Структурные компоненты личности в психологии: Основные компоненты структуры личности

В этой главе мы рассмотрим защитных механизмов только кратко. Хотя Фрейд говорил о самых разнообразных защитных механизмах в течение своей карьеры, он предоставил своей дочери Анне возможность буквально написать книгу «Я и механизмы защиты» (Анна Фрейд, 1936/1966). Сам Фрейд в первую очередь обсуждал два защитных механизма: репрессия и регресс .Признание этих защитных механизмов было важным для развития психоанализа, и это единственные две защиты, упомянутые Фрейдом в «История психоаналитического движения » (1914/1995). Целью этих защитных механизмов является защита эго в первые годы жизни, когда эго недостаточно развито в своей способности контролировать либидинозные импульсы ид. Таким образом, защитные механизмы сначала выполняют полезную функцию, но позже оказываются неадекватными, когда возобновление сексуальной жизни усиливается после полового созревания (Freud, 1938/1949).Точно так же во взрослой жизни защитные механизмы полезны в краткосрочной перспективе, но, поскольку они не решают проблемы напрямую, они в конечном итоге должны оказаться неадекватными.

Фрейд определил вытеснение как один из ключевых элементов, делающих психоанализ уникальным по сравнению с методом катарсиса, над которым он работал благодаря вкладу Йозефа Брейера (Freud, 1914/1995). Действительно, согласно Фрейду, его собственные вклады, которые преобразовали катартический метод Брейера в психоанализ, были вытеснением, сопротивлением , детской сексуальностью и анализом сновидений для понимания бессознательного.Значение репрессий нельзя недооценивать:

Теория вытеснения — это столп, на котором покоится здание психоанализа. На самом деле это наиболее существенная его часть, и все же это не что иное, как теоретическое выражение опыта, который можно многократно наблюдать всякий раз, когда кто-то анализирует невротика без помощи гипноза. Затем человек сталкивается с сопротивлением, которое препятствует аналитической работе и блокирует ее, вызывая сбои в памяти. Это сопротивление всегда прикрывалось гипнозом; Таким образом, история собственно психоанализа начинается с технического нововведения, заключающегося в отказе от гипноза.(стр. 907; Фрейд, 1914/1995)

Сопротивление, о котором говорит здесь Фрейд, является защитным механизмом вытеснения, то есть средством, с помощью которого эго отказывается ассоциировать себя с неприемлемым инстинктивным импульсом, генерируемым Ид. Эго способно удерживать «предосудительный» импульс от проникновения в сознание (Freud, 1926/1959). Но возникает важный вопрос: что же тогда происходит с этим импульсом, ищущим удовлетворения? Есть несколько возможностей, и сам Фрейд считал ответ довольно сложным.Одна вещь, которая может случиться, — это то, что эго пытается сместить катексированное либидо на импульс к освобождению в виде тревоги (Freud, 1926/1959). Однако тревога неприятна, и id требует удовлетворения в соответствии со своим принципом удовольствия. Следовательно, эта процедура обречена на неудачу (а значит, и развитие невроза). Конечно, есть альтернативы, которые могут возникнуть до отказа этой первоначальной защиты. Эго может найти приемлемую альтернативу импульсу с помощью других защитных механизмов, таких как сублимация , или формирование реакции.

Регрессию можно увидеть, когда человек проявляет поведение, типичное для более ранней стадии развития. Когда Фрейд и Брейер пытались выяснить причины неврозов своих пациентов с помощью катарсического метода, они неоднократно обнаруживали, что не могут помочь своим пациентам, сосредотачиваясь на реальном событии, которое привело к кризису. Вместо этого их пациенты неизбежно создавали ассоциации между травмирующим событием и более ранним опытом. Первоначально эти более ранние переживания вернулись в период полового созревания, а в конечном итоге — в раннее детство.Хотя Брейер предпочитал физиологическое объяснение этого феномена, Фрейд настаивал на том, что это психологическое объяснение, и назвал процесс регрессией (Freud, 1914/1995). По Фрейду:

Это регрессивное направление стало важной характеристикой анализа. Было доказано, что психоанализ не может прояснить ничего актуального, кроме как вернуться к чему-то в прошлом. (стр.903)

Фрейдистская психоаналитическая теория личности

Психоаналитическая теория личности Зигмунда Фрейда утверждает, что человеческое поведение является результатом взаимодействий между тремя составными частями разума : id, эго, и суперэго .Эта теория, известная как структурная теория личности Фрейда, уделяет большое внимание роли бессознательных психологических конфликтов в формировании поведения и личности. Считается, что динамические взаимодействия между этими фундаментальными частями разума проходят пять различных психосексуальных стадий развития. Однако в течение последнего столетия идеи Фрейда были встречены критикой, отчасти из-за его исключительной сосредоточенности на сексуальности как главном двигателе развития человеческой личности.

Зигмунд Фрейд

Фрейд разработал психоаналитическую теорию развития личности, в которой утверждалось, что личность формируется в результате конфликтов между тремя фундаментальными структурами человеческого разума: ид, эго и суперэго.

Согласно Фрейду, наша личность развивается в результате взаимодействия трех фундаментальных структур человеческого разума: ид, эго и суперэго. Конфликты между этими тремя структурами и наши попытки найти баланс между тем, что каждая из них «желает», определяют то, как мы ведем себя и подходим к миру.Какой баланс мы достигаем в той или иной ситуации, определяет, как мы разрешим конфликт между двумя всеобъемлющими поведенческими тенденциями: нашими биологическими агрессивными влечениями и стремлениями к удовольствиям и нашим социализированным внутренним контролем над этими влечениями.

Конфликт внутри разума

Согласно Фрейду, работа эго состоит в том, чтобы уравновесить агрессивные / стремящиеся к удовольствиям влечения Ид с моральным контролем Суперэго.

Идентификатор

Идентификатор , самая примитивная из трех структур, связана с мгновенным удовлетворением основных физических потребностей и побуждений.Он действует совершенно бессознательно (вне сознательного мышления). Например, если ваш идентификатор прошел мимо незнакомца, который ел мороженое, он, скорее всего, забрал бы мороженое себе. Он не знает и не заботится о том, что брать что-то, принадлежащее кому-то другому, — это грубо; его будет волновать только то, что вы хотите мороженое.

Суперэго

Суперэго связано с социальными правилами и моралью — подобно тому, что многие люди называют своей «совестью» или своим «моральным компасом».«Оно развивается по мере того, как ребенок узнает, что его культура считает правильным и неправильным. Если ваше суперэго пройдет мимо одного и того же незнакомца, оно не возьмет его мороженое, потому что будет знать, что это было бы грубо. ваше суперэго было вовлечено, и ваш идентификатор был достаточно сильным, чтобы преодолеть озабоченность вашего суперэго, вы бы все еще принимали мороженое, но после этого вы, скорее всего, почувствовали бы вину и стыд за свои действия.

Эго

В отличие от инстинктивное ид и моральное суперэго, эго, — рациональная, прагматическая часть нашей личности.Он менее примитивен, чем Ид, и частично сознателен, а частично бессознателен. Это то, что Фрейд считал «Я», и его задача — уравновесить требования Ид и Супер-Эго в практическом контексте реальности. Итак, если вы еще раз пройдете мимо незнакомца с мороженым, ваше эго станет посредником в конфликте между вашим идентификатором («я хочу это мороженое прямо сейчас») и суперэго («неправильно брать чужое мороженое») и решите пойти купить собственное мороженое. Хотя это может означать, что вам придется подождать еще 10 минут, что расстроит вашу личность, ваше эго решает пойти на эту жертву как часть компромисса — удовлетворить ваше желание мороженого, избегая при этом неприятных социальных ситуаций и потенциальных чувств стыда.

Фрейд считал, что ид, эго и супер-эго находятся в постоянном конфликте, и что личность и поведение взрослого человека коренятся в результатах этой внутренней борьбы на протяжении всего детства. Он считал, что человек с сильным эго имеет здоровую личность и что дисбаланс в этой системе может привести к неврозу (что мы теперь называем тревогой и депрессией) и нездоровому поведению.

Ид, эго и суперэго

Согласно структурной модели Фрейда, личность делится на Ид, Эго и Суперэго.На этой диаграмме меньшая часть над водой обозначает сознательный разум, в то время как гораздо большая часть под водой иллюстрирует бессознательный разум.

Фрейд считал, что природа конфликтов между ид, эго и супер-эго со временем меняется по мере того, как человек растет от ребенка к взрослому. В частности, он утверждал, что эти конфликты проходят через серию из пяти основных стадий, каждая из которых имеет разную направленность: оральный, анальный, фаллический, латентный и генитальный. Он назвал свою идею психосексуальной теорией развития, в которой каждая психосексуальная стадия напрямую связана с различным физическим центром удовольствия.

На этих пяти стадиях ребенок сталкивается с различными конфликтами между его биологическими влечениями (id) и его социальным и моральным сознанием (supereg0), потому что его биологические побуждения к удовольствиям сосредоточены на разных частях тела (то, что Фрейд назвал «эрогенным»). зоны »). Способность ребенка разрешать эти внутренние конфликты определяет его будущую способность справляться и действовать как взрослый. Неспособность разрешить стадию может привести к тому, что человек зациклится на ней, что приведет к появлению нездоровых черт личности; успешное разрешение стадий приводит к здоровому взрослому человеку.

Хотя теории Фрейда имеют много преимуществ, которые помогли расширить наше психологическое понимание личности, они не безграничны.

Narrow Focus

Уделяя особое внимание структуре человеческого разума, Фрейд практически не обращал внимания на влияние окружающей среды, социологии или культуры. Его теории были сосредоточены на патологии и в значительной степени игнорировали «нормальное» здоровое функционирование. Его также критиковали за его близорукий взгляд на человеческую сексуальность, исключая другие важные факторы.

Нет научной основы

Многие критики отмечают, что теории Фрейда не подтверждаются никакими эмпирическими (экспериментальными) данными. Фактически, когда исследователи начали более научный взгляд на его идеи, они обнаружили, что некоторые из них не могут быть подтверждены : для того, чтобы теория была научно обоснованной, должна быть возможность опровергнуть («фальсифицировать») ее. с экспериментальными данными, и многие идеи Фрейда нельзя опровергнуть.

Феминистки и современные критики особенно критически относятся ко многим теориям Фрейда, указывая на то, что допущения и подходы психоаналитической теории являются глубоко патриархальными (доминируют мужчины), антифеминистскими и женоненавистническими (против женщин).Карен Хорни, психолог, последовавший за Фрейдом, считала, что основной фрейдистский подход основан на «мужском нарциссизме». Феминистка Бетти Фридан назвала концепцию «зависти к пенису» Фрейдом как чисто социальную предвзятость, типичную для викторианской эпохи, и показала, как эта концепция сыграла ключевую роль в дискредитации альтернативных представлений о женственности в начале и середине двадцатого века.

Структура мозга соответствует личности — Ассоциация психологических наук — APS

Личности бывают самые разные.Теперь психологи обнаружили, что размер различных частей мозга людей соответствует их индивидуальности; например, сознательные люди, как правило, имеют большую боковую префронтальную кору, область мозга, участвующую в планировании и контроле поведения.

Психологи выяснили, что все черты личности можно разделить на пять факторов, обычно называемых Большой пятеркой: сознательность, экстраверсия, невротизм, уступчивость и открытость / интеллект. Колин ДеЯнг из Университета Миннесоты и его коллеги хотели узнать, коррелируют ли эти личностные факторы с размером структур в мозге.

Для исследования 116 добровольцев ответили на анкету, чтобы описать свою личность, а затем прошли тест на визуализацию мозга, в ходе которого измерялся относительный размер различных частей мозга. Компьютерная программа использовалась для деформации каждого изображения мозга, чтобы можно было сравнить относительные размеры различных структур. Было обнаружено несколько связей между размером определенных областей мозга и личностью. Исследование опубликовано в Psychological Science , журнале Ассоциации психологических наук.

Например: «Я думаю, что у всех есть общее представление о том, что такое экстраверсия — разговорчивый, общительный, дерзкий», — говорит Де Янг. «Они получают больше удовольствия от таких вещей, как социальное взаимодействие, парки развлечений или что-то еще, и они также более мотивированы искать вознаграждение, что является одной из причин их большей напористости». Считается, что это стремление к награде является ведущим фактором экстраверсии. В более ранних исследованиях были обнаружены участки мозга, которые активно участвуют в рассмотрении вознаграждений.Де Янг и его коллеги пришли к выводу, что у более экстравертных людей эти области должны быть больше. Действительно, они обнаружили, что одна из этих областей, медиальная орбитофронтальная кора головного мозга — она ​​находится чуть выше и позади глаз — была значительно больше у испытуемых с большой экстраверсией.

Исследование обнаружило аналогичные ассоциации сознательности, связанной с планированием; невротизм, склонность к отрицательным эмоциям, связанная с чувствительностью к угрозам и наказанию; и доброжелательность, которая относится к тем частям мозга, которые позволяют нам понимать эмоции, намерения и психические состояния друг друга.Только открытость / интеллект не связаны четко ни с одной из предсказанных структур мозга.

«Это начинает указывать на то, что мы действительно можем найти биологические системы, которые отвечают за эти модели сложного поведения и опыта, которые делают людей индивидуальными», — говорит Де Янг. Однако он указывает, что это не означает, что ваша личность фиксирована с рождения; мозг растет и изменяется по мере роста. Опыт меняет мозг по мере его развития, и эти изменения в мозге могут изменить личность.

Что такое теория Зигмунда Фрейда? теория личности

В этой статье дается практическое объяснение теории Зигмунда Фрейда . Прочитав эту статью, вы поймете основы всеобъемлющей теории личности .

Что такое теория Зигмунда Фрейда?

Психоаналитическая теория Зигмунда Фрейда, или теория Фрейда, — это теория организации личности, динамики между различными стадиями развития личности и ее влияния на развитие либидо человека.

Психоаналитическая теория была опубликована в конце 19 века и с тех пор часто уточнялась и изменялась. Зигмунд Фрейд сначала работал над анализом в рамках своих физиологических исследований, но прекратил эти исследования, когда переключил свое внимание на изучение человеческого разума и сопутствующих ему атрибутов.

Присоединяйтесь к нам и получите неограниченный доступ
Присоединяясь к нашей платформе электронного обучения, вы получите неограниченный доступ ко всем (1000+) статьям, шаблонам, видео и многому другому!
Узнать больше

Его исследование подчеркнуло признание и влияние детских событий, а также то, как они могут повлиять на функционирование взрослых.Его исследования легли в основу современной психотерапии.

По этой причине Зигмунд Фрейд считается отцом психиатрии. Самым далеко идущим и известным из его многочисленных достижений, вероятно, является теория личности Фрейда.

После его смерти теория Зигмунда Фрейда часто была в центре внимания других психоаналитиков, неоднократно адаптировалась и подвергалась различным интерпретациям. Несмотря на то, что эта теория широко ценится, теория Зигмунда Фрейда также многими подвергается критике и по сей день остается спорной темой из-за своей актуальности.

Теория Зигмунда Фрейда: структура личности

Согласно теории психики Зигмунда Фрейда, человеческая личность очень сложна и состоит из множества компонентов. В своей теории он разделил личность на три элемента: Ид, эго и супер-эго.

Ид — это примитивная и инстинктивная часть разума, которая включает сексуальные и агрессивные мотиваторы и скрытые воспоминания. Супер-эго функционирует как моральная совесть, а эго — реалистичный элемент, который является посредником между желаниями ид и супер-эго.

Эти элементы работают вместе, чтобы создать сложное поведение человека. Они не просто вносят уникальный индивидуальный вклад в личность, но взаимодействуют и влияют друг на друга таким образом, что оказывает сильное влияние на каждого человека. В определенные моменты жизни эти три элемента играют более важную роль, чем другие.

ID

Ид, самая примитивная часть из трех структур, относится к иррациональным потребностям и запросам человека. Он никоим образом не принимает во внимание текущую ситуацию, а скорее фокусируется на немедленном удовлетворении и удовлетворении основных физических потребностей и побуждений.

Если автолюбитель увидит проезжающую мимо красивую машину, id немедленно захочет завладеть ею. Он не принимает во внимание, что было бы незаконно просто взять эту машину, он озабочен только тем фактом, что человек хочет эту машину.

Практичная и красивая сторона идентификатора заключается в том, что ребенок начинает плакать, когда он голоден. Когда ребенка кормят, требование id выполняется, и ребенок перестает плакать.

Эго

В отличие от инстинктивного ид, эго — рациональная и прагматическая часть нашей личности.Это менее примитивно, чем id, и частично сознательно, а частично подсознательно. Эго развивается и становится активным, когда люди вступают в контакт с другими людьми. Эго помогает реализовать ид, учитывая реальность ситуации.

Когда тот же человек видит проезжающую мимо красивую машину, эго становится посредником между ид и супер эго и решает сэкономить, чтобы купить машину, а не брать ее. Если это означает, что этот человек должен копить еще десять лет, это жертва, которую нужно принести, чтобы исполнить свое желание.Само эго не осознает, что хорошо, а что плохо; дело просто в том, что желание исполняется без того, чтобы от этого страдали Ид или само эго.

Супер Эго

Супер-эго, которое начинает развиваться с пятилетнего возраста, часто является третьей фазой, охватывающей моральные ограничения. Эти моральные ограничения часто устанавливаются родителями или опекунами и известны как «совесть» или «моральный компас».

Если бы id был сильнее супер-эго, человек в нашем примере украл бы красивую машину без всяких колебаний.Однако впоследствии суперэго заставляло человека испытывать стыд и заставляло его чувствовать себя виноватым из-за этого действия.

Супер-эго действует, чтобы совершенствовать и цивилизовать человеческое поведение. При правильной разработке он обеспечивает подавление неприемлемых импульсов идентификатора. Супер-эго присутствует в сознательной, предсознательной и подсознательной части мыслей.

Теория Зигмунда Фрейда: развитие психологических стадий и либидо

В репрессивном викторианском обществе, частью которого был Фрейд, женщины должны были подавлять свои сексуальные потребности.Во многих случаях это приводило к невротическому расстройству. Фрейд попытался понять природу и различные формы этих расстройств и начал свои исследования. Он хотел понять, каковы были желания и желания пациентов, их переживания любви, стыда, ненависти, вины, страха и как они справлялись с этими эмоциями.

Это привело к одному из самых противоречивых исследований в своем роде и самой противоречивой части работы Фрейда. Он обнаружил несколько стадий развития, через которые люди проходят от рождения и через которые у них развивается либидо.

Первая фаза начинается с рождения и заканчивается примерно после первого года жизни. На этом этапе ребенок проверяет все ртом, первой развитой частью тела. Когда ребенок терпит неудачу на этом этапе и поэтому становится неудовлетворенным, Фрейд полагает, что в более позднем возрасте для него будут характерны пессимизм, подозрительность и сарказм. Человек уменьшает чувство страха или напряжения, например, жеванием кончиков ручек или чрезмерно жевательной резинкой.

Второй этап начинается после первого года и длится до третьего года.Фрейд считал, что основное внимание либидо в этой фазе уделяется контролю над мочевым пузырем и дефекацией. По этой причине приучение к туалету является наиболее важной частью этого этапа.

Согласно теории Фрейда, успех на этой стадии зависит от того, как родители приучены к туалету. Родители, которые поощряют и награждают своих детей в правильные моменты, помогают ребенку в более позднем возрасте быстрее развиваться в компетентного, продуктивного и творческого человека. Однако есть и родители, которые наказывают или высмеивают своих детей в этот период.

У этих детей больше шансов на отрицательный результат. Слишком снисходительный подход родителей может привести к тому, что у их детей разовьется беспорядочная, расточительная или деструктивная личность. Слишком строгие родители или слишком рано начавшие приучать ребенка к туалету могут заставить своих детей стать строгими, упорядоченными, навязчивыми или жесткими.

Третья фаза наступает между четвертым и шестым годом жизни ребенка. Здесь ребенок познает себя и свое тело. Это могло выражаться в пошлых шутках.Реакция родителей на такое поведение сильно влияет на результат фиксации на нем.

Во время четвертой фазы, с шестого года жизни до полового созревания, либидо подавляется и остается бездействующим. Обычно на этом этапе дети ходят в школу и начинают беспокоиться о том, чтобы заводить друзей, находить хобби и развивать другие интересы. Супер-эго продолжает развиваться во время этой фазы, в то время как Ид подавляется.

Последняя фаза длится от полового созревания до смерти, а также период, в течение которого молодые люди становятся фертильными.Начало полового созревания означает, что подавленное либидо снова становится активным.

С этого момента, согласно теории Фрейда, эго и супер-эго полностью сформированы и полностью функционируют. Младшие дети руководствуются ид, немедленным удовлетворением самых основных потребностей, в то время как подростки в генитальной фазе способны уравновешивать базовые побуждения и ненормальные потребности с реальностью и социальными стандартами.

Теория Зигмунда Фрейда и защитные механизмы

Теория Фрейда описывает, что роль эго заключается в нахождении баланса между требовательным ид и супер-эго.Здоровые люди способны на это, но бывают случаи, когда происходят нарушения на различных стадиях психологического развития и развития либидо. Это может привести к проблемам с личностью. Хотя это может иметь далеко идущие последствия, существуют различные механизмы, которые могут либо действовать как защитные факторы, либо быть негативными последствиями нарушения развития. Примеры:

Рабочий объем

Когда человек вступил в дискуссию на работе и приходит домой разочарованным, возможно, это разочарование переносится на партнера этого человека.

Проекция

В серьезном споре человек может почувствовать, что он вот-вот проиграет спор, из-за чего он будет выглядеть глупо. Возможная реакция: этот человек называет другого глупым, в то время как он проигрывает спор.

Сублимация

Агрессивный человек подсознательно или сознательно знает, что бить людей без причины — плохая идея. Физические упражнения могут быть средством превратить эти эмоции во что-то конструктивное.

Теперь ваша очередь

Как вы думаете? Знаете ли вы объяснение теории развития личности Зигмунда Фрейда? Как вы считаете, какие факторы способствуют здоровому психологическому развитию? Или какие, по вашему мнению, факторы могут этому помешать? Что вы думаете о теории Фрейда?

Поделитесь своим опытом и знаниями в поле для комментариев ниже.

Если вам понравилась эта статья, то, пожалуйста, подпишитесь на нашу бесплатную рассылку новостей, чтобы получать последние сообщения о моделях и методах.

Дополнительная информация

1. Фрейд С. и Бонапарт П. М. (1954). Истоки психоанализа (Том 216). Лондон: Имаго.
2. Блюм, Г. С. (1949). Исследование психоаналитической теории психосексуального развития . Монографии по генетической психологии.
3. Саймон В. и Ганьон Дж. (1969). Психосексуальное развитие . Трансакция, 6 (5), 9-17.

Как цитировать эту статью:
Janse, B.(2018). Теория Зигмунда Фрейда . Получено [вставить дату] из ToolsHero: https://www.toolshero.com/psychology/sigmund-freud-theory/

Добавьте ссылку на эту страницу на своем веб-сайте:
ToolsHero: Sigmund Freud Theory

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 сетевого сообщества (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 проведен для извлечения факторных структур (FS) текущего набора данных с использованием как баллов по элементам, так и оценок аспектов. Графики корреляционной сети были построены из одномерных матриц корреляции взаимодействий между элементами и аспектами. Эти сети были отсечены построчно 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 уровне аспектов 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 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, создавая 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 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 .; Опубликован: 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 для исследований, а не медицинского обслуживания. 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 более широком 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 основного 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 встречаются 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, неумеренность 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, у которого есть несколько ограничений. Наиболее важно то, что взаимные отношения 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 субъектов (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 на фасетных оценках, 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. Взаимодействие между переменными в наборе данных (например, корреляция между оценками элементов NEO-PI-R) можно рассматривать как сеть узлов (элементов), которые общаются 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 НИЗ 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 личностей» 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 субъекты в этом исследовании предоставили как устное, так и письменное информированное согласие и знали, что их личностные рейтинговые баллы должны использоваться в исследовательских целях. Эта процедура была одобрена этическим комитетом факультета психологии Амстердамского университета под номером 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 товаров была установлена ​​при загрузке товаров> 0,40.

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

A. На фасетном уровне 6-факторная структура предлагается с помощью графика. B. На уровне элемента обнаруживается 10-факторная структура без какого-либо сходства ни с 5-факторной структурой, ни с 30-гранной структурой. Такая декомпозиция на уровне элементов, как известно, ненадежна 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 являются обычным явлением 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). Точно так же 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 именами 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 Wakita-Tsurumi NCD, 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 корреляционных сетевых графах 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 декомпозиция 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 сетевого кластера с факторными структурами включало сравнение «членства в факторах» и «членства в сетевом кластере» 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 с факторами 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 был идентифицирован путем выбора NCS, который объяснил наибольшее количество различий 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 для получения меры общей суммы дисперсии в оценках факторов, как объясняется оценками сетевых кластеров.

Расчет показателей сети

Для сетей на уровне элементов, фасетов и кластеров для каждого узла были рассчитаны следующие метрики сети [21]: степень, центральность промежуточности, центральность близости, центральность собственного вектора, 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

Таблица 1 показывает 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 стандартная структура все еще могла быть в значительной степени распознана (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-фасетной 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 сетевого кластера: уровень аспектов

На рис. 2A 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 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 баллы 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-ФС, красный: подтверждающий 5-ФС, зеленый: исследовательский 6-ФС. Подтверждающий 5-FS показывает лучшее совпадение с NCS при r = 0,271, p = 4,89E-09. Для получения дополнительной информации см. Текст и таблицы 1 и 2. B. Результаты процедуры сопоставления NCS-to-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. Однако 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 рис. 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%. Наилучшее 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 стандартный (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. Для получения дополнительной информации 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.

Рисунок 5. Персональная сеть на уровне элемента: сетевой график 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 находятся в кластерах экстраверсии и невротизма.

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

Когда требование общего соответствия между NCS и FS было отменено, были обнаружены лучшие совпадения 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 предполагает, что глобальное наилучшее совпадение является хорошей оценкой индивидуальных наилучших совпадений.

Сетевые кластеры на уровне элементов немедленно создавали крупномасштабные кластеры, показывающие хорошее соответствие со стандартными факторами. Не было обнаружено 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 (аналоги доброжелательности 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 фасета и кластера, 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 промежуточностью центральностей.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, достоверные результаты на этом уровне.Интересно, что НИЗ хорошо проявили себя на уровне заданий. Сетевые кластеры объяснили большую дисперсию 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 на протяжении 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, обеспечивает лучшее обобщение данных. Для подтверждающего 5-FS были найдены как локальные, так и глобальные наилучшие соответствия, 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, кажется, превосходит факторный анализ в извлечении модульности из данных на уровне элементов в нестандартных выборках. По сравнению с уровнем фасетки 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 элемента, является природа принудительного выбора алгоритма Вакита-Цуруми 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) Эштона 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 обеспечения оптимального соответствия оставшихся кластеров с пятью факторами NEO-PI-R.В будущих исследованиях существование шестого (честного) сетевого кластера может быть более конкретно изучено путем сопоставления сетевых кластеров HEXACO с измерениями HEXACO.

Сеть личности как структура развития

Идея о том, что личность развивается в направлении зрелости по определенным путям или последовательностям личностных черт, 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 сети 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 сети 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, в результате чего массовое нарушение функционирования 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, кластер экстраверсии и кластеры невротизма можно рассматривать как единичные кластеры в отношении 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 самую высокую промежуточную центральность, то есть были непропорционально вовлечены в посредничество 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 влияние 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, исключительная 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 помощью 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 некоторую осторожность при интерпретации результатов алгоритмов сетевого кластера на феноменологическом уровне. Важно приписывать правильную ценность информации, которую дает особенность 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 элементы-концентраторы 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.

Ссылки

1. 1. Финансирующий округ Колумбия (2001) Личность. Анну Рев Психол 52: 197–221.
2. 2. Trull TJ, Durrett CA (2005) Категориальные и размерные модели расстройства личности. Анну Рев Клин Психол 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.Am Psychol 52: 509–516.
17. 17. Маркон К.Е., Крюгер Р.Ф., Уотсон 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 грани: иерархическая оценка личности с использованием пересмотренного инвентаря личности 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) Ошибка и устойчивость к 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.

Взаимосвязь между функцией семьи и личностными качествами с общей самоэффективностью (исследования на параллельных выборках) | BMC Psychology

Наши результаты показали, что в обоих исследованиях существует связь между семейными функциями и общей самоэффективностью.Это означает, что чем здоровее функционирует семья, тем выше общая самоэффективность ее членов. Эти результаты соответствовали результатам исследований, проведенных Холлом [38]; Caprara et al. [39]; Hoeltje et al. [40]; Lotfinia et al. [41].

Чтобы объяснить взаимосвязь между функциями семьи и общей самоэффективностью, следует отметить, что здоровая семья с оптимальным функционированием поддерживается ее членами, а общая самоэффективность может быть усилена социальной поддержкой [42].Кроме того, семьи с оптимальным функционированием могут похвастаться стилями воспитания, которые могут воспитывать убеждения в самоэффективности [12]. Более того, наиболее важным объяснением этой части результатов является точка зрения Бандуры, основанная на социальном обучении: семья рассматривается как один из важнейших источников для имитации и имитации общей самоэффективности, а поведение и образ жизни родителей — эффективные модели для воспитания в целом. самоэффективность [12].

Дети из нормально функционирующих семей могут свободно высказывать свое мнение, им предоставляется возможность высказать свои мысли по различным вопросам и, при необходимости, внести предложения.В результате у них возникает чувство, что они смогут найти подходящие решения проблем, поверить в свои способности и ощутить более высокую эффективность. Кроме того, дети могут выражать свои сильные и слабые стороны без какого-либо страха в диалоге и атмосфере, способствующей взаимодействию, что приводит к укреплению убеждений в своих сильных сторонах, способности находить решения для своих слабостей и общей самоэффективности.

Результаты настоящего исследования показали, что общие семейные функции имеют самую сильную корреляцию с общей самоэффективностью среди всех компонентов семейных функций в обеих группах.Результаты также показали, что в первом исследовании существует взаимосвязь между всеми личностными чертами и общей самоэффективностью, тогда как во втором исследовании коррелировали четыре личностные черты и общая самоэффективность, и никакой взаимосвязи между открытостью опыту и общая самоэффективность. Кроме того, результаты настоящего исследования показали, что сознательность имеет самую сильную корреляцию с общей самоэффективностью в обеих группах.

Кроме того, результаты исследований, проведенных Judge and Ilies (2002), Caprara et al.(2005), Stroble et al. (2011) ,, Герхардт и др. (2007) и McGeown et al. (2014) указали, что личностные черты и общая самоэффективность коррелировали, что согласуется с результатами настоящего исследования [21, 39, 43,44,45]. По результатам настоящего исследования можно сказать, что более высокий признак невротизма сопровождается более низкой общей самоэффективностью. Кроме того, можно констатировать, что чем больше усиливаются черты экстраверсии, уступчивости, сознательности и открытости опыту, тем выше повышается общая самоэффективность, и наоборот.Судья и др. (2007) и Saleem et al. (2011) пришли к выводу, что самоэффективность коррелирует с личностными чертами, особенно невротизмом и экстраверсией [46, 47]. Кроме того, результаты исследования учителей показали, что самоэффективность положительно коррелировала с сознательностью, открытостью опыту и уступчивостью, тогда как никакой связи между невротизмом и самоэффективностью не наблюдалось [48]. В этом исследовании приятность и общая самоэффективность были тесно связаны, и причинами несогласованности результатов могли быть размер выборки и инструмент, использованный для измерения общей самоэффективности.

Также люди с невротизмом демонстрируют несовместимость, когда сталкиваются с тяжелыми условиями, и поэтому они не способны управлять ситуациями и контролировать их, а также имеют низкую самооценку. Следовательно, общая самоэффективность также невысока [48]. С другой стороны, экстраверты ищут поддержки других в тяжелых условиях из-за своей высокой гибкости [39, 49]. Они также получают поддержку со стороны других из-за более высокой общительности, что приводит к тому, что они уделяют больше внимания своим способностям и компетентности [50].Кроме того, экстраверты склонны выражать свои идеи и чувства, что считается отличным источником общей самоэффективности [12].

Чтобы лучше объяснить взаимосвязь между общей самоэффективностью и открытостью опыту, можно сказать, что человек с этой чертой личности будет заинтересован в переживании новых и незнакомых вещей [51]. Вот почему они чувствуют, что могут справляться с академическими задачами и заданиями, и чувствуют себя обязанными выполнять свои задачи, увеличивая свои усилия, потому что они верят в себя, что поможет им достичь общей самоэффективности.Более того, те, кто открыт для опыта, обычно сталкиваются со сложными ситуациями и меньше разочаровываются, когда сталкиваются с неожиданными ситуациями; скорее, они охватывают такие ситуации и большую часть времени демонстрируют эту характеристику [50].

Результаты настоящего исследования показали, что сознательность и общая самоэффективность коррелировали, что согласуется с результатами исследований, проведенных Колкитт и Симмеринг (1998) и Джонс и Грин (2001). Можно утверждать, что нет ничего удивительного в том, что люди с большей сознательностью будут иметь более общую самоэффективность, потому что они, вероятно, верят в свои способности и ограничения и выбирают для себя достижимые цели.Добросовестные люди характеризуются как прилежные, чувствующие себя связанными своим долгом, не сдающиеся перед препятствиями и целеустремленные. Они также тщательно выполняют свои задачи, что поможет им добиться успеха, что, в свою очередь, приведет к формированию чувства компетентности и общей самоэффективности [52, 53]. С другой стороны, сознательные люди часто работают в группах, пользуясь поддержкой группы [49]. Следовательно, чем выше уровень сознательности, тем выше его общая самоэффективность [21].

Мы предположили, что существует значительная взаимосвязь между покладистостью и общей самоэффективностью среди студентов. Однако в общей популяции (второе исследование) эта взаимосвязь не значима. Чтобы объяснить этот вывод исследования, мы должны сосредоточиться на характеристиках участников в двух выборках, поскольку, учитывая возрастной диапазон студентов, согласие будет выше, и эта черта уменьшается с увеличением возраста.

Результаты исследования показали, что субшкалы семейных функций и личностных качеств вместе могут предсказать от 27 до 35% общей самоэффективности.Эти результаты объясняют, что от 27 до 35% общей самоэффективности находится под влиянием семейных функций и личностных качеств, будущие исследования могут найти другие связанные переменные.

Взаимный детерминизм в социальной когнитивной теории, введенный Бандурой [54], объясняет отношения между окружающей средой, «я» и поведением. Наше исследование соответствует этой теории, потому что мы исследовали функции семьи и черты личности, поэтому мы рассмотрели окружающую среду (Семья), Я (черты личности) и поведение (общая самоэффективность).

Наши результаты показали, что сознательность играет наиболее важную роль в прогнозировании общей самоэффективности по сравнению со всеми другими переменными.

Учитывая значения коэффициентов регрессии в регрессионном анализе, можно сделать вывод, что общая самоэффективность в большей степени ориентирована на личность и сильно зависит от личностных качеств, что согласуется с теориями, подчеркивающими, что общая самоэффективность — это личность. -ориентированный. С другой стороны, это открытие может заинтересовать психологов и исследователей поведенческих наук.

Мы пришли к выводу, что после контроля возрастной переменной была обнаружена значимая взаимосвязь между семейными функциями и всеми личностными чертами, за исключением открытости опыту, среди населения в целом. Кроме того, в группе моложе 30 лет общие семейные функции и сознательность имели наиболее сильную корреляцию с общей самоэффективностью, соответственно. Этот результат не согласуется с общими выводами настоящего исследования, указывающими на важность семьи в этом возрастном диапазоне.Более того, в возрастном диапазоне 30–50 лет наибольший эффект имел добросовестность. Другими словами, сознательность играет важную роль в прогнозировании общей самоэффективности, что согласуется с общими результатами настоящего исследования. Что касается третьей возрастной группы, то есть людей старше 50 лет, доброжелательность играет значительную роль в прогнозировании общей самоэффективности. Следует учитывать роль возраста, чтобы определить, какой фактор в большей степени влияет на самоэффективность, однако общая самоэффективность не зависит от возраста, поскольку результаты нашего исследования показали, что не было никакой связи между возрастом и общей самоэффективностью. .

В результате Annesi (2007) сообщил, что изменение возраста не привело к изменению общей самоэффективности [55].

Результаты этого исследования привели нас к выводу, что на самоэффективность влияют черты личности, а на эти черты больше влияют генетика и природа. Предлагается, чтобы в будущих исследованиях был определен вклад каждого из факторов природы и воспитания в формирование самоэффективности.

Ограничения и сильные стороны

Наше исследование имеет несколько ограничений.Из-за длины вопросов в анкете исследования это может повлиять на точность ответов участников. Поэтому предлагается использовать более короткие формы этих вопросников в будущих исследованиях. Кроме того, это исследование проводилось в одном из курдских городов на западе Ирана (Керманшах), поэтому при обобщении этих результатов на другие культуры и города Ирана и мира следует соблюдать осторожность. Наконец, еще одним ограничением настоящего исследования был дизайн поперечного сечения. В дальнейшем рекомендуется выполнять продольное проектирование.Это исследование было проведено с большой выборкой, проведенной в западном Иране.