Надежность тестовых методик. в) социальной фасилитации

В противоположность этому, валидность показывает, измеряетли используемая в данном исследовании методика то показатель точности, для измерения чего она предназначена. Например, при использовании Словарного теста в картинках Пибоди (Peabody Picture Vocabulary Test) ребенку пока-.

Часть 1, Комплексное изучение жизненного пути человека

зывают буклет с картинками. Экспериментатор произносит вслух стимульное сло­во и просит ребенка показать на странице буклета одну из 4-х картинок, изобража­ющую названный предмет и т. д. Это всего лишь тест на понимание слов английско­го языка, предъявляемых в устной форме. Тем не менее исследователи иногда оши­бочно используют его для измерения уровня интеллекта. Излишне говорить, что подобное использование теста является невалидным, то есть необоснованным.

Прямое наблюдение. Возможно, самый распространенный вид измерения, используемый в работе с младенцами и маленькими детьми, - непосредственное наблюдение за поведением ребенка в определенной ситуации. Исследователь мо­жет проследить за тем, как ребенок обращается с игрушкой или реагирует на посто­ронних. Детей можно наблюдать в школьной обстановке, чтобы посмотреть, как они работают вместе над решением какой-то задачи. Чтобы повысить точность и информативность наблюдения, ученые часто пользуются записывающей аппарату­рой, например видеокамерой. Если же требуется провести исследование старших детей, подростков или взрослых, организация прямого наблюдения за их поведени­ем наталкивается на все возрастающие трудности. Подросткам и взрослым не очень-то нравится «выходить на сцену», они предпочитают рассказать исследовате­лям о своих мыслях и чувствах.

Анализ индивидуальных случаев. Этот метод нацелен на изучение индиви­дуальности и может представлять собой глубинные интервью, наблюдение или их сочетание. Для исследований таким методом часто отбирают неординарных людей: это могут быть и нобелевские лауреаты, и психически больные, и оставшиеся в живых узники концлагерей, и талантливые музыканты. Обычно при описании и оценивании их поведения используется неформальный, качественный подход. Ана­лиз случаев может использоваться при разработке новых областей исследования или для более тщательного изучения последовательного взаимодействия множе­ства противоречащих друг другу влияний. Самый ранний пример применения этого метода встречается в «дневниках ребенка», содержащих данные наблюдений за развивающимся малышом. Записи в такого рода дневниках, как правило, ведутся неполно и несистематически, что можно заметить в выдержках из дневника, со­ставленного Муром (Moore, 1896).

5-я неделя: узнал лицо человека.

9-я неделя: узнал грудь, когда увидел ее и лицо матери.

12-я неделя: узнал свою руку.

16-я неделя: узнал свой большой палец и соску.

17-я неделя: узнал шарик с расстояния в несколько футов.

Анализ индивидуальных случаев редко используется в исследованиях возраст­ного развития, поскольку влечет за собой проблемы субъективности и неконтроли­руемых переменных, к тому же он связан с изучением одного конкретного челове­ка. Поэтому установить причинно-следственные связи и сделать обобщения оказы-

Глава 1 Развитие человека перспективы, процессы и методы исследования

вается почти невозможно. В то же время правильно проведенный анализ развития одного человека может стимулировать более строгое исследование вскрытых в нем проблем.

В практических областях, таких как медицина, образование, социальная работа и клиническая психология, анализ индивидуальных случаев - важный инструмент для постановки диагноза и выработки рекомендаций. Краткосрочное исследование с использованием этого метода, например детальный анализ реакций ребенка на военные действия или травму, может оказаться полезным для понимания его пове­дения в дальнейшем. Несмотря на то что к анализу индивидуальных случаев как к инструменту исследования следует относиться с осторожностью, он дает яркую, наглядную, детальную картину изменения целостного индивидуума на фоне его ок­ружения.

Тесты достижений и способностей. Письменные тесты достижений или спо­собностей - широко распространенная форма измерения физических и когнитив­ных аспектов развития. Чтобы приносить пользу, эти тесты должны быть надежны­ми и валидными в том, что касается измерения способностей, для оценки которых они разработаны. Чаще всего это бланковые методики, заполняемые вручную, хотя все большее распространение получают их компьютерные версии.

Методики самоотчета. К методикам самоотчета относятся интервью и запол­няемые самим испытуемым разнообразные формы отчетов и опросников, в которых исследователь задает вопросы с целью выявления мнений и типичных форм поведе­ния опрашиваемого. Иногда испытуемых просят сообщить информацию о себе, о том, каковы они сейчас, в настоящем, или какими они были в прошлом. Иногда их просят поразмышлять над своими утверждениями или намерениями, высказаться по поводу каких-то суждений об их поведении или образе жизни либо оценить себя по набору черт личности. В любом случае предполагается, что они постараются быть по возможности честными и объективными. Иногда такие методики включают в себя «шкалу лжи», содержащую повторяющиеся в несколько измененной форме вопросы основной части опросника и предназначенную для оценки искренности респондента. Несмотря на такой контроль, данные, получаемые с помощью мето­дик самоотчета, могут ограничиваться тем, что захочет сообщить респондент, или тем, что он сочтет приемлемым для исследователя.

Несмотря на широкое использование интервью и опросников в исследованиях подростков и взрослых, эти методики требуют существенной адаптации при работе с детьми. В одном таком исследовании ученым потребовалось выяснить представ­ления детей о самих себе и своих семьях. Была использована техника самоотчета, известная под названием интерактивный диалог. Один из таких диалогов был по­священ вопросу «На кого похож я и на кого похожи члены моей семьи». Исследова­тель заготавливал к интервью набор карточек с сюжетными картинками. Отвечая на вопросы, дети раскладывали карточки на две группы, указывая тем самым на сходство или отличие ситуаций, изображенных на картинках, с отношениями в их семье (Reid, Ramey, & Burchinal, 1990).

Часть 1. Комплексное изучение жизненного пути человека

Проективные методики. Иногда исследователь вообще не задает прямых вопросов. В проективных тестах испытуемым предлагаются картинка, задача или ситуация, несущие в себе элемент неопределенности, а они должны рассказать ис­торию, объяснить, что нарисовано, или найти выход из ситуации. Поскольку исход­ная задача, в силу своей неопределенности, такова, что правильных или неправиль­ных ответов быть не может, предполагается, что в этом случае люди будут проеци­ровать на эту ситуацию свои собственные чувства, установки, тревоги и потребности. Вероятно, самой известной проективной методикой является тест «чернильных пя­тен» Роршаха. Другим примером может служить тест тематической апперцепции (ТАТ), при проведении которого испытуемого просят придумывать небольшие ис­тории по мере предъявления серии картин довольно неопределенного содержания. Затем тестирующий анализирует темы, содержащиеся во всех придуманных испы­туемым историях.

Широко используются и такие проективные методики, как тест словесных ассо­циаций и тест незаконченных предложений. Испытуемых могут попросить закон­чить фразу типа: «Мой папа всегда...» Им могут показать набор картинок и предло­жить рассказать, что тут нарисовано, выразить свое отношение к изображенному, проанализировать рисунки или расположить их в таком порядке, чтобы получился связный рассказ. Так, в одном исследовании 4-летние дети участвовали в игре под названием «Медвежий пикник». Экспериментатор рассказывал несколько историй о семье плюшевых медвежат. Затем ребенку давали в руки одного медвежонка («это будет твой медвежонок») и предлагали закончить рассказ (Mueller, & Lucas, 1975).

Интерпретация данных

После того как данные собраны, для исследователя наступает время интерпре­тировать их и проверить, насколько они подтверждают выдвинутую им ранее гипо­тезу. Мы не всегда интерпретируем одни и те же события одинаково. (Три свидете­ля ограбления или три участника одного и того же эксперимента могут представить три разные версии происшедшего.) В научном исследовании развития ребенка не­обходимо использовать надежные, воспроизводимые и непротиворечивые методи­ки анализа, которые приводят к одинаковым выводам, иначе прогресс и расширение знаний в этой области науки станут невозможными. Выполнение этой задачи начи­нается с понимания того, что точной интерпретации данных могут помешать самые различные обстоятельства.

Серьезная проблема возникает в связи с предвзятостью наблюдателя - прису­щей всем нам склонности видеть то, что мы ожидаем или хотим увидеть. (Это и называется субъективностью.) Мы либо не замечаем, либо отказываемся пове­рить во все то, что противоречит существующим у нас предпосылкам. Происходит ли это из-за принадлежности к определенному культурному слою с его традициями, предрассудками, стереотипами или вследствие недостатка опыта, - в любом слу­чае предвзятость приводит к ошибочным выводам. Исследователь, который наблю­дает, например, за ростом спортивного мастерства у женщин, занимающихся тяже­лой атлетикой, может быть изначально необъективен, полагая, что женщины либо

Глава 1. Развитие человека: перспективы, процессы и методы исследования

не могут, либо не должны заниматься этим видом спорта. Другой пример: амери­канский исследователь может заключить, что финны крайне недружелюбны и избе­гают знакомств, тогда как на самом деле это следствие застенчивости и самоуглуб­ленности, берущей начало в традициях иной культуры.

Точной интерпретации фактов может помешать и невосприимчивость. Наблю­дая изо дня в день одно и то же, мы можем настолько привыкнуть к происходящему, что становимся неспособны осознать его значение. Например, по тому, за какой партой в классе сидит тот или иной ученик, мы, при желании, можем определить, как относятся к нему одноклассники, лидер он или изгой, к какой компании или группе он принадлежит. Но если мы видим этих детей в классе несколько дней в неделю, мы можем проглядеть эту легкодоступную информацию. Другим, не менее показательным примером может служить наша неспособность уловить признаки дистресса у самых близких нам людей.

*Надежность и валидность теста - это характеристики соответствия исследования формальным критериям, определяющим качество и пригодность к применению на практике.

Что такое надежность

В ходе проверки надежности теста проводится оценка постоянства полученных результатов при повторном проведении испытания. Расхождения данных должны отсутствовать или же быть незначительными. В противном случае невозможно относиться к результатам теста с доверием.

Надежность теста - это критерий, который свидетельствует о Существенными считаются следующие свойства тестов:

• воспроизводимость результатов, полученных по итогам исследования;
• степень точности или соответствующих приборов;
• устойчивость результатов на протяжении определенного периода времени.

В трактовке надежности можно выделить следующие основные составляющие:

• надежность измерительного инструмента (а именно грамотности и объективности тестового задания), которая может быть оценена путем расчета соответствующего коэффициента;
• стабильность изучаемого признака на протяжении длительного периода времени, а также предсказуемость и плавность его колебаний;
• объективность результата (то есть его независимость от личных предпочтений исследователя).

Факторы надежности

На степень надежности может повлиять целый ряд негативных факторов, наиболее существенными из которых являются следующие:

• несовершенство методики (неверная или неточная инструкция, нечеткая формулировка заданий);
• временная нестабильность или постоянные колебания значений показателя, который подвергается исследованию;
• несоответствие обстановки, в которой проводятся первоначальные и повторные исследования;
• меняющееся поведение исследователя, а также нестабильность состояния испытуемого;
• субъективный подход при оценке результатов теста.

Способы оценки надежности теста

При определении надежности теста могут быть использованы следующие методики.

Метод повторного тестирования является одним из самых распространенных. Он позволяет установить степень корреляции между результатами исследований, а также временем, в которое они были проведены. Данная методика отличается простотой и эффективностью. Тем не менее у испытуемых, как правило, повторные исследования вызывают раздражение и негативные реакции.

• конструктивная валидность теста - это критерий, применяемый при оценке теста, имеющего иерархическую структуру (используется в процессе исследования сложных психологических явлений);
• валидность по критерию подразумевает сопоставление результатов тестирования с уровнем развития у испытуемого той или иной психологической характеристики;
• валидность по содержанию определяет соответствие методики изучаемому явлению, а также круг параметров, которые она охватывает;
• прогностическая валидность - это который позволяет оценить перспективное развитие параметра.

Типы критериев валидности

Валидность теста - это один из показателей, который позволяет оценить адекватность и пригодность методики для изучения того или иного явления. Можно выделить четыре основных критерия, которые могут повлиять на нее:

• критерий исполнителя (речь идет о квалификации и опыте исследователя);
• субъективные критерии (отношение испытуемого к тому или иному явлению, что отражается на конечном результате теста);
• физиологические критерии (состояние здоровья, усталость и прочие характеристики, которые могут оказать существенное влияние на конечный результат тестирования);
• критерий случайностей (имеет место в определении вероятности наступления того или иного события).

Критерий валидности представляет собой независимый источник данных о том или ином явлении (психологическом свойстве), исследование которого проводится посредством тестирования. До тех пор, пока не будет проведена проверка полученных результатов на соответствие критерию, о валидности судить нельзя.

Основные требования к критериям

Внешние критерии, которые влияют на показатель валидности теста, должны отвечать следующим основным требованиям:

• соответствие именно той сфере, в которой проводится исследование, релевантность, а также смысловая связь с диагностической моделью;
• отсутствие каких-либо помех или резких разрывов в выборке (суть состоит в том, что все участники эксперимента должны соответствовать заранее установленным параметрам и находиться в схожих условиях);
• исследуемый параметр должен быть надежным, постоянным и не подвергаться резким перепадам.

Способы установления валидности

Проверка валидности тестов может осуществляться несколькими способами.

Оценка очевидной валидности подразумевает проверку соответствия теста его предназначению.

Оценка конструктивной валидности проводится в том случае, когда для изучения определенного сложного показателя проводится ряд экспериментов. Она включает в себя:

• конвергентную валидизацию - проверку взаимосвязи оценок, полученных с использованием различных комплексных методик;
• дивергентную валидизацию, которая состоит в том, чтобы методика не подразумевала оценки посторонних показателей, не касающихся основного исследования.

Оценка прогностической валидности подразумевает установление возможности предвидения перспективного колебания изучаемого показателя.

Выводы

Валидность и надежность тестов - это взаимодополняемые показатели, которые дают наиболее полную оценку справедливости и значимости результатов исследований. Зачастую они определяются одновременно.

Надежность показывает, насколько результатам теста можно доверять. Имеется в виду их постоянство при каждом повторном проведении аналогичного испытания с одними и теми же участниками. Низкая степень надежности может говорить о намеренном искажении или безответственном подходе.

Понятие валидности теста связано с качественной стороной эксперимента. Речь идет о том, соответствует ли выбранный инструмент оценке того или иного психологического явления. Здесь могут быть применены как качественные показатели (теоретическая оценка), так и количественные (расчет соответствующих коэффициентов).

Группа таких тестов позволяет оценить уровень овладения каким-либо видом деятельности. В основе тестов достижений лежат разные представления и модели интеллекта и деятельности.

Одной из широкоупотребляемых моделей интеллекта, на которой могут базироваться тесты достижений, является модель Дж. Гилфорда. В основе его модели лежат три переменные: операции, содержание и результаты мышления.

Психометрические основы психодиагностики.

Показатели качества психологического обследования.

Любое психологическое исследование или диагностика может производиться хорошо или плохо по разным причинам. Для оценки качества диагностических процедур используется ряд показателей:

Валидность

Достоверность

Надежность

Репрезентативность

Валидность – это характеристика степени, в которой тест измеряет то, для чего он предназначен. Например, если тест ориентирован на измерение психической устойчивости военнослужащего, то он должен измерять только эту переменную и никакую другую. На 100% это требование реализовать не всегда удается, но необходимо стремиться к этому. Существует различные виды и способы определения валидности. Одним из наиболее употребительных способов установления валидности является сравнение показателей по психологическому тесту с экспертными оценками данного качества (или качеств) у испытуемых.

Достоверность - устойчивость измерительной процедуры. Она отличается от валидности в ситуациях, когда испытуемый пытается намеренно исказить ответ или измеряемая характеристика линейно связана с какой-либо иной характеристикой. Для повышения достоверности используется различные приемы типа: введение дополнительных шкал (лжи. коррекции); построение вопросов из супервопросов (сочетание обычных вопросов о поведении иди предпочтениях); использование признаков, независимых от диагноза и др.

Надежность оценивает согласованность показателей, полученных на тех же самых испытуемых при повторном тестировании тем же самым тестом или эквивалентной его формой. Другими словами, тест должен воспроизводить через определенное время один и тот же результат на фиксированной выборке испытуемых при условии, что за это время, согласно теоретическим представлениям, данная характеристика значимо не изменяется.

Существует три основных метода оценки надежности:

Повторное тестирование (ретестовая надежность);

Параллельное тестирование (эквивалентная надежность);

Расщепление (согласованность).

В первом случае проводится повторное тестирование тем же тестом одних и тех же испытуемых. Во втором – используются две эквивалентные формы теста. Для оценки согласованности тест расщепляется на две части и проводится обследование одной группы двумя частями теста.

Валидность и надежность соотносятся между собой как предмет и объект измерения.

Если надежность – это показатель устойчивости процедуры относительно объектов измерения, то валидность – характеристика устойчивости результатов измерения свойств объектов, т.е. устойчивость относительно предмета измерения. Измерительная процедура надежна, если она отличает что-то от чего-то, но неизвестно, что именно различается.

Достоверность – это устойчивость измерительной процедуры, в частности, к фальсификации, т.е. намеренному искажению.

Репрезентативность – способность выборки испытуемых быть представительной, т.е. достаточно точно (адекватно)отражать характеристики того контингента испытуемых, которых обследуется. Если вы имеете тестовые нормы, полученные на старшеклассниках, то их нельзя применять для оценки (например, личностных особенностей) взрослых людей, т.е. перед применением теста необходимо знать следующие моменты:

Надежность данной методики

Ее репрезентативность

Ее валидность

Ее достоверность

Адаптирована ли методика к особенностям менталитета нашего общества?

Пользователь теста за изучение данных, подтверждающих валидность, надежность, репрезентативность, за понимание и оценивание возможности применения теста в своем исследовании. В случае, если условия стандартизации и проверки на валидность и надежность теста отличаются от тех условий, в которых работает пользователь, то на пользователя лежит обязанность провести дополнительное исследования валидности теста для собственного использования, либо отказаться от его применения

Прежде чем психодиагностические методики могут быть использованы для практических целей, они должны пройти проверку по ряду формальных критериев, доказывающих их высокое качество и эффективность. Эти требования в психодиагностике складывались годами в процессе работы над тестами и над их совершенствованием. В результате появилась возможность оградить психологию от всевозможных безграмотных подделок, претендующих на то, чтобы называться диагностическими методиками.

К числу основных критериев оценки психодиагностических методик относится надежность и валидность. Большой вклад в разработку этих понятии внесли зарубежные психологи (А. Анастази, Е. Гизелли, Дж. Гилфорд, Л. Кронбах, Р. Торндайк и Е. Хаген и др.). Ими были разработаны как формально-логический, так и математико-статистический аппарат (прежде всего корреляционный метод и фактический анализ) обоснования степени соответствия методик отмеченным критериям.

В психодиагностике проблемы надежности и валидности методик тесно взаимосвязаны, тем не менее существует традиция раздельного изложения этих важнейших характеристик. Следуя ей, начнем с рассмотрения надежности методик.

НАДЕЖНОСТЬ

В традиционной тестологии термин "надежность" означает относительное постоянство, устойчивость, согласованность результатов теста при первичном и повторном его применении на одних и тех же испытуемых. Как пишет А.Анастази (1982), вряд ли можно с доверием относиться к тесту интеллекта, если по нему в начале недели ребенок имел показатель, равный НО, а к концу 80. Повторное применение надежных методик дает сходные оценки. При этом в определенной мере могут совпадать как сами результаты, так и порядковое место (ранг), занимаемое испытуемым в группе. И в том, и в другом случае при повторении опыта возможны некоторые расхождения, но важно, чтобы они были незначительными, в пределах одной группы. Таким образом, можно сказать, что надежность методики - это такой критерий, который говорит о точности психологических измерений, т.е. позволяет судить о том, насколько внушают доверие полученные результаты.

Степень надежности методик зависит от многих причин. Поэтому важной проблемой практической диагностики является выяснение негативных факторов, влияющих на точность измерений. Многие авторы пытались составить классификацию таких факторов. Среди них наиболее часто называются следующие:

1) нестабильность диагностируемого свойства;

несовершенство диагностических методик (небрежно составлена инструкция, задания по своему характеру разнородны, нечетко сформулированы указания по предъявлению методики испытуемым и т.д.);

меняющаяся ситуация обследования (разное время дня, когда проводятся эксперименты, разная освещенность помещения, наличие или отсутствие посторонних шумов и т.д.);

различия в манере поведения экспериментатора (от опыта к опыту по-разному предъявляет инструкции, по-разному стимулирует выполнение заданий и т.д.);

колебания в функциональном состоянии испытуемого (в одном эксперименте отмечается хорошее самочувствие, в другом - утомление и т.д.);

элементы субъективности в способах оценки и интерпретации результатов (когда ведется протоколирование ответов испытуемых, оцениваются ответы по степени полноты, оригинальности и т.п.).

Если все эти факторы иметь в виду и постараться в каждом из них устранить условия, снижающие точность измерений, то можно добиться приемлемого уровня надежности теста. Одним из важнейших средств повышения надежности психодиагностической методики является единообразие процедуры обследования, его строгая регламентация: одинаковые для обследуемой выборки испытуемых обстановка и условия работы, однотипный характер инструкций, одинаковые для всех временные ограничения, способы и особенности контакта с испытуемыми, порядок предъявления заданий и т.д. При такой стандартизации процедуры исследования можно существенно уменьшить влияние посторонних случайных факторов на результаты теста и таким образом повысить их надежность.

На характеристику надежности методик большое влияние оказывает исследуемая выборка. Она может как снижать, так и завышать этот показатель, например, надежность может быть искусственно завышена, если в выборке небольшой разброс результатов, т.е. если результаты по своим значениям близки друг к другу. В этом случае при повторном обследовании новые результаты также расположатся тесной группой. Возможные изменения ранговых мест испытуемых будут незначительными, и, следовательно, надежность методики будет высокой. Такое же неоправданное завышение надежности может возникнуть при анализе результатов выборки, состоящей из группы, имеющей очень высокие результаты, и из группы с очень низкими оценками по тесту. Тогда эти далеко отстоящие друг от друга результаты не будут перекрываться, даже если и вмешаются в условия эксперимента случайные факторы. Поэтому в руководстве обычно делается описание выборки, на которой определялась надежность методики.

В настоящее время надежность все чаще определяется на наиболее однородных выборках, т.е. на выборках, схожих по полу, возрасту, уровню образования, профессиональной подготовке и т.п. Для каждой такой выборки приводятся свои коэффициенты надежности. Приводимый показатель надежности применим только к группам, подобным тем, на которых он определялся. Если методика применяется к выборке, отличающейся от той, на которой проверялась ее надежность, то эта процедура должна быть проведена заново.

много, как и условий, влияющих на результаты диагностических испытаний (В Черны, 1983) Однако практическое применение находят лишь несколько видов надежности

Так как все виды надежности отражают степень согласованности двух независимо полученных рядов показателей, то математико-статистический прием, с помощью которого устанавливается надежность методики, - это корреляции (по Пирсону или Спирмену, см гл. XIV). Надежность тем выше, чем больше полученный коэффициент корреляции приближается к единице, и наоборот.

В данном пособии при описании видов надежности основной упор делается на работы К.М Гуревича (1969, 1975, 1977, 1979), который, проведя тщательный анализ зарубежной литературы по этой проблеме, предложил толковать надежность как:

надежность самого измерительного инструмента,

стабильность изучаемого признака;

3) константность, т.е. относительную независимость результатов от личности экспериментатора

Показатель, характеризующий измерительный инструмент, предлагается называть коэффициентом надежности, показатель, характеризующий стабильность измеряемого свойства, - коэффициентом стабильности; а показатель оценки влияния личности экспериментатора - коэффициентом константности.

Именно в таком порядке рекомендуется осуществлять проверку методики: целесообразно сначала проверить инструмент измерения. Если полученные данные удовлетворительны, то можно переходить к установлению меры стабильности измеряемого свойства, а уже после этого при необходимости заняться критерием константности.

Остановимся на более подробном рассмотрении этих показателей, характеризующих с разных сторон надежность психодиагностической методики.

1. Определение надежности измерительного инструмента. От того, как составлена методика, насколько правильно подобраны задания с точки зрения их взаимосогласованности, насколько она однородна, зависит точность, объективность любого психологического измерения. Внутренняя однородность методики показывает, что ее задания актуализируют одно и то же свойство, признак.

Для проверки надежности измерительного инструмента, говорящего о его однородности (или гомогенности), используется так называемый метод "расщепления". Обычно задания делятся на четные и нечетные, отдельно обрабатываются, а затем результаты двух полученных рядов коррелируются между собой. Для применения этого способа нужно поставить испытуемых в такие условия, чтобы они смогли успеть решить (или попытаться решить) все задания. Если методика однородна, то большой разницы в успешности решения по таким половинкам не будет, и, следовательно, коэффициент корреляции будет достаточно высоким.

Можно делить задания и другим путем, например сопоставить первую половину теста со второй, первую и третью четверть - со второй и четвертой и т п. Однако "расщепление" на четные и нечетные задания представляется наиболее целесообразным, поскольку именно этот способ наиболее независим от влияния таких факторов, как врабатываемость, тренировка, утомление и пр.

Методика признается надежной, когда полученный коэффициент не ниже 0,75-0,85. Лучшие по надежности тесты дают коэффициенты порядка 0,90 и более.

Но на начальном этапе разработки диагностической методики можно получить невысокие коэффициенты надежности, например, порядка 0,46-0,50. Это означает, что в разрабатываемой методике присутствует некоторое число заданий, которые в силу своей специфичности ведут к снижению коэффициента корреляции. Такие задания необходимо специально проанализировать и либо переделать их, либо вообще изъять.

Чтобы легче было установить, за счет каких заданий снижаются коэффициенты корреляции, необходимо проанализировать таблицы с выписанными данными, подготовленными для корреляций. Следует отметить, что любые изменения в содержании методики - изъятие заданий, их перестановка, переформулировка вопросов или ответов требует заново высчитывать коэффициенты надежности.

При ознакомлении с коэффициентами надежности не следует забывать, что они зависят не только от правильного подбора заданий с точки зрения их взаимосогласованности, но и от социально-психологической однородности той выборки, на которой проверялась надежность измерительного инструмента.

В самом деле, в заданиях могут встретиться понятия, малоизвестные одной части испытуемых, но хорошо известные другой части. От того, как много в методике таких понятий, будет зависеть и коэффициент надежности, задания с такими понятиями могут случайно расположиться и в четной и в нечетной половине теста. Очевидно, показатель надежности не следует приписывать только методике как таковой и нельзя уповать на то, что он будет неизменным, с какой бы выборкой ни проводилось тестирование.

2. Определение стабильности изучаемого признака. Определить надежность самой методики - это не значит решить все вопросы, связанные с ее применением. Нужно еще установить, насколько устойчив, стабилен признак, который исследователь намерен измерять. Было бы методологической ошибкой рассчитывать на абсолютную стабильность психологических признаков. В том, что измеряемый признак со временем меняется, нет ничего опасного для надежности. Все дело в том, в каких пределах варьируются результаты от опыта к опыту у одного и того же испытуемого, не приводят ли эти колебания к тому, что испытуемый по непонятным причинам оказывается то в начале, то в середине, то в конце выборки. Сделать какие-то конкретные выводы об уровне представленное измеряемого признака у такого испытуемого нельзя. Таким образом, колебания признака не должны иметь непредсказуемого характера. Если не ясны причины резких колебаний, то такой признак не может быть использован в диагностических целях.

Для проверки стабильности диагностируемого признака, свойства используется прием, известный как тест - ретест. Он заключается в повторном обследовании испытуемых с помощью той же методики. О стабильности признака судят по коэффициенту корреляции между результатами первого и повторного обследования. Он будет свидетельствовать о сохранении или несохранении каждым испытуемым своего порядкового номера в выборке.

На степень устойчивости, стабильности диагностируемого свойства влияют разнообразные факторы. Число их достаточно велико. Выше уже говорилось о том, как важно соблюдать требования единообразия процедуры проведения эксперимента. Так, например, если первое тестирование проводилось в утренние часы, то и повторное

должно быть проведено утром, если первый опыт сопровождался предварительным показом заданий, то и при повторном испытании это условие также должно быть соблюдено и т.д.

При определении стабильности признака большое значение имеет промежуток времени между первым и повторным обследованием. Чем короче срок от первого до второго испытания, тем (при прочих равных условиях) больше шансов, что диагностируемый признак сохранит уровень первого испытания. С увеличением временного интервала стабильность признака имеет тенденцию снижаться, так как возрастает число посторонних факторов, влияющих на нее. Следовательно, напрашивается вывод, что целесообразно проводить повторное тестирование через короткий срок после первого. Однако тут есть свои сложности если срок между первым и вторым опытом небольшой, то некоторые испытуемые могут воспроизвести свои прежние ответы в памяти и, таким образом, отойдут от смысла выполнения заданий. В этом случае результаты двух предъявлении методики уже нельзя рассматривать как независимые.

Трудно четко ответить на вопрос, какой срок можно считать оптимальным для повторного эксперимента. Только исследователь, исходя из психологической сущности методики, условий, в которых она проводится, особенностей выборки испытуемых, может определить этот срок. При этом такой выбор должен быть научно обоснован. В тестологической литературе наиболее часто называются временные интервалы в несколько месяцев (но не более полугода.) При обследовании детей младшего возраста, когда возрастные изменения и развитие происходят очень быстро, эти интервалы могут быть порядка нескольких недель (А Анастази, 1982).

Важно помнить, что коэффициент стабильности не следует рассматривать только с его узко формальной стороны, по его абсолютным значениям. Если тест исследует свойство, которое в период тестирования находится в процессе интенсивного развития (например, умение проводить обобщения), то коэффициент стабильности, может оказаться невысоким, но это не следует истолковывать как недостаток теста Такой коэффициент стабильности должен интерпретироваться как показатель определенных изменений, развития исследуемого свойства. В этом случае, например, КМ Гуревич (1975) рекомендует рассмотреть по частям ту выборку, на которой устанавливался коэффициент стабильности. При таком рассмотрении выделится часть испытуемых, проходящих путь развития в одинаково ровном темпе, другая часть - где развитие шло особенно быстрыми темпами; и часть выборки, где развитие у испытуемых практически совсем нельзя заметить. Каждая часть выборки заслуживает специального анализа и истолкования. Следовательно, недостаточно просто констатировать, что коэффициент стабильности низкий, нужно понять, от чего это зависит.

Совсем другое требование предъявляется к коэффициенту стабильности, если автор методики считает, что измеряемое свойство уже сформировано и должно быть достаточно устойчивым. Коэффициент стабильности в этом случае должен быть достаточно высоким (не ниже 0,80).

Таким образом, вопрос о стабильности измеряемого свойства решается не всегда однозначно. Решение зависит от сущности самого диагностируемого свойства.

3. Определение константности, т е относительной независимости результатов от личности экспериментатора. Поскольку методика, разработанная для диагностических

целей, не предназначена для того, чтобы вечно оставаться в руках своих создателей, крайне важно знать, в какой мере ее результаты поддаются влиянию личности экспериментатора. Хотя диагностическая методика всегда снабжается подробными инструкциями по ее применению, правилами и примерами, указывающими, как проводить эксперимент, регламентировать манеру поведения экспериментатора, скорость его речи, тон голоса, паузы, выражение лица очень трудно. Испытуемый в своем отношении к опыту всегда отразит то, как сам экспериментатор к этому опыту относится (допускает небрежность или действует точно в соответствии с требованиями процедуры, проявляет требовательность, настойчивость или бесконтрольность и т.п).

Особенно существенную роль личность экспериментатора играет при проведении так называемых недетерминированных методик (например, в проективных тестах).

Хотя в тестологической практике критерием константности пользуются нечасто, однако, по мнению КМ Гуревича (1969), это не может служить основанием для его недооценки. Если у авторов методики возникают подозрения по поводу возможного влияния личности экспериментатора на исход диагностической процедуры, то целесообразно проверить методику по этому критерию. При этом важно иметь в виду следующий момент. Если под воздействием нового экспериментатора все испытуемые в одинаковой степени стали работать немного лучше или немного хуже, то сам по себе этот факт (хотя и заслуживает внимания) на надежность методики не окажет влияния. Надежность изменится лишь тогда, когда воздействие экспериментатора на испытуемых различно: одни стали работать лучше, другие хуже, а третьи так же, как и при первом экспериментаторе. Другими словами, если испытуемые при новом экспериментаторе изменили свои порядковые места в выборке.

Коэффициент константности определяется путем корреляции результатов двух опытов, проведенных в относительно одинаковых условиях на одной и той же выборке испытуемых, но разными экспериментаторами. Коэффициент корреляции не должен быть ниже 0,80.

Итак, были рассмотрены три показателя надежности психодиагностических методик. Может возникнуть вопрос, нужно ли при создании психодиагностических методик осуществлять проверку каждого из них? В зарубежной литературе идет дискуссия по этому поводу. Одни исследователи считают, что все способы определения надежности теста в какой-то мере идентичны и поэтому достаточно проверить надежность методики каким-нибудь одним из них. Например, автор неоднократно переиздававшейся в США книги по статистике для психологов и педагогов Г. Гэррет (1962) не находит принципиальных различий между способами проверки надежности. По его мнению, все эти способы показывают воспроизводимость тестовых показателей. Иногда тот, иногда другой обеспечивает лучший критерий. Другие исследователи придерживаются иной точки зрения. Так, авторы "Стандартных требований к педагогическим и психологическим тестам" (1974) в главе "Надежность" отмечают, что коэффициент надежности в современном понимании - это родовое понятие, включающее в себя несколько видов, и каждый вид имеет свой особый смысл. Разделяет эту точку зрения и К.М. Гуревич (1975). По его мнению, когда говорят о разных способах определения надежности, то имеют дело не с лучшей или худшей мерой, а с мерами разной по существу надежности. В самом деле, чего стоит методика, если не ясно, надежна ли она сама по себе как измерительный инструмент или не установлена стабильность измеряемого свойства? Чего стоит диагностическая методика, если

неизвестно, могут ли изменяться результаты в зависимости от того, кто ведет эксперимент? Каждый в отдельности показатель никак не заменит других способов проверки и, следовательно, не может рассматриваться в качестве необходимой и достаточной характеристики надежности. Только методика, располагающая полной характеристикой надежности, наиболее пригодна для диагностико-практического применения.

ВАЛИДНОСТЬ

Другим после надежности ключевым критерием оценки качества методик является валидность. Вопрос о валидности методик решается лишь после того, как установлена достаточная ее надежность, поскольку ненадежная методика без знания ее валидности является практически бесполезной.

Следует заметить, что вопрос о валидности до последнего времени представляется одним из самых сложных. Наиболее укоренившимся определением этого понятия является то, которое приведено в книге А. Анастази: "Валидность теста - понятие, указывающее нам, что тест измеряет и насколько хорошо он это делает" (1982. С. 126). Валидность по своей сути - это комплексная характеристика, включающая, с одной стороны, сведения о том, пригодна ли методика для измерения того, для чего она была создана, а с другой стороны, какова ее действенность, эффективность. По этой причине не существует какого-то единого универсального подхода к определению валидности. В зависимости от того, какую сторону валидности хочет рассмотреть исследователь, используются и разные способы доказательства. Другими словами, понятие валидности включает в себя разные ее виды, имеющие свой особый смысл. Проверка валидности методики называется валидизациеи.

Валидность в первом ее понимании имеет отношение к самой методике, т.е это валидность измерительного инструмента. Такая проверка называется теоретической валидизациеи. Валидность во втором понимании уже относится не столько к методике, сколько к цели ее использования. Это прагматическая валидизация.

Итак, при теоретической валидизации исследователя интересует само свойство, измеряемое методикой. Это, по существу, означает, что проводится собственно психологическая валидизация. При прагматической валидизации суть предмета измерения (психологического свойства) оказывается вне поля зрения. Главный акцент сделан на то, чтобы доказать, что "нечто", измеряемое методикой, имеет связь с определенными областями практики.

Провести теоретическую валидизацию, в отличие от прагматической, порой оказывается значительно труднее. Не вдаваясь пока в конкретные детали, остановимся в общих чертах на том, как проверяется прагматическая валидность: выбирается какой-нибудь независимый от методики внешний критерий, определяющий успех в той или иной деятельности (учебной, профессиональной и т.п.), и с ним сравниваются результаты диагностической методики. Если связь между ними признается удовлетворительной, то делается вывод о практической эффективности, действенности диагностической методики.

Для определения теоретической валидности найти какой-либо независимый критерий, лежащий вне методики, гораздо труднее. Поэтому на ранних стадиях развития тестологии, когда концепция валидности только складывалась, бытовало интуитивное представление о том, что тест измеряет:

1) методика признавалась валидной, так как то, что она измеряет, просто "очевидно";

доказательство валидности основывалось на уверенности исследователя в том, что его метод позволяет "понять испытуемого";

методика рассматривалась как валидная (т.е. принималось утверждение, что такой-то тест измеряет такое-то качество) только потому, что теория, на основании которой строилась методика, "очень хорошая".

Принятие на веру голословных утверждений о валидности методики не могло продолжаться длительное время. Первые проявления действительно научной критики развенчали такой подход: начались поиски научно обоснованных доказательств.

Как уже говорилось, провести теоретическую валидизацию методики - это показать, действительно ли методика измеряет именно то свойство, качество, которое она, по замыслу исследователя, должна измерять. Так, например, если какой-то тест разрабатывался для того, чтобы диагностировать умственное развитие школьников, надо проанализировать, действительно ли он измеряет именно это развитие, а не какие-то другие особенности (например, личность, характер и т.п.). Таким образом, для теоретической валиди-зации кардинальной проблемой является отношение между психическими явлениями и их показателями, посредством которых эти психические явления пытаются познать. Она показывает, что замысел автора и результаты методики совпадают.

Не столь сложно осуществить теоретическую валидизацию новой методики, если для измерения данного свойства уже имеется методика с известной, доказанной валидностью. Наличие корреляции между новой и аналогичной старой методиками указывает на то, что разработанная методика измеряет то же психологическое качество, что и эталонная. И если новый метод одновременно оказывается более компактным и экономичным в проведении и обработке результатов, то психодиагносты получают возможность использовать новый инструмент вместо старого. Такой прием особенно часто используется в дифференциальной психофизиологии при создании методик диагностики основных свойств нервной системы человека (см. гл. VII).

Но теоретическая валидность доказывается не только путем сопоставления с родственными показателями, а также и с теми, где исходя из гипотезы значимых связей не должно быть. Таким образом, для проверки теоретической валидности важно, с одной стороны, установить степень связи с родственной методикой (конвергентная валидность) и отсутствие этой связи с методиками, имеющими другое теоретическое основание (дискриминантная валидность).

Гораздо труднее провести теоретическую валидизацию методики тогда, когда такой путь невозможен. Чаще всего именно с такой ситуацией сталкивается исследователь. В таких обстоятельствах только постепенное накопление разнообразной информации об изучаемом свойстве, анализ теоретических предпосылок и экспериментальных данных, значительный опыт работы с методикой позволяет раскрыть ее психологический смысл.

Важную роль для понимания того, что методика измеряет, играет сопоставление ее показателей с практическими формами деятельности. Но здесь особенно важно, чтобы методика была тщательно проработана в теоретическом плане, т.е. чтобы имелась прочная, обоснованная научная база. Тогда при сопоставлении методики с взятым из

повседневной практики внешним критерием, соответствующим тому, что она измеряет, может быть получена информация, подкрепляющая теоретические представления о ее сущности.

Важно помнить, что если доказана теоретическая валидность, то интерпретация полученных показателей становится более ясной и однозначной, а название методики соответствует сфере ее применения.

Что касается прагматической валидизации, то она подразумевает проверку методики с точки зрения ее практической эффективности, значимости, полезности. Ей придают большое значение, особенно там, где встает вопрос отбора. Разработка и использование диагностических методик имеет смысл только тогда, когда есть обоснованное предположение, что измеряемое качество проявляется в определенных жизненных ситуациях, в определенных видах деятельности.

Если опять обратиться к истории развития тестологии (А Анастази, 1982; B.C. Аванесов, 1982; К.М. Гуревич, 1970; "Общая психодиагностика", 1987; Б.М Теплов, 1985 и др), то можно выделить такой период (20-30-е гг), когда научное содержание тестов и их теоретический "багаж" интересовали в меньшей степени. Важно было, чтобы тест "работал", помогал быстро отбирать наиболее подготовленных людей. Эмпирический критерий оценки тестовых заданий считался единственно верным ориентиром в решении научных и прикладных задач.

Использование диагностических методик с чисто эмпирическим обоснованием, без отчетливой теоретической базы нередко приводило к псевдонаучным выводам, к неоправданным практическим рекомендациям. Нельзя было точно назвать те способности, качества, которые тесты выявляли. Б.М. Теплов, анализируя тесты того периода, назвал их "слепыми пробами" (1985).

Такой подход к проблеме валидности тестов был характерен вплоть до начала 50-х гг. не только в США, но и в других странах. Теоретическая слабость эмпирических методов валидизации не могла не вызвать критики со стороны тех ученых, которые в разработке тестов призывали опираться не только на "голую" эмпирику и практику, но и на теоретическую концепцию. Практика без теории, как известно, слепа, а теория без практики мертва. В настоящее время теоретико-прагматическая оценка валидности методик воспринимается как наиболее продуктивная.

Для проведения прагматической валидизации методики, т.е. для оценки ее эффективности, действенности, практической значимости, обычно используется независимый внешний критерий - показатель проявления изучаемого свойства в повседневной жизни. Таким критерием может быть успеваемость (для тестов способностей к обучению, тестов достижений, тестов интеллекта), производственные достижения (для методик профессиональной направленности), эффективность реальной деятельности - рисования, моделирования и т.д. (для тестов специальных способностей), субъективные оценки (для тестов личности).

Американские исследователи Тиффин и Маккормик (1968), проведя анализ используемых для доказательства валидности внешних критериев, выделяют четыре их типа:

1) критерии исполнения (в их число могут входить такие, как количество выполненной работы, успеваемость, время, затраченное на обучение, темп роста

квалификации и т.п.);

2) субъективные критерии (они включают различные виды ответов, которые отражают отношение человека к чему-либо или к кому-либо, его мнение, взгляды, предпочтения; обычно субъективные критерии получают с помощью интервью, опросников, анкет);

3) физиологические критерии (они используются при изучении влияния окружающей среды и других ситуационных переменных на организм и психику человека; замеряется частота пульса, давление крови, электросопротивление кожи, симптомы утомления и т.д.);

4) критерии случайностей (применяются, когда цель исследования касается, например, проблемы отбора для работы таких лиц, которые менее подвержены несчастным случаям).

Внешний критерий должен отвечать трем основным требованиям:

он должен быть релевантным, свободным от помех (контаминации) и надежным.

Под релевантностью имеется в виду смысловое соответствие диагностического инструмента независимому жизненно важному критерию. Другими словами, должна быть уверенность в том, что в критерии задействованы именно те особенности индивидуальной психики, которые измеряются и диагностической методикой. Внешний критерий и диагностическая методика должны находиться между собой во внутреннем смысловом соответствии, быть качественно однородными по психологической сущности (К.М. Гуревич, 1985). Если, например, тест измеряет индивидуальные особенности мышления, умение выполнять логические действия с определенными объектами, понятиями, то и в критерии нужно искать проявление именно этих умений. Это в равной степени относится и к профессиональной деятельности. Она имеет не одну, а несколько целей, задач, каждая из которых специфична и предъявляет свои условия к выполнению. Из этого вытекает существование нескольких критериев выполнения профессиональной деятельности. Поэтому не следует проводить сопоставление успешности по диагностическим методикам с производственной эффективностью в целом. Необходимо найти такой критерий, который по характеру выполняемых операций соотносим с методикой.

Если относительно внешнего критерия неизвестно, релевантен он измеряемому свойству или нет, то сопоставление с ним результатов психодиагностической методики становится практически бесполезным. Оно не позволяет прийти к каким-либо выводам, которые могли бы дать оценку валидности методики.

Требования свободы от контаминации вызываются тем, что, например, учебная или производственная успешность зависит от двух переменных: от самого человека, его индивидуальных особенностей, измеряемых методиками, и от ситуации, условий учебы, труда, которые могут привнести помехи, "загрязнить" применяемый критерий. Чтобы в какой-то мере избежать этого, следует отбирать для исследования такие группы людей, которые находятся в более или менее одинаковых условиях. Можно использовать и другой метод. Он состоит в корректировке влияния помех. Эта корректировка носит обычно статистический характер. Так, например, производительность следует брать не по абсолютным значениям, а в отношении к средней производительности рабочих, работающих в аналогичных условиях.

Когда говорят, что критерий должен иметь статистически достоверную надежность, это означает, что он должен отражать постоянство и устойчивость исследуемой функции.

Поиски адекватного и легко выявляемого критерия относятся к очень важным и сложным задачам валидизации. В западной тестологии много методик дисквалифицировано только потому, что не удалось найти подходящего критерия для их проверки. Например, у большей части анкет данные по их валидности сомнительны, так как трудно найти адекватный внешний критерий, отвечающий тому, что они измеряют.

Оценка валидности методики может носить количественный и качественный характер.

Для вычисления количественного показателя - коэффициента валидности - сопоставляются результаты, полученные при применении диагностической методики, с данными, полученными по внешнему критерию, тех же лиц. Используются разные виды линейной корреляции (по Спирмену, по Пирсону).

Сколько испытуемых необходимо для расчета валидности? Практика показала, что их не должно быть меньше 50, однако лучше всего более 200 Часто возникает вопрос, какой должна быть величина коэффициента валидности, чтобы она считалась приемлемой? В общем отмечается, что достаточно того, чтобы коэффициент валидности был статистически значим. Низким признается коэффициент валидности порядка 0,20- 0,30, средним - 0,30-0,50 и высоким - свыше 0,60.

Но, как подчеркивают А. Анастази (1982), К.М. Гуревич (1970) и др, не всегда для вычисления коэффициента валидности правомерно использовать линейную корреляцию. Этот прием оправдан лишь тогда, когда доказано, что успех в какой-то деятельности прямо пропорционален успеху в выполнении диагностической пробы. Позиция зарубежных тестологов, особенно тех, кто занимается профпригодностью и профотбором, чаще всего сводится к безоговорочному признанию того, что для профессии больше подойдет тот, кто больше выполнил заданий в тесте. Но может быть и так, что для успеха в деятельности нужно обладать свойством на уровне 40% решения теста. Дальнейший успех в тесте уже не имеет никакого значения для профессии Наглядный пример из монографии КМ Гуревича: почтальон должен уметь читать, но читает ли он с обычной скоростью или с очень большой скоростью - это уже не имеет профессионального значения. При таком соотношении показателей методики и внешнего критерия наиболее адекватным способом установления валидности может быть критерий различий.

Возможен и другой случай: более высокий уровень свойства, чем это требует профессия, служит помехой профессиональному успеху. Так Ф Тейлор нашел, что наиболее развитые работницы производства имеют невысокую производительность труда. То есть высокий уровень их умственного развития мешает им высокопроизводительно трудиться. В этом случае для вычисления коэффициента валидности более подошел бы дисперсионный анализ или вычисление корреляционных отношений.

Как показал опыт работы зарубежных тестологов, ни одна статистическая процедура не в состоянии полностью отразить многообразие индивидуальных оценок. Поэтому часто для доказательства валидности методик используют другую модель - клинические оценки. Это не что иное, как качественное описание сущности изучаемого

свойства. В этом случае речь идет об использовании приемов, не опирающихся на статистическую обработку.

Существует несколько видов валидности, обусловленных особенностями диагностических методик, а также временным статусом внешнего критерия Во многих работах (А Анастази, 1982; Л.Ф Бурлачук, СМ. Морозов, 1989; КМ. Гуревич, 1970; Б.В Кулагин, 1984; В Черны, 1983; "Общая психодиагностика", 1987 и др) называются чаще всего следующие:

Валидность "по содержанию". Этот прием используется в основном в тестах достижений. Обычно в тесты достижений включается не весь материал, который прошли учащиеся, а какая-то его небольшая часть (3-4 вопроса). Можно ли быть уверенным в том, что правильные ответы на эти немногие вопросы свидетельствуют об усвоении всего материала. На это и должна ответить проверка валидности по содержанию. Для этого проводится сопоставление успешности по тесту с экспертными оценками учителей (по данному материалу). Валидность "по содержанию" также подходит к критериально-ориентированным тестам. Иногда этот прием называют логической валидностью.

Валидность "по одновременности", или текущая валидность, определяется с помощью внешнего критерия, по которому информация собирается одновременно с экспериментами по проверяемой методике. Другими словами, собираются данные, относящиеся к настоящему времени успеваемость в период испытания, производительность в этот же период и т д. С ним коррелируют результаты успешности по тесту.

"Предсказывающая" валидность (другое название - "прогностическая" валидность). Определяется также по достаточно надежному внешнему критерию, но информация по нему собирается некоторое время спустя после испытания. Внешним критерием обычно бывает выраженная в каких-нибудь оценках способность человека к тому виду деятельности, для которой он отбирался по результатам диагностических испытаний. Хотя этот прием наиболее соответствует задаче диагностических методик - предсказанию будущей успешности, применять его очень трудно. Точность прогноза находится в обратной зависимости от времени, заданного для такого прогнозирования. Чем больше проходит времени после измерения, тем большее количество факторов требуется учитывать при оценке прогностической значимости методики. Однако учесть все факторы, влияющие на предсказание, практически невозможно.

"Ретроспективная" валидность. Она определяется на основе критерия, отражающего события или состояние качества в прошлом. Может быть использована для быстрого получения сведений о предсказательных возможностях методики. Так, для проверки того, в какой мере хорошие результаты теста способностей соответствуют быстрому обучению, можно сопоставить прошлые оценки успеваемости, прошлые экспертные заключения и т.д. у лиц с высокими и низкими на данный момент диагностическими показателями.

При приведении данных о валидности разработанной методики важно точно указать, какой вид валидности имеется в виду (по содержанию, по одновременности и т.д.). Желательно также сообщать сведения о численности и особенностях индивидов, на которых проводилась валидизация. Такая информация позволяет пользующемуся методикой исследователю решить, насколько валиден этот прием для той группы, к

которой он собирается его применять. Как и в случае с надежностью, необходимо помнить, что в одной выборке методика может обладать высокой валидностью, а в другой - низкой. Поэтому если исследователь планирует использовать методику на выборке испытуемых, существенно отличающейся от той, на которой проводилась проверка валидности, ему необходимо заново провести такую проверку. Приводимый в руководстве коэффициент валидности применим только к группам испытуемых, подобным тем, на которых он определялся.

Литература

Анастази А. Психологическое тестирование" В 2 кн. / Под ред. К.М. Гуре-вича, В И. Лубовского М., 1982. Кн 1.

Гуревич К.М О надежности психофизиологических показателей // Проблемы дифференциальной психофизиологии М., 1969 Т VI. С 266-275.

Гуревич К.М Надежность психологических тестов // Психологическая диагностика Ее проблемы и методы М, 1975 С 162-176.

Гуревич КМ Статистика - аппарат доказательства психологической диагностики//Проблемы психологической диагностики Таллин 1977. С 206-225

Гуревич К.МЧ^о такое психологическая диагностика М., 1985.

МЕТОДИКА РАСЧЕТА ТЕСТОВЫХ ХАРАКТЕРИСТИК

Бовтрукевич Мария Викторовна,

студент 3 курса г. Минск

Киреенко Анна Владимировна

студент 3 курса , кафедра информационных технологий, БГУ, г. Минск

Сиротина Ирина Казимировна

научный руководитель, ст. преподаватель, БГУ, г. Минск

На сегодняшний день вопрос тестового контроля очень актуален. Широкое применение он получил при проведении вступительной компании в вузы, при проверке знаний учащихся школ, лицеев, средних специальных и высших учебных заведений, при приеме на работу.Поскольку тестыпомогают определить человеку его способности, задатки, склонности, а также уровень знаний, умений и навыков, то они занялизначимую позицию в сфере образования.

Тест - это инструмент, состоящий из квалиметрически выверенной системы тестовых заданий, стандартизированной процедуры проведения и заранее спроектированной технологии и анализа результатов для измерения качеств и свойств личности, учебных достижений, изменение которых возможно в процессе систематического обучения .

Педагогическим тестом называется система заданий специфической формы, определенного содержания, равномерно возрастающей трудности - система, создаваемая с целью объективно оценить структуру и измерить уровень подготовленности учащихся (студентов). .

Главная проблема тестовогоконтролязнаний- сам процесссозданиятестов, ихунификацияианализ.Чтобы довеститестдополнойготовностикприменениюнеобходимонесколько лет собирать статистические данные.Довольночастовстречаетсязначительныйсубъективизмвформированиисодержаниясамих тестов, в отборе и формулировке тестовых вопросов. Многое такжезависитот конкретной тестовой системы, от того, сколько времени отводится наконтроль знаний, от структуры включенных в тестовое задание вопросов и т. д.Для объективной оценки уровня знаний необходимо грамотное составление теста: недостаточно придумать вопросы и варианты ответов, так как в этом случае может возникнуть немало противоречий, ошибок, неопределенностей, задания могут оказаться слишком простымиили же наоборот, слишком сложными. Всвязи с чемтестовые задания проходят процесс специальной оценки, который мы и рассмотрим в нашей работе.

Целью нашей работы является систематизация методов, позволяющих рассчитывать тестовые характеристики. Проведя анализ научной литературы по теме исследования , мы отобрали самые распространенные тестовые характеристики, собрали их воедино, подробно расписали их применение, составили общие правила для создания качественного теста, привели примеры. Мы надеемся, что данная работа усовершенствует такую форму проверки знаний, как тестовый контроль, что в свою очередь улучшит качество образования.

В теории и практике тестовых измерений последователи выделяют разнообразные тестовые характеристики: надежность, валидность, дискриминативность, социокультутраняя адаптированность, достоверность, однозначность, стандартизированность, точность, сложность, нормирование и др. В данной работе в силу спецификации нашего исследования мы рассмотрели следующие из них: надежность, валидность, дискриминативность.

Дискриминативность задач определяется, как способность отделять испытуемых с высоким общим баллом по тесту от тех, кто получил низкий балл, или испытуемых с высокой продуктивностью учебной деятельности от испытуемых с низкой продуктивностью. .

Для вычисления дискриминативности мы будем использовать метод крайних групп: при расчете дискриминативности тестового задания учитываются результаты наиболее и наименее успешных студентов. Доля членов крайних групп может изменяться в широких пределах в зависимости от величины выборки. Чем больше выборка, тем меньшей долей испытуемых можно ограничиться при выделении групп с высоким и низким результатами. Нижняя граница «отсечения групп»составляет 10 % от общего числа испытуемых в выборке, верхняя -33 %. В нашей работемы будем использовать 27 % группу, так как при таком процентном соотношении достигается максимальная точность определения дискриминативности.

Индекс дискриминации D определяетсякак разность между долей лиц, правильно решивших задачу, из «высокопродуктивной»и «низкопродуктивной»групп и находится поформуле:

где: Nn max - количество студентов в группе лучших, верно выполнивших задание; Nn min - количество студентов в группе худших, верно выполнивших задание; N max - общее количество испытуемых в группе лучших; N min - общее количество испытуемых в группе худших.

В. К. Гайда и В. П. Захаров предлагают вычислять коэффициент дискриминации, рассчитывая меру соответствия между успешностью решения одной задачи и всего теста. Этот показатель будет являться коэффициентом дискриминации, для его расчета используют формулу:

, (2)

где: x - среднее арифметическое значение всех индивидуальных оценок по тесту;

x n - среднее арифметическое значение оценок по тесту у тех испытуемых, которые правильно решили задачу;

δ x - среднеквадратическое отклонение индивидуальных оценок по тесту для выборки;

n - число испытуемых, правильно решивших задачу;

N d - общее число испытуемых.

Коэффициент дискриминации может принимать значения от -1 до +1. Высокое положительное значение дискриминативности тестового задания свидетельствует об эффективности деления испытуемых, высокое отрицательное значение свидетельствует о непригодности данной задачи для теста, о ее несоответствии суммарному результату. Результат D ≥0,3 считается удовлетворительным. Если значение коэффициента близко к 0, то задачи должны рассматриваться как некорректно сформулированные.

Валидность означает пригодность тестовых результатов для той цели, ради чего проводилось тестирование . Валидность -это характеристика способности теста служить поставленной цели измерения . Валидность определяет, насколько тест отражает то, что он должен оценивать .

Различают следующие ее виды: с одержательная валидность - характеристика репрезентативности содержания теста по отношению к запланированным для проверки знаниям и умениям ;к онструктная (концептуальная) валидность - характеристика адекватного измерения теоретического конструкта,т. е. действительно ли тест на умственное развитие определяет коэффициент умственного развития; к ритериальная валидность-определяет способность теста служить индикатором строго определенных особенностей, форм поведения;т екущая валидность - характеристика теста, отражающая его способность различать испытуемых на основании того признака, который является объектом выявления в данной методике;п рогностическая валидность предоставляет информацию о том, насколько точно можно судить о качестве, выявленном в ходе тестирования, по прошествии определенного времени после измерения .

Для оценки валидности теста обычно используют корреляцию между показателями теста и некоторым внешним критерием. Для педагогических тестов в качестве критерия обычно берутся оценки экспертов, выставленные ими при традиционной проверке знаний студентов без использования тестов. Процесс валидизации осложняется необходимостью установления меры согласованности оценок экспертов, которых обычно бывает не менее трех человек.

Валидностьпо количественным способам определенияпреимущественно выясняетсяс помощью качественных оценок, как правило, с привлечением экспертов :офакторном анализе говорят, когда для определения валидности используется факторный анализ с целью определения факторных нагрузок и факторного состава теста; консенсусная валидность - для получения второго ряда оценок используют данные внешних экспертов; эмпирическа я валидность - для получения второго ряда оценок используют результаты, полученные путем применения методики известной ранее или из других источников.

В данной работе мы рассмотрим пример расчета валидности с учетом результатов тестирования и экспертных оценок:

, (3)

где: - среднееарифметическоеэкспертных оценок,

Стандартное отклонение этих оценок:

(3.2)

Аналогично - среднееарифметическоетестовых баллов студентов, а
- стандартное отклонение этих баллов, вычисляются также по формулам (3.1), (3.2).

Надежностью называется характеристика теста, отражающая точность тестовых измерений, а также устойчивость тестовых результатов к действию случайных факторов .

Различают два вида надежности: надежность как устойчивость; надежность как внутреннюю согласованность.

Надежность как устойчивость. Устойчивость результатов теста - возможность получения одинаковых результатов у испытуемых в различных случаях. Надежность как устойчивостьизмеряется с помощью повторного проведения теста на той же выборке испытуемых, обычно через две недели после первого тестирования. Надежность теста тем выше, чем более согласованы результаты одного и того же человека при повторной проверке знаний посредством того же теста или эквивалентной его формы (параллельного теста). Для нахождения данной характеристики предлагают в , использовать формулу Пирсона:

, (4)

где X i - тестовый балл i-го испытуемого при первом измерении;

Y i - тестовый балл того же испытуемого при повторном измерении;

N -количество испытуемых.

Внутренняя согласованность определяется связью каждого конкретного элемента теста с общим результатом, тем, насколько каждый элемент входит в противоречие с остальными, насколько каждый отдельный вопрос измеряет признак, на который направлен весь тест. Для проверки внутренней согласованности рассматриваются следующие методы: метод расщепления или метод автономных частей; метод эквивалентных бланков; метод Альфа Кронбаха. В методе расщепления применяются формулы: Спирмана-Брауна; Рюлона; Кьюдера-Ричардсона; Стенли. Если значения коэффициента r попадают в интервал 0,80-0,89, то говорят, что тест обладает хорошей надежностью, а если этот коэффициент не меньше 0,90, то надежность можно назвать очень высокой. При применении метода расщепления тестовую матрицу разбивают на две половины, состоящие из заданий с четными и нечетными номерами.

Формула Спирмена -Брауна выглядит так:

Перед применением этой формулы, надо применить формулу (3). Обратите внимание на то, что в данном случаи X i - тестовый балл i -го испытуемого за задания с четным номером; Y i

Формула Рюлона выглядит так:

Дисперсия разностей между результатами каждого испытуемого по обеим половинам тестаS 2 d находится по формуле:

где:X i - тестовый балл i-го испытуемого за задания с четным номером;

Y i - тестовый балл того же испытуемого за задания с нечетным номером.

Дисперсия суммарных баллов результатаS 2 z находится по формуле:

, (6.2)

где: Z i - суммарный балл за весть тест i -го студента.

Формула Кьюдера-Ричардсонавыглядит так:

, (7)

где: p j - доля правильных ответов на j -ое задание, т.е. кол-во правильных ответов, деленное на кол-во студентов;

q j - доля неправильных ответов на j -ое задание, т. е. кол-во неправильных ответов, деленное на кол-во студентов (q j = 1 -p j );

S 2 z - дисперсия суммарных баллов результата, которая вычисляется по формуле (5.2).

При подсчете надежности по формуле Стенли студентов необходимо разделить на две группы. В первую группу войдут 27% «сильных» студентов (те, кто набрал наибольшее количество баллов), а в слабую 27% «слабых» студентов (те, кто набрал наименьшее количество баллов).

Формула Стенли:

, (8)

где W L - количество неправильных ответов на данный вопрос в слабой группе;

W H - количество неправильных ответов на данный вопрос в сильной группе;

n - количество вопросов в тесте;

k - количество испытуемых в сильной (слабой) группе, т. е. 27 % от общего числа испытуемых.

Коэффициент Альфа Кронбаха показывает внутреннюю согласованность характеристик, описывающих один объект, и находится по формуле:

, (9)

где: S 2 Y - дисперсия суммарных баллов результата, которая вычисляется по формуле (3.2);

S 2 Yi - дисперсия элемента i .

Методику расчета тестовых характеристик покажем на конкретном примере . Мы получили результаты тестирования студентов, представленные в таблице 1.

Таблица 1

Результаты первого тестирования

Спустя две недели тест провели повторно и получили результат, представленный в таблице 2.

Таблица 2

Результаты второго тестирования

Используя данные таблиц, перейдем к расчету всех вышеперечисленных характеристик.

Дискриминативность

1.Рассчитываем количество студентов в крайних группах, сразу округляя до целых:.

2. Рассмотрим группу лучших и группу худших, в каждой из которых будет по 3 человека. Получим таблицу 3.

Таблица 3

Сводная таблица тестирования с экспертными оценками

Таким образом в группу лучших входят студенты под номером 1, 10, 4; в группу худших: 3, 5, 2 (если встречаются студенты с одинаковым баллом за тест, учитываем экспертные оценки).

3. Составимтаблицу4, состоящую только из студентов группы лучших и студентов группы худших, сразу рассчитывая количество студентов в каждой группе, правильно выполнивших задание.

Таблица 4

Сводная таблица тестирования с экспертными оценками
для крайних групп

4. Рассчитываем индекс дискриминативности для каждого задания по формуле (1):

, , , , , , , , , .

Длаем вывод, что задания 6 и 7 недискриминативны.

Валидность

В таблице 6найдены E i (экспертная оценка),Z i (общий балл за тест), n - известно, в нашем случае равно 10.

1. Находим и по формуле (3.1):

2. Находим и по формуле (3.2):

,.

3.Валидность рассчитывается по формуле (3). Для удобства отдельно посчитаем:

Получим: .

Надежность как устойчивость

1. Для начала построим таблицу 5.

Таблица 5

Нахождения надежности по формуле Пирсона

2. Применим формулу (4):

Надежность как внутренняя согласованность. Данную характеристику мы будем считать методом расщепления по формуле Рюлона (6).

1. Для начала найдем дисперсию разностей между результатами каждого испытуемого по обеим половинам теста. Заполним таблицу 6.

Таблица 6

Расчет дисперсии разностей результатов

2. Применим формулу (6.1): .

3. Найдем дисперсию суммарных баллов результата, предварительно построив таблицу 7.

Таблица 7

Расчет дисперсии суммарных баллов

4. Применяя формулу (6.2), а затем и формулу (6), получим:

, .

Интерпретация результатов

1. Надежность как устойчивость: поскольку значение коэффициента приблизительно равно 0,923, то тест имеет высокую степень надежности. Значит, с этой точки зрения он составлен очень хорошо.

2. Надежность как внутренняя согласованность: значение коэффициента корреляции приблизительно равно 0,198. Это говорит о низкой надежности, поэтому лучше провести повторное тестирование с целью определения, какие тестовые задания необходимо заменить.

3. Дискриминативность: недискриминативны задания 6 и 7, так как неудовлетворительным считается коэффициент дискриминации менее 0,3. Это значит, что эти задания непригодны для теста и их необходимо заменить.

4. Валидность: степень корреляции между результатами теста и внешним критерием (экспертными оценками) достаточно высока и составляет 0,962823. Данный результат говорит о высокой валидности рассмотренного теста.

Обращаем ваше внимание на особые случаи .

• Иногда при нахождении коэффициента надежности происходит деление на нуль. Это может произойти, если все студенты имеют одинаковое количество правильных и неправильных ответов. Такое редко бывает на практике, скорее всего, произошла утечка ответов. В данном случае следует тест провести повторно.
• При нахождении надежности как устойчивости, так же возможен случай, который дает в ответе неопределенность, т. е. происходит деление нуля на нуль. Такое может произойти, когда студент дал одинаковое количество правильных и неправильных ответов на первом и повторном тестировании. Это означает, что тест составлен очень удачно или же наоборот, очень неудачно. Советуем вам проверить другие тестовые характеристиками и, исходя из них, сделать заключение.
• При расчете валидности также возможен случай, когда происходит деление на 0. Это может произойти в том случае, если все студенты имеют одинаковое количество правильных и неправильных ответов или, если все экспертные оценки одинаковы. Такой случай редко может произойти на практике, скорее всего, произошла утечка ответов, и данный результат искажен.

Если мы хотим составить тестовые задания, обладающие удовлетворительной дискриминативностью, то необходимо избегать следующего: 1) излишней сложности, запутанности формулировок; 2) неоднозначности условий; 3) очевидности решения; 4) зависимости результата от памяти или от других индивидуальных особенностей испытуемого, а не от уровня развития тех умений и навыков, для оценки которых разрабатывается тест; 5) абсурдности, нереальности вариантов ответов; 6) появления двух и более правильных ответов, не оговоренных в условии.

Существуют следующие способы повышения валидности теста: 1) подбор оптимальной трудности заданий для обеспечения нормального закона распределения баллов по тесту; 2) экспертиза качества содержания теста;
3) расчет оптимального времени выполнения теста; 4) подбор заданий с высокой дискриминативностью.

Предварительное исследование источников ненадежности позволяет по возможности устранить их влияние при конструировании теста. К числу таких источников обычно относят: 1. Субъективизм при оценке результатов выполнения заданий теста. Наиболее эффективный метод преодоления отмеченного недостатка - использование закрытых заданий, которые благодаря возможности объективной оценки результатов выполнения при прочих равных ведут к повышению надежности теста. 2. Угадывание. Как показывают специальные исследования, угадывание существенно снижает надежность теста, особенно в тех случаях, когда тестируется группа слабых учеников, которые обычно прибегают к догадке при выполнении наиболее трудных заданий теста. 3. Отсутствие логической корректности формулировок заданий теста. Как правило, некорректные задания пропускают сильные ученики, что в целом негативно отражается на надежности теста. 4. Неоправданный выбор весовых коэффициентов. При правильном положении вещей выбор весовых коэффициентов в процессе подсчета индивидуальных баллов обучаемых должен базироваться на соответствующей теории. 5. Длина теста. Надежность растет по мере увеличения длины теста. Для удовлетворительной, но не хорошей надежности обычно достаточно 30 заданий теста. 6. Отсутствие стандартной инструкции к тесту. Инструкции к тесту должны быть предельно стандартизованы и точны. Любые неоднозначности, двусмысленности и отступления от требований стандартизации в инструкции ведут к снижению надежности теста. 7. Иные источники ненадежности связаны с испытуемыми, а не с заданиями теста. Например, испытуемый может плохо себя почувствовать во время работы над тестом либо ошибиться в инструкции. На результаты выполнения теста могут повлиять усталость и скука, температура в помещении, шум за окном и т. п.

В заключение отметим, что в рамках нашего проекта с целью оптимизации процесса эмпирической обработки тестовых характеристикстудентами специальности «Информатика» Фалеем Александром и Березюком Сергеем разработани реализован онлайн сервис .Обработка пользовательских данных разделена на три этапа: прием информации от клиента и формирование массивов исходных данных, обработка значений с помощью расчетных формул и алгоритмов, компоновка и вывод результатов пользователю. Целевой аудиторией данного сервиса преимущественно могут стать учителя школ и преподаватели вузов.Адрес проекта: www.qualitester.com .

Список литературы:

1. Аванесов В. С. Композиция тестовых заданий/ В. С. Аванесов. - М.: Адепт, 1998. - 217 с.

2. Аванесов В. С. Применение заданий в тестовой форме в новых образовательных технологиях / В.С. Аванесов // Школьные технологии. - 2007. - № 3. - С. 146-163.

3. Аванесов В. С. Форма тестовых заданий: учеб. пособие / В. С. Аванесов. М.: Центр тестирования, 2005. - 120 с.

4. Гуцанович С. А., Радьков А. М. Тестирование в обучении математике: диагностико-дидактические основы / С. А. Гуцанович, А. М. Радьков. - Мозырь: Издательский Дом «Белый Ветер», 2001. - 168 с.

5.Майоров А. Н. Теория и практика создания тестов для системы образования. - Москва: «Интеллект-Центр», 2002. - 296 с.

6.Челышкова,М.Б. Теория и практика конструирования педагогических тестов. - Москва: «Логос», 2002. - 432 с.