автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Эмпирико-статистическое моделирование психологических типов в задачах управления персоналом

ВВЕДЕНИЕ

1. РОЛЬ, МЕСТО И ПРОБЛЕМЫ ПРИМЕНЕНИЯ ЭКСПЕРИМЕНТАЛЬНО-ПСИХОЛОГИЧЕСКИХ МЕТОДОВ В

ЗАДАЧАХ УПРАВЛЕНИЯ ПЕРСОНАЛОМ

1.1. Общая характеристика деятельности по управлению человеческими ресурсами предприятия

1.2. Экспериментально-психологические методики для оценки персонала

1.3. Обзор основных проективных рисуночных методик, их применение и сопоставление с типологическими теориями

1.4. Проективный тест «Рисунок неизвестного животного»

1.5. Выводы

2. МЕТОДЫ ОБРАБОТКИ ЭКСПЕРИМЕНТАЛЬНО- 3 л ПСИХОЛОГИЧЕСКОЙ ИНФОРМАЦИИ

2.1. Специфика исходных экспериментально-психологических данных

2.2. Эмпирико-статистические методы построения линейных моделей психологической диагностики

2.3. Диагностические модели, основанные на принятии решений по образцу

2.4. Выводы

3. СОВРЕМЕННЫЕ ЭМПИРЖО-СТАТИСТИЧЕСКИЕ ПОДХОДЫ К ПОСТРОЕНИЮ ПРОЦЕДУР ПРИНЯТИЯ 72 РЕШЕНИЯ

3.1. Нейросети

3.2. Эволюционное программирование и генетические алгоритмы

- 3

3.3. Алгоритмы поиска логических закономерностей в данных

3.4. Выводы 88 4. РЕЗУЛЬТАТЫ ЭМПИРЖО-СТ АТИСТР1ЧЕКОГО

МОДЕЛИРОВАНИЯ СОЦИОНИЧЕСКИХ ТИПОВ ИНФОРМАЦИОННОГО МЕТАБОЛИЗМА ПО ДАННЫМ ТЕСТА РНЖ

4.1. Распознавание типов информационного метаболизма-состояние вопроса

4.2. Общая характеристика эмпирического исследования

4.3. Результаты разведочного статистического анализа экспериментальных данных

4.4. Сравнительный анализ признаков и результаты дискриминантного анализа типов информационного метаболизма

4.5. Результаты поиска логических закономерностей в экспериментально психологических данных

Одной из важнейших проблем на современном этапе развития экономики является работа с персоналом. В этой области сегодня выделяют следуюш;ие аспекты: формализация методов и процедур отбора кадров, разработка научных критериев их оценки, научный подход к анализу потребностей в управленческом персонале, выдвижение молодых и перспективных работников, повышение обоснованности кадровых решений и расширение их гласности, системная увязка хозяйственных и государственных решений с основными элементами кадровой политики.

Для успешного решения перечисленных проблем важен индивидуальный подход к конкретному случаю, каждому человеку и коллективу. Для реализации такого подхода вместе с традиционными методами работы с кадрами все чаще применяют научные методы психологической диагностики.

Распространенными инструментами психологической диагностики служат стандартизованные тесты, опросники, техники интервью и другие экспериментально-психологические методики. Видное место в исследовании личности принадлежит проективным методам, дающим комплексный анализ личности, ее черт и особенностей. К настоящему моменту проективные методики занимают лидирующее положение в исследованиях личности.

Вместе с тем, несмотря на широкое пользование проективных методов, существует объективная трудность в их интерпретации и построении выверенной шкалы оценок. Как правило, в большинстве методик используется комплексный качественный анализ, глобальный подход к оценке личности. Существующие шкалы оценки в основном базируются на субъективном опыте эксперта-психолога, который приобретается годами обучения и практики. Поэтому в настоящее время актуальное значение приобрел вопрос формализации результатов проективного тестирования и перехода от качественного субъективного анализа к количественным моделям оценки этих результатов.

Цель работы заключается в разработке методов автоматизации анализа проективных тестов для повышения эффективности средств и методов управления персоналом на основе развития индивидуального подхода к ситуациям, конкретным людям и коллективам.

Для реализации поставленной цели в работе решались следующие задачи:

• Исследование методик формализации результатов проективных психологических тестов

• Сбор и статистический анализ экспериментально-психологических данных

• Построение традиционных линейных моделей психологической диагностики

• Применение к эмпирическому материалу технологий обнаружения логических закономерностей и построение на их основе продукционных моделей для распознавания психологических типов

Методы исследования. В работе используются методы прикладной статистики, анализа данных, искусственного интеллекта и экспериментальной психологии.

Научная новизна. В процессе решения поставленных задач получены следующие новые научные результаты:

Разработан и апробирован метод количественного оценивания результатов проективного теста «Рисунок неизвестного животного».

1. На основе разведочного статистического анализа эмпирических данных выявлены тенденции рисунков, характерные для различных соционических типов.

2. Разработаны линейные модели для диагностики соционических типов информационного метаболизма.

3. Выявлены логические закономерности в рисунках людей, принадлежащих отдельным соционическим типам, и на их основе построены соответствующие продукционные модели, обладающие повышенной точностью по отношению к традиционным линейным моделям.

Практическая ценность. Разработанные модели распознавания соционических типов информационного метаболизма представляют собой инструмент, полезный в проведении широкого спектра мероприятий по управлению персоналом в различных заинтересованных организациях. Применении разработанных моделей позволяет формализовать структуру проективного тестирования и повысить точность профессиональной психологической диагностики.

Во введении содержится обоснование актуальности темы диссертации, сформулированы основные научные результаты, выносимые на защиту, а также практическая ценность полученных результатов.

Первая глава раскрывает роль, место и проблемы применения экспериментально-психологических методов в задачах управления персоналом. Здесь дается общая характеристика деятельности по управлению человеческими ресурсами, описываются основные экспериментально-психологические методики для оценки персонала, приводится обзор основных проективных рисуночных методик, рассматривается специфика их применение и делается сопоставление с типологическими теориями.

По материалам первой главы делаются следующие выводы: 1. Для успешного решения задач управления персоналом важен индивидуальный подход к каждому конкретному случаю, каждому конкретному человеку и коллективу. В реализации такого подхода видное место занимают методы научной психологии, в том числе стандартизированные экспериментально-психологические методики.

2. В качестве инструментов психологической диагностики применяются стандартизованные тесты, опросники, интервью, контент-анализ и другие экспериментально-психологические методики. Важное место в исследовании личности принадлежит проективным методам, дающим комплексный анализ личности, ее черт и особенностей. К настоящему моменту проективные методики занимают лидирующее положение в исследованиях личности.

3. Несмотря на широкое пользование проективных методов, существует объективная трудность в их интерпретации и построении выверенной шкалы оценок. Как правило, в большинстве методик используется комплексный качественный анализ, глобальный подход к оценке личности. Существующие шкалы оценки в основном базируются на эмпирическом материале и опыте конкретного исследователя. Теоретическое обоснование интерпретаций некоторых проективных тестов (TAT, тест «Дерево»,) базируется на классическом психоанализе и в силу этого не может быть принято последователями других направлений.

4. В настоящее время актуальной является задача формализации первичных результатов проективных тестов и построения стандартизированных диагностических процедур на основе эмпирико-статистического моделирования. Этот подход реализуется в несколько этапов:

• определение исходного множества признаков, выраженных в количественной или ординальной шкале, для описания выбранного проективного теста;

• сбор эмпирического материала (планирование эксперимента, тестирование испытуемых, получение экспертных оценок, ввод данных в компьютер);

• обработка данных комплексом методов, сравнение и интерпретация результатов, выбор модели, наиболее полно отражающей закономерности экспериментальных данных в контексте решаемой задачи;

• проверка полученных диагностических моделей на контрольных выборках.

Во второй главе описываются традиционные методы обработки экспериментально-психологической информации. Прежде всего, раскрывается специфика экспериментально-психологических данных. Сюда относятся номинальный и качественный характер признаков, наличие в данных дублирующих и неинформативных компонентов. Кроме того, этим данным присуща априорная неопределенность структуры и нечеткость внешних критериев, с помощью которых эксперты формируют обучающую выборку.

Затем во второй главе анализируются традиционные для психологии подходы к построению правил принятия решения по результатам тестирования. Практически все эти подходы базируются на линейной модели, когда результирующая психологическая оценка вычисляется как взвешенная сумма значений исходных признаков. Задача заключается в поиске указанных весов. Здесь выделяются две основных стратегии.

Первая стратегия опирается на категорию внутренней согласованности теста. Под внутренней согласованностью понимается, что измеряемые реакции испытуемых на тестовые стимулы должны иметь статистическую направленность на выражение общей, главной тенденции теста. Если явное большинство заданий "чернового" варианта теста согласованно "работает" на проявление тестируемого свойства и подавляет влияние иррелевантных факторов на распределение объектов, то хорошую линейную диагностическую модель удается получить с помощью метода главных компонент (МГК). Также положительный результат посредством МГК достигается при сравнительно небольшом объеме группы связанных информативных признаков, но при несогласованном взаимодействии посторонних факторов. В более сложных случаях совместного проявления на структуре экспериментальных данных тестируемого и иррелевантного свойств объектов, сопоставимых по степени внутренней согласованности, и для выделения сразу группы диагностических показателей из общего исходного множества признаков в психодиагностике широко используются алгоритмы факторного анализа.

Вторая стратегия определения параметров диагностической модели основана на привлечении и активном использовании обучающей информации, задаваемой внешними критериями. Если критериальный показатель представлен количественной или ранговой переменной и предполагается его линейная связь с диагностическими признаками, то применяются методы регрессионного анализа. При этом вследствие высокой размерности, а также номинального и качественного характера исходной информации в психодиагностике приоритет принадлежит "грубым" вариантам регрессионного анализа. Практически данные варианты сводятся к наиболее простым видам алгоритмов отбора переменных и очень приблизительным оценкам весовых коэффициентов в регрессионной модели.

В случаях, когда диагностическая оценка измеряется в номинальной шкале, для определения параметров диагностической модели используются методы дискриминантного анализа. Однако, как и при применении регрессионного анализа, специфика исходной психодиагностической информации обусловливает обращение к простейшим способам построения линейных дискриминантных процедур. Они также заключаются в отборе информативных признаков с помощью различных эвристических алгоритмов.

Отмеченные подходы составляют базис традиционной методологии построения правил построения психологических оценок (шкал, факторов). На их основе создано подавляющее большинство современных психодиагностических тестов, которые широко используются в практике психологов, врачей и педагогов. Линейные модели устраивают психологов, прежде всего удобной и понятной технологией получения результатов, а также их хорошей интерпретируемостью.

Вместе с тем, специалисты давно осознают ограниченность возможностей линейных диагностических моделей в психодиагностике. Эта ограниченность особенно сильно проявляется в тех задачах, где приходится иметь дело с полиморфными диагностическими классами, которые формируются на основании оценок гетерогенных свойств испытуемых. В таких условиях применение линейных моделей принципиально "закрывает" ценную диагностическую информацию, которая может быть заключена в особенностях структуры экспериментальных данных.

В данной главе рассмотрен экстенсиональный подход, основанный на принятии диагностического решения путем сравнения с известными прецедентами. Он составляет альтернативу традиционной методологии, обладая более высокими потенциальными диагностическими возможностям. Однако экстенсиональный подход трудоемок (его реализация требует высокопроизводительного компьютера) и не всегда легок в интерпретации.

В целом по материалам второй главы сделаны следующие выводы:

1. Характеристиками исходной психодиагностической информации являются высокая размерность, номинальность, априорная неопределенность структуры, наличие большого количества неинформативных и дублирующих признаков, и нечеткость внешних критериев.

2. Существует большое количество различных подходов и методов эмпирико-статистического анализа в целях построения моделей психологической диагностики. Сюда относятся в первую очередь методы регрессионного, дискриминантного и факторного анализа. Однако эти

- и методы ориентированы на линейную диагностическую модель и приводят лишь к очень приблизительным результатам.

3. Прогрессивным подходом к эмпирико-статистическому моделированию зарекомендовал себя подход, связанный с принятием решений по образцу. Вместе с тем, этот подход отличается высокой трудоемкостью и его результаты не всегда поддаются прозрачной интерпретации.

В третьей главе проводится сравнительный анализ современный эмпирико-статистических подходов с построению процедур принятия решения. Прежде всего, это относится к технологиям Data Mining (раскопки данных) или, еш;е одно название, технологиям обнаружения знаний в базах данных (knowledge discovery in databases). В целом технологию Data Mining достаточно точно определяет Григорий Пятецкий-Шапиро - один из основателей этого направления: «Data Mining - это процесс обнаружения в сырых данных ранее неизвестных, нетривиальных, практически полезных, и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности».

Технология Data Mining развивается на базе достижений прикладной статистики, распознавания образов, методов искусственного интеллекта, теории баз данных и др. Отсюда обилие методов и алгоритмов, реализованных в различных действующих системах Data Mining. Многие из таких систем интегрируют в себе сразу несколько подходов. Тем не менее, как правило, в каждой системе имеется какая-то ключевая компонента, на которую делается главная ставка.

В диссертации проанализированы три больших подраздела Data Mining. Это нейросети, эволюционное программирование и генетические алгоритмы, и алгоритмы поиска логических закономерностей в данных.

В применении нейронных сетей в практических задачах возникает ряд известных проблем, которые обострены с учетом специфики экспериментально-психологической информации. Главным образом это следующие проблемы:

• Во-первых, для обучения нейросетей, как правило, требует выборка весьма внушительного объема.

• Во-вторых, нейросети показывают прекрасные результаты при работе с количественными признаками. Вместе с тем, этого далеко нельзя сказать в случае номинальных данных с большим количеством градаций. Кроме того, ситуация еще более ухудшается, если в данных имеются пропущенные значения.

• В-третьих, существует серьезная и до сих пор нерешенная проблема интерпретации натренированной нейронной сети. Существующие попытки решить данную проблему выглядят пока не слишком убедительными.

Рассмотрение методов эволюционного программирования ограничено в работе методами группового учета аргументов (МГУА). Для этого класса методов получен целый ряд впечатляющих результатов в различных областях. Вместе с тем, основной недостаток МГУА - субъективность критериев. Здесь человек задает вид модели, которую он хочет получить. Кроме того, в МГУА реализуется принцип восхождения от частей к целому через отбор удачных простейших комбинаций. Этот принцип не позволяет получать оптимальные решения в задачах со сложными полиморфными классами.

Генетические алгоритмы также имеют ряд недостатков, ограничивающих их применение для решения задач классификации экспериментально-психологических данных. Критерий отбора хромосом и используемые процедуры являются эвристическими и далеко не гарантируют нахождения «лучшего» решения. Как и в реальной жизни, эволюцию может «заклинить» на какой-либо непродуктивной ветви. И, наоборот, можно привести примеры, как два неперспективных родителя, которые будут исключены из эволюции генетическим алгоритмом, оказываются способными произвести высокоэффективного потомка. Это особенно становится заметно при решении высокоразмерных задач со сложными внутренними связями.

В диссертационной работе рассмотрен ряд методов поиска логических закономерностей в данных. Среди них методы построения «деревьев решений», методы ограниченного перебора и алгоритмы случайного поиска с адаптацией.

Деревья решения являются одним из наиболее популярных подходов к решению задач Data Mining. Они создают иерархическую структуру классифицирующих правил типа "ЕСЛИ. ТО." (if-then), имеющую вид дерева. Для принятия решения, к какому классу отнести некоторый объект или ситуацию, требуется ответить на вопросы, стоящие в узлах этого дерева, начиная с его корня. Вопросы имеют вид "значение параметра А больше X ?". Если ответ положительный, осуществляется переход к правому узлу следующего уровня, если отрицательный - то к левому узлу; затем снова следует вопрос, связанный с соответствующим узлом.

Популярность подхода связана как бы с наглядностью и понятностью. Но деревья решений принципиально не способны находить «лучшие» (наиболее полные и точные) правила в данных. Они реализуют наивный принцип последовательного просмотра признаков и «цепляют» фактически осколки настоящих закономерностей, создавая лишь иллюзию логического вывода.

Алгоритмы ограниченного перебора были предложены в середине бО-х годов М.М. Бонгардом для поиска логических закономерностей в данных. С тех пор они продемонстрировали свою эффективность при решении множества задач из самых различных областей.

Эти алгоритмы вычисляют частоты комбинаций простых логических событий в подгруппах данных. Примеры простых логических событий:

Х = а;Х<а;Х>а;а<Х<Ьи др., где X - какой либо параметр, «а» и «Ь» - константы. Ограничением служит длина комбинации простых логических событий (у М. Бонгарда она была равна 3). На основании анализа вычисленных частот делается заключение о полезности той или иной комбинации для установления ассоциации в данных, для классификации, прогнозирования и пр. На практике алгоритмы ограниченного перебора осуществляют поиск логических комбинаций длиной не более 8-10.

Алгоритм случайного поиска с адаптацией (СНА) был предложен Г.С. Лбовым в 1965 г. для работы в условиях зависимых признаков. Он заключается в следующем.

Имеется множество возможных событий Т = {Т.}, I = \,р. Из этого множества требуется отобрать цепочки конъюнкций т^ л 7р л. л 7р заданной длины /, максимизирующие некоторый критерий J.

Прежде всего, проводится серия опытов по случайному определению состава цепочек конъюнкций. Затем для этих цепочек вычисляются значения критерия J. Цепочка с максимальным значением критерия поощряется увеличением вероятности выбора вошедщих в нее событий в следующих опытах. Цепочка с наименьшей величиной критерия наказывается соответствующим образом. Вся процедура повторяется до тех пор, пока события отчетливо не поляризуются по вероятности их выбора для испытаний.

Алгоритм СПА избегает полного перебора событий, требующего просмотра Q = Ср их комбинаций в цепочке. Его трудоемкость, однако, зависит от задаваемых условий: количества испытаний, мер поощрения и наказания событий, которые существенно влияют на скорость сходимости алгоритма.

По третьей главе сделаны следующие выводы:

-151. Несмотря на обилие методов Data Mining, приоритет постепенно все более смещается в сторону логических алгоритмов поиска в данных if-then правил. С их помощью решаются задачи прогнозирования, классификации, распознавания образов, сегментации БД, извлечения из данных «скрытых» знаний, интерпретации данных, установления ассоциаций в БД и др. Результаты таких алгоритмов эффективны и имеют прозрачную интерпретацию.

2. Вместе с тем, главной проблемой логических методов обнаружения закономерностей является проблема перебора вариантов за приемлемое время. Известные методы либо искусственно ограничивают такой перебор (алгоритмы КОРА, WizWhy), либо строят деревья решений (алгоритмы CART, CHAID, ID3, See5, Sipina и др.), имеющих принципиальные ограничения эффективности поиска if-then правил. Другие проблемы связаны с тем, что известные методы поиска логических правил не поддерживают функцию обобщения найденных правил и функцию поиска оптимальной композиции таких правил. Удачное решение указанных проблем может составить предмет новых конкурентоспособных разработок.

3. Вместе с тем, отдать предпочтение заранее какому-либо методу или подходу трудно - их результаты могут существенным образом меняться в зависимости от структуры анализируемых данных. Именно поэтому в настоящее время в Интернете организован ряд сайтов (см. например проект STATLOG), где выставлены профессионально подобранные выборки данных из самых разных предметных областей и публикуются результаты применения конкурирующих методов и подходов.

Четвертая глава посвящена рассмотрению результатов решения практический задачи эмпирико-статистичекого моделирования соционических типов информационного метаболизма по данным теста «рисунок неизвестного животного» РНЖ.

По результатам разведочного анализа экспериментальных данных удалось выявить незначительное число статистически значимых различий типов друг от друга. Вместе с тем, указанные отличия не достаточны для построения на их основе более или менее точного правила для распознавания типов информационного метаболизма.

В результате применения классического дискриминантного анаяша получены следующие 16 дискриминантных функций. 3 из них позволяют отличать свой тип информационного метаболизма от остальных типов с вероятностью 0,7 - 0,8. Это типы 1 (Интуитивный Логический Экстраверт), 2 (Сенсорный Этический Интроверт) и 7 (Логический Сенсорный Экстраверт).

Вместе с тем, наиболее практически полезные и эффективные результаты дало применение методов поиска логических закономерностей в данных. Использовалось комбинированное применение различных методов с отбором наилучших результатов. Удалось обнаружить достаточно точные и полные логические правила для 5 соционических типов информационного метаболизма. При этом количество правил, необходимых для покрытия собственного класса колебалось от 5 до 8.

В заключении описываются основные научные результаты, пол>ченные в диссертационном исследовании, и даются рекомендации по их практическому использованию.

4.6. Выводы

В целом по третьей главе сделаны следующие выводы.

1. С использованием комплекса методов статистической обработки данных показано, что в некоторых особенностях рисунков обследованных лиц содержится информация об их соционическом типе.

2. Из ряда методов статистический обработки с целью распознавания соционических типов по данным теста «Рисунок неизвестного животного» наилучшие результаты продемонстрировали методы поиска логических

129закономерностей. С их помощью удалось построить IF-TEEN правила для распознавания 5 из 16 соционических типов, показывающих точность до 95% на обучающей и до 80 % на контрольной выборках.

4. Вместе с тем, применение разработанных правил для распознавания соционических типов на другом контингенте лиц дало значительное снижение показателей распознавания. Это, по-видимому, связано с тем, что данный контингент (служащие морской администрации порта Санкт-Петербург) существенно отличается от контингента, на котором отрабатывались решающие правила (школьники, студенты, лица с высшим образованием). Подобная ситуация разрешается путем проведения дополнительного эмпирико-статистического исследования.

ЗАКЛЮЧЕНИЕ

В результате проведенного эмпирико-статистического исследования получены следующие основные результаты.

1. Разработана и апробирована методика описания количественными признаками проективного теста «Рисунок неизвестного животного». Методика позволяет охарактеризовывать тестовый рисунок 42 признаками, отражающими положение животного на странице, размеры различных частей тела, прорисованность частей и другие аспекты.

2. На основе разведочного статистического анализа выявлены отдельные тенденции рисунков, характерные для различных типов информационного метаболизма, представляющие интерес для ориентировочной психологической диагностики.

4. Методами дискриминантного анализа получены линейные модели для диагностики 16 типов информационного метаболизма. Три из полученных моделей для типа 1 (интуитивный логический экстраверт), типа 2 (сенсорный этический интроверт) и типа 7 (логический сенсорный экстраверт) позволяют распознавать указанные типы с вероятностью от 0,7 до 0,8.

4. Выявлено 30 логических правил, представляющих собой комбинации значений признаков, и на их основе построена база знаний для распознавания соционических типов. Эта база позволяет распознавать 5 типов информационного метаболизма с точность до 95 % на обучающей выборке, и приблизительно 80 % на контрольной выборке. Использование разработанной базы знаний повышает эффективность работы психологов, менеджеров и руководящих работников по управлению персоналом.

5. Вместе с тем, выявлено, что применение данной базы знаний дает удовлетворительные результаты распознавания соционических типов на достаточно специфической выборке (школьники, студенты, лица с высшим образованием). Попытки использования этой базы на другой специфической выборке существенно понизило качество распознавания, что говорит о необходимости дальнейшего совершенствования построенной базы знаний.

1. Аванесов В. С. Тесты в социологическом исследовании. - М., 1982. -199 с.

2. Автоматизация методик психологического исследования: принципы и рекомендации.- Орел: ВНРМ охраны труда. 1989. - 326 с.

3. Айвазян С. А., Бежаева 3. И., Староверов О. В. Классификация многомерных наблюдений.-М.: Статистика, 1974. 240 с.

4. Айвазян С. А., Бухштабер В. М., Енюков И. С, Мешалкин Л. Д. Прикладная статистика. Классификация и снижение размерности. М.: Статистика, 1989. - 607 с.

5. Айвазян С. А., Енюков И. С, Мешалкин Л. Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.-471 с.

6. Айвазян С. А., Енюков И. С, Мешалкин Л. Д. Прикладная статистика. Статистическое оценивание зависимостей.- М.: Финансы и статистика, 1985.-484 с.

7. Александров В. В., Алексеев А. И., Горский Н. Д. Анализ данных на ЭВМ (на примере системы СИТО). М.: Финансы и статистика, 1990. -192 с.

8. Александров В. В., Шнейдеров В. С. Обработка медико-биологических данных на ЭВМ.-М.: Медицина, 1984. 157 с.

9. Альманах психологических тестов. Рисуночные тесты. М.: Издательство «КСП», 1997.

10. Анастази А. Психологическое тестирование. Книга 2. М.: «Педагогика», 1982.

11. Анастази А. Психологическое тестирование: Книга 2. Пер. с англ./Под ред. Гуревича К. М., Лубовского В. И.-М.: Педагогика, 1982.

12. Анцыферова Л. И. Системный подход в психологии личности//Сб.: Принцип системности в психологических исследованиях.- М.: Наука, 1990.-с. 61-77.

13. Аугустинавичюте А. Соционика: В 2-х кн. Кн. 1. Введение. Кн. 2. Психологические типы. Тесты. М.: "АСТ", СПб.: "Terra Fantástica", 1998.

14. Аугустинавичюте А. Теория признаков Рейнина.//Соционика, ментология и психология личности, 1998, № 1-5.

15. Белюк Л. В. Комплексная системная реализация задач вузовской профориентации с применением ЭВМ. М., 1988. - 88 с.

16. Березин Ф. Б., Мирошников М. П., Рожанец Р. В. Методика многостороннего исследования личности. М.: Медицина, 1976. - 157 с.

17. Беспалько И. Г., Гильяшева И. Н. Проективные методы// Методы психологической диагностики и коррекции в клинике.- Л.: Медицина. -С. 116-144.

18. Боннер Р. Б. Некоторые методы классификации// Автоматический анализ изображений. -М.: Мир, 1969. С. 205-234.

19. Будущее искусственного интеллекта/Под ред. К. Е. Левитина и А. Поспелова. М.: Наука, 1991. - 302 с.

20. Букалов A.B. Тесты и определение типа информационного метаболизма. //Соционика, ментология и психология личности, 1999, № 1.

21. Букатова И. Л. Эволюционное моделирование и его приложения.-М.:Наука, 1979.-231 с.

22. Бурлачук Л.Ф., Морозов СМ. Словарь-справочник по психодиагностике. -СПб: Питер Ком, 1999.

23. Вагин A.n., Митирко В.И., Модин A.B., Управление персоналом в условиях рыночной экономики (опыт ФРГ) М: "Дело", 1992.

24. Веселков А. Ф. К вопросу о принципах создания автоматизированной базы экспериментальных психологических исследований//Психол. журн. -т. 8, No 3.- 1987.-С. 130-136.

25. Габидулина С.Э. К обоснованию методики «Рисунок несуществующего животного». //Вестник Московского университета, сер. 14, Психология, 1986, № 4.

26. Гайда В. К., Захаров В. П. Психологическое тестирование.- Л.: изд-во ЛГУ, 1982.-101 с.

27. Ганзен В. А. Системные описания в психологии.- Л.: изд-во ЛГУ. -175 с.

28. Геодакян В. А. Теория дифференциации полов в проблемах человека/Человек в системе наук. М.: 1989

29. Гильбух Ю. 3. Метод психологических тестов: сущность и значение//Вопр. психол., 1986, No 2. С. 30-42.

30. Гласе Дж., Стэнли Дж. Статистические методы в педагогике и психологии. М.: Прогресс, 1976-495 с.

31. Грачев М.В., Суперкадры М: "Дело", 1993.

32. Грачев М.В., Управление трудом М: "Наука", 1990.

33. Губерман Т. А., Ямпольский Л. Т. Применение алгоритмов распознавания образов в психодиагностике//Вопр. психологии, 1983, №5.-С. 118-125.

34. Гуленко В. В. Менеджмент слаженной команды. Соционика и социоанализ для руководителя.-Новосибирск: "РИПЭЛ", 1995.

35. Гуленко В.В., Тыщенко В.П. Юнг в школе. Соционика межвозрастной педагогике. - Новосибирск: Изд-во НГУ, 1997.

36. Демиденко Е. 3. Линейная и нелинейная регрессия.- М.: Финансы и статистика, 1981. 302 с.

37. Джексон Грейсон, Карл О'Дейл, Американский менеджемент на пороге XXI века М: "Экономика", 1991.

38. Дон Фуллер, Управляй или подчиняйся. М:1992.

39. Дрейпер П., Смит Г. Прикладной регрессионный анализ. М.: Статистика, 1973. - 392 с.

40. Дуда P., Харт П. Распознавание образов и анализ сцен. М.: Мир, -511с.

41. Дэвид Мерсер, ИБМ: Управление в самой преуспевающей корпорации мира. М: "Прогресс", 1991.

42. Елисеев О.П. Конструктивная типология и психодиагностика личности. Практическая психология. Псков, 1994.

43. Ермак В.Д. Взаимодействие психики человека с окружающим миром.//Соционика, ментология и психология личности, 1997, JV« 5-6.

44. Журавлев Ю. И. Непараметрические задачи распознавания образов/ТКибернетика, 1976, № 6. С. 93-103.

45. Журавлев Ю. И. Об алгебраическом подходе к рещению задач распознавания и классификацииШроблемы кибернетики. М.: Наука, 1978, вып. 3 3.-С. 5-68.

46. Журавлев Ю. И., Гуревич И. Б. Распознавание образов и анализ изображений/Искусственный интеллект.- В. 3-х кн. Кн. 2. Модели и методы: Справочник/под ред. Д. А. Поспелова.- М.: Радио и связь, 1990.-304 с.

47. Забродин 10. М., Похилько В. И., Шмелев А. Г. Статистические и семантические проблемы конструирования и адаптации многофакторных личностных тест-опросников//Психол. журн., т. 8, No 6, 1987.- с. 79-89.

48. Загоруйко Н. Г. Методы распознавания и их применение. М.: Сов, радио, 1972.-206 с.

49. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976. - 154 с.

50. Зигерт В., Ланг Л., Руководить без конфликтов М:"Экономика", 1990.

51. Иванцевич Д., Лобанов А., Человеческие ресурсы управления. М: "Дело", 1993.

52. Ивахненко А. Г. Самообучающиеся системы распознавания и автоматического регулирования. Киев: Техника, 1969. - 392 с.

53. Искусственный интеллект: В 3-х кн. Кн. 1. Системы общения и экспертные системы: Справочник/под ред. Э. В. Попова. М.: Радио и связь, 1990.-464 с.

54. Искусственный интеллект: В 3-х кн. Кн. 2. Модели и методы: Справочник/под ред. Д. А. Поспелова.-М.: Радио и связь, 1990. 304 с.

55. Кохно П. и др., Менеджмент М: "Финансы и статистика", 1993.

56. Крегер О., Тьюсон Дж. М. Типы людей и бизнес. Как 16 типов личности определяют ваши успехи на работе. М.: "Персей", "Вече", "ACT", 1995.

57. Крегер О., Тьюсон Дж. М. Типы людей: Как 16 типов личности помогают преуспеть в жизни, любви, работе. М.: "Персей", "Вече", "ACT", 1995.

58. Кузнецов А. С. Методы поиска оптимальных групп признаков при статистическом распознавании образов.- Л.: ВИКИ им. А. Ф. Можайского, 19 82.-С. 14-23.

59. Кулагин Б. В. Основы профессиональной психодиагностики. Л.: Медицина, 1984. - 216 с.

60. Кулагин Б. В., Сергеев С. Т. Типологический подход к исследованию проблемы профотбора/Шсихол. журн., 1989, т. 10, № 1. С. 142.

61. Ладанов И.Д., Практический менеджмент. М: "Ника", 1992.

62. Лакофф Дж., Джонсон М. Метафоры, которыми мы живем//Теория метафоры. М. Прогресс, 1990.

63. Лбов Г. С. Выбор эффективной системы зависимых признаков/Труды Сиб. отд. АН СССР: Вычислительные системы.- Новосибирск, 1965, вып. 19.-С. 87-101.

64. Лбов Г. С. Методы обработки разнотипных экспериментальных данных.-Новосибирск: Наука, 1981. 157 с.

65. Либин A.B., Либин В.В. Особенности предпочтения геометрических форм в конструктивных рисунках. М., 1994.

66. Маккей X., Как уцелеть среди акул М: "Экономика", 1993.

67. Мельников А. В. О применении персональных компьютеров в психологии/ТПсихол. журн., т. 10, No 1, 1989. С. 56-61.

68. Менеджмент персонала: функции и методы, М: "МАИ". 1993.

69. Мескон М., Ф. Хедоури, "Основы менеджмента", М: "Дело". 1993.

70. Методы и технические средства психологической диагностики: тез. науч. сообщ. всесоюз. конф./отв. ред. Забродин К), М., Плотников В. В. -Орел: ВНИИ охраны труда, 1988. 175 с.

71. Морита А., Сделано в Японии. М. - 1993.

72. Налимов В. В. Теория эксперимента. М.: Наука, 1971. - 208 с.

73. Никифорова А. Рынок труда: занятость и безработица. М: МО. - 1991.

74. Паповян С. С. Эксперимент в прикладной социальной психологии: актуальные проблемы статистического анализа данных// Психол. журн., т. 6, №6, 1985.-С. 90-100.

75. Патрик Э. Основы теории распознавания образов.- М.: Сов, радио. -408 с.

76. Петрова Елена. Психологические типы Юнга, СПб: ООО «Мебиус», 1997.

77. Попечителев Б. П., Романов С. В. Анализ числовых таблиц в биотехнических системах обработки экспериментальных данных, Л.: Наука, 1985.- 148 с.

78. Поспелов Д. А. Данные и знания. Представление знаний/ /Искусственный интеллект. Кн. 2: Модели и методы: Справочник/под ред. Д. А. Поспелова. М.: Радио и связь, 1990. - С. 7-13.

79. Потрубач H.H. Социально-экономические проблемы совершенствования системы управления предприятием в условиях экономической реформы, М: 1992.

80. Потрубач Н.Н., Формирование и развитие механизма управления производством в условиях перехода к рынку. Сарат. Ун-т: 1993.

81. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989.- 607 с.

82. Психологическая помощь и консультирование в практической психологии./Под ред. д-ра психол. наук, проф. М.К. Тутушкиной. -СПб: Издательство «Дидактика Плюс», 1998.

83. Психологический словарь./Под ред. Петровского. ~ М.: Педагогика, 1990.

84. Пфанцагль И. Теория измерений.- М.: Мир, 1976. 248 с.

85. Распознавание образов и медицинская диагностика/под ред. Неймарка Ю. М.-М.: Наука, 1972. 328 с.

86. Решетников М. М. Профессиональный отбор в системе образования, промышленности и армии США//Психол. журн., т. 8, № 3, 1987. -С. 145-153.

87. Робертсон Р. Введение в психологию Юнга. Ростов-на-Дону: "Феникс", 1999.

88. Романова Е.С., Потемкина О.Ф. Графические методы в психологической диагностике. М.: Дидакт, 1992.

89. Рюттингер Р., Культура предпринимательства, М: ЭКОН-1992.

90. СМ. Бухало, А.В.Антонец, Организация, планирование и управление деятельностью промышленного предприятия (Учебн. для экон. спец. ВУЗов), Киев:"Выща школа", 1989.

91. Сидоренко Е.В. Методы математической обработки в психологии. -СПб: РЕЧЬ, 2000.

92. Соколова Е.Г. Проективные методы исследования личности. М.: МГУ, 1980.

93. Справочник по прикладной статистике. В 2-х т. Т. 2/под ред. Плоила Э., Ледермана У., Айвазяна С. А., Тюрина К). М.: Финансы и статистика, 1990.-526 с.

94. Статистические методы анализа информации в социологических исследованиях/под ред. Осипова Г. В. М.: Наука, 1979. - 319 с.

95. Таунсенд К., Фохт Д. Проектирование и программная реализация экспортных систем на персональных ЭВМ.- М.: Финансы и статистика, 1990.-320 с.

96. Таунсерд Р., Секреты управления, М, 1991.

97. Тигер П., Бэррон-Тигер Б. Делай то, для чего ты рожден. Путь к успешной карьере через самопознание. М.: "Армада", 1996.

98. Трейси Д., Менеджмент с точки зрения здравого смысла, М: АВТО-1993.

99. ЮО.Тьюки Дж. Анализ результатов наблюдений. Разведочный анализ. -М.:1. Мир, 1981.-693 с.

100. Управление развитием производства в промышленных концернах США, М: "Мысль", 1977.

101. Филатова Е.С. Искусство понимать себя и окружающих. СПб.: "Дельта", 1998.-136

102. Филимонов A.B. Развитие типологической концепции К.Г. Юнга. Практическое использование типологической теории для повышения эффективности трудовой деятельности. Дипломная работа. СПб, факультет психологии СПбГУ, 1998.

103. Фогель Л., Оуэне А., Уолш М. Искусственный интеллект и эволюционное моделирование. -М.: Мир, 1969. 230 с.

104. Фон Франц М.-Л. Подчиненная функция. Дж. Хиллман. Чувствующая функция. СПб.: Б.С.К., 1998.

105. Юб.Хьелл Л., Зиглер Д. Теории личности. СПб.: Питер, 1999.

106. Шарп Д. Типы личности. Юнговская типологическая модель. СПб: Б.С.К., 1996.

107. Шмелев А. Г. Традиционная психометрика и экспериментальная психосемантика: объективная и субъективная парадигмы анализа данных//Вопр.психол., № 5, 1982. С. 36-46.

108. Шульман Г.А. Еще раз о Майерс-Бриггсовском определителе типов К.Г.Юнга. //Соционика, ментология и психология личности, 1999, № 1.

109. ЮНГ К.Г. Психологические типы. М.: "УНИВЕРСИТЕТСКАЯ КНИГА", ACT, 1997.

110. Юнг К.Г. Психология бессознательного. М.: ООО «Издательство АСТ-ЛТД», 1998.

111. Ямпольский Л. Т. Типологический подход к прогнозу клинических особенностей хронического алкоголизма//Вопр. психол., N9 2, 1986. -С. 91-99.

112. Яньшин П.В. Семантика проективного рисунка в контексте языка невербальных значений.//Вестник Московского университета, сер. 14, Психология, 1989, № 1.