем копирования поведения другого человека. Люди естественным образом моделируют друг друга — например, дети используют моделирование, чтобы научиться пользоваться посудой или завязывать шнурки на ботинках. Определение моделирования в психологии означает преднамеренное изменение поведения с целью улучшения вашего мышления и достижения ваших целей. Первоначально разработанное Альбертом Бандурой в 1960-х годах, моделирование в психологии стало основной теорией.

Моделирование — это техника, используемая теми, кто настроен на рост, — теми, кто считает, что так же, как мы учимся поведению, мы можем от него отучиться. Иногда мы должны разучить их, чтобы расти как люди. Потому что, как говорит Тони, «если ты не растешь, ты умираешь».

Примеры моделирования в психологии

Моделирование в психологии используется со всеми возрастными группами и людьми из всех слоев общества. Некоторые из наиболее популярных применений:

Воспитание :

Точно так же, как дети копируют плохие привычки родителей, они копируют и хорошие. Родители могут использовать это в своих интересах, моделируя позитивное поведение, такое как физические упражнения, здоровое питание, чтение и развлечения, расслабляющие мероприятия.

На рабочем месте :

Моделирование происходит постоянно на рабочем месте. Человек может моделировать задачу, чтобы научить кого-то, но часто моделирование происходит непреднамеренно. Если вы менеджер или владелец бизнеса, вы можете моделировать такое поведение, как трудовая этика, профессиональное общение и честность.

В отношениях :

Групповая терапия пар частично основана на моделировании: пары могут видеть, как другие борются и решают свои проблемы, и моделируют это для себя.

Использование моделирования для достижения ваших целей

Моделирование в психологии имеет множество применений, но его использование для достижения пикового состояния — будь то в бизнесе или в жизни — является одним из самых действенных. Чтобы добиться успеха, выберите человека, которым вы восхищаетесь, изучите методологию его успеха и создайте аналогичный путь для себя. Эта техника может быть успешно применена практически во всех аспектах вашей жизни. Вы можете узнать, как использовать концепцию моделирования в психологии в своих интересах, выполнив эти три шага.

1. Выберите подходящего человека

Найдите кого-то, кто уже добился успеха в выбранной вами области, или кого-то, кто создал именно такую ​​жизнь, которой вы хотите жить. Нет необходимости изобретать велосипед. Загляните в их историю и их восхождение к вершине. Как они оказались там, где они сегодня? С какими препятствиями и неудачами они столкнулись и как они их преодолели? Какова их философия в отношении их жизни и работы? Используйте эту информацию, чтобы построить путь, отражающий их путь.

2. Обратитесь за помощью

Что бы вы ни искали, кто-то вас уже опередил. Если это кто-то, кого вы уже знаете или с кем у вас есть связь, даже лучше. Вам не нужно просто изучать их издалека, чтобы узнать, как они нашли ключ к успеху; вы можете попросить их поделиться с вами своим опытом или даже стать вашим наставником.

Поймите, что их время ценно, и предложите способ повысить ценность их жизни, пока они помогают вам. Если это друг, это может быть так же просто, как приглашать его на ужин каждый месяц. Если это знакомый, возможно, вы возьмете на себя дополнительную работу во дворе или окажете техническую помощь. Вы также можете рассмотреть возможность найма тренера по результатам, который поможет вам в этом.

3. Создайте стратегию

Те, кто добился успеха до вас, сделали это, потому что следовали плану, и вы можете сделать то же самое. Как говорит Тони Роббинс, «успех оставляет подсказки». Разработайте стратегию, которая работает, и следуйте ей. Ваша стратегия может быть такой же, как у человека, которого вы моделируете, или она может быть адаптирована к вашим нынешним обстоятельствам.

Что такое моделирование в психологии? Тони объясняет, как это связано с осуществлением всех ваших самых смелых желаний:

Моделирование — это такой же набор навыков, как и любой другой. Это то, чему вы можете учиться и совершенствоваться. Овладейте этим и другими проверенными методами, посвятив выходные обучению и расширению возможностей в «Раскрой внутреннюю силу».

close

Свяжитесь со специалистом по личным результатам сегодня

Вводя свою информацию на веб-сайте Tony Robbins, вы соглашаетесь с тем, что мы можем собирать и использовать вашу личную информацию в маркетинговых и других целях, как указано в нашей Политике конфиденциальности. , который мы рекомендуем вам просмотреть.

Этот веб-сайт использует файлы cookie для персонализации вашего опыта и целевой рекламы.. Продолжая использовать наш веб-сайт, вы принимаете условия нашей обновленной политики

Кто хорошо реагирует на моделирование поведения?

Помните, когда вы были ребенком и видели что-то или кого-то, кого вы считали удивительным, и, возможно, пытались подражать им? Или, возможно, во взрослом возрасте вы наблюдали и восхищались тем, как кто-то взаимодействует с миром, и черпали в нем вдохновение. Мы, люди, учимся, наблюдая за другими. Все это примеры типов моделирования поведения.

Мы иногда забываем заботиться о своем эмоциональном здоровье

Терапия здесь для вашего психического благополучия

Человек может служить образцом (сознательно или нет), у которого другие могут учиться поведению и пытаться подражать. Моделирование поведения может иметь место во многих сферах жизни и во всех возрастных группах. Моделирование также может быть методом, используемым в терапии, чтобы помочь людям научиться вести более здоровый образ жизни и избегать непродуктивного или вредного поведения.

Что такое моделирование в поведенческой терапии?

Моделирование поведения или, проще говоря, моделирование — это метод, который некоторые терапевты используют, чтобы помочь своим клиентам решить множество проблем. Идея состоит в том, что обучение новому поведению может происходить путем наблюдения и имитации того, кто делает это поведение (модель). Хотя слышать о решениях и обсуждать их может быть полезно, наблюдение за реально используемыми методами может быть еще одним эффективным способом научиться новому поведению.

Поведение можно смоделировать, чтобы показать кому-то, как что-то делать, как не что-то делать, и как изменить свое поведение, чтобы наилучшим образом удовлетворить свои потребности. Когда люди наблюдают за выполняемым действием или поведением, они могут очень эффективно учиться и иметь возможность имитировать это поведение и использовать его при необходимости. Примером этого в повседневной жизни может быть ребенок, наблюдающий, как взрослый поворачивает дверную ручку, и благодаря этому учится открывать дверь самостоятельно. В терапии примером может быть терапевт, участвующий в позитивном разговоре с самим собой, чтобы помочь своему клиенту научиться делать это для себя.

Моделирование в терапии может быть наиболее эффективным, когда оно используется в индивидуальной ситуации или с помощью видеотелетерапии, чтобы можно было уделить особое внимание деталям моделирования. Этот метод также можно использовать, наблюдая за поведением по телевизору или на смарт-устройстве в прямом эфире или предварительно записанном. В некоторых случаях моделирование может быть даже более эффективным, если модель говорит об их мыслительных процессах, когда они участвуют в поведении. Например, если модель показывает, как глубоко дышать, чтобы уменьшить стресс или тревогу, она может рассказывать о процессе, объясняя, как поднимается их грудная клетка, как они вдыхают через нос и т. д.

Что такое поведенческая терапия?

Моделирование используется в поведенческой терапии, но что такое поведенческая терапия? Поведенческая терапия — это тип терапии, который помогает людям справиться с психическими расстройствами или найти более здоровое поведение. Основная идея заключается в том, что поведение можно изменить. В поведенческой терапии клиенты работают с терапевтом, чтобы выявить и изменить нездоровое поведение на здоровое.

Когнитивно-поведенческая терапия — это очень распространенный тип поведенческой терапии. В когнитивно-поведенческой терапии люди работают с терапевтом, чтобы изменить свои модели мышления, чтобы развить более здоровые мысли и поведение. Было показано, что когнитивно-поведенческая терапия эффективна в решении ряда проблем психического здоровья, таких как депрессия, тревога, злоупотребление алкоголем и наркотиками, проблемы в отношениях и расстройство пищевого поведения.

Четыре этапа моделирования

Психолог Альберт Бандура описал концепцию обучения через наблюдение, в котором используется моделирование. Он предположил, что люди могут учиться через наблюдение. Он сказал, что люди все еще могут учиться у моделирования, даже если они не обязательно подражают модели.

Бандура также предположил, что для того, чтобы люди могли эффективно учиться моделированию, должны присутствовать четыре условия:

  1. Внимание: Чтобы человек мог учиться у модели, он должен внимательно следить за тем, что делает модель. Например, люди могут узнать больше, если они бдительны, отдохнули и не отвлекаются. Бандура также сказал, что они могли бы узнать больше от людей, которых они считают похожими на них или которые, по их мнению, престижны или вознаграждены за их поведение (например, то, как человек может восхищаться знаменитостью).
  2. Удержание: Чтобы человек научился моделировать или имитировать поведение, ему необходимо запомнить (сохранить) то, что он наблюдал.
  3. Воспроизведение: Чтобы поведение имело место точно, человек должен быть в состоянии воспроизвести его. Однако в некоторых случаях это может быть невозможно. Например, человек невысокого роста или не умеющий в настоящее время прыгать очень высоко, скорее всего, не сможет имитировать баскетболиста, выполняющего слэм-данк, но он все же может попытаться, увидев такое поведение или узнав, что переходит к слэм-данку через наблюдение.
  4. Мотивация: Теория Бандуры утверждает, что для эффективного обучения человеку, наблюдающему за моделью, может понадобиться причина (мотивация) для обучения. Например, они могут учиться лучше всего, если у них есть особый стимул изучить поведение или если они заметили, что модель каким-то образом вознаграждается за поведение.

Моделирование также может уменьшить поведение. Например, если наблюдатель видит, что модель испытывает негативные последствия своего поведения, у него может быть меньше мотивации подражать поведению.

Кому может быть полезно моделирование?

Многие люди могут извлечь пользу из моделирования поведения. Подобно тому, как маленькие дети, которые растут и учатся, могут копировать поведение своих родителей, братьев и сестер, люди могут изучать стратегии поддержания своего психического здоровья посредством моделирования.

  • Дети и подростки: Моделируя поведение, дети и подростки могут научиться реагировать на ситуации. Эти усвоенные модели поведения могут быть эффективно использованы в социальных ситуациях. Например, если молодые люди учатся налаживать отношения в школе или как реагировать на давление сверстников, заставляющее их делать что-то, чего они не хотят, они могут наблюдать, как другие (модели) справляются с взаимодействием здоровым образом. Затем, если они сами находятся в ситуации, похожей на смоделированную, они могут чувствовать себя более уверенно, потому что они будут чувствовать себя подготовленными, зная пример того, что делать или чего не делать.

Мы иногда забываем заботиться о своем эмоциональном здоровье

Терапия здесь для вашего психического благополучия

  • Родители: Наблюдение за тем, как другие люди успешно и правильно воспитывают детей, может быть эффективным способом научиться здоровым родительским навыкам. Родители также играют важную роль в качестве моделей для своих детей. Дети наблюдают за поведением своих родителей и учатся у них. Моделирование здорового поведения может помочь вашему ребенку научиться справляться с обычными жизненными ситуациями, такими как стресс, сильные чувства и столкновение со страхами. Родители могут моделировать позитивное эмоциональное поведение, говоря и демонстрируя свои чувства в здоровой форме, используя продуктивные навыки решения проблем и находя время для отдыха и снятия стресса.
  • Пары: Парам может быть полезно моделирование. Во время консультирования они могут наблюдать, как другие пары (например, на видео) участвуют в здоровом общении. Например, они могут наблюдать, как другая пара ссорится, а затем продуктивно разрешает спор. Тогда пара может иметь позитивные, эффективные инструменты и модели поведения для улучшения общения в своих отношениях.
  • Люди, живущие с расстройствами, связанными с употреблением психоактивных веществ: Люди, выздоравливающие от злоупотребления психоактивными веществами, могут научиться здоровым навыкам преодоления трудностей, наблюдая за моделями поведения. Они могут узнать, наблюдая за тем, как человек, выздоравливающий от употребления психоактивных веществ, эффективно использует здоровые навыки выживания, чтобы инициировать и/или поддерживать свою трезвость. Они также могут наблюдать за поведением, связанным со злоупотреблением психоактивными веществами, что может служить образцом поведения, которого следует избегать.
  • Люди, живущие с тревожными расстройствами : Чтобы успокоить тревожные чувства, человек с тревогой может использовать эффективные средства, такие как прогрессивная мышечная релаксация и глубокое дыхание. Наблюдение за тем, как кто-то правильно моделирует эти инструменты, может помочь человеку освоить навыки.
  • Люди, живущие с фобиями: Человеку, страдающему фобией, может быть полезно наблюдать за тем, как кто-то сталкивается со своим страхом. Например, если они боятся высоты, им может быть полезно наблюдать за тем, как кто-то другой спокойно справляется с высотой. Это может быть постепенный, осторожный процесс, чтобы человек, наблюдающий за происходящим, не чувствовал такого беспокойства, что он не может учиться. Например, они могут наблюдать, как человек поднимается немного выше, пока не достигнет «вершины». Это может помочь с десенсибилизацией фобии.
  • Люди, у которых проблемы с управлением гневом: Наблюдая за здоровыми моделями управления гневом, люди могут научиться лучше справляться с сильными чувствами, когда они злятся. Навыки управления гневом, которые можно наблюдать и моделировать, включают спокойное, неконфронтационное выражение чувств, взятие тайм-аута при обострении стрессовых или вызывающих гнев ситуаций и использование решений для решения проблем, которые могут спровоцировать гнев.
  • Люди, страдающие другими психическими расстройствами, могут получить пользу от моделирования: Моделирование может помочь людям, страдающим психическими расстройствами, понять, что они не одиноки и что другие люди также живут и справляются с проблемами психического здоровья. Благодаря моделированию люди могут видеть, как другие справляются с их симптомами, и учиться у них.

Многие люди могут извлечь пользу из моделирования поведения. Они могут учиться, наблюдая за тем, как люди моделируют поведение, а затем практиковать здоровое поведение в ролевых играх. Это может быть похоже на изучение чего-то более тщательно — или просто другим способом — увидев это лично, а не прочитав или услышав об этом. Моделирование может быть для людей одним из способов научиться вести себя более позитивно или здоровее.

Как получить помощь по моделированию поведения?

Если вы чувствуете, что вам или кому-то из ваших знакомых может помочь моделирование поведения, возможно, вам будет полезно поговорить с психотерапевтом. Они могут дать полезную информацию о том, может ли это быть частью эффективного плана лечения для вас. Терапевт может помочь вам укрепить ваши мысли, поведение и чувства, чтобы вы могли жить здоровой и полноценной жизнью.

В BetterHelp вы можете связаться с лицензированным специалистом в области психического здоровья, который подходит вам и вашим потребностям. BetterHelp может предоставить вам безопасное, защищенное и приватное виртуальное пространство для терапии. Вы можете связаться со своим терапевтом через чат, видеосеансы или по телефону, не выходя из собственного дома или из любого места, где вы чувствуете себя комфортно и где есть хорошее интернет-соединение. Терапия может исцелять и может помочь вам найти способы внести позитивные изменения в свою жизнь.

Моделирование — бандура, терапевт, моделирование и техника

Процесс обучения, наблюдая за другими; терапевтическая техника, используемая для изменения поведения.

На использование моделирования в психотерапии повлияло исследование теоретика социального научения Альберта Бандуры , изучавшего наблюдательное обучение у детей, особенно в отношении агрессии . Бандура впервые применила концепцию заместительного кондиционирования , с помощью которого человек учится не только на наблюдаемом поведении других, но и на том, вознаграждается ли это поведение или наказывается. Бандура пришел к выводу, что определенные условия определяют, учатся ли люди на наблюдаемом поведении. Они должны обращать внимание и запоминать то, что наблюдали, и они должны быть способны и мотивированы воспроизводить поведение. Эффекты наблюдаемого поведения также сильнее, если модель имеет характеристики, аналогичные характеристикам наблюдателя, или особенно привлекательна или влиятельна (принцип, лежащий в основе одобрения знаменитостей). Бандура утверждал, что телевидение является основным источником моделирования, обучая тысячи людей пить определенные газированные напитки или использовать мыло известных марок. Аналогично, насилие и смерть, смоделированные по телевидению, повлияли на поведение, согласно некоторым социальным исследованиям, которые ссылаются на покушение на президента Рональда Рейгана. Джон Хинкли предпринял попытку после просмотра Таксист 15 раз. Четыре девушки показали в суде, что они смотрели Born Innocent , прежде чем изнасиловать калифорнийскую девушку бутылкой, как в сцене из фильма. Другие теоретики возражают, что телевидение дает разрядку, а не моделирует агрессивное поведение. В одном исследовании исследователи обнаружили, что несовершеннолетние мальчики, которые смотрели агрессивные телевизионные шоу, с меньшей вероятностью проявляли насилие, чем несовершеннолетние мальчики, которые этого не делали.

Критики моделирования как объяснения агрессивного поведения утверждают, что теория не допускает различий в генетике, функционировании мозга и различиях в обучении. Критики результатов Бандуры об агрессии утверждают, что используемые методы привели к результату, включая высокий уровень разочарования детей, потому что им не разрешалось прикасаться к игрушкам.

В качестве терапевтического метода изменения поведения моделирование особенно эффективно при лечении фобий. Как и в случае систематического десенсибилизация , человек подвергается воздействию объекта или ситуации, вызывающих страх, в формах, которые постепенно вызывают тревогу. Однако эта серия столкновений вместо того, чтобы быть воображенной или пережитой непосредственно, сначала моделируется другим человеком. При символическом моделировании человек, получающий лечение, также прошел обучение релаксации, и его или ее задача состоит в том, чтобы наблюдать серию смоделированных ситуаций (вживую или на пленке), оставаясь при этом расслабленным. Как только ситуация или действие вызывают тревогу, оно прекращается, и наблюдатель возвращается в состояние расслабления. В другом эффективном методе, «живом моделировании с участием», наблюдатель активно имитирует поведение живой модели в серии столкновений с вызывающим страх объектом или ситуацией. Например, лица, которых лечат, преодолевают страх змей смотреть и подражать модели. Они постепенно переходят от прикосновения к змее рукой в ​​перчатке к извлечению свободной змеи голыми руками и позволяют ей ползать по их телу.

На индивидуальных терапевтических сеансах терапевт может моделировать поведение, вызывающее тревогу, в то время как клиент, оставаясь расслабленным, сначала наблюдает, а затем имитирует его. В терапии, включающей обучение социальным навыкам и уверенности в себе, этот метод может принимать форму поведенческой репетиции , в которой терапевт моделирует, а затем помогает клиенту практиковать новое, более социально адаптивное поведение.

Помимо фобий, моделирование широко применяется в терапии. Терапевты используют технику моделирования, чтобы проиллюстрировать здоровое поведение, которому клиенты могут научиться на собственном примере и практиковать на сеансе. Работая с детьми, терапевт моделирует различные реакции на сложные ситуации. В ситуации общения с хулиганом в классе терапевт моделирует альтернативные реакции в контексте ролевой игры , где терапевт сначала действует как ребенок, а ребенок берет на себя роль агрессора. Затем роли меняются. Ребенок отрабатывает моделируемое поведение и реакции, в то время как терапевт изображает хулигана. В парной терапии моделирование используется для обучения навыкам слушания и общения. В случае ссорящихся пар терапевт моделирует реакцию, чтобы облегчить разрешение конфликта, а не сводить дискуссию к обзываниям. Моделирование также эффективно использовалось в гнев управления и в случаях злоупотреблений.

Школы предлагают одну из самых больших арен для моделирования, где учителя сначала демонстрируют поведение, которого они добиваются, будь то приличия в классе или решение задачи на деление. Бандура утверждает, что моделирование может влиять на самоэффективность. Моделируемое поведение увеличивает веру учащегося в то, что возможно, повышая способность учащегося выполнить поставленную задачу.

Психологические модели и их дистракторы

  • Комментарий
  • Опубликовано:
  • Ирис ван Ройдж ORCID: orcid.org/0000-0001-6520-4635 1,2  

Природа Обзоры Психология том 1 , страницы 127–128 (2022)Процитировать эту статью

  • 502 доступа

  • 120 Альтметрический

  • Сведения о показателях

Предметы

  • Поведение человека
  • Психология

Отсутствие моделей в психологии тормозит научный прогресс. Чтобы начать решать эту проблему, нам нужно четкое понимание того, что такое модели, а что нет.

Моделирование — одно из важнейших направлений в науке. Без моделей ученые могут легко обмануть себя, думая, что они поняли и объяснили явления, хотя на самом деле это не так; модели необходимы для разработки объяснений с точки зрения принципов и механизмов за пределами наблюдаемых. Точно так же, как микроскопы и телескопы помогают ученым лучше видеть, модели помогают ученым лучше думать. Модели обеспечивают когнитивные каркасы для дальнейшего и более строгого мышления. Имитируя модельное поведение, ученые могут проводить автоматизированные мысленные эксперименты, выходящие за пределы возможностей человеческого разума. Это не роскошь, а необходимость. Ум ученого без посторонней помощи не способен достичь сравнимого уровня понимания внутренней работы сложных систем. Чтобы понять движение планет, ученым требовались модели (которые постулировали ненаблюдаемые силы и отношения между объектами). Разум и поведение — гораздо более сложные системы, а взаимосвязь между наблюдаемыми и лежащими в их основе причинами еще менее прозрачна. Тем не менее, в психологии модели встречаются редко (за исключением математической психологии и вычислительной когнитивной науки 9).0300 1,2,3 ). Растет мнение, что это пренебрежение моделями сдерживает развитие психологии 1,2,4,5 .

Это предварительный просмотр содержимого подписки, доступ через ваше учреждение

Варианты доступа

Подписаться на журнал

Получить полный доступ к журналу на 1 год

59,00 €

всего 4,92 € за выпуск

Подписаться

Расчет налогов будет завершен во время оформления заказа.

Купить статью

Получите ограниченный по времени или полный доступ к статье на ReadCube.

32,00 $

Купить

Все цены указаны НЕТТО.

Ссылки

  1. ван Ройдж, И. и Баджо, Г. Теория перед испытанием: как построить правдоподобные объяснительные теории в психологической науке. Перспектива. Психол. науч. 16 , 682–697 (2021).

    Артикул Google ученый

  2. Гест О. и Мартин А. Э. Как компьютерное моделирование может ускорить построение теории в психологии. Перспектива. Психол. науч. 16 , 789–802 (2021).

    Артикул Google ученый

  3. Наварро, Д. Дж. Если бы математической психологии не существовало, нам, возможно, пришлось бы ее изобрести: комментарий о построении теории в психологии. Перспектива. Психол. науч. 16 , 707–716 (2021).

    Артикул Google ученый

  4. Мутукришна М. и Хенрих Дж. Теоретическая проблема. Нац. Гум. Поведение 3 , 221–229 (2019).

    Артикул Google ученый

  5. Смальдино, П. Лучшие методы не могут компенсировать посредственную теорию. Природа 575 , 9–10 (2019).

    Артикул Google ученый

  6. ван Ройдж, И. и Баджо, Г. Развитие теории требует кардинальных эпистемологических изменений. Психология. Инк. 31 , 321–325 (2020).

    Артикул Google ученый

  7. Смальдино П. Как построить прочный теоретический фундамент. Психология. Инк. 31 , 297–301 (2020).

    Артикул Google ученый

  8. Камминс, Р. в Explanation and Cognition (редакторы Кейл, Ф.К. и Уилсон, Р.А.) 117–144 (MIT Press, 2000).

  9. Cummins, R. Значение и мысленное представление (MIT Press, 1989).

  10. Эпштейн, Дж. М. Почему модель? Дж Артиф. соц. соц. Симул. 11 , 12 (2008).

    Google ученый

Ссылки для скачивания

Информация об авторе

Авторы и организации

  1. Институт мозга, познания и поведения Дондерса, Университет Радбауд, Неймеген, Нидерланды

    Iris van van Rooij

  2. Департамент лингвистики, когнитивной науки и семиотики и взаимодействующие Центр умов, Университет Аархуса, Аархус, Дания

    Iris van Rooij

Authors 9000

  1. 5156 9000. 9000. 9000 9000 9000
  2. 515151156 9000. 9000. 9000.
  3. 5151515159 9000. 9000. 9000.
  4. 51515151156.

    Вы также можете искать этого автора в PubMed Google Scholar

Автор, ответственный за корреспонденцию

Айрис ван Рой.

Заявление об этике

Конкурирующие интересы

Автор не заявляет об отсутствии конкурирующих интересов.

Права и разрешения

Перепечатка и разрешения

Об этой статье

Наблюдательное обучение (моделирование) – Психология

Обучение

OpenStaxCollege

[латексная страница]

Цели обучения

К концу этого раздела вы сможете:

  • Дайте определение наблюдательному обучению
  • Обсудите этапы процесса моделирования
  • Объясните просоциальные и антисоциальные эффекты обучения через наблюдение

Предыдущие разделы этой главы были посвящены классической и оперантной обусловленности, которые являются формами ассоциативного обучения. В наблюдательном обучении мы учимся, наблюдая за другими, а затем подражая или моделируя то, что они делают или говорят. Индивиды, демонстрирующие имитируемое поведение, называются моделями. Исследования показывают, что в этом имитационном обучении участвует особый тип нейрона, называемый зеркальным нейроном (Hickock, 2010; Rizzolatti, Fadiga, Fogassi, & Gallese, 2002; Rizzolatti, Fogassi, & Gallese, 2006).

Люди и другие животные способны к обучению через наблюдение. Как вы увидите, фраза «обезьяна видит, обезьяна делает» действительно точна ([ссылка]). То же самое можно сказать и о других животных. Например, при изучении социального обучения у шимпанзе исследователи дали коробки из-под сока с соломинками двум группам шимпанзе в неволе. Первая группа опускала соломинку в коробку с соком, а затем высасывала небольшое количество сока на конце соломинки. Вторая группа сосала прямо через соломинку, получая намного больше сока. Когда первая группа, «ковши», наблюдала за второй группой, «лохами», что, по-вашему, произошло? Все «ковши» первой группы перешли на сосание напрямую через соломинку. Просто наблюдая за другими шимпанзе и моделируя их поведение, они поняли, что это более эффективный метод получения сока (Yamamoto, Humle, and Tanaka, 2013).

Эта обезьяна-паук научилась пить воду из пластиковой бутылки, увидев поведение, смоделированное человеком. (кредит: ВВС США, старший летчик Кейси Клоуз)


Подражание гораздо более очевидно у людей, но действительно ли подражание является самой искренней формой лести? Рассмотрим опыт Клэр в обучении через наблюдение. У девятилетнего сына Клэр, Джея, в школе были проблемы, а дома он вел себя непокорно. Клэр боялась, что Джей закончит так же, как и ее братья, двое из которых сидели в тюрьме. Однажды, после очередного плохого дня в школе и очередной негативной записки от учителя, Клэр, не в силах сойти с ума, избила сына ремнем, чтобы заставить его вести себя прилично. Позже той же ночью, укладывая детей спать, Клэр стала свидетелем того, как ее четырехлетняя дочь Анна взяла ремень на своего плюшевого мишку и хлестнула его. Клэр пришла в ужас, поняв, что Анна подражает своей матери. Именно тогда Клэр поняла, что хочет дисциплинировать своих детей по-другому.

Подобно Толмену, чьи эксперименты с крысами выявили когнитивный компонент обучения, взгляды психолога Альберта Бандуры на обучение отличались от взглядов строгих бихевиористов. Бандура и другие исследователи предложили разновидность бихевиоризма, названную теорией социального обучения, в которой учитывались когнитивные процессы. Согласно Бандуре, чистый бихевиоризм не может объяснить, почему обучение может происходить в отсутствие внешнего подкрепления. Он чувствовал, что внутренние психические состояния также должны играть роль в обучении и что обучение через наблюдение включает в себя гораздо больше, чем подражание. В подражании человек просто копирует то, что делает модель. Наблюдательное обучение гораздо сложнее. Согласно Лефрансуа (2012), существует несколько способов обучения через наблюдение:

Вы узнали новый ответ. Увидев, как начальник ругает вашего коллегу за опоздание, вы начинаете уходить из дома на 10 минут раньше, чтобы не опоздать.

Вы решаете, следует ли имитировать модель, в зависимости от того, что вы видели с моделью. Помните Джулиана и его отца? Обучаясь серфингу, Джулиан может наблюдать, как его отец успешно садится на доску для серфинга, а затем пытается сделать то же самое. С другой стороны, Джулиан может научиться не прикасаться к горячей плите, увидев, как его отец сгорает на плите.

Вы изучаете общее правило, которое можете применять в других ситуациях.

Бандура выделил три вида моделей: живые, вербальные и символические. Живая модель демонстрирует поведение лично, например, когда Бен встал на свою доску для серфинга, чтобы Джулиан мог видеть, как он это делает. Вербальная обучающая модель не воспроизводит поведение, а вместо этого объясняет или описывает поведение, как, например, когда футбольный тренер говорит своим юным игрокам бить по мячу боковой частью стопы, а не носком. Символической моделью могут быть вымышленные персонажи или реальные люди, демонстрирующие поведение в книгах, фильмах, телевизионных шоу, видеоиграх или источниках в Интернете ([ссылка]).

(a) Ученики йоги учатся, наблюдая за тем, как их инструктор по йоге демонстрирует своим ученикам правильную стойку и движения (живая модель). (б) Для обучения не обязательно присутствие моделей: с помощью символического моделирования этот ребенок может научиться поведению, наблюдая, как кто-то демонстрирует его по телевизору. (кредит a: модификация работы Тони Секалы; кредит b: модификация работы Эндрю Хайда)


Конечно, мы не изучаем поведение, просто наблюдая за моделью. Бандура описал конкретные шаги в процессе моделирования, которым необходимо следовать, чтобы обучение было успешным: внимание, удержание, воспроизведение и мотивация. Во-первых, вы должны быть сосредоточены на том, что делает модель — вы должны быть внимательны. Затем вы должны быть в состоянии сохранить или вспомнить то, что вы наблюдали; это удержание. Затем вы должны быть в состоянии выполнить поведение, которое вы наблюдали и запоминали; это репродукция. Наконец, у вас должна быть мотивация. Вам нужно хотеть копировать поведение, а мотивация зависит от того, что случилось с моделью. Если вы увидели, что модель поощряется за ее поведение, у вас будет больше мотивации копировать ее. Это известно как косвенное подкрепление. С другой стороны, если бы вы наблюдали, как наказывают модель, у вас было бы меньше мотивации копировать ее. Это называется заместительным наказанием. Например, представьте, что четырехлетняя Эллисон наблюдала за своей старшей сестрой Кейтлин, играющей в мамином гриме, а затем увидела, как Кейтлин взяла тайм-аут, когда вошла их мать. После того, как их мать вышла из комнаты, Эллисон захотелось поиграть в макияж, но она не хотела получить тайм-аут от своей матери. Как вы думаете, что она сделала? Как только вы действительно продемонстрируете новое поведение, получаемое вами подкрепление играет роль в том, будете ли вы повторять это поведение.

Бандура исследовала моделирование поведения, в частности моделирование агрессивного и насильственного поведения взрослых у детей (Bandura, Ross, & Ross, 1961). Он провел эксперимент с пятифутовой надувной куклой, которую назвал куклой Бобо. В эксперименте на агрессивное поведение детей влияло то, была ли учительница наказана за свое поведение. В одном сценарии учитель вел себя агрессивно с куклой, бил, бросал и даже бил куклу, пока ребенок смотрел. Реакция детей на поведение воспитателя была двоякой. Когда учительницу наказали за плохое поведение, у детей снизилась склонность вести себя так, как она. Когда учительницу хвалили или игнорировали (а не наказывали за ее поведение), дети подражали тому, что она делала, и даже тому, что она говорила. Они били, пинали и кричали на куклу.

Каковы последствия этого исследования? Бандура пришел к выводу, что мы наблюдаем и учимся, и что это обучение может иметь как просоциальные, так и антисоциальные последствия. Просоциальные (позитивные) модели могут использоваться для поощрения социально приемлемого поведения. Родители, в частности, должны обратить внимание на этот вывод. Если вы хотите, чтобы ваши дети читали, читайте им. Пусть они видят, как вы читаете. Держите книги дома. Расскажите о своих любимых книгах. Если вы хотите, чтобы ваши дети были здоровы, пусть они видят, как вы правильно питаетесь и занимаетесь спортом, а также вместе занимаетесь физкультурой. То же самое относится и к таким качествам, как доброта, вежливость и честность. Основная идея заключается в том, что дети наблюдают и учатся у своих родителей, даже у их нравов, поэтому будьте последовательны и отбросьте старую пословицу «Делай, как я говорю, а не так, как я делаю», потому что дети склонны копировать то, что вы делаете, а не Что ты сказал. Помимо родителей, многие общественные деятели, такие как Мартин Лютер Кинг-младший и Махатма Ганди, рассматриваются как просоциальные модели, способные вдохновить на глобальные социальные изменения. Можете ли вы вспомнить кого-то, кто был просоциальной моделью в вашей жизни?

Также стоит упомянуть об антисоциальном эффекте обучения через наблюдение. Как вы видели на примере Клэр в начале этого раздела, ее дочь наблюдала за агрессивным поведением Клэр и копировала его. Исследования показывают, что это может помочь объяснить, почему дети, подвергшиеся насилию, часто сами становятся насильниками (Murrell, Christoff, & Henning, 2007). Фактически, около 30% детей, подвергшихся насилию, становятся жестокими родителями (Министерство здравоохранения и социальных служб США, 2013 г.). Мы склонны делать то, что знаем. Дети, подвергшиеся насилию, которые растут, наблюдая, как их родители борются с гневом и разочарованием посредством насильственных и агрессивных действий, часто сами учатся вести себя таким образом. К сожалению, это порочный круг, который трудно разорвать.

Некоторые исследования показывают, что жестокие телешоу, фильмы и видеоигры также могут иметь антисоциальные последствия ([ссылка]), хотя необходимо провести дальнейшие исследования, чтобы понять корреляционные и причинно-следственные аспекты насилия и поведения в СМИ. В некоторых исследованиях была обнаружена связь между просмотром насилия и агрессией у детей (Anderson & Gentile, 2008; Kirsch, 2010; Miller, Grabell, Thomas, Bermann, & Graham-Bermann, 2012). Эти результаты могут не удивлять, учитывая, что ребенок, окончивший среднюю школу, подвергался примерно 200 000 насильственных действий, включая убийства, грабежи, пытки, взрывы, избиения и изнасилования через различные средства массовой информации (Huston et al., 19).92). Мало того, что просмотр насилия в СМИ может влиять на агрессивное поведение, обучая людей действовать таким образом в реальных жизненных ситуациях, но также было высказано предположение, что повторное воздействие насильственных действий также снижает чувствительность людей к нему. Психологи работают над тем, чтобы понять эту динамику.

Могут ли видеоигры сделать нас жестокими? Исследователи-психологи изучают эту тему. (кредит: «woodleywonderworks»/Flickr)


Согласно Бандуре, обучение может происходить, наблюдая за другими, а затем моделируя то, что они делают или говорят. Это известно как наблюдательное обучение. В процессе моделирования есть определенные шаги, которые необходимо выполнить, чтобы обучение было успешным. Эти этапы включают внимание, удержание, воспроизведение и мотивацию. С помощью моделирования Бандура показал, что дети учатся многим вещам, как хорошим, так и плохим, просто наблюдая за своими родителями, братьями, сестрами и другими людьми.

Человек, демонстрирующий поведение, которое служит примером, называется ________.

  1. учитель
  2. модель
  3. инструктор
  4. тренер

B

В исследовании куклы Бобо Бандуры, когда детей, наблюдавших за агрессивной моделью, поместили в комнату с куклой и другими игрушками, они ________.

  1. проигнорировал куклу
  2. хорошо играл с куклой
  3. играл с игрушками-мастерами
  4. пнул и бросил куклу

D

Каков правильный порядок шагов в процессе моделирования?

  1. внимание, удержание, воспроизведение, мотивация
  2. мотивация, внимание, воспроизводство, удержание
  3. внимание, мотивация, удержание, воспроизведение
  4. мотивация, внимание, удержание, воспроизводство

A

Кто предложил обучение через наблюдение?

  1. Иван Павлов
  2. Джон Ватсон
  3. Альберт Бандура
  4. Б. Ф. Скиннер

С

Каков эффект просоциального моделирования и антисоциального моделирования?

Просоциальное моделирование может побудить других к полезному и здоровому поведению, в то время как антисоциальное моделирование может побудить других к жестокому, агрессивному и нездоровому поведению.

Каре 17 лет. Мать и отец Кары пьют алкоголь каждую ночь. Они говорят Каре, что пить плохо, и она не должна этого делать. Кара идет на вечеринку, где подают пиво. Как вы думаете, что сделает Кара? Почему?

Кара, скорее всего, выпьет на вечеринке, потому что она заметила, что ее родители регулярно пьют. Дети склонны следовать тому, что родители делают, а не тому, что они говорят.

Чему вы научились, наблюдая за кем-то другим?

модель
человек, демонстрирующий поведение, служащее примером (при обучении через наблюдение)
обучение с наблюдением
тип обучения, который происходит, наблюдая за другими
заместительное наказание
процесс, в котором наблюдатель видит наказание модели, что снижает вероятность того, что наблюдатель будет имитировать поведение модели
Вспомогательное усиление
процесс, в котором наблюдатель видит вознаграждение модели, что повышает вероятность того, что наблюдатель будет подражать поведению модели

Десять простых правил компьютерного моделирования поведенческих данных

Реферат

Компьютерное моделирование поведения произвело революцию в психологии и неврологии. Сопоставляя модели с экспериментальными данными, мы можем исследовать алгоритмы, лежащие в основе поведения, находить нейронные корреляты вычислительных переменных и лучше понимать влияние лекарств, болезней и вмешательств. Но с большой силой приходит большая ответственность. Здесь мы предлагаем десять простых правил, которые гарантируют, что вычислительное моделирование используется с осторожностью и дает значимую информацию. В частности, мы представляем удобное для начинающих, прагматичное и подробное введение о том, как связать модели с данными. Что именно модель может рассказать нам о разуме? Чтобы ответить на этот вопрос, мы применим наши правила к простейшим методам моделирования, наиболее доступным для начинающих моделистов, и проиллюстрируем их примерами и кодом, доступными в Интернете. Однако большинство правил применимы к более продвинутым методам. Мы надеемся, что, следуя нашим рекомендациям, исследователи избегут многих ловушек и раскроют возможности вычислительного моделирования на своих собственных данных.

Что такое вычислительное моделирование поведенческих данных?

Цель вычислительного моделирования в науке о поведении состоит в том, чтобы использовать точные математические модели для лучшего понимания поведенческих данных. Поведенческие данные чаще всего поступают в форме выбора, но также могут быть временем реакции, движениями глаз или другим легко наблюдаемым поведением и даже нейронными данными. Модели представлены в виде математических уравнений, которые связывают экспериментально наблюдаемые переменные (например, стимулы, результаты, прошлый опыт) с поведением в ближайшем будущем. В этом смысле вычислительные модели реализуют различные «алгоритмические гипотезы» о том, как генерируется поведение.

То, что именно означает «придавать смысл» поведенческим данным, в некоторой степени зависит от вкуса, который зависит от целей исследователя (Kording et al., 2018). В некоторых случаях достаточно простой модели, которая может объяснить широкие качественные особенности данных. В других случаях требуются более подробные модели, позволяющие делать количественные прогнозы (Breiman, 2001). Точная форма моделей и то, что именно мы с ними делаем, ограничены только нашим воображением, но в литературе преобладают четыре применения: моделирование, оценка параметров, сравнение моделей и вывод скрытых переменных.

  • Моделирование включает запуск модели с определенными настройками параметров для создания «фальшивых» поведенческих данных. Затем эти смоделированные данные можно анализировать почти так же, как анализируют реальные данные, чтобы делать точные, поддающиеся фальсификации прогнозы о качественных и количественных закономерностях в данных. Моделирование — это способ сделать теоретические прогнозы более точными и проверяемыми. (Некоторые примеры включают Cohen et al., 1990; Collins and Frank, 2014; Rescorla and Wagner, 19).72; Фарашахи и др., 2017; Монтегю и др., 1996; Эббот и др., 2015 г.; Ли и Уэбб, 2005).

  • Оценка параметров включает в себя поиск набора значений параметров, которые лучше всего соответствуют реальным поведенческим данным для данной модели. Эти параметры можно использовать в качестве краткого обзора заданного набора данных (Ratcliff, 1978; Wilson et al., 2013; Daw et al., 2011; Donkin et al., 2016) для изучения индивидуальных различий (Frank et al. , 2007; Starns and Ratcliff, 2010; Collins and Frank, 2012; Gillan et al., 2016; Somerville et al., 2017; Nilsson et al., 2011), а также для количественной оценки эффектов вмешательств, таких как лекарства, поражения, болезнь. , или условия эксперимента (Frank et al., 2004; Lorains et al., 2014; Dowd et al., 2016; Zajkowski et al., 2017; Warren et al., 2017; Wimmer et al., 2018; van Ravenzwaaij et al. др., 2011).

  • Сравнение моделей включает в себя попытку вычислить, какая из набора возможных моделей лучше всего описывает данные о поведении, чтобы понять, какие механизмы с большей вероятностью лежат в основе поведения. Это особенно полезно, когда разные модели дают схожие качественные прогнозы, но различаются количественно (Wilson and Niv, 2011; Daw et al. , 2011; Collins and Frank, 2012; Collins and Frank, 2012; Fischer and Ullsperger, 2013; Steyvers et al. ., 2009; Хааф и Роудер, 2017 г.; Донкин и др., 2014).

  • Вывод о скрытых переменных включает использование модели для вычисления значений скрытых переменных (например, значений различных вариантов выбора), которые нельзя непосредственно наблюдать в поведенческих данных, но которые, согласно теории, важны для вычислений, происходящих в мозгу . Вывод скрытых переменных особенно полезен в нейровизуализации, где он используется для поиска нейронных коррелятов модели (O’Doherty et al., 2007; Wilson and Niv, 2015; Donoso et al., 2014; Cohen et al., 2017), но также для электроэнцефалограммы (ЭЭГ), электрокортикографии (ECOG), электрофизиологии и пупиллометрии среди многих других источников данных (O’Reilly et al., 2013; Collins and Frank, 2018; Samejima et al., 2005; Cavanagh et al. ., 2014; Нассар и др., 2012).

Каждое из этих применений имеет свои сильные и слабые стороны, и каждое из них может использоваться неправильно, что приводит к неверным и вводящим в заблуждение выводам (Nassar and Frank, 2016; Palminteri et al. , 2017). Здесь мы представляем удобное для начинающих, прагматичное, практичное и ориентированное на детали введение (с примерами кода, доступными по адресу [code]) о том, как связать модели с данными и как избежать многих потенциальных ошибок моделирования. Наша цель в этой статье — выйти за рамки простой механики реализации моделей — какой бы важной ни была эта механика — и вместо этого сосредоточиться на более сложном вопросе: как выяснить, что именно модель говорит нам о разуме. По этой причине мы сосредоточимся в первую очередь на самых простых методах моделирования, наиболее доступных для начинающих моделистов, но почти все наши пункты применимы в более общем плане, и читателям, интересующимся более продвинутыми методами моделирования, следует обратиться к множеству превосходных руководств, дидактических примеров и книг по этой теме. (Бусемейер и Дидерих, 2010 г.; Доу, 2011 г.; Доу и Тоблер, 2014 г.; Хиткот и др., 2015 г.; Хьюс, 2017 г.; Тернер и др., 2013 г.; Вандекеркхов и др., 2015 г. ; Вагенмакерс и Фаррелл, 2004 г.; Ригу и др.). и др., 2014 г.; Нильссон и др., 2011 г.; Фаррелл и Левандовски, 2018 г.; Ли и др., 2019 г.).

Для ясности мы решили, что все примеры в этой статье отражают одну узкую область — модели обучения с подкреплением, применяемые к данным выбора (Саттон и Барто, 2018). Мы выбрали этот домен по нескольким причинам. (1) Моделирование особенно популярно в сфере обучения. Действительно, эта область выигрывает от моделирования, в частности, из-за характера поведенческих данных: испытания зависят от всей прошлой истории и, следовательно, уникальны, что делает классический анализ данных с агрегированием по условиям менее успешным. (2) Последовательная зависимость испытаний в контексте обучения может привести к техническим проблемам при подборе моделей, отсутствующих в контексте, не связанном с обучением. Однако те же методы широко и успешно применяются к другому наблюдаемому поведению, такому как время реакции (Ratcliff and Rouder, 19).98; Вьехо и др. , 2015; Баллард и МакКлюр, 2019 г.; Wiecki et al., 2013), а также к другим областям, включая, помимо прочего, восприятие (Sims, 2018), перцептивное принятие решений (Ratcliff and Rouder, 1998; Drugowitsch et al., 2016; Findling et al., 2018). , принятие экономических решений (van Ravenzwaaij et al., 2011; Nilsson et al., 2011), кратковременная зрительная память (Donkin et al., 2016; Donkin et al., 2014; Nassar et al., 2018), долговременная память (Batchelder and Riefer, 1990), обучение категориям (Lee and Webb, 2005), исполнительные функции (Haaf and Rouder, 2017; Jahfari et al., 2019).), и так далее. Таким образом, мы надеемся, что независимо от методов, которые вы используете, или предметной области, которую вы моделируете, следуя этим 10 простым шагам (рис. 1), вы сможете свести к минимуму свои ошибки в моделировании и высвободить мощь вычислительного моделирования для собственного поведения. данные!

Схема 10 правил и то, как они преобразуются в процесс использования вычислительного моделирования для лучшего понимания поведения.

Продумай хороший эксперимент!

Компьютерное моделирование — мощная техника, но она никогда не заменит хороший экспериментальный план. Моделирование пытается уловить, как информация манипулируется за кулисами для создания поведения; таким образом, он фундаментально ограничен поведенческими данными, которые сами по себе фундаментально ограничены экспериментальным протоколом. Исследователь, изучающий восприятие лица, не стал бы пытаться подогнать теорию перспектив к задаче восприятия лица; и исследователь, изучающий дифференциальные эффекты выигрыша и проигрыша, не стал бы делать этого в задаче, связанной с азартными играми, только с выигрышем. Хотя в этих простых случаях это очевидно, вопрос становится более сложным по мере увеличения сложности модели: является ли данный протокол обучения достаточно богатым, чтобы позволить идентифицировать динамические изменения в скорости обучения, вклад рабочей памяти или эпизодической памяти в обучение или адаптация диапазона вознаграждения? Часто ответом на эти вопросы будет «нет», если только протокол не был специально разработан для обеспечения такой возможности.

Итак, как следует планировать хороший эксперимент с учетом вычислительного моделирования? Хотя этот процесс всегда будет чем-то вроде искусства, мы предлагаем вам задать себе следующие вопросы, чтобы оптимизировать план эксперимента:

Какой научный вопрос вы задаете?

Хотя это звучит очевидно, легко увлечься экспериментальным проектом, даже не задав самых элементарных вопросов о своих целях. На какой когнитивный процесс вы ориентируетесь? Какой аспект поведения вы пытаетесь зафиксировать? Какие гипотезы вы пытаетесь разобрать? Например, вы можете пытаться определить, как рабочая память способствует обучению или как можно использовать поведенческую изменчивость для исследования. Помня о своих научных целях при разработке задачи, вы впоследствии сэкономите много времени.

Задействованы ли в вашем эксперименте целевые процессы?

На этот вопрос может быть сложно ответить, и он может потребовать экспертных знаний или пилотирования. Однако вам нужно знать, что экспериментальный дизайн фактически включает процессы, которые вы пытаетесь смоделировать.

Будут ли сигнатуры целевых процессов очевидны из простой статистики данных?

В дополнение к интересующим процессам лучшие эксперименты делают эти процессы идентифицируемыми в классическом анализе поведенческих данных (Palminteri et al., 2017). Например, если вы изучаете вклад рабочей памяти в процесс обучения, вы можете найти признаки нагрузки на поведение, построив экспериментальный план, который варьирует нагрузку, чтобы увеличить шансы на исследование роли рабочей памяти в обучении. Видя признаки интереса к вычислениям в простом анализе поведения, вы обретаете уверенность в том, что процесс моделирования действительно будет работать. По нашему опыту, вычислительное моделирование редко бывает информативным, когда нет доказательств эффекта в независимом от модели анализе поведения.

Чтобы ответить на эти вопросы, важно иметь четкую теоретическую гипотезу о моделируемом явлении. На самом деле, хотя разработка хорошего эксперимента — это первый шаг, он идет рука об руку с разработкой хорошей модели, и в идеале эти два шага должны выполняться параллельно.

А если я не экспериментатор?

Вычислительное моделирование сложно, и многие из лучших моделистов являются специалистами, которые никогда не проводят собственных экспериментов. Вместо этого эти исследователи проверяют свои модели на опубликованных результатах, общедоступных наборах данных или даже, если им повезет, на неопубликованных данных своих коллег-экспериментаторов. Такие специалисты по моделированию могут подумать, что они могут спокойно игнорировать этот первый пункт об экспериментальном планировании и вместо этого сосредоточиться на объяснении данных, которые они могут получить. Мы настоятельно призываем их не делать этого. Вместо этого мы призываем этих специалистов по моделированию всегда искать лучшие способы тестирования своих моделей. Такое экспериментальное мышление помогает вам быть более конкретными в своих идеях и думать о том, как ваша модель может применяться вне контекста, для которого она была разработана. Кроме того, экспериментальное мышление — а еще лучше общение с экспериментаторами — заставляет вас воспринимать поведение таким, какое оно есть на самом деле, а не таким, каким вам хотелось бы его видеть, что, в свою очередь, может привести к новым открытиям. Наконец, предлагая конкретные экспериментальные проекты, легче убедить своих коллег-экспериментаторов действительно проверить ваши идеи, что, безусловно, является целью, если мы хотим продвинуться вперед.

Наглядный пример: задание многорукого бандита

Десять правил в этой статье довольно общие, но мы проиллюстрируем многие из них на простых примерах из нашей области обучения с подкреплением. Код для реализации всех этих примеров доступен на GitHub (https://github.com/AnneCollins/TenSimpleRulesModeling) (Collins and Wilson, 2019; копия заархивирована по адресу https://github.com/elifesciences-publications/TenSimpleRulesModeling). Цель этих примеров — понять, как люди учатся максимизировать свое вознаграждение в случае, когда самый выгодный выбор изначально неизвестен.

Более конкретно, мы рассматриваем случай, когда участник делает серию T выборов между K игровыми автоматами или «однорукими бандитами», пытаясь максимизировать свой заработок. При игре на испытательном сроке t каждый игровой автомат k выплачивает вознаграждение rt, которое равно единице с вероятностью вознаграждения μtk, а в противном случае равно 0. Вероятности вознаграждения различны для каждого игрового автомата и изначально неизвестны субъекту. В простейшем варианте задания вероятности вознаграждения фиксированы во времени.

Три экспериментальных параметра этой задачи: количество попыток, T, количество игровых автоматов, K, и вероятности вознаграждения различных вариантов, μtk, которые могут меняться или не меняться с течением времени. Настройки этих параметров будут важны для точного определения того, какую информацию мы можем извлечь из эксперимента. В этом примере мы предположим, что T = 1000, K = 2 и что вероятности вознаграждения равны μt1 = 0,2 для игрового автомата 1 и μt2 = 0,8 для игрового автомата 2.

Дизайн хороших моделей

Точно так же, как неудачные эксперименты могут ограничить нашу способность проверять различные гипотезы, плохие модели — буквально математическое воплощение наших гипотез — могут еще больше ограничить выводы, которые мы можем сделать (Donkin et al., 2014). Этот момент особенно важен, если мы разрабатываем новые модели, но даже хорошо зарекомендовавшие себя вычислительные модели в некоторых случаях могут быть проблематичными (Broomell and Bhatia, 2014; Nilsson et al. , 2011).

Важнейшее значение для разработки модели имеет четкое понимание причин, по которым вы занимаетесь моделированием. Вас интересует описательная модель, которая кратко суммирует, но, возможно, не объясняет поведенческие данные? Механистическая модель, связывающая поведение с мозгом? Или изящная математическая модель для иллюстрации концепции? Как показано в отличной статье Кординга и его коллег (Kording et al., 2018), специалисты по вычислительному моделированию ставят перед своими моделями самые разные цели, и понимание собственных мотивов — отличное начало.

Если говорить более прагматично, то существует ряд различных подходов к проектированию моделей, которые успешно использовались в литературе. Возможно, самым простым подходом является использование эвристики для поиска «разумного» способа обработки информации для получения целевого поведения. Именно с помощью этого подхода было впервые изобретено дельта-правило (см. модель 3 ниже) (Rescorla and Wagner, 1972). Другой подход заключается в поиске в литературе по искусственному интеллекту, информатике и прикладной математике алгоритмов, которые использовались для решения аналогичных задач для искусственных агентов. Этот подход был плодотворно применен в области обучения с подкреплением (Саттон и Барто, 2018 г.), где такие алгоритмы, как Q-обучение и обучение с разницей во времени, были связаны с поведением и функциями мозга человека и животных (Уоткинс и Даян, 19).92; Монтегю и др., 1996). Другой подход заключается в том, чтобы использовать оптимальную по Байесу перспективу для разработки алгоритмов, которые работают оптимально с учетом модели среды и задачи. Модели идеального наблюдателя в видении являются одним из примеров успешного применения этого подхода (Geisler, 2011). В более общем плане, оптимальные по Байесу модели можно развивать, исследуя более простые алгоритмы, которые аппроксимируют идеальную стратегию, или налагая ограниченные ограничения рациональности, такие как ограниченные вычислительные ресурсы, на идеальных агентов-наблюдателей (Courville and Daw, 2008; Nassar et al. , 2010; Коллинз и Франк, 2012; Доу и Курвиль, 2007; Лидер и др., 2018).

Независимо от подхода (или, еще лучше, подходов), который вы используете для разработки своих моделей, важно помнить о следующих моментах:

Вычислительная модель должна быть максимально простой, но не проще

Старый указ Эйнштейна применим как к моделям разума, так и к моделям физических систем. Более простые и экономичные модели легче подобрать и легче интерпретировать, и их всегда следует включать в набор рассматриваемых моделей. Действительно, формальные методы сравнения моделей (подробно описанные в Приложении 2) включают в себя штраф за чрезмерно сложные модели, которые с большей вероятностью будут соответствовать данным и плохо обобщать, и отдают предпочтение более простым моделям, если они могут учитывать данные.

Вычислительная модель должна быть интерпретируемой (насколько это возможно)

В процессе разработки моделей, которые могут учитывать поведенческие данные, исследователи рискуют добавить в модель компоненты, которые нельзя интерпретировать как разумное манипулирование информацией. Например, отрицательную скорость обучения трудно интерпретировать в рамках обучения с подкреплением. Хотя такие неинтерпретируемые модели могут иногда улучшать соответствие, бессмысленные значения параметров могут указывать на то, что в вашей модели отсутствует что-то важное или что в игру вступает совсем другой когнитивный процесс.

Модели должны захватывать

все гипотезы, которые вы планируете тестировать

Хотя очевидно, что важно разрабатывать модели, которые могут отражать вашу основную гипотезу, еще важнее разрабатывать модели, которые отражают конкурирующие гипотезы. Важно отметить, что конкурирующие модели не должны быть подставными — они должны иметь реальный шанс соотнести поведение в рабочей среде и должны воплощать в себе ряд разумных, градуированных гипотез. Вы, конечно, должны приложить такие же усилия для подгонки этих моделей, как и для своей любимой гипотезы. Более того, у вас вообще не должно быть предпочтительной гипотезы — пусть данные определяют, какая модель лучше всего подходит, а не ваша априорная приверженность той или иной модели.

Ячейка 1.

Пример: Моделирование поведения в задаче Многорукий бандит.

Мы рассматриваем пять разных моделей поведения участников в задании «Многорукий бандит».

  Модель 1: случайный ответ

В первой модели мы предполагаем, что участники вообще не занимаются заданием и просто нажимают кнопки наугад, возможно, с предпочтением одного варианта другому. Такое случайное поведение не редкость в поведенческих экспериментах, особенно когда у участников нет внешних стимулов для хорошей работы. Моделирование такого поведения может быть важным, если мы хотим количественно и воспроизводимо идентифицировать таких «проверенных» индивидуумов либо для исключения, либо для изучения самого проверенного поведения. Чтобы смоделировать такое поведение, мы предполагаем, что участники выбирают один из двух вариантов случайным образом, возможно, с некоторым общим уклоном в пользу одного варианта по сравнению с другим. Это смещение фиксируется параметром b (который находится в диапазоне от 0 до 1), так что вероятность выбора двух вариантов равна 9. 0003

(1) pt1=b и pt2=1-b

Таким образом, для двух бандитов модель случайных ответов имеет только один свободный параметр, контролирующий общее смещение варианта 1 по сравнению с вариантом 2, 𝜽1=b.

  Модель 2: Шумный выигрыш-выигрыш-проигрыш-переключение

Модель «выиграл-остался-проиграл-сдвиг» — одна из самых простых моделей, которая адаптирует свое поведение в соответствии с обратной связью. В соответствии с названием модель повторяет действия с вознаграждением и переключается с действий без вознаграждения. В зашумленной версии модели правило выигрыша-оставания-проигрыша-сдвига применяется вероятностно, так что модель применяет правило выигрыша-оставания-проигрыша-сдвига с вероятностью 1-ϵ и выбирает случайным образом с вероятностью ϵ. В двухбандитном случае вероятность выбора варианта k равна 9.0003

(2) ptk={1-ϵ/2if (ct-1=kand rt-1=1)ИЛИ (ct-1≠kand rt-1=0)ϵ/2if (ct-1≠kand rt-1=1)ИЛИ ( ct-1=кан и rt-1=0)

, где ct=1,2 — выбор при попытке t, а rt=0,1 — вознаграждение при попытке t. Несмотря на сложность реализации, эта модель по-прежнему имеет только один свободный параметр — общий уровень случайности, 𝜽2=ϵ.

Модель 3: Рескорла Вагнер

В этой модели участники сначала узнают ожидаемое значение каждого игрового автомата на основе истории предыдущих результатов, а затем используют эти значения для составления 0020 решение о том, что делать дальше. Простая модель обучения — это правило обучения Рескорла-Вагнера (Rescorla and Wagner, 1972), согласно которому значение опции k, Qtk, обновляется в ответ на вознаграждение rt в соответствии с:

(3) Qt+1k=Qtk+α⁢(rt-Qtk)

, где α — это скорость обучения, которая принимает значение от 0 до 1 и отражает степень, в которой ошибка прогнозирования (rt-Qtk) обновляет значение. Для простоты будем считать, что начальное значение Q0k равно нулю, хотя Q0k можно рассматривать как свободный параметр модели.

Простая модель принятия решений предполагает, что участники используют значения вариантов для принятия решений, выбирая наиболее ценный вариант чаще всего, но иногда совершая «ошибки» (или исследуя), выбирая вариант с низкой ценностью. Одно правило выбора с такими свойствами известно как правило выбора softmax, которое выбирает вариант k с вероятностью

.

(4) ptk=exp⁡(β⁢Qtk)∑i=1Kexp⁡(β⁢Qti)

, где β — параметр «обратной температуры», который управляет уровнем стохастичности при выборе, в диапазоне от β=0 для полностью случайного ответа до β=∞ для детерминированного выбора варианта с наивысшим значением.

Объединение правил обучения (уравнение 3) и правил принятия решений (уравнение 4) дает простую модель принятия решений в этой задаче с двумя свободными параметрами: скоростью обучения, α, и обратной температурой, β. То есть в наших общих обозначениях для этой модели 𝜽3=(α,β).

Модель 4: Выбор ядра

Эта модель пытается уловить тенденцию людей повторять свои предыдущие действия. В частности, мы предполагаем, что участники вычисляют «ядро выбора» C⁢Ktk для каждого действия, которое отслеживает, как часто они выбирали этот вариант в недавнем прошлом. Ядро этого выбора обновляется примерно так же, как значения в правиле Рескорла-Вагнера, т. е. в соответствии с

(5) C⁢Kt+1k=C⁢Ktk+αc⁢(atk-C⁢Ktk)

, где atk=1, если вариант k воспроизводится в испытании t, в противном случае atk=0, а αc — скорость обучения ядра выбора. Для простоты мы предполагаем, что начальное значение ядра выбора всегда равно нулю, хотя, как и начальное значение Q в модели Рескорла-Вагнера, это может быть параметром модели. Обратите внимание, что при αc=1 эта модель очень похожа на модель 2 (выиграл-остался-проиграл-сдвиг). Отсюда мы предполагаем, что каждый вариант выбран в соответствии с

(6) ptk=exp⁡(βc⁢C⁢Ktk)∑i=1Kexp⁡(βc⁢C⁢Kti)

, где βc — обратная температура, связанная с ядром выбора.

Объединение ядра выбора (уравнение 5) с решающим правилом (уравнение 6) дает простую модель принятия решений в этой задаче с двумя свободными параметрами: скоростью обучения ядра выбора, αc, и обратной температурой ядра выбора βc. . То есть в наших общих обозначениях для этой модели 𝜽4=(αc,βc).

  Модель 5: Rescorla Wagner + выбор ядра

Наконец, наша самая сложная модель сочетает в себе модель обучения с подкреплением и модель ядра выбора. В этой модели значения обновляются в соответствии с уравнением 3, а ядро ​​выбора обновляется в соответствии с уравнением 5. Затем условия объединяются для вычисления вероятностей выбора как

.

ptk=exp⁡(β⁢Qtk+βc⁢C⁢Ktk)∑i=1Kexp⁡(β⁢Qti+βc⁢C⁢Kti)

Эта самая сложная модель имеет четыре свободных параметра, то есть 𝜽5=(α,β,αc,βc).

Моделирование, моделирование, моделирование!

Когда у вас есть план эксперимента и набор вычислительных моделей, действительно важным шагом является создание поддельных или суррогатных данных (Palminteri et al., 2017). То есть вы должны использовать модели для имитации поведения участников эксперимента, а также для наблюдения за тем, как меняется поведение с разными моделями, разными параметрами модели и разными вариантами эксперимента. Этот шаг позволит вам уточнить первые два шага: подтверждение того, что план эксперимента выявляет поведение, которое, как предполагается, фиксируется вычислительной моделью. Для этого выполните несколько важных шагов.

Определите независимые от модели меры, которые фиксируют ключевые аспекты процессов, которые вы пытаетесь смоделировать

Очень важно найти качественные подписи (а часто их будет больше одной) модели. Изучая эти показатели с помощью смоделированных данных, вы будете лучше понимать, что происходит, когда вы используете те же самые независимые от модели показатели для анализа реального поведения (Daw et al., 2011; Collins and Frank, 2012; Collins and Frank, 2013). ; Nassar et al., 2018; Lee and Webb, 2005).

Имитация модели в диапазоне значений параметров

Затем визуализируйте поведение как функцию параметров. Почти все модели имеют свободные параметры. Понимание того, как изменения этих параметров влияют на поведение, поможет вам лучше интерпретировать ваши данные и понять индивидуальные различия в параметрах соответствия. Например, в вероятностных задачах обучения с подкреплением, смоделированных с помощью простой модели дельта-правила (модель 3; уравнение 3), параметр скорости обучения α может относиться как к скорости обучения, так и к шуму в асимптотическом поведении, как и обратная температура. параметр β (в уравнении 4), как видно из вставки 2 — рисунок 1B.

Визуализация моделируемого поведения различных моделей

Это позволит вам убедиться, что поведение разных моделей качественно отличается, что делает их прогнозы в экспериментальной установке разными (вставка 2 — рисунок 1A). Если поведение разных моделей , а не качественно отличается, это признак того, что вам следует попытаться спланировать лучший эксперимент. Хотя это и не всегда возможно, всегда предпочтительнее проводить различие между моделями на основе качественных закономерностей в данных, чем количественное сравнение моделей (Navarro, 2019).; Палминтери и др., 2017).

В более общем смысле цель процесса моделирования — прояснить, как модели и план эксперимента удовлетворяют вашей цели выявления когнитивного процесса в поведении. Если ответ положительный — т. е. эксперимент достаточно насыщен, чтобы зафиксировать ожидаемое поведение, параметры модели поддаются интерпретации, а конкурирующие модели делают несовместимые прогнозы — вы можете перейти к следующему шагу. В противном случае вы должны вернуться к этим первым трем разделам, чтобы убедиться, что ваш экспериментальный план и модели хорошо работают вместе, и что параметры модели оказывают идентифицируемое влияние на поведение, что является предварительным условием для четвертого шага, подгонки параметров (см. Фигура 1).

Ячейка 2.

Пример: имитация поведения в бандитской задаче.

Чтобы смоделировать поведение, нам сначала нужно определить параметры задачи. К ним относятся общее количество испытаний, T (= 1000 в примере), а также количество бандитов, K (= 2), и вероятность вознаграждения для каждого бандита, µk (0,2 и 0,8 для бандитов 1 и 2, соответственно). Параметры эксперимента, используемые при моделировании, должны соответствовать фактическим параметрам, используемым в эксперименте.

Далее мы определяем параметры модели. Один из способов сделать это — случайным образом выбрать эти параметры из предыдущих распределений по каждому параметру, точная форма которых будет варьироваться от модели к модели. Эти априорные распределения, как правило, должны быть как можно более широкими, но если что-то известно о распределении возможных значений параметров для конкретной модели, это одно из мест для включения.

С установленными свободными параметрами мы приступаем к моделированию. Во-первых, мы моделируем выбор в первом испытании, a1, предполагая, что модель выбирает вариант k с вероятностью p1k. Затем мы моделируем результат r1 этого выбора. В моделях 2–5 мы используем действие и/или результат для обновления вероятностей выбора для следующего испытания. Повторение этого процесса для всех испытаний до t=T завершает одно моделирование. Затем моделирование можно анализировать так же, как и данные участников, в идеале с одним и тем же кодом, использующим разные входные данные. Этот процесс следует повторить несколько раз с разными настройками параметров, чтобы понять, как ведет себя модель в зависимости от ее параметров.

Чтобы проиллюстрировать, как можно визуализировать смоделированные результаты, мы рассмотрим две независимые от модели меры, которые должны отражать фундаментальные аспекты обучения: вероятность повторения действия, p⁢(оставаться) (должен ли я изменить свое поведение в ответ на обратную связь? ) и вероятность выбора правильного варианта p⁢(правильно) (узнал ли я?). В блоке 2 (рисунок 1А ниже) мы наносим p⁢(пребывание) как функцию вознаграждения за последнее испытание для каждой из моделей с определенным набором параметров (M1: b=0,5, M2: ϵ=0,05, M3 : α=0,1, β=5, M4: αc=0,1, βc=3, M5: α=0,1, β=5, αc=0,1, βc=1). Для некоторых моделей (в частности, для модели «выиграл-остался-проиграл-переход» (модель 2) мы ожидаем сильной зависимости от прошлого вознаграждения, но для других, таких как случайный ответ (модель 1), мы не ожидаем никакой зависимости. Конечно, , точное поведение каждой модели в решающей степени зависит от параметров, используемых в симуляциях, и следует позаботиться о том, чтобы эти параметры симуляции были разумными, возможно, путем сопоставления с типичными значениями параметров, используемыми в литературе, или путем ограничения общей производительности, подобной человеческой. Еще лучше смоделировать поведение при различных настройках параметров, чтобы определить, как независимые от модели показатели изменяются с различными параметрами.

Более тщательное исследование пространства параметров для модели 3 показано во вставке 2 — рис. 1B, где мы наносим p⁢ (правильно) в первом и последнем 10 испытаниях в зависимости от скорости обучения, α и параметра softmax. , β. Обратите внимание, что «оптимальная» скорость обучения, то есть значение α, которое максимизирует p(правильно), варьируется между ранними и поздними испытаниями и в зависимости от параметра softmax β, где для ранних испытаний более высокое значение β подразумевает более низкое оптимальное значение α (Daw и др., 2011).

На вопрос о том, как выбрать независимые от модели показатели поведения, нет простого ответа, и он требует знания предметной области конкретного научного вопроса , на который пытается ответить разработчик модели. Как правило, меры должны отражать глобальные характеристики (например, общую производительность) и диагностические меры, относящиеся к интересующему вопросу, и могут визуализировать различные качественные прогнозы различных моделей.

Имитация поведения в задании двурукого бандита.

( A ) Поведение «выиграл-остался-проиграл-сдвиг» сильно различается между моделями. ( B ) Моделирование модели 3 (100 на каждый параметр) показывает, как скорость обучения и параметры softmax влияют на два аспекта поведения: раннее выполнение (первые 10 испытаний) и позднее выполнение (последние 10 испытаний). На левом графике показано, что скорость обучения положительно коррелирует с ранним улучшением производительности только при низких значениях β или очень низких значениях α. Для высоких значений β существует U-образная зависимость между скоростью обучения и начальной скоростью обучения. Правый график показывает, что при высоких значениях β высокие скорости обучения отрицательно влияют на асимптотическое поведение. Таким образом, оба параметра взаимодействуют, влияя как на скорость обучения, так и на асимптотическую производительность.

Подогнать параметры

Ключевым компонентом вычислительного моделирования является оценка значений параметров, которые лучше всего описывают ваши поведенческие данные. Существует несколько различных способов оценки параметров, но здесь мы сосредоточимся на подходе максимального правдоподобия, хотя почти все наши точки зрения применимы к другим методам, таким как подходы Монте-Карло с цепями Маркова (Lee and Wagenmakers, 2014). Математические детали, а также дополнительное обсуждение других подходов к подбору модели можно найти в Приложении 1. 9mM⁢L⁢E, которые максимизируют вероятность данных d1:T с учетом параметров p⁢(d1:T|𝜽m,m). Максимизация правдоподобия эквивалентна максимизации логарифма правдоподобия, L⁢L=log⁡p⁢(d1:T|𝜽m,m), что численно более податливо. (Вероятность — это произведение многих чисел, меньших 1, которое может быть округлено до 0 при вычислениях с ограниченной точностью. Напротив, логарифмическая вероятность — это сумма отрицательных чисел, которая обычно поддается обработке и не будет округлена до 0. ) Простой математический вывод показывает, что это логарифмическое правдоподобие может быть записано в терминах вероятностей выбора отдельной модели как

(8) L⁢L=log⁡p⁢(d1:T|𝜽m,m)=∑t=1Tlog⁡p⁢(ct|d1:t-1,st,𝜽m,m)

, где p⁢(ct|d1: t-1,st,𝜽m,m) — это вероятность каждого отдельного выбора с учетом параметров модели и информации, доступной до этого выбора, который лежит в основе определения каждой модели (например, в уравнениях 1- 7).

В принципе, найти параметры максимального правдоподобия так же «просто», как максимизировать L⁢L. На практике, конечно, нахождение максимума функции — нетривиальный процесс. Иногда бывает полезен самый простой подход — перебор всего пространства параметров, который может помочь вам понять, как взаимодействуют различные параметры (см. вставку 3 — рисунок 1). Однако этот подход неосуществим за пределами простейших случаев (например, один или два параметра с жесткими границами) из-за высоких вычислительных затрат на оценку функции правдоподобия в большом количестве точек.

К счастью, существует ряд инструментов для быстрого нахождения локальных максимумов (и минимумов) функций с использованием вариаций градиентного подъема (или спуска). Например, функция fmincon в Matlab может использовать различные сложные алгоритмы оптимизации (например, Море и Соренсен, 1983; Берд и др., 2000), чтобы найти минимум функции (и другие факторы, такие как гессиан, которые могут быть полезны в некоторых случаях). ситуации [Daw, 2011]). До тех пор, пока кто-то не забудет передать fmincon отрицательное логарифмическое правдоподобие (минимум которого находится при тех же значениях параметра, что и максимум положительного логарифмического правдоподобия), использование таких инструментов, как fmincon, может значительно ускорить подбор модели. Однако даже здесь может возникнуть ряд проблем при попытке максимизировать L⁢L, которые можно уменьшить, используя советы и приемы, описанные ниже. Большинство советов исходят из понимания того, что алгоритмы оптимизации не являются надежными и, в частности, подвержены числовым ограничениям. Они обобщаются на другие функции оптимизации черного ящика в других языках, например пакет Python scipy.optimize или функцию optim в R.

Убедитесь, что ваши начальные условия дают конечные логарифмические вероятности

Оптимизаторы, такие как fmincon, требуют указать начальные значения параметров, с которых начинается поиск. Возможно, самый простой способ, при котором процесс поиска может потерпеть неудачу, — это если эти начальные параметры дают логарифмические вероятности, которые не являются конечными числами (например, бесконечности или NaN, а не число в языке Matlab). Если процедура подгонки не удалась, часто причиной может быть именно это.

Остерегайтесь ошибок округления, нулей и бесконечности

В более общем случае процедура подбора может пойти не так, если во время поиска параметра она встретит бесконечности или NaN. Это может произойти, если вероятность выбора округляется до нуля, в результате чего логарифм вероятности выбора становится -∞. Точно так же, если ваша модель включает экспоненты (например, правило выбора softmax в уравнении 4), это может привести к ошибкам, из-за которых экспонента очень большого числа «округляется» до бесконечности. Один из способов избежать этих проблем — ограничить значения параметров так, чтобы они всегда давали конечные вероятности выбора и логарифмические вероятности на границах. Один из способов диагностировать эти проблемы — включить в код проверки достоверности логарифмических правдоподобий.

Будьте осторожны с ограничениями параметров

Если ограничения выбраны неправильно, возможно, что решение будет находиться на границах, что часто, но не всегда, является тревожным сигналом.

Включать только те параметры, которые влияют на вероятность. Если на вероятность влияют только два параметра, но оптимизатор пытается подобрать три, он обычно находит оптимум для двух релевантных параметров и случайное значение для третьего; однако это приведет к более медленной и менее эффективной подгонке.

Остерегайтесь локальных минимумов!

Наконец, ключевое ограничение алгоритмов оптимизации заключается в том, что они гарантированно находят только локальных минимумов, которые не обязательно будут глобальными минимумами, соответствующими наиболее подходящим параметрам. Один из способов смягчить эту проблему — запускать процедуру подбора несколько раз со случайными начальными условиями, записывая наилучшую логарифмическую вероятность подбора для каждого запуска. Таким образом, наилучшими подходящими параметрами являются параметры, соответствующие прогону с наивысшей логарифмической вероятностью. Не существует жесткого правила, позволяющего узнать, сколько начальных точек использовать в данной ситуации, кроме того факта, что более сложные модели потребуют большего количества начальных точек. Таким образом, это число должно быть определено опытным путем в каждом конкретном случае. Один из способов проверить количество начальных точек — построить показатель наилучшего правдоподобия в зависимости от количества начальных точек. По мере увеличения количества начальных условий наилучшая вероятность (и соответствующие параметры) будет улучшаться до асимптоты, близкой к истинному максимуму функции (например, вставка 3 — рисунок 1).

Ячейка 3.

Пример: борьба с несколькими локальными максимумами.

В качестве реального примера с локальными максимумами мы рассматриваем случай упрощенной версии смешанной модели обучения с подкреплением и рабочей памяти от Collins and Frank, 2012. Для простоты мы отнесем детали этой модели к Приложению 4. Чтобы оценить Например, все, что действительно нужно знать, это то, что в своей простейшей версии эта модель имеет два параметра: ρ, который отражает эффект рабочей памяти, и α, который отражает скорость обучения при обучении с подкреплением. Как видно из вставки 3 (рис. 1 ниже), эта модель (в сочетании с соответствующим экспериментом) дает поверхность логарифмического правдоподобия с несколькими локальными максимумами. В зависимости от начальной точки процедура оптимизации может сходиться к любому из этих локальных максимумов, а это означает, что «максимальное» правдоподобие может не отражать глобальное максимальное правдоподобие.

Чтобы смягчить эту проблему, простой и эффективный подход состоит в многократном повторении процедуры оптимизации, отслеживании наиболее подходящей логарифмической вероятности и параметров в каждом случае. Приближение к глобальному максимуму состоит в том, чтобы взять наилучшее логарифмическое правдоподобие из этого списка подгонок. Результаты этой процедуры многократной итерации могут быть обобщены путем построения графика наилучшего логарифмического правдоподобия в зависимости от количества начальных точек или, аналогичным образом, путем построения графика расстояния от лучших на данный момент параметров до окончательных лучших параметров в зависимости от количество начальных точек (вставка 3 — рисунок 1B). По мере увеличения количества начальных точек наиболее подходящие логарифмическая вероятность и параметры будут сходиться к глобальному максимуму. Этот график также позволяет нам судить, когда мы использовали достаточное количество отправных точек. В частности, если кажется, что параметры наилучшего подбора достигли асимптоты, это дает нам хорошее указание на то, что подбор является лучшим, что мы можем сделать.

Пример с несколькими локальными минимумами.

( Left ) Поверхность логарифмического правдоподобия для модели обучения с подкреплением рабочей памяти с двумя параметрами. В этом случае имеется несколько локальных минимумов, все они могут быть найдены процедурой оптимизации в зависимости от начальной точки. Красный x, генеративные параметры; черный кружок, оптимум при переборе методом перебора; черный *, оптимально с fmincon и несколькими начальными точками. ( Правильно ) Построение графика расстояния от параметров наилучшего соответствия после n итераций до параметров наилучшего соответствия после всех итераций в зависимости от числа начальных точек n дает хорошее представление о том, когда процедура нашла глобальный оптимум. На вставке показан тот же график в логарифмической шкале для расстояния, иллюстрирующий, что после третьей итерации необходимо внести очень небольшие улучшения.

Убедитесь, что вы можете восстановить параметры

Перед тем, как слишком много читать о наиболее подходящих значениях параметров, 𝜽mM⁢L⁢E, важно проверить, дает ли процедура подбора значимые значения параметров в лучшем случае, то есть при подгонке поддельных данных там, где значения параметров известны (Nilsson et al., 2011). Такая процедура известна как «Восстановление параметров» и является важной частью любого анализа на основе моделей.

В принципе, рецепт восстановления параметров достаточно прост. Во-первых, смоделируйте поддельные данные с известными значениями параметров. Затем подгоните модель к этим поддельным данным, чтобы попытаться «восстановить» параметры. Наконец, сравните восстановленные параметры с их истинными значениями. В идеальном мире смоделированные и восстановленные параметры будут тесно коррелированы без смещения. Если существует лишь слабая корреляция между смоделированными и восстановленными параметрами и/или значительная погрешность, то это свидетельствует о том, что либо в вашем коде есть ошибка (что, исходя из нашего собственного опыта, вполне вероятно), либо эксперимент недостаточно эффективен. оценить эту модель.

Чтобы получить максимальную отдачу от анализа восстановления параметров, мы предлагаем следующие советы:

Убедитесь, что параметры моделирования находятся в правильном диапазоне

Важным выбором для восстановления параметров является диапазон параметров моделирования, которые вы хотите восстановить. Некоторые модели/эксперименты дают хорошее восстановление параметров только для параметров в определенном диапазоне — если параметры моделирования слишком велики или слишком малы, их может быть трудно восстановить. Иллюстрацией этого является параметр softmax, β, где очень большие значения β приводят к почти идентичному поведению в большинстве экспериментов. Таким образом, восстановление параметра может не сработать при больших значениях β, но хорошо работать при малых значениях β. Конечно, выбрав только тот диапазон параметров, который , может ли быть восстановлена ​​вашей моделью, не обязательно является правильным выбором, особенно если значения параметров, которые вы получаете при подгонке реальных данных, находятся за пределами этого диапазона! По этой причине у нас есть следующие рекомендации по выбору значений параметров моделирования:

  1. Если вы уже подогнали свои данные, мы рекомендуем сопоставить диапазон ваших параметров моделирования с диапазоном значений, полученных при подборе.

  2. Если вы не подогнали свои данные, но используете уже опубликованную модель, сопоставьте диапазон параметров с диапазоном, который наблюдался в предыдущих исследованиях.

  3. Наконец, если модель совершенно новая и «истинные» значения параметров неизвестны, мы рекомендуем проводить моделирование в как можно более широком диапазоне, чтобы понять, можно ли и где можно восстановить параметры. Вы можете положиться на свое исследование того, как параметры модели влияют на моделируемое поведение, чтобы предсказать диапазон, за пределами которого параметры не будут сильно влиять на поведение.

Обратите внимание, что не обязательно проблематично, если параметры модели не могут быть восстановлены в полном пространстве параметров, если они могут быть восстановлены в диапазоне, важном для реальных данных.

Постройте корреляции между смоделированными и восстановленными параметрами

Несмотря на то, что коэффициент корреляции между смоделированными и восстановленными параметрами является полезным числом для подведения итогов восстановления параметров, мы также настоятельно рекомендуем вам фактически построить график смоделированных и восстановленных параметров. Это делает корреляцию ясной, а также показывает, сохраняется ли корреляция в одних режимах параметров, но не в других. Он также выявляет любую существующую предвзятость (например, склонность восстанавливать более высокие или более низкие значения в среднем).

Убедитесь, что процесс восстановления не вводит корреляции между параметрами

В дополнение к рассмотрению корреляции между смоделированными и восстановленными параметрами мы также рекомендуем изучить корреляцию между самими восстановленными параметрами. Если параметры моделирования не коррелированы друг с другом, корреляция между восстановленными параметрами указывает на то, что параметры в модели компенсируются друг другом (Daw, 2011). Таких компромиссов иногда можно избежать путем изменения параметров модели (например, Otto et al., 2013) или изменения дизайна эксперимента. Иногда, однако, такие компромиссы неизбежны. В этих случаях крайне важно сообщать о компромиссе в параметрах, чтобы «корреляция» между значениями подходящих параметров не была чрезмерно интерпретирована в реальных данных.

Примечание о различиях параметров между различными популяциями или состояниями: все более широкое использование подбора модели заключается в сравнении значений параметров между популяциями (например, у пациентов с шизофренией и здоровым контролем [Collins et al., 2014]) или состояниями (например, транскраниальной магнитной стимуляцией). в ту или иную область [Zajkowski et al., 2017]). Если вас в первую очередь интересует такая разница, то восстановление параметра можно использовать для оценки статистической мощности. В частности, для предлагаемого размера эффекта (например, средней разницы в одном параметре между группами или условиями) вы можете моделировать и восстанавливать параметры для групп или условий, а затем выполнять статистические тесты для обнаружения групповых различий в этом смоделированном наборе данных. Тогда мощность для этого размера эффекта представляет собой частоту, с которой статистические тесты не обнаруживают никакого эффекта при условии, что эффект есть.

Помните, что даже успешное восстановление параметра — это наилучший сценарий!

О чем говорит успешное восстановление параметров? Эти данные, сгенерированные известной моделью с заданными параметрами, могут быть пригодны для восстановления этих параметров. Это лучший случай, на который вы могли бы надеяться в анализе на основе моделей, и он вряд ли когда-либо произойдет, поскольку «истинный» порождающий процесс для поведения, то есть внутренняя работа разума и мозга, вероятно, намного сложнее. чем любая модель, которую вы могли бы себе представить. На эту проблему нет простого ответа. Мы только советуем вам помнить о скромности, когда вы представляете свои результаты!

Ячейка 4.

Пример: восстановление параметра в модели обучения с подкреплением.

Мы выполнили восстановление параметров с помощью модели 3, модели Рескорлы Вагнера, в задаче двурукого бандита. Как и прежде, мы устанавливаем средние значения каждого бандита на μ1 = 0,2 и μ2 = 0,8, а количество испытаний — на T = 1000. Затем мы смоделировали действия модели в соответствии с уравнениями 3 и 4 со скоростью обучения, α, и температурой softmax, β, установленными в соответствии с

.

(9) α∼U⁢(0,1) и β∼Exp⁢(10)

После моделирования модели мы подгоняем параметры, используя подход максимального правдоподобия, чтобы получить подходящие значения скорости обучения, α, и параметра softmax, β. Затем мы повторили этот процесс 1000 раз, каждый раз используя новые значения α и β. Результаты представлены в блоке 4 — рис. 1 ниже. Как видно из этого графика, существует довольно хорошее соответствие между смоделированными и аппроксимирующими значениями параметров. Кроме того, мы видим, что соответствие для β лучше всего соответствует диапазону 1<β<10, и что вне этого диапазона соответствие между моделированием и подбором не такое хорошее. Если мы далее выберем точки, в которых восстановление параметра для α плохое (т. е. когда |αs⁢i⁢m-αf⁢i⁢t|>0,25, серые точки в блоке 4 — рисунок 1), мы обнаружим, что восстановление параметра для α является плохим. хуже, когда β выходит за пределы диапазона. В зависимости от значений β, которые мы получаем, подбирая поведение человека, это худшее соответствие при малых и больших значениях β может быть проблематичным, а может и не быть. Может быть хорошей идеей использовать диапазон параметров, полученных в результате подгонки реальных данных, для проверки качества извлечения в пределах важного диапазона.

Восстановление параметров модели Rescorla Wagner (модель 3) в бандитском задании с 1000 испытаний.

Серые точки на обеих панелях соответствуют точкам, где восстановление параметра для α плохое.

Можно ли проводить арбитраж между разными моделями?

При сравнении моделей наша цель состоит в том, чтобы определить, какая модель из набора возможных моделей с наибольшей вероятностью сгенерировала данные. Существует несколько различных способов провести это сравнение (более подробно изложенные в Приложении 2), которые включают различные приближения к байесовским доказательствам для каждой модели (например, Daw, 2011; Rigoux et al., 2014). Здесь мы сосредоточимся на наиболее распространенном методе, связанном с логарифмической вероятностью, вычисленной в разделе «Подбор параметров». 9м, м). Однако если данные d1:T, используемые для оценки логарифмического правдоподобия, такие же, как и те, которые использовались для подбора параметров, то этот подход приведет к переобучению, поскольку модель с наибольшим количеством свободных параметров почти всегда будет соответствовать этому ‘ тренировочные данные лучше всего. В качестве крайнего примера рассмотрим модель с одним «параметром» для каждого выбора, т. е. идентичностью выбора, который фактически сделал человек. Такая «модель» идеально соответствовала бы данным, но, конечно, ничего не говорила бы нам о том, как на самом деле определялся выбор, и не делала прогнозов о том, какой выбор был бы сделан в других условиях. Проблема переобучения заключается в том, что она снижает обобщаемость модели: она снижает вероятность того, что сделанные выводы будут применимы к другой выборке.

Один из способов избежать переобучения — выполнить перекрестную проверку: измеряя соответствие отложенных данных, мы напрямую проверяем обобщаемость. Однако это не всегда возможно по практическим причинам (количество выборок) или более фундаментальным причинам (зависимость между точками данных). Таким образом, другие методы снижают риск переобучения за счет приблизительного учета степеней свободы в модели. Для этого существует несколько способов (в том числе штрафы за бесплатные параметры), которые более подробно обсуждаются в приложениях. Существует обширная теоретическая литература, посвященная обсуждению того, какой метод лучше (Wagenmakers and Farrell, 2004; Vandekerckhove et al., 2015). Здесь мы не позиционируем себя в этих теоретических дебатах, а вместо этого сосредоточимся на одном из самых простых методов, информационном критерии Байеса, B⁢I⁢C, который имеет явный штраф за свободные параметры. 9- значение логарифмического правдоподобия при наилучших настройках параметров, а km — количество параметров в модели m. Модель с наименьшим показателем B⁢I⁢C является моделью, которая лучше всего соответствует данным. Таким образом, положительный эффект km в последнем члене соответствует штрафу для моделей с большим количеством параметров.

Хотя уравнение 10 достаточно просто применить, чтобы найти модель, которая, по-видимому, лучше всего соответствует вашим данным, важно убедиться, что ваш процесс сравнения моделей дает разумные результаты для смоделированных данных. Подобно тому, как подгонка параметров должна подтверждаться восстановлением параметров на смоделированных данных, сравнение моделей должно подтверждаться восстановлением модели на смоделированных данных.

В частности, восстановление модели включает в себя моделирование данных из всех моделей (с диапазоном значений параметров, тщательно отобранных, как в случае восстановления параметров), а затем сопоставление этих данных со всеми моделями, чтобы определить, в какой степени фальшивые данные генерируются из модели A. лучше всего соответствует модели А, а не модели Б. Этот процесс можно обобщить в матрице путаницы (см. вставку 5 — пример на рис. 1 ниже), которая количественно определяет вероятность того, что каждая модель лучше всего соответствует данным, полученным из другой модели. моделей, то есть p(подходящая модель=B|симулированная модель=A). В идеальном мире матрица путаницы будет матрицей идентичности, но на практике это не всегда так (например, Уилсон и Нив, 2011).

При вычислении и интерпретации матрицы путаницы важно помнить о следующих моментах:

Сравнивать различные методы сравнения моделей

Если матрица путаницы имеет большие недиагональные компоненты, то у вас проблема с восстановлением модели. Существует ряд факторов, которые могут вызвать эту проблему: от ошибки в коде до недостаточно мощного экспериментального дизайна. Тем не менее, одна из причин, которую стоит исследовать, заключается в том, что вы используете неправильный метод для наказания свободных параметров. В частности, разные меры по-разному штрафуют параметры, которые являются «правильными» при разных допущениях. Если ваша матрица путаницы не является диагональной, возможно, допущения, лежащие в основе ваших измерений (например, BIC), не применимы к вашим моделям, и в этом случае, возможно, стоит попробовать другую метрику для сравнения моделей (например, AIC [Wagenmakers and Farrell, 2004] см. Приложение 2).

Будьте осторожны с выбором параметров при вычислении матрицы путаницы

Подобно тому, как восстановление параметров может быть успешным только в определенных режимах параметров, восстановление модели также может критически зависеть от параметров, выбранных для моделирования моделей. В режимах с некоторыми параметрами две модели могут вести к совершенно разным результатам, но они могут быть неразличимы в режимах с другими параметрами (см. вставку 5 — рис. 1 ниже). Как и в случае с восстановлением параметров, мы считаем, что наилучший подход — сопоставить диапазон параметров с диапазоном, который вы видите в своих данных, или с диапазоном, который вы ожидаете от предыдущей работы.

Примечание по интерпретации матрицы путаницы

Как описано выше и в соответствии со стандартной практикой статистики, матрица путаницы определяется как вероятность того, что данные, смоделированные одной моделью, лучше всего соответствуют другой, то есть p⁢(подходящая модель|имитируемая модель). Однако, когда мы подгоняем модель к реальным данным, мы обычно больше заинтересованы в обратном выводе, то есть, учитывая, что модель B лучше всего соответствует нашим данным, какая модель, скорее всего, сгенерировала данные? Это эквивалентно вычислению p⁢(имитационная модель|подходящая модель). Обратите внимание, что эта мера, которую мы называем «матрицей инверсии», чтобы отличить ее от матрицы путаницы, не совпадает с матрицей путаницы, если восстановление модели не является совершенным. Конечно, матрица инверсии может быть вычислена из матрицы смешения с использованием правила Байеса (см. Приложение 3), и может быть полезно указать ее в тех случаях, когда матрица смешения не является диагональной.

Слон в комнате со сравнением моделей

Как бы ни было замечательно обнаружить, что ваша модель «лучше всего» соответствует поведенческим данным, слон в комнате (или, возможно, более правильно , а не в комнате) со всеми сравнениями моделей состоит в том, что он только говорит вам, какая из моделей вы считаете, что лучше всего подходит для данных. Само по себе это довольно ограниченная информация, так как есть бесконечно много других моделей, которые вы не рассмотрели. Поэтому крайне важно начать с хорошего набора моделей, которые точно охватывают конкурирующие гипотезы (т. е. хорошенько подумайте на шаге 2). Кроме того, будет необходимо подтвердить (по крайней мере) вашу выигрышную модель (см. Шаг 9).), чтобы показать, как симуляция ее поведения может генерировать шаблоны, наблюдаемые в данных, которые вы явно не подогнали, и, таким образом, получить абсолютную меру того, насколько хорошо ваша модель соотносится с вашими данными.

Ячейка 5.

Пример: матрицы путаницы в бандитской задаче.

Чтобы проиллюстрировать восстановление модели, мы смоделировали поведение пяти моделей в задаче двурукого бандита. Как и прежде, средние значения были установлены на уровне µ1=0,2 и µ2=0,8, а количество испытаний было установлено на уровне T=1000. Для каждого моделирования параметры модели выбирались случайным образом для каждой модели. Затем каждый смоделированный набор данных был приспособлен к каждой из заданных моделей, чтобы определить, какая модель подходит лучше всего (согласно BIC). Этот процесс был повторен 100 раз для вычисления матриц путаницы, которые представлены ниже во вставке 5 — рисунки 1A и B.

Разница между этими двумя матрицами путаницы заключается в априорных значениях, из которых были выбраны параметры моделирования. На панели A параметры были выбраны из следующих априорных значений:

.

Model Priors
Model 1 b∼U⁢(0,1)
Model 2 ϵ∼U⁢(0,1)
Модель 3 α∼U⁢(0,1), β∼Exp⁢(1)
Модель 4 αc∼U⁢(0,1), βc∼Exp⁢(1)
Модель 5 α∼U⁢(0,1), β∼Exp⁢(1), αc∼U⁢( 0,1), βc∼Exp⁢(1)

На панели B все параметры softmax β и βc были увеличены на 1. Это приводит к уменьшению количества шума в поведении, что делает модели более легко идентифицируемыми, а соответствующую матрицу путаницы — более диагональной. Тот факт, что матрица путаницы может быть настолько зависима от значений параметров моделирования, означает, что крайне важно как можно лучше сопоставить параметры моделирования с фактическими параметрами соответствия. Модели, идентифицируемые в одном режиме параметров, могут оказаться неразличимыми в другом!

В дополнение к матрицам неточностей мы также наносим матрицы инверсии в блоке 5 — рисунки 1C и D. Они вычисляются из матриц неточностей с использованием правила Байеса, предполагающего однородность априорных моделей (см. Приложение 3). Эти матрицы более непосредственно решают вопрос о том, как интерпретировать результат сравнения моделей, когда одна модель лучше всего подходит для конкретного предмета.

Матрицы путаницы в бандитской задаче, показывающие влияние априорных распределений параметров на восстановление модели.

Числа обозначают вероятность того, что данные, сгенерированные с помощью модели X, лучше всего соответствуют модели Y, поэтому матрица путаницы представляет p⁢ (подходящая модель | смоделированная модель). ( A ) Когда в моделях присутствует относительно большое количество шума (возможны небольшие значения β и βc), модели 3–5 трудно отличить друг от друга. ( B ) Когда в моделях меньше шума (т. е. минимальное значение β и βc равно 1), модели намного легче идентифицировать. ( C ) Матрица инверсии облегчает интерпретацию результатов подбора, когда истинная модель неизвестна. Например, матрица путаницы показывает, что M1 всегда полностью восстанавливается, а M5 восстанавливается только в 30% случаев. Напротив, матрица инверсии показывает, что если M1 является наиболее подходящей моделью, наша уверенность в том, что она сгенерировала данные, низка (54%), но если M5 является наилучшей подходящей моделью, наша уверенность в том, что она действительно сгенерировала данные, высока ( 97%). ( D ) Аналогичные результаты с меньшим уровнем шума при моделировании.

Запустите эксперимент и проанализируйте фактические данные

После того, как все предыдущие шаги будут выполнены, вы, наконец, можете перейти к моделированию эмпирических данных. Первым шагом является, конечно, анализ данных без модели, точно так же, как мы рекомендовали для имитации моделей в разделе «Моделирование, моделирование, моделирование!» Этот независимый от модели анализ чрезвычайно важен: вы разработали эксперимент для проверки определенных гипотез и построили модели, чтобы отразить их. Моделирование показало ожидаемые модели поведения с учетом этих гипотез. Если анализ, независимый от модели, не показывает доказательств ожидаемых результатов, подгонка модели почти бесполезна. Вместо этого вам следует вернуться к началу, либо переосмыслить вычислительные модели, если анализ показывает интересные модели поведения, либо переосмыслить план эксперимента или даже научный вопрос, на который вы пытаетесь ответить. По нашему опыту, если нет независимых от модели свидетельств того, что интересующие нас процессы задействованы, то анализ, основанный на моделях, также вряд ли обнаружит свидетельства для этих процессов.

Если, однако, поведенческие результаты обнадеживают, следующим шагом будет подгонка моделей, разработанных ранее, и сравнение моделей. После этого шага вы должны убедиться, что диапазон параметров, полученный с помощью подгонки, находится в пределах диапазона, в котором параметры и восстановление модели были хорошими. Если диапазон выходит за пределы того, что вы исследовали с помощью симуляций, вы должны вернуться к этапам восстановления параметров и модели, чтобы соответствовать эмпирическому диапазону параметров и, таким образом, убедиться, что процедуры подбора и сравнения моделей приводят к интерпретируемым результатам.

Важно помнить, что человеческое поведение всегда более беспорядочно, чем модель, и маловероятно, что класс моделей, который вы исследовали, на самом деле содержит «настоящую» модель, сгенерировавшую человеческое поведение. На этом этапе вам следует подумать о том, чтобы вернуться к шагам 2–5, чтобы улучшить модели, руководствуясь углубленным независимым от модели анализом данных.

Например, вы можете рассмотреть возможность моделирования «неважных параметров», представляющих механизмы, которые не представляют интереса для вашего научного вопроса, но которые могут повлиять на ваши измерения. Моделирование этих неважных параметров обычно фиксирует различия в поведении, которые в противном случае были бы связаны с шумом, и, таким образом, позволяет лучше оценить «важные» параметры. Например, регистрация ранее существовавших смещений (например, предпочтения левого/правого выбора) в решении или обучающей задаче обеспечивает лучшую оценку обратной температуры, избегая приписывания систематических смещений шуму, что затем позволяет лучше оценить другие параметры, такие как скорость обучения (это видно из вставки 6 — рисунок 1).

Ячейка 6.

Пример: улучшение восстановления параметров путем моделирования неважных параметров.

Чтобы проиллюстрировать влияние «неважных» параметров (т. е. параметров, представляющих механизмы, которые не представляют интереса для вашего научного вопроса, но все же могут повлиять на ваши измерения) на результаты подбора, мы моделируем влияние бокового смещения на параметр восстановление в модели 3. В частности, мы предполагаем, что, помимо выбора на основе усвоенного значения, модель также имела боковое смещение B, которое эффективно меняет значение левого бандита. То есть в двухбандитном случае вероятности выбора равны

(11) ptl⁢e⁢f⁢t=11+exp⁡(β⁢(Qtr⁢i⁢g⁢h⁢t-Qtl⁢e⁢f⁢t-B))

Затем мы смоделировали поведение с помощью этой модели для диапазона значений параметров и подогнали модель к исходной версии модели 3 без смещения и модифицированной версии модели 3 со смещением. В этой симуляции агенты учатся на 10 независимых двуруких бандитов в последовательных блоках из 50 испытаний с μ={0,2,0,8} или μ={0,8,0,2} в разных блоках. Для простоты мы предположили, что агент рассматривает каждый блок как независимый и начал с одинаковых начальных значений Q1r⁢i⁢g⁢h⁢t=Q1l⁢e⁢f⁢t=0,5.

Как видно ниже, включение «неважного» смещения в подбор значительно улучшает степень, в которой можно восстановить как скорость обучения, α, так и параметр softmax, β.

Моделирование неважных параметров обеспечивает лучшую оценку важных параметров.

В верхней строке показано восстановление параметров модели без члена смещения. Нижняя строка показывает гораздо более точное восстановление параметров для всех параметров, когда параметр смещения включен в подгонку модели.

Подтвердить (как минимум) победившую модель

Все предыдущие шаги измеряют относительное качество соответствия. Подходит ли модель А лучше, чем модель Б? Однако прежде чем интерпретировать какие-либо результаты модели, важно убедиться, что модель действительно правильно фиксирует данные в абсолютном смысле. Этот шаг называется проверкой модели, и его ни в коем случае нельзя пропускать: можно подобрать модель, получить высокие показатели соответствия и, тем не менее, полностью упустить суть поведения.

Одним из методов проверки модели является вычисление средней вероятности испытания как абсолютной меры соответствия. Хотя у этой меры есть некоторые полезные свойства — например, наилучшее возможное значение — это то, когда модель точно предсказывает поведение, — она предлагает ограниченную ценность, когда выбор фактически является стохастическим (что может иметь место во многих ситуациях; Drugowitsch et al., 2016). или окружение сложное. В этих случаях наилучшая возможная вероятность для испытания меньше 1, но неизвестно, какой может быть наилучшая возможная вероятность для испытания. По этой причине, хотя вероятность на испытание может быть полезным инструментом для проверки модели (Leong et al., 2017), интерпретация ее как абсолютной меры соответствия модели имеет ограниченную ценность.

Лучшим методом проверки модели является ее моделирование со значениями подходящих параметров (Palminteri et al., 2017; Nassar and Frank, 2016; Navarro, 2019). проверка» (Roecker, 1991; Gelman et al., 1996). Затем вам следует проанализировать смоделированные данные так же, как вы проанализировали эмпирические данные, чтобы убедиться, что все важные поведенческие эффекты качественно и количественно отражены в симуляциях с подходящими параметрами. Например, если вы эмпирически наблюдаете качественную разницу между двумя состояниями, модель должна ее воспроизвести. Точно так же, если кривая обучения достигает количественной асимптоты 0,7, симуляция не должна сильно отличаться от нее.

Некоторые исследователи анализируют апостериорный прогноз модели, основанный на прошлой истории, а не на смоделированных данных. В наших предыдущих обозначениях они оценивают вероятность выбора ct с учетом прошлых данных, d1:t-1, где прошлые данные включают выбор, сделанный субъектом, , а не выбор, сделанный моделью, p⁢(ct|d1:t -1,ст,𝜽м,м). В некоторых случаях этот подход приводит к результатам, очень похожим на результаты моделирования, потому что выбор выборки при моделировании основан на очень похожей вероятности, где прошлые данные d1:t-1 включают выбор, сделанный модель . Тем не менее, это также может сильно отличаться, если путь действий, выбранный участником, сильно отличается от путей, которые, вероятно, будут выбраны моделью (что приводит к очень разным прошлым историям).

Пальминтери и его коллеги (Palminteri et al., 2017) предлагают поразительный пример этого эффекта, когда модель A подходит лучше, чем модель B, по любым количественным показателям сравнения моделей, но совершенно не способна уловить суть поведения. В их примере данные генерируются с помощью агента обучения с подкреплением (который заменяет субъекта) в задаче обратного обучения (где выбор, который ранее был хорошим, становится плохим, и наоборот). Затем эти данные согласуются либо с моделью «выиграл-остайся-проиграл» (модель B), либо с упрощенной ядерной моделью выбора, которая предполагает, что предыдущие выборы имеют тенденцию повторяться (модель A). Из-за автокорреляции в выборе, сделанном агентом обучения с подкреплением, модель А, которая имеет тенденцию повторять предыдущие действия, подходит лучше, чем модель Б, чей выбор выигрыша-оставания-проигрыша-сдвига зависит только от действия и результата последнего испытания. . Однако модель А совершенно нечувствительна к вознаграждению и, следовательно, не может генерировать обратное поведение при моделировании с параметрами подходящей модели. Таким образом, в данном случае модель А следует отбросить, несмотря на большее количественное соответствие. Тем не менее, тот факт, что лучшая проверочная модель B отражает меньшую дисперсию, чем модель A, должен служить предупреждением о том, что в модели B отсутствуют важные компоненты данных и что, вероятно, существует лучшая модель. Это должно побудить исследователя вернуться к чертежной доске, чтобы разработать лучшую модель, например, такую, которая сочетает в себе элементы обеих моделей или полностью другую модель, и, возможно, лучший эксперимент для ее проверки.

В более общем случае, если ваш шаг проверки не пройден, вы должны вернуться к чертежной доске! Это может включать в себя поиск лучшей модели, а также изменение задачи. Будьте осторожны, интерпретируя результаты недостаточно проверенной модели! Конечно, точное определение того, что означает, что модель «не проходит» этап проверки, не определено четко: ни одна модель не идеальна, и нет эмпирического правила, позволяющего сказать нам, когда модель достаточно хороша . Наиболее важным аспектом проверки является то, что вы (и ваши читатели) должны знать о ее ограничениях и о том, как они могут повлиять на последующие результаты.

Ячейка 7.

Пример: проверка модели, когда подходящая модель работает слишком хорошо.

Большинство примеров проверки модели связаны со случаем, когда модель, которая хорошо подходит, плохо справляется с задачей моделирования. Например, в Palminteri et al. (2017), модель ядра выбора вообще не может выполнить задачу, потому что ее поведение полностью не зависит от вознаграждения. Здесь мы предлагаем другой пример неудачной проверки модели, в которой модель работает на лучше 9.0021 в моделировании, чем предсказанное и наблюдаемое поведение искусственного агента. Более того, эта модель лучше подходит к данным, сгенерированным из другой модели, чем к данным, сгенерированным из самой себя! В этом примере мы представляем детерминированную задачу обучения «стимул-действие», в которой агентам предъявляется один из трех стимулов (s1, s2 и s3), которые сообщают им, какое из трех действий (a1, a2 и a3) будет вознаграждено. когда выбирают. a1 является правильным выбором для обоих стимулов s1 и s2, a3 для s3, а a2 неверен для всех стимулов.

Обе модели, которые мы рассматриваем, являются агентами обучения с подкреплением. Во-первых, «слепой» агент вообще не видит стимула и узнает только о значении трех разных действий, то есть Q⁢(ai), независимо от стимула. Второй агент, основанный на состоянии, наблюдает за стимулом и изучает значение для каждого действия, которое может быть разным для каждого стимула, то есть Q⁢(ai,si). Параметры в моделях установлены таким образом, чтобы кривые обучения для двух агентов были примерно равными (вставка 7 — рисунок 1А). Подробную информацию о моделях см. в приложениях.

Затем мы рассматриваем, как обе модели соответствуют поведению, моделируемому любой из этих моделей. В блоке 7 (рис. 1B) мы наносим среднюю вероятность, с которой модель, основанная на состоянии, предсказывает фактический выбор слепых и основанных на состоянии агентов, то есть среднее значение p(ct|d1:t-1,𝜽m,m= на государственном уровне). Как видно из этого рисунка, модель, основанная на состоянии, предсказывает выбор слепого агента с большей вероятностью, чем выбор агента, основанного на состоянии! Хотя этот результат противоречит интуиции, он не означает, что модель, основанная на состоянии, не может соответствовать собственному поведению. Вместо этого этот результат отражает разницу в шуме (параметры softmax) между двумя агентами. Слепой агент RL имеет параметр с низким уровнем шума, что позволяет модели на основе состояний достаточно хорошо соответствовать ему. И наоборот, агент RL на основе состояния имеет высокий параметр шума, а это означает, что поведение труднее предсказать, даже если оно соответствует правильной модели.

То, что модель, основанная на состоянии, отражает поведение, основанное на состоянии, лучше, чем слепое поведение, показано во вставке 7 (рисунок 1C). Здесь мы строим смоделированные кривые обучения модели на основе состояния, используя значения параметров, которые подходят либо для агента на основе состояния, либо для слепого агента. Хотя параметры модели на основе состояний, полученные путем подгонки к агенту на основе состояний, создают кривую обучения, которая очень похожа на кривую обучения агента (сравните синие линии на вставке 7 — рис. 1A и C), модель на основе состояний подгонка к слепому агенту работает слишком хорошо (сравните желтые линии в блоке 7 — рисунок 1A и C).

Таким образом, этап проверки модели обеспечивает поддержку модели на основе состояния, если она является правильной моделью поведения, но исключает модель на основе состояния, если генерирующая модель была другой. Вывод из этого примера должен заключаться в том, что меры соответствия модели и сравнения моделей не могут заменить этап тщательной проверки, который может им противоречить.

Пример успешной и неудачной проверки модели.

( A ) Поведение моделируется одной из двух моделей обучения с подкреплением (слепой агент и агент на основе состояния), выполняющих одну и ту же задачу обучения. Генеративные параметры двух моделей были установлены таким образом, чтобы кривые обучения моделей были примерно равными. ( B ) Вероятность на испытание, по-видимому, указывает на худшее соответствие для данных, смоделированных на основе состояний, чем для данных, смоделированных вслепую. ( C ) Однако проверка с помощью моделирования модели с параметрами соответствия показывает, что модель на основе состояния получает данные от агента на основе состояния (сравните кривые обучения в темноте на панелях A и C), но не от слепого агента ( желтые кривые обучения на панелях A и C).

Анализ победившей модели

Чтобы свести к минимуму риски p-взлома, анализ, зависящий от модели, следует выполнять только на победившей модели после того, как исследователи будут уверены, что модель отражает поведение. Одно особенно мощное применение анализа поведения на основе моделей включает в себя оценку скрытых переменных в модели. Скрытые переменные — это скрытые компоненты алгоритмов, лежащих в основе поведения, которые нельзя наблюдать напрямую из самого поведения. Эти скрытые переменные проливают свет на внутреннюю работу модели и, если мы серьезно относимся к модели, должны иметь некоторое представление в уме и мозге субъектов (Cohen et al., 2017; O’Doherty et al., 2007). ).

Извлечь скрытые переменные из модели так же просто, как смоделировать модель и записать, как скрытые переменные изменяются с течением времени. Параметры моделирования должны быть подходящими параметрами для каждого субъекта. В большинстве случаев полезно связать выбор модели с выбором, который фактически сделали участники, таким образом, скрытые переменные развиваются в соответствии с фактическим опытом участников. Это особенно верно, если выбор может повлиять на то, что участники увидят в будущем.

После оценки скрытые переменные можно использовать почти так же, как и любую другую наблюдаемую переменную при анализе данных. Возможно, наиболее эффективное применение достигается в сочетании с физиологическими данными, такими как расширение зрачка, ЭЭГ и фМРТ. Самый простой из этих подходов использует линейную регрессию, чтобы проверить, коррелируют ли физиологические переменные с интересующими скрытыми переменными. Такой подход позволил пролить свет на нейронные механизмы, лежащие в основе поведения (Nassar et al., 2012; Daw et al., 2011; Donoso et al., 2014; Collins and Frank, 2018; Fischer and Ullsperger, 2013). , хотя, как и при любом моделировании, анализ скрытых переменных следует проводить с осторожностью (Wilson and Niv, 2015).

Другой анализ, зависящий от модели, включает изучение индивидуальных различий, полученных с помощью параметров соответствия. Параметры соответствия можно рассматривать как зависимую переменную в непрерывном анализе (например, в корреляции с возрастом, шкалой симптомов и т.  д. [Gillan et al., 2016]) или в групповых сравнениях (например, пациенты против контрольной группы [Collins et al., 2014] ]).

Отчеты об анализе на основе модели

Поздравляем! Вы разработали, смоделировали и подогнали свою модель (и, возможно, несколько других конкурирующих моделей) к своим данным. Вы оценили параметры, вычислили сравнительные оценки моделей и проверили, может ли ваша модель генерировать реалистичное поведение. Пора начинать писать! Но что именно вы должны сообщить в своей статье? И как вы должны сообщить об этом?

Выбор модели

Во многих работах по моделированию ключевым выводом из работы является то, что одна модель соответствует данным лучше, чем другие конкурирующие модели. Чтобы сделать это убедительным, мы рекомендуем включить в вашу статью следующие пункты либо в качестве основных результатов, либо в качестве дополнительного материала.

Анализ восстановления модели
Матрица путаницы

Прежде чем кто-либо поверит вашим результатам сравнения моделей, вам необходимо продемонстрировать способность вашего анализа/эксперимента различать модели в идеальных условиях смоделированных данных. Лучший способ визуализировать эти результаты — использовать матрицу путаницы, как описано в разделе «Можете ли вы провести арбитраж между различными моделями»? Если результат сравнения моделей занимает центральное место в вашей статье, мы рекомендуем включить матрицу путаницы в качестве рисунка в основной текст. Если сравнение моделей менее важно, рекомендуем включить его в дополнительные материалы.

Количество предметов, наиболее подходящих для каждой модели

Самый простой способ визуализировать, насколько хорошо модель-победитель соответствует данным, — это использовать гистограмму, показывающую количество субъектов, наиболее подходящих для каждой модели. Очевидно, что если все предметы лучше всего соответствуют одной модели, история проста. Более вероятный сценарий состоит в том, что некоторые предметы лучше всего подходят для других моделей. Такой результат важно отметить в статье, поскольку он может отражать использование разных стратегий разными людьми или то, что «правильная» модель находится где-то посередине между рассмотренными вами моделями.

Статистика на уровне группы
Вероятность превышения

Более сложный и менее предвзятый (Piray et al., 2018) способ представления результатов сравнения моделей заключается в вычислении вероятности того, что одна модель лучше всего описывает все данные. Очевидно, что это предположение, достоинства которого следует обсудить в вашей статье. В тех случаях, когда это допустимо, метод Rigoux et al. (2014) вычисляет эти «вероятности превышения», вероятность того, что каждая модель сгенерировала все данные. Эти вероятности также могут быть представлены в виде гистограммы или таблицы.

Независимые от модели меры смоделированных данных. Самый простой способ продемонстрировать преимущество одной модели – это если эта модель может объяснить качественные закономерности в данных, которые не фиксируются другими моделями (см. раздел «Подтверждение (как минимум) победившей модели»).

Параметр подходит для

Многие документы по моделированию включают подгонку параметров к поведенческим данным. В некоторых случаях это основная цель статьи, например, чтобы показать, что значения параметров различаются между группами или методами лечения, в других случаях подбор параметров является второстепенным по сравнению со сравнением моделей. Во всех случаях мы рекомендуем сообщать значения параметров соответствия максимально прозрачным способом (т. е. больше, чем просто средние значения и стандартные ошибки).

Отчет о распределениях значений параметров

Самый простой способ сообщить о совпадении параметров — построить график распределения всех значений параметров соответствия, например, в виде гистограммы (например, рисунок S1 в Wilson et al., 2013 и Nassar et al., 2018) или облака баллы (например, рисунок 5 в Huys et al., 2011). Это дает отличное представление о изменчивости каждого параметра в совокупности, а также может проиллюстрировать проблемы с подгонкой. Например, если большое количество подходящих параметров сгруппировано вокруг верхней и нижней границ, это может указывать на проблему с моделью.

Постройте попарные корреляции между значениями подходящих параметров

Более глубокое понимание взаимосвязей между параметрами подгонки можно получить, построив диаграммы рассеяния парных корреляций между параметрами. Как и в случае с гистограммами отдельных параметров, этот подход дает представление о распределении параметров и может свидетельствовать о проблемах с моделью; например, если два параметра компрометируют друг друга, это признак того, что эти параметры могут быть не идентифицированы в эксперименте.

Восстановление параметра отчета

Наконец, все анализы подбора параметров должны основываться на комплексном анализе восстановления параметров с использованием смоделированных данных. Если параметры не могут быть восстановлены в идеальном случае смоделированных данных, они мало что могут сказать нам о реальном поведении.

Поделитесь своими данными и кодом!

Самый прямой способ сообщить о своих результатах — поделиться данными и кодом. Такой подход способствует прозрачности и гарантирует, что другие могут видеть ровно что ты сделал. Совместное использование данных и кода также позволяет другим легко расширять ваш анализ, применяя его к своим собственным данным или добавляя новые модели.

В идеале данные, которыми вы делитесь, должны быть исходными данными для эксперимента с минимальной предварительной обработкой или без нее (кроме удаления идентифицирующей информации). Код, которым вы делитесь, должен воспроизводить все этапы вашего анализа, включая любую предварительную обработку/исключение выбросов, которые вы могли выполнить, и генерировать все основные и дополнительные цифры в статье. В идеальном мире и данные, и код были бы общедоступны на таких сайтах, как GitHub, DataVerse и т. д. Однако это не всегда возможно, например, если данные поступают от соавторов, не согласных на совместное использование данных, или если планируется дальнейший анализ с использованием того же набора данных. В этом случае мы рекомендуем иметь чистый набор «распространяемого» кода (и, надеюсь, данных тоже), который можно отправить по электронной почте по запросу.

Всегда ли следует сообщать обо всех результатах моделирования?

Наконец, если вы используете устоявшуюся модель, может возникнуть соблазн пропустить многие из шагов, описанных выше, и сообщить только самые впечатляющие результаты. Это искушение может быть еще больше, если вы используете код, разработанный кем-то другим, который, возможно, вы не полностью понимаете. На наш взгляд, такие короткие пути опасны. Во-первых, ваш эксперимент или популяция могут отличаться, и модель может работать по-разному в этом режиме. Во-вторых, довольно часто «устоявшиеся» модели (в том смысле, что они были опубликованы ранее) не подвергались систематической проверке. В более общем плане, как и в случае с любым исследовательским методом, при использовании компьютерного моделирования вам необходимо продемонстрировать, что вы применяете метод правильно, и описанные здесь шаги могут помочь. В заключение, даже если разработка модели не является центральным пунктом вашей статьи, вы должны сообщать обо всех результатах моделирования.

Что теперь?

Петля назад

Работа моделиста никогда не заканчивается. Перефразируя Джорджа Бокса, правильных моделей не бывает, есть только полезные модели (Box, 1979). Чтобы сделать вашу модель более полезной, необходимо рассмотреть ряд следующих шагов, чтобы проверить, действительно ли ваша модель описывает процесс в уме.

Улучшите модель, чтобы учесть расхождения с существующим набором данных

Подгонка модели никогда не бывает идеальной, и даже в самых лучших случаях часто бывают небольшие расхождения с фактическими данными. Самый простой следующий шаг — попытаться устранить эти несоответствия путем улучшения модели либо путем включения дополнительных факторов (таких как боковое смещение или частота ошибок), либо путем разработки полностью новых моделей.

Используйте свою модель для прогнозирования

Лучшие модели не просто объясняют данные в одном эксперименте, они предсказывают данные в совершенно новых ситуациях. Если вашу модель нелегко обобщить на новые ситуации, попытайтесь понять, почему это так и как ее можно скорректировать, чтобы сделать ее более общей. Если ваша модель действительно обобщает, проверьте ее предсказания на новых данных — либо на данных, которые вы сами собрали в ходе нового эксперимента, либо на данных других исследований, которые (надеюсь) были опубликованы в Интернете.

Использование передовых технологий

Другим потенциальным следующим шагом является использование более мощных методов моделирования. Здесь мы сосредоточились на самых простых методах (оценка максимального правдоподобия и сравнение моделей с помощью BIC) из-за их доступности для начинающих и потому, что большинство советов, которые мы здесь даем, обобщают более продвинутые методы. В частности, независимо от того, насколько продвинута используемая техника моделирования, важна проверка (Palminteri et al., 2017; Nassar and Frank, 2016; Huys, 2017). Тем не менее, простые методы, описанные здесь, имеют известные ограничения. Более продвинутые методы пытаются их исправить, но имеют свои подводные камни. Полный обзор этих передовых методов выходит за рамки данной статьи; вместо этого мы даем указания на несколько наиболее интересных техник, которыми может воспользоваться амбициозный читатель.

Вычислить максимальные апостериорные (MAP) значения параметров

Возможно, самым простым шагом для улучшения оценок параметров является включение априорной информации о значениях параметров. В сочетании с вероятностью эти априорные значения позволяют нам вычислить апостериорные значения, которые мы можем использовать для нахождения максимальных значений апостериорных (MAP) параметров. Хотя они по-прежнему являются точечными оценками, с хорошими априорными значениями параметры MAP могут быть более точными, чем параметры, оцененные с помощью подходов максимального правдоподобия (Gershman, 2016; Daw, 2011), хотя, когда априорные значения плохие, у этого метода есть свои собственные проблемы (Katahira , 2016).

Аппроксимация полной задней части путем выборки

Точечные оценки параметров модели, например полученные с помощью MLE или MAP, теряют важную информацию о неопределенности распределения параметров. Методы выборки (такие как Цепь Маркова Монте-Карло или MCMC) предоставляют эту более богатую информацию; кроме того, они позволяют разработчикам моделей исследовать более сложные предположения. Например, иерархические байесовские подходы позволяют подбирать всех участников одновременно, интегрируя предположения об их зависимости (например, одна отдельная группа, несколько групп, влияние интересующих ковариат, таких как возраст и т. д.; Lee, 2011; Lee and Wagenmakers, 2014). ; Wiecki и др., 2013).

Расширенные оптимизаторы и приблизительная вероятность

Некоторые модели имеют неуправляемые вероятности, например, если состояние выбора имеет слишком много измерений, как в непрерывных движениях, или если модель включает ненаблюдаемые варианты выбора. Существуют методы аппроксимации вероятностей для их количественной связи с данными, такие как метод ABC (Turner and Sederberg, 2012; Sunnåker et al., 2013). Существуют также усовершенствованные методы поиска параметров наилучшего соответствия с эффективным использованием выборки, когда вычисление вероятности требует больших затрат (Acerbi and Ji, 2017; Acerbi, 2018).

Выбор модели

Выбор байесовской модели обеспечивает менее предвзятые, статистически более точные способы определения того, какая модель является лучшей на уровне группы (Rigoux et al., 2014). Это может быть особенно важно при сравнении выбора модели между группами, например между пациентами и контролем (Piray et al., 2018).

Включение других типов данных

Мы сосредоточились на моделировании одного типа наблюдаемых данных — выбора. Однако существует обширная литература по подбору моделей для других измерений, таких как время реакции (Ratcliff, 19).78; Ratcliff and Rouder, 1998), но также к движениям глаз и нейронным данным (Turner et al. , 2016). Кроме того, подгонка более чем одного измерения одновременно создает дополнительные ограничения для модели и, как таковая, может обеспечить лучшее соответствие (Ballard and McClure, 2019). Однако подгонка дополнительных данных может усложнить процесс подгонки модели, и необходимо принять дополнительные меры для точного определения того, как следует комбинировать различные типы данных (Viejo et al., 2015).

Эпилог

Наша цель в этой статье состояла в том, чтобы дать практические советы как начинающим, так и опытным исследователям по компьютерному моделированию поведенческих данных. С этой целью мы предложили руководство о том, как создавать модели, моделировать модели, подбирать модели, сравнивать модели, проверять модели и извлекать скрытые переменные из моделей для сравнения с физиологическими данными. Мы говорили о том, как избежать распространенных ошибок и неправильных интерпретаций, которые могут возникнуть при вычислительном моделировании, и совершенно сознательно задержались на важности хорошего плана эксперимента. Многие из этих уроков были уроками, которые мы усвоили на собственном горьком опыте, фактически совершая эти ошибки за 20 с лишним лет работы в этой области. Мы надеемся, что, следуя этим шагам, вы избежите некоторых ошибок, которые замедлили наши собственные исследования, и улучшите общее качество вычислительного моделирования в науке о поведении.

Приложение 1

Теория подбора моделей

Формально целью подбора модели является оценка параметров 𝜽m для каждой модели m, которые лучше всего соответствуют поведенческим данным. Для этого мы используем байесовский подход и стремимся вычислить (или, по крайней мере, аппроксимировать) апостериорное распределение по параметрам с учетом данных, p(θm|d1:T,m). По правилу Байеса мы можем записать это как

(12) p(θm|d1:T,m)=p(d1:T|θm,m)p(θm|m)p(d1:T|m)

, где p(θm|m) — априорное значение параметров , 𝜽м; p(d1:T|θm,m) — вероятность данных с заданными параметрами; а константа нормализации, p⁢(d1:T|m), представляет собой вероятность данных, заданных моделью (которая также известна как предельное правдоподобие [Lee and Wagenmakers, 2014], подробнее об этом ниже). Поскольку вероятности, как правило, малы, часто проще работать с логарифмом этих величин

(13) log⁡p⁢(𝜽m|d1:T,m)=log⁡p⁢(d1:T|𝜽m,m)⏟log⁡p⁢(𝜽m|m)-log⁡p⁢(d1:T| m)

Логарифм правдоподобия часто получает свой собственный символ, L⁢L=log⁡p⁢(d1:T|𝜽m,m), и может быть записан как

(14) log⁡p⁢(d1:T|𝜽m,m)=log⁡(∏t=1Tp⁢(ct|d1:t-1,st,𝜽m,m))=∑t=1Tlog⁡p⁢(ct|d1 :t-1,st,𝜽m,m)

где p⁢(ct|d1:t-1,st,𝜽m,m) — вероятность каждого отдельного выбора с учетом параметров модели, лежащей в основе определения каждой модели (например, в уравнениях 1–7).

В идеальном мире мы бы точно оценили логарифмический апостериор, log⁡p⁢(𝜽m|d1:T,m), но это может быть сложно вычислить и представить громоздкий отчет. Вместо этого мы должны аппроксимировать его. Это можно сделать с помощью методов выборки, таких как методы Монте-Карло с цепями Маркова (Lee and Wagenmakers, 2014), которые аппроксимируют полную апостериорную ситуацию с помощью набора выборок. Другой подход заключается в сообщении точечной оценки таких параметров, как максимум логарифмического апостериорного (максимальная апостериорная оценка [MAP]) или максимум логарифмического правдоподобия (оценка максимального правдоподобия [MLE]). (Обратите внимание, что логарифмическое преобразование не меняет местоположение максимума, поэтому максимум логарифмической вероятности возникает при том же значении 𝜽m, что и максимум вероятности.) 9mM⁢L⁢E=arg⁢max𝜽m⁡log⁡p⁢(d1:T|𝜽m,m)

Обратите внимание, что при равномерном априоре на 𝜽m эти две оценки совпадают.

Каждый из этих подходов к оценке значений параметров имеет свои сильные и слабые стороны. Подход MCMC является наиболее принципиальным, поскольку при достаточном количестве выборок он дает хорошую аппроксимацию апостериорного распределения по каждому значению параметра. Этот подход также изящно обрабатывает небольшие наборы данных и позволяет строго комбинировать данные из разных предметов. Несмотря на эти преимущества, подход MCMC более сложен (особенно для начинающих) и может быть медленным в реализации. С другой стороны, точечные оценки, такие как значения параметров MAP и MLE, вычисляются намного быстрее и часто дают ответы, аналогичные подходу MCMC, когда объем данных велик (что часто имеет место при работе с молодыми и здоровыми популяциями). . По этой причине мы сосредоточим наше обсуждение на подходах к точечной оценке, сосредотачиваясь, в частности, на оценке максимального правдоподобия.

Приложение 2

Теория сравнения моделей

При сравнении моделей наша цель — выяснить, какая модель из набора возможных моделей с наибольшей вероятностью сгенерировала данные. Для этого мы вычисляем (или, по крайней мере, пытаемся оценить) вероятность того, что модель m сгенерировала данные, p⁢(m|d1:T). Обратите внимание, что это константа нормализации из уравнения 12. Как и в случае восстановления параметра, эту вероятность трудно вычислить напрямую, поэтому мы обратимся к правилу Байеса и напишем

(16) p⁢(m|d1:T)∝p⁢(d1:T|m)⁢p⁢(m)=∫𝑑𝜽m⁢p⁢(d1:T|𝜽m,m)⁢p⁢(𝜽m|m)⁢p ⁢(m)

, где p⁢(m) — априорная вероятность того, что модель m является правильной моделью, а p⁢(d1:T|m) — вероятность данных, заданных моделью. В большинстве случаев p⁢(m) считается постоянным, поэтому мы можем полностью сосредоточиться на вероятности p⁢(d1:T|m). Как и прежде, легче работать с логарифмом этой величины, которая известна как предельная вероятность (Lee and Wagenmakers, 2014) или байесовское свидетельство Em (Kass and Raftery, 19).95), для модели m. Более подробно

(17) Em=log⁡p⁢(d1:T|m)=log⁢∫𝑑𝜽m⁢p⁢(d1:T|𝜽m,m)⁢p⁢(𝜽m|m)

Если мы можем вычислить Em для каждой модели, то модель с наибольшим количеством доказательств, скорее всего, сгенерировала данные.

Обратите внимание, что при интегрировании по пространству параметров байесовское свидетельство неявно наказывает свободные параметры. Это связано с тем, что чем больше свободных параметров, тем больше размер пространства, по которому мы интегрируем, и, следовательно, тем меньше p⁢(𝜽m|m) для любого заданного параметра. Таким образом, если модель хорошо предсказывает данные для всех настроек параметров, она платит за каждый дополнительный свободный параметр. Идея о том, что более простым моделям следует отдавать предпочтение перед более сложными, если они одинаково хорошо объясняют данные, известна как бритва Оккама (см. главу 28 в MacKay, 2003).

К сожалению, поскольку это требует вычисления интеграла по всем возможным настройкам параметров, точное вычисление предельного правдоподобия обычно невозможно. Существует несколько методов аппроксимации интеграла, основанных либо на замене его суммой по подмножеству точек (Wagenmakers et al., 2010; Lee and Wagenmakers, 2014), либо на аппроксимации MAP или MLE оценок параметры. Последний подход является наиболее распространенным, и используются три конкретные формы: Информационный критерий Байеса (BIC) (Шварц, 19 лет).мМ⁢L⁢Э.

Наконец, мы сочли полезным представить результаты сравнения моделей с точки зрения вероятности L⁢P⁢T на испытание, которую можно рассматривать как «среднюю» вероятность, с которой модель предсказывает каждый выбор,

L⁢P⁢T=exp⁡(EmT)

Приложение 3

Вычисление матрицы инверсии из матрицы путаницы

В разделе «Можете ли вы выполнять арбитраж между разными моделями?» мы ввели инверсионную матрицу p⁢(симулируемая модель|подходящая модель) как вероятность того, что данные, лучше всего соответствующие одной модели, были фактически сгенерированы из другой модели. Как показано ниже, это можно легко вычислить из матрицы путаницы p⁢ (подходящая модель | смоделированная модель) по правилу Байеса. Сокращая «имитируемая модель» с «sim» и «подходящая модель» с «подгонкой», мы имеем

(20) p⁢(sim|fit)=p⁢(fit|sim)⁢p⁢(sim)∑simp⁢(fit|sim)⁢p⁢(sim)

Для однородной априорной модели вычисление матрицы инверсии составляет перенормировка матрицы путаницы по смоделированным моделям.

Приложение 4

Модель рабочей памяти, используемая для локального минимума пример

Модель и экспериментальные планы, использованные во вставке 3 — рис. 1, представляют собой упрощенную версию тех, что были в Collins and Frank (2012). Короче говоря, эксперимент пытается проанализировать вклад рабочей памяти в обучение с подкреплением, заставляя участников и агентов изучать непредвиденные обстоятельства стимул-действие из детерминированной обратной связи, при этом разное количество стимулов n⁢ изучается параллельно в разных блоках. Эта манипуляция нацелена на загрузку WM и изолирует вклад WM; подробности см. в Collins and Frank (2012).

Упрощенная модель предполагает сочетание классического компонента RL (с параметрами α и β) и компонента рабочей памяти с совершенным однократным обучением. Смесь контролируется параметром ρ, отражающим предыдущую готовность использовать рабочую память по сравнению с RL, и параметром емкости K, который масштабирует вес смеси пропорционально доле стимулов, которые могут храниться в рабочей памяти: мин⁡(1, Кн⁢с). Первоначальная модель предполагает дополнительную динамику для политики рабочей памяти и весов рабочей памяти по сравнению с RL, что делает модель более идентифицируемой (Collins and Frank, 2012).

Приложение 5

Пример проверки модели

В этом примере мы представляем детерминированную задачу обучения «стимул-действие», в которой испытуемым предъявляется один из трех стимулов (s1, s2 и s3), которые указывают субъекту, какое из трех действий (a1, a2 и a3) будет быть вознаграждены при выборе.

Обе рассматриваемые нами модели являются агентами обучения с подкреплением. Первый, «слепой» агент, вообще не видит стимула и узнает только о значении трех разных действий, т. е. Q⁢(ai), независимо от стимула. Второй агент, «основанный на состоянии», наблюдает за стимулом и запоминает значение для каждого действия, которое может быть разным для каждого стимула, т. е. Q⁢(ai,si).

Обучение в обеих моделях происходит по правилу Рескорла-Вагнера с разной скоростью обучения для положительных и отрицательных ошибок предсказания. Таким образом, для слепого агента значения обновляются в соответствии с

(21) Q⁢(at) ←{Q⁢(at)+αP⁢(rt-Q⁢(at))if ⁢(rt-Q⁢(at))>0Q⁢(at)+αN⁢(rt-Q⁢( at))if ⁢(rt-Q⁢(at))<0

в то время как для агента на основе состояния значения обновляются в соответствии с

(22) Q⁢(at,st) ←{Q⁢(at,st)+αP⁢(rt-Q⁢(at,st))if ⁢(rt-Q⁢(at,st))>0Q⁢(at,st) )+αN⁢(rt-Q⁢(at,st))if ⁢(rt-Q⁢(at,st))<0

В обеих моделях эти значения определяют решения с помощью правила принятия решений softmax с обратным температурным параметром β.

Начнем с моделирования двух разных агентов: одного с использованием слепого алгоритма, а другого с использованием подхода, основанного на состоянии. Параметры в моделях задаются таким образом, чтобы кривые обучения для двух агентов были примерно равными (вставка 7 — рисунок 1А, слепая модель: αP=0,5, αN=0, β=6,5 модель на основе состояний: αP=0,65, αN= 0, β=2). В обоих случаях агенты начинают с точности 1/3 и асимптоты с точностью около 2/3 — слепой агент, потому что это лучшее, что он может сделать, агент на основе состояния, потому что параметр softmax относительно мал. и, следовательно, производительность ограничена шумом.

Далее мы рассмотрим, как модель на основе состояний соответствует поведению этих двух различных агентов. В блоке 7 (рис. 1B) мы наносим среднюю вероятность, с которой модель, основанная на состоянии, предсказывает фактический выбор слепых и основанных на состоянии агентов, то есть среднее значение p(ct|d1:t-1,𝜽m,m= на государственном уровне). Как видно из этого рисунка, модель, основанная на состоянии, предсказывает выбор слепого агента с большей вероятностью, чем выбор агента, основанного на состоянии! Хотя этот результат противоречит интуиции, он не означает, что модель, основанная на состоянии, не может соответствовать собственному поведению. Вместо этого этот результат отражает разницу в шуме (параметры softmax) между двумя субъектами. Слепой субъект RL имеет высокий β, что означает меньший шум, что позволяет модели, основанной на состояниях, достаточно хорошо соответствовать ему. И наоборот, субъект RL на основе состояния имеет низкий β, что подразумевает больше шума, а это означает, что поведение труднее предсказать, даже если оно соответствует правильной модели.

То, что модель, основанная на состояниях, лучше соответствует поведению, основанному на состояниях, чем слепому поведению, показано во вставке 7 — рис. 1C. Здесь мы строим смоделированные кривые обучения модели на основе состояния, используя значения параметров, которые подходят либо для агента на основе состояния, либо для слепого агента. В то время как подбор агента на основе состояния создает кривую обучения, очень похожую на кривую обучения субъекта (сравните синие линии во вставке 7 — рис. 1A и C), подбор агента на основе состояния для слепого агента работает слишком хорошо (сравните желтые линии на панелях Вставка 7 – рисунки 1А и С). Таким образом, этап проверки модели обеспечивает поддержку модели на основе состояния, если она является правильной моделью поведения, но исключает модель на основе состояния, если генерирующая модель была другой.

Ссылки

    1. Эббот JT
    2. Аустервайль JL
    3. Гриффитс TL

    (2015) Случайные блуждания по семантическим сетям могут напоминать оптимальный поиск пищи

    Psychological Review 122 :558–569.

    https://doi.org/10.1037/a0038693

    • пабмед
    • Google ученый
  1. Конференц-связь

    1. Ачерби Л

    (2018) Вариационный байесовский метод Монте-Карло

    Достижения в области нейронных систем обработки информации. стр. 8213–8223.

    https://papers.nips.cc/paper/8043-variational-bayesian-monte-carlo

    • Google ученый
  2. Конференц-связь

    1. Ачерби Л
    2. Джи В

    (2017) Практическая байесовская оптимизация для подбора модели с байесовским адаптивным прямым поиском

    Достижения в области нейронных систем обработки информации. стр. 1836–1846.

    https://papers.nips.cc/paper/6780-practical-bayesian-optimization-for-model-fitting-with-bayesian-adaptive-direct-search

    • Google ученый
    1. Акаике H

    (1974) Новый взгляд на идентификацию статистической модели

    IEEE Transactions on Automatic Control 19 :716–723.

    https://doi.org/10.1109/TAC.1974.1100705

    • Google ученый
    1. Баллард IC
    2. МакКлюр СМ

    (2019) Совместное моделирование времени реакции и выбора улучшает идентифицируемость параметров в моделях обучения с подкреплением

    Journal of Neuroscience Methods 317 :37–44.

    https://doi.org/10.1016/j.jneumeth.2019.01.006

    • пабмед
    • Google ученый
    1. Батчелдер WH
    2. Рифер ДМ

    (1990) Полиномиальные модели обработки источников мониторинга

    Psychological Review 97 :548–564.

    https://doi.org/10.1037/0033-295Х.97.4.548

    • Google ученый
    1. Коробка ГЭ

    (1979)

    Надежность в статистике

    201–236, Надежность в стратегии построения научной модели, Надежность в статистике, Elsevier, 10.1016/b978-0-12-438150-6.50018-2.

    • Google ученый
    1. Брейман Л

    (2001) Статистическое моделирование: две культуры (с комментариями и ответом автора)

    Статистическая наука 16 :199–231.

    https://doi.org/10. 1214/ss/100

  3. 26

    • Google ученый
    1. Брумелл СБ
    2. Бхатия С

    (2014) Восстановление параметров для моделирования решений с использованием данных выбора

    Решение 1 :252–274.

    https://doi.org/10.1037/dec0000020

    • Google ученый
  4. Книга

    1. Буземейер JR
    2. Дидерих А

    (2010)

    Когнитивное моделирование

    Мудрец.

    • Google ученый
    1. Берд RH
    2. Гилберт JC
    3. Ноцедаль J

    (2000) Метод доверительной области, основанный на методах внутренних точек для нелинейного программирования

    Математическое программирование 89 : 149–185.

    https://doi.org/10.1007/PL00011391

    • Google ученый
    1. Кавана JF
    2. Вики ТВ
    3. Кочар А
    4. Фрэнк MJ

    (2014) Отслеживание взгляда и пупиллометрия являются индикаторами диссоциируемых латентных процессов принятия решений.

    https://doi.org/10.1037/a0035813

    • Google ученый
    1. Коэн JD
    2. Данбар К
    3. Макклелланд JL

    (1990) Об управлении автоматическими процессами: параллельная распределенная обработка с учетом эффекта Струпа

    Психологический обзор 97 : 332–361.

    https://doi.org/10.1037/0033-295X.97.3.332

    • пабмед
    • Google ученый
    1. Коэн JD
    2. Галка N
    3. Энгельхардт Б
    4. Хассон Ю
    5. Ли К
    6. Нив Y
    7. Норман К.А.
    8. Подушка J
    9. Рамадж PJ
    10. Терк-Браун NB
    11. Уиллке TL

    (2017) Вычислительные подходы к анализу фМРТ

    Nature Neuroscience 20 :304–313.

    https://doi.org/10.1038/nn.4499

    • пабмед
    • Google ученый
    1. Коллинз АГ
    2. Браун JK
    3. Золото JM
    4. Вальс JA
    5. Фрэнк MJ

    (2014) Вклад рабочей памяти в нарушения обучения с подкреплением при шизофрении

    The Journal of Neuroscience 34 :13747–13756.

    https://doi.org/10.1523/JNEUROSCI.0989-14.2014

    • пабмед
    • Google ученый
    1. Коллинз АГ
    2. Фрэнк MJ

    (2012) Какая часть обучения с подкреплением относится к рабочей памяти, а не к обучению с подкреплением? Поведенческий, вычислительный и нейрогенетический анализ

    European Journal of Neuroscience 35 :1024–1035.

    https://doi.org/10.1111/j.1460-9568.2011.07980.х

    • пабмед
    • Google ученый
    1. Коллинз АГ
    2. Фрэнк MJ

    (2013) Когнитивный контроль над обучением: создание, группировка и обобщение структуры набора задач

    Psychological Review 120 :190–229.

    https://doi.org/10.1037/a0030852

    • пабмед
    • Google ученый
    1. Коллинз АГ
    2. Фрэнк MJ

    (2014) Обучение актера-противника (OpAL): моделирование интерактивных эффектов дофамина в полосатом теле на обучение с подкреплением и стимул выбора

    Психологический обзор 121 :337–366.

    https://doi.org/10.1037/a0037015

    • пабмед
    • Google ученый
    1. Коллинз АГ
    2. Фрэнк MJ

    (2018)

    Динамика ЭЭГ человека внутри и между испытаниями показывает совместное взаимодействие между обучением с подкреплением и рабочей памятью

    PNAS 201720963.

    • Google ученый
  5. Программное обеспечение

    1. Коллинз АГ
    2. Уилсон RC

    (2019) TenSimpleRulesModeling, версия 3a01850

    Гитхаб.

    https://github.com/AnneCollins/TenSimpleRulesModeling

  6. Конференц-связь

    1. Курвиль AC
    2. Галка ND

    (2008) Крыса как фильтр частиц

    Достижения в области нейронных систем обработки информации. стр. 369–376.

    https://papers.nips.cc/paper/3205-the-rat-as-particle-filter

    • Google ученый
    1. Галка ND

    (2011) Анализ данных между испытаниями с использованием вычислительных моделей

    Принятие решений, влияние и обучение: внимание и эффективность XXIII 23 :3–38.

    https://doi.org/10.1093/acprof:oso/9780199600434. 003.0001

    • Google ученый
    1. Галка ND
    2. Гершман SJ
    3. Сеймур Б
    4. Даян П
    5. Долан RJ

    (2011) Основанные на модели влияния на выбор человека и ошибки предсказания стриарного тела

    Нейрон 69 :1204–1215.

    https://doi.org/10.1016/j.neuron.2011.02.027

    • пабмед
    • Google ученый
  7. Конференц-связь

    1. Галка ND
    2. Курвиль AC

    (2007)

    Голубь как фильтр частиц

    Достижения в области нейронных систем обработки информации.

    • Google ученый
    1. Галка ND
    2. Тоблер PN

    (2014)

    Нейроэкономика

    283–298, Ценностное обучение через подкрепление: основы дофамина и обучения с подкреплением, Нейроэкономика, второе издание, Elsevier, 10.1016/b978-0-12-416008-8.00015-2.

    • Google ученый
    1. Донкин С
    2. Транс СК
    3. Нософский R

    (2014) Ландшафтный анализ предсказаний ROC моделей дискретных слотов и обнаружения сигналов зрительной рабочей памяти

    Внимание, восприятие и психофизика 76 :2103–2116.

    https://doi.org/10.3758/s13414-013-0561-7

    • Google ученый
    1. Донкин С
    2. Кэри А
    3. Тахир F
    4. Тейлор Р

    (2016) Ресурсы, маскирующиеся под слоты: Гибкое распределение зрительной рабочей памяти

    Когнитивная психология 85 :30–42.

    https://doi.org/10.1016/j.cogpsych.2016.01.002

    • Google ученый
    1. Доносо М
    2. Коллинз, 9 лет0156
    3. Коехлин Е

    (2014) Основы человеческого мышления в префронтальной коре

    Наука 344 :1481–1486.

    https://doi.org/10.1126/science.1252254

    • Google ученый
    1. Дауд ЕС
    2. Фрэнк MJ
    3. Коллинз А
    4. Золото JM
    5. Барч ДМ

    (2016) Вероятностное обучение с подкреплением у пациентов с шизофренией: связь с ангедонией и аволюцией

    Биологическая психиатрия: когнитивная нейробиология и нейровизуализация 1 :460–473.

    https://doi.org/10.1016/j.bpsc.2016.05.005

    • Google ученый
    1. Другович J
    2. Вайарт В
    3. Девошель
    4. г. н.э.
    5. Коехлин Е

    (2016) Вычислительная точность умственного вывода как критический источник субоптимальности человеческого выбора

    Нейрон 92 :1398–1411.

    https://doi.org/10.1016/j.neuron.2016.11.005

    • пабмед
    • Google ученый
    1. Фарашахи S
    2. Роу К
    3. Аслами Z
    4. Ли Д
    5. Солтани А

    (2017) Обучение на основе признаков повышает адаптивность без ущерба для точности

    Nature Communications 8 :1768.

    https://doi.org/10.1038/s41467-017-01874-w

    • пабмед
    • Google ученый
  8. Книга

    1. Фаррелл С
    2. Левандовски С

    (2018) Компьютерное моделирование познания и поведения

    Издательство Кембриджского университета.

    https://doi.org/10.1017/CBO9781316272503

    • Google ученый
  9. Препринт

    1. Финдлинг C
    2. Скворцова В
    3. Дромнель R
    4. Пальминтери S
    5. Вайарт В

    (2018) Вычислительный шум в обучении, управляемом вознаграждением, приводит к изменчивости поведения в изменчивых средах

    bioRxiv.

    https://doi.org/10.1101/439885

    • Google ученый
    1. Фишер АГ
    2. Ульспергер М

    (2013) Реальные и фиктивные результаты обрабатываются по-разному, но сходятся в общем адаптивном механизме

    Нейрон 79: 1243–1255.

    https://doi.org/10.1016/j.neuron.2013.07.006

    • пабмед
    • Google ученый
    1. Фрэнк MJ
    2. Зеебергер ЛК
    3. О’Рейли RC

    (2004) Кнутом или пряником: когнитивное обучение с подкреплением при паркинсонизме

    Наука 306 :1940–1943.

    https://doi.org/10.1126/science.1102941

    • пабмед
    • Google ученый
    1. Фрэнк MJ
    2. Мустафа АА
    3. Хоги HM
    4. Курран Т
    5. Хатчисон К.Е.

    (2007) Генетическая тройная диссоциация раскрывает множественные роли дофамина в обучении с подкреплением

    PNAS 104 :16311–16316.

    https://doi.org/10.1073/pnas.0706111104

    • пабмед
    • Google ученый
    1. Гейслер WS

    (2011) Вклад теории идеального наблюдателя в исследования зрения

    Исследования зрения 51 :771–781.

    https://doi.org/10.1016/j.visres.2010.09.027

    • пабмед
    • Google ученый
    1. Гельман А
    2. Мэн XL
    3. Кормовой H

    (1996)

    Апостериорная прогностическая оценка пригодности модели через реализованные расхождения

    Statistica Sinica 6 :733–760.

    • Google ученый
    1. Гершман SJ

    (2016) Эмпирические априорные данные для моделей обучения с подкреплением

    Journal of Mathematical Psychology 71 : 1–6.

    https://doi.org/10.1016/j.jmp.2016.01.006

    • Google ученый
    1. Гиллан см
    2. Косинский М
    3. Уилан Р
    4. Фелпс EA
    5. Галка ND

    (2016) Характеристика параметра психического симптома, связанного с дефицитом целенаправленного контроля

    eLife 5 :e11305.

    https://doi.org/10.7554/eLife.11305

    • пабмед
    • Google ученый
    1. Хааф JM
    2. Рудер JN

    (2017) Развитие ограничений в байесовских смешанных моделях

    Психологические методы 22 :779–798.

    https://doi.org/10.1037/met0000156

    • пабмед
    • Google ученый
    1. Хиткот А
    2. Коричневый SD
    3. Вагенмейкеры EJ

    (2015)

    An Introduction to Model-Based Cognitive Neuroscience

    25–48, Введение в передовой опыт когнитивного моделирования, An Introduction to Model-Based Cognitive Neuroscience, Springer, 10.1007/978-1-4939-2236-9_2.

    • Google ученый
    1. Хьюс QJM
    2. Охлаждает R
    3. Гельцер М
    4. Фридель Э
    5. Хайнц А
    6. Долан RJ
    7. Даян П

    (2011) Распутывание ролей подхода, активации и валентности в инструментальном и павловском реагировании

    PLOS Вычислительная биология 7 :e1002028.

    https://doi.org/10.1371/journal.pcbi.1002028

    • Google ученый
    1. Хьюс QJM

    (2017)

    Вычислительная психиатрия: математическое моделирование психических заболеваний

    247–271, Байесовские подходы к обучению и принятию решений, Вычислительная психиатрия: математическое моделирование психических заболеваний, Academic Press, 10.1016/b978-0-12-809821-09000 .

    • Google ученый
    1. Джафари С
    2. Риддеринхоф KR
    3. Коллинз ВОЗРАСТ
    4. Кнапен Т
    5. Уолдорп LJ
    6. Фрэнк MJ

    (2019) Межзадачные вклады лобно-базальных ганглиев в торможение реакции и замедление, вызванное конфликтом

    Кора головного мозга 29 : 1969–1983.

    https://doi.org/10.1093/cercor/bhy076

    • пабмед
    • Google ученый
    1. Касс RE
    2. Стропила AE

    (1995) Коэффициенты Байеса

    Журнал Американской статистической ассоциации 90 :773–795.

    https://doi.org/10.1080/01621459.1995.10476572

    • Google ученый
    1. Катахира К

    (2016) Как иерархические модели улучшают точечные оценки параметров модели на индивидуальном уровне

    Journal of Mathematical Psychology 73 :37–58.

    https://doi.org/10.1016/j.jmp.2016.03.007

    • Google ученый
  10. Препринт

    1. Кординг К
    2. Блом G
    3. Шратер P
    4. Кей К

    (2018) Оценка разнообразия целей в вычислительной нейронауке

    Препринты OSF.

    https://osf.io/3vy69/

    • Google ученый
    1. Ли MD

    (2011) Как когнитивное моделирование может извлечь выгоду из иерархических байесовских моделей

    Journal of Mathematical Psychology 55 :1–7.

    https://doi.org/10.1016/j.jmp.2010.08.013

    • Google ученый
  11. Препринт

    1. Ли MD
    2. Крисс AH
    3. Девезер Б
    4. Донкин С
    5. Этц А
    6. Лейте FP
    7. Мацке Д
    8. Рудер JN
    9. Трублад Дж
    10. Белый С

    (2019) Надежное моделирование в когнитивной науке

    PsyArXiv.

    https://psyarxiv.com/dmfhk/

    • Google ученый
  12. Книга

    1. Ли, доктор медицины
    2. Вагенмейкеры EJ

    (2014) Байесовское когнитивное моделирование: практический курс

    Издательство Кембриджского университета.

    https://doi.org/10.1017/CBO978113

    59

    • Google ученый
    1. Ли MD
    2. Уэбб МР

    (2005) Моделирование индивидуальных различий в познании

    Psychonomic Bulletin & Review 12 :605–621.

    https://doi.org/10.3758/BF03196751

    • пабмед
    • Google ученый
    1. Леонг YC
    2. Радулеску А
    3. Даниэль Р
    4. ДеВоскин В
    5. Нив Y

    (2017) Динамическое взаимодействие между обучением с подкреплением и вниманием в многомерных средах

    Нейрон 93 : 451–463.

    https://doi.org/10.1016/j.neuron.2016.12.040

    • Google ученый
    1. Лидер F
    2. Гриффитс TL
    3. М Хьюс QJ
    4. Гудман НД

    (2018) Эмпирические данные ресурсно-рационального закрепления и приспособления

    Psychonomic Bulletin & Review 25 :775–784.

    https://doi.org/10.3758/s13423-017-1288-6

    • пабмед
    • Google ученый
    1. Лорейн ФК
    2. Даулинг NA
    3. Энтикотт PG
    4. Брэдшоу JL
    5. Трублад JS
    6. Стаут JC

    (2014) Стратегические и нестратегические проблемные игроки различаются по принятию решений в условиях риска и неопределенности

    Зависимость 109 :1128–1137.

    https://doi.org/10.1111/add.12494

    • пабмед
    • Google ученый
  13. Книга

    1. Маккей DJ

    (2003)

    Теория информации, логические выводы и алгоритмы обучения

    Издательство Кембриджского университета.

    • Google ученый
    1. Монтегю PR
    2. Даян П
    3. Сейновски TJ

    (1996) Структура мезэнцефальных дофаминовых систем, основанная на прогнозирующем обучении по Хеббиану

    The Journal of Neuroscience 16 : 1936–1947.

    https://doi.org/10.1523/JNEUROSCI.16-05-01936.1996

    • пабмед
    • Google ученый
    1. Море JJ
    2. Соренсен DC

    (1983) Вычисление шага области доверия

    SIAM Journal on Scientific and Statistical Computing 4 :553–572.

    https://doi.org/10.1137/08

    • Google ученый
    1. Нассар MR
    2. Уилсон RC
    3. Хизли Б
    4. Золото JI

    (2010) Примерно байесовская модель дельта-правила объясняет динамику обновления убеждений в меняющейся среде

    Journal of Neuroscience 30 :12366–12378.

    https://doi.org/10.1523/JNEUROSCI.0822-10.2010

    • пабмед
    • Google ученый
    1. Нассар MR
    2. Рамси КМ
    3. Уилсон RC
    4. Парих К
    5. Хизли Б
    6. Золото JI

    (2012) Рациональное регулирование динамики обучения системами возбуждения, связанными со зрачком

    Nature Neuroscience 15 :1040–1046.

    https://doi.org/10.1038/nn.3130

    • пабмед
    • Google ученый
    1. Нассар MR
    2. Хелмерс JC
    3. Фрэнк MJ

    (2018) Разделение на фрагменты как рациональная стратегия сжатия данных с потерями в зрительной рабочей памяти

    Psychological Review 125 : 486–511.

    https://doi.org/10.1037/rev0000101

    • пабмед
    • Google ученый
    1. Нассар MR
    2. Фрэнк MJ

    (2016) Приручение зверя: извлечение обобщаемых знаний из вычислительных моделей познания

    Текущее мнение в области поведенческих наук 11 :49–54.

    https://doi.org/10.1016/j.cobeha.2016.04.003

    • пабмед
    • Google ученый
    1. Наварро DJ

    (2019)

    Между дьяволом и глубоким синим морем: противоречия между научным суждением и выбором статистической модели

    Вычислительный мозг и поведение 2 : 28–34.

    • Google ученый
    1. Нильссон Х
    2. Рискамп J
    3. Вагенмейкеры E-J

    (2011) Иерархическая байесовская оценка параметров для кумулятивной теории перспектив

    Journal of Mathematical Psychology 55 :84–93.

    https://doi.org/10.1016/j.jmp.2010.08.006

    • Google ученый
    1. О’Доэрти JP
    2. Хэмптон А
    3. Ким Х

    (2007) Модель фМРТ и ее применение для поощрения обучения и принятия решений

    Анналы Нью-Йоркской академии наук 1104 : 35–53.

    https://doi.org/10.1196/annals.1390.022

    • пабмед
    • Google ученый
    1. О’Рейли JX
    2. Шуффельген U
    3. Куэлл СФ
    4. Беренс TEJ
    5. Марс РБ
    6. Рашворт MFS

    (2013) Диссоциируемые эффекты неожиданности и обновления модели в теменной и передней поясной коре

    PNAS 110 :E3660–E3669.

    https://doi.org/10.1073/pnas.1305373110

    • Google ученый
    1. Отто AR
    2. Райо СМ
    3. Чианг А
    4. Фелпс EA
    5. Галка ND

    (2013) Объем рабочей памяти защищает обучение на основе моделей от стресса

    PNAS 110 :20941–20946.

    https://doi.org/10.1073/pnas.1312011110

    • пабмед
    • Google ученый
    1. Пальминтери S
    2. Вайарт В
    3. Коехлин Е

    (2017) Важность фальсификации в вычислительном когнитивном моделировании

    Тенденции в области когнитивных наук 21 :425–433.

    https://doi.org/10.1016/j.tics.2017.03.011

    • пабмед
    • Google ученый
  14. Препринт

    1. Пирей П
    2. Дезфули А
    3. Хескес Т
    4. Фрэнк MJ
    5. Галка ND

    (2018) Иерархический байесовский вывод для одновременной подгонки модели и сравнения для групповых исследований

    bioRxiv.

    https://doi.org/10.1101/3

    • Google ученый
    1. Рэтклифф Р

    (1978) Теория восстановления памяти

    Psychological Review 85 :59–108.

    https://doi.org/10.1037/0033-295X.85.2.59

    • Google ученый
    1. Рэтклифф R
    2. Рудер JN

    (1998) Моделирование времени отклика для решений с двумя вариантами ответов

    Психологическая наука 9 :347–356.

    https://doi. org/10.1111/1467-9280.00067

    • Google ученый
    1. Рескорла RA
    2. Вагнер AR

    (1972)

    Теория павловского обусловливания: различия в эффективности подкрепления и отсутствия подкрепления

    Классическое обусловливание II: текущие исследования и теория 2 :64–99.

    • Google ученый
    1. Ригу L
    2. Стефан К.Е.
    3. Фристон KJ
    4. Донизо J

    (2014) Выбор байесовской модели для групповых исследований — пересмотрено

    NeuroImage 84 :971–985.

    https://doi.org/10.1016/j.neuroimage.2013.08.065

    • пабмед
    • Google ученый
    1. Рокер EB

    (1991) Ошибка прогноза и ее оценка для моделей Subset-Selected

    Технометрика 33 :459–468.

    https://doi.org/10.1080/00401706.1991.10484873

    • Google ученый
    1. Самедзима К
    2. Уэда Y
    3. Доя К
    4. Кимура М

    (2005) Представление значений награды за действие в полосатом теле

    Наука 310 :1337–1340.

    https://doi.org/10.1126/science.1115270

    • пабмед
    • Google ученый
    1. Шварц G

    (1978) Оценка размерности модели

    The Annals of Statistics 6 :461–464.

    https://doi.org/10.1214/aos/1176344136

    • Google ученый
    1. Симс CR

    (2018) Эффективное кодирование объясняет универсальный закон обобщения в человеческом восприятии

    Наука 360 :652–656.

    https://doi. org/10.1126/science.aaq1118

    • пабмед
    • Google ученый
    1. Сомервилль LH
    2. Сассе SF
    3. Гаррад МС
    4. Дрисдейл AT
    5. Аби Акар N
    6. Инсел С
    7. Уилсон RC

    (2017) Диаграмма расширения стратегического исследовательского поведения в подростковом возрасте

    Журнал экспериментальной психологии: Общий 146 : 155–164.

    https://doi.org/10.1037/xge0000250

    • Google ученый
    1. Звезды JJ
    2. Рэтклифф R

    (2010) Влияние старения на компромисс между скоростью и точностью: оптимальность границ в диффузионной модели

    Психология и старение 25 :377–390.

    https://doi.org/10.1037/a0018022

    • пабмед
    • Google ученый
    1. Стейверс М
    2. Ли MD
    3. Вагенмейкеры E-J

    (2009) Байесовский анализ принятия человеком решений по проблемам бандитов

    Journal of Mathematical Psychology 53 : 168–179.

    https://doi.org/10.1016/j.jmp.2008.11.002

    • Google ученый
    1. Sunnåker M
    2. Бусетто АГ
    3. Нумминен E
    4. Корандер J
    5. Фолл М
    6. Дессимоз С

    (2013) Приблизительные байесовские вычисления

    PLOS Вычислительная биология 9 :e1002803.

    https://doi.org/10.1371/journal.pcbi.1002803

    • пабмед
    • Google ученый
  15. Книга

    1. Саттон RS
    2. Барто АГ

    (2018)

    Обучение с подкреплением: введение

    MIT Press.

    • Google ученый
    1. Тернер БМ
    2. Форстманн БУ
    3. Вагенмейкеры EJ
    4. Коричневый SD
    5. Седерберг ПБ
    6. Стейверс М

    (2013) Байесовская структура для одновременного моделирования нейронных и поведенческих данных

    НейроИзображение 72 :193–206.

    https://doi.org/10.1016/j.neuroimage.2013.01.048

    • пабмед
    • Google ученый
    1. Тернер БМ
    2. Родригес CA
    3. Норча ТМ
    4. МакКлюр СМ
    5. Стейверс М

    (2016) Почему больше — лучше: одновременное моделирование данных ЭЭГ, фМРТ и поведенческих данных

    NeuroImage 128 :96–115.

    https://doi.org/10.1016/j.neuroimage.2015.12.030

    • пабмед
    • Google ученый
    1. Тернер БМ
    2. Седерберг ПБ

    (2012) Приближенные байесовские вычисления с дифференциальной эволюцией

    Journal of Mathematical Psychology 56 : 375–385.

    https://doi.org/10.1016/j.jmp.2012.06.004

    • Google ученый
    1. ван Равенцвай D
    2. Дутиль G
    3. Вагенмейкеры E-J

    (2011) Разложение когнитивной модели BART: оценка и применение

    Журнал математической психологии 55 : 94–105.

    https://doi.org/10.1016/j.jmp.2010.08.010

    • Google ученый
  16. Книга

    1. Вандекеркхове J
    2. Мацке Д
    3. Вагенмейкеры EJ

    (2015) Сравнение моделей и принцип экономии

    В: Буземейер Дж. Р., Ван З., Таунсенд Дж. Т., Эйдельс А., редакторы. Оксфордский справочник по вычислительной и математической психологии, 300 . Издательство Оксфордского университета. 300319.

    https://doi.org/10.1093/oxfordhb/9780199957996.013.14

    • Google ученый
    1. Вьехо G
    2. Хамасси М
    3. Бровелли А
    4. Жирар Б

    (2015) Моделирование выбора и времени реакции во время произвольного зрительно-моторного обучения посредством координации адаптивной рабочей памяти и обучения с подкреплением

    Границы поведенческой неврологии 9 :225.

    https://doi. org/10.3389/fnbeh.2015.00225

    • пабмед
    • Google ученый
    1. Вагенмейкеры E-J
    2. Лодевикс Т
    3. Куриал Х
    4. Грасман Р

    (2010) Проверка байесовской гипотезы для психологов: руководство по методу Сэвиджа-Дики

    Когнитивная психология 60 : 158–189.

    https://doi.org/10.1016/j.cogpsych.2009.12.001

    • Google ученый
    1. Вагенмейкеры EJ
    2. Фаррелл С

    (2004) Выбор модели AIC с использованием весов akaike

    Psychonomic Bulletin & Review 11 : 192–196.

    https://doi.org/10.3758/BF03206482

    • пабмед
    • Google ученый
    1. Уоррен СМ
    2. Уилсон RC
    3. ван дер Ви, штат Нью-Джерси,
    4. Гилтай EJ
    5. фургон Норден MS
    6. Коэн JD
    7. Ньювенхейс S

    (2017) Влияние атомоксетина на случайное и направленное исследование у человека

    PLOS ONE 12 :e0176034.

    https://doi.org/10.1371/journal.pone.0176034

    • Google ученый
    1. Уоткинс CJCH
    2. Даян П

    (1992) Q-обучение

    Машинное обучение 8 : 279–292.

    https://doi.org/10.1007/BF009

    • Google ученый
    1. Вики ТВ
    2. Софер I
    3. Фрэнк MJ

    (2013) HDDM: иерархическая байесовская оценка модели Drift-Diffusion в Python

    Границы нейроинформатики 7 :14.

    https://doi.org/10.3389/fnif.2013.00014

    • пабмед
    • Google ученый
    1. Уилсон RC
    2. Нассар MR
    3. Золото JI

    (2013) Смесь приближения дельта-правил к байесовскому выводу в задачах с точкой разладки

    PLOS Computational Biology 9 :e1003150.

    https://doi.org/10.1371/journal.pcbi.1003150

    • пабмед
    • Google ученый
    1. Уилсон РЦ
    2. Нив Y

    (2011) Определение актуальности в меняющемся мире

    Границы нейронауки человека 5 :189.

    https://doi.org/10.3389/fnhum.2011.00189

    • пабмед
    • Google ученый
    1. Уилсон RC
    2. Нив Y

    (2015) Необходима ли подгонка модели для фМРТ на основе моделей?

    PLOS Вычислительная биология 11 :e1004237.

    https://doi.org/10.1371/journal.pcbi.1004237

    • пабмед
    • Google ученый
    1. Виммер GE
    2. Ли Дж.К.
    3. Горголевский KJ
    4. Полдрак РА

    (2018) Поощрение за обучение в течение нескольких недель, а не нескольких минут увеличивает нейронное представление ценности в человеческом мозгу

    The Journal of Neuroscience 38 :7649–7666.

    https://doi.org/10.1523/JNEUROSCI.0075-18.2018

    • пабмед
    • Google ученый
    1. Зайковски WK
    2. Коссут М
    3. Уилсон RC

    (2017) Причинная роль правой лобно-полярной коры в направленном, но не случайном исследовании

    eLife 6 :e27430.

    https://doi.org/10.7554/eLife.27430

    • пабмед
    • Google ученый

Статья и информация об авторе

Сведения об авторе

  1. Robert C Wilson
    1. Факультет психологии Аризонского университета, Тусон, США
    2. Программа когнитивных наук, Аризонский университет, Тусон, США
    Внесен в равной степени с
    Энн Дж. Коллинз
    Для корреспонденции
    [email protected]
    Конкурирующие интересы
    Конкурирующие интересы не заявлены «Этот ORCID iD идентифицирует автора этой статьи:» 0000-0002-2963-2971
  2. Anne GE Collins
    1. Факультет психологии, Калифорнийский университет, Беркли, Беркли, США
    2. Институт неврологии Хелен Уиллс, Калифорнийский университет, Беркли, Беркли, США
    Внесен в равной степени с
    Роберт С. Уилсон
    Для корреспонденции
    [email protected]
    Конкурирующие интересы
    Конкурирующие интересы не заявлены «Этот ORCID iD идентифицирует автора этой статьи:» 0000-0003-3751-3662

Финансирование

Национальный институт старения (R56 AG061888)
  • Роберт Уилсон
Национальный научный фонд (1640885)
  • Энн GE Коллинз
Национальный институт психического здоровья (R01 Mh218279)
  • Энн GE Коллинз

Спонсоры не участвовали в разработке исследования, сборе и интерпретации данных или принятии решения о представлении работы для публикации.

Благодарности

Мы благодарны всем членам нашей лаборатории, предоставившим отзывы об этом документе, в частности Бет Барибо, Вайтсанг Кеунг, Саре Мастер, Сэму Макдуглу и Уильяму Райану. Мы благодарны за полезные отзывы рецензентов и редакторов, в том числе от Тима Беренса, Мехди Хамасси, Кена Нормана, Валентина Вьярта и других анонимных рецензентов. Мы также с благодарностью отмечаем вклад многих других в наши предыдущие лаборатории и сотрудничество, с которыми мы узнали многие методы, советы и приемы, представленные здесь. Эта работа была поддержана грантом NIA R56 AG061888, грантом RCW и NSF 1640885 и грантом NIH R01 Mh218279.к АГЕК.

Редактор-рецензент

  1. Тимоти Э. Беренс, Оксфордский университет, Соединенное Королевство

История публикаций

  1. Поступило: 26 июня 2019 г.
  2. Принято: 9 октября 2019 г.
  3. Версия записи опубликована: 26 ноября 2019 г. (версия 1)
  4. Версия записи обновлена: 26 ноября 2019 г. (версия 2)

Авторское право

© 2019, Уилсон и Коллинз

Эта статья распространяется в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование и распространение при условии указания автора и источника.

Метрики

Число цитирований статей, полученное путем опроса самых высоких значений из следующих источников: Crossref, Scopus, PubMed Central.

Ссылки для скачивания

Список ссылок, состоящий из двух частей, для загрузки статьи или частей статьи в различных форматах.

Загрузки (ссылка для скачивания статьи в формате PDF)

  • Статья PDF

Открытые цитаты (ссылки для открытия цитат из этой статьи в различных онлайн-сервисах управления ссылками)

  • Менделей
  • ЧитатьКуб»>

Процитировать эту статью (ссылки для загрузки цитат из этой статьи в форматах, совместимых с различными инструментами управления ссылками)

  1. Роберт Уилсон
  2. Энн GE Коллинз

(2019)

Десять простых правил компьютерного моделирования поведенческих данных

eLife 8 :e49547.

About the Author

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

Related Posts