Диагностическое значение хронически активированных конструктов

Тоже самое...

Понятно.
Но в таком случае у меня есть сомнения в психологической равноценности двух процедур - расставления слов и ручного заполнения таблицы. Это же фактически два разных метода - непрямого и прямого измерения. А они могут давать не вполне одинаковые результаты.

Никита,

получается. что прямое измерение - когда мы видим всю матрицу связей (на базе Эксель-таблицы), а косвенное измерение - когда мы не видим, а только выносим отдельные суждения о связи пар слов... Так?

Александр Георгиевич, заполнила вслед за Вами. И мне жутковато стало. Но потом вспомнила сообщение Александра Геннадьевича и пришла к выводу: не все так плохо....Правда индекс КС всего 0,55

Да уж, Наташа. "Равнодушный" человек - это совсем на Вас не похоже

ага. Спасибо. Но вспомнились слова подружки: "Вот, ты ешь мясо - значит, равнодушная и злая"...Накаркала

Реализация в R
matrix <- read.csv("~/matrix.csv", header = FALSE)
matrix <- as.matrix(matrix)
abs.matrix <- round(abs(cor(t(matrix),method = "pearson")), 2)
ks <- 1 - (sum(colSums(abs.matrix)) - 11) / 110
#Условный индекс когнитивной сложности
ks
hak <- colSums(matrix != 0)
#Или без учета диагональных элементов матрицы
hak <- colSums(matrix != 0) - 1

names(hak) <- c("добрый", "волевой","расчетливый", "общительный",
"ленивый", "доверчивый", "равнодушный", "терпеливый",
"тонкий", "тревожный", "мстительный")
#Индекс ХАК
hak

Александр Георгиевич, радует, что скрипт только на Айпаде не сработал, очвеидно на нем браузер более строг к (многочисленным) нарушениям современных правил языка джаваскрипт. Попробую как-нибудь переписать его с использованием JQuery для мобильных устройств

Спасибо за предложение, подобное исследование было бы очень интересно. Если связывать с большой Пятеркой, то логично использовать в качестве слов-стимулов полюса ее факторов. Правда, я не вполне уверен, что это позволит воспроизвести эффект, ведь выбранные Вами черты оказались на удивление проективными, почти в каждом скрыто сразу несколько смыслов, что и порождает такое многообразие вариантов интерпретации. Как мне кажется, стимулы следовало бы выбирать не из числа чистых маркеров каждого фактора, а имеющих факторную сложность 2-3.

Например, "тревожный" - люди с низким порогом чувствительности нередко страдают от Ваших комментариев, Вам, как человеку с высокой эмоциональной стабильностью (и более высоким порогом), как мне кажется, приходится все время мониторить, не тревожность ли скрывается за той или иной реакцией. То же касается черт "ленивый" и "расчетливый". Здесь легко узнается образ того самого нерадивого студента, на выявление которого Вы направляете столько усилий. Поэтому ХАК в данном случае -- "бдительный", "строгий", "недоверчивый", "высокомотивированный". А вот черта "общительный", как мне кажется, имеет прямую интерпретацию: Вы скорее интроверт, если судить по тройке

Диагональные элементы можно не включать в ХАК, потому что это артефакт, хотя и безвредный.

Да, "равнодушный" тоже ХАК, причем перевертыш. Все мы знаем, как Вы страдаете от равнодушия к обсуждению психологических проблем на Вашем форуме, поэтому этот конструкт готов включиться в интерпретацию в любой момент

Да, спасибо, только сам это обнаружил -- в свое время провайдер перешел с 4 РНР на 5 версию, а я забыл про эту программу

Если считать, что некоторые конструкты человек выстраивает как ожидания в отношении окружающих, то результаты вовсе не жуткие, а рисуют человека, которому очень важно дифференцировать равнодушных и неравнодушных, расчетливых и мстительных, чтобы защититься от них. Доброта имеет, как мне думается, прямую интерпретацию -- это то, что Вы цените в людях и сами проявляете. Кроме того, Вы общаетесь очень избирательно (сказывается низкий порог чувствительности к грубости) и склонны к прокрастинации

Александр Геннадьевич, спасибоУспокоили. Вряд ли могу представить нормальное общение с человеком, который оскорбил меня сознательно и серьезно. И да, очень важна дифференциация. И склонна к прокрастинации

Да, именно это я имею в виду.

Вот таблица нормализованных z-баллов по методике (~770 испытуемых, но некоторые прошли по несколько раз)

Программу поправил, позже перепишу основательнее

Упражняемся дальше на матрице Александра Георгиевича

matrix <- read.csv("matrix.csv", header = FALSE)
matrix <- as.matrix(matrix)
abs.matrix <- round(abs(cor(t(matrix),method = "pearson")), 3)
ks <- 1 - (sum(colSums(abs.matrix)) - 11) / 110
#Условный индекс когнитивной сложности
ks

> ks
[1] 0.6636727


traits <- c("добрый", "волевой","расчетливый", "общительный",
"ленивый", "доверчивый", "равнодушный", "терпеливый",
"тонкий", "тревожный", "мстительный")
hak <- colSums(matrix != 0) - 1
names(hak) <- traits
#Индекс ХАК
hak
cor.matrix <- round(cor(t(matrix),method = "pearson"), 3)

> cor.matrix
добрый волевой расчетливый общительный ленивый доверчивый равнодушный терпеливый тонкий тревожный мстительный
добрый 1.000 0.000 -0.333 0.333 -0.167 0.833 -0.500 0.000 0.000 0.333 -0.333
волевой 0.000 1.000 0.500 -0.167 -0.333 -0.167 0.167 0.833 -0.167 -0.333 0.500
расчетливый -0.333 0.500 1.000 -0.833 -0.500 -0.667 0.167 0.667 0.000 -0.333 0.500
общительный 0.333 -0.167 -0.833 1.000 0.500 0.667 0.000 -0.333 -0.333 0.000 -0.333
ленивый -0.167 -0.333 -0.500 0.500 1.000 0.000 0.500 -0.333 -0.333 -0.167 -0.500
доверчивый 0.833 -0.167 -0.667 0.667 0.000 1.000 -0.500 -0.333 0.000 0.333 -0.333
равнодушный -0.500 0.167 0.167 0.000 0.500 -0.500 1.000 0.000 -0.667 -0.667 0.000
терпеливый 0.000 0.833 0.667 -0.333 -0.333 -0.333 0.000 1.000 0.000 -0.167 0.500
тонкий 0.000 -0.167 0.000 -0.333 -0.333 0.000 -0.667 0.000 1.000 0.833 0.333
тревожный 0.333 -0.333 -0.333 0.000 -0.167 0.333 -0.667 -0.167 0.833 1.000 0.167
мстительный -0.333 0.500 0.500 -0.333 -0.500 -0.333 0.000 0.500 0.333 0.167 1.000

zd <- matrix
diag(zd) <- 0
colSums(zd > 0)
colSums(zd < 0)
personalTrait <- data.frame(traits, colSums(zd > 0), colSums(zd < 0), colSums(zd > 0)+ colSums(zd < 0))
names(personalTrait) <- c("traits", "similarity", "dissimilarity", "HAC")
summary(personalTrait)
personalTrait

col <- colorRampPalette(c("blue", "white", "red"))(10)
colnames(cor.matrix) <- traits
rownames(cor.matrix) <- traits
heatmap(cor.matrix, col = col, symm = TRUE, xlab = "Черты", ylab = "Черты", margins = c(9, 9))

Юра, очень быстро и здорово у Вас получилось!

Особенно любопытно, что дополнительную содержательную
информацию, как мне кажется, дает соотношение (разность)
индексов Similarity-Dissimilarity.

А вот игра цвета в матрице, поставленной в центр двух
кластерных деревьев (вертикального и горизонтального)
до меня пока осталась загадочной. У меня свои привычки
чтения деревьев, очевидно, и они сказываются. На мой
вкус легче их прочесть, когда они поближе к словам нарисованы,
а здесь они отгорожены какой-то цветной матрицей...

Ваш АШ

Александр Геннадьевич,

сегодня я попытался всмотреться в эту таблицу и... понял, что не знаю, как ее читать.
Что выражают числа в клеточках на пересечении строк и столбцов?

Ваш АШ

по столбцам - выраженность ХАК, в ячейках z-балл, который показывает, насколько далеко отклоняется данный сырой балл от среднего по выборке

А по строкам что?
Извините, если это Вам кажется очевидным.