Исследование структур обобщенных групп, выделяемых разными методами, на примере результатов исследования СТАРТ
Научная статья
Для цитирования
Абдурахманова Э. М. Исследование структур обобщенных групп, выделяемых разными методами, на примере результатов исследования СТАРТ // Социология: методология, методы, математическое моделирование (Социология:4М). 2021. № 50-51. С. 37-62.
Аннотация
Задача классификации объектов по осмысленным группам является одной из важных задач в социальных науках. Однако выделять обобщенные группы можно по разным основаниям, что приводит к выделению разных структур групп, а это неминуемо отражается на интерпретации полученных результатов. Цель данного исследования заключается в изучении структуры кластеров, выделяемых методами кластерного анализа и методом пороговых значений, на примере данных исследования СТАРТ, и анализе интерпретации полученных кластерных решений. Выборка исследования включает результаты обследования 2645 первоклассников Красноярской области, принявших участие в исследовании СТАРТ в 2018 г. Результаты исследования показывают, что кластерная структура, полученная методом k-средних, схожа с групповой структурой, полученной методом пороговых значений, а результаты анализа латентных профилей отличаются. Полученные результаты исследования в широком плане могут быть использованы в социологических исследованиях для поиска гомогенных групп, а в узкой сфере образования могут быть использованы при организации эффективной обратной связи для учителя.
Ключевые слова:
k-средних, анализ латентных профилей, метод пороговых значений, стартовая диагностика, СТАРТ, начальная школа
Литература
1. Teaching to Change the World / J. Oakes, M. Lipton, L. Anderson, J. Stillman. 5th еd. New York: Routledge, 2018.
2. Dupriez V. Methods of Grouping Learners at School / United Nations Educa¬tional, Scientific and Cultural Organization. Paris: UNESCO, 2010.
3. Eder D. Ability Grouping as a Self-fulfilling Prophecy: A Micro-Analysis of Teacher-Student Interaction // Sociology of Education. 1981. Vol. 54. P. 151–162. DOI: 10.2307/2112327
4. Brophy J.E. Teachers’ Communication of Differential Expectations for Children’s Classroom Performance: Some Behavioral Data / J.E. Brophy, T.L. Good // Journal of Educational Psychology. 1970. Vol. 61. No. 5. Р. 365–374. DOI: 10.1037/h002990855
5. Weinstein R.S. Reading Group Membership in First Grade: Teacher Behaviors and Pupil Experience over Time // Journal of Educational Psychology. 1976. Vol. 68. P. 103–116. DOI: 10.1037/0022-0663.68.1.103
6. Babad E. Students as Judges of Teachers’ Verbal and Nonverbal Behavior / E. Babad, F. Bernieri, R. Rosenthal // American Educational Research Journal. 1991. Vol. 28. No. 1. P. 211–234. DOI: 10.3102/00028312028001211
7. Babad E. Transparency of Teacher Expectancies Across Language, Cultural Boundaries / E. Babad, P.J. Taylor // The Journal of Educational Research. 1992. Vol. 86. No. 2. P. 120–125. DOI: 10.1080/00220671.1992.9941148
8. Wang S. A Systematic Review of the Teacher Expectation Literature over the Past 30 Years / S. Wang, C.M. Rubie-Davies, K. Meissel // Educational Research and Evaluation. 2018. Vol. 24. No. 3–5. P. 124–179. DOI: 10.1080/13803611.2018.1548798
9. Eden D. Pygmalion Goes to Boot Camp: Expectancy, Leadership, and Trainee Performance / D. Eden, A.B. Shani // Journal of Applied Psychology. 1982. Vol. 67. No. 2. Р. 194–199. DOI: 10.1037/0021-9010.67.2.194
10. Rousseeuw P.J. Silhouettes: A Graphical Aaid to the Interpretation and Validation of Cluster Analysis // Journal of Computational and Applied Mathematics. 1987. Vol. 20. P. 53–65. DOI: 10.1016/0377-0427(87)90125-7
11. Saleh M. Effects of Within-class Ability Grouping on Social Interaction, Achievement, and Motivation / M. Saleh, A.W. Lazonder, T. De Jong // Instructional Science. 2005. Vol. 33. No. 2. Р. 105–119. DOI: 10.1007/s11251-004-6405-z
12. Phonological Storage and Executive Function Deficits in Children with Mathematics Difficulties / P. Peng, S. Congying, L. Beilei, T. Sha // Journal of Experimental Child Psychology. 2012. Vol. 112. No. 4. P. 452–466.
13. Обобщенные типы развития первоклассников на входе в школу. По материалам исследования iPIPS / Е. Карданова, А. Иванова, П. Сергоманов [и др.] // Вопросы образования. 2018. № 1. С. 8–37.
14. Орел Е. Паттерны социально-эмоционального развития первоклассника на входе в школу / Е. Орел, А. Пономарева // Психология. Журнал Высшей школы экономики. 2018. Т. 15. № 1. С. 107–127.
15. Egan O. Cluster Analysis in Educational Research // British Educational Research Journal. 1984. Vol. 10. No. 2. P. 145–153.
16. Developmental Patterns of Cognitive and Non-Cognitive Skills of Russian First-Graders / E. Orel, I. Brun, E. Kardanova, I. Antipkina // International Journal of Early Childhood. 2018. Vol. 50. No. 3. P. 297–314.
17. Коченков А.И. Идеи латентно-структурного анализа Лазарсфельда в современной социологии / А.И. Коченков, Ю.Н. Толстова // Социология: методология, методы, математическое моделирование. 2003. № 16. С. 127–149.
18. Südkamp A. Teachers’ Judgment Accuracy Concerning Consistent and Inconsistent Student Profiles / A. Südkamp, A.-K. Praetorius, B. Spinath // Teaching and Teacher Education. 2018. No. 76. P. 204–213.
19. Latent Profile Analysis of Students’ Motivation and Outcomes in Mathematics: An Organismic Integration Theory Perspective / C.K.J. Wang, W.C. Liu, Y. Nie [et al.] // Heliyon. 2017. Vol. 3. No. 5. Art. no. e00308. P. 1–18.
20. Ostad S.A. Private Speech Use in Arithmetical Calculation: Relationship with Phonological Memory Skills in Children with and without Mathematical Difficulties // Annals of Dyslexia. 2015. Vol. 65. No. 2. P. 103–119.
21. Rupp A.A. Clustering and Classification // The Oxford Handbook of Quantitative Methods. Vol. 2: Statistical Analysis / Ed. by T.D. Little. Oxford: Oxford University Press, 2013. P. 517–550.
22. Masyn K.E. Latent Class Analysis and Finite Mixture Modeling // The Oxford Handbook of Quantitative Methods. Volume 2: Statistical Analysis / Ed. by T.D. Little. Oxford: Oxford University Press, 2013. P. 551–611.
23. Kaushik S. An Introduction to Clustering and different methods of clustering // Analytics Vidhya [site]. 2016. November 03. URL: https://www.analyticsvidhya.com/ blog/2016/11/an-introduction-to-clustering-and-different-methods-of-clustering/ (date of access: 20.04.2020).
24. Бослаф С. Статистика для всех / Пер. с англ. П.А. Волкова [и др.]. М.: ДМК Пресс, 2017. С. 323–327.
25. Handbook of Cluster Analysis / Ed. by C. Henning [et al.]. Boca Raton, FL: CRC Press Taylor & Francis Group, 2016.
26. Smith S.P. Testing for Uniformity in Multidimensional Data / S.P. Smith, A.K. Jain // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1984. Vol. Pami-6. No. 1. P. 73–81.
27. Jain A.K. Data Clustering: 50 Years beyond K-means // Pattern Recognition Letters. 2010. No. 31. P. 651–666.
28. Oberski D. Mixture Models: Latent Profile and Latent Class Analysis // Springer Link [site]. 23.03.2016. URL: https://link.springer.com/chapter/10.1007/ 978-3-319-26633-6_12 (date of access: 04.03.2021).
29. Olivera-Aguilar M. Using Latent Profile Analysis to Identify Noncognitive Skill Profiles Among College Students / M. Olivera-Aguilar, S.H. Rikoon, S.B. Robbins // The Journal of Higher Education. 2017. Vol. 88. No. 2. P. 234–257.
30. Williams G.A. Latent Class Analysis and Latent Profile Analysis / G.A. Williams, F. Kibowski // Handbook of Methodological Approaches to Community- Based Research. Qualitative, Quantitative, and Mixed Methods / Ed. by L.A. Jason, D.S. Glenwick. Oxford: Oxford University Press, 2016. P. 143–151.
31. Nylund K.L. Deciding on the Number of Classes in Latent Class Analysis and Growth Mixture Modeling: A Monte Carlo Simulation Study / K.L. Nylund, T. Asparouhov, B.O. Muthén // Structural Equation Modeling: A Multidisciplinary Journal. 2007. Vol. 14. No. 4. Р 535–569.
32. Bauer D.J. The Integration of Continuous and Discrete Latent Variable Models: Potential Problems and Promising Opportunities / D.J. Bauer, P.J. Curran // Psychological Methods. 2004. Vol. 9. No. 1. P. 3–29.
33. Vukovic R.K. Academic and Cognitive Characteristics of Persistent Mathemat¬ics Difficulty from First Through Fourth Grade / R.K. Vukovic, L.S. Siegel // Learning Disabilities Research & Practice. 2010. Vol. 25. No. 1. P. 25–38.
34. Kempe C. A Longitudinal Study of Early Reading Difficulties and Subsequent Problem Behaviors / C. Kempe, S. Gustafson, S. Samuelsson // Scandinavian Journal of Psychologу. 2011. No. 52. P. 242–250.
35. Development of Number Line Representations in Children with Mathematical Learning Disability / D.C. Geary, M.K. Hoard, L. Nugent, J. Byrd-Craven // Developmental Neuropsychology. 2008. Vol. 33. No. 3. P. 277–299.
36. Behavior Problems in Learning Activities and Social Interactions in Head Start Classrooms and Early Reading, Mathematics, and Approaches to Learning / R.J. Bulotsky-Shearer, V. Fernandez, X. Dominguez, H.L. Rouse // School Psychology Review. 2011. Vol. 40. No. 1. P. 39–56.
37. Cognitive Characteristics of Children with Mathematics Learning Disability (MLD). Vary as a Function of the Cutoff Criterion Used to Define MLD / M.M. Murphy, M.M.M. Mazzocco, L.B. Hanich, M.C. Early // Journal of Learning Disabilities. 2007. Vol. 40. No. 5. P. 458–478.
38. Teno K.M. Cluster Grouping Elementary Gifted Students in the Regular Class¬room: A Teacher’s Perspective // Gifted Child Today. 2000. Vol. 23. No. 1. P. 44–49.
39. Хоукер Д. Стартовая диагностика детей на входе в начальную школу и оценка их прогресса в течение первого года обучения: международное иссле¬дование iPIPS / Д. Хоукер, Е.Ю. Карданова // Тенденции развития образования. Что такое эффективная школа и эффективный детский сад? М.: Дело; РАНХиГС, 2014. С. 311–320.
40. Noncognitive Development of First Graders and Their Cognitive Performance / I. Brun, E. Kardanova, A. Ivanova, E. Orel // Noncognitive Development Of First Graders And Their Cognitive Performance. Series: “PSYCHOLOGY”. WP BRP 57/ PSY/2016. М.: НИУ ВШЭ, 2016. Р. 2–23.
41. Иванова А. Стартовая диагностика детей на входе в начальную школу: международное исследование iPIPS / А. Иванова, А. Нисская // Школьные технологии. 2015. № 2. С. 161–168.
42. mclust 5: Clustering, Classification and Density Estimation Using Gaussian Finite Mixture Models / L. Scrucca, M. Fop, T.B. Murphy, A.E. Raftery // The R Journal. 2016. Vol. 8 (1). Р. 289–317.
2. Dupriez V. Methods of Grouping Learners at School / United Nations Educa¬tional, Scientific and Cultural Organization. Paris: UNESCO, 2010.
3. Eder D. Ability Grouping as a Self-fulfilling Prophecy: A Micro-Analysis of Teacher-Student Interaction // Sociology of Education. 1981. Vol. 54. P. 151–162. DOI: 10.2307/2112327
4. Brophy J.E. Teachers’ Communication of Differential Expectations for Children’s Classroom Performance: Some Behavioral Data / J.E. Brophy, T.L. Good // Journal of Educational Psychology. 1970. Vol. 61. No. 5. Р. 365–374. DOI: 10.1037/h002990855
5. Weinstein R.S. Reading Group Membership in First Grade: Teacher Behaviors and Pupil Experience over Time // Journal of Educational Psychology. 1976. Vol. 68. P. 103–116. DOI: 10.1037/0022-0663.68.1.103
6. Babad E. Students as Judges of Teachers’ Verbal and Nonverbal Behavior / E. Babad, F. Bernieri, R. Rosenthal // American Educational Research Journal. 1991. Vol. 28. No. 1. P. 211–234. DOI: 10.3102/00028312028001211
7. Babad E. Transparency of Teacher Expectancies Across Language, Cultural Boundaries / E. Babad, P.J. Taylor // The Journal of Educational Research. 1992. Vol. 86. No. 2. P. 120–125. DOI: 10.1080/00220671.1992.9941148
8. Wang S. A Systematic Review of the Teacher Expectation Literature over the Past 30 Years / S. Wang, C.M. Rubie-Davies, K. Meissel // Educational Research and Evaluation. 2018. Vol. 24. No. 3–5. P. 124–179. DOI: 10.1080/13803611.2018.1548798
9. Eden D. Pygmalion Goes to Boot Camp: Expectancy, Leadership, and Trainee Performance / D. Eden, A.B. Shani // Journal of Applied Psychology. 1982. Vol. 67. No. 2. Р. 194–199. DOI: 10.1037/0021-9010.67.2.194
10. Rousseeuw P.J. Silhouettes: A Graphical Aaid to the Interpretation and Validation of Cluster Analysis // Journal of Computational and Applied Mathematics. 1987. Vol. 20. P. 53–65. DOI: 10.1016/0377-0427(87)90125-7
11. Saleh M. Effects of Within-class Ability Grouping on Social Interaction, Achievement, and Motivation / M. Saleh, A.W. Lazonder, T. De Jong // Instructional Science. 2005. Vol. 33. No. 2. Р. 105–119. DOI: 10.1007/s11251-004-6405-z
12. Phonological Storage and Executive Function Deficits in Children with Mathematics Difficulties / P. Peng, S. Congying, L. Beilei, T. Sha // Journal of Experimental Child Psychology. 2012. Vol. 112. No. 4. P. 452–466.
13. Обобщенные типы развития первоклассников на входе в школу. По материалам исследования iPIPS / Е. Карданова, А. Иванова, П. Сергоманов [и др.] // Вопросы образования. 2018. № 1. С. 8–37.
14. Орел Е. Паттерны социально-эмоционального развития первоклассника на входе в школу / Е. Орел, А. Пономарева // Психология. Журнал Высшей школы экономики. 2018. Т. 15. № 1. С. 107–127.
15. Egan O. Cluster Analysis in Educational Research // British Educational Research Journal. 1984. Vol. 10. No. 2. P. 145–153.
16. Developmental Patterns of Cognitive and Non-Cognitive Skills of Russian First-Graders / E. Orel, I. Brun, E. Kardanova, I. Antipkina // International Journal of Early Childhood. 2018. Vol. 50. No. 3. P. 297–314.
17. Коченков А.И. Идеи латентно-структурного анализа Лазарсфельда в современной социологии / А.И. Коченков, Ю.Н. Толстова // Социология: методология, методы, математическое моделирование. 2003. № 16. С. 127–149.
18. Südkamp A. Teachers’ Judgment Accuracy Concerning Consistent and Inconsistent Student Profiles / A. Südkamp, A.-K. Praetorius, B. Spinath // Teaching and Teacher Education. 2018. No. 76. P. 204–213.
19. Latent Profile Analysis of Students’ Motivation and Outcomes in Mathematics: An Organismic Integration Theory Perspective / C.K.J. Wang, W.C. Liu, Y. Nie [et al.] // Heliyon. 2017. Vol. 3. No. 5. Art. no. e00308. P. 1–18.
20. Ostad S.A. Private Speech Use in Arithmetical Calculation: Relationship with Phonological Memory Skills in Children with and without Mathematical Difficulties // Annals of Dyslexia. 2015. Vol. 65. No. 2. P. 103–119.
21. Rupp A.A. Clustering and Classification // The Oxford Handbook of Quantitative Methods. Vol. 2: Statistical Analysis / Ed. by T.D. Little. Oxford: Oxford University Press, 2013. P. 517–550.
22. Masyn K.E. Latent Class Analysis and Finite Mixture Modeling // The Oxford Handbook of Quantitative Methods. Volume 2: Statistical Analysis / Ed. by T.D. Little. Oxford: Oxford University Press, 2013. P. 551–611.
23. Kaushik S. An Introduction to Clustering and different methods of clustering // Analytics Vidhya [site]. 2016. November 03. URL: https://www.analyticsvidhya.com/ blog/2016/11/an-introduction-to-clustering-and-different-methods-of-clustering/ (date of access: 20.04.2020).
24. Бослаф С. Статистика для всех / Пер. с англ. П.А. Волкова [и др.]. М.: ДМК Пресс, 2017. С. 323–327.
25. Handbook of Cluster Analysis / Ed. by C. Henning [et al.]. Boca Raton, FL: CRC Press Taylor & Francis Group, 2016.
26. Smith S.P. Testing for Uniformity in Multidimensional Data / S.P. Smith, A.K. Jain // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1984. Vol. Pami-6. No. 1. P. 73–81.
27. Jain A.K. Data Clustering: 50 Years beyond K-means // Pattern Recognition Letters. 2010. No. 31. P. 651–666.
28. Oberski D. Mixture Models: Latent Profile and Latent Class Analysis // Springer Link [site]. 23.03.2016. URL: https://link.springer.com/chapter/10.1007/ 978-3-319-26633-6_12 (date of access: 04.03.2021).
29. Olivera-Aguilar M. Using Latent Profile Analysis to Identify Noncognitive Skill Profiles Among College Students / M. Olivera-Aguilar, S.H. Rikoon, S.B. Robbins // The Journal of Higher Education. 2017. Vol. 88. No. 2. P. 234–257.
30. Williams G.A. Latent Class Analysis and Latent Profile Analysis / G.A. Williams, F. Kibowski // Handbook of Methodological Approaches to Community- Based Research. Qualitative, Quantitative, and Mixed Methods / Ed. by L.A. Jason, D.S. Glenwick. Oxford: Oxford University Press, 2016. P. 143–151.
31. Nylund K.L. Deciding on the Number of Classes in Latent Class Analysis and Growth Mixture Modeling: A Monte Carlo Simulation Study / K.L. Nylund, T. Asparouhov, B.O. Muthén // Structural Equation Modeling: A Multidisciplinary Journal. 2007. Vol. 14. No. 4. Р 535–569.
32. Bauer D.J. The Integration of Continuous and Discrete Latent Variable Models: Potential Problems and Promising Opportunities / D.J. Bauer, P.J. Curran // Psychological Methods. 2004. Vol. 9. No. 1. P. 3–29.
33. Vukovic R.K. Academic and Cognitive Characteristics of Persistent Mathemat¬ics Difficulty from First Through Fourth Grade / R.K. Vukovic, L.S. Siegel // Learning Disabilities Research & Practice. 2010. Vol. 25. No. 1. P. 25–38.
34. Kempe C. A Longitudinal Study of Early Reading Difficulties and Subsequent Problem Behaviors / C. Kempe, S. Gustafson, S. Samuelsson // Scandinavian Journal of Psychologу. 2011. No. 52. P. 242–250.
35. Development of Number Line Representations in Children with Mathematical Learning Disability / D.C. Geary, M.K. Hoard, L. Nugent, J. Byrd-Craven // Developmental Neuropsychology. 2008. Vol. 33. No. 3. P. 277–299.
36. Behavior Problems in Learning Activities and Social Interactions in Head Start Classrooms and Early Reading, Mathematics, and Approaches to Learning / R.J. Bulotsky-Shearer, V. Fernandez, X. Dominguez, H.L. Rouse // School Psychology Review. 2011. Vol. 40. No. 1. P. 39–56.
37. Cognitive Characteristics of Children with Mathematics Learning Disability (MLD). Vary as a Function of the Cutoff Criterion Used to Define MLD / M.M. Murphy, M.M.M. Mazzocco, L.B. Hanich, M.C. Early // Journal of Learning Disabilities. 2007. Vol. 40. No. 5. P. 458–478.
38. Teno K.M. Cluster Grouping Elementary Gifted Students in the Regular Class¬room: A Teacher’s Perspective // Gifted Child Today. 2000. Vol. 23. No. 1. P. 44–49.
39. Хоукер Д. Стартовая диагностика детей на входе в начальную школу и оценка их прогресса в течение первого года обучения: международное иссле¬дование iPIPS / Д. Хоукер, Е.Ю. Карданова // Тенденции развития образования. Что такое эффективная школа и эффективный детский сад? М.: Дело; РАНХиГС, 2014. С. 311–320.
40. Noncognitive Development of First Graders and Their Cognitive Performance / I. Brun, E. Kardanova, A. Ivanova, E. Orel // Noncognitive Development Of First Graders And Their Cognitive Performance. Series: “PSYCHOLOGY”. WP BRP 57/ PSY/2016. М.: НИУ ВШЭ, 2016. Р. 2–23.
41. Иванова А. Стартовая диагностика детей на входе в начальную школу: международное исследование iPIPS / А. Иванова, А. Нисская // Школьные технологии. 2015. № 2. С. 161–168.
42. mclust 5: Clustering, Classification and Density Estimation Using Gaussian Finite Mixture Models / L. Scrucca, M. Fop, T.B. Murphy, A.E. Raftery // The R Journal. 2016. Vol. 8 (1). Р. 289–317.
Статья
Поступила: 01.05.2020
Опубликована: 11.04.2021
Форматы цитирования
Другие форматы цитирования:
APA
Абдурахманова, Э. М. (2021). Исследование структур обобщенных групп, выделяемых разными методами, на примере результатов исследования СТАРТ. Социология: методология, методы, математическое моделирование (Социология:4М), (50-51), 37-62. извлечено от https://soc4m.ru/index.php/soc4m/article/view/7980
Раздел
ПРАКТИКИ СБОРА И АНАЛИЗА ФОРМАЛИЗОВАННЫХ ДАННЫХ
