Результуючі когнітивні структури виявилися близькими для пілотів-винищувачів з однаковим рівнем досвіду, але були різними для різних груп випробовуваних. Автори експериментів виявили, що по когнітивній структурі, характерній Для пілота-винищувача, можна встановити, новачок він або досвідчений пілот. Нарешті, проведений ними ж аналіз когнітивних структур виявив наявність концептів і відношень, загальних для представлень досвідченого фахівця і новачка, і, крім того, ряд концептів і відношень, які з'явилися тільки в одному з представлень. Прямим розвитком розглянутої роботи стала експертна система управління повітряним боєм ACES [Goldsmith, Schvane-veldt, 1985].

Аналогічне дослідження механізмів накопичення досвіду було проведене в області програмування на ЕОМ [Cooke, 1985]. За допомогою методів шкалювання було показано, що один з аспектів досвіду програміста включає організацію знань відповідно задуму програми, або семантиці, а не відповідно до синтаксису.

Всі згадані вище методи (включаючи кластерний аналіз) можна віднести до методів психологічного шкалювання. Їх основу складають алгоритми перетворення складних структур даних в більш зрозумілу форму, яка передбачається психологічно змістовною. Результуюче уявлення залежить від методу:

кластерний аналіз породжує деревовидну структуру [Дюран, Оделл, 1977];

багатовимірне шкалювання і аналіз чинника - просторову [Окунь, 1974; Терехина, 1986];

алгоритм MDS - мережеву [Кук, Макдональд, 1986];

репертуарні решітки (див. параграф 5.2 і роботу [Франселла, Банністер, 1987]) породжують конструкти або метавимірювання [Kintsch, 1974].

Формальна методологія психосемантичного шкалювання дозволяє частково автоматизувати процес структуризації знань і отримувати "когнітивний розріз" його уявлень про наочну область. Методологія шкалювання дозволяє виявляти структури знання непрямим шляхом при отриманні відповідей від експертів на досить прості питання (наприклад, “наскільки близькі поняття X1 і Х2” замість "скажіть, який зв'язок між X1 і Х2 як вони впливають один на одного").

Майже всі експерименти дозволили виявити одну закономірність. Розмірність семантичного простору з підвищенням рівня професіоналізму зменшується. Цей висновок узгоджується з відомими положеннями когнітивної психології про те, що процес пізнання супроводжується узагальненням. Побудова семантичного простору зазвичай включає три послідовні кроки [Петренко, 1983].

Вибір і застосування відповідного методу оцінки семантичної схожості. Цей крок включає експеримент з випробовуваними, яким пропонується оцінити спільність стимулюючих ознак, що пред'являються, на деякій шкалі.

Побудова структури семантичного простору на основі математичного аналізу отриманої матриці схожості. При цьому відбувається зменшення числа досліджуваних понять за рахунок узагальнення і отримання генералізованих осей.

Ідентифікацію, інтерпретацію виділених структур чинників, кластерів або груп об'єктів, осей і т.д. На цьому кроці необхідно знайти смислові еквіваленти, мовні "ярлики" для виділених структур. Тут великого значення набуває лінгвістичне чуття і професіоналізм фахівця, провідного дослідження, і експертів-випробуваних. Часто до інтерпретації привертають групу експертів.

3.1.2 Методи багатовимірного шкалювання

Надалі розвиток методів психосемантики йшов по лінії розробки зручних пакетів прикладних програм, заснованих на методах багатовимірного шкалювання (БШ), аналізу чинника, а також спеціалізованих методів (статистичною) обробки репертуарних решіток [Франселла, Баннистер, 1987]. Прикладами пакетів такого типу є системи KELLY [Похилько, Страхів, 1990], MADONNA [Терехина, 1988], MEDIS [Алексєєва, Воїнів і ін., 1989]. З іншого боку, специфіка ряду конкретних додатків, раніше всього в інженерії знань, вимагала також розвитку інших (не чисельних) методів обробки психосемантичних даних, що використовують, - в тій або іншій формі - парадигму логічного виводу на знаннях. Яскравим прикладом цього напряму служить система AQUINAS [Boose et al., 1989; Boose, 1990]. Проте аналіз практичного застосування систем обох типів до завдань інженерії знань приводить до висновку про недосконалість наявних методик і необхідності їх розвитку відповідно до сучасних вимог інженерії знань. Найбільші перспективи в цій області, мабуть, у методів багатовимірного шкалювання).

Багатовимірне шкалювання (БШ) сьогодні - це математичний інструментарій, призначений для обробки даних про попарну схожість, зв'язки або відношення між аналізованими об'єктами з метою представлення цих об'єктів у вигляді точок деякого координатного простору. БШ є одним з розділів прикладної статистики, наукової дисципліни, що розробляє і систематизує поняття, прийоми, математичні методи і моделі, призначені для збору, стандартного запису, систематизації і обробки статистичних даних з метою їх лаконічного представлення, інтерпретації і отримання наукових і практичних висновків. Традиційно БШ використовується для вирішення трьох типів завдань:

Пошук і інтерпретація латентних (тобто прихованих, безпосередньо не спостережуваних) змінних, що пояснюють задану структуру попарних відстаней (зв'язків, близькостей).

Верифікація геометричної конфігурації системи аналізованих об'єктів в координатному просторі латентних змінних.

Стиснення початкового масиву даних з мінімальними втратами в їх інформативності.

Незалежно від завдання БШ завжди використовується як інструмент наочного представлення (візуалізація) початкових даних. БШ широко застосовується в дослідженнях по антропології, педагогіці, психології, економіці, соціології [Дейвисон, 1988].

У основі даного підходу лежить інтерактивна процедура суб'єктивного шкалювання, коли випробовуваному (тобто експертові) пропонується оцінити схожість між різними елементами П за допомогою деякої градуйованої шкали (наприклад, від 0 до 9, або від -2 до +2). Після такої процедури аналітик розташовує чисельно представленими стандартизованими даними, що піддаються обробці існуючими пакетами прикладних програм, що реалізовують різні алгоритми формування концептів вищого рівня абстракції і що будують геометричну інтерпретацію семантичного простору в евклідової системі координат.

Основний тип даних в БШ - заходи близькості між двома об'єктами (i, j) - dij. Якщо міра близькості