? за КПРФ отдали свои голоса
22 человека;
? за ЛДПР
11 человек;
? за «НАШ ДОМ – РОССИЯ»
9 человек;
? за «ЯБЛОКО»
7 человек;
? за все остальные партии
51 человек.
Всего:
100 человек.
Информация о том, что за КПРФ отдали голоса 22 человека само по себе, изолированно, совершенно ни о чем не говорит если неизвестно общее количество проголосовавших избирателей. Например если их 1000, то это очень мало, а если 100 – то много. Мы видим, что в нашем примере мы имеем как раз второй вариант. Таким образом оценку по шкале «много – мало» мы не можем дать используя только абсолютную информацию, а можем это сделать взяв отношение абсолютного количества к численности всей совокупности, т.е. только используя информацию относительную. Общеизвестно, что абсолютные числа, такие как абсолютное количество проголосовавших, значительно менее информативны чем относительные, такие как проценты.
Абсолютная информация – это информация содержащаяся в абсолютных числах, таких как количество чего–либо, взятого «само по себе», т.е. безотносительно к объему совокупности, из которой оно собственно «взято».
Относительная информация – это информация, содержащаяся в отношениях абсолютного количества к объему совокупности. Относительная информация измеряется в частях, процентах, промиле и других единицах.
Продолжим наш анализ примера, переписав результаты голосования в процентах:
? за КПРФ отдали свои голоса
22 %
? за ЛДПР
11 %
? за «НАШ ДОМ – РОССИЯ»
9 %
? за «ЯБЛОКО»
7 %
? за все остальные партии
51 %
Когда мы видим перед собой весь список результатов голосования, особенно, если он рассортирован по процентам полученных голосов избирателей, – то мы сразу непроизвольно сравниваем одни проценты с другими. При это не представляет большого труда заметить, что КПРФ набрала наибольший процент голосов из всех партий, т.е. победила на выборах. Но если бы список был из 2000 строк, а не из 4–х, то труд по анализу (сравнению) был бы 500 раз большим.
Однако если бы у нас перед глазами была только одна строчка: «за КПРФ отдали голоса 22% избирателей», то мы бы не смогли сделать вывода о том, «много это или мало», т.к. это понятия относительные. Это означает, что для того, чтобы сказать много это или мало, надо данное число (22%) с чем–то сравнивать, например с другим числом, соответствующим «контрольной группе» или базе оценки.
Во–первых, может быть за какую–то другую партию отдано 43% голосов. Во–вторых, 22% голосов избирателей, отданных в поддержку КПРФ по сути дела это означает, что КПРФ не поддерживает 78% процентов избирателей, т.е. подавляющее их большинство. Как же такая партия может победить на выборах? А очень просто, если учесть, что другие партии не поддерживает еще большее количество избирателей: так ЛДПР не поддерживает 89% избирателей, НДР – 91%, «ЯБЛОКО»– 93% и т.д. И только «на этом фоне» мы видим, что хотя КПРФ и не поддерживают 78% избирателей, все же этот процент «неподдерживающих» для КПРФ самый низкий из всех партий.
Очевидно, что и из относительной информации, взятой изолированно, вырванной из контекста, делать какие–либо обоснованные выводы не представляется возможным. Те, кто иногда делает это сознательно, просто вводит в заблуждение некомпетентных слушателей.
Для того, чтобы о чем–то обоснованно судить по процентам, необходим их сопоставительный анализ.
Вариантов такого анализа может быть много, но суть не в этом, а в том, что такой анализ необходим. Рассмотрим один из возможных вариантов сопоставительного анализа процентных распределений на нашем примере. Этот вариант предполагает использование в качестве «базы оценки» среднего по всей совокупности.
Мы уже упоминали, что по нашему примеру в выборах участвовало 20 партий. Очевидно, что если бы они все были в равной степени, т.е. одинаково популярны (или наоборот, непопулярны) у избирателей, то они набрали бы по 5% голосов. Логично считать, что партии, набравшие в этих условиях больше 5% могут быть названы в определенном смысле пользующимися поддержкой и доверием избирателей (популярными), а набравшие меньше 5% – не пользующимися их поддержкой и доверием (непопулярными). Поэтому само существование некоторого барьера процента набранных голосов для прохождения в Думу выглядит обоснованным, но нужно понимать, что сам это процент зависит от количества партий, участвующих в выборах.
Но вот Дума сформирована. Возникает вопрос, а какие партии образуют в Думе доминирующие фракции, а какие второстепенные? На этот вопрос также невозможно ответить без сопоставительного анализа процентов голосов избирателей, набранных каждой партией.
В нашем примере:
? за КПРФ отдали свои голоса
22 %
? за ЛДПР
11 %
? за «НАШ ДОМ – РОССИЯ»
9 %
? за «ЯБЛОКО»
7 %
Это означает, что согласно нашей методики сопоставительного анализа, мы должны сложить все эти проценты: 22 + 11 + 9 + 7 = 49 Затем разделить сумму на число фракций: 49 / 4 = 12.25 Эта величина 12.25 и составляет «новый барьер», который дает нам количественный критерий и формальную процедуру (алгоритм) для ответа на поставленный вопрос. Теперь мы можем сравнивать набранные партиями проценты уже с этой величиной нового барьера.
Сравнивать можно по–разному:
* простейший вариант – просто смотреть «больше или меньше» набранный процент, чем величина барьера; * более развитый и предпочитаемый автором способ – это брать отношение набранных процентов или вероятностей (которые отличаются от процентов в 100 раз) к величине барьера и смотреть, насколько это отношение больше или меньше единицы.
В результате получим (округленно):
? за КПРФ отдали свои голоса
22 %
1.796
? за ЛДПР
11 %
0.898
? за «НАШ ДОМ – РОССИЯ»
9 %
0.735
? за «ЯБЛОКО»
7 %
0.571
После этого анализа мы видим, что в действительности при данном распределении голосов в Думе будет всего одна доминирующая фракция – КПРФ, а остальные являются второстепенными.
Но весь этот анализ мы здесь привели, естественно, вовсе не для того, чтобы делать какие–либо политические выводы, а лишь с целью ввести понятие аналитической (сопоставительной) формы информации.
«Смотреть», насколько отношение больше или меньше единицы также можно либо «глазами», либо используя дополнительную математическую обработку, например, предварительно взяв двоичный логарифм от данного отношения. Принципиального значения это не имеет и по сути сводится к преобразованию единиц измерения. Однако при использовании логарифма отношения мы получаем возможность измерять количество аналитической информации в единицах, наиболее подходящих для измерения количества информации, а именно в так называемых двоичных единицах информации – БИТах. Этот вариант и принят в Системе «ЭЙДОС».
Аналитическая (сопоставительная) информация – это информация, содержащаяся в отношениях вероятностей или процентов. Аналитическая информация измеряется в БИТах.
Очевидно, именно аналитическая информация является наиболее кондиционной для употребления с той точки зрения, что позволяет непосредственно делать содержательные выводы об исследуемой предметной области, тогда как для того, чтобы сделать аналогичные выводы на основе относительной, и особенно абсолютной информации требуется значительная предварительная обработка.
К слову сказать, эта «предварительная обработка» и составляет значительную долю трудоемкости труда аналитиков и экспертов, которые полагаются во многом на чисто качественную (невербализуемую, интуитивную) оценку имеющейся у них сырой относительной информации, т.к. проводить расчеты, подобные вышеприведенному, для реальных объемов данных вручную не представляется возможным, а автоматизированные системы, обеспечивающие количественную обработку и генерацию аналитической информации практически отсутствуют (если не считать Систему «ЭЙДОС»).
В настоящее время наиболее популярной и практически единственной системой, используемой для социологических и политологических исследований, а также в прикладной психологии, является американская статистическая система SPSS (имеется версия под WINDOWS), которая не является аналитической системой, т.к. позволяет генерировать только процентные распределения различных видов. По этой причине сравнивать ее с Системой «ЭЙДОС» не совсем правильно. В то же время, естественно, Система «ЭЙДОС» генерирует и позволяет выводить различные процентные распределения, являющиеся в этой системе предварительным этапом получения аналитической информации.
Необходимо отметить, что широкому распространению аналитической системы «ЭЙДОС» препятствует недостаточное знакомство практических социологов и политологов (чаще всего «гуманитариев» по образованию и стилю мышления) с самим понятием аналитической информации, а также методами ее количественной автоматизированной обработки. В то же время уровень арифметических и статистических автоматизированных систем (типа SPSS и STATGRAPHICS) ими уже освоен, поэтому подход, развиваемый в данной работе, является весьма актуальным и можно сказать уже «витает в воздухе».
Примечание: В теории тестирования есть два основных подхода к проектированию тестов: нормативный и критериальный. При критериальном подходе каждый тестируемый оценивается относительно критериев, заданных экспертом, а при нормативном – относительно некоторых статистических критериев, например средних показателей по исследуемой группе, межгрупповых средних и т.п.
24.5. СЕМАНТИЧЕСКИЙ АНАЛИЗ
Каждый признак содержит некоторую информацию, которая характеризуется с количественной (синтаксической) и качественной (содержательной, семантической) стороны.
Количественный и качественный аспекты информации существуют в органическом и неразрывном единстве. Это иллюстрируется следующим диалогом: – Я только что сообщил тебе 8 бит информации.
– А о чем?
– Да ни о чем!
Невозможно сообщить никакого количества информации одновременно не сообщив при этом в чем состоит эта информация или какое содержание этой информации. Таким образом количественный аспект информации не может существовать без качественного, содержательного. Изучать количественные характеристики информационных потоков, совершенно при этом абстрагируясь от их содержательной стороны, невозможно. Содержательная сторона в теории информации изучается, как правило, с использованием понятия «тезаурус», под которым понимается информация, которой обладает приемник сообщения и от количества и содержания которой зависит сколько и какой информации он может воспринять от источника. Приемник с нулевым тезаурусом вообще не является приемником, т.к. не может воспринять из информационного канала ни одного бита информации никакого содержания.
Таким образом, выражаясь свободно, количество (синтаксис) «тащит» за собой качество (семантику). Но, с другой стороны, и содержание, качество, семантика информации «тащит» за собой количество, причем вполне определенное в каждом конкретном случае.
Например, признак «Цвет – красный» имеет совершенно различный смысл, т.е. говорит о совершенно разных вещах в зависимости от того, к какому объекту относится данный признак: светофору, флагу в руках демонстранта или цвету лужи на асфальте около алкогольного ларька. Количество информации, которое мы получаем в каждом из этих трех случаев, узнав о наличии данного признака, также совершенно различно.
Следовательно, в различных случаях один и тот же признак может иметь совершенно различный смысл и нести нам различное количество информации, т.е. «говорить о разных вещах и с различной определенностью».
Семантический анализ предполагает:
* изучение смысловой нагрузки признаков, т.е. того о чем и насколько определенно эти признаки говорят; * изучение информационного содержания образов (обобщенных категорий объектов и ситуаций, классов распознавания), т.е. того, какой вклад (по величине и знаку) в полную информацию, содержащуюся в каждом образе, вносят различные признаки; * изучение сходств и различий между признаками по их смыслу; * изучение сходств и различия между образами, если рассматривать их с точки зрения их информационного содержания.
24.6. ОБЛАСТИ ВОЗМОЖНОГО ПРИМЕНЕНИЯ СИСТЕМЫ «ЭЙДОС–6.2»:
1. Исследования по политологии, социологии, прикладной психологии в том числе на основе обработки больших объемов информации, полученной в результате мониторинга в краткие сроки по распределенной многомашинной технологии, 2. Медицинская диагностика, мониторинг динамики состояний больных, изучение взаимосвязей между лечебными воздействиями и эффектом, определение гомеопатических типов, избыточности и недостаточности меридианов, и т.д., 3. Определение профпригодности и оптимальной профессиональной принадлежности, в том числе в специальных областях, требующих от человека специфических способностей и адекватного поведения в экстремальных ситуациях, в том числе в измененных формах сознания, 4. Анализ и прогнозирование биржевых ситуаций, прогнозирование курсов валют и ценных бумаг, изучение тенденций фондового рынка, 5. Другие применения в любых областях, в которых возникают задачи идентификации и прогнозирования ситуаций, объектов или их состояний по внешним признакам; 6. Изучение влияния факторов различной природы на количество и качество результатов деятельности; использование выявленных зависимостей для разработки обоснованных рекомендаций; 7. Диагностика сверхспособностей (ясновидение, ретро и прекогниции, телекинез, психосинтез и т.п.), В том числе потенциальных; 8. Развитие, адаптация и привязка (локализация), разработка новых профессиональных методик специального назначения в области астрологии, психографологии, физиогномики (исследование фотороботов), дерматоглифики (хиромантии); 9. Выявление и изучения характера влияния факторов, связанных с переходами в осознанные сновидения и высшие формы сознания; 10. Прогнозирования способности человека адекватно действовать в экстремальных ситуациях и выйти из них с потерями или без потерь решив или не решив поставленные задачи (важно отметить, что данная методика может быть разработана по материалам исключительно личных дел, т.е. Заочно, без личного привлечения респондентов); 11. Прогнозирования места и времени аномальных явлений и катастроф различной природы.
24.7. ВЫВОДЫ
1. Рассматривая место и роль адаптивного распознавания и содержательного информационного (семантического) анализа в процессах восприятия окружающей среды (с точки зрения постановки цели и задач исследования) автор считает, что создание адаптивной модели распознавания является ключевым моментом в теоретическом решении исследуемой проблемы. Под адаптацией понимается гибкая перестройка механизма принятия решений, поддерживаемого Системой, за счет коррекции смысла (семантической нагрузки) признаков и информационного содержания образов, направленная на обеспечение их максимального соответствия фактическим изменениям предметной области. Такая «подстройка» интеллектуальной компьютерной системы к предметной области, призвана обеспечивать непрерывную адекватность разработанных и применяемых на ее базе приложений потребностям пользователей, работающих в динамичных предметных областях.
Дело в том, что продукты, созданные с помощью традиционных статических моделей, в связи с высокой динамичностью предметной области быстро морально устаревают, т.е. со временем работают все хуже и хуже, их адекватность падает. При их применении у пользователя , образно говоря, «почва непрерывно уходит из–под ног», т.к. качество работы таких приложений постоянно ухудшается, постепенно они перестают давать корректные и сопоставимые даже друг с другом результаты и в конце концов снимаются с эксплуатации. Адаптивные же модели порождают приложения, практическая и научная ценность (и стоимость) которых непрерывно возрастают, т.к. они являются «генераторами информации». Собственно говоря, ради этого они и создаются. Более того, адаптивные модели позволяют изучать динамику смысла признаков и информационного содержания образов, т.е. динамику самой предметной области.
Скачать книгу [0.41 МБ]
Пирамида