Исследование структур обобщенных групп, выделяемых разными методами, на примере результатов исследования СТАРТ

  • Элен Магомедовна Абдурахманова Национальный исследовательский университет «Высшая школа экономики» eabdurakhmanova@hse.ru ORCID ID https://orcid.org/0000-0002-8332-681X

Аннотация

Задача классификации объектов по осмысленным группам является одной из важных задач в социальных науках. Однако выделять обобщенные группы можно по разным основаниям, что приводит к выделению разных структур групп, а это неминуемо отражается на интерпретации полученных результатов. Цель данного исследования заключается в изучении структуры кластеров, выделяемых методами кластерного анализа и методом пороговых значений, на примере данных исследования СТАРТ, и анализе интерпретации полученных кластерных решений. Выборка исследования включает результаты обследования 2645 первоклассников Красноярской области, принявших участие в исследовании СТАРТ в 2018 г. Результаты исследования показывают, что кластерная структура, полученная методом k-средних, схожа с групповой структурой, полученной методом пороговых значений, а результаты анализа латентных профилей отличаются. Полученные результаты исследования в широком плане могут быть использованы в социологических исследованиях для поиска гомогенных групп, а в узкой сфере образования могут быть использованы при организации эффективной обратной связи для учителя.
Ключевые слова:
k-средних, анализ латентных профилей, метод пороговых значений, стартовая диагностика, СТАРТ, начальная школа

Биография автора

Элен Магомедовна Абдурахманова, Национальный исследовательский университет «Высшая школа экономики»
Аспирант, стажер-исследователь Центра психометрики и измерений в образовании Института образования, Национальный исследовательский университет «Высшая школа экономики», Москва, Россия

Литература

1. Teaching to Change the World / J. Oakes, M. Lipton, L. Anderson, J. Stillman. 5th еd. New York: Routledge, 2018.

2. Dupriez V. Methods of Grouping Learners at School / United Nations Educa¬tional, Scientific and Cultural Organization. Paris: UNESCO, 2010.

3. Eder D. Ability Grouping as a Self-fulfilling Prophecy: A Micro-Analysis of Teacher-Student Interaction // Sociology of Education. 1981. Vol. 54. P. 151–162. DOI: 10.2307/2112327

4. Brophy J.E. Teachers’ Communication of Differential Expectations for Children’s Classroom Performance: Some Behavioral Data / J.E. Brophy, T.L. Good // Journal of Educational Psychology. 1970. Vol. 61. No. 5. Р. 365–374. DOI: 10.1037/h002990855

5. Weinstein R.S. Reading Group Membership in First Grade: Teacher Behaviors and Pupil Experience over Time // Journal of Educational Psychology. 1976. Vol. 68. P. 103–116. DOI: 10.1037/0022-0663.68.1.103

6. Babad E. Students as Judges of Teachers’ Verbal and Nonverbal Behavior / E. Babad, F. Bernieri, R. Rosenthal // American Educational Research Journal. 1991. Vol. 28. No. 1. P. 211–234. DOI: 10.3102/00028312028001211

7. Babad E. Transparency of Teacher Expectancies Across Language, Cultural Boundaries / E. Babad, P.J. Taylor // The Journal of Educational Research. 1992. Vol. 86. No. 2. P. 120–125. DOI: 10.1080/00220671.1992.9941148

8. Wang S. A Systematic Review of the Teacher Expectation Literature over the Past 30 Years / S. Wang, C.M. Rubie-Davies, K. Meissel // Educational Research and Evaluation. 2018. Vol. 24. No. 3–5. P. 124–179. DOI: 10.1080/13803611.2018.1548798

9. Eden D. Pygmalion Goes to Boot Camp: Expectancy, Leadership, and Trainee Performance / D. Eden, A.B. Shani // Journal of Applied Psychology. 1982. Vol. 67. No. 2. Р. 194–199. DOI: 10.1037/0021-9010.67.2.194

10. Rousseeuw P.J. Silhouettes: A Graphical Aaid to the Interpretation and Validation of Cluster Analysis // Journal of Computational and Applied Mathematics. 1987. Vol. 20. P. 53–65. DOI: 10.1016/0377-0427(87)90125-7

11. Saleh M. Effects of Within-class Ability Grouping on Social Interaction, Achievement, and Motivation / M. Saleh, A.W. Lazonder, T. De Jong // Instructional Science. 2005. Vol. 33. No. 2. Р. 105–119. DOI: 10.1007/s11251-004-6405-z

12. Phonological Storage and Executive Function Deficits in Children with Mathematics Difficulties / P. Peng, S. Congying, L. Beilei, T. Sha // Journal of Experimental Child Psychology. 2012. Vol. 112. No. 4. P. 452–466.

13. Обобщенные типы развития первоклассников на входе в школу. По материалам исследования iPIPS / Е. Карданова, А. Иванова, П. Сергоманов [и др.] // Вопросы образования. 2018. № 1. С. 8–37.

14. Орел Е. Паттерны социально-эмоционального развития первоклассника на входе в школу / Е. Орел, А. Пономарева // Психология. Журнал Высшей школы экономики. 2018. Т. 15. № 1. С. 107–127.

15. Egan O. Cluster Analysis in Educational Research // British Educational Research Journal. 1984. Vol. 10. No. 2. P. 145–153.

16. Developmental Patterns of Cognitive and Non-Cognitive Skills of Russian First-Graders / E. Orel, I. Brun, E. Kardanova, I. Antipkina // International Journal of Early Childhood. 2018. Vol. 50. No. 3. P. 297–314.

17. Коченков А.И. Идеи латентно-структурного анализа Лазарсфельда в современной социологии / А.И. Коченков, Ю.Н. Толстова // Социология: методология, методы, математическое моделирование. 2003. № 16. С. 127–149.

18. Südkamp A. Teachers’ Judgment Accuracy Concerning Consistent and Inconsistent Student Profiles / A. Südkamp, A.-K. Praetorius, B. Spinath // Teaching and Teacher Education. 2018. No. 76. P. 204–213.

19. Latent Profile Analysis of Students’ Motivation and Outcomes in Mathematics: An Organismic Integration Theory Perspective / C.K.J. Wang, W.C. Liu, Y. Nie [et al.] // Heliyon. 2017. Vol. 3. No. 5. Art. no. e00308. P. 1–18.

20. Ostad S.A. Private Speech Use in Arithmetical Calculation: Relationship with Phonological Memory Skills in Children with and without Mathematical Difficulties // Annals of Dyslexia. 2015. Vol. 65. No. 2. P. 103–119.

21. Rupp A.A. Clustering and Classification // The Oxford Handbook of Quantitative Methods. Vol. 2: Statistical Analysis / Ed. by T.D. Little. Oxford: Oxford University Press, 2013. P. 517–550.

22. Masyn K.E. Latent Class Analysis and Finite Mixture Modeling // The Oxford Handbook of Quantitative Methods. Volume 2: Statistical Analysis / Ed. by T.D. Little. Oxford: Oxford University Press, 2013. P. 551–611.

23. Kaushik S. An Introduction to Clustering and different methods of clustering // Analytics Vidhya [site]. 2016. November 03. URL: https://www.analyticsvidhya.com/ blog/2016/11/an-introduction-to-clustering-and-different-methods-of-clustering/ (date of access: 20.04.2020).

24. Бослаф С. Статистика для всех / Пер. с англ. П.А. Волкова [и др.]. М.: ДМК Пресс, 2017. С. 323–327.

25. Handbook of Cluster Analysis / Ed. by C. Henning [et al.]. Boca Raton, FL: CRC Press Taylor & Francis Group, 2016.

26. Smith S.P. Testing for Uniformity in Multidimensional Data / S.P. Smith, A.K. Jain // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1984. Vol. Pami-6. No. 1. P. 73–81.

27. Jain A.K. Data Clustering: 50 Years beyond K-means // Pattern Recognition Letters. 2010. No. 31. P. 651–666.

28. Oberski D. Mixture Models: Latent Profile and Latent Class Analysis // Springer Link [site]. 23.03.2016. URL: https://link.springer.com/chapter/10.1007/ 978-3-319-26633-6_12 (date of access: 04.03.2021).

29. Olivera-Aguilar M. Using Latent Profile Analysis to Identify Noncognitive Skill Profiles Among College Students / M. Olivera-Aguilar, S.H. Rikoon, S.B. Robbins // The Journal of Higher Education. 2017. Vol. 88. No. 2. P. 234–257.

30. Williams G.A. Latent Class Analysis and Latent Profile Analysis / G.A. Williams, F. Kibowski // Handbook of Methodological Approaches to Community- Based Research. Qualitative, Quantitative, and Mixed Methods / Ed. by L.A. Jason, D.S. Glenwick. Oxford: Oxford University Press, 2016. P. 143–151.

31. Nylund K.L. Deciding on the Number of Classes in Latent Class Analysis and Growth Mixture Modeling: A Monte Carlo Simulation Study / K.L. Nylund, T. Asparouhov, B.O. Muthén // Structural Equation Modeling: A Multidisciplinary Journal. 2007. Vol. 14. No. 4. Р 535–569.

32. Bauer D.J. The Integration of Continuous and Discrete Latent Variable Models: Potential Problems and Promising Opportunities / D.J. Bauer, P.J. Curran // Psychological Methods. 2004. Vol. 9. No. 1. P. 3–29.

33. Vukovic R.K. Academic and Cognitive Characteristics of Persistent Mathemat¬ics Difficulty from First Through Fourth Grade / R.K. Vukovic, L.S. Siegel // Learning Disabilities Research & Practice. 2010. Vol. 25. No. 1. P. 25–38.

34. Kempe C. A Longitudinal Study of Early Reading Difficulties and Subsequent Problem Behaviors / C. Kempe, S. Gustafson, S. Samuelsson // Scandinavian Journal of Psychologу. 2011. No. 52. P. 242–250.

35. Development of Number Line Representations in Children with Mathematical Learning Disability / D.C. Geary, M.K. Hoard, L. Nugent, J. Byrd-Craven // Developmental Neuropsychology. 2008. Vol. 33. No. 3. P. 277–299.

36. Behavior Problems in Learning Activities and Social Interactions in Head Start Classrooms and Early Reading, Mathematics, and Approaches to Learning / R.J. Bulotsky-Shearer, V. Fernandez, X. Dominguez, H.L. Rouse // School Psychology Review. 2011. Vol. 40. No. 1. P. 39–56.

37. Cognitive Characteristics of Children with Mathematics Learning Disability (MLD). Vary as a Function of the Cutoff Criterion Used to Define MLD / M.M. Murphy, M.M.M. Mazzocco, L.B. Hanich, M.C. Early // Journal of Learning Disabilities. 2007. Vol. 40. No. 5. P. 458–478.

38. Teno K.M. Cluster Grouping Elementary Gifted Students in the Regular Class¬room: A Teacher’s Perspective // Gifted Child Today. 2000. Vol. 23. No. 1. P. 44–49.

39. Хоукер Д. Стартовая диагностика детей на входе в начальную школу и оценка их прогресса в течение первого года обучения: международное иссле¬дование iPIPS / Д. Хоукер, Е.Ю. Карданова // Тенденции развития образования. Что такое эффективная школа и эффективный детский сад? М.: Дело; РАНХиГС, 2014. С. 311–320.

40. Noncognitive Development of First Graders and Their Cognitive Performance / I. Brun, E. Kardanova, A. Ivanova, E. Orel // Noncognitive Development Of First Graders And Their Cognitive Performance. Series: “PSYCHOLOGY”. WP BRP 57/ PSY/2016. М.: НИУ ВШЭ, 2016. Р. 2–23.

41. Иванова А. Стартовая диагностика детей на входе в начальную школу: международное исследование iPIPS / А. Иванова, А. Нисская // Школьные технологии. 2015. № 2. С. 161–168.

42. mclust 5: Clustering, Classification and Density Estimation Using Gaussian Finite Mixture Models / L. Scrucca, M. Fop, T.B. Murphy, A.E. Raftery // The R Journal. 2016. Vol. 8 (1). Р. 289–317.
Статья

Поступила: 01.05.2020

Опубликована: 11.04.2021

Раздел
ПРАКТИКИ СБОРА И АНАЛИЗА ФОРМАЛИЗОВАННЫХ ДАННЫХ