Статья: Субъективные измерения с помощью метода семантического дифференциала

Белорусский национальный технический университет

Субъективные измерения с помощью метода семантического дифференциала

Токарь Ольга Владимировна,

к.т.н., доцент кафедры стандартизации, метрологии и информационных систем

Серенкова Елизавета Павловна,

студентка 5-го курса энергетического факультета

г. Минск

Аннотация

В статье с помощью метода семантического дифференциала отражены результаты субъективных измерений отношения человека к деталям машиностроения (подшипник, зубчатое колесо, болт, шайба, винт, гайка и зубчатый вал), как к простейшим элементам производственной среды. Использовались универсальные шкалы семантического дифференциала. Найдены четыре фактора данного семантического пространства, объясняющие распределение данных: «Оценка», «Активность»,

«Сложность», «Сила и стабильность», что позволяет перейти от многомерного пространства к пространству меньшего количества факторов, причем группировка объектов с помощью кластерного анализа показывает, что разные детали оцениваются по разному. Метод анализа главных компонент предложен в качестве способа сократить количество шкал с 19 до 13. С помощью стандартного отклонения найдены стереотипные шкалы, оценки по которым значимо отличаются от нейтральной оценки.

Ключевые слова: семантический дифференциал, кластерный анализ, анализ главных компонент, стереотип, субъективные измерения, деталь машиностроения.

Abstract

Subjective measurements using the semantic differential method

Tokar Olga Vladimirovna

Ph.D., Associate Professor of the Department of Standardization, Metrology and Information Systems

Serenkova Elizaveta Pavlovna

Student 5 th year of the Faculty of Energy Belarusian National Technical University Republic of Belarus, Minsk

Using the semantic differential method, the article reflects the results of subjective measurements of a person's attitude to mechanical engineering parts (bearing, gear, bolt, washer, screw, nut and gear shaft), as to the simplest elements of the production environment. Universal scales of the semantic differential were used. Four factors of this semantic space are found that explain the distribution of data: «Evaluation», «Activity», «Complexity», «Strength and stability», which allows you to move from a multidimensional space to a space of fewer factors, and the grouping of objects using cluster analysis shows that different parts are valued differently. Principal component analysis is proposed as a way to reduce the number of scales from 19 to 13. Using the standard deviation, stereotypical scales are found, the scores for which differ significantly from the neutral score.

Keywords: semantic differential, cluster analysis, principal component analysis, stereotype, subjective measurements, engineering detail.

Основная часть

Семантический дифференциал является методом количественного и качественного индексирования значений при субъективном измерении отношения индивида к объектам исследования. Значимость методики состоит в том, что она направлена на перевод реакции индивида в оценочное отношение в рамках заданного семантического пространства с помощью ранговых шкал. Полученные результаты могут обрабатываться статистическими методами, позволяющими выявить латентные факторы, объясняющие выбор индивида, скрытые закономерности в параметрах объекта, стереотипы.

Американский психолог Ч. Осгуд разработал технику семантического дифференциала для измерения различий в интерпретации понятий испытуемыми на основе их жизненного опыта. Ч. Осгуд была предложена процедура измерения эмоционального значения понятия и его описания в пространстве трех факторов (оценка, активность и сила). Российский ученый В.Ф. Петренко описал пять факторов семантического пространства (оценка, сила, активность, сложность, стабильность) [1]. Данный семантический дифференциал принято называть универсальным. Семантический дифференциал может применятся для измерения отношения личности к различным объектам, для анализа социальных установок, ценностных ориентаций, субъективно-личностного смысла и т.д.

В данной работе была поставлена цель провести субъективные измерения с помощью метода семантического дифференциала на примере простейших изделий машиностроения как атомов производственной среды. Постановка цели определила задачи работы: подготовка анкеты и проведение опроса с помощью универсального семантического дифференциала, выбор метода обработки данных, анализ результатов.

Процедура семантического дифференциала предполагает оценивание объекта с помощью соотнесения его с одной из фиксированных точек шкалы, заданной антонимичными прилагательными. Пространство шкалы между ними является непрерывным континуумом градаций выраженности значений от нейтральной точки до одного из противоположных признаков («приятное - неприятное», «теплое - холодное», «легкое - тяжелое», «быстрое - медленное» и т.д.). При оценке объект помещается в определенную точку семантического пространства, при этом его положение будет характеризоваться направленностью от нейтральной позиции шкалы (качественная характеристика) и удаленностью от нее (количественная характеристика). Чем больше удаленность от нейтральной позиции, тем активнее реакция и более значим для индивида оцениваемый объект по данной шкале.

Для различных объектов могут быть значимы различные измерения (шкалы), выявить которые призваны методы кластерного анализа и анализа главных компонент. Конечно информация, заложенная в самом объекте или в его изображении, при ее выражении в словесном виде искажается, это происходит в силу специфической природы языковых знаков [2].

В ходе работы респондентам по очереди демонстрировались подшипник, зубчатое колесо, болт, шайба, винт, гайка и зубчатый вал. Было предложено попробовать связать данные детали с определенным ощущением и указать насколько оно характерно для каждой детали с помощью анкеты. Она состояла из 19 пар прилагательных и семибалльной шкалы, причем максимальное количество баллов (7) соответствовало понятию, расположенному слева в предложенной паре, наименьшее количество баллов (1) - правому понятию, нейтральной позиции соответствовало 4 балла. Было опрошено 20 студентов БНТУ. Результаты представлены в таблице 1.

Таблица 1. Усредненные оценки респондентов по шкалам и объектам

Усредненные значения по объектам и по шкалам были обработаны методом кластерного анализа в программе StatGraphics Plus v5.1, который позволяет выявить сформированное факторы для объекта изучения, объясняющие полученные данные. Упорядочивание данных может происходить с помощью анализа (группировка объектов) и // анализ (группировка шкал).

При кластеризации выбиралось расстояние Евклида, алгоритм «дальнего соседа» при поиске расстояния между данными. Результаты представлены на рис. 1, где по оси Х расположены объединенные в кластеры шкалы.

Рисунок 1. Результаты кластерного анализа антонимичных шкал

Результаты кластерного анализа показали, что шкалы объединились в несколько факторов универсального семантического пространства. В данном случае выделены факторы «Оценка», «Активность», «Сложность», при этом произошло сцепление факторов силы и стабильности в один. Несколько шкал (2, 15) на данном уровне кластеризации (10) не присоединились ни к одному из факторов, но в целом полученные от респондентов данные формируют универсальные факторы, то есть при выборе респондентами градаций шкал наблюдается универсальная закономерность и измерение объекта происходит по факторам оценки, активности, сложности объекта, однако его сила и стабильность воспринимаются как одно понятие.

Рисунок 2. Результаты кластерного анализа объектов (деталей)

Результаты кластерного анализа показали объединение деталей в три группы на уровне 40 (рисунок 2). Первую группу составили подшипник (1) и зубчатый вал (7), вторую группу - зубчатое колесо (2) и болт (3), третью группу - шайба (4), винт (5), гайка (6). Наличие разных групп показывает, что разные объекты оцениваются по-разному, близкие оценки получают объекты, находящиеся в рамках одной группы по факторам «Оценка», «Активность», «Сложность», «Сила и стабильность».

Анализ главных компонент позволяет перейти от многомерного пространства к пространству меньшего количества факторов, выбирая из каждого сформированного фактора по одному признаку. С помощью анализа главных компонент было установлено, что три фактора (компоненты) объясняют около 89% разброса дисперсии, что является хорошим результатом. Результаты расчетов представлены в таблице 2.

Таблица 2. Разброс дисперсии данных при анализе методом главных компонент

Результаты показывают, что наиболее весом первый фактор, объясняющий дисперсию данных приблизительно на 40%, второй фактор - на 34%, третий фактор - на 14%. Факторные нагрузки позволяют установить шкалы, составившие данные факторы (таблица 3).

Таблица 3. Результаты анализа главных компонент

Результаты анализа главных компонент позволяют перейти от использования семантического пространства, построенного из 19 шкал, к пространству из 13 шкал, теряя в точности 11%. Шкалы, представленные в таблице 3, охватывают все пять областей универсального семантического пространства, например, шкалы «приятное - неприятное» и «теплое - холодное» относятся к оценке, шкалы «упорядоченное - хаотичное», «устойчивое - изменчивое» - к стабильности, шкалы «большое - маленькое» и «густое - жидкое» - к силе и т.д.

Методика семантического дифференциала также позволяет установить стереотип относительно изучаемого объекта, его сложившуюся устойчивую оценку [3]. Согласно методике семантического дифференциала к стереотипной может быть отнесена оценка, для которой средняя оценка по шкале будет отличаться от нейтральной (четыре балла при семибалльной шкале) на величину стандартного отклонения. Стандартные отклонения для каждой шкалы для деталей машиностроения представлены в таблице 4.