Використання семантичного диференціала для діагностики змісту мотивації Підготовка та
Для вирішення завдання діагностики змісту різних видів мотивації, у тому числі трудової мотивації співробітників підприємств, традиційна методика семантичного диференціала була модифікована [17]. Попередньо з безлічі шкал, запропонованих Осгудом, було обрано 18 шкал, які з найбільшою вагою входять до факторів цінності, потенції та активності. З метою нівелювати тенденції до певного позиційного стилю відповідей шкали чергуються за приналежністю до факторів і положення полюсів шкал у прямому і зворотному порядку. Оцінки понять за кожним фактором обчислюються усередненням оцінок за кожною з 6 включених до нього шкал.
Заняття та види діяльності («Моя робота», «Моє навчання», «Моя професія», «Заняття бізнесом», «Мій вільний час»),
Потреби та цінності («Моє захоплення», «Цікаве заняття», «Матеріальне благополуччя», «Моя заробітна плата», «Вигода», «Спілкування з людьми», «Особиста незалежність», «Визнання оточуючими», «Моя кар'єра», "Виконання обов'язків", "Творчість", "Досягнення успіху"),
Люди та організації («Я», «Мої друзі», «Моя сім'я», «Співробітники фірми», «Керівництво фірми», «Моя фірма», «Інші фірми»),
Негативні події та переживання («Невдача», «Загроза», «Неприємності», «Хвороба»),
Різні етапи життєвого шляху («Моє минуле», «Моє сьогодення», «Моє майбутнє»).
Методика проводиться у комп'ютерній формі.
Досліджуваному пред'являється така інструкція: «Вам пропонуватимуться поняття, які потрібно оцінювати за допомогою набору шкал. Припустимо, Ви оцінюєте поняття «Моє майбутнє» за допомогою наступної пари прикметників:
«Сумне 1 2 3 4 5 67 Радісне».
Згідно з Вашим уявленням, виберіть цифру від 1 до 7, що найбільш точно відповідає ступеню виразності даної якості для запропонованого поняття. Натисніть клавішу з цією цифрою, після чого з'явиться наступна пара прикметників. Коли Ви оціните це поняття за всіма шкалами, буде пред'явлено таке поняття і т. д. Цей тест призначений для дослідження Ваших уявлень, тому Ваші відповіді не можуть оцінюватися як правильні чи неправильні. Відповідайте так, як вважаєте за потрібне. Якщо Ви помилилися і хочете повернутися до попередньої оцінки, при черговій відповіді натисніть на клавішу «Esc».
Обробка даних методики
Введені в комп'ютер відповіді досліджуваного утворюють матрицю даних, в якій рядки і стовпці є оцінками понять за 18-ма шкалами. Потім матриця шкальних оцінок понять перетворюється на матрицю оцінок понять за трьома чинниками - цінності, потенції та активності.
Люди значно різняться за стилем оцінювання. Одні вважають за краще давати вищі оцінки всім поняттям, інші – нижчі, одні намагаються давати крайні, полярні оцінки, інші – помірніші, центральні. Суб'єктивна точка відліку (нуль) і одиниця виміру (розподіл шкали) можуть відрізнятися не тільки у різних випробуваних, але навіть за різними шкалами і факторами в одного і того ж випробуваного. Іншими словами, кожен випробуваний насправді користується своєю суб'єктивною шкалою, що не збігається з пред'явленою, задаючи цим справжні межі використовуваного семантичного простору. Тому, щоб зрівняти початок координат і ціну розподілу осей, дані нормуються. Нормування - це переклад бальних значень факторних оцінок понять у частки середньоквадратичного відхилення щодо середнього арифметичного. Воноздійснюється за формулою:
де Xi – значення i поняття з даного фактора в балах, M – середнє арифметичне значення всіх понять з цього фактора, – середньоквадратичне відхилення значень щодо цього фактора. Середньоквадратичне або стандартне відхилення, що є мірою мінливості значень фактора, розраховується за формулою:
де Xi - значення i поняття з даного фактора в балах, M - середнє арифметичне значення всіх понять з цього фактора, N - кількість понять.
В результаті нормування початок координат кожного фактора міститься в точку, що відповідає середньому арифметичному всіх понять (центрування), а ціна поділу факторної осі відповідає одиниці стандартного відхилення значень (масштабування). Така індивідуальна стандартизація семантичного простору дозволяє більш ефективно порівнювати результати різних піддослідних. Центрування та масштабування значень дозволяє нівелювати міжіндивідуальні та міжфакторні відмінності в оцінках понять та дає можливість отримати індивідуальну норму чи еталон для вимірювання суб'єктивних значень.
Далі матриця факторних оцінок понять перетворюється на матрицю відстаней між поняттями, що характеризують ступінь суб'єктивної подібності кожного поняття з усіма іншими поняттями. Таким чином, матриця відстаней є математичним виразом структури асоціацій у свідомості людини. Семантична відстань між поняттями обчислюється за такою формулою:
де Dij – евклідова відстань між точками i та j у r-мірному просторі ознак (факторів), k – порядковий номер ознаки (фактора), Xik та Xjk – координати точок i та j за k-виміренням або значення k-ознака (фактора) i та j понять. Чим більшеподібність між поняттями, тим менша відстань між відповідними точками. Матриця подібності між поняттями є квадратну таблицю N*N, симетричну щодо головної діагоналі, оскільки Dij=Dji. Елементи головної діагоналі представлені нульовими значеннями, оскільки Dii = 0. Відстані між поняттями також обчислюються над вигляді умовних бальних оцінок шкали семантичного диференціала, а частках індивідуального розмаху оцінок, що дозволяє ефективніше порівнювати відстані між поняттями в різних піддослідних.
Матриця відстаней містить повну інформацію про структуру асоціацій у свідомості людини. Однак безпосередній аналіз цієї матриці викликає труднощі, пов'язані з її великим обсягом. Тому матриця відстаней між поняттями перетворюється на просту і наочну форму уявлення, що дозволяє скоротити надмірну інформацію з допомогою математичного апарату кластерного аналізу. Кластерний аналіз призначений для об'єднання об'єктів, подібних за багатьма ознаками, у групи або так звані кластери. У основі кластерного аналізу лежать методи автоматичної класифікації, чи «розпізнавання образів без учителя». Свою назву кластерний аналіз отримав від англійського слова "cluster", що означає "гроно". Існує велика кількість алгоритмів кластерного аналізу, які не завжди, на жаль, дають однакові результати. Проста кластеризація дозволяє отримати безліч класів, що не перетинаються, що виключають один одного, ієрархічна кластеризація дає безліч кластерів, включених один в одного у вигляді дерева, об'єднуючи об'єкти в класи при різних рівнях подібності.
Досить простий, ефективний та наочний алгоритм ієрархічного кластерного аналізу полягає у послідовному попарному поєднаннінайбільш подібні об'єкти. Серед матриці відстаней N*N шукається пара найближчих точок. Об'єкти, що відповідають цим точкам, об'єднуються в кластер, причому обидва об'єкти, що увійшли до кластера, виключаються з подальшого аналізу і замінюються одним. Обчислюються координати точки, що відповідає цьому кластеру і розташована точно посередині між двома вихідними точками. Перераховуються відстані між знову отриманим кластером та іншими об'єктами. Таким чином, матриця відстаней зменшується на 1. Потім алгоритм повторюється спочатку. При цьому можуть об'єднуватися як точки, що відповідають окремим об'єктам, так і точки, що представляють кластери об'єктів, що вже об'єдналися. Ця процедура повторюється до того часу, поки залишиться лише один кластер.
Мал. 1. Приклад дендрограми понять
Результати кластерного аналізу можуть бути наочно представлені у вигляді дендрограми, або дерева, де різні гілки відповідають різним об'єктам та кластерам. Послідовне з'єднання гілок виражає поєднання відповідних об'єктів чи кластерів. При цьому чим ближче до вершини з'єднуються між собою гілки, тим більше подібні між собою відповідні цим гілкам кластери. При цьому не виключено, що кластер може складатися з одного-єдиного об'єкта, якщо він дуже відрізняється від решти. Таким чином, результати ієрархічного кластерного аналізу понять у формі дендрограми є графічним уявленням структури їхнього суб'єктивного угруповання у свідомості випробуваного. Переміщаючись від основи дерева до вершини, можна послідовно виділяти групи більш подібних понять. При цьому емпірично встановлено, що поняття, що поєднуються на відстані менше одного стандартного відхилення, є достатньосхожими, і їх можна вважати об'єктами одного кластера.