1) ప్రమాణీకరణ - ప్రక్రియ యొక్క ప్రాసెసింగ్ మరియు నియంత్రణ, సూచనల ఏకీకరణ, పరీక్ష రూపాలు, రికార్డింగ్ ఫలితాల పద్ధతులు, పరీక్షను నిర్వహించడానికి పరిస్థితులు, విషయాల జనాభా యొక్క లక్షణాలు. పరీక్షా విధానం యొక్క కఠినమైన ఫ్రీక్వెన్సీ పరీక్ష యొక్క విశ్వసనీయతను నిర్ధారించడానికి మరియు పరీక్ష ఫలితాలను అంచనా వేయడానికి పరీక్ష ప్రమాణాలను నిర్ణయించడానికి ఒక అవసరం.

2) ప్రమాణీకరణ - అధ్యయనం చేయబడిన సూచిక యొక్క పరిమాణాత్మక విలువల ఆధారంగా కాకుండా, విషయాల నమూనాలో ఫలితాల పంపిణీలో దాని సాపేక్ష స్థానం ఆధారంగా సాధారణ రేటింగ్ స్కేల్‌ను కొత్త స్కేల్‌గా మార్చడం.

ప్రామాణీకరణ దశలు

దశ 1. ఏకరీతి పరీక్ష విధానాన్ని రూపొందించడం.

ఇది రోగనిర్ధారణ పరిస్థితి యొక్క క్షణాలను నిర్ణయించడాన్ని కలిగి ఉంటుంది.

· పరీక్ష పరిస్థితులు (గది, లైటింగ్ మరియు ఇతర బాహ్య కారకాలు).

· సూచనల కంటెంట్ మరియు దాని ప్రదర్శన యొక్క లక్షణాలు (వాయిస్ టోన్, పాజ్‌లు, ప్రసంగం వేగం మొదలైనవి).

· ప్రామాణిక ఉద్దీపన పదార్థం యొక్క లభ్యత (ఉదాహరణకు, రోర్స్చాచ్ కార్డులు).

· ఈ పరీక్షను నిర్వహించడానికి సమయ పరిమితులు.

· ఈ పరీక్షను నిర్వహించడానికి ప్రామాణిక రూపం.

· పరీక్ష ప్రక్రియ మరియు ఫలితంపై పరిస్థితుల కారకాల ప్రభావాన్ని పరిగణనలోకి తీసుకోవడం.

· పరీక్ష ప్రక్రియ మరియు ఫలితంపై రోగనిర్ధారణ నిపుణుడి ప్రవర్తన యొక్క ప్రభావాన్ని పరిగణనలోకి తీసుకోవడం

· పరీక్షలో సబ్జెక్ట్ యొక్క అనుభవం యొక్క ప్రభావాన్ని పరిగణనలోకి తీసుకోవడం.

దశ 2. పరీక్ష పనితీరు యొక్క ఏకరీతి అంచనాను రూపొందించడం. తో పొందిన ఫలితాల యొక్క ప్రామాణిక వివరణ మరియు ప్రాథమిక ప్రామాణిక ప్రాసెసింగ్. ఈ దశలో, పొందిన సూచిక ఇచ్చిన వయస్సు కోసం ఈ పరీక్షను నిర్వహించడానికి కట్టుబాటుతో పోల్చబడుతుంది.

దశ 3. పరీక్ష పనితీరు ప్రమాణాల నిర్ధారణ. వివిధ వయస్సులు, వృత్తులు, లింగాలు మొదలైన వాటి కోసం ప్రమాణాలు అభివృద్ధి చేయబడ్డాయి.

z-ప్రామాణిక స్కోర్

ప్రాథమిక అంచనాల యొక్క అత్యంత సాధారణ రూపాంతరాలు ప్రామాణిక విచలనాలను ఉపయోగించి కేంద్రీకరించడం మరియు సాధారణీకరణ. సాధారణీకరణ ప్రక్రియలో ఇతర కొలత యూనిట్లకు వెళ్లడం జరుగుతుంది. సాధారణీకరణ ఫంక్షన్ సాధారణంగా ఉంటుంది Z-స్కోరు (ప్రామాణిక సూచిక), ఇది వ్యక్తిగత ఫలితం యొక్క విచలనాన్ని వ్యక్తపరుస్తుంది X ప్రామాణిక విచలనానికి అనులోమానుపాతంలో యూనిట్లలో.

సాధారణ లేదా సాధారణ చట్టానికి దగ్గరగా పంపిణీ చేయబడిన ప్రాథమిక సూచికల యొక్క సరళ మరియు నాన్‌లీనియర్ పరివర్తన ఆధారంగా లెక్కించబడిన ప్రామాణిక సూచికలు సైకో డయాగ్నోస్టిక్స్‌లో మరింత విస్తృతంగా మారాయి. ఈ గణనలో, అంచనాల యొక్క z-పరివర్తన నిర్వహించబడుతుంది. z-ప్రామాణిక స్కోర్‌ని నిర్ణయించడానికి, వ్యక్తిగత ప్రాథమిక ఫలితం మరియు సాధారణ సమూహ సగటు మధ్య వ్యత్యాసాన్ని గుర్తించి, ఆపై ఈ వ్యత్యాసాన్ని సాధారణ నమూనా యొక్క δతో విభజించండి.

X – ముడి స్కోర్ (పూర్తయిన పనుల సంఖ్య)

Мх - మొత్తం నమూనా కోసం పూర్తి చేసిన పనుల సగటు విలువ

δ - ప్రామాణిక విచలనం (విదేశీ మనస్తత్వశాస్త్రంలో SD)

గణిత శాస్త్రజ్ఞుడు కార్ల్ గాస్ సాధారణ పంపిణీని వివరించే ఒక విధిని ప్రతిపాదించాడు. సాధారణ పంపిణీ సమీకరణం యొక్క గ్రాఫ్ ఒక సుష్ట ఏకరీతి బెల్-ఆకారపు వక్రరేఖ (లేదా బెల్ కర్వ్ ).

అంకగణిత సగటు Mx మరియు ప్రామాణిక విచలనం δ (చిన్న సిగ్మా) అని పిలుద్దాం. సాధారణ పంపిణీతో, అన్ని అధ్యయనం చేసిన పరిమాణాలు Mx ± 5 δ పరిమితుల్లో ఉంటాయి.

Mx లోపల ± δ 68.26% ఉన్నాయి, మిగిలిన 31.74% 15.87 వెంట సుష్టంగా ఉన్నాయి

Mx ± 2 δ లోపల 95.44%

మరియు Mx ± 3 δ లోపల 99.72%

శాతం

శాతం - ఈ ప్రాథమిక సూచిక కంటే తక్కువ ఫలితాలు ఉన్న ప్రామాణీకరణ నమూనా నుండి వ్యక్తుల శాతం. పర్సంటైల్ స్కేల్‌ను ర్యాంక్ గ్రేడేషన్‌ల సమితిగా పరిగణించవచ్చు, ర్యాంక్‌ల సంఖ్య 100 మరియు 1వ ర్యాంక్ నుండి ప్రారంభమై, అత్యల్ప ఫలితానికి అనుగుణంగా ఉంటుంది;

50వ శాతం ( R 50 ) ఫలితాల పంపిణీ మధ్యస్థానికి అనుగుణంగా ఉంటుంది

శాతాలు సాధారణ శాతాలతో గందరగోళం చెందకూడదు. రెండోది వ్యక్తిగత ఫలితంలోని మొత్తం పరీక్ష అంశాలలో సరైన పరిష్కారాల నిష్పత్తిని సూచిస్తుంది. ర్యాంకులు పి 1 మరియు R 100 నమూనాలో గమనించిన వాటి నుండి వరుసగా అత్యల్ప మరియు అత్యధిక ఫలితాలను అందుకుంటారు, అయితే, ఈ ర్యాంక్‌లు సున్నా (ఒక సరైన నిర్ణయం కాదు) లేదా సంపూర్ణ (అన్ని నిర్ణయాలు సరైనవి) సూచికలకు దూరంగా ఉండవచ్చు. ఉదాహరణకు, మొత్తం 120 టాస్క్‌ల సంఖ్యతో, మొదటి ర్యాంక్‌కు సంబంధించిన కనిష్ట ఫలితం 6 సరైన పరిష్కారాలు కావచ్చు, అయితే గరిష్ట ఫలితం ర్యాంక్‌కు అనుగుణంగా ఉంటుంది. R 100 , 95 సరిగ్గా పరిష్కరించబడిన పనులు. ఈ పరిస్థితి సంభవిస్తుంది, ఉదాహరణకు, వేగ పరీక్షలను మూల్యాంకనం చేసేటప్పుడు.

శాతం ప్రమాణాల యొక్క ప్రధాన ప్రతికూలత కొలత యూనిట్ల అసమానత. సాధారణ పంపిణీలో, వ్యక్తిగత వేరియబుల్స్ పంపిణీ మధ్యలో గట్టిగా సమూహం చేయబడతాయి మరియు అంచుల వైపు కదులుతున్నప్పుడు చెల్లాచెదురుగా ఉంటాయి. అందువల్ల, కేంద్రానికి సమీపంలో ఉన్న కేసుల సమాన పౌనఃపున్యాలు అంచనాల పంపిణీ అంచుల వద్ద ఉన్న x- అక్షం వెంట తక్కువ విరామాలకు అనుగుణంగా ఉంటాయి. శాతాలు సాధారణ నమూనాలో ప్రతి విషయం యొక్క సాపేక్ష స్థానాన్ని చూపుతాయి, కానీ ఫలితాల మధ్య తేడాల పరిమాణాన్ని కాదు. ఇది వ్యక్తిగత ఫలితాలను వివరించడంలో కొంత అసౌకర్యాన్ని సృష్టిస్తుంది. అందువలన, విరామానికి అనుగుణంగా ప్రాథమిక సూచికలలో వ్యత్యాసం R 70 – R 80, మొత్తం 10 పాయింట్లు మరియు ర్యాంకుల పరిధిలో సరైన పరిష్కారాల సంఖ్యలో తేడా ఉంటుంది R 50 – R 60, - 1-3 పాయింట్లు మాత్రమే.

గణాంక ప్రమాణాలు

ఎ. గణాంక ప్రమాణాలు. పరీక్ష స్కోర్ స్కేల్‌పై సరిహద్దు విలువలు, ప్రామాణీకరణ నమూనాలో పరీక్ష స్కోర్‌ల ఫ్రీక్వెన్సీ పంపిణీ ఆధారంగా ఏర్పడతాయి. నియమం ప్రకారం, ఈ కటాఫ్ విలువలు నమూనా నుండి నిర్ణీత శాతం విషయాలను వేరు చేస్తాయి: (డెసిల్), 25 (క్వార్టైల్), 50 (మధ్యస్థం). సాధారణ పంపిణీతో, గణాంక ప్రమాణం పారామితులను ఉపయోగించి వివరించబడుతుంది (సగటు ప్లస్/మైనస్ సిగ్మా, లేదా ప్రామాణిక విచలనం). గణాంక ప్రమాణాలు "తులనాత్మక నిర్ణయాలు" తీసుకోవడానికి ఉపయోగపడతాయి మరియు "నియమానిక నిర్ణయాలు" తీసుకోవడానికి సమాచారాన్ని అందించవు

బి. వయస్సు నిబంధనలు - వివిధ వయస్సుల పిల్లల కోసం సేకరించిన సైకో డయాగ్నస్టిక్ నిబంధనల యొక్క ప్రైవేట్ వెర్షన్లు.

IN. ప్రమాణాలు ప్రమాణాలు - రోగనిర్ధారణ ప్రమాణాలు, ఇది కొలవబడే ఆస్తి యొక్క స్కేల్ మరియు ప్రమాణ సూచిక స్థాయిపై పరీక్ష స్కోర్‌ల మధ్య అనురూప్యాన్ని నిర్దేశిస్తుంది. ప్రమాణం ప్రవర్తన విషయంలో, ఇచ్చిన పరీక్ష స్కోర్ కోసం ప్రమాణం ప్రవర్తన యొక్క సంభావ్యతను ప్రమాణం ప్రమాణాలు సూచిస్తాయి.

జి. పాఠశాల ప్రమాణాలు పాఠశాల సాధన పరీక్షలు లేదా పాఠశాల ఆప్టిట్యూడ్ పరీక్షల ఆధారంగా అభివృద్ధి చేయబడ్డాయి.

డి. వృత్తిపరమైన ప్రమాణాలు. వారు వివిధ వృత్తిపరమైన సమూహాలకు పరీక్షల ఆధారంగా స్థాపించబడ్డారు.

ఇ. స్థానిక ప్రమాణాలు . వయస్సు, లింగం, భౌగోళిక ప్రాంతం, సామాజిక ఆర్థిక స్థితి - సాధారణ లక్షణం యొక్క ఉనికిని కలిగి ఉన్న వ్యక్తుల యొక్క ఇరుకైన వర్గాల కోసం అవి స్థాపించబడ్డాయి.

మరియు. జాతీయ ప్రమాణాలు. మొత్తం దేశం లేదా దేశం యొక్క ప్రతినిధుల కోసం అభివృద్ధి చేయబడింది.

STANINES

నాన్ లీనియర్ స్కేల్‌కి స్టాండర్డ్ స్కేల్‌గా రూపాంతరం చెందడానికి ఒక ఉదాహరణ స్టానిన్ స్కేల్ (ఇంగ్లీష్: స్టాండర్డ్ నైన్), ఇక్కడ రేటింగ్‌లు 1 నుండి 9, M = 5, δ = 2 వరకు విలువలను తీసుకుంటాయి.

స్టానిన్ స్కేల్ మరింత విస్తృతంగా మారుతోంది, ఇది ప్రామాణిక స్కేల్ సూచికల ప్రయోజనాలను మరియు శాతాల సరళతను మిళితం చేస్తుంది. ప్రాథమిక సూచికలు సులభంగా స్టానినాగా మార్చబడతాయి. దీన్ని చేయడానికి, సబ్జెక్టులు ఫలితాల ఆరోహణ క్రమంలో ర్యాంక్ చేయబడతాయి మరియు వాటి నుండి అవి పరీక్ష ఫలితాల సాధారణ పంపిణీలో అంచనాల యొక్క నిర్దిష్ట పౌనఃపున్యాలకు అనులోమానుపాతంలో అనేక మంది వ్యక్తులతో సమూహాలుగా ఏర్పడతాయి.

గోడలు

సబ్జెక్టుల యొక్క వృత్తిపరమైన సామర్థ్యాలను పరిశీలించే ఫలితాలు ప్రత్యేక ప్రమాణాలలోకి ప్రవేశించబడతాయి, ఇది ఖాళీగా ఉన్న స్థానం కోసం నిర్దిష్ట అభ్యర్థి యొక్క ప్రాధాన్యతల గురించి శాస్త్రీయంగా ఆధారిత ముగింపు కోసం సైకోమెట్రిక్ సాధనాలను ఉపయోగించడం సాధ్యమవుతుంది.

కొలత అనేది కొన్ని లక్షణాలు మరియు లక్షణాలను తెలిసిన, సులభంగా అర్థం చేసుకోగల మరియు ప్రాసెస్ చేయబడిన యూనిట్లుగా సంఖ్యలుగా మార్చడం. కొలత అనేది నిర్దిష్ట నియమాలకు అనుగుణంగా సబ్జెక్ట్‌లు మరియు వస్తువుల లక్షణాలు మరియు లక్షణాలకు సంఖ్యలను కేటాయించడం. స్కేల్ అనేది అధ్యయనం చేయబడిన వస్తువు యొక్క లక్షణాల సమితిని రికార్డ్ చేయడం మరియు వాటిని ఒక నిర్దిష్ట సంఖ్యా వ్యవస్థలోకి ఆర్డర్ చేయడం.

I. కొలిచే ప్రమాణాలు అనేది స్థిరీకరణ యొక్క ఒక రూపం మరియు మానసిక దృగ్విషయం లేదా ప్రక్రియల యొక్క మొత్తం సంకేతాలను ఒక నిర్దిష్ట సంఖ్యా వ్యవస్థలో అధ్యయనం చేసే పద్ధతి. ప్రమాణాల ఉపయోగం గుణాత్మక మరియు పరిమాణాత్మక అంచనా అవసరంతో ముడిపడి ఉంటుంది

(తరువాతి పోలిక యొక్క పనితో) కొన్ని లక్షణాలు మరియు వేరియబుల్స్.

లక్షణాలు మరియు వేరియబుల్స్ కొలవగల మానసిక దృగ్విషయాలు. అటువంటి దృగ్విషయాలు: సమస్యను పరిష్కరించడానికి సమయం, చేసిన తప్పుల సంఖ్య, ఆందోళన స్థాయి, మేధో లాబిలిటీ యొక్క సూచిక, సోషియోమెట్రిక్ స్థితి యొక్క సూచిక మొదలైనవి.

మానసిక పరిశోధనలో కొలతలు అంతం కాదు, అవి కొత్త అదనపు సమాచారాన్ని పొందే మార్గం, మరియు మానసిక దృగ్విషయం లేదా అధ్యయనం చేయబడిన ప్రక్రియలను వివరించడం, వాటి సాధ్యమయ్యే మార్పు యొక్క దిశలు మరియు పోకడలను అంచనా వేయడం అవసరం.

అనుభావిక పదార్థం యొక్క గణాంక ప్రాసెసింగ్, అనుభావిక (ప్రయోగాత్మక) డేటా యొక్క క్రమబద్ధీకరణ మరియు విశ్లేషణ ద్వారా నిర్దిష్ట మానసిక దృగ్విషయాలు లేదా ప్రక్రియలను అధ్యయనం చేసే మనస్తత్వవేత్త యొక్క పని క్రమం క్రింది విధంగా ఉంది: అన్నింటిలో మొదటిది, లక్షణాలు మరియు లక్షణాలను స్పష్టంగా గుర్తించడం అవసరం. అధ్యయనం చేయబడింది (ఉదాహరణకు, ఒక వ్యక్తి యొక్క వృత్తిపరంగా ముఖ్యమైన నాణ్యత, అధ్యయనం చేయబడిన ఒక నిర్దిష్ట పాత్ర లక్షణం యొక్క ఖచ్చితమైన నిర్వచనం ఇవ్వడానికి); ఈ లక్షణాల యొక్క విశ్వసనీయంగా గుర్తించదగిన స్థాయిలను (చిహ్నాలు) ఎంచుకోండి, అనగా. ఈ ఆస్తి కోసం కొలత యూనిట్లను సెట్ చేయండి; అధ్యయనంలో ఉన్న గుణాలకు లేదా వాటి లక్షణాలకు సంఖ్యలను కేటాయించడం (కొలత యూనిట్‌గా తీసుకోబడింది), ఇది పేర్కొన్న లక్షణాల ప్రకారం కొలిచిన వస్తువులను వర్గీకరించడం, క్రమబద్ధీకరించడం లేదా ఈ లక్షణాల వ్యక్తీకరణ స్థాయికి అనుగుణంగా వాటిని ర్యాంక్ చేయడం వంటివి అనుమతిస్తుంది. ఈ ప్రయోజనం కోసం, వివిధ గణాంక పరిమాణాలు ఉపయోగించబడతాయి: షరతులతో కూడిన స్కోర్‌లు, అధ్యయనం చేసిన పరిమాణాల ప్రాముఖ్యత ర్యాంకులు, కారకం "బరువులు" మొదలైనవి; లెక్కింపు యొక్క ఎంచుకున్న యూనిట్ల ఆధారంగా కొలత, అధ్యయనం చేయబడిన ఆస్తి లేదా నాణ్యత; పొందిన మానసిక సూచికల గణాంక ప్రాసెసింగ్ నిర్వహించండి.

సర్వే విషయంపై సేకరించిన గణాంక అంశాల ఫలితాలు పద్దతి మరియు మానసిక స్థానాల నుండి సరిగ్గా విశ్లేషించబడాలి. దీన్ని చేయడానికి, కొలిచే స్కేల్ రకం మరియు దానిలో చేర్చబడిన గణాంక విలువల యొక్క అనుమతించదగిన పరివర్తనలను ఏర్పాటు చేయడం అవసరం.

కొలత ప్రమాణాల వర్గీకరణ అమెరికన్ మనస్తత్వవేత్త S.S ద్వారా మెట్రిక్ డిటర్మినిజం యొక్క సంకేతంపై ఆధారపడి ఉంటుంది. స్టీవెన్స్. ఈ లక్షణానికి అనుగుణంగా, కొలత ప్రమాణాలు సాధారణంగా నాన్-మెట్రిక్ (పేరు ప్రమాణాలు, ఆర్డర్ ప్రమాణాలు) మరియు మెట్రిక్ (విరామ ప్రమాణాలు, నిష్పత్తి ప్రమాణాలు)గా విభజించబడ్డాయి.

గుణాత్మక లక్షణాల ప్రమాణాలు.

1. నామకరణ స్కేల్‌లో (మరొక పేరు నామినేటివ్), గుణాత్మక సమాచారాన్ని రికార్డ్ చేసేటప్పుడు, నిర్దిష్ట తరగతికి సంబంధిత లక్షణాన్ని ఏర్పాటు చేయడం ఆమోదయోగ్యమైనది. నామినేటివ్ స్కేల్‌కి ఒక ఉదాహరణ డైకోటోమస్ స్కేల్, ఇందులో కేవలం రెండు సెల్స్ మాత్రమే ఉంటాయి, ఉదాహరణకు: ఒక నిపుణుడు "ఓటు వేసిన" లేదా "వ్యతిరేకంగా". పేర్ల యొక్క డైకోటోమస్ స్కేల్‌తో పాటు మారే సంకేతాన్ని ప్రత్యామ్నాయం అంటారు. మరింత సంక్లిష్టమైన వెర్షన్ నామినేటివ్ స్కేల్ అనేది మూడు లేదా అంతకంటే ఎక్కువ కణాల వర్గీకరణ, ఉదాహరణకు: “అభ్యర్థి ఎంపిక

A - అభ్యర్థులు B - అభ్యర్థులు C - అభ్యర్థులు D". ఈ సందర్భంలో, లక్షణాల సమూహాల మధ్య గణాంక కనెక్షన్ ఏర్పడవచ్చు (సహసంబంధ విశ్లేషణ). అయితే, కొలిచిన లక్షణాల మధ్య ఎటువంటి సంబంధం ఉండకపోవచ్చు (టేబుల్ 11).

పట్టిక 11

నామకరణ స్థాయికి ఉదాహరణ

పేర్ల స్కేల్‌పై కొలవబడిన డేటా మధ్య సంబంధాన్ని విశ్లేషించడానికి, కింది సహసంబంధ గుణకాలు ఎక్కువగా ఉపయోగించబడతాయి: a) గుణకాలు 2 ? 2 (4) సెల్ సంయోగం (ఆకస్మిక గుణకం Q; అసోసియేషన్ కోఎఫీషియంట్?); బి) గుణకాలు m x n (బహుకణ) సంయోగం (పియర్సన్ యొక్క పరస్పర సంయోగ గుణకం C; చుప్రోవ్ యొక్క పరస్పర సంయోగ గుణకం K).

తరగతులలో పంపిణీలను గుర్తించేటప్పుడు, లక్షణాల సంభవించిన సంపూర్ణ మరియు సాపేక్ష పౌనఃపున్యాలను గుర్తించడం, మోడ్ మరియు మధ్యస్థాన్ని నిర్ణయించడం సాధ్యపడుతుంది.

1. ఆర్డర్ స్కేల్‌లో, సంబంధాల ద్వారా అనుసంధానించబడిన అంశాలకు లక్షణాల సమితిని విభజించడానికి ఇది అనుమతించబడుతుంది: "ఎక్కువ-తక్కువ" (టేబుల్ 12).

పట్టిక 12

ఆర్డర్ స్కేల్ యొక్క ఉదాహరణ

నిపుణుల అంచనాలు చాలా తరచుగా ఆర్డినల్ స్కేల్‌లో ప్రదర్శించబడతాయి, ఉదాహరణకు, నిపుణుల సర్వేలో, పరిమాణాత్మక వాటి కంటే గుణాత్మక, తులనాత్మక స్వభావం (ఇవనోవ్ పెట్రోవ్‌కు ప్రాధాన్యతనిస్తుంది) ప్రశ్నలకు సమాధానం ఇవ్వడం నిపుణుడికి సులభం. అనుభావిక పదార్థాన్ని గణాంకపరంగా ప్రాసెస్ చేస్తున్నప్పుడు, పంపిణీ మధ్యస్థాన్ని నిర్ణయించడం మరియు ర్యాంక్ సహసంబంధ గుణకాలను లెక్కించడం సాధ్యమవుతుంది.

ఆర్డినల్ స్కేల్ తప్పనిసరిగా కనీసం మూడు తరగతులను కలిగి ఉండాలి, ఉదాహరణకు, “పాజిటివ్ రియాక్షన్ - న్యూట్రల్ రియాక్షన్ - నెగటివ్ రియాక్షన్” లేదా “ఖాళీ స్థానానికి తగినది - రిజర్వేషన్‌లతో సరిపోతుంది - సరికాదు” లేదా X A = X B; X A< Х В; Х А >X V.

పరిమాణాత్మక లక్షణాల ప్రమాణాలు విరామ ప్రమాణాలు మరియు నిష్పత్తి ప్రమాణాలు.

2. ఇంటర్వెల్ స్కేల్ అనేది కొలవబడే లక్షణం యొక్క తీవ్రత ప్రకారం లక్షణాలను ఆర్డర్ చేసే, వర్గీకరించే మరియు మూల్యాంకనం చేసే స్కేల్, “నిర్దిష్ట సంఖ్యలో యూనిట్ల ద్వారా ఎక్కువ - తక్కువ నిర్దిష్ట సంఖ్యలో యూనిట్లు." విరామాలు కొలవబడే నిర్దిష్ట మానసిక పరామితి యొక్క అభివృద్ధి స్థాయిలను నిర్ణయించగలవు. సున్నా రిఫరెన్స్ పాయింట్‌ను ఏకపక్షంగా సెట్ చేయవచ్చు (టేబుల్ 13).

పట్టిక 13

ఇంటర్వెల్ స్కేల్ యొక్క ఉదాహరణ

ప్రామాణిక విచలనం ఈ స్కేల్‌లో విరామంగా ఉపయోగించబడుతుంది. విరామ లక్షణాలు ఇలా ఉండవచ్చు: ముడి స్కోర్‌లను ప్రామాణిక విచలన యూనిట్‌లుగా మార్చడం ఆధారంగా సమస్యను పరిష్కరించడానికి సమయం; ప్రామాణిక సూచికలు: IQ, T - స్కోర్‌లు, పర్సంటైల్స్ మొదలైనవి.

ఆమోదయోగ్యమైన రూపాంతరాలు: అంకగణిత సగటుల లెక్కలు, ప్రామాణిక విచలనాలు; రెండు వేరియబుల్స్ యొక్క సహసంబంధ గుణకాలు (స్పియర్‌మ్యాన్ కోరిలేషన్ కోఎఫీషియంట్ r s; గుడ్‌మాన్ మరియు క్రుస్కల్ కొలత; కెండల్ కొలత; సోమర్స్ డి కొలత; COV - కోవియారెన్స్; పియర్సన్ లీనియర్ కోరిలేషన్ కోఎఫీషియంట్ r xy; అనేక వేరియబుల్స్ యొక్క సహసంబంధ గుణకం: సమన్వయ గుణకం W;

4. నిష్పత్తి స్కేల్‌లో, లక్షణాలు కొలవబడే ఆస్తి యొక్క వ్యక్తీకరణ స్థాయికి అనులోమానుపాతంలో వర్గీకరించబడతాయి మరియు సారూప్యత, అనుపాతత, సమానత్వం-అసమానత మొదలైన సూత్రం ఆధారంగా కొలిచిన లక్షణాలకు సంఖ్యా విలువలు కేటాయించబడతాయి. నిష్పత్తి స్కేల్‌లో గణనీయమైన సున్నా పాయింట్ ఉంది, ఇది కొలిచిన ఆస్తి, నాణ్యత పూర్తిగా లేకపోవడాన్ని సూచిస్తుంది మరియు లక్షణాలు సంఖ్యాపరమైన అనుపాత సంబంధాన్ని కలిగి ఉంటాయి (ఉదాహరణకు, 2 నుండి 4 వరకు, 4 నుండి 8 వరకు, మొదలైనవి).

గమనిక. మానవ మనస్తత్వం యొక్క సామర్థ్యాలు చాలా గొప్పవి, ఏదైనా కొలవగల మానసిక వేరియబుల్‌లో సంపూర్ణ సున్నాని ఊహించడం కష్టం. సంపూర్ణ మూర్ఖత్వం మరియు సంపూర్ణ నిజాయితీ అనేది రోజువారీ మనస్తత్వ శాస్త్రానికి బదులుగా భావనలు. సమాన సంబంధాల స్థాపనకు కూడా ఇది వర్తిస్తుంది: రోజువారీ ప్రసంగం యొక్క రూపకం మాత్రమే ఇవనోవ్ పెట్రోవ్ కంటే 2 సార్లు (3, 5, 10) తెలివిగా లేదా వైస్ వెర్సాగా ఉండటానికి అనుమతిస్తుంది.

ఆమోదయోగ్యమైన పరివర్తనలు: ఫ్రీక్వెన్సీ సూచికలకు సంబంధించి, అన్ని అంకగణిత కార్యకలాపాలను వర్తింపజేయడం సాధ్యమవుతుంది; ఈ రిలేషన్ షిప్ స్కేల్‌లో కొలత యూనిట్ 1 పరిశీలన, 1 ఎంపిక, 1 ప్రతిచర్య మొదలైనవి.

కొన్నిసార్లు ఒక సర్వేలో ఫలితాలను వివిధ ప్రమాణాలలో ప్రదర్శించడం అవసరం. మేము దీనిని తదుపరి ఉదాహరణలో (టేబుల్ 14) చూస్తాము.

పట్టిక 14

విభిన్న ప్రమాణాలలో వ్యక్తీకరించబడిన మౌఖిక ఆలోచన అంచనా ఫలితాల సహసంబంధం

అనుభావిక డేటాను రికార్డ్ చేసే రూపం ప్రకారం, కొలత ప్రమాణాలు విభజించబడ్డాయి: శబ్ద, సంఖ్యా, గ్రాఫిక్.

వెర్బల్ స్కేల్స్ అనేది అధ్యయనం చేయబడిన లక్షణం (ఉదాహరణకు, బహిర్ముఖుడు - అంతర్ముఖుడు మొదలైనవి) ఉనికి (అవును - కాదు) లేదా వ్యక్తీకరణ స్థాయి (ధ్రువ నిర్వచనాల రూపంలో సహా) గురించి తీర్పులను రికార్డ్ చేసే ఒక రూపం.

సంఖ్యా ప్రమాణాలలో, సర్వేలో కొలిచిన డేటా సంఖ్యా విలువలను ఉపయోగించి ప్రదర్శించబడుతుంది, ఇది అనుభావిక పదార్థం యొక్క రికార్డింగ్ మరియు గణాంక ప్రాసెసింగ్‌కు అత్యంత అనుకూలమైనది.

గ్రాఫిక్ స్కేల్‌లు అబ్సిస్సా మరియు ఆర్డినేట్ అక్షాలపై కొలిచిన లక్షణం యొక్క అభివృద్ధి యొక్క డైనమిక్స్‌ను స్పష్టంగా ప్రదర్శించడానికి మరియు దాని మార్పులోని ధోరణులను చూడటానికి మిమ్మల్ని అనుమతిస్తాయి (Fig. 16).

అన్నం. 16. హిస్టోగ్రాం

హిస్టోగ్రాం అనేది బార్‌ల క్రమం రూపంలో గ్రాఫ్, వీటిలో ప్రతి ఒక్కటి ఒక అంకె విరామంపై ఆధారపడి ఉంటుంది మరియు దాని ఎత్తు ఆ అంకెలోని కేసుల సంఖ్య లేదా ఫ్రీక్వెన్సీని ప్రతిబింబిస్తుంది.

డేటా యొక్క గ్రాఫికల్ ప్రదర్శన బార్ లేదా పై చార్ట్ లేదా హిస్టోగ్రాం (Fig. 17) రూపంలో ఉంటుంది.

అన్నం. 17. వర్గీకృత ఈవెంట్‌ల సంభావ్యత పంపిణీ యొక్క బార్ మరియు పై చార్ట్‌లు

స్కేల్ అసెస్‌మెంట్‌లు అనేది ఒక ప్రత్యేక స్కేల్‌లో దాని స్థానాన్ని ఏర్పాటు చేయడం ద్వారా పరీక్ష ఫలితాలను అంచనా వేసే మార్గం. సైకో డయాగ్నోస్టిక్స్‌లో, పరీక్ష ఫలితాలను అంచనా వేసే వివిధ రూపాలు సమూహ డేటాతో పరస్పర సంబంధం కలిగి ఉండటం మరియు ప్రత్యేక స్థాయిలో దాని స్థానాన్ని ఏర్పరచడం ద్వారా ఉపయోగించబడతాయి.

అత్యంత సాధారణ స్కోరింగ్ పద్ధతుల్లో ఒకటి పర్సంటైల్. పర్సంటైల్ 1 నుండి 100 వరకు ఉన్న ర్యాంక్ గ్రేడేషన్‌ల పరిధిలో వ్యక్తుల శాతాన్ని ప్రతిబింబిస్తుంది, ఇక్కడ 50వ పర్సంటైల్ మధ్యస్థ (నేను)కి అనుగుణంగా ఉంటుంది. శాతాన్ని నిర్ణయించడానికి క్రింది సూత్రం ఉపయోగించబడుతుంది:

ఇక్కడ f com అనేది పర్సంటైల్ లెక్కించబడిన గమనించిన స్కోర్ కంటే తక్కువగా ఉండే స్కోర్‌ల యొక్క సంచిత ఫ్రీక్వెన్సీ; f అనేది మార్చబడిన అంచనా యొక్క ఫ్రీక్వెన్సీ; N అనేది రేటింగ్‌ల మొత్తం సంఖ్య (Fig. 18).

అన్నం. 18. శతాంశాలలో ఫలితాల పంపిణీ

పర్సంటైల్ స్కేల్స్ యొక్క ప్రతికూలత కొలత యూనిట్ల అసమానత. సాధారణ పంపిణీతో, చాలా పరీక్ష ఫలితాలు పంపిణీ మధ్యలో సమూహం చేయబడతాయి మరియు అంచుల వైపు కదులుతున్నప్పుడు చెల్లాచెదురుగా ఉంటాయి.

ఈ లోపాన్ని అధిగమించడానికి, పరీక్ష స్కోర్‌లు ప్రమాణీకరించబడ్డాయి, ఇది నమూనాతో పోల్చదగిన సూచికల పరంగా వివిధ విషయాల ఫలితాలను పోల్చడం సాధ్యం చేస్తుంది.

Z-స్కోర్లు X విలువ మరియు సగటు విలువ మధ్య వ్యత్యాసం యొక్క నిష్పత్తిని ప్రామాణిక విచలనం (Fig. 19).

అన్నం. 19. Z-స్కోర్‌లలో ఫలితాల పంపిణీ

పరీక్ష ఫలితాలను Z-స్కోర్‌లుగా మార్చడం సూత్రాన్ని ఉపయోగించి నిర్వహించబడుతుంది:

ఇక్కడ X 1 అనేది సబ్జెక్ట్ యొక్క వ్యక్తిగత ఫలితం, అంకగణిత సగటు, ? - ప్రామాణిక విచలనం.

Z- స్కోర్‌ల యొక్క ప్రతికూలత ప్రతికూల విలువలు మరియు భిన్నాల ఉనికి (Fig. 20).

T - పాయింట్లు

అన్నం. 20. T-స్కోర్‌లలో ఫలితాల పంపిణీ

T - స్కోర్‌లు అంటే 50 సగటు మరియు 10 యొక్క ప్రామాణిక విచలనం కలిగిన స్కోర్‌ల సాధారణ పంపిణీ. గమనించిన స్కోర్‌ల పంపిణీ సాధారణమైతే, ఫార్ములా ఉపయోగించి మార్పిడి చేయబడుతుంది:

ఇక్కడ X అనేది గమనించిన స్కోర్; M అనేది గమనించిన అంచనాల సగటు విలువ; ? x అనేది గమనించిన స్కోర్‌ల ప్రామాణిక విచలనం.

గమనించిన స్కోర్‌లు సాధారణ పంపిణీకి కట్టుబడి ఉండకపోతే, అవి శాతాలుగా మార్చబడతాయి, ఆపై సాధారణ పంపిణీ పట్టిక ప్రకారం Z- స్కోర్‌లుగా మార్చబడతాయి, దీని కోసం ఫార్ములా ఉపయోగించబడుతుంది: T = 10 z + 50 (టేబుల్ 15).

పట్టిక 15

పర్సంటైల్స్, Z-స్కోర్లు మరియు T-స్కోర్‌ల మధ్య సంబంధం

సబ్జెక్టుల ఫలితాలు స్టాన్స్‌లో ప్రతిబింబించవచ్చు (Fig. 21).

అన్నం. 21. స్టాన్ స్కేల్

తక్కువ సంఖ్యలో గుణాత్మకంగా గుర్తించదగిన స్థాయిలను కలిగి ఉన్న మానసిక సూచికలను ప్రామాణీకరించడానికి స్టాన్ స్కేల్ ఉపయోగించబడుతుంది.

స్టాన్స్ అంటే 5.5 సగటు మరియు 2 యొక్క ప్రామాణిక విచలనంతో పది-పాయింట్ స్కేల్‌లోని యూనిట్లు. సంపూర్ణ స్కోర్‌లను స్టాన్స్‌గా మార్చడానికి, ఫార్ములా ఉపయోగించబడుతుంది:

ఎక్కడ? c అనేది స్టాన్ స్కేల్ యొక్క ప్రామాణిక విచలనం, 2కి సమానం; ? x అనేది ప్రామాణీకరణ నమూనాలోని పద్ధతి సూచికల యొక్క ప్రామాణిక విచలనం; Хi - సూచిక యొక్క ప్రస్తుత విలువ;

Mx అనేది ప్రామాణీకరణ నమూనాలోని పద్ధతి సూచికల సగటు విలువ; Mc - స్టాన్ స్కేల్ యొక్క సగటు విలువ 5.5కి సమానం;

స్టెనైన్ స్కేల్ అనేది సాధారణంగా ఆమోదించబడిన సూచికల సరళ రూపాంతరం, దీనిలో స్కోర్‌లు 1 నుండి 9 వరకు విలువలను తీసుకుంటాయి, సగటు 5.0 మరియు ప్రామాణిక విచలనం? = 2.0 (Fig. 22).

అన్నం. 22. స్టెనైన్ స్కేల్

సబ్జెక్టులు ఫలితాల ఆరోహణ క్రమంలో ర్యాంక్ చేయబడ్డాయి మరియు పరీక్ష ఫలితాల సాధారణ పంపిణీలో అంచనాల యొక్క నిర్దిష్ట ఫ్రీక్వెన్సీలకు అనుగుణంగా అనేక మంది వ్యక్తులతో సమూహాలు ఏర్పడతాయి.

ప్రాథమిక సూచికలు టేబుల్ 16లో ఇవ్వబడిన ప్రాథమిక అంచనాల శాతం పంపిణీ యొక్క సాధారణ వక్రరేఖకు అనుగుణంగా వాటి సంఖ్యా విలువలను క్రమం చేయడం ద్వారా స్టెనైన్‌లుగా మార్చబడతాయి.

పట్టిక 16

స్టెనిన్స్‌గా మార్చడం

అత్యల్ప మరియు అత్యధిక స్కోర్‌లు 1 మరియు 9 ఫలితాలకు కేటాయించబడతాయి.

అదే మానసిక సూచిక (లక్షణం) కొలిచే ఫలితాలను పోల్చడానికి, ఫలితాన్ని ఏదైనా ఏకీకృత కొలత ప్రమాణానికి (ఉదాహరణకు, స్టాన్ స్కేల్) తీసుకువచ్చిన తర్వాత, O.P. ఎలిసేవ్ ఫలితాలను తిరిగి లెక్కించడానికి మరియు వాటిని 20-80 ఒకే స్కేల్‌లో ప్రదర్శించడానికి ఒక సూత్రాన్ని ప్రతిపాదించాడు.

పరీక్ష ఫలితాలను పట్టిక 20-80కి తిరిగి లెక్కించడం క్రింది సూత్రాన్ని ఉపయోగించి ప్రతి అధ్యయనం చేసిన పరామితికి విడిగా నిర్వహించబడుతుంది:

ఎక్కడ: - రా పాయింట్లు – ప్రతి సబ్‌టెస్ట్‌ను విడిగా పరిష్కరించడం కోసం అందుకున్న పాయింట్ల సంఖ్య మరియు మొత్తం పరీక్ష కోసం మొత్తం ఫలితం; 60 - కనిపించే స్థాయి పరిధి 20-80; గరిష్టం – పరీక్ష రాసే వ్యక్తి స్కోర్ చేయగల గరిష్ట సంఖ్య పాయింట్లు (ప్రతి సబ్‌టెస్ట్ మరియు మొత్తం పరీక్ష కోసం); 20 - అదృశ్య స్థాయి పరిధి 20-80 (Fig. 23).

అన్నం. 23. "SHTUR" పరీక్ష ఫలితాల హిస్టోగ్రాం

ఇవి ప్రాథమిక సైకోమెట్రిక్ స్టాటిస్టికల్ ప్రాసెసింగ్ విధానాలు, ఇవి సర్వే ఫలితాల లక్షణాలు మరియు ధోరణుల గురించి అదనపు సమాచారాన్ని పొందేందుకు మాకు అనుమతిస్తాయి.

మీరు సంసిద్ధత స్థాయికి సంబంధించి ప్రాథమిక స్కోర్‌ల యొక్క నాన్-లీనియారిటీని కూడా వదిలించుకోవాలి.

ఉదాహరణ. పాఠశాలలో గ్రేడింగ్ స్కేల్ విద్యార్థి ఇవనోవ్ విద్యార్థి పెట్రోవ్ కంటే మెరుగ్గా చదువుతున్నాడని మాత్రమే నిర్ధారించడానికి అనుమతిస్తుంది. వారి తేడాలు, విజయాలు, ప్రయత్నాలు మొదలైనవి ఏమిటి? - ఈ స్కేల్ అటువంటి ప్రశ్నలకు సమాధానం ఇవ్వదు. అదేవిధంగా, రా స్కోర్‌లు పరీక్ష రాసేవారికి మాత్రమే ర్యాంక్ ఇస్తాయి.

అటువంటి ఆర్డినల్ స్కేల్స్‌లో, ప్రధాన గణాంకాలు మధ్యస్థ, పరిమాణాలు మరియు ర్యాంక్ సహసంబంధం.

పొజిషనింగ్పరీక్ష ఫలితాల ప్రకారం సంఖ్యా అక్షంలోని విషయాలను వివిధ మార్గాల్లో నిర్వహిస్తారు. అందువల్ల, కింది విధంగా వివిధ రకాల రేటింగ్ ప్రమాణాలు ఉపయోగించబడతాయి.

తుది రేటింగ్ స్కేల్- స్కేల్, కనిష్ట మరియు గరిష్ట స్కోర్‌ల (పాయింట్లు) ద్వారా నిర్ణయించబడుతుంది, ఇది సెగ్మెంట్ యొక్క కనిష్ట నుండి గరిష్ట స్కోర్‌కు సరళ రూపాంతరం; ఉదాహరణకు, స్కేల్ 100 పాయింట్లు.

ప్రామాణిక స్థాయి- పాయింట్ల పంపిణీ యొక్క సాధారణ చట్టం గురించి పరికల్పన యొక్క ప్రామాణికత ఆధారంగా ప్రవేశపెట్టిన స్కేల్; ఉదాహరణకు, నార్మేటివ్ స్కేల్‌లోకి అనువాదం వారి యాదృచ్ఛిక నమూనాలోని సబ్జెక్టుల పరిజ్ఞానం సాధారణ పంపిణీ చట్టానికి లోబడి ఉంటుందని ఊహిస్తుంది, కాబట్టి, సాధారణ పంపిణీ వక్రరేఖలోని సమాన విభాగాలు సమాన సంఖ్యలో సరైన సమాధానాలకు అనుగుణంగా ఉంటాయి.

సాధారణ, గుణాత్మక, సంబంధాల స్థాయి- స్కేలబుల్ వస్తువులు, సిస్టమ్‌ల సెట్‌లో ఆర్డర్ సంబంధాలను పరిచయం చేయడానికి మరియు ఈ ఆర్డర్ నియమాన్ని ఉల్లంఘించని అన్ని పరివర్తనలను నిర్వహించడానికి స్కేల్; ఉదాహరణకు, మాధ్యమిక పాఠశాలలో గ్రేడింగ్ స్కేల్ 2, 3, 4, 5 మరియు ఉన్నత పాఠశాలలో - “సంతృప్తికరమైనది”, “సంతృప్తికరమైనది”, “మంచిది”, “అద్భుతమైనది”.

నామమాత్ర స్థాయి (అంశాలు)కొలత యొక్క అనుభావిక వస్తువులను వర్గీకరించేటప్పుడు నిపుణులు ఉపయోగిస్తారు. సమూహాల క్రమాన్ని ఏర్పాటు చేయకుండా బోధనా కొలత సమూహాలు విద్యార్థులను చేసినప్పుడు ఈ స్కేల్ ఉపయోగించబడుతుంది; ఉదాహరణకు, పరీక్షలో ఉత్తీర్ణులైన మరియు ఉత్తీర్ణత సాధించని వారి సమూహాలుగా విద్యార్థులను విభజించడం.

ఉదాహరణ. ఒక పనికి సరైన (తప్పు) సమాధానం కోసం పరీక్ష రాసే వ్యక్తి 1 (0)ని స్వీకరిస్తే, పరీక్ష ఫలితాలు నామమాత్రపు స్థాయిలో ప్రదర్శించబడతాయి.

ఇంటర్వెల్ స్కేల్– స్కేల్, దీనిలో లీనియర్ ట్రాన్స్‌ఫర్మేషన్ ఫంక్షన్‌లు మాత్రమే అనుమతించబడతాయి మరియు స్కేల్ యొక్క ప్రారంభం, ముగింపు లేదా కొలత యూనిట్ (గ్రేడేషన్) గాని గుర్తించడం తరచుగా అసాధ్యం; ఉదాహరణకు, ఉష్ణోగ్రత ప్రమాణాలు ఫారెన్‌హీట్ మరియు సెల్సియస్ సంబంధం ద్వారా సంబంధం కలిగి ఉంటాయి: C = 5/9 (F – 32), C – సెల్సియస్ స్కేల్‌పై ఉష్ణోగ్రత (డిగ్రీలలో), ఫారెన్‌హీట్ స్కేల్‌పై F – ఉష్ణోగ్రత.

ఇంటర్వెల్ స్కేల్ అనేది సమానత్వం, క్రమం మరియు సంకలిత సంబంధాల ప్రకారం డేటా (వస్తువులు) ఆర్డర్ చేయడానికి ఒక పరిమాణాత్మక స్కేల్. ఇది మెట్రిక్‌ను నిర్వచిస్తుంది (మూలం, కొలత యూనిట్ మరియు డేటా మరియు వస్తువుల మధ్య దూరం యొక్క భావన), కాబట్టి పరీక్ష ఫలితాలను పోల్చడం సమస్య పరిష్కరించబడుతుంది.

గుణాత్మక ప్రమాణాలు తక్కువ కొలత ఖచ్చితత్వాన్ని కలిగి ఉంటాయి, అయితే పరిమాణాత్మకమైనవి అధిక నిష్పాక్షికతను కలిగి ఉంటాయి.

కొలత రకాలు మరియు స్థాయిల నిర్మాణం అంజీర్లో చూపబడింది. 6.1

అన్నం. 6.1

టెస్టాలజీలో తరచుగా ఉపయోగించే లాజిట్ స్కేల్ సాధారణంగా టెస్ట్ స్కోర్ స్కేల్‌గా అనువదించబడుతుంది.

ఉదాహరణ. యూనిఫైడ్ స్టేట్ ఎగ్జామ్‌లో పాల్గొనే వ్యక్తి ఒక్క టాస్క్‌ను పూర్తి చేయకపోతే మరియు 0 ప్రైమరీ పాయింట్‌లను పొందకపోతే, అతను సున్నా పరీక్ష పాయింట్‌లను అందుకుంటాడు, కానీ అతను అన్ని టాస్క్‌లను పూర్తి చేసి, సాధ్యమయ్యే అత్యధిక ప్రైమరీ స్కోర్‌ను పొందినట్లయితే, అతను 100 టెస్ట్ పాయింట్‌లను అందుకుంటాడు. మిగిలిన USE పార్టిసిపెంట్‌ల పరీక్ష స్కోర్‌లు ఒక ప్రాథమిక స్కోర్‌కు సంబంధించిన లాజిట్‌లలోని స్కోర్‌తో పరిమితం చేయబడిన లాజిట్ స్కేల్‌లోని సెగ్మెంట్‌ను మార్చే లీనియర్ ట్రాన్స్‌ఫర్మేషన్‌ను ఉపయోగించి లెక్కించబడతాయి మరియు ప్రైమరీ స్కోర్ కంటే ఒక యూనిట్ తక్కువ ఉన్న లాజిట్‌లలో స్కోర్ ఆరు నుండి తొంభై నాలుగు వరకు టెస్ట్ పాయింట్ స్కేల్‌లో ఒక విభాగంలోకి గరిష్టంగా సాధ్యమవుతుంది. ఉదాహరణకు, లాజిట్ స్కేల్‌ని టెస్ట్ స్కోర్ స్కేల్‌కి మార్చే ఫార్ములా ఇలా ఉండవచ్చు:

ఇక్కడ T అనేది పరీక్ష స్కోర్, x అనేది లాజిట్‌లలో యూనిఫైడ్ స్టేట్ ఎగ్జామ్ పార్టిసిపెంట్ యొక్క సన్నద్ధత స్థాయిని అంచనా వేయడం, x min అనేది ఒక ప్రాథమిక స్కోర్‌కు సంబంధించిన లాజిట్‌లలోని స్కోర్, x గరిష్టం అనేది ప్రాధమిక స్కోర్‌కు సంబంధించిన లాజిట్‌లలోని స్కోర్. , సాధ్యమయ్యే గరిష్ట స్కోర్ కంటే ఒకటి తక్కువ, [x ] – x యొక్క పూర్ణాంకం భాగం.

నియమబద్ధంగా ఆధారిత పరీక్షలలో, సమూహంలో పరీక్ష రాసేవారి రేటింగ్‌ను నిర్ణయించడం పని. ఈ స్థలం, సహజంగా, "నేపథ్యం" - సమూహంపై ఆధారపడి ఉంటుంది. సబ్జెక్టుల ప్రతినిధి నమూనా కోసం పరీక్ష ఫలితాలను ప్రతిబింబించే ప్రమాణాలు ఉపయోగించబడతాయి.

ఉదాహరణ. సాధారణంగా, ఈ రకమైన గుణాత్మక పరీక్ష కోసం, దాదాపు 70% ఫలితాలు పంపిణీ మధ్యలో ఉంటాయి (పంపిణీ వక్రరేఖ యొక్క "బెల్ కింద") మరియు ఒక చిన్న కొలత లోపం, సుమారు 5% (బలహీనమైన మరియు బలమైన ఫలితాలు) పంపిణీ వక్రరేఖ యొక్క ఫ్లాట్ భాగంలో, అవి చాలా పెద్ద కొలత లోపాన్ని కలిగి ఉంటాయి. వృత్తిపరమైన పరీక్ష, ప్రాసెసింగ్ సమయంలో, ఈ చివరలను లేదా వాటి భాగాలను విస్మరిస్తుంది.

ప్రమాణం-ఆధారిత పరీక్షలలో, పని సెట్ చేయబడింది: ప్రతి పరీక్ష విషయం యొక్క విద్యా విజయాలను సమీకరించడానికి ప్రణాళిక చేయబడిన జ్ఞానం (నైపుణ్యాలు, నైపుణ్యాలు) మొత్తంతో పోల్చడం. ఇది పరీక్షించబడుతున్న స్టేట్ స్టాండర్డ్స్ (ప్రోగ్రామ్) యొక్క నిర్దిష్ట కంటెంట్‌పై మరింత ఆధారపడి ఉంటుంది.

పరీక్షలో పాల్గొనేవారి సమూహంలోని ఫలితాలపై పరీక్ష ఫలితం యొక్క వ్యాఖ్యానం యొక్క ఆధారపడటాన్ని తొలగించడానికి, పరీక్ష పనితీరు కోసం అనుభవపూర్వకంగా స్థాపించబడిన నిబంధనలు ఉపయోగించబడతాయి, దీనితో ఒక నిర్దిష్ట పరీక్ష రాసేవారి ప్రాథమిక స్కోర్‌లు పోల్చబడతాయి. ఇది పరీక్షను ప్రామాణీకరించే ప్రక్రియ, ఉదాహరణకు వ్యక్తిగత స్కోర్‌ల సగటు మరియు ప్రామాణిక విచలనం ద్వారా.

సాధారణంగా ఉపయోగించే ముడి స్కోర్ మార్పిడులు:

• శాతం, ప్రాథమిక స్కోర్ యొక్క ఇచ్చిన విలువ కంటే ఎక్కువ ఫలితాలు లేని సాధారణ సమూహం నుండి సబ్జెక్టుల శాతాన్ని ప్రతిబింబిస్తుంది;
• Z-స్కోరు, లీనియర్ అసెస్‌మెంట్ - టెస్ట్ స్కోర్‌ల వ్యక్తిగత విచలనం యొక్క నిష్పత్తి మొత్తం సబ్జెక్ట్‌ల స్కోర్‌ల యొక్క ప్రామాణిక విచలనం, అలాగే Z-స్కోర్ (T-స్కేల్, మొదలైనవి) యొక్క సరళ రూపాంతరాలు;
• స్టానైన్ మరియు వాల్ స్కేల్స్ (కాటెల్ స్కేల్), ప్రాథమిక స్కోర్ స్కేల్‌ను అనేక విరామాలుగా విభజించడం ద్వారా పొందబడింది.

శాతాలు నార్మేటివ్ గ్రూప్‌లో సబ్జెక్ట్ యొక్క సూచిక యొక్క ర్యాంక్‌ను ఏర్పాటు చేస్తాయి, ఈ ప్రాథమిక స్కోర్‌ల కంటే ఎక్కువ ఫలితాలు లేని నార్మాటివ్ శాంపిల్‌లోని సబ్జెక్ట్‌ల శాతాన్ని చూపుతుంది. పర్సంటైల్ స్కేల్ నాన్-లీనియర్ (రా స్కోర్ స్కేల్‌లో ఒక-పాయింట్ మార్పుకు ప్రతిస్పందన నాన్-లీనియర్), కాబట్టి ఇది వాస్తవ పరిస్థితిని కూడా వక్రీకరించవచ్చు.

Z- స్కేల్ అని పిలవబడేది వ్యక్తిగత ఫలితాలను ప్రామాణిక స్కేల్‌గా అనువదిస్తుంది, ఇది రెండు ప్రధాన సాధారణ పారామితుల ద్వారా వర్గీకరించబడుతుంది: సగటు స్కోర్ మరియు వ్యత్యాసం. i-th పరీక్షించిన వ్యక్తి యొక్క Z-స్కోర్ సూత్రాన్ని ఉపయోగించి కనుగొనబడింది:

ఇక్కడ x i అనేది సబ్జెక్ట్ యొక్క ప్రాథమిక స్కోర్‌లు; –

సైకో డయాగ్నోస్టిక్స్: లెక్చర్ నోట్స్ అలెక్సీ సెర్జీవిచ్ లుచినిన్

2. స్కేల్ రేటింగ్‌లు

2. స్కేల్ రేటింగ్‌లు

స్కేల్ రేటింగ్‌లు- ప్రత్యేక స్థాయిలో దాని స్థానాన్ని ఏర్పాటు చేయడం ద్వారా పరీక్ష ఫలితాన్ని అంచనా వేసే పద్ధతి. ప్రమాణీకరణ నమూనాలో ఈ సాంకేతికతను ప్రదర్శించడానికి స్కేల్ ఇంట్రాగ్రూప్ నిబంధనలపై డేటాను కలిగి ఉంది. అందువల్ల, పనులను పూర్తి చేయడం యొక్క వ్యక్తిగత ఫలితాలు (సబ్జెక్ట్‌ల ప్రాథమిక అంచనాలు) పోల్చదగిన నియమావళి సమూహంలోని డేటాతో పోల్చబడతాయి (ఉదాహరణకు, విద్యార్థి సాధించిన ఫలితం అదే వయస్సు లేదా అధ్యయనం చేసిన పిల్లల సూచికలతో పోల్చబడుతుంది; ఫలితం ఒక వయోజన యొక్క సాధారణ సామర్థ్యాల అధ్యయనం నిర్దిష్ట వయస్సు పరిమితుల్లోని వ్యక్తుల ప్రతినిధి నమూనా యొక్క గణాంకపరంగా ప్రాసెస్ చేయబడిన సూచికలతో పోల్చబడుతుంది).

ఈ కోణంలో స్కేల్ స్కోర్‌లు స్పష్టంగా నిర్వచించబడిన పరిమాణాత్మక కంటెంట్‌ను కలిగి ఉంటాయి మరియు గణాంక విశ్లేషణలో ఉపయోగించవచ్చు. సమూహ డేటాతో సహసంబంధం ద్వారా మానసిక విశ్లేషణలో పరీక్ష ఫలితాన్ని అంచనా వేయడానికి అత్యంత సాధారణ రూపాలలో ఒకటి గణన. శాతాలు.

పర్సంటైల్ అనేది ప్రామాణీకరణ నమూనా నుండి వ్యక్తుల శాతం, దీని ఫలితాలు ఇచ్చిన ప్రాథమిక సూచిక కంటే తక్కువగా ఉంటాయి. పర్సంటైల్ స్కేల్‌ను ర్యాంక్ గ్రేడేషన్‌ల సమితిగా పరిగణించవచ్చు (ర్యాంక్ సహసంబంధాన్ని చూడండి) ర్యాంక్‌ల సంఖ్య 100 మరియు 1వ ర్యాంక్ నుండి ప్రారంభమై, అత్యల్ప ఫలితానికి అనుగుణంగా ఉంటుంది; 50వ శాతం (PSQ) పనితీరు పంపిణీ యొక్క మధ్యస్థ (కేంద్ర ధోరణి యొక్క కొలతలను చూడండి)కి అనుగుణంగా ఉంటుంది, P ›50 మరియు P ‹50 వరుసగా మధ్యస్థ పనితీరు స్థాయి కంటే పైన మరియు దిగువన పనితీరు యొక్క ర్యాంక్‌లను సూచిస్తాయి.

శాతాలు సాధారణ శాతాలతో గందరగోళం చెందకూడదు. రెండోది వ్యక్తిగత ఫలితంలోని మొత్తం పరీక్ష అంశాలలో సరైన నిర్ణయాల నిష్పత్తిని సూచిస్తుంది (ప్రాధమిక స్కోర్‌లను చూడండి). ర్యాంక్ P మరియు P 100 వరుసగా, నమూనాలో గమనించిన వాటి నుండి అత్యల్ప మరియు అత్యధిక ఫలితాలను అందుకుంటాయి, అయినప్పటికీ, ఈ ర్యాంక్‌లు సున్నా (ఒక సరైన పరిష్కారం కాదు) లేదా సంపూర్ణ (అన్ని పరిష్కారాలు సరైనవి) సూచికలకు (కోసం ఉదాహరణకు, మొత్తం 120 టాస్క్‌ల సంఖ్యతో మొదటి ర్యాంక్‌కు అనుగుణంగా కనిష్ట ఫలితం 6 సరైన పరిష్కారాలు కావచ్చు, అయితే P ర్యాంక్ 100కి సంబంధించిన గరిష్ట ఫలితం 95 సరిగ్గా పరిష్కరించబడిన టాస్క్‌లు). ఈ పరిస్థితి సంభవిస్తుంది, ఉదాహరణకు, వేగ పరీక్షలను మూల్యాంకనం చేసేటప్పుడు.

శాతం ప్రమాణాల యొక్క ప్రధాన ప్రతికూలత కొలత యూనిట్ల అసమానత. సాధారణ పంపిణీలో, వ్యక్తిగత వేరియబుల్స్ పంపిణీ మధ్యలో గట్టిగా సమూహం చేయబడతాయి మరియు అంచుల వైపు కదులుతున్నప్పుడు చెల్లాచెదురుగా ఉంటాయి. అందువల్ల, కేంద్రానికి సమీపంలో ఉన్న కేసుల సమాన పౌనఃపున్యాలు అంచనాల పంపిణీ అంచుల వద్ద ఉన్న x- అక్షం వెంట తక్కువ విరామాలకు అనుగుణంగా ఉంటాయి. శాతాలు సాధారణ నమూనాలో ప్రతి విషయం యొక్క సాపేక్ష స్థానాన్ని చూపుతాయి, కానీ ఫలితాల మధ్య తేడాల పరిమాణాన్ని కాదు. ఇది వ్యక్తిగత ఫలితాలను వివరించడంలో కొంత అసౌకర్యాన్ని సృష్టిస్తుంది. అందువలన, విరామం P 70 -P 80కి సంబంధించిన ప్రాథమిక సూచికలలో వ్యత్యాసం 10 పాయింట్లు కావచ్చు మరియు P 50 -P 60 ర్యాంకుల విరామంలో సరైన నిర్ణయాల సంఖ్యలో వ్యత్యాసం 1-3 పాయింట్లు మాత్రమే ఉంటుంది.

అదే సమయంలో, పర్సంటైల్ స్కోర్‌లు కూడా అనేక ప్రయోజనాలను కలిగి ఉన్నాయి. సైకోడయాగ్నస్టిక్ సమాచారం యొక్క వినియోగదారులచే అవి సులభంగా అర్థం చేసుకోబడతాయి, వివిధ రకాల సాంకేతికతలకు సంబంధించి సార్వత్రికమైనవి మరియు లెక్కించడం సులభం.

పర్సంటైల్ స్కోర్‌లు సాధారణ స్కేల్ స్కోర్‌లు కావు. సైకో డయాగ్నోస్టిక్స్‌లో మరింత విస్తృతంగా ఉపయోగించబడుతుంది ప్రామాణిక సూచికలు, సాధారణ లేదా సాధారణ చట్టానికి దగ్గరగా పంపిణీ చేయబడిన ప్రాథమిక సూచికల యొక్క లీనియర్ మరియు నాన్ లీనియర్ ట్రాన్స్ఫర్మేషన్ ఆధారంగా లెక్కించబడుతుంది. ఈ గణనతో, అంచనాల యొక్క r-పరివర్తన నిర్వహించబడుతుంది (ప్రామాణికీకరణ, సాధారణ పంపిణీని చూడండి). 2-ప్రామాణిక సూచికను నిర్ణయించడానికి, వ్యక్తిగత ప్రాథమిక ఫలితం మరియు సాధారణ సమూహం యొక్క సగటు మధ్య వ్యత్యాసాన్ని గుర్తించి, ఆపై ఈ వ్యత్యాసాన్ని ప్రామాణిక నమూనా యొక్క aతో విభజించండి. ఈ విధంగా పొందిన z స్కేల్‌కు మధ్య బిందువు M = 0 ఉంటుంది, ప్రతికూల విలువలు సగటు కంటే తక్కువ ఫలితాలను సూచిస్తాయి మరియు అవి సున్నా బిందువు నుండి దూరంగా ఉన్నప్పుడు తగ్గుతాయి; సానుకూల విలువలు సగటు కంటే ఎక్కువ ఫలితాలను సూచిస్తాయి. z స్కేల్‌లోని కొలత యూనిట్ (స్కేల్) ప్రామాణిక (యూనిట్) సాధారణ పంపిణీలో 1aకి సమానం.

ప్రామాణీకరణ సమయంలో పొందిన ప్రాథమిక సూత్రప్రాయ ఫలితాల పంపిణీని ప్రామాణిక z-స్కేల్‌గా మార్చడానికి, అనుభావిక పంపిణీ యొక్క స్వభావం మరియు సాధారణ దానితో దాని స్థిరత్వం యొక్క స్థాయిని పరిశోధించడం అవసరం. చాలా సందర్భాలలో పంపిణీలో సూచికల విలువలు M ± 3? లోపల సరిపోతాయి కాబట్టి, సాధారణ z- స్కేల్ యొక్క యూనిట్లు చాలా పెద్దవి. అంచనా సౌలభ్యం కోసం, z = (x – ‹x›) / ? రకం యొక్క మరొక రూపాంతరం ఉపయోగించబడుతుంది. అభ్యాస సామర్థ్యాన్ని అంచనా వేయడానికి పరీక్ష బ్యాటరీ SAT (SEEB) పద్దతి యొక్క అంచనాలు అటువంటి స్కేల్‌కు ఉదాహరణగా చెప్పవచ్చు (సాధన పరీక్షలను చూడండి). ఈ r-స్కేల్ మళ్లీ గణించబడింది, తద్వారా మధ్య బిందువు 500 అవుతుంది, అవునా? = 100. మరొక సారూప్య ఉదాహరణ వ్యక్తిగత ఉపపరీక్షల కోసం వెచ్స్లర్ స్కేల్ (వెచ్స్లర్ ఇంటెలిజెన్స్ స్కేల్ చూడండి, ఇక్కడ M = 10, ? = 3).

సమూహ డేటా యొక్క ప్రామాణిక పంపిణీలో ఒక వ్యక్తి ఫలితం యొక్క స్థానాన్ని నిర్ణయించడంతో పాటు, SS యొక్క పరిచయం మరొక ముఖ్యమైన లక్ష్యాన్ని సాధించడం కూడా లక్ష్యంగా పెట్టుకుంది - ప్రామాణిక ప్రమాణాలలో వ్యక్తీకరించబడిన వివిధ పరీక్షల పరిమాణాత్మక ఫలితాల పోలికను నిర్ధారించడం, వాటి ఉమ్మడి అవకాశం వివరణ, మరియు అంచనాలను ఒకే వ్యవస్థకు తగ్గించడం.

పోల్చబడిన పద్ధతులలో అంచనాల యొక్క రెండు పంపిణీలు సాధారణానికి దగ్గరగా ఉంటే, అంచనాల పోలిక సమస్య చాలా సరళంగా పరిష్కరించబడుతుంది (ఏదైనా సాధారణ పంపిణీలో, విరామాలు M ± n? కేసుల యొక్క అదే ఫ్రీక్వెన్సీకి అనుగుణంగా ఉంటాయి). వేరొక ఫారమ్ పంపిణీలకు సంబంధించిన ఫలితాల పోలికను నిర్ధారించడానికి, దరఖాస్తు చేయండి నాన్ లీనియర్ పరివర్తనాలు, పంపిణీకి ఇచ్చిన సైద్ధాంతిక వక్రరేఖ ఆకారాన్ని ఇవ్వడానికి మిమ్మల్ని అనుమతిస్తుంది. సాధారణ పంపిణీ సాధారణంగా అటువంటి వక్రరేఖగా ఉపయోగించబడుతుంది. సాధారణ z-ట్రాన్స్‌ఫార్మ్‌లోని 160–150 లాగా, సాధారణీకరించిన ప్రామాణిక స్కోర్‌లకు కావలసిన ఆకృతిని ఇవ్వవచ్చు. ఉదాహరణకు, అటువంటి సాధారణీకరించబడిన ప్రామాణిక సూచికను 10తో గుణించడం మరియు స్థిరమైన 50ని జోడించడం, మనకు లభిస్తుంది T-స్కోరు(ప్రామాణికీకరణ, మిన్నెసోటా మల్టీడైమెన్షనల్ పర్సనాలిటీ ఇన్వెంటరీ చూడండి).

నాన్ లీనియర్‌గా స్టాండర్డ్ స్కేల్‌కి మార్చబడిన ఉదాహరణ మరియు స్టానిన్ స్కేల్(ఇంగ్లీష్ ప్రామాణిక తొమ్మిది నుండి - “ప్రామాణిక తొమ్మిది”), ఇక్కడ రేటింగ్‌లు 1 నుండి 9 వరకు విలువలను తీసుకుంటాయి, M = 5, ? = 2.

స్టానిన్ స్కేల్ మరింత విస్తృతంగా మారుతోంది, ఇది ప్రామాణిక స్కేల్ సూచికల ప్రయోజనాలను మరియు శాతాల సరళతను మిళితం చేస్తుంది. ప్రాథమిక సూచికలు సులభంగా స్టానినాగా మార్చబడతాయి. దీన్ని చేయడానికి, సబ్జెక్టులు ఫలితాల ఆరోహణ క్రమంలో ర్యాంక్ చేయబడతాయి మరియు వాటి నుండి అవి పరీక్ష ఫలితాల సాధారణ పంపిణీలో అంచనాల యొక్క నిర్దిష్ట పౌనఃపున్యాలకు అనులోమానుపాతంలో అనేక మంది వ్యక్తులతో సమూహాలుగా ఏర్పడతాయి (టేబుల్ 14).

పట్టిక 14

ప్రాథమిక పరీక్ష ఫలితాలను స్టానైన్ స్కేల్‌లోకి అనువదించడం

గ్రేడ్‌లను స్కేల్‌గా మార్చేటప్పుడు స్టాన్స్(ఇంగ్లీష్ స్టాండర్డ్ టెన్ నుండి - “స్టాండర్డ్ టెన్”) ఇదే విధమైన విధానం నిర్వహించబడుతుంది, ఈ స్కేల్ పది ప్రామాణిక విరామాలపై ఆధారపడి ఉంటుంది. ప్రామాణీకరణ నమూనాలో 200 మంది వ్యక్తులు ఉండనివ్వండి, ఆపై అత్యల్ప మరియు అత్యధిక స్కోర్‌లతో 8 (4%) సబ్జెక్టులు వరుసగా 1 మరియు 9 స్టానిన్‌లకు కేటాయించబడతాయి. అన్ని స్కేల్ విరామాలు పూరించబడే వరకు ప్రక్రియ కొనసాగుతుంది. శాత స్థాయి స్థాయిలకు సంబంధించిన పరీక్ష స్కోర్‌లు ఫలితంగా ప్రామాణిక ఫ్రీక్వెన్సీ పంపిణీకి అనుగుణంగా ఉండే స్కేల్‌లోకి ఆర్డర్ చేయబడతాయి.

గూఢచార పరీక్షలలో స్కేల్ రేటింగ్‌ల యొక్క అత్యంత సాధారణ రూపాలలో ఒకటి ప్రామాణిక IQ స్కోర్(M = = 100, ? = 16). సైకో డయాగ్నోస్టిక్స్‌లో ప్రామాణిక రేటింగ్ స్కేల్ కోసం ఈ పారామితులు సూచనగా ఎంపిక చేయబడ్డాయి. ప్రామాణీకరణపై ఆధారపడే కొన్ని ప్రమాణాలు ఉన్నాయి; వారి అంచనాలు ఒకదానికొకటి సులభంగా తగ్గించబడతాయి. స్కేలింగ్, సూత్రప్రాయంగా, రోగనిర్ధారణ మరియు పరిశోధన ప్రయోజనాల కోసం ఉపయోగించే విస్తృత శ్రేణి పద్ధతులకు ఆమోదయోగ్యమైనది మరియు కోరదగినది, దీని ఫలితాలు గుణాత్మక సూచికలలో వ్యక్తీకరించబడిన సాంకేతికతలతో సహా. ఈ సందర్భంలో, ప్రామాణీకరణ కోసం, మీరు నామినేటివ్ స్కేల్స్‌ను ర్యాంక్ స్కేల్స్‌లోకి అనువాదాన్ని ఉపయోగించవచ్చు (కొలత ప్రమాణాలను చూడండి) లేదా పరిమాణాత్మక ప్రాథమిక అంచనాల యొక్క విభిన్న వ్యవస్థను అభివృద్ధి చేయవచ్చు.

వాటి సరళత మరియు స్పష్టత ఉన్నప్పటికీ, స్కేల్ సూచికలు గణాంక లక్షణాలు అని గమనించాలి, ఇవి ఒకే విధమైన స్వభావం యొక్క అనేక కొలతల నమూనాలో ఇచ్చిన ఫలితం యొక్క స్థలాన్ని సూచించడానికి మాత్రమే అనుమతిస్తాయి. సాంప్రదాయ సైకోమెట్రిక్ పరికరం కోసం కూడా స్కేల్ స్కోర్ అనేది సర్వే ఫలితాలను వివరించడంలో ఉపయోగించే పరీక్ష స్కోర్‌ల వ్యక్తీకరణ యొక్క ఒక రూపం మాత్రమే. ఈ సందర్భంలో, విషయం యొక్క వ్యక్తిత్వం మరియు ప్రస్తుత డేటా గురించి సమాచారం యొక్క సంక్లిష్టత రెండింటినీ పరిగణనలోకి తీసుకొని, ఇచ్చిన పరీక్ష ఫలితం సంభవించే కారణాల యొక్క బహుపాక్షిక గుణాత్మక అధ్యయనంతో కలిపి పరిమాణాత్మక విశ్లేషణ ఎల్లప్పుడూ నిర్వహించబడాలి. పరీక్ష యొక్క పరిస్థితులు, పద్దతి యొక్క విశ్వసనీయత మరియు ప్రామాణికత. పరిమాణాత్మక అంచనాల ఆధారంగా మాత్రమే చెల్లుబాటు అయ్యే ముగింపుల అవకాశం గురించి అతిశయోక్తి ఆలోచనలు సైకలాజికల్ డయాగ్నస్టిక్స్ యొక్క సిద్ధాంతం మరియు అభ్యాసంలో అనేక తప్పుడు ఆలోచనలకు దారితీశాయి.