English· Español· Deutsch· Nederlands· Français· 日本語· ქართული· 繁體中文· 简体中文· Português· Русский· العربية· हिन्दी· Italiano· 한국어· Polski· Svenska· Türkçe· Українська· Tiếng Việt· Bahasa Indonesia

un

სტუმარი
1 / ?
უკან გაკვეთილებზე

როგორ იღებს IQ მის ნორმალურ განაწილებას

ჰამინგი თავი 29-ს იხსნის IQ ტესტირების ფრთხილი ანალიზით.

მტკიცება: ინტელექტი მოსახლეობაში ნორმალურ განაწილებას მოჰყვება. გაზომვა: ქულები დახაზეთ კუმულაციური ალბათობის სკალაზე (ალბათობის ქაღალდი). ქულები სწორ ხაზს აყალიბებს — რომელიც მიუთითებს ნორმალურ განაწილებაზე.

პრობლემა, რომელსაც ჰამინგი განსაზღვრავს: ეს არის არა აღმოჩენა. ეს არის კონსტრუქცია. IQ ტესტი კალიბრირებულია ნედლი ქულების აღებით და მონოტონური ტრანსფორმაციის გამოყენებით, რომელიც კუმულაციური განაწილებას ნორმალური ალბათობის სკალაზე აკავშირებს. შემდეგ შედეგი ქულები აცხადებენ, რომ ზომავენ ინტელექტს, რომელიც განისაზღვრება, როგორც იმ, რასაც ეს კალიბრირებული ტესტი ზომავს.

შედეგი: ინტელექტი, განსაზღვრული, როგორც იმ, რასაც ეს ტესტი ზომავს, ნორმალურად განაწილებულია. რა თქმა უნდა, არის — ის ასე ჰქვია განკუთვნილი. ნორმალური განაწილება არ არის ინტელექტის თვისება სამყაროში; ეს არის კალიბრაციის პროცედურის თვისება.

ჰამინგის განზოგადება: თქვენ იღებთ იმას, რასაც იზომებთ. ინსტრუმენტი, კალიბრაციის პროცედურა და განსაზღვრება არ არიან დამოუკიდებელი. ისინი ქმნიან დახურულ მარყუჟს. ის, რასაც ინსტრუმენტი ზომავს, ხდება განსაზღვრება იმისა, რა არის რეალური.

მისი კალკულუსის გამოცდის მაგალითი: ის შეიძლება თითქმის ნებისმიერი გრადაციის განაწილება აბრუნებდეს, რომელიც რა თქმა უნდა აირჩიოს კითხვების სირთულის განაწილება. თანაბრად რთული გამოცდა ორმოდალურ განაწილებას აბრუნებს (სტუდენტები ან იცნობენ მას, ან არა). შერეული გამოცდა მოტრიალებას აბრუნებს. განაწილება არის ტესტის დიზაინის არტეფაქტი, არა აღმოჩენა სტუდენტებზე.

გუდჰარტის კანონი: როდესაც მეტრიკა ხდება მიზნები

წრიული მარყუჟის პოვნა

ჰამინგის ანალიზი ამჟღავნებს სამ-ეტაპიან წრიულ განსაზღვრებას:

1. შექმნით ინსტრუმენტი და კალიბრაციის პროცედურა.

2. განსაზღვრეთ სამზეთი, როგორც 'ის, რასაც ეს ინსტრუმენტი ზომავს.'

3. იტყობინებით, რომ სამზეთს აქვს განაწილებითი თვისება, რომელიც ჩაკერძოთ კალიბრაციაში.

იპოვეთ გაზომვა ან კლასიფიკაციის სისტემა ის სფეროში, რომელიც თქვენ იცნობთ, სადაც იგივე წრიული მარყუჟი ოპერირებს: ინსტრუმენტი ან პროცედურა ჩაკერძოთ გარკვეული შედეგის წარმოშობაში, და შემდეგ ეს შედეგი იტყობინება, როგორც აღმოჩენა სამყაროს შესახებ. განსაზღვრეთ სამი ეტაპი (ინსტრუმენტი, განსაზღვრება, იტყობინება აღმოჩენა) და აუხსენით, როგორ შეიძლება წრიულობამ გააცრუოს ვინმე, რომელიც კალიბრაციის ისტორია არ იცოდა.

როდესაც მეტრიკა ხდება მიზანი

ჰამინგის ფორმულირება, სანამ გუდჰარტმა ის დაასახელა: როდესაც თქვენ მეტრიკას იყენებთ როგორც მიზანს, ის აღარ არის მოქმედი მეტრიკა. მიზნობის აქტი კორუფცირებს მეტრიკას.

მეხანიზმი: მიზნობის წინ, მეტრიკა კორელაციაში იყო ძირითად ღირებულებასთან. მიზნობის შემდეგ, რაციონალური მოქმედი ოპტიმიზაციას აკეთებს მეტრიკას პირდაპირ. კორელაცია ზღვრის გარეშე რბილდება, რადგან მეტრიკის გაუმჯობესების უმარტივესი გზა არის ხშირად მის განცალკევება ძირითად ღირებულებიდან.

ჰამინგის შემთხვევები:

- სხეულის რაოდენობა ვიეტნამში: გამოიყენებოდა სამხედრო პროგრესის ზომა. ჯარი ოპტიმიზაციას აკეთებდა სხეულის რაოდენობას დაუდასტურებელი ობიექტების დათვლით. მეტრიკა აიწია; სამხედრო პროგრესი არა.

- GNP ზრდა: გამოიყენებოდა ეკონომიკური კეთილდღეობის ზომა. GNP ზრდა შეიძლება მიღწეულ იყო უარყოფითი ღირებულების ნივთების წარმოებით (დაბინძურების გაკუთვნება, სამხედრო აგებულება, ციხეს აგებულება). მეტრიკა განცალკევდა კეთილდღეობიდან.

- ტესტის ქულები: გამოიყენებოდა სწავლის ზომა. სკოლები მოამზადა ტესტისთვის. ქულები აიწია; საგნის ყველა სფეროში გაგება შეიძლება, რომ არ გაიწია.

ჰამინგის გამოსავალი: (1) შეცვალეთ მეტრიკა ხშირად, მანამდე, სანამ ადამიანები სრულად ოპტიმიზაციას აკეთებენ მას; (2) გამოიყენეთ მრავალი მეტრიკა ერთდროულად — უფრო რთულია ყველას ოპტიმიზაცია ერთდროულად; (3) არასოდეს დაჩქარდით ერთ მეტრიკაზე რომელიმე მნიშვნელოვანი გადაწყვეტილებისთვის.

კორუპციის მეხანიზმის განსაზღვრა

პროგრამის ორგანიზაცია ზომავს დეველოპერის პროდუქტივობას კოდის ხაზების რაოდენობის (LOC) დათვლით კვირაში წერილი. თავდაპირველად, LOC კორელაციაში იყო პროდუქტივობასთან — აქტიური დეველოპერები მეტ კოდს წერენ, ვიდრე არააქტიური.

კონკრეტულად აღწერეთ, როგორ ხდება LOC მეტრიკის კორუპცია, როდესაც ის გამოიყენება პერფორმანსის მიზნად. დაასახელეთ მინიმუმ სამი კონკრეტული ქცევა, რომელსაც რაციონალური დეველოპერი გადმოიყვანდა LOC ოპტიმიზაციისთვის პროდუქტივობის გაუმჯობესების გარეშე. შემდეგ აღწერეთ მრავალი-მეტრიკული ალტერნატივა, რომელიც უფრო რთული იქნებოდა კორუპციის მოსახლეობაში, და აუხსენით, რატომ არის ის უფრო რთული.

დინამიური დიაპაზონის პრობლემა

ჰამინგი აძვრებს დახვეწილ გაზომვის პრობლემას: რეიტინგის სკალებს აქვთ დინამიური დიაპაზონი, და ყველაზე მეტი ადამიანი არ იყენებს მას.

მაგალითი: 1-10 სკალა, სადაც 5 არის საშუალო. ყველაზე მეტი რეიტერი იყენებს 4, 5, და 6, არასოდეს მივიდნენ 1 ან 9-მდე. მათი რეიტინგის დინამიური დიაპაზონი კი 3 (4-დან 6-მდე), თუმცა სკალა უზრუნველყოფს 10.

შედეგი: რეიტერი, რომელიც სრულ დიაპაზონს იყენებს, აქვს 3× დავალეწილი ზეწოლა საშუალო რეიტინგზე მისი რეიტერი, რომელიც კომპრესიას აკეთებს შუაში. თუ თქვენ ჩასიდითეთ რაც-რომელ საჭიროებას გრამი 2 (სრული დიაპაზონი), რომელიც სხვა რეიტერი რაღებს აძლევს, თქვენი კიდეგრამი რიცხვიდან (კომპრესიული დიაპაზონი), საშუალო არის 4 — თქვენი უკმაყოფილება აღემატება მათ მოწონებას თუნდაც ორივემ ტოლი ხმა დიზაინის სისტემაში.

ჰამინგის ინფორმაციის თეორია კავშირი: ენტროპია (საშუალო სიკვილი) მაქსიმუმი ხდება, როდესაც განაწილება უნიფორმულია. რეიტინგის სკალა, სადაც ყველა ხარისხი თანაბრად გამოიყენება, კომუნიკაციას აკეთებს მაქსიმალური ინფორმაცია. სკალა, სადაც ხშირი რეიტინგი კოპკო 5-ის რაოდენობა ატარებს ძალიან მცირე — რეიტინგი კი თითქმის ინფორმაციას ატარებს.

მისი პრაქტიკული რჩევა: გამოიყენეთ ყველა დინამიური დიაპაზონი ნებისმიერი სკალის, რომელსაც მოგეცა. თუ თქვენ მოგეცათ სკალა 1-დან 10-მდე, არ გამოიყენოთ იგი, როგორც 1-დან 6-მდე. ამის გაკეთება აკლებს თქვენი ზეწოლა და აკლებს ინფორმაციის შინაარსი თქვენი რეიტინგებში.

ინფორმაცია და დინამიური დიაპაზონი

ორი პროფესორი ხარისხიანობის გაფორმება 0-100 სკალაზე. პროფესორი A იყენებს მხოლოდ დიაპაზონი 70-90 (კომპრესირებული 20 ქულაზე). პროფესორი B იყენებს სრულ დიაპაზონი 0-100 (იყენებს 100 ქულა). თითითოეული პროფესორის ხარისხის განაწილება უნიფორმული მათი გამოყენებული დიაპაზონის ფარგლებში.

ენტროპია ფორმულის გამოყენებით H = log₂(n) უნიფორმული განაწილება n თანაბრად-სავარაუდო შედეგებზე, გამოთვალეთ ინფორმაცის შინაარსი (ბიტებში) ერთი ხარისხი თითითოეული პროფესორისგან. რამდენჯერ მეტი ინფორმაცია ატარებს პროფესორი B-ს ხარისხი, ვიდრე პროფესორი A-ს? რა ნიშნავს ეს კურსდამთავარი სკოლის მიღება კომიტეტი, რომელიც იღებს ორივე პროფესორის ხარისხიდან?