Что входит в структуру личности: Психология личности: структура и функция

Ключевые слова

Авторы

Ссылки

Кристалл Г. Интеграция и самоисцеление. Аффект, травма и алекситимия. М. : Ин-т общегуманитар. исслед., 2006. 800 с.

Nemiah J.C., Freyberger H., Sifneos P.E. Alexithymia: a view of the psychosomatic process // Modern Trends in Psychosomatic Medicine / ed. by O.W. Hill. London ; Boston : Butterworths, 1976. Vol. 3. P. 430-439.

Taylor G.J. Recent developments in alexithymia theory and research. Canadian journal of psychiatry // Revue canadienne de psychiatrie. 2000. Vol. 45 (2). P. 134-142.

Гаранян Н.Г., Холмогорова А.Б. Концепция алекситимии // Социальнопсихиатрический журнал. 2003. Т. 13, № 1. С. 128-145.

Искусных А.Ю. Алекситимия. Причины и риски возникновения расстройства // Лич ность, семья и общество: вопросы педагогики и психологии : сб. ст. по материалам LIII междунар. науч.-практ. конф. Новосибирск : СибАК, 2015. № 6 (52). С. 59-68.

Юрьева Т.В., Хватова Ю.Г. Когнитивно-эмоциональные особенности пациентов с ишемической болезнью сердца // Вестник Тамбовского университета. Сер. Естественные и технические науки. 2014. Т. 19, № 1. С. 118-120.

Kubzansky L.D., Davidson K.W., Rozanski A. The Clinical Impact of Negative Psychological States: Expanding the Spectrum of Risk for Coronary Artery Disease // Psychosomatic. Med. 2005. Vol. 67. Р. 10-14.

Семенова Н.Д. Психологические аспекты бронхиальной астмы // Бронхиальная аст ма / под ред. А.Г. Чучалина. М. : Агар, 1997. Т. 2. С. 187-212.

Провоторов В.М., Крутько В.Н., Будневский А.В., Грекова Т.И., Золоедов В.И., Ряскин В. И., Харчевникова С. В. Особенности психологического статуса больных бронхиальной астмой с алекситимией // Пульмонология. 2000. № 3. С. 30-35.

Заболотских Т.В., Баранзаева Д.Ч., Мизерницкий Ю.Л. Клиническая эффективность психокоррекции в комплексной терапии детей с бронхиальной астмой, обучающихся в астма-школе // Аллергология. 2003. № 3. С. 8-16.

Провоторов В.М., Будневский А.В., Кравченко А.Я., Грекова Т.И. Психосоматические соотношения у больных ишемической болезнью сердца с алекситимией // Кардиология. 2001. Т. 41, № 2. С. 46-49.

Лышова О. В., Провоторов В. М., Чернов Ю. Н. Особенности клинических проявлений гипертонической болезни при алекситимии // Кардиология. 2002. Т. 42, № 6. С. 47-50.

Гузова Е. С. Феномен алекситимии в структуре неврозов и методы его психотерапевтической коррекции : автореф. дис.. канд. мед. наук. Бишкек, 1998. 23 с.

Аверкина Н.А., Филатова Е.Г. Психологические факторы при хронической боли // Журнал неврологии и психиатрии им. С.С. Бехтерева. 2000. Т. 100, № 12. С. 21-27.

Куташов В. А., Немых Л. С. Место алекситимии в генезе зависимого стиля жизни // Научно-медицинский вестник Центрального Черноземья. 2015. № 59. С. 51-59.

Копытов А. В. Связь алекситимичности с алкогольными проблемами в подростковом и молодом возрасте // Здравоохранение. 2011. № 5. С. 20-25.

Потапова Н.А., Грехов Р.А., Сулейманова Г.П., Адамович Е.И. Проблемы изучения феномена алекситими в психологии // Вестник Волгоградского государственного университета. Сер. 11. Естественные науки. 2016. № 2 (16). С. 65-73. DOI: 10.15688/jvolsu11.2016.2.8.

Динамическая функциональная структура личности — Документ

ДИНАМИЧЕСКАЯ ФУНКЦИОНАЛЬНАЯ СТРУКТУРА ЛИЧНОСТИ

Целостное понимание личности не означает, что она является чем-то аморфным, бесструктурным. С. Л. Рубинштейн по существу первым вплотную подошел к идее о структуре личности, возражая против ее аморфности. «В психическом облике личности, — писал он, — выделяются различные сферы или области черт, характеризующие разные стороны личности».

¹И. В. Давыдовский. Проблема причинности в медицине (Этиология). М., 1962, стр. 25, 26.

Они, продолжал он далее, «взаимопроникая друг друга, смыкаются все же в реальном единстве личности. Поэтому равно неправильны как та точка зрения,для которой единство личности выражается в аморфной целостности… так и другая, противоположная ей, которая видит в личности лишь отдельные черты…»’.

Здесь кратко и точно определены два противоположных ошибочных понимания личности: первое отстаивала гештальт-психология, второе — функциональная психология. Говорится здесь и о том, что в дальнейшем было понято как структура личности с ее подструктурами. Поэтому, хотя самого термина «структура личности» у С. Л. Рубинштейна еще не было, приведенное положение надо рассматривать как начало поиска структуры личности. В своем докладе на 1-м съезде психологов в 1959 г. С. Л. Рубинштейн уже применял этот термин, говоря о «структуре способностей» ².

О структуре личности сейчас говорят не только советские психологи, но и социологи. При этом социологи справедливо указывают, что структура личности является ее формой. Так, П. Е. Кряжев пишет: «Формой, которая объединяет различные компоненты духовного содержания личности (научные знания, мораль, политические взгляды, мировоззрение, эстетическую культуру и т. д.) в единый и относительно самостоятельный комплекс, является психологическая структура личности, которая сама развивается подвоз-действием своего содержания»³.

В. Г. Афанасьев, говоря о структуре личности, правильно выделяет общие, специфические и особенные черты (качества, свойства) личности. Однако под последними он понимает «поступки и действия, мысли и стремления, потребности, способности и другие психические свойства (характер, темперамент, чувства, привычки и т. д.)… Перечисленные проявления жизни человека, — пишет он далее, — его разнообразные черты, свойства и есть компоненты целостной человеческой личности. В своем единстве, взаимодействии, в своей координации и субординации они образуют личность как целостную систему» ‘. В этом высказывании особый интерес представляет мысль о координации и субординации как формах связей элементов целого.

Из советских психологов, пожалуй, первым начал применять термин «динамическая структура личности» Е. А. Аркин ². Однако он биологизировал и это понятие, и самую личность. В. Н. Мясищев говорит о структуре личности с 30-х годов, но рассматривает ее только в качестве одной из сторон личности наряду с направленностью, уровнем развития и динамикой; он считает, что «структурная характеристика и освещает нам человека со стороны его целостности или расщепленности, последовательности или противоречивости, устойчивости или изменчивости, глубины или поверхности, преобладания или относительной недостаточности тех или иных психических функций» ³.

В своих более поздних выступлениях В. Н. Мясищев употребляет термин «структура отношений личности», или «профиль отношений» ‘. Надо сказать, что концепция автора здесь не вполне ясна. «Профиль» и «структура» личности взаимоисключают друг друга.

А. Г. Ковалев так определяет структуру личности: «Из психических процессов на фоне состояний образуются свойства личности. .. В процессе деятельности свойства определенным образом связываются друг с другом в соответствии с требованиями деятельности и образуются сложные структуры, к которым мы относим темперамент (система природных свойств), направленность (система потребностей, интересов и идеа лов), способности (ансамбль интеллектуальных, волевых и эмоциональных свойств), характер (синтез отношений и способов поведения)»².

Если у В. Н. Мясищева структура рассматривается только как одна из четырех сторон личности наря ду с направленностью, уровнем развития и динамикой— темпераментом, и структурный анализ распро страняется только на «те или иные психические функции» и отношения, то А. Г. Ковалев по существу уже выделяет четыре подструктуры личности. Но ни В. Н. Мясищев, ни А. Г. Ковалев еще не дают достаточно полного определения того, что такое «подструктура» личности и какое содержание следует вкладывать в понятие «структура личности».

Относительно недавно В. С. Мерлин предложил свое понимание структуры личности. Структуру ее он подчиняет роли различных ее сторон в степени активности субъекта. В структуре личности он выделяет «элементы» ее. Таковыми он считает черты личности. Правда, в дальнейшем он заменяет «элементы» термином «свойства». «Индивидуальное и социально-типичное, — пишет автор в заключение,— являются не разными группами свойств личности, а представляют собой различные стороны одних и тех же свойств» ‘. Эти слова по существу говорят только о необходимости структурного понимания личности.

Как видно, единого понимания структуры личности в советской психологии еще нет, но активный ее поиск идет в самых различных направлениях.

В нашем понимании динамическая функциональная психологическая структура личности имеет четыре подструктуры. Их выделение определяется следующими критериями:

1) необходимостью и достаточностью для включения в них всех элементов (черт) личности;

2) общепринятостью практически оправдавших себя классификаций свойств личности и психологических понятий;

3) обратной пропорциональностью градиентов социальной и биологической обусловленности как отдельных свойств личности, так и объединяющих их подструктур;

4) специфичностью иерархически связанных видов формирования каждой из этих подструктур.

Немалое значение имеет и то, что никто из тех, кого удивляет, почему психологических подструктур личности четыре, не смог обосновать ни исключения какой-нибудь из них, ни добавления других.

Первая подструктура объединяет направленность, отношения и моральные черты личности. Элементы (черты) личности, входящие в эту подструктуру, не имеют непосредственных природных задатков и отражают индивидуально преломленное классовое общественное сознание. Эта подструктура формируется путем воспитания. Она социально обусловлена. Коротко ее можно называть подструктурой направленности личности. Можно сказать и иначе —это установки, ставшие свойствами личности.

Взятая в качестве целого, направленность в свою очередь включает в себя несколько связанных иерархией форм. Это прежде всего влечение как наиболее примитивная биологическая форма направленности. Она четко выражена по своей специфичности, но нечетка по содержанию, это смутная потребность в чем-то. Генетически наиболее ранняя и по своим физиологическим механизмам наиболее простая эта форма входит в структуру всех последующих.

Желание — это уже вполне осознанная потребность и влечение к чему-то вполне определенному. Оно может быть и пассивным, но при включении в его структуру волевого компонента становится стремлением.

Интерес — это познавательная форма направленности на предметы. Генетически в его основе лежит безусловный ориентировочный рефлекс, связанный с эмоцией, но у человека интересы развиваются всегда на базе условного рефлекса второй сигнальной системы и комплексно, становясь любознательностью. Интерес может быть пассивным, но при включении в его структуру волевого компонента направленности — стремления, он становится склонностью, которую можно определить как интерес и стремление к определенной деятельности.

Конкретизированная в образе или представлении предельная цель склонности есть идеал. Эта цель может проявляться в нескольких формах: нравственного, эстетического, познавательного (гностического) и праксического идеала.

Мировоззрение — система усвоенных человеком представлений и понятий о мире и его закономерностях, об окружающих человека явлениях, природе и обществе. Оно может быть смутным или принявшим форму познавательного идеала; пассивным миросозерцанием или становиться убеждением.

Убеждения— это высшая форма-направленности, в структуру которой входят ее низшие формы и в которой мировоззрение связано со стремлением к достижению идеалов.

В направленности личности в целом надо различать ее уровень, широту, интенсивность, устойчивость и действенность. Эти же качества направленности, суть которых ясна из их названий, присущи и ее указанным отдельным формам.

В формах направленности личности проявляются как отношения, так и моральные качества личности. Однако отношение, как было уже показано, не столько свойство личности, но прежде всего свойство сознания наряду с переживанием и познанием. Все формы направленности личности вместе с тем являются и ее потребностями, и потенциальными (а могут становиться и актуальными) мотивами деятельности. В этом наиболее отчетливо проявляется принцип единства сознания и деятельности.

Вторая подструктура личности включает знания, навыки, умения и привычки, приобретенные в личном опыте, путем обучения, но уже с заметным влиянием и биологически обусловленных свойств личности. Ее иногда называют индивидуальной культурой, или подготовленностью; кратко она может быть названа подструктурой опыта.

Навыки и умения есть способы объективизации личности в деятельности и потому подробнее будут рассмотрены в следующей главе. Здесь же надо отметить, что именно через эту подструктуру наиболее отчетливо объективизируется личность в ее индивидуальном развитии и именно через эту подструктуру индивидуальное развитие личности аккумулирует исторический опыт человечества.

Третья подструктура охватывает индивидуальные особенности отдельных психических процессов, или психических функций, как форм отражения. Влияние биологически обусловленных особенностей в этой подструктуре видно еще более отчетливо. Эта подструктура, взаимодействуя с остальными, формируется путем упражнения. Коротко ее можно называть подструктурой форм отражения. На них я не останавливаюсь, поскольку уже их разбирал в предыдущих главах.

Четвертая подструктура объединяет свойства темперамента (типологические свойства личности), половые и возрастные свойства личности и ее патологические, так называемые органические изменения. Формируются нужные черты, входящие в эту подструктуру (а точнее, переделываются) путем тренировки. Они несравнимо больше зависят от физиологических и даже морфологических особенностей мозга, чем от социальных влияний на человека, и потому кратко эту подструктуру можно называть биологически обусловленной подструктурой.

В эти четыре подструктуры могут быть уложены все известные свойства (черты) личности. Число последних очень велико. Так, только в «Словаре русского языка» С. И. Ожегова ‘ среди 52 тыс. включенных в него слов 1548 определяют свойства личности. В грузинском языке их еще больше — около 4 тыс. Причем часть этих свойств относится в основном только к одной подструктуре, например: убежденность и заинтересованность— к подструктуре направленности; начитанность и умелость — к подструктуре опыта; решительность и сообразительность — к подструктуре форм отражения; истощаемость и возбудимость — к биологически обусловленной подструктуре. Другие свойства лежат на пересечениях этих подструктур. Имея свою структуру, они являются результатом взаимосвязей различных подструктур. В качестве примера можно назвать морально воспитанную волю, которая представляет собой взаимосвязь подструктуры направленности и подструктуры форм отражения; музыкальность как взаимосвязь форм отражения и опыта; самообладание как взаимосвязь подструктур форм отражения, биологически обусловленной и, часто, опыта.

Каждая из этих четырех подструктур, рассматриваемая как целое, в свою очередь имеет свои подструктуры, каждая черта личности образуется из более тонких связей. Например, хотя убежденность в основном относится к подструктуре направленности,в нее входят в качестве элементов и воля, и соответствующие знания, и умственные навыки. Говоря языком математической теории множеств, четыре подструктуры личности являются пересекающимися множествами, но пересекающимися только частично.

Такова основная общая динамическая функциональная психологическая структура личности. Основной мы ее называем потому, что кроме указанных четырех основных, так сказать рядоположенных выделяются еще дв.е наложенные на них подструктуры — характера и способностей. Общая она потому, что свойственна любой личности, и потому, что каждая конкретная личность имеет свою индивидуальную структуру и ряд личностей могут быть по различным признакам сгруппированы в типовые структуры. Эта структура динамическая потому, что она не остается неизменной ни у одной конкретной личности: с раннего детства и до самой смерти она меняется. Эта структура является функциональной потому, что она как целое, так и составные ее элементы рассматриваются как психические функции. Рано или поздно эта функциональная структура как «психологический узор» будет достаточно полно наложена на морфологическую и физиологическую структуру, как на «физиологическую канву», к чему, как известно, стремился И. П. Павлов. Наконец, это структура психологическая, потому что она обобщает психологические свойства личности, хотя и связана с социальными ролями личности.

Говоря о структуре личности, нельзя не остановиться на одном своеобразном проявлении недиалектического мышления. Мы имеем в виду тенденцию выдавать подмеченную часть чего либо за целое. Эта тенденция очень четко проявилась и в учении о личности. Вкратце она сводится к следующему. Старая функциональная психология и опирающаяся на нее психотехника отождествляли личность только с подструктурой форм отражения, т. е. с отдельными «психическими функциями». Наиболее отчетливо это проявилось в так называемых профилях личности, частоколе рядоположенных столбиков, которые она получала в результате замеров отдельных психических функций: памяти, внимания, сообразительности и т. д.

В конце 30-х и в 40-х годах, после того как в нашей стране была отвергнута педология, многие стали отождествлять личность только с подструктурой опыта. Культурно-историческая теория Л. С. Выготского была опошлена, ею пытались обосновать утверждение об эквипотенциальности (равновозможности) всех новорожденных, что, конечно, было неправильно и к чему эта теория не имеет прямого отношения.

В 50-х годах в результате ошибочного понимания учения И. П. Павлова широкое распространение получила биологизация личности и ее отождествление с типом нервной системы.

Наконец, в 60-х годах в борьбе с биологизацией личности отчетливо стала проявляться тенденция отождествления личности только с подструктурой направленности, приводящая к ее вульгарной социологи-зации.

Эта серия односторонних, и потому ошибочных, взглядов на личность, не учитывающих иерархии ее подструктур, является своеобразным косвенным подтверждением наличия указанных выше четырех подструктур психологической структуры личности, о чем нам уже приходилось говорить и раньше¹. Ведь защитники каждого одностороннего взгляда все же доказали наличие той подструктуры, которую они считали единственной для личности. Правильное, диалектическое понимание личности требует разностороннего рассмотрения ее во всех связях и опосредованиях. Нам представляется, что достаточно перечитать классическое определение диалектической логики, данное В. И. Лениным в статье «Еще раз о профсоюзах…», где диалектическое понимание иллюстрируется примером стакана, чтобы ошибочность этих толкований личности (она ведь сложнее стакана!) стала видна.

Я не останавливаюсь на детализации изложенной в этом параграфе системы понятий, так как отдельные компоненты этой системы разбираются в любом учебнике психологии. Концепция динамической функциональной структуры личности в ее различных аспектах уже неоднократно публиковалась начиная с 1953 г.² Опубликованы и пособия по психологии, изложенные в соответствии с этой (все время развиваемой и уточняемой) концепцией¹.

Пятифакторная модель структуры личности: обновление

Пятифакторная модель общей структуры личности состоит из пяти широких областей невротизма (или эмоциональной нестабильности против стабильности), экстраверсии (против интроверсии), открытости ( или нетрадиционность), уступчивость (против антагонизма) и добросовестность (или принуждение против растормаживания). Каждая из этих областей включает в себя более конкретные аспекты (например, доверчивый против циничного, кроткий против агрессивного, мягкосердечный против циничного).бессердечие и самоотверженность против эксплуататорства находятся в области уступчивости против антагонизма).

FFM уходит своими корнями в лексическую парадигму, которая основывается на убедительной предпосылке, что то, что является наиболее важным, интересным или значимым для людей при описании себя и других, будет закодировано в языке. Фундаментальные области личности появляются по мере того, как люди придумывают все больше и больше слов для описания градаций, вариаций и нюансов соответствующей области. Естественная, врожденная структура личности обеспечивается эмпирической взаимосвязью между характеристическими терминами, и структура английского языка хорошо сошлась с «большой пятеркой».Большая пятерка также была воспроизведена в немецком, чешском, голландском, филиппинском, иврите, венгерском, итальянском, корейском, польском, русском, испанском и турецком языках, хотя репликация невротизма и открытости не так сильна, как репликация области уступчивости, экстраверсии и сознательности 1.

Эмпирическая поддержка FFM как структурной модели личности существенна, включая многомерную поведенческую генетику, антецеденты детства, временную стабильность на протяжении всей жизни, координацию когнитивной нейробиологии и кросс-культурное воспроизведение1.В обширной эмпирической литературе также было показано, что FFM может быть полезен для прогнозирования значительного числа важных жизненных результатов, как положительных, так и отрицательных2. Cuijpers et al3 сравнили экономические издержки невротизма FFM (охват услугами здравоохранения первичной и вторичной психиатрической помощи, личные расходы и производственные потери) с затратами, связанными с распространенными психическими расстройствами (например, настроение, тревожность, употребление психоактивных веществ). , и соматические расстройства). Экономические издержки невротизма составили примерно 2.В 5 раз выше, чем у обычных психических расстройств.

Учитывая, что «большая пятерка» учитывает практически все термины в языке, неудивительно, что FFM учитывает все неадаптивные черты личности, включая те, которые определяют синдромы расстройства личности по МКБ и DSM1. Размерные модели признаков, включенные в DSM-5 Раздел III и МКБ-11, явно согласованы с FFM. FFM также обеспечивает основу темперамента и личностную основу для широко цитируемой иерархической таксономии психопатологии4, размерной структурной модели, охватывающей большую часть всех форм психопатологии.

Расстройства личности по МКБ и DSM легко понять как неадаптивные варианты FFM, но это не означает, что какой-либо показатель FFM будет полностью учитывать каждое расстройство личности. Большинство существующих показателей FFM не оценивают все его неадаптивные варианты и, следовательно, не могут учесть все компоненты и корреляты соответствующего расстройства личности. Например, есть неадаптивные варианты для всех десяти полюсов всех пяти доменов FFM, но существующие меры обычно не позволяют оценить неадаптивные варианты сознательности (например,ж., компульсивность), открытость (например, магическое мышление), уступчивость (например, подчинение), низкий невротизм (например, бесстрашие) и экстраверсия (например, доминирование), тем самым ограничивая способность скрывать основные черты обсессивно-компульсивной психики. , шизотипические, зависимые и психопатические расстройства личности соответственно. Обсессивно-компульсивное расстройство личности в значительной степени определяется дезадаптивной сознательностью (например, перфекционизм, компульсивность, трудоголизм и задумчивая задумчивость), но большинство показателей добросовестности FFM не оценивают эти неадаптивные варианты.Тем не менее, были разработаны меры для оценки неадаптивных черт FFM, включая шкалы пятифакторной модели расстройства личности5, личностный опросник для DSM-56 и личностный опросник для МКБ-117.

Есть ряд преимуществ в концептуализации расстройств личности ICD и DSM с точки зрения FFM. Многие синдромы расстройства личности по МКБ и DSM имеют ограниченный исследовательский интерес и неадекватную эмпирическую поддержку. FFM привносит в расстройства личности значительный объем проверки конструктов, включая разрешение таких заметных противоречий, как гендерная предвзятость, чрезмерное совпадение диагностических данных и временная нестабильность.Пониманию этиологии, патологии и лечения расстройств личности существенно мешает неоднородность внутри диагностических категорий и их совпадение. Американская психиатрическая ассоциация публикует руководства по лечению каждого расстройства в рамках DSM, но рекомендации были предоставлены только для одного из десяти расстройств личности (то есть пограничного). Сложная неоднородность категориальных синдромов значительно усложняет возможность разработки четкого, единообразного протокола лечения.Сферы FFM значительно более однородны и различны, что позволяет использовать более четкие модели этиологии, патологии и лечения8. Уже разработаны эмпирически подтвержденные протоколы лечения невротизма FFM9.

Общая проблема, связанная с FFM и любой другой размерной моделью черт, состоит в том, что клиницисты будут незнакомы с этим подходом и им будет трудно его применить. Однако организация FFM согласуется с тем, как люди естественным образом думают о описании черт личности.Лица, применяющие FFM, обычно находят его довольно простым в использовании. Фактически, был проведен ряд исследований, посвященных клинической применимости FFM по сравнению с синдромами DSM. Некоторые из этих исследований отдают предпочтение синдромам DSM, но, когда методологические ограничения этих конкретных исследований были рассмотрены в последующих исследованиях, результаты неизменно благоприятствовали FFM8. Опытные врачи предпочитают модели FFM и размерных черт для концептуализации расстройств личности8.

В целом, FFM является преобладающей моделью общей структуры личности и предлагает возможность для подлинно интегративного понимания структуры личности в областях клинической психиатрии и фундаментальной науки о личности. Модели ICD и DSM для классификации и диагностики расстройства личности смещаются в сторону FFM из-за ее эмпирической проверки и клинической полезности.

Структура и процессы личности, различия между ними и внутри: интеграция посредством структуры развития | Журналы геронтологии: Серия B

Абстрактные

Хукер и МакАдамс (2003) предлагают модель личности с шестью фокусами, организованную вокруг концепций структуры и процесса.Различия в структуре и процессах, по сути, заключаются в подчеркивании различий внутри или между людьми, но оба типа различий ценны, особенно в развитии личности. Кеттелл (1966) понял различие и включил его в свою концепцию ящика данных. Модель Хукера и МакАдамса разделяет аспекты схемы Кеттелла, но более явно ориентирована на развитие. Мы утверждаем, что концепция траектории развития четко вписывается как в модели Кеттелла, так и Хукера-Макадамса и предоставляет аналитическую основу для понимания различий как внутри, так и между людьми, что позволяет лучше интегрировать процессный и структурный подходы.

МНОГИХ бихевиористов интересует в первую очередь то, что происходит внутри человека, в то время как других в основном интересует, чем люди отличаются друг от друга. Хотя некоторых из нас интересуют и то, и другое, большинство склоняется к тому или иному. Это предпочтение сводится к упору на различия между людьми, а не между ними. Процессные подходы к личности благоприятствуют первым; структурные подходы благоприятствуют последнему. Хукер и МакАдамс (2003) объединяют концепции структуры и процесса, чтобы создать модель с шестью фокусами для понимания личности и ее развития.Слова «структура» и «процесс» полны смысла, и каждое из них определяет целую научную литературу и способы мышления о личности. «Структура», с одной стороны, вызывает в воображении образы Большой пятерки, черт и способностей, факторный анализ и другие концептуальные символы того, что раньше было известно как «дифференциальная психология». С другой стороны, «процесс» вызывает образы дневниковых исследований, стилей совладания, поведенческих профилей Мишелли и других концепций, обозначающих динамическое действие.

С исторической точки зрения, структурный подход уходит корнями в классическое изучение индивидуальных различий, как это было задумано Гальтоном, Спирменом, Терстоуном и другими, которые сосредоточили внимание прежде всего на индивидуальной вариативности.Процессный подход ведет свое происхождение от классического бихевиоризма с его акцентом на понимании того, как поведение разворачивается в течение коротких периодов времени (например, изучение кривых обучения и графиков подкрепления), и часто опирается на дизайн с одним предметом или одной крысой. В некотором смысле структура и процессный подходы к личности отражают различие, увековеченное в статье Кронбаха (1957) «Две дисциплины научной психологии». В конечном счете, структурный подход рассматривает межличностную дисперсию как первостепенную, тогда как процессный подход рассматривает внутриличностную вариацию как первостепенную.Многие исследователи понимают различия между структурой и процессом, но немногие понимают, как они связаны. Хукер и Макадамс это делают, и они предлагают элегантную организационную модель, которая использует некоторые из этих связей. Раймонд Кеттелл также понимал разницу, и стоит пересмотреть некоторые из его идей, поскольку мы приближаемся к столетию со дня его рождения в 1905 году.

В трехмерном ящике данных Кеттелла (1966) люди составляют одно измерение, случаи (или ситуации). ) второй, а переменный — третий.Различные пары измерений могут быть объединены для представления отдельного типа данных и уникального способа концептуализации личности. Например, метод R фокусируется на вариативности у разных людей по набору переменных, сохраняя случай постоянным. Техника R — это суть структурного подхода к личности. Он концентрируется на вариативности между людьми или различиях между людьми. Вместо этого мы можем сосредоточиться на индивидуальной вариативности в разных случаях (или ситуациях) на одной переменной; Кеттелл назвал это S-техникой.S-техника — это суть процессного подхода к личности. Он концентрируется на изменчивости внутри людей (Mroczek & Almeida, в печати; Nesselroade, 1988).

Три структурных построения Хукера и МакАдамса (черты, характерные адаптации и жизненные истории) соответствуют «переменному» измерению ящика данных Кеттелла. На них люди отличаются друг от друга — это межличностные конструкции. Черты характера являются воплощением межличностной переменной в том смысле, что они образуют непрерывные измерения.Однако характерные адаптации и жизненные истории также являются переменными между людьми. История жизни каждого человека содержит отличия этого человека от других людей, и это представляет собой различия между людьми.

Напротив, три процессных конструкта Хукера и МакАдамса (состояния, саморегулирование и саморегулирование) соответствуют измерению «событий» в блоке данных Кеттелла. Конструкции процесса отражают то, как люди меняются от случая к случаю (например, Fleeson, 2001). Внутри человека и в отдельных случаях или ситуациях состояния меняются, происходит усиление и подавление, и происходят корректировки и изменения в повествовании о жизни.Эти явления являются аспектами внутриличностных изменений. Кеттелл понимал, что индивидуальная изменчивость является важным аспектом личности и ее развития, и она отличается от информации, получаемой в результате индивидуальной изменчивости. Следовательно, он, как и Хукер и Макадамс, обеспечил, чтобы ящик данных предусматривал оба типа изменчивости. Любая модель личности, претендующая на полноту, должна оставлять место как для дисперсии, так и внутри нее, и концепция Хукера и Макадамса, как и концепция Кеттелла, делает это.

Однако Хукер и МакАдамс идут на шаг дальше Кеттелла; они обращаются к тому, как внутриличностная изменчивость и межличностная изменчивость (или вариативность процесса и структуры) соотносятся с развитием личности. Мы считаем, что структура развития — лучший способ интеграции структурного и процессуального подходов к личности (см. Также Roberts & Pomerantz, 2003). В основе поведенческого развития лежит законная стабильность и изменение, и один из лучших способов концептуализировать такие явления — использовать функции развития (Wohlwill, 1973) или траектории.Такие траектории позволяют сочетать внутриличностные и межличностные различия (Mroczek & Spiro, 2003; Mroczek, Spiro, & Almeida, в печати). Индивид имеет внутрииндивидуальную траекторию по некоторой переменной (внутри человека), а популяция демонстрирует изменчивость по траекториям (между людьми). И процесс, и структура могут быть представлены в концепции траектории развития. Легко представить себе траектории переменных трех структурных уровней личности, но труднее применить эту концепцию к трем уровням процессов.Это потому, что процессы существуют во времени; они не статичны, а динамичны. Итак, как мы концептуализируем траектории конструкций, которые, по определению, уже происходят во времени?

Нессельроаде и Бокер (1994) предложили решение. Когда «всплески измерений» (например, дневниковые исследования) включаются в долгосрочные лонгитюдные исследования, такие процессы, как саморегуляция, можно отслеживать в течение нескольких дней, недель или месяцев, тогда как более долгосрочные изменения как в процессе, так и в структуре могут быть отслеживается на протяжении многих лет.Например, 10-летнее лонгитюдное исследование может оценивать жизненные истории каждый год, но через регулярные промежутки времени проводятся месячные исследования процессов самовосстановления. Более короткий термин «всплески» отслеживает процесс самовописания. Однако само повествование может быть смоделировано продольно, чтобы дать представление о большем количестве макроизменений, которые происходят на уровне структуры жизненных историй. Можно представить себе подобные лонгитюдные исследования уровней черт и характерных приспособлений. Такие конструкции позволяют моделировать как структуру, так и процесс в одной и той же среде.Концепция продольной траектории в сочетании с моделью Хукера-Макадамса помогает нам интегрировать структурный и процессный подходы, а также обеспечивает новый способ мышления о развитии личности.

Адресная корреспонденция Даниэлю К. Мрочеку, факультет психологии, Фордхэмский университет, Бронкс, Нью-Йорк 10458-5198. Эл. Почта: [email protected]

Список литературы

Кеттелл, Р. Б.

1966

Кронбах, Л. Дж.

1957

Американский психолог

12

671

Fleeson, W.

2001

Журнал личности и социальной психологии

80

1011

Хукер, К., Макадамс, Д. П.

2003

Геронтологический журнал: Психологические науки

58B

P296

Мрочек, Д. К., Алмейда, Д. М., в прессе Влияние ежедневного стресса, возраста и личности на повседневные негативные эмоции. Журнал личности. .

Мрочек, Д. К., Спиро, А., III ..

2003

Геронтологический журнал: Психологические науки

58B

P153

Мрочек, Д. К., Спиро, А., III, Алмейда, Д. М., в прессе. Межличностные и внутриличностные вариации аффекта и личности в течение дней и лет: как базовые и прикладные подходы могут информировать друг друга. Aging International. .

Nesselroade, J. R.

1988

Нессельроаде, Дж. Р., Бокер, С. М.

1994

Робертс Б. В., Померанц Э. М.

2003

Вольвилл, Дж. Ф.

1973

Американское геронтологическое общество

Согласование структуры сетевого сообщества с факторной структурой

Аннотация

Введение

Человеческая личность описывается преимущественно в терминах факторов (измерений), найденных с помощью факторного анализа.Альтернативным и тесно связанным методом является сетевой анализ, который может иметь несколько преимуществ перед методами факторного анализа.

Цель

Для прямого сравнения способности обнаружения сетевых сообществ (NCD) и факторного анализа главных компонентов (PCA) для изучения модульности в многомерных наборах данных, таких как пересмотренный перечень личности невротизма-экстраверсии-открытости (NEO-PI-R).

Методы

434 здоровых человека были протестированы на NEO-PI-R.PCA был выполнен для извлечения факторных структур (FS) текущего набора данных с использованием как баллов по элементам, так и оценок по фасетам. Графы корреляционной сети были построены на основе одномерных корреляционных матриц взаимодействий между элементами и аспектами. Эти сети были отсечены поэтапно при расчете структуры сетевого сообщества (NCS) каждой результирующей сети с использованием алгоритма кластеризации Вакита Цуруми. NCS были сопоставлены с FS, а сети лучших совпадений были сохранены для дальнейшего анализа.

Результаты

На фасетном уровне NCS показал наилучшее соответствие (96,2%) с «подтверждающим» 5-FS. На уровне элементов NCS показала лучшее совпадение (80%) со стандартной 5-FS и задействовала в общей сложности 6 сетевых кластеров. Меньшие совпадения были обнаружены с «подтверждающими» 5-FS и «исследовательскими» 6-FS текущего набора данных. Сетевой анализ не выявил фасеты как отдельный уровень организации между элементами и кластерами. Сетевая структура маленького мира была обнаружена как в сетях на уровне элементов, так и на уровне аспектов.

Заключение

Мы представляем первый оптимизированный сетевой график личностных черт в соответствии с NEO-PI-R: «Сеть личности». Такая сеть может представлять возможные маршруты, по которым субъекты могут идти в процессе развития личности. NCD превосходит PCA, обеспечивая правдоподобную модульность на уровне элементов в нестандартных наборах данных и может определять ключевые роли отдельных элементов и кластеров в сети.

Образец цитирования: Goekoop R, Goekoop JG, Scholte HS (2012) Сетевая структура человеческой личности согласно NEO-PI-R: соответствие структуры сетевого сообщества и факторной структуре.PLoS ONE 7 (12): e51558. https://doi.org/10.1371/journal.pone.0051558

Редактор: Бин Сюэ, Uni. Южной Флориды, Соединенные Штаты Америки

Поступила: 31.07.2012; Одобрена: 2 ноября 2012 г .; Опубликовано: 20 декабря 2012 г.

Авторские права: © 2012 Goekoop et al. Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Финансирование: Исследование финансировалось PsyQ, Психологическими программами в Гааге, учреждением, занимающимся оказанием специализированной психиатрической помощи в форме времени, отведенного на исследования, а не на медицинское обслуживание. Данные были получены от здоровых людей бесплатно. Финансирующие организации не играли никакой роли в дизайне исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы прочитали политику журнала и имеют следующий конфликт: Dr.Р. Гёкоп — психиатр, работающий в группе Parnassia BAVO, которая является строго некоммерческой, неакадемической («периферийной») психиатрической лечебницей. Как и многие другие неакадемические центры в Нидерландах, он превратился в компанию из-за государственной политики, продвигающей «рыночно-ориентированный» взгляд на здравоохранение. Это не влияет на соблюдение авторами всех политик PLOS ONE в отношении обмена данными и материалами. Ни в каком виде, ни в какой форме, Parnassia Bavo Group не заинтересована в коммерческом использовании результатов, представленных в данной статье.

Введение

В настоящее время наиболее влиятельным способом взглянуть на человеческую личность является подход многомерных черт [1]. С этой точки зрения, термин «личность» относится к набору восприятий, внутренних переживаний и поведенческих черт, которыми может обладать человек, которые стабильны во времени и мало изменяются во времени. Определенная черта (например, любопытство) обычно присуща большому количеству субъектов в популяции, но степень, в которой эта черта присутствует, обязательно различается между субъектами.Личность описывалась несколькими способами, которые широко включают категориальные и многомерные описания [2]. Исследователи и все чаще клиницисты предпочитают многомерные описания из-за их достоверности, надежности и описательной силы [3], [4]. В многомерных описаниях личности большое количество конкретных личностных характеристик (например, любопытство, импульсивность, потребность в превышении скорости, легкая утомляемость, раздражительность и беспокойство по пустякам) сгруппированы вместе на основе их склонности к совместному возникновению (ковариации).Таким образом, идентифицируется меньший набор глобальных переменных (например, «открытость опыту», «невротизм»), который объясняет большую часть дисперсии в большом наборе измеряемых переменных. Эти глобальные переменные называются «факторами» или «измерениями», а весь набор факторов, который содержится в наборе данных, называется его «факторной структурой». Факторные структуры обычно выявляются с помощью факторного анализа [5]. Во многих случаях факторный анализ включает анализ главных компонент (PCA), цель которого — найти набор ортогональных (т.е. некоррелированные) факторы, которые называются «главными компонентами». Они представляют собой основные независимые источники расхождений в наборе данных. Основные компоненты могут быть добавлены линейно для восстановления дисперсии, содержащейся в наборе данных в целом.

В исследовании личности PCA является предпочтительным типом факторного анализа. Оценка отдельного компонента (или факторная оценка) может быть рассчитана для каждого главного компонента путем усреднения оценок по коварингам подпараметров, которые определяют компонент.Таким образом, ограниченный набор факторных оценок (факторный профиль) может быть использован для обеспечения компактного описания отдельных субъектов, что делает его привлекательным для исследования личности. Факторные профили могут использоваться для определения личности отдельных субъектов или групп. Такие профили позволяют прогнозировать конкретное поведение человека (например, курение сигарет, ожирение, развод) при определенных обстоятельствах (например, стресс) [6], [7]. Кроме того, профили факторов могут успешно прогнозировать показатели субъективного благополучия [8], распространенности и исхода заболевания [9], [10], вероятности несчастных случаев, риска травм [11] и преждевременной смерти [12].

В настоящее время наиболее влиятельной многомерной описательной моделью человеческой личности является пятифакторная модель [13], [14], из которых наиболее часто используемой реализацией является Пересмотренный перечень личности невротизма-экстраверсии-открытости (NEO-PI-R). [15]. NEO-PI-R — это шкала самооценки, состоящая из 240 пунктов, представляющих личностные черты, которые оцениваются по шестибалльной шкале Лайкерта. PCA использовался для изучения факторной структуры стандартизированного (нормального) набора данных здоровых американских субъектов.Это выявило пять основных факторов личности, которые объясняют оптимальное количество отклонений в исходных данных: невротизм, экстраверсия, открытость, доброжелательность и сознательность. Эти факторы постоянно присутствуют в разных группах населения и странах мира, хотя между разными странами и культурами существуют некоторые различия [16]. Для каждого фактора NEO-PI-R были определены шесть аспектов, которые измеряют различные субтитры большего фактора (например, n1 – n6 представляют тревогу, гнев, депрессию, самосознание, иммодерацию и уязвимость).Аспекты представляют собой промежуточный уровень организации между элементами и факторами. Хотя точная природа и количество аспектов не следует непосредственно из эмпирических измерений, существует значительная эмпирическая поддержка предположения о промежуточном уровне организации между элементами и факторами [17]. Фасеты были тщательно протестированы на их надежность и предсказательную силу [18]. Использование фасетов увеличивает разрешение личностных измерений и, кажется, увеличивает точность предсказаний человеческого поведения [10].В целом, NEO-PI-R является одной из наиболее поддерживаемых шкал личности, используемых во всем мире, и будет использоваться в качестве основы для клинической диагностики расстройств личности в следующем издании диагностического и статистического руководства (DSM-5), основной книги справочник по клинической диагностике психических расстройств (http://www.DSM5.org).

Хотя NEO-PI-R имеет впечатляющую историю эмпирических исследований, его факторы основаны на PCA, который имеет несколько ограничений. Наиболее важно то, что взаимоотношения между элементами, составляющими факторы, явно не моделируются и, следовательно, не принимаются во внимание.Это может быть прискорбно, поскольку некоторые из этих взаимодействий могут иметь непропорционально большое значение по сравнению с другими (например, некоторые элементы могут быть коррелированы со многими или меньшим количеством других элементов, показывать более сильные или более слабые корреляции, объяснять большую дисперсию в оценках факторов или иметь причинное преобладание над другие). В результате элементам, аспектам и факторам NEO-PI-R присваивается одинаковый вес и диагностическая ценность. Это может быть нежелательно, учитывая возможность того, что определенные черты личности (такие как невротизм или уступчивость) имеют непропорциональное значение в обеспечении здорового развития личности.Кроме того, известно, что PCA дает ошибочные результаты при выполнении на уровне элемента в наборах данных личности меньшего размера, чем стандартные. Это связано с тем, что PCA требует большого количества испытуемых (обычно в 6 раз больше, чем количество заданий) для создания надежных факторных структур [5]. Поэтому исследования, направленные на изучение личности на уровне заданий, обычно бывают большими и дорогостоящими. Для этой проблемы существуют некоторые обходные пути, например Факторный анализ в меньших наборах данных может выполняться по фасетным оценкам, которые могут дать надежные факторные структуры.Кроме того, факторные баллы могут быть рассчитаны на основе баллов по элементам с использованием международной факторной структуры в качестве ключа. Однако, несмотря на их широкое распространение, такие методы неизбежно приводят к некоторой потере информации или неточности.

Для решения этих проблем мы исследовали, может ли новый метод определения модульности в наборах данных (Network Community Detection — NCD) компенсировать некоторые ограничения PCA. Взаимодействия между переменными в наборе данных (например, корреляции между оценками элементов NEO-PI-R) можно рассматривать как сеть узлов (элементов), которые взаимодействуют друг с другом через ссылки (например,грамм. значимые корреляции). NCD включает идентификацию плотных групп взаимодействующих узлов в сетевых графах. В недавнем исследовании было показано, что сетевые кластеры, созданные некоторыми алгоритмами НИЗ, практически и теоретически очень похожи на те, которые были определены с помощью PCA [19], [20]. Как и PCA, NCD позволяет извлекать наборы сопутствующих элементов или признаков. PCA и NCD используют одни и те же ковариационные матрицы для определения модульности в наборах данных, и результаты очень похожи.Подобно факторному анализу более высокого порядка, NCD может исследовать кластеризацию сетевых кластеров и идентифицировать суперкластеры, исследуя ковариацию между баллами кластеров. Однако фундаментальное различие между PCA и NCD состоит в том, что PCA идентифицирует модули посредством алгебраического анализа дисперсии, тогда как NCD выполняет геометрический анализ. В отличие от факторного анализа, сетевой анализ дает подробное представление о взаимодействиях, которые существуют между отдельными элементами, аспектами или кластерами [21]. Кроме того, сетевой анализ может приписывать важность отдельным сетевым узлам и кластерам, основываясь не только на их размере или величине дисперсии, которую они объясняют в наборе данных в целом, но также на их стратегическом положении в сети (например,грамм. узлы с высокими степенями (концентраторами) или промежуточными центральностями). НИЗ позволяет количественно оценить такие центральные роли и изучить важность отдельных элементов и кластеров в направлении потока информации через личностную сеть, например во время развития личности.

Чтобы изучить результаты NCD по сравнению с PCA, мы выполнили оба типа анализа данных 434 здоровых субъектов, заполнивших NEO-PI-R. Сетевые графы были созданы из матриц корреляции, представляющих взаимодействия между оценками элементов и оценками аспектов NEO-PI-R, в которых узлы представляют элементы или аспекты, связи между узлами представляют значимые корреляции, а веса вдоль ссылок являются коэффициентами корреляции (r ).Учитывая теоретическое сходство между PCA и NCD, мы предположили, что FS набора данных NEO-PI-R будет точно соответствовать его NCS. NCS и FS сначала сравнивались на «фасетном уровне», то есть между FS и NCS на основе фасетных оценок. Поскольку PCA, выполненная на уровне фасета, дает результаты, которые сопоставимы между стандартными и нестандартными наборами данных, такими как настоящий набор данных, ожидалось, что NCS будет напоминать как FS текущего набора данных, так и структуру нормы. Затем мы исследовали NCS в сетях, представляющих корреляцию между баллами по заданным параметрам.Это было сделано для проверки того, будет ли НИЗ, в отличие от PCA, обеспечивать правдоподобную модульность на уровне элемента в текущем (нестандартном) наборе данных. Если NCD, в отличие от PCA, найдет значимые модули, это будет означать, что NCD может превзойти факторный анализ на этом уровне. В случае появления правдоподобных модулей (т. Е. Напоминающих результаты PCA на уровне элементов в стандартных наборах данных) мы ожидали появления крупномасштабных сетевых кластеров без промежуточного уровня фасетов, как это имеет место при использовании PCA на уровне элементов в стандартных наборах данных. .Наконец, мы ожидали получить более полное представление об уникальной природе отдельных элементов, фасетов и сетевых кластеров, чем это дает PCA.

Чтобы обеспечить прямое сравнение между NCD и PCA, была использована процедура сопоставления, в которой было оптимизировано соответствие NCS и FS. Чтобы найти наилучшее совпадение, глобальный порог персональной сети (т. Е. Порог значимости ссылки) постепенно повышался в порядке увеличения уровней значимости ссылок («постепенное сокращение») до тех пор, пока ее NCS не покажет оптимальное совпадение с ФС.В качестве шаблонов для сопоставления использовались три различных FS: FS стандартного (нормального) набора данных, который содержит 5 основных компонентов (« стандартный 5-FS »), а также FS, полученные из настоящего набора данных с использованием обоих 5-факторных PCA («подтверждающий 5-FS») и исследовательский PCA, который произвел шестифакторную структуру («исследовательский 6-FS»). Таким образом, можно было проверить, будут ли НИЗ в нестандартных наборах данных, таких как настоящий набор данных, давать NCS, которые соответствуют стандартным FS, а не местным (исследовательским или подтверждающим) FS.Если бы это было так, то НИЗ показало бы большую обобщаемость своей модульности, чем PCA. В качестве нулевой гипотезы мы ожидали, что обобщаемость НИЗ будет такой же или худшей, чем у PCA. Таким образом, мы ожидали, что NCS будут лучше соответствовать исследовательским и подтверждающим FS из текущего набора данных, чем со стандартным FS, поскольку последний получен из другого (нормального) набора данных. Сетевые графы разложения «выигравших» сетевых кластеров были построены как на уровне элементов, так и на уровне аспектов.Это дало первое описание структуры человеческой личности с точки зрения оптимизированной сети взаимозависимых личностных черт. Такая «Сеть личности» показывает определенные пути (последовательности черт), которые представляют собой набор маршрутов («шоссе»), по которым субъекты могут идти в ходе развития личности. Мы определили сетевые узлы и модули, которые потенциально важны для развития личности с точки зрения их уникальных атрибутов и положения в сети личности.

Материалы и методы

Заявление об этике

Все испытуемые в этом исследовании предоставили как устное, так и письменное информированное согласие и знали, что их личностные рейтинги должны использоваться в исследовательских целях. Эта процедура была одобрена этическим комитетом факультета психологии Амстердамского университета в рамках проекта № 2008-PN-427. Никаких исследований не проводилось за пределами нашей страны проживания (Нидерланды) или вне контекста учреждений, которые участвовали в этом исследовании (см. Информацию о принадлежности).

Субъектов

Для этого исследования была отобрана группа из 434 здоровых голландских студентов-психологов. Единственным критерием включения была способность выдержать интервью продолжительностью около 40 минут. Критериями исключения были признаки психопатологии, как определено в DSM-IV-TR (по оценке SCL-90), и родной язык, отличный от голландского. Соотношение мужчин и женщин составило 28,4% против 71,6%, средний возраст — 20,6 года (стандартное отклонение 5,39, диапазон 17–61).

Психометрия

Все испытуемые заполнили шкалу самооценки NEO-PI-R [15].Эта шкала состоит из 240 пунктов, которые оцениваются по шестибалльной шкале Лайкерта (т. Е. От 0 до 6). NEO-PI-R определяет 5 факторов: невротизм (N), экстраверсия (E), открытость (O), покладистость (A) и сознательность (C). Факторы состоят из 6 аспектов (например, n1, n2, n3, n4, n5 и n6), и каждый аспект содержит 8 пунктов анкеты.

Факторный анализ

На фасетном уровне исследовательский и подтверждающий PCA произвел 6-факторную и 5-факторную декомпозицию, соответственно (см. Рисунок 1).Чтобы максимизировать сопоставимость со стандартными (нормативными) результатами, факторный анализ проводился с использованием тех же спецификаций, которые применялись при определении набора данных нормы [15]: PCA с вращением Varimax выполнялся в SPSS. Факторы были идентифицированы при собственных значениях> 1 и путем проверки графика. Факторная принадлежность для номенклатуры установлена ​​при загрузке номенклатуры> 0,40.

Рис. 1. Диаграммы анализа основных компонентов уровня фасета (A) и уровня элемента (B).

A. На уровне фасета 6-факторная структура предлагается с помощью графика. B. На уровне элемента обнаруживается 10-факторная структура, не имеющая никакого сходства ни с 5-факторной, ни с 30-фасетной структурой. Такие разложения на уровне элементов, как известно, ненадежны в наборах данных меньшего размера, чем стандартные, таких как текущий набор данных. Следовательно, были выполнены как 5-факторные («подтверждающие»), так и 6-факторные («исследовательские») PCA, чтобы привести результаты на уровне элементов к более правдоподобным решениям. Факторные структуры этих PCA, а не 10-факторная структура, служили шаблонами в процедуре сопоставления NCS-to-FS.См текст для дополнительной информации.

https://doi.org/10.1371/journal.pone.0051558.g001

Как и ожидалось, исследовательский PCA по оценкам элементов в текущем (нестандартном) наборе данных дал неправдоподобные результаты: было найдено 10-факторное решение, которое, при визуальном осмотре не обнаружил сходства ни со стандартной 5-факторной структурой, ни с какой-либо из 30 граней NEO-PI-R (Таблица S1). Такие результаты часто встречаются в нестандартных наборах данных и ограничивают использование исследовательского факторного анализа на уровне элементов [5].Чтобы придать факторной структуре на уровне элемента более правдоподобное решение, мы выполнили два PCA на уровне элемента: один с использованием 5-факторной структуры (соответствующей количеству факторов в стандартном наборе данных), которую мы назвали «подтверждающей». 5-факторная структура и одна, включающая 6-факторную структуру, которую мы назвали «исследовательской 6-факторной структурой». Хотя этот анализ технически включал подтверждающий 6-факторный анализ, мы назвали его «исследовательским» из-за его ссылки на исследовательскую факторную структуру на фасетном уровне, которая указывает на 6-факторную структуру.Таким образом, для данных фасетного уровня использовались три факторные структуры: стандартное (5-факторное) решение, подтверждающее (5-факторное) решение и исследовательское (6-факторное) решение (Таблица 1). Аналогичным образом, для данных на уровне элементов использовались три факторные структуры: стандартное (5-факторное) решение, подтверждающее (5-факторное) решение и «исследовательский» 6-FS (Таблица S1). Эти FS служили шаблонами, по которым была оптимизирована NCS NEO-PI-R (см. Ниже).

Сетевой анализ

Сетевые графики.

Сетевые графы были построены как на уровне элементов, так и на уровне аспектов из симметричных одномерных матриц корреляции, с названиями строк и столбцов, относящимися к элементам или фасетам. Эти матрицы были заполнены соответствующими коэффициентами корреляции (r) и преобразованы в неориентированные и взвешенные сетевые графы с помощью NodeXL [22]. В этих сетях узлы (вершины) относятся к элементам или фасетам, относятся к значимым корреляциям между узлами, а веса связей — к соответствующим коэффициентам корреляции.

Обнаружение сетевого кластера.

Для идентификации сетевых кластеров мы использовали алгоритм NCD Вакита-Цуруми, интегрированный в NodeXL [23]. Этот алгоритм представляет собой более эффективный вариант алгоритма Клаузета Ньюмана Мура (CNM), который находит структуру сообщества («кликушность») узлов в сетях восходящим образом, «жадно» оптимизируя модульность сетевого графа [24]. . Оптимальный NCS находится путем итеративного слияния отдельных пар узлов в кластеры сбалансированным образом (и этих кластеров в суперкластеры и так далее), пока не будет достигнута максимальная «модульность».Модульность определяется как показатель качества, который описывает степень, в которой «внутренние» показатели связности сетевых кластеров выше, чем показатели оставшейся «внешней» сети. Группы узлов, которые используют максимум соединений между собой, а не со своим окружением, представляют собой кластеры с высокой модульностью (т.е. кластеры высокого качества). Алгоритм Вакита-Цуруми, реализованный в NodeXL, отличается от исходной версии, не включая «эвристику», которая помогает сетевым сообществам расти сбалансированным образом (см. Текст).Подробнее см. [23].

Соответствие структуры сетевого сообщества факторной структуре

В отличие от компьютерных сетей или Интернета, ссылки в графах корреляционных сетей присутствуют с определенной вероятностью или «значимостью». P-оценка корреляции (или сетевой ссылки) выражает вероятность того, что корреляция неоправдана (т. Е. Ссылки нет). Следовательно, чем меньше p, тем выше вероятность наличия соединения. Следовательно, идентификация оптимального NCS в корреляционных сетевых графах (таких как граф набора данных NEO-PI-R) включает определение уровня вероятности p значимости ссылки, при которой NCS сети является оптимальной. .До сих пор в международной литературе отсутствовал точный способ определения значения p, при котором достигается оптимальная NCS. Здесь мы описываем процедуру, с помощью которой глобальный порог личностных сетей на уровне фасетов и элементов постепенно повышается (т. Е. Сети удаляются построчно) в порядке увеличения r (коэффициент корреляции, который напрямую связан с p), пока не будет найдено оптимальное соответствие между NCS и различными шаблонными FS. Этот метод «постепенного отсечения» постепенно удалял из сети мало значимые ссылки.После удаления каждой ссылки был применен NCD, и полученный подграф и соответствующая разложение сетевого кластера были сохранены для дальнейшего анализа. На фасетном уровне эта процедура привела к разложению 420 сетевых кластеров ((30 * 30) / 2-30 ссылок). На уровне элементов всего было произведено 28560 разложений сетевых кластеров ((240 * 240) / 2 -240 ссылок). Эти NCS были сопоставлены с факторным содержанием трех альтернативных FS, полученных на уровне элементов и аспектов (стандартный 5-FS, подтверждающий 5-FS и исследовательский 6-FS), которые служили сопоставимыми «шаблонами».Сопоставление состава сетевых кластеров с факторными структурами включало сравнение «членства в факторах» и «членства в сетевых кластерах» каждого отдельного аспекта и элемента рейтинговой шкалы NEO-PI-R. Факторное членство было представлено в виде двумерной двоичной матрицы (т.е. номер фактора × номер аспекта и номер фактора × номер элемента), которая была заполнена единицами (1) для членства и нулями (0) для отсутствия членства. Аналогичная матрица была сделана для членства в сетевом кластере (номер кластера × номер аспекта или номер кластера × номер элемента).Это было сделано для всех отдельных подграфов, полученных на этапе инкрементальной обрезки. Несоответствия между факторными и кластерными структурами были идентифицированы путем вычитания бинарных матриц членства факторных структур и сетевых кластерных структур для всех подграфов и соответствующих сетевых кластеров, полученных в результате инкрементного сокращения, что привело к измерению межфакторного несоответствия (несходства) для каждого подграфа. и соответствующий набор кластеров. Поскольку факторы и кластеры могут различаться по своим размерам, уровень несоответствия может различаться между сравнениями по этому счету.Чтобы предотвратить ненадежные оценки несоответствия в результате различий в размерах факторов или кластеров, мы нормализовали оценки несоответствий относительно этих различий в размерах, взяв оценку абсолютного несоответствия для каждого сравнения кластеров и факторов и разделив ее на максимально возможное несоответствие оценка для этого сравнения (т.е. размер фактора + размер кластера).

Факторные решения позволяют загружать одни и те же элементы или аспекты на несколько факторов (Таблица 1). Следовательно, элемент или фасет могут входить в состав различных факторов.Напротив, алгоритм НИЗ Вакита-Цуруми выполняет назначение элементов и аспектов с принудительным выбором их сетевым кластерам (общая черта большинства алгоритмов НИЗ). Это различие в классификации приводит к дополнительным уровням несоответствия, если оно не учтено. Факторные нагрузки поэтому подвергались аналогичному фильтру принудительного выбора, чтобы создать шаблоны, которые использовались для сопоставления FS с NCS. Если элементы или фасеты показали множественные факторные нагрузки, фасет или элемент, показавший самую высокую факторную нагрузку, определил его факторное членство в шаблоне.

В некоторых случаях процедура сопоставления может привести к более чем одному решению с одинаково низкими показателями несоответствия между кластерами и факторами при разных порогах значимости связи (например, Facet Level_SOLUTION1 и Facet Level_SOLUTION2). Если было обнаружено несколько структур сообщества, которые показали одинаковые самые низкие уровни несоответствия, выигрышный NCS определялся путем выбора NCS, который объяснил наибольшую дисперсию в соответствующих оценках факторов. С этой целью оценки сетевого кластера рассчитывались путем суммирования оценок фасетов или элементов и деления результата на общее количество фасетов в сетевом кластере.Затем коэффициенты корреляции значимых корреляций (p <0,01) между оценками кластера и фактора возводились в квадрат (r ² ) и суммировались, чтобы получить меру общего количества дисперсии в оценках факторов, как объясняется оценками сетевых кластеров.

Расчет сетевых показателей

Для сетей на уровне элементов, фасетов и кластеров для каждого узла были рассчитаны следующие метрики сети [21]: степень, центральность по промежуточности, центральность по близости, центральность по собственному вектору, рейтинг страниц и коэффициент кластеризации.Были рассчитаны общие сетевые показатели, которые включали средние значения этих параметров, модульность, среднюю длину пути и измерения плотности графиков. Наконец, была рассчитана мера для сетей на уровне элементов и аспектов, которая выражает их степень «компактности» [25]: где C, n, L и k — средний коэффициент кластеризации, количество узлов, средняя длина кратчайшего пути. , и средняя узловая степень сети соответственно. Этот показатель сравнивает отношение среднего коэффициента кластеризации и средней длины кратчайшего пути между эмпирически полученной (NEO-PI-R) сетью и случайно связным графом того же размера.Поскольку сети малого мира связаны неслучайно (с большими средними коэффициентами кластеризации и короткими средними длинами путей), это отношение больше для сети малого мира, чем для случайно связанных графов того же размера. Следовательно, если S> 1, можно считать, что граф обладает свойствами малого мира.

Результаты

Результаты факторного анализа

В таблице 1 показаны результаты подтверждающего (5-факторного) и исследовательского факторного анализа нашего набора данных. См. Рисунок 1 для соответствующих графиков.

На фасетном уровне исследовательский факторный анализ показал 6-факторную структуру, которая отклонялась от стандартной 5-факторной структуры, хотя стандартную структуру все еще можно было в значительной степени распознать (рисунок 1A, таблица 1). Подтверждающий 5-факторный анализ дал декомпозицию, которая показала высокую степень сходства с 5-факторной стандартной структурой (таблица 1). Оценка Кайзера-Мейера-Олкина (KMO) набора данных составила 0,864, что указывает на очень хорошую адекватность выборки. Тест Бартлетта на сферичность показал квадрат Хи 6221.5, df = 435, p∼0, что указывает на высокую сферичность набора данных. Исследовательский 6-факторный анализ объяснил 62,8% общей дисперсии фасетных оценок, тогда как подтверждающий 5-факторный анализ объяснил 59,2% общей дисперсии.

Как и ожидалось, PCA на уровне позиции дала ошибочные или слабые результаты (см. Введение, M&M). Исследовательский PCA показал 10-факторную структуру, не имеющую никакого сходства ни с 5-факторной, ни с 30-гранной структурой (рис. 1B). Подтверждающий 5-факторный анализ позволил получить факторную структуру, в которой можно было бы распознать стандартную 5-факторную структуру, но только в том случае, если допускались низкие факторные нагрузки (т.е. > 0,13; Таблица S1). «Исследовательский» 6-факторный PCA показал аналогичные результаты с дальнейшим ухудшением структуры нормы из-за низких нагрузок на элементы (Таблица S1). На уровне заданий оценка набора данных по шкале Кайзера-Мейера-Олкина (KMO) составила 0,750, что указывает на хорошую адекватность выборки. Тест сферичности Бартлетта показал квадрат Хи 58845,8, df = 28680, p∼0, что указывает на высокую сферичность набора данных. Подтверждающий 5-факторный анализ объяснил 25,7% общей дисперсии баллов по пунктам, тогда как исследовательский 6-факторный анализ объяснил 27.8% от общей дисперсии.

Соответствие FS структуре кластера сети: уровень фасета

На рис. 2A показаны результаты сопоставления трех различных FS (стандартная 5-FS, подтверждающая 5-FS и исследовательская 6-FS) с сетевыми кластерными структурами полного диапазона подграфов, созданных путем постепенного сокращения сети фасетного уровня. Корреляционная матрица фасетных оценок содержала 434 корреляции от r = 0 до r = 0,671. Наиболее близкое совпадение FS с NCS было обнаружено с подтверждающим 5-FS со средним несоответствием на фактор только 3.76% (более подробную информацию см. Ниже). Стандартный 5-FS также показал вполне разумное совпадение: средний балл несоответствия на кластер составил 7,1%, а невротизм показал наибольшее отклонение (20%). Исследовательский 6-FS показал самые высокие оценки несоответствия (18,31%). Парные T-тесты показали, что NCS был значительно ближе к подтверждающему 5-FS по всему диапазону подграфов, чем стандартный 5-FS (средняя разница = 1,4%, T = 20,51, df = 433, p∼0) и исследовательский 6 -FS (средняя разница = 5.7%, T = −24,18, df = 433, p∼0). Таким образом, для подтверждающего 5-FS были найдены как глобальные, так и локальные наилучшие результаты. Во всем диапазоне подграфов уровня фасетов не было обнаружено четкого совпадения с шестым фактором исследовательского 6-FS (совпадение 33% в лучшем случае), см. Таблицу 2.

Рисунок 2. Результаты процедуры сопоставления структуры сетевого сообщества с факторной структурой на фасетном уровне.

A. Результаты процедуры сопоставления NCS-to-FS для стандартных, подтверждающих и исследовательских FS.Ось X показывает коэффициент корреляции r как порог значимости ссылки в сетевом графе (чем больше r увеличивается вправо, тем больше ссылок удаляется из сети). Ось Y показывает нормализованные оценки несходства (несоответствия). Синий: стандартный 5-FS, красный: подтверждающий 5-FS, зеленый: исследовательский 6-FS. Подтверждающий 5-FS показывает лучшее совпадение с NCS при r = 0,271, p = 4,89E-09. Подробности см. В тексте и в таблицах 1 и 2. B. Результаты процедуры сопоставления NCS-FS для конкретного случая выигравшего подтверждающего 5-FS (красная линия на рис. A) с подспецификацией сопоставления результаты по фактору.F1 – F5: подтверждающие факторы, напоминающие невротизм, экстраверсию, открытость, доброжелательность и сознательность соответственно. Подробнее см. Текст и таблицы 1 и 2.

https://doi.org/10.1371/journal.pone.0051558.g002

На рисунке 2B показана степень несоответствия между сетевыми кластерами и факторами для конкретного случая (выигрышной) подтверждающей 5-FS. Два разных NCS были обнаружены на разных глобальных порогах, которые показали одинаковый глобальный минимум несоответствия с подтверждающим 5-FS.Они назывались «Facet Level_SOLUTION1» и «Facet Level_SOLUTION2». Facet Level_SOLUTION1 был стабильным для 3 последовательно сокращаемых ссылок для (r = от 0,255 до 0,256, p = 3,60 E-08 до 3,08 E-08), а Facet Level_SOLUTION2 был стабильным для 8 последовательно сокращаемых ссылок (r = от 0,268 до 0,271, p = 7,25 E -09 до 4,89 E-09). Facet Level_SOLUTION2 продемонстрировал тенденцию к объяснению большей дисперсии факторных оценок подтверждающего (5) факторного решения, чем Facet Level_SOLUTION1 (T = 1,83, df = 24, p = 0,08, T-тест для двух выборок).Следовательно, это решение было выбрано как выигрышное. Наибольшая величина объясненной дисперсии была обнаружена при r = 0,271, p = 4,89 E-09. На этом пороге три сетевых кластера показали полное совпадение со своими соответствующими факторами (кластер 2 и EXTRAVERSION, кластер 3 и ОТКРЫТОСТЬ, кластер 5 и СОЗНАТЕЛЬНОСТЬ), один кластер показал несоответствие 7% (кластер 1 и НЕЙРОТИКИЗМ), а другой — 11. % несоответствия (кластер 4 и СОГЛАСОВАННОСТЬ), см. Таблицу 2. Оценки этих сетевых кластеров объясняют в среднем 96 баллов.2% дисперсии факторных оценок подтверждающего 5-FS. Кроме того, эти кластерные оценки объясняют 69,6% общей дисперсии, наблюдаемой в наборе данных фасетного уровня (15,0%, 16,6%, 11,8%, 11,7% и 14,5% для кластеров 1, 2, 3, 4 и 5, соответственно). Следовательно, НИЗ объясняются большей вариабельностью, чем PCA (либо в подтверждающем, либо в исследовательском анализе). На рисунке 3 показан сетевой граф фасетного уровня.

Рис. 3. Сеть личности на уровне аспектов: сетевой график корреляционных отношений между 30 гранями NEO-PI-R.

Структура сообщества на этом графике в целом наилучшим образом соответствует подтверждающему 5-FS, возникающему при r> 0,271, p <4,89 E-09. См. Таблицу 2 для значений и коэффициентов корреляции. Узел = аспект, ссылка = значимая корреляция. Красные ссылки: положительные корреляции. Синие ссылки: отрицательные корреляции. Толщина ссылок отражает силу корреляции. Для получения дополнительной информации см. Таблицу 4B. n = невротизм, e = экстраверсия, o = открытость, a = уступчивость, c = сознательность.Цифры относятся к номеру фасета. Узлы располагаются в кластерах в соответствии с их факторной принадлежностью (стандарт 5-FS). Цвет узлов обозначает их принадлежность к сетевому кластеру. Только две грани показывают несоответствие стандартной 5-FS (n5 и n2). Оба несоответствия связаны с измерением невротизма, изображенным ниже красным. Эти грани имеют сильную корреляцию с аспектами из кластера сознательности (синий) и кластера согласия (зеленый), что можно увидеть по толщине соответствующих связей.В результате n5 «втягивается» в кластер сознательности, а n2 - в кластер согласия.

https://doi.org/10.1371/journal.pone.0051558.g003

Когда требование общего соответствия между NCS и FS было отменено, некоторые отдельные факторы показали лучшее соответствие с отдельными кластерами при различных порогах (см. Таблицу 2 ). Это может указывать на то, что отдельные сетевые кластеры требуют своего собственного глобального порога для оптимального представления. Тем не менее, все пороговые значения для этих индивидуальных наилучших совпадений довольно плотно сгруппированы вокруг порога наилучшего общего совпадения (таблица 2), что позволяет предположить, что общее наилучшее совпадение является хорошей оценкой индивидуальных наилучших совпадений.

Соответствие FS структуре сетевого кластера: уровень элемента

На рисунке 4A показаны результаты сопоставления трех различных FS (стандартная 5-FS, подтверждающая 5-FS и исследовательская 6-FS) со структурами сетевого кластера полного диапазона подграфов, созданных путем постепенного сокращения сети на уровне элементов. Корреляционная матрица баллов по пунктам содержала 28680 корреляций от r = 0 до r = 0,759. Наиболее близкое совпадение NCS с FS было обнаружено со стандартным 5-FS со средним несоответствием на фактор 19.8%. За этим последовал подтверждающий 5-FS со средним несоответствием на фактор 20,6%. Лучшее совпадение с исследовательским 6-FS было более проблематичным, со средним несоответствием на фактор 28,9%. Парные T-тесты показали, что NCS был значительно ближе к подтверждающему 5-FS по всему диапазону подграфов, чем стандартные (средняя разница = 0,6%, T = 114,7, df = 28678, p∼0) или решения исследовательских факторов (средняя разница = 5,8%, T = -348,04, df = 28678, p∼0). Несмотря на такие глобальные соответствия, наилучшее локальное соответствие NCS было найдено при стандартной факторной структуре.По всему диапазону подграфов уровня элементов не было обнаружено четкого совпадения с шестым фактором исследовательского 6-FS (совпадение в лучшем случае 17,3%), см. Таблицу 3.

Рисунок 4. Результаты процедуры сопоставления структуры сетевого сообщества с факторной структурой на уровне элемента.

A. Результаты процедуры сопоставления NCS-to-FS для стандартного, подтверждающего и исследовательского факторного анализа. Применяются те же спецификации, что и на рисунке 2. Минимальное несоответствие (несоответствие) обнаружено со стандартной 5-FS при r = 0.164, р = 3,08E-04. Подробнее см. Текст и таблицы 1 и 3. B. Результаты процедуры сопоставления NCS-FS для конкретного случая победившего стандарта 5-FS (синяя линия на рисунке A) с подспецификацией сопоставления результаты по фактору. N, E, O, A, C: НЕЙРОТИК, ЭКСТРАВЕРСИЯ, ОТКРЫТОСТЬ, СОГЛАСОВАННОСТЬ и СОЗДАНИЕ. Различные факторы показывают различную степень соответствия NCS. Подробнее см. Текст и таблицы 1 и 3.

https://doi.org/10.1371/journal.pone.0051558.g004

На рисунке 4B показана степень несоответствия между факторами и сетевыми кластерами для конкретного случая (выигрышной) стандартной 5-FS. Во всем диапазоне подграфов была обнаружена только одна структура сообщества (уровень элемента_SOLUTION1), которая показала наилучшее общее совпадение с этой FS. Это решение было стабильным в диапазоне 19 последовательно сокращаемых ссылок (что соответствует r = 0,1635–0,1638, p = 3,13E-04–3.08E-04). Кластеры этой структуры сообщества объясняли в среднем 80% дисперсии наиболее соответствующих факторов.В целом, кластерные баллы на уровне заданий объясняют 33,2% общей дисперсии, наблюдаемой в оценках заданий (т. Е. 6,4%, 3,6%, 8,0%, 4,5%, 6,4% и 4,3% для кластеров 1, 2, 3, 4, 5 и 6 соответственно). Это большая разница, чем объясняется факторным анализом на уровне элементов (24,4%). На рисунке 5 показан соответствующий сетевой граф на уровне элемента.

Рис. 5. Персональная сеть на уровне элемента: сетевой граф корреляционных отношений между 240 элементами NEO-PI-R.

Структура сообщества на этом графике в целом лучше всего соответствует стандартной 5-FS, возникающей при r = 0.164, р = 3,08E-04. Узел = элемент, ссылка = значимая корреляция. Красные ссылки: положительные корреляции. Синие ссылки: отрицательные корреляции. Размер узла = градус (более крупные узлы — это более крупные концентраторы, масштаб = от 1 до 10). Для получения дополнительной информации см. Вспомогательную информацию (Таблица S2). Цвет предметов относится к их стандартной принадлежности к факторам, то есть красный: невротизм, оранжевый: экстраверсия, желтый: открытость, зеленый: доброжелательность, синий: сознательность. Элементы сгруппированы вместе в соответствии с их членством в сетевом кластере, а кластеры обозначены кружками.Кластеры сгруппированы по размеру. Выявлено пять кластеров, которые показывают максимальное соответствие стандартным факторам (таблица 3,4). Обнаружен небольшой 6-й фактор (справа на графике), состоящий из 9 пунктов, относящихся к экстраверсии (1 пункт), открытости (3 пункта), покладистости (3 пункта) и невротизму (2 пункта). Четыре изолята (нижний правый угол), состоящие из 1 или 2 элементов, были исключены из дальнейшего анализа. Большинство хабов из 10% лучших расположены в кластерах экстраверсии и невротизма.

https: // doi.org / 10.1371 / journal.pone.0051558.g005

Когда требование общего соответствия между NCS и FS было отброшено, лучшие совпадения были обнаружены для индивидуальных сравнений кластеров с факторами (несоответствие до 10,43% для сетевого кластера 5 с добросовестность стандартного факторного решения), см. Таблицу 3. Пороговые значения для этих индивидуальных совпадений сгруппированы вокруг порога для наилучшего общего совпадения (Таблица 3), что снова указывает на то, что глобальное наилучшее совпадение является хорошей оценкой индивидуальных наилучших совпадений.

Сетевые кластеры на уровне элементов сразу же образовали крупномасштабные кластеры, показывающие хорошее соответствие со стандартными факторами. Не было обнаружено никаких доказательств наличия промежуточного фасеточного уровня ни при более высоких, ни при более низких порогах. NCS, которая показала оптимальное соответствие со стандартной 5-FS, включала шестикластерную сетевую структуру. Шестой кластер содержал всего 9 пунктов. Сюда входили один элемент экстраверсии, два элемента невротизма (с отрицательной корреляцией с другими элементами кластера), три элемента открытости и три элемента согласия (таблица S2, рисунок 5).Некоторые отдельные элементы («изоляты») не были классифицированы в отдельные кластеры и были исключены из дальнейшего анализа кластерного уровня. Оценки кластеров были рассчитаны для всех шести кластеров, и корреляционная матрица была сгенерирована при p <0,01 с поправкой на множественные сравнения. На рисунке 6 показан соответствующий сетевой граф кластерного уровня.

CLUSTER1_N, CLUSTER2_E, CLUSTER3_O, CLUSTER4_A, CLUSTER5_C: кластеры, показывающие максимальное соответствие со стандартными кластерами невротизма, экстраверсии, открытости, доброжелательности и сознательности соответственно. CLUSTER6: новый шестой фактор (см. Рисунок 5, таблицу 4 и обсуждение). Сетевой график показан при p <0,01 с поправкой на множественные сравнения. Толщина звеньев отражает силу коэффициента корреляции. Коэффициенты корреляции показаны рядом со ссылками.Красный: положительные корреляции, синий: отрицательные корреляции. Для получения дополнительной информации см. Таблицу 4A. CLUSTER1_N, аналог Neuroticism, оказывает только отрицательное (тормозящее) влияние на остальную структуру сети, которая показывает только положительные взаимосвязи. Такие сети личности могут представлять собой структуры развития. CLUSTER2_E (аналог экстраверсии), CLUSTER5_C (аналог сознательности) и кластер 6 ^-й образуют промежуточную структуру между CLUSTER1_N (аналог невротизма) и CLUSTER4_A и CLUSTER3_O (аналогами согласия и открытости).Это говорит о том, что негативное влияние невротизма на показатели доброжелательности и открытости, наблюдаемое при расстройствах личности, опосредовано этим промежуточным уровнем (см. Подробности в обсуждении).

https://doi.org/10.1371/journal.pone.0051558.g006

Сетевые показатели

В таблицах 4A и 4B показано содержимое сетевых кластеров для выигравших NCS на уровне фасетов и кластеров, а также соответствующие метрики сети. Аналогичные данные для сети на уровне элементов приведены в качестве вспомогательной информации (Таблица S2).Узлы, имеющие центральное значение для передачи информации через личную сеть, были идентифицированы с помощью их степени (концентраторы) и промежуточности (см. Обсуждение). На уровне элементов верхние 10% узлов располагались в основном в кластере экстраверсии. Кроме того, кластеры невротизма и (в меньшей степени) сознательности были богаты узловыми узлами (рис. 5). Аналогичное распределение по кластерам наблюдалось для 10 ^-го процентилей узлов с наибольшей промежуточной центральностью.Кластер открытости был особенно лишен особых узлов. В таблице 5 показаны общие сетевые показатели для этих трех графиков. Что касается топологии сети, было найдено значение S = 2,58 для сети уровня фасета и значение S = 1,94 для сети уровня элемента, что указывает на то, что индивидуальная сеть на обоих уровнях характеризуется структурой малого мира.

Обсуждение

В текущем исследовании напрямую сравниваются результаты обнаружения сетевого сообщества (НИЗ) и анализа главных компонентов (PCA) в наборе данных оценок личности (NEO-PI-R).Структура сетевого сообщества (NCS) согласовывалась с факторной структурой (FS), постепенно повышая порог значимости сетевых ссылок, пока NCS не показывал оптимальное соответствие с FS. Наш анализ показывает, что PCA и NCD дают очень похожие результаты, подтверждая теоретическое сходство между двумя методами [19], [20]. Сначала мы сравнили результаты PCA и NCD на фасетном уровне, поскольку оба метода хорошо работают на этом уровне. Затем мы выполнили НИЗ на уровне заданий, чтобы проверить, дадут ли НИЗ, в отличие от АКП, правдоподобные результаты на этом уровне.Интересно, что НИЗ хорошо проявили себя на уровне заданий. Сетевые кластеры объяснили большую вариативность данных как на фасетном уровне, так и на уровне элемента, чем соответствующие FS, что позволяет предположить, что НИЗ обеспечивает лучшее обобщение данных. Можно получить информацию о влиянии ключевых узлов в сети личности, что позволит в будущем проводить исследования развития личности. Таким образом, NCS может преодолеть некоторые из основных ограничений PCA. Ниже мы сначала сравним результаты NCA и PCA на уровне аспектов и элементов.Далее мы обсудим ценность сети личности для изучения нормального развития личности и расстройств личности.

Уровень граней

На фасетном уровне, NCD показал лучшее совпадение с подтверждающим 5-FS (96,2%). Аналогичное точное совпадение было обнаружено со стандартной FS (92,0%), которая мало отличалась от подтверждающей структуры. Эти результаты подтверждают наши ожидания, что NCS покажет точное соответствие (стандартным) FS на фасетном уровне. Это совпадение не было случайностью, учитывая резкий спад кривых несоответствия, которые явно сходились к оптимальному решению, которое было стабильным в течение 8 последовательных действий по сокращению (рис. 2).Общая сумма дисперсии, объясняемая оценками сетевых кластеров, была больше, чем та, которая объяснялась оценками факторов. Следовательно, NCS, кажется, дает лучшее обобщение данных. Для подтверждающего 5-FS были найдены как локальные, так и глобальные наилучшие результаты, что указывает на то, что НИЗ на фасетном уровне сходится к решению, близкому к стандартному 5-FS. Стандартный 5-FS показал лучшее соответствие, чем исследовательский FS. Это противоречило нашим ожиданиям, поскольку стандартная FS получена из другого (нормального) набора данных.Несоответствие с исследовательской FS было в значительной степени связано с плохим совпадением с шестым фактором, поскольку процент несоответствия был наибольшим для этого фактора. Это открытие указывает на то, что АКП и НИЗ могут давать разные результаты при меньших факторах. Частично это можно объяснить характером принудительного выбора алгоритма Вакита-Цуруми. В контексте неоднозначных факторных нагрузок фасетов распределение фасетов по сетевым кластерам с принудительным выбором в некоторой степени включает в себя случайный процесс (то есть правильная классификация в сравнении с неправильной).В результате содержимое кластера меньших модулей может иметь большие отклонения, поскольку неправильное размещение более серьезно ощущается в небольших кластерах. Для более крупных кластеров такие эффекты усредняются. В качестве альтернативы, отсутствие совпадения с фактором 6 ^th (исследовательский) может указывать на фундаментальное различие между двумя методами кластеризации (см. Ниже).

И в PCA, и в NCD аспекты измерения невротизма отклонялись от стандартного решения и были частично перераспределены между кластерами согласия и сознательности.Следовательно, возможно, что измерение невротизма в нашей выборке молодых студентов-психологов отклонялось от стандартной (нормальной) популяции. Перераспределение граней n2 и n5 вызвало преувеличенное несоответствие (3,8%) между результатами НИЗ и PCA, поскольку оценки несоответствия были найдены не только для невротизма, но также и для кластеров согласия и добросовестности, хотя эти последние кластеры были идеально воспроизведены помимо включение граней невротизма. Таким образом, ожидается, что НИЗ будут вести себя еще более аналогично PCA (т.е. > 96,2%) при применении в более крупных (стандартных) наборах данных.

Уровень предмета

В отличие от PCA, NCD на уровне элемента произвел ограниченный набор правдоподобных модулей, которые показали хорошее соответствие с FS набора данных нормы (80%). Это совпадение не было случайностью, учитывая наклон кривых несоответствия, которые явно сходились к оптимальному решению, которое было стабильным на 19 последовательно сокращаемых ссылках (рис. 4). Общая сумма дисперсии, объясняемая оценками сетевых кластеров, была больше, чем та, которая объяснялась оценками факторов.Следовательно, НИЗ, по-видимому, превосходит факторный анализ в извлечении модульности из данных на уровне элементов в нестандартных выборках. По сравнению с уровнем фасетов общее соответствие было ниже (80%). Скорее всего, это связано с тем, что наша выборка отклонилась от нормы как по численности (студенты колледжей), так и по размеру выборки. Более точное совпадение ожидается, если НИЗ будут проводиться в стандартных наборах данных.

NCD показал более близкое глобальное соответствие с подтверждающими 5-FS, подтверждая наши ожидания, что NCS показывает лучшее совпадение с FS, полученными из тех же наборов данных.Тем не менее, наилучшее совпадение было найдено для стандартной (нормы) FS, которая включала локальную подгонку. Это противоречило нашим ожиданиям и дает возможность того, что НИЗ при выполнении на уровне заданий может использовать дополнительную информацию, которая облегчает извлечение «истинной» (стандартной) модульной структуры человеческой личности из нестандартных наборов данных. Одним из объяснений того, почему NCD превосходит PCA на уровне элементов, является природа принудительного выбора алгоритма Wakita-Tsurumi NCD, который дихотомизирует членство в сетевом кластере.Хотя это может быть проблематично в небольших кластерах (например, на уровне аспектов, см. Выше), это может снизить чувствительность к случайным отклонениям в более крупных кластерах (например, на уровне элементов), поскольку они усреднены. Однако это не может полностью объяснить лучшую производительность, поскольку аналогичный фильтр принудительного выбора был применен к факторным нагрузкам, чтобы избежать различий между результатами NCD и PCA именно по этой причине. Следовательно, некоторые атрибуты, характерные для НИЗ, могут быть ответственны за лучшую эффективность НИЗ по сравнению с PCA.PCA сначала определяет фактор, который объясняет наибольшую дисперсию данных, после чего его влияние линейно вычитается из данных, и процесс повторяется. Вместо этого NCD жадно строит модули по восходящей схеме, в большей степени учитывая глобальную картину набора данных. Таким образом, НИЗ могут иметь доступ к большему объему информации. Необходимы дальнейшие исследования, чтобы выяснить, действительно ли НИЗ дает результаты в меньших наборах данных, которые все же можно распространить на население в целом.

На уровне элемента НИЗ сразу же идентифицировали большие кластеры, т.е.е. промежуточного (фасеточного) уровня агрегации не обнаружено. Этот вывод согласуется с предыдущими факторными аналитическими исследованиями, в которых не было обнаружено доказательств того, что фасеты являются промежуточным уровнем агрегирования между элементами и факторами при принятии восходящего подхода [18]. Если эти результаты могут быть воспроизведены с другими наборами данных и кластерными алгоритмами, это добавит к растущей идее о том, что фасеты не являются отдельными подкластерами. Вместо этого фасеты могут быть определены как вложенные иерархии взаимосвязанных элементов в сетевых кластерах.Такие иерархии не обнаруживаются с помощью текущего алгоритма кластеризации, но могут быть исследованы с помощью альтернативных кластерных алгоритмов (например, [26]).

На уровне элемента NCS, который показал оптимальное сходство с (стандартным) 5-FS, был обнаружен на глобальном пороге, который вводил небольшой шестой фактор рядом с другими пятью (рис. 5). Подтверждающий 6-FS на уровне заданий показал меньшее соответствие NCS, чем стандартный FS. Следовательно, этот шестой сетевой кластер создается только НИЗ. В предыдущих факторно-аналитических исследованиях существование фактора 6 ^th было постулировано на основе факторного разложения NEO-PI-R в крупных международных выборках, включая население Нидерландов [27].Кроме того, 6-FS был идентифицирован в образцах, в которых модифицированная версия NEO-PI-R (Честность / Смирение-Эмоциональность-Согласие-Сознательность-Открытость (HEXACO) Эштон и Ли [28]), которая содержит дополнительные аспекты или элементы, относящиеся к нормативным (например, моральным) суждениям в отношении себя и других. Этот шестой фактор получил название «Честность / Смирение». Предыдущие исследования показали, что элементы и аспекты, которые являются частью этого шестого фактора, соответствуют параметрам фактора согласия Пятифакторной модели [29].Пунктов, которые мы нашли в шестом сетевом кластере, меньше, чем описанных для Честности-Смирения. Различия в содержании установить сложно, поскольку элементы HEXACO отличаются от элементов NEO-PI-R. Однако, учитывая природу его элементов, возможно, что шестой сетевой кластер представляет собой кластер Честности / Смирения. В качестве альтернативы, шестой кластер может просто представлять «ошибку», содержание которой оптимизировано для получения оптимального соответствия оставшихся кластеров с пятью факторами NEO-PI-R.В будущих исследованиях существование шестого (честного) сетевого кластера можно будет более конкретно изучить, сопоставив сетевые кластеры HEXACO с размерами HEXACO.

Сеть личности как структура развития

Идея о том, что личность развивается в направлении зрелости по определенным путям или последовательностям черт личности, которые достигаются в течение жизни, получила широкую поддержку в исследованиях здоровой личности (например, [30] — [32]). Исследования показали, что высокий уровень невротизма ограничивает максимальный уровень согласия, которого можно достичь [33].Неспособность развиваться высшим (характерным) измерениям напрямую связана с наличием расстройств личности [34]. Для всех расстройств личности в DSM-IV-TR [34] — [36] могут быть даны конкретные профили оценок личностных факторов. Все эти расстройства связаны с неспособностью к развитию функций высшего порядка [34]. Иерархическая структура личности дополнительно подтверждается результатами исследований нейровизуализации, показывающими, что пациенты с расстройствами личности обнаруживают дефицит в областях мозга более высокого порядка, таких как префронтальная кора [37], [38].Однако до сих пор в международной литературе отсутствует интегративный и эмпирический взгляд на развитие личности с точки зрения путей развития или последовательности черт. Шесть кластеров «Сеть личности», которую мы вывели на уровне элементов и кластеров, можно квалифицировать как такую ​​точку зрения (рисунки 5, 6). В нем описаны возможные маршруты, которые субъекты могут выбрать в процессе развития личности. В таких сетях можно идентифицировать отдельные предметы и кластеры, которые могут играть решающую роль в опосредовании роста здоровых личностей.Например, элементы с высокой степенью взаимосвязи (концентраторы) имеют решающее значение для сохранения целостности Личностной паутины и облегчения взаимодействия между различными личностными чертами во время развития. Кроме того, элементы с высокой промежуточной центральностью (т. Е. Лежащие между двумя большими кластерами) играют центральную роль в посредничестве между двумя кластерами, что может происходить во время развития личности. В общем, единичные сетевые элементы представляют собой интегративные структуры более высокого порядка, которые делают сложные сети уязвимыми для повреждений [39].Если важные узлы в паутине личности не развиваются должным образом (например, если нейронные корреляты черт узловых точек выборочно устраняются в результате захвата или определенных неблагоприятных факторов окружающей среды), это может вызвать закрытие определенных маршрутов развития, что приводит к массовая дисфункция человеческой личности. В нашем наборе данных элементы с наивысшими степенями (концентраторами) в основном располагались в пределах экстраверсии и, в меньшей степени, кластера невротизма (таблица S2). Поскольку все эти хабы связаны между собой в рамках одного кластера, эти кластеры образуют так называемые «богатые клубы» тесно связанных элементов [40].В нейробиологии богатые клубы представляют собой интегративные структуры более высокого уровня, которые служат для генерации глобальных представлений об окружающей среде [41]. Предметы богатого клуба NEO-PI-R связаны с предметами из всех других кластеров личности. Следовательно, кластеры экстраверсии и невротизма можно рассматривать как единичные кластеры с точки зрения интеграции информации из всех других кластеров личности. Поскольку экстраверсия и невротизм играют решающую роль в регуляции положительного и отрицательного аффекта соответственно [42], [43], существует вероятность того, что измерения невротизма и экстраверсии представляют собой интегративные структуры более высокого порядка, такие как богатые клубы, которые необходимы для здорового аффекта. регулирование.На уровне кластера (рис.6) кластеры экстраверсии и невротизма не выделялись в качестве основных узлов, но веса связей, окружающих кластеры невротизма и экстраверсии, были относительно сильными, что может быть связано с сильной связностью составляющих элементов эти кластеры. Экстраверсия, кластер 6 ^th и кластеры добросовестности показали наивысшую промежуточную центральность, то есть были непропорционально вовлечены в передачу трафика между другими кластерами. Следовательно, эти три кластера, по-видимому, образуют промежуточный уровень в структуре личности, который опосредует коммуникацию между кластером невротизма, с одной стороны, и согласием и открытостью к аналогам опыта, с другой.Кластер невротизма был единственным узлом в сети, который производил тормозящие эффекты (рис. 6). Поскольку расстройства личности согласно DSM-IV-TR характеризуются высоким уровнем невротизма и низким уровнем уступчивости и открытости [35], [36], это дает основание для гипотезы о том, что показатели уступчивости и открытости ограничиваются невротизмом косвенно через прямое воздействие на промежуточный уровень развития, составляющий кластеры экстраверсии, сознательности и, возможно, кластер 6 ^-й .Поскольку экстраверсия и невротизм занимают центральное место в регуляции аффекта, достигнутый уровень согласия и открытости может в значительной степени быть чистым результатом баланса между позитивным и негативным регулированием аффекта в контексте сознательности (рис. 6). Таким образом, необычная природа клубов, богатых экстраверсией и невротизмом, делает вероятным, что дисбаланс в развитии этих групп приводит к серьезным нарушениям нормального развития личности. Будущие исследования пациентов с расстройствами личности должны понять ценность этой гипотезы.

Ограничения и направления на будущее

Мы показали, что структура сети (сообщества) данных, полученных из многомерных вопросников, может быть оптимизирована по отношению к ФС таких наборов данных. Однако факторный анализ сам по себе подвержен неточностям и ошибкам. Таким образом, разложение сетевого кластера может быть искажено результатами факторного анализа. Факторный анализ обычно считается «объективным» методом, который исследует наблюдаемую ковариацию в наборах данных.Тем не менее, пороговые значения, используемые для оценки значимости факторных нагрузок и проверки осыпи, могут считаться довольно произвольными [5]. Следовательно, для независимого изучения кластерной структуры сетей следует применять другие методы. Такие методы могут включать в себя различные кластерные алгоритмы или другие методы определения вероятности сетевых ссылок, например с использованием методов весовой фильтрации [44]. Однако использование весовых фильтров в корреляционных сетях ограничено, поскольку весовое распределение в этих сетях приблизительно нормальное, а весовая фильтрация лучше всего работает с ненормальными распределениями.Следовательно, текущий подход к использованию факторной структуры корреляционных наборов данных в качестве шаблона, на основе которого оптимизируется структура сетевого сообщества, является одним из наиболее управляемых данными методов, которые в настоящее время доступны для оптимизации сетевой структуры.

В текущем исследовании использовался алгоритм NCD Вакита-Цуруми, поскольку этот метод теоретически хорошо согласуется с анализом главных компонентов и работает как для сетей с большим, так и с относительно небольшим количеством узлов [23].Алгоритм Вакита-Цуруми, который мы использовали, представляет собой невзвешенный, не подписанный, неиерархический алгоритм кластеризации. Это означает, что веса ссылок (силы корреляции) и знаки коэффициентов корреляции (положительные или отрицательные) не используются для определения модульности сетей. Кроме того, сетевые иерархии не обнаруживаются. Возможно, что различные кластерные алгоритмы, которые принимают во внимание эти меры, могут предоставить дополнительную информацию и, возможно, показать равные или лучшие совпадения с FS (например,грамм. [26]). В частности, алгоритмы кластеризации, которые исследуют иерархические отношения, кажутся многообещающими инструментами для будущих исследований, изучающих масштабируемую структуру личностных сетей, выявления аспектов и определения ключевых областей уязвимости Интернета (см. Выше). Такие методы доказали свою применимость в биологических данных, где они показали интересные результаты для паттернов коэкспрессии генов и активации мозга [26].

Следует сделать несколько замечаний относительно исследований сетевой структуры фенотипических данных (анкет).В данных о мозге или генетике важно различать узлы (гены, нейроны или вокселы), которые показывают все положительные (возбуждающие) или все отрицательные (тормозящие) взаимосвязи. Однако в фенотипических данных такое деление непросто. Например, в одном задании может быть задан вопрос, любит ли испытуемый прыжки с тарзанки, в то время как в другом задании может задаваться вопрос, не нравится ли человеку рисковать. Эти элементы будут иметь баллы, которые, вероятно, будут иметь отрицательную корреляцию, хотя оба они пытаются измерить одну и ту же основную глобальную характеристику (например,грамм. открытость опыту). Если бы такие элементы были сгруппированы в разные кластеры (например, с использованием подписанного кластерного анализа), это мало что добавило бы к знанию кластерной структуры личности и, скорее всего, выявило бы особенности в формулировке различных вопросов. Следовательно, в фенотипических исследованиях знак корреляций имеет меньшее значение, чем в биологических. Подобная языковая проблема может искажать обнаружение иерархий, которые могут представлять либо более общие, либо более конкретные фразы при тестировании на одну и ту же основную черту.

Таким образом, рекомендуется проявлять осторожность при интерпретации результатов алгоритмов сетевых кластеров на феноменологическом уровне. Важно приписывать правильное количество ценности информации, данной особенностями определенных узлов Сети Личности. Тем не менее, NEO-PI-R — это очень тщательно изученный вопросник, из которого были удалены лишние вопросы, объясняющие небольшую дополнительную дисперсию в оценках факторов. Следовательно, кажется приемлемым рассматривать пункты-хабы в NEO-PI-R как подлинные соединители высокой степени, а не как результат плохо сформулированных вопросов, которые коррелируют со многими другими оценками.Присутствие структуры малого мира в сети NEO-PI-R, по-видимому, указывает на направление биологически вероятной сети [45], [46]. Чтобы еще больше повысить достоверность наших результатов, мы включили довольно большое количество субъектов, особенно по сравнению с другими нестандартными выборками. Наконец, мы явно выбрали невзвешенный алгоритм, такой как Вакита-Цуруми, для текущего исследования, поскольку это позволило нам систематически изменять веса сетевых ссылок во время техники постепенного отсечения.Это позволило детально изучить влияние различной силы связности на кластерную структуру сети NEO и определить ее оптимальную сетевую структуру. Не делалось никаких предварительных предположений относительно существования структур или иерархий небольшого мира, чтобы не переоценивать информационное содержание наших данных. Однако, несмотря на такие меры, из данных все же были выявлены биологически правдоподобные структуры. Поэтому было бы интересно сравнить фенотипическую сетевую структуру личности со структурными и функциональными коннектомами человеческого мозга.

Заключение

Сетевой анализ фенотипических данных личности может быть использован для построения Личностной Сети. Такие сети являются мощным инструментом для изучения нормального развития личности и расстройств личности. Можно преобразовать предыдущие результаты факторного анализа в сетевые описания человеческой личности. Это захватывающий новый путь, который может изменить наш взгляд как на здоровое функционирование человека, так и на болезни. Сетевая наука обеспечивает прочную теоретическую основу для изучения человеческой личности.Поскольку человеческий мозг имеет четкую многомодульную иерархическую сетевую структуру [47], можно ожидать, что фенотипические корреляты человеческого мозга (такие как оценки личности) будут иметь сопоставимую собственную сетевую структуру. Шансы на обнаружение значимых взаимосвязей между нейрофизиологическим и фенотипическим уровнями могут улучшиться, если кто-то будет изучать такие взаимосвязи, используя теорию сетей как единый и, возможно, объединяющий метод.

Благодарности

Мы хотели бы поблагодарить руководство амбулаторной клиники отделения расстройств настроения PsyQ за предоставление необходимого количества времени для исследования.Также мы хотели бы поблагодарить студентов Амстердамского университета за любезно предоставленные ими индивидуальные оценки.

Вклад авторов

Эксперимент задумал и спроектировал: RG JGG. Проведены эксперименты: РГ. Проанализированы данные: РГ. Предоставленные реагенты / материалы / инструменты анализа: RG HSS. Написал бумагу: РГ. Рецензировал рукопись: RG JGG HSS.

Список литературы

1. 1. Финансирующий DC (2001) Личность. Анну Рев Психол 52: 197–221.
2. 2. Trull TJ, Durrett CA (2005) Категориальные и размерные модели расстройства личности. Анну Рев Clin Psychol 1: 355–380.
3. 3. Huprich SK, Bornstein RF (2007) Обзор вопросов, связанных с категориальными и размерными моделями оценки расстройства личности. J Pers Assess 89: 3–15.
4. 4. Lowe JR, Widiger TA (2009) Суждения клиницистов о клинической полезности: сравнение DSM-IV с многомерными моделями общей личности.J Pers Disord 23: 211–229.
5. 5. Ким Дж. М., Мюллер К. В. (1991) Введение в факторный анализ — что это такое и как это делать; Льюис-Бек М.С., редактор. Калифорния, США: Сара Миллер МакКьюн, Sage Publications Inc.
6. 6. Сбарра Д.А., Нитерт П.Дж. (2009) Развод и смерть: сорок лет Чарльстонского исследования сердца. Psychol Sci 20: 107–113.
7. 7. Whisman MA, Tolejko N, Chatav Y (2007) Социальные последствия расстройств личности: вероятность и время заключения брака и вероятность разрыва брака.J Pers Disord 21: 690–695.
8. 8. Josefsson K, Cloninger CR, Hintsanen M, Jokela M, Pulkki-Raback L, et al. (2011) Ассоциации личностных профилей с различными аспектами благополучия: популяционное исследование. J Affect Disord 133: 265–273.
9. 9. Кампман О., Поутанен О. (2011) Можно ли предсказать начало и выздоровление депрессии по темпераменту? Систематический обзор и метаанализ. J Affect Disord 135: 20–27.
10. 10. Quirk SW, Christiansen ND, Wagner SH, McNulty JL (2003) О полезности показателей нормальной личности для клинической оценки: свидетельство возрастающей достоверности Пересмотренного инвентаря личности NEO.Psychol Assess 15: 311–325.
11. 11. Morrongiello BA, Sandomierski M, Valla J (2010) Раннее выявление детей с риском непреднамеренной травмы: шкала поиска ощущений для детей 2–5 лет. Accid Anal Prev 42: 1332–1337.
12. 12. Grossardt BR, Bower JH, Geda YE, Colligan RC, Rocca WA (2009) Пессимистические, тревожные и депрессивные черты личности предсказывают смертность от всех причин: когортное исследование личности и старения в клинике Мэйо. Psychosom Med 71: 491–500.
13. 13. Дигман Дж. М. (1989) Пять надежных параметров черт: развитие, стабильность и полезность. J Pers 57: 195–214.
14. 14. Гольдберг Л. Р. (1990) Альтернативное «описание личности»: факторная структура большой пятерки. J Pers Soc Psychol 59: 1216–1229.
15. 15. Коста П.Т. младший, МакКрэй Р.Р. (1997) Стабильность и изменение в оценке личности: пересмотренный опросник личности NEO в 2000 году. J Pers Assess 68: 86–94.
16. 16. McCrae RR, Costa PT Jr (1997) Структура черт личности как универсальное человеческое понятие.Am Psychol 52: 509–516.
17. 17. Маркон К.Е., Крюгер Р.Ф., Ватсон Д. (2005) Определение структуры нормальной и ненормальной личности: интегративный иерархический подход. J Pers Soc Psychol 88: 139–157.
18. 18. Коста П. Т. младший, МакКрэй Р. Р. (1995) Домены и аспекты: иерархическая оценка личности с использованием пересмотренного перечня личностей NEO. J Pers Assess 64: 21–50.
19. 19. Ньюман М.Э. (2006) Модульность и структура сообщества в сетях.Proc Natl Acad Sci U S A 103: 8577–8582.
20. 20. Шен Х.В., Ченг XQ, Фанг Б.Х. (2010) Ковариация, корреляционная матрица и многомасштабная структура сообществ сетей. Phys Rev E Stat Nonlin Soft Matter Phys 82: 016114.
21. 21. Ньюман М., Барабаши А.Л., Уоттс Д.Д. (2006) Структура и динамика сетей Принстон, Нью-Джерси: Princeton University Press.
22. 22. Смит М., Милич-Фрайлинг Н., Шнейдерман Б., Мендес Родригес Э., Лесковец Дж. И др.. (2010) NodeXL: бесплатная и открытая надстройка для обзора, обнаружения и исследования сети для Excel 2007/2010. Веб-сайт NodeXL. Доступно: http://nodexl.codeplex.com/. Дата обращения 25.11.2012. Источник: веб-сайт Фонда исследований социальных сетей. Доступно: http://www.smrfoundation.org. Дата обращения 25.11.2012.
23. 23. Вакита К., Цуруми Т. (2007) Поиск структуры сообщества в мегамасштабной социальной сети. Материалы международной конференции IADIS по WWW / Internet 153–162.
24. 24.Clauset A, Newman ME, Moore C (2004) Поиск структуры сообщества в очень больших сетях. Phys Rev E Stat Nonlin Soft Matter Phys 70: 066111.
25. 25. Хамфрис, доктор медицины, Гурни К. (2008) Сеть «маленького мира»: количественный метод определения эквивалентности канонической сети. PLoS One 3: e0002051.
26. 26. Langfelder P, Horvath S (2008) WGCNA: пакет R для взвешенного корреляционного сетевого анализа. BMC Bioinformatics 9: 559.
27. 27.Saucier G, Goldberg LR (1998) Что находится за пределами большой пятерки? J Pers 66: 495–524.
28. 28. Эштон М.С., Ли К. (2005) Честность-скромность, большая пятерка и пятифакторная модель. J Pers 73: 1321–1353.
29. 29. Эштон М.С., Ли К. (2007) Эмпирические, теоретические и практические преимущества модели структуры личности HEXACO. Pers Soc Psychol Rev 11: 150–166.
30. 30. Cloninger CR, Svrakic NM, Svrakic DM (1997) Роль самоорганизации личности в развитии психического порядка и расстройства.Дев Психопатол 9: 881–906.
31. 31. McCrae RR, Martin TA, Costa PT Jr (2005) Возрастные тенденции и возрастные нормы для NEO Personality Inventory-3 у подростков и взрослых. Оценка 12: 363–373.
32. 32. Робертс Б.В., ДелВеккио В.Ф. (2000) Последовательность черт личности в ранговом порядке от детства до старости: количественный обзор лонгитюдных исследований. Psychol Bull 126: 3–25.
33. 33. Lonnqvist JE, Verkasalo M, Wichardt PC, Walkowitz G (2012) Категории расстройств личности как комбинации измерений: перевод кооперативного поведения при пограничном расстройстве личности в пятифакторную структуру.J Pers Disord 26: 298–304.
34. 34. Svrakic DM, Whitehead C, Przybeck TR, Cloninger CR (1993) Дифференциальная диагностика расстройств личности с помощью семифакторной модели темперамента и характера. Arch Gen Psychiatry 50: 991–999.
35. 35. Bagby RM, Marshall MB, Georgiades S (2005) Размерные черты личности и прогнозирование симптомов расстройства личности по DSM-IV учитываются в доклинической выборке. J Pers Disord 19: 53–67.
36. 36. Lynam DR (2012) Оценка неадаптивных вариантов черт пятифакторной модели.Дж. Перс
37. 37. Lis E, Greenfield B, Henry M, Guile JM, Dougherty G (2007) Нейровизуализация и генетика пограничного расстройства личности: обзор. J. Psychiatry Neurosci 32: 162–173.
38. 38. Вебер С., Хабель У., Амунц К., Шнайдер Ф. (2008) Структурные аномалии мозга у психопатов — обзор. Закон о поведении науки 26: 7–28.
39. 39. Альберт Р., Джеонг Х., Барабаси А.Л. (2000) Устойчивость к ошибкам и атакам сложных сетей. Nature 406: 378–382.
40. 40.Opsahl T, Colizza V, Panzarasa P, Ramasco JJ (2008) Известность и контроль: взвешенный эффект богатой дубинки. Phys Rev Lett 101: 168702.
41. 41. van den Heuvel MP, Kahn RS, Goni J, Sporns O (2012) Дорогостоящая магистраль с высокой пропускной способностью для глобальной мозговой коммуникации. Proc Natl Acad Sci U S A
42. 42. Rusting CL, Larsen RJ (1997) Экстраверсия, невротизм и восприимчивость к положительным и отрицательным аффектам: проверка двух теоретических моделей. Личность и индивидуальные различия 22: 607–612.
43. 43. Ван Л., Ши З, Ли Х (2009) Невротизм, экстраверсия, регулирование эмоций, отрицательный и положительный аффекты: посреднические роли переоценки и подавления. Социальное поведение и личность: международный журнал 37: 193–194.
44. 44. Серрано М.А., Богуна М., Веспиньяни А. (2009) Извлечение многомасштабной основы сложных взвешенных сетей. Proc Natl Acad Sci U S A 106: 6483–6488.
45. 45. Watts DJ, Strogatz SH (1998) Коллективная динамика сетей «маленького мира».Природа 393: 440–442.
46. 46. Барабаши А.Л. (2009) Безмасштабные сети: десятилетие и дальше. Science 325: 412–413.
47. 47. van den Heuvel MP, Stam CJ, Boersma M, Hulshoff Pol HE (2008) Небольшой мир и безмасштабная организация функциональной связи состояния покоя на основе вокселей в человеческом мозге. Нейроизображение 43: 528–539.

Пятифакторная модель личности — Психология

Введение

Пятифакторная модель личности (FFM) — это набор из пяти широких характеристик или областей, часто называемых «большой пятеркой»: экстраверсия, доброжелательность, сознательность , Невротизм (иногда называемый его полярной противоположностью, эмоциональной стабильностью) и открытость опыту (иногда называемый интеллектом).Сильно экстравертные люди более напористы и общительны, чем тихие и замкнутые. Приятные люди склонны к сотрудничеству и вежливы, а не враждебны и грубы. Сознательные люди сосредоточены на задачах и упорядочены, а не отвлекаются и дезорганизуются. Невротики склонны к переживанию негативных эмоций, таких как тревога, депрессия и раздражение, вместо того, чтобы быть эмоционально устойчивыми. Наконец, очень открытые люди имеют широкий, а не узкий круг интересов, они скорее чувствительны, чем равнодушны к искусству и красоте, и предпочитают новизну рутине.Большая пятерка / FFM была разработана, чтобы представить как можно большую вариативность личностей людей с использованием лишь небольшого набора параметров черт. Многие психологи согласны с тем, что его пять областей охватывают наиболее важные, базовые индивидуальные различия в личностных чертах и ​​что многие альтернативные модели черт могут быть концептуализированы в терминах структуры Большой пятерки / FFM. Цель этой статьи — ссылаться, систематизировать и комментировать различные классические и современные статьи, связанные с Большой пятеркой / FFM.Эта статья начинается с статей, которые представляют структуру Большой пятерки / FFM, подходят к ней с различных теоретических точек зрения и рассматривают возможные возражения против нее (общие обзоры, теоретические перспективы и критика). Затем обсуждаются документы, содержащие доказательства существования Большой пятерки / FFM как модели базовой структуры черт (Big Five / FFM Structure). В-третьих, в статье рассматриваются иерархические модели черт, которые предлагают еще более широкие параметры личности «выше» Большой пятерки или более конкретные черты «ниже» Большой пятерки (Большая пятерка / FFM в иерархическом контексте).В-четвертых, он ссылается на серию глав справочника, каждая из которых подробно рассматривает отдельную область Большой пятерки (отдельные области). В-пятых, он ссылается на несколько широко используемых показателей Большой пятерки / FFM, а также на документы, исследующие точность самоотчетов Большой пятерки и отчетов наблюдателей (Измерение). В-шестых, в статье обсуждаются биологические и социальные истоки Большой пятерки (биологические и социальные основы). В-седьмых, в статье рассматриваются стабильность и изменения в Большой пятерке на протяжении всей жизни, а также механизмы развития, лежащие в основе стабильности и изменений (Развитие).Наконец, в этой статье приводятся свидетельства того, что «большая пятерка» влияет на множество важных форм поведения и жизненных результатов, от политических взглядов до психопатологии (прогнозирование поведения и жизненных результатов).

Общие обзоры

Эти документы представляют структуру Большой пятерки / пятифакторной модели личности (FFM). Goldberg 1993 сосредотачивается на его историческом развитии. Маккрэй и Джон 1992 рассматривают его возможные теоретические и практические применения. Джон и др. В 2008 году рассматриваются различные исследования, в том числе исследования, связывающие «большую пятерку» с важными формами поведения и жизненными результатами.На веб-сайте The Great Ideas in Personality кратко рассматривается Большая пятерка / FFM и даются ссылки на другие соответствующие онлайн-ресурсы.

• Голдберг, Льюис Р. 1993. Структура фенотипических черт личности. Американский психолог 48.1: 26–34.

  DOI: 10.1037 / 0003-066X.48.1.26

  В этой статье рассматривается история структуры Большой пятерки / FFM, от предварительной лексической работы в Galton 1884 (цитируется в разделе «Ранние лексические исследования») до появления консенсуса среди психологов-личностей. более века спустя.

• Великие идеи в личности: пятифакторная модель.

  На этой веб-странице кратко рассматривается структура Большой пятерки / FFM, суммируются ее отношения с другими моделями личности и даются ссылки на соответствующие онлайн-ресурсы.

• Джон, Оливер П., Лаура П. Науманн и Кристофер Дж. Сото. 2008. Сдвиг парадигмы в сторону интегративной таксономии черт Большой пятерки: история, измерение и концептуальные вопросы. В Справочник личности: теория и исследования .3-е изд. Под редакцией Оливер П. Джон, Ричард В. Робинс и Лоуренс А. Первин, 114–158. Нью-Йорк: Гилфорд.

  В этой главе дается общий обзор структуры Большой пятерки / FFM. В нем кратко излагается история модели, рассматриваются исследования развития продолжительности жизни и прогностической достоверности «большой пятерки», а также обсуждаются различные концептуальные вопросы и вопросы измерения.

• МакКрэй, Роберт Р. и Оливер П. Джон. 1992. Введение в пятифакторную модель и ее приложения. Журнал личности 60.2: 175–215.

  DOI: 10.1111 / j.1467-6494.1992.tb00970.x

  В этой статье рассматривается история структуры Большой пятерки / FFM, возражения против нее, концептуализация пяти областей и возможные теоретические и практические приложения.

Пользователи без подписки не могут видеть полный контент на эта страница. Пожалуйста, подпишитесь или войдите.

О структуре фразировочных пунктов самоотчета

Концептуальная структура впечатлений лица

Значимость

Современная теория черт лица делает акцент на их основе в морфологии лица, из которой возникает корреляционная структура впечатлений лица из-за зависимости общих черт, «пространство черт лица». Здесь мы предположили, что обычные концептуальные представления воспринимающего о том, как личностные черты коррелируют, структурируют их впечатления от лица. Мы демонстрируем, что «пространство концептуальных черт» объясняет значительную часть различий в пространстве черт лица.Кроме того, мы обнаруживаем, что воспринимающие, которые считают, что какой-либо набор личностных черт (например, надежность, интеллект) более коррелирован с другими, используют более похожие черты лица, когда производят впечатление об этих чертах. Эти результаты показывают, что непрофессиональные концептуальные представления о личности играют решающую роль во впечатлениях от черт лица и могут лежать в основе как их сходства, так и различий между воспринимающими.

Abstract

Люди легко выводят объем личностных черт по внешнему виду других людей.Эти лицевые впечатления сильно взаимосвязаны в структуре, известной как «пространство черт лица». Исследования подробно документировали черты лица, которые лежат в основе впечатлений от лица, таким образом обрисовывая в общих чертах фиксированную архитектуру впечатлений лица снизу вверх, которая не может объяснить важные способы, которыми впечатления различаются между воспринимающими. Классическая теория формирования впечатления подчеркивает, что воспринимающие используют свои непрофессиональные концептуальные убеждения о том, как коррелируют личностные черты, для формирования начальных черт-впечатлений, например, когда надежность цели может влиять на впечатления об их интеллекте в той степени, в какой считается, что эти две черты связаны.Учитывая это, мы исследуем возможность того, что это простое «пространство концептуальных черт» — как воспринимающие полагают, что черты личности коррелируют в других — играет роль во впечатлениях от лица, привязывая впечатления от лица друг к другу, тем самым формируя пространство черт лица. В исследовании 1 мы обнаружили, что концептуальное пространство и пространство черт лица объясняют значительные различия друг в друге. В исследовании 2 мы обнаружили, что участники с более сильными концептуальными ассоциациями между двумя чертами характера более одинаково оценивали эти черты на лицах. Важно отметить, что, используя задачу классификации изображений лица, мы обнаружили в исследовании 3, что участники с более сильными концептуальными ассоциациями между двумя чертами лица использовали более похожие черты лица для создания этих двух черт лица.В совокупности эти результаты предполагают непрофессиональные представления о том, как коррелируют личностные черты, могут лежать в основе впечатлений от черт и, следовательно, пространства черт лица. Это означает, что впечатления от лица не только формируются снизу вверх по чертам лица, но и формируются нашими концептуальными представлениями.

Люди естественным образом определяют широкий спектр личностных качеств по лицу (1). От надежности до творчества, мы складываем надежные впечатления о других в течение нескольких секунд после того, как увидим их лицо (2, 3). Эти впечатления от лица влияют на наше социальное поведение в таких значимых ситуациях, как результаты выборов (4) и вынесение уголовного приговора (5).

Обширные исследования документально подтвердили, как впечатления индивидуальных черт выводятся из морфологических черт лица, например, что мы делаем вывод как о надежности, так и о покорности на основе детского лица (6). Естественно, что центральной чертой отпечатков лица является их сильно взаимосвязанная структура (т.е. «пространство черт лица»), в которой каждое впечатление от черты коррелирует со многими другими (1). Таким образом, современные взгляды объясняют впечатления лица как производные от конкретных черт лица, а пространство черт лица как возникающее из степени, в которой различные впечатления от черт лица имеют сходную физическую основу (например,g. доброта и покорность также связаны с детским лицом, и, таким образом, оба соотносятся с надежностью; исх. 1). Хотя такие подходы были очень ценными, они, как правило, фокусировались на фиксированной архитектуре, лежащей в основе пространства черт лица, состоящей из двух (1) или трех (7) основных измерений, которые, как обычно предполагается, не меняются в зависимости от воспринимающего.

В этой статье мы предлагаем, чтобы впечатления от лица и, следовательно, их корреляции (пространство черт лица) дополнительно структурировались теориями воспринимающего мирского человека о личностях других людей.В частности, мы предполагаем, что впечатления от лица (например, интеллект) также являются производными от восприятия других черт лица (например, надежности), поскольку воспринимающий считает, что эти две черты имеют тенденцию коррелировать у других людей. Например, воспринимающий, который считает, что концепция надежности больше связана с концепцией интеллекта, может посчитать заслуживающее доверия лицо более умным. Исследования уже давно продемонстрировали, что люди имеют богатые непрофессиональные концептуальные ассоциации о том, как, по их мнению, коррелируют личностные черты в мире (в этой статье это называется «пространство концептуальных черт»; исх.8⇓ – 10). Общее пространство концептуальных черт нашло отражение во всех исследованиях социального восприятия, основанных на данных, где давно отмечалось, что похожая структура возникает во всех областях впечатлений (впечатления от лица, знания знакомого человека, содержание стереотипов; ссылки 1 и 11⇓⇓⇓ – 15 ). Классическая теория восприятия человека подчеркивала роль этого концептуального пространства черт в формировании начальных впечатлений (т.е., мирские или имплицитные теории личности; ссылка 16). Например, в плодотворном исследовании этих вопросов Аш (17) отметил свои открытия: «Если человек умен, это влияет на то, как мы воспринимаем его игривость, счастье, дружелюбие» (стр.264). Однако, насколько нам известно, такие идеи не применялись напрямую или не проверялись для понимания характерных впечатлений лиц (хотя наблюдалось совпадение концептуальных пространств и пространств черт лица в отношении предпочтений романтических партнеров; ссылка 18). Если концептуальные ассоциации воспринимающего отчасти помогают формировать пространство черт лица, это может способствовать дальнейшим формальным моделям впечатлений лица в целом, и важным выводом будет то, что пространство черт лица является динамичным для воспринимающих, а не представляет какую-либо единую фиксированную архитектуру (9).

В нескольких исследованиях мы описываем доказательства того, что убеждения воспринимающих в ассоциациях черт или концептуальном пространстве черт связаны с их впечатлениями от лиц и, в свою очередь, со структурой пространства черт лиц. Во-первых, мы широко демонстрируем, что пространство черт лица отражает концептуальное пространство черт, обнаруживая существенное совпадение между ними (исследование 1). Во-вторых, мы обнаруживаем, что уникальные ассоциации концептуальных черт воспринимающего связаны с корреляциями их индивидуальных суждений о впечатлениях от лица (исследования 2 и 3).Наконец, мы обнаруживаем, что концептуальные ассоциации воспринимающих связаны с естественным пространством лица, лежащим в основе их впечатлений, которое проявляется в первую очередь в том, как они субъективно воспринимают индивидуальные черты (исследование 3). Для всех исследований все данные и код общедоступны через Open Science Framework (https://osf.io/z23kf/).

Результаты

Исследование 1.

Учитывая относительно общие концептуальные (19) и черты лица (3) пространства среди воспринимающих, они должны существенно пересекаться друг с другом в среднем, если воспринимающие теории личности формируют их впечатления от лица.Возможно, что пространство черт лица и пространство концептуальных черт не будут совпадать. Например, можно представить себе веру в то, что доминирующие люди умны, ответственны и общительны, однако лицевые сигналы, которые вызывают впечатление доминирования, могут не вызывать впечатления интеллекта (1). Эти пространства могут организовываться с помощью любого количества факторов, которые могут структурировать концепции черт (например, валентность, например, в эффекте ореола; ссылка 11). Поэтому важно напрямую оценить соответствие концептуального пространства черт лица.Сначала мы стремились эмпирически измерить пространство концептуальных черт (из 13 черт, используемых для оценки исходных моделей пространства черт лица; ссылка 1) и оценить, отражает ли пространство черт лица его структуру. Для этого мы использовали анализ репрезентативного подобия (RSA) (20), мощный метод оценки сходства в таких многомерных пространствах (8, 9). В этом методе каждое пространство признаков представлено в виде матрицы сходства (т. Е. Корреляции) (попарные отношения всех признаков друг к другу; Рис. 1 A и B ), а затем сглажено в вектор уникальных попарных значения сходства между каждым признаком.Поскольку черты в одной матрице измерялись по одной и той же шкале, сходства в каждой матрице были рассчитаны с использованием стандартной метрики расстояния корреляции Пирсона, в частности, парных корреляций оценок черт, сделанных по лицам ( Материалы и методы, ). Но поскольку исходные значения в разных матрицах имеют разное значение, мы оценили соответствие между отдельными матрицами (например, концептуальным пространством и пространством черт лица), используя ранговую корреляцию Спирмена, которая использует порядок ранжирования, а не исходные значения (т.е., корреляции Пирсона) для оценки отношений между расстояниями в двух пространствах (20).