Юрий Чернов - Анализ почерка в работе с кадрами

В отличие от приведенного мной примера существуют многие тесты, которые хорошо сочетаются с анализом почерка. Например, конфликтность в методе PEN оценивают, как уже было отмечено выше, по уровню психотизма. Ее же традиционно рассматривают в графологии.

Итак, мы имеем две оценки одной и той же черты личности. Одна – результат теста, другая – результат анализа почерка. Можно следовать абсолютно формальным путем. Для этого, прежде всего, оба показателя представляют на одной и то же шкале. Наиболее удобно от 0 до 1. Затем вычисляют среднюю величину. Как правило, не простую, а взвешенную:

где P– уровень результата; pt и ph – уровни черты личности по тесту и графологическому анализу соответственно; α и β – весовые коэффициенты теста и анализа почерка. Их определяют экспертно. Как правило, их сумма равна 1, и тогда можно от знаменателя в формуле отказаться. В данной книге мы не станем углубляться дальше. Наша цель – только наметить путь. Поэтому мы оставим открытым целый ряд методических вопросов. Каким образом оценивают весовые коэффициенты? Берутся ли они одинаковыми для всех черт личности или индивидуально? Влияет ли на них качество рукописного текста?

Можно и отказаться от формально-численной модели. Определяют, например, только три качественных уровня характеристики личности: высокий, средний и низкий. Часто к ним добавляют еще два: очень высокий и полное отсутствие, – и тем самым доводят до пяти уровней. Количество уровней не влияет на саму модель. В этом случае очень уместно использовать нечеткую (или размытую) модель. Об опыте применения таких моделей в графологии я уже рассказывал в одной из работ [10].

Впервые понятие размытых множеств ввел американский ученый Лофти Заде в 1965 году. С тех пор направление очень сильно развилось, и сегодня имеются тысячи практических применений нечетких моделей в разных областях. Они позволяют лучше моделировать ситуации там, где велика неточность или неопределенность исходной информации. Основано все на одной простой идее. Традиционные или четкие множества допускают два взаимоисключающих состояния объекта: он либо принадлежит этому множеству, либо нет. В нашем случае уровень черты личности может однозначно относиться только к высокому, или только к среднему, или только к низкому. Размытые множества позволяют сделать суждения более близкими к реальности. Поэтому мы можем сказать, например, что уровень относится, скорее всего, к высокому. Это «скорее всего» содержит элемент неопределенности. Каждый объект в размытой модели принадлежит множеству не целиком, а в какой-то степени. Она определяется так называемой функцией принадлежности. Чтобы это лучше понять, посмотрим на графическое представление (рис. 5.1).

Рис. 5.1. Множество: а – четкая модель; б – размытая модель

Функциям принадлежности дают часто трапецеидальную (как на рисунке) или треугольную форму. По четкой модели при количестве баллов «7» уровень однозначно низкий, при количестве баллов «8» – однозначно средний. В размытой же модели при 7 баллах уровень с достоверностью 0,3 можно считать средним и с достоверностью 0,7 – низким. При 8 баллах с достоверностью 0,5 – средним и с достоверностью 0,5 – низким. Это более соответствует нашим неформальным представлениям. Четкие множества можно считать частным случаем размытых множеств, в которых функция принадлежности равна 0 или 1.

Когда оба результата (теста и графологического заключения) указывают на одну и ту же оценку, на очень высокий уровень или, скажем, на полное отсутствие, то и проблемы не возникает. Все ясно. Мы можем быть удовлетворены, что они позволяют нам с уверенностью делать одно и то же заключение. Проблемы начинаются, когда результаты не совпадают. Причем, когда результаты просто противоположны, то ситуация тоже простая: им не следует доверять. Надо либо игнорировать данную психологическую черту, либо подключать дополнительные исследования. А вот что делать, когда один из методов говорит, что черта присутствует явно, а другой – что она присутствует только в некоторой степени? Понятно, что игнорировать ее мы уже не можем. Мы можем использовать операцию сложения на размытых множествах. Пример приведен на рис. 5.2.

Тогда для каждого уровня черты личности строим новую функцию принадлежности, определяемую суммой двух исходных. Вполне понятно, что такая формализация покажется сложной, ведь работники по управлению персоналом не должны иметь продвинутую подготовку по математике. С другой стороны, все эти сложности глубоко спрятаны в самой модели. Как бы то ни было, можно вполне использовать эвристический подход. Важно только быть последовательными и по одинаковым правилам принимать решения во всех случаях. Возможностей моделирования и применения здравого смысла при интеграции результатов бесконечно много. Их исследование выходит за рамки данной книги. Хотя оно для меня представляет, безусловно, огромный интерес. Это ведь основное направление дальнейшего развития как графологии, так и психометрического тестирования. А пока достаточно твердо понимать, что «две головы всегда лучше».

В предыдущих главах я не раз ссылался на систему HSDetect. Это комплекс баз данных, программ и моделей. Система предназначена для решения многих задач, связанных с исследованием почерка, включая графологический анализ, сравнение почерков, статистические исследования, обучение и т. д. От других компьютерных реализаций по графологии ее принципиально отличает следующий момент. HSDetect включает обширный банк. Он построен на данных из множества источников, книг, работ, выполненных специалистами разных стран и графологических школ. Многие из них приведены в списке литературы. Помните матрицу признаков почерка и черт личности, о которой мы говорили в начале? Наш банк данных фактически хранит множество таких матриц. И они интегрированы в единую. Именно ее и используют функциональные модули HSDetect. Поэтому результат, скажем, графологического анализа, формируется намного более объективным путем. Даже когда мнения различных почерковедов не совпадают друг с другом полностью, они статистически сглаживаются и сводятся к разумному среднему. Помните графологические функции из главы 2? В них разные подходы представлены различными графологическими зависимостями. Взвешенными графологическими зависимостями. Каждая такая компонента оказывает влияние, но оно зависит и от веса, и от числа, и от веса других компонентов.

Система HSDetect достаточно сложна и не приспособлена для широкого пользователя. Специально для данного издания была разработана упрощенная версия. Мы назвали ее HSD-BHV. Ее уже может использовать каждый, прочитавший книгу и освоивший принципы оценки приведенных здесь признаков почерка.