Esotericpl.narod.ru © Все права защищены.          

 Психологическая энциклопедия

Раймонд Корсини, Алан Ауэрбах

(Raymond Corsini, Alan Auerbach "Concise Encyclopedia оf Psychology")

Предисловие

Вступительное слово

От редакторов

Список сокращений

А Б В Г Д Е Ж З И Й К Л М Н О П Р С Т У Ф Х Ц Ч Ш Э Ю Я A-Z

Психология в именах    А-О   П-Я

Множественная регрессия (multiple regression)

М. p. — метод многомерного анализа, посредством к-рого зависимая переменная (или критерий) Y связывается с совокупностью независимых переменных (или предикторов) X посредством линейного уравнения:

Y' = а + b₁Х₁ + b₂Х₂ + ... + b_kX_k.

Коэффициенты регрессии или, по-другому, весовые коэффициенты b обычно определяют методом наименьших квадратов, минимизируя сумму квадратов отклонений фактических значений зависимой переменной от соотв. предсказанных значений.

При «пошаговом» («stepwise») подходе переменные добавляются (или удаляются) по одному за раз к (из) совокупности независимых переменных до тех пор, пока изменения не становятся статистически незначимыми (или значимыми). Кроме того, совокупность переменных может добавляться (или удаляться) в целях оценки их вклада в множественную корреляцию; в этом случае для определения статистической значимости их эффекта применяется F-критерий. Нелинейные связи можно оценить путем включения в правую часть уравнения регрессии членов более высокого порядка и/или мультипликативных членов.

Веса или коэффициенты регрессии определяются с наибольшей надежностью в тех случаях, когда независимые переменные являются относительно некоррелированными. Наличие высоких интеркорреляций между нек-рыми из них называется «мультиколлинеарностью» и приводит к получению коэффициентов регрессии, величина к-рых может заметно и нерегулярно изменяться от выборки к выборке. М. р. широко применяется для решения следующих задач.

1. Получение наилучшего линейного уравнения прогноза.

2. Контроль за смешиванием переменных (факторов).

3. Оценка вклада определенной совокупности переменных.

4. Объяснение сложного на вид многомерного комплекса взаимосвязей.

5. Проведение дисперсионного и ковариационного анализов посредством кодирования уровней независимых переменных.

См. также Множественная корреляция, Методы многомерного анализа

Б. Фрухтер

Множественная семейная терапия (multiple family therapy)

М. с. т. представляет собой подход к решению проблем, разработанный покойным Питером Лакёром. Метод осн. на его опыте работы со стационарными больными шизофренией и представляет собой комбинацию параметров групповой терапии и совместной семейной терапии. Согласно его гипотезе, сеансы одновременной терапии неск. семей дают членам семьи благоприятные возможности для идентификации с другими, что может вести к решению практ. проблем.

В М. с. т. движущей терапевтической силой является не перенос, а идентификация; это означает, что один индивидуум стремится походить на другого или соперничать с ним. Потребность в идентификации и принятии наиболее важна в семьях с больными шизофренией, поскольку наличие такого больного чревато соц. изоляцией семьи. Вследствие этого между членами семьи часто возникают напряженные отношения, вынуждающие их искать поддержки у окружающих. М. с. т. имеет целью лечебное воздействие семей друг на друга, в то время как главным источником лечебного эффекта в индивидуальной терапии является психотерапевт.

Хотя М. с. т. обязана своим происхождением работой с семьями шизофренных больных, ее применение сейчас знач. расширилось и не ограничивается уже исключительно этим контингентом. В ее основе есть 2 предпосылки: а) в семьях можно обнаружить как силу, так и слабость, и б) люди могут учиться друг у друга благодаря идентификации и непрямому научению.

Структура

Семья может оказывать как целебное, так и патогенное воздействие. В ходе своего развития человек многому обучается в семье. Теория М. с. т. исходит из того, что, хотя индивидуум или семья могут обнаруживать несостоятельность в какой-то области, они могут проявлять силу в другой. Метод Лакёра и его коллег заключается в проведении 6—10 сеансов терапии длительностью 90 мин., в к-рых участвуют члены пяти-шести семей, свободно обсуждающие свои проблемы. Психотерапевт играет роль фасилитатора, направляющего дискуссию и приглашающего отдельных участников к комментариям или отреагированию.

Процесс терапии

М. с. т., как и большинство терапий, проводится в неск. этапов. Однако, в отличие от этого большинства, она более ограничена по времени и тематике. В ней выделяются 3 этапа: наблюдение, вмешательство и консолидация. На первом этапе участников побуждают к общему разговору, в ходе к-рого выявляются темы для обсуждения.

М. с. т. ориентирована не на личную динамику, а на решение проблем. На втором этапе акцент делается на взаимодействии, исходя из того, что изменения должны быть взаимными, а не достигаться лишь каким-то одним лицом. Это — трудный этап, поскольку люди часто считают, что решать их проблемы должны другие. Психотерапевт должен обратить внимание на взаимно деструктивное поведение. Эта стадия демонстрирует терапевтические возможности М. с. т., когда отдельные участники помогают психотерапевту в выявлении контрпродуктивных паттернов взаимодействия. Часто используется разыгрывание ролей.

Третий этап представляет собой завершение и консолидацию: оценивание достигнутого прогресса и заключение о достаточности проделанных изменений. Что еще важнее — это время для того, чтобы понять, что изменения осуществимы лишь при условии, что члены семьи мотивированы на продолжение работы над своими отношениями.

Резюме

М. с. т. оказалась в особенности эффективной в работе с городским афро-американским населением и с выписанными из стационара больными. Она дает простор для раскрытия творческого потенциала терапевта и приносит результат в относительно быстрые сроки. Этот подход несложен в обучении и не зависит исключительно от интуиции терапевта.

См. также Поведенческая терапия, Группы достижения изменений

В. Фоули

Модели нейронных сетей (neural network models)

Модели, включающие сети нейроноподобных элементов, приобрели известность в психологии и родственных дисциплинах, когнитивной науке и нейробихевиоральной науке. Такие модели появились тж под предметными заголовками коннекционистских моделей и распределенной параллельной обработки. В области познавательных процессов сети использовались для объяснения таких различных феноменов, как распознавание слов, категоризация, восприятие зрительного паттерна, координированное моторное действие, и неврологические расстройства. В этом отношении, М. н. с. представляют собой резкий отход от прежних теорий, к-рые предполагали манипуляции символической информ. по типу грамматических. Неграмматические и несимволические свойства нейронных сетей тж обусловили их пригодность для объяснения отличных от человеческого видов научения и его нейронных основ.

Нейронные сети предназначены для порождения системы вычислений, к-рая является кооперативной и самоорганизующейся. Т. о. нейронная сеть не содержит в себе к.-л. эксплицитной исполнительной или контролирующей подсистемы. Предполагается, что поведение, к-рое внешне следует правилу, гипотезе или стратегии, возникает из взаимодействий между элементами, ни один из к-рых не содержит правила, гипотезы или стратегии. Несмотря на то что сетевые модели опираются на представление о нейроне, осн. масса этих моделей лишь незначительно ограничивает себя рамками общеизвестной архитектуры и функционирования реальных НС. В очищенном от своих дополнительных значений виде, нейронные сети являют собой единственный тип количественной модели, подпадающей под традиционные критерии проверки любой модели в психологии. Потребовалось широкое использование компьютерного моделирования, чтобы эти модели достигли полного и точного определения через их собственные внутренние операции и механизмы порождения выходных сигналов, позволяющего осуществлять четкие поведенческие прогнозы.

Основные характеристики

Элементы типичной нейронной сети можно описать при помощи двух уравнений, а именно правила активации (или возбуждения) и правила обучения. Правило активации объединяет (суммирует) входы в элемент и формирует уровень выходного сигнала. Вычисления сети связаны с передачей выходных активирующих сигналов заданного уровня от одного элемента на входы др. элементов. Правило обучения изменяет силу активных входов посредством переменных, наз. весами связи. Входной уровень для принимающего элемента обычно определяется произведением воспринимаемого уровня активации и текущего веса связи в принимающем элементе.

Линейный пороговый элемент

Начало совр. правилам активации было положено в работе Мак-Каллока и Питтса, касающейся способности нейронов действовать как логические вентили. На рис. 1 изображен линейный пороговый элемент. В его левой части представлены входные переменные, описываемые как входные уровни активации (X_i) и взвешенные связи (V_i). Каждая переменная может принимать любое вещественное значение. Однако уровни активации обычно задаются двоичными значениями (X_i = 0,1), а веса — значениями в пределах от -1 до +1. Суммарный входной уровень в любой момент времени определяется суммой весов активных входов (Σ [V_i X_i]). Подобно входным уровням активации, выходной сигнал элемента тж представлен двоичными значениями (Y = 0,1). Активация выхода определяется на основе сравнения суммарного входного уровня с пороговой величиной (Θ) по следующей формуле:

Y = 1, если Σ (V_i X_i) > Θ, в противном случае Y = 0.

Рис. 1. Линейный пороговый элемент, в котором Х_i — входные уровни активации, V_i — веса связей, Θ — пороговая величина, a Y — выходной уровень активации

Манипулируя весами связи или пороговыми величинами, можно синтезировать общие логические функции. Напр. логический элемент И может быть сконструирован следующим образом. Предположим, что некий элемент имеет два входа (X₁, Х₂), каждый с весом связи 0,50 (V₁ = V₂ = 0,50), и что пороговая величина этого элемента Θ = 0,75. Согласно правилу активации Мак-Каллока — Питтса, для того чтобы суммарный входной уровень превысил данную величину порога и тем самым инициировал выход (Y), должны быть активными оба входа (X₁ = Х₂ = 1). Тот же самый элемент может быть преобразован в логический элемент ИЛИ снижением порога до величины менее 0,50 или повышением веса входов до величины более 0,75. Наконец, для полноты логической системы, можно сконструировать оператор НЕ путем инвертирования правила активации, так что когда суммарный входной уровень превышает величину порога, элемент, который бы в противном случае инициировался (Y = 1), будет выключаться (Y = 0). Это инвертированное правило активации может быть записано как:

Y = 1, если не Σ (V_i X_i) > Θ, тогда Y = 0.

Синаптическая фасилитация

Истоки правил обучения для сетей кроются в идее, сформулированной впервые в общих чертах Хеббом. Коротко говоря, он применил старый закон смежности к уровню нейронной активности и утверждал, что синаптическая передача будет получать выигрыш в эффективности всякий раз, когда пресинаптическая активность оказывается смежной по времени с постсинаптической активностью. На рис. 2 приведен пример хеббовского элемента. Этот хеббовский элемент имеет две входные связи. Один вход (X_i), наз. здесь «сигнальным» входом («cue» input), не обладает изначально весом связи и, следовательно, не способен активизировать элемент. Др. вход (Х₀), обычно наз. «обучающим» входом («teacher» input), имеет фиксированный большой вес (V₀ = 1), позволяющий активизировать элемент и вызвать «ответный» выход («response» output). При совмещении во времени обоих входов, сигнальный вход будет обеспечивать пресинаптическую активность (X_i), а обучающий вход будет вызывать постсинаптическую активность (Y). В мат. терминах, изменение веса связи (ΔV_i) выражается в виде произведения двух уровней активности. Это правило обучения может быть записано как ΔV_i = сХ_iY, где с — коэффициент пропорциональности (0 < с < 1).

Рис. 2. Хеббовский адаптивный элемент, в котором X_i — уровень сигнального входа, V_i — адаптивный вес связи, Х₀ — уровень обучающего входа, a Y — уровень выходной реакции

Если по хеббовскому правилу научение находится в строгой зависимости от смежности уровней активации, согласно др. правилам научение зависит от ошибки в способности веса сигнального входа соответствовать обучающему входу. Одно из наиболее часто используемых правил этого рода известно под разными наименованиями: правило допустимой ошибки (дельта), правило Ресколы — Вагнера (the Rescorla — Wagner rule), правило Видроу — Хоффа (the Widrow — Hoff rule) и правило наименьших средних квадратов (least-mean squares rule). При наличии множества одновременных сигнальных входов это правило может быть записано как ΔV_i = с (V₀X₀ — Σ [V_i X_i]) X_i. Анализ этого правила показывает, что когда суммарный вход (Σ [V_i X_i]) существенно отличается от активации, вызываемой обучающим входом (V₀ X₀), это приводит к резкому изменению веса связи каждого подходящего входа (ΔV_i). И наоборот, когда это различие мало, изменение также будет малым.

Правило исправления ошибок (error-correction rule) оказывается более сложным, чем хеббовское правило смежности, однако имеет 3 осн. преимущества при моделировании ассоциативного обучения.

1. Самоограничивающиеся приращения. Тогда как правило смежности порождает веса связи, к-рые растут линейно, правило исправления ошибок является самоограничивающимся. Эта его особенность производит отрицательное ускорение, к-рое можно наблюдать в большинстве кривых научения.

2. Обратимость. Правило смежности продуцирует только положительные приращения в научении, тогда как правило исправления ошибок порождает не только положительные, но и отрицательные приращения (или затухание). В частности, в правиле смежности, отсутствие обучающего входа (Х₀) исключает любые приращения, но при этом не влечет эффекта затухания. В свою очередь, в правиле исправления ошибок, отсутствие обучающего входа означает, что вычитаемый член уравнения принимает отрицательные значения (-Σ [V_i X_i]), тем самым производя понижение веса связи (V_i). Т. о., правило исправления ошибок может отслеживать изменения прогнозируемого значения «сигнального» входа для определенного «обучающего» входа.

3. Избирательность. Когда имеется множество сигналов, хеббовское правило смежности применяется независимо к каждому входу. В отличие от него, правило исправления ошибок предполагает, что изменение ассоциативной силы для каждого входа зависит от результирующей ошибки по всем активным входам. Напр., если определенный набор сигнальных входов уже приобрел высокие веса, то тогда разность членов (V₀X₀ — Σ [V_i X_i]) будет приближаться к нулю и тем самым препятствовать приобретению веса дополнительными, одновременно действующими сигналами. Т. о., избыточные сигналы будут эффективно подавляться. Кроме того, если ни одни из сигнальных входов не обладает предварительным преимуществом, общий вес связи будет распространяться на все одновременно действующие сигнальные входы. В результате, элемент может «настраиваться» так, что он будет активизироваться только определенной конфигурацией входов, а не к.-л. одним из этих входов.

Основные архитектуры

Несмотря на то что материалом для строительных блоков нейронных сетей являются отдельные элементы, мн. из эмерджентных свойств сети определяются архитектурой их взаимосвязей. Существуют 2 осн. архитектуры, встречающиеся в большинстве моделей, а именно, сети, содержащие множество слоев элементов, и сети, в к-рых выходы возвращаются в качестве входов в сеть.

Многослойные сети

Пример простой многослойной сети приведен на рис. 3. Эта сеть имеет два входа (A, В), каждый из к-рых проецируется на два элемента (X, R). Элемент X, находящийся между событиями на входе и выходным элементом наз. скрытым элементом. Эта небольшая сеть содержит пять модифицируемых связей, а именно A-Х, A-R, В-Х, B-R и X-R.

Рис. 3. Конфигурация многослойной сети, подчиняющейся правилу исключающего ИЛИ

Многослойные сети сыграли решающую роль в разрешении вопросов репрезентации стимула и формирования понятий, вызывавших трудности у традиционных психол. теорий и однослойных сетевых моделей. В частности, многослойные сети обеспечивают базис для обучения произвольному отображению (arbitrary mapping) входных паттернов стимулов в выходные паттерны реакций. Ключевая проблема оказалась связанной с нелинейными отображениями. При таком отображении, желаемая реакция на определенное сочетание входов не является аддитивной функцией реакций на отдельные входы. Примером простейшего нелинейного отображения является правило исключающего ИЛИ. Правило исключающего ИЛИ требует реакции на каждый из двух входов, предъявляемых по отдельности, но не на их совместное появление. Напр., мн. люди обнаруживают следование правилу исключающего ИЛИ в своих вкусовых предпочтениях. Человек может с удовольствием есть лакрицу, но отказываться есть картофель с лакричной приправой. Если бы отдельные отображения стимул — реакция являлись строго аддитивными, картофель с лакричной приправой съедался бы с большим удовольствием.

Вообще говоря, можно преобразовать нелинейную задачу в линейную, постулируя особый вход для совместного появления осн. стимульных входов. Однако, когда число осн. входов увеличивается, эта тактика приводит к бурному росту числа особых входов. Более общее решение заключается во введении механизма обучения, к-рый формирует специализированные кодировки совместных входов по мере возникновения такой необходимости. Многослойные сети обладают этой способностью. Коротко говоря, установление подходящих весов связей от стимульных входов к скрытым элементам создает блоки, специализированные для конкретной комбинации входов. Связи между скрытыми элементами и выходными элементами обеспечивают отображение этих специализированных блоков в соотв. выходные реакции.

Небольшая сеть, показанная на рис. 3, имеет конфигурацию, позволяющую проиллюстрировать поведение согласно правилу исключающего ИЛИ. В этой конфигурации вход A сам по себе не может активизировать элемент X, т. к. вес связи А — X не превышает величины порога X, однако вход A может активизировать элемент R, т. к. его порог оказывается достаточно низким для того чтобы связь A — R оказалась эффективной. Точно так же, вход В может активизировать лишь узел R. Т. о., входы A и В могут каждый по отдельности активизировать выход этой сети. Однако, согласно правилу исключающего ИЛИ, взятые вместе входы А и В будут подавлять выход. Это происходит потому, что суммарный вес связей входов А и В будет активизировать элемент X, а этот элемент X имеет большую отрицательную связь с элементом R. Следовательно, совместное появление входов А и В аннулирует их индивидуальные положительные связи с элементом R.

Автоассоциативные сети

Пример небольшой автоассоциативной сети показан на рис. 4.

Рис. 4. Автоассоциативная сеть, в которой все выходные уровни могут связываться со входными уровнями

Каждый из пяти элементов (А, В, С, D, Е) получает один внешний вход (a, b, с, d, e). Эти внешние входы обладают фиксированными связями, каждая из к-рых способна активизировать выход из соотв. элементов. Кроме того, каждый элемент получает пять возвратных входов, по одному на каждый выход из элементов, включ. его собственный. Напр., как показано на рис. 4, элемент С имеет пять связей, обозначенных как Aс, Bc, Сс, Dc и Еc. Эти связи являются модифицируемыми и функционируют в соответствии с теми же самыми правилами обучения, что и единственный элемент или многослойная сеть. Т. о., всякий раз, когда выход и вход являются активными, на их пересечении может возникать эффективная связь.

Помимо др. вещей, автоассоциативные сети могут реализовывать 3 функции, к-рые представляют особый интерес для психологии.

1. Завершение паттерна. Если множество взаимосвязей было хорошо определено в автоассоциативной сети, тогда уже часть исходных входов может восстановить полное множество выходов. Напр., предположим, что для сети, изображенной на рис. 4, неоднократно предъявлялись входы а и е. Отсюда следует, что установились бы четыре взаимосвязи, а именно Аа, Ае, Еа и Ее, к-рые локализованы в четырех углах матрицы пересечений. Впоследствии вход а сам по себе активизировал бы оба выхода, А и Е, через связи Аа и Ае. Точно так же, вход е активизировал бы оба выхода через связи Еа и Ее.

2. Помехоустойчивость.

3. Суперпозиционная память. Автоассоциативные сети могут хранить огромное количество наборов входов. Это свойство позволяет им извлекать как прототипические паттерны, так и специфические образцы. Напр., Мак-Клелланд и Румельхарт продемонстрировали, что сеть, состоящая из 24 элементов и 552 потенциальных взаимосвязей, могла бы хранить и надежно извлекать 3 различных прототипических паттерна, каждый из к-рых осн. на 50 различных образцах. Они показали, что паттерн для по меньшей мере одного конкретного образца тж может быть извлечен, если этой сети представлено подмножество входов, корреспондирующих с именным признаком (пате tag) этого образца. Сходным образом, Кохонен показал, что сеть, состоящая из 3024 элементов, могла бы хранить и извлекать цифровые фотографии 100 различных лиц.

Современное состояние

В настоящее время трудно прогнозировать, где и насколько серьезных успехов можно добиться благодаря использованию М. н. с. Первоначальный энтузиазм несколько поутих. По мере того как модели сравниваются друг с другом и с более традиционными теориями в различных исследовательских областях, к ним начинают относиться все более трезво. В настоящее время наиболее отчетливой тенденцией является диверсификация характеристик элементов по мере приложения нейронных сетей в различных областях. С одной стороны, там где моделирование нейронных сетей сливается с моделями действительного функционирования нейрона, их элементы становятся более адекватными хим., электрическим и структурным свойствам нейронов. С др. стороны, там где моделирование нейронных сетей применяется к когнитивным феноменам, их элементы сами изображаются как несущие семантическое или символическое содержание. Напр. отдельный элемент может активизироваться только специфической буквой или словом.

См. также Научение, Процессы поиска и извлечения информации из памяти, Нейронные механизмы научения

Дж. Кехой

Модели (models)

Значительные исследовательские усилия во всех областях психологии связаны с использованием М. Примерами могут служить модели искусственной улитки для изучения слуха, многослойные сетевые модели функционирования головного мозга, компьютерные модели мышления и животные модели в психопатологии.

М. относятся к числу осн. и наиболее эффективных инструментов науки. Исследователь в области аэронавтики строит миниатюрный аэроплан для проведения испытаний в аэродинамической трубе; химик представляет себе электроны, движущиеся по планетарным орбитам вокруг атомного ядра. Эти 2 типа моделей — одна физическая, другая концептуальная — помогают в открытии полезных принципов, применимых к решению проблем в реальном мире, таким как выявление оптимальной для расчетной скорости формы крыла или оценка гладкости (на молекулярном уровне) поверхности крыла после его шлифовки.

М. тж важны в биолог. и поведенческих науках, и это отчасти объясняет, почему в психологии проводится так много исслед. с животными. Несмотря на их широкое использование и очевидную полезность, М. — и животные М. в частности — не всегда должным образом оцениваются. Однако они используются; напр. они помогают понять, как нервные клетки обучаются или в каком направлении разрабатывать новые формы терапии фобий. Наиболее широко использование животных М. в психологии представлено в исслед. научения, памяти, употребления наркотиков и психопатологии.

Создатели М. не претендуют на ее полную идентичность моделируемому. Скорее, М. является сходящимся множеством разнотипных аналогий между реальным явлением и системой, к-рая изучается в роли заменителя этого реального явления. Привлекаемыми видами аналогий являются: а) первичная аналогия, б) материальная аналогия и в) формальная аналогия.

Любое явление — это не «просто вещь», но следствие причинных связей между уровнями факторов в реальном мире. Сходным образом, любая потенциально полезная М. будет включать в себя множество причинно связанных факторов. Эти причинные цепи факторов, как в реальном мире, так и в М., могут состоять из неск. звеньев. М. возникают в результате установления соответствия между факторами в этих двух областях. Эти две области могут обладать очевидным сходством, к-рое напр. существует между миниатюрной моделью самолета и Боингом-747, или они могут быть совершенно несхожими, как различаются между собой модель хим. структуры, состоящая из шаров и стержней, и само молекулярное соединение.

Рассмотрим случай, в к-ром присутствуют как сходства, так и различия. Можно заметить, что для пациентов с определенным психиатрическим расстройством характерен нек-рый набор дисфункциональных физиолог. и поведенческих симптомов; можно тж заметить, что животные, подвергающиеся действию нек-рого хим. препарата, демонстрируют поведение, сходное с поведенческими симптомами таких пациентов. Гипотеза о сходстве дисфункционального поведения животного и дисфункционального поведения пациента составила бы первичную аналогию в процессе моделирования. Дополнительная гипотеза могла бы заключаться в том, что данный дисфункциональный физиолог. симптом пациента одного рода с вызванным хим. препаратом физиолог. состоянием животного; это было бы второй первичной аналогией. Степень описательного сходства между этими двумя рядами поведения или между этими двумя физиолог. состояниями составила бы степень материальной аналогии.

Если обнаруживается связь между физиолог. состоянием и поведением пациента, к-рая соответствует эмпирической причинной связи между физиолог. состоянием и поведением животного, между этими двумя параллельными, внутриобластными связями может быть проведена формальная аналогия. Мн. М. в психологии, такие как амфетаминовая модель шизофрении и модель Корсаковского синдрома как холинэргического истощения, возникли именно так. При разраб. др. М. акцент делается скорее на истории взаимодействия средовых факторов и научения, нежели на хим. истории; в качестве примеров можно указать на модель фобий как избегания и модель депрессии как выученной беспомощности.

Сама по себе первичная аналогия еще не является М.; это распространенная ошибка. Настоящая М. должна включать как первичные, так и формальные аналогии. К тому же, продуктивность процесса моделирования заключена в том, что он позволяет использовать известные и эксплицированные причинные связи в одной области (как правило, в области М., но справедливо и обратное) как руководство для выявления параллельных связей в др. области. Нек-рые ученые требуют доказательства большого числа параллелей формальной аналогии, причем связанных с существенными материальными аналогиями, прежде чем заявлять о создании М. Материальная аналогия не является критической для функциональной валидности М.; мат. уравнения часто оказываются мощными М., позволяющими при их реализации компьютерами генерировать знание о поведении системы — даже живой системы — но без материальной аналогии. Материальная аналогия сродни очевидной валидности: она ничего не гарантирует. Если исследователь будет ждать до тех пор, пока все причинные связи в каждой области не окажутся полностью и независимо эксплицированы перед включением их в формальные аналогии, тогда М. будет обладать малой или недостаточно доказательной силой для нового понимания.

Все ранее упомянутые психол. М. начинались с проведения первичной аналогии между различными формами поведения. Однако есть веские основания утверждать, что поиск таких сходств в поведении между биолог. видами является ненадежным процессом, способным вводить в заблуждение, несмотря на его эмпирическую проверку в рамках процесса моделирования. Это происходит потому, что каждый вид приносит в ситуацию тестирования свои собственные приобретенные им в ходе эволюции предрасположения и биолог. ограничения на поведение. Отсюда следует, что 2 различных вида могут иметь противоположные дисфункциональные поведенческие проявления одного и того же лежащего в их основе физиолог. или психол. состояния. Хотя такое положение дел и не носит универсального характера, оно подсказывает альтернативный подход к выбору первичной аналогии. В основу первоначального соответствия можно было бы класть не столько симптомы, сколько этиологические факторы. Подобная стратегия распространена в мед. исследованиях и опирается на предположение о существовании тесной связи между этиологией и терапией. В психологии условия, поддерживающие функционирование нек-рых поведенческих процессов, зачастую отличаются от тех, что приводят к их формированию. Хорошими примерами здесь могут служить Корсаковский синдром и фобии. ПТСР может оказаться случаем, требующим подхода на основе этиологической первичной аналогии, если кто-то ищет животную модель последствий стресса, поскольку сообщаемые симптомы имеют тенденцию приобретать форму нарушений мышления, эпизодов «флэшбек» и др. симптомов, к-рые не наблюдаются непосредственно у животных.

Несмотря на то что для объяснении процесса моделирования здесь привлекались примеры из животных моделей, тот же самый анализ сохраняет свою силу в применении к физ. моделям, компьютерным моделям или количественным моделям психол. процессов. Все они доказали свою ценность в объяснении психол. процессов людей.

См. также Теория алгоритмически-эвристических процессов, Животные как модели, Общие системы, Изоморфизм, Молярные/молекулярные конструкты, Методология (научных) исследований

Б. Овермайер

 ◄          ►

Предисловие

Вступительное слово

От редакторов

Список сокращений

А Б В Г Д Е Ж З И Й К Л М Н О П Р С Т У Ф Х Ц Ч Ш Э Ю Я A-Z

Психология в именах    А-О   П-Я

Статьи

Все техники и практики 

Музыка для медитаций и расслабления

Вопросы и ответы

Главная сайта "Путь к Разуму и Силе"

Рассказы, сказки, стихотворения.

703 анекдота от Ошо!!!

.