Исследовательская работа на тему АВТОМАТИЗАЦИЯ ПРОЦЕССОВ ТЕСТИРОВАНИЯ И ОБРАБОТКИ РЕЗУЛЬТАТОВ

Региональная научно-практическая конференция обучающихся«К вершинам знаний - 2017»
Секция: Компьютерные науки
Тема: АВТОМАТИЗАЦИЯ ПРОЦЕССОВ ТЕСТИРОВАНИЯ И ОБРАБОТКИ РЕЗУЛЬТАТОВ
Автор: Рощевкина Ирина Владимировна
Научный руководитель: Короткова Светлана Викторовна
Место выполнения работы: МАОУ СОШ №59 «Перспектива»
2017
ОглавлениеВведение……………1
Методы исследования связей между случайными величинами.
1.1 Дисперсионный анализ……………………………………………………………………….2
Корреляционный анализ………….2
Регрессионный анализ…………..2
Постановка цели и задач……………3
Кластерный анализ……………3
2.1 Методологические основы процедур кластерного анализа.........................................................3
2.2 Алгоритм k-средних.…………..5
Алгоритм CLOPE…………6
Программная реализация…………..7
Описание программного обеспечения…………….7
Руководство оператора…………..7
Выводы…………….11
Анализ и применение исследуемых методов……………11
Описание исходной задачи…………….11
Алгоритм работы програмного обеспечения…………..11
Заключение……………13
Литература…………….14
Приложения……………15
Введение
Тест (англ. test — проба, испытание, исследование) в психологии и педагогике, стандартизированные задания, результат выполнения которых позволяет измерить психофизиологические и личностные характеристики, а также знания, умения и навыки испытуемого.
В общей психологии большой популярностью пользуются тесты для распознавания психологического портрета личности человека. Одним из таких тестов является опросник Д. Кеттела [1].
Опросник Кеттела является одним из наиболее распространенных анкетных методов оценки индивидуально-психологических особенностей личности как за рубежом, так и у нас в стране. Он разработан по руководством Р. Б. Кеттела и предназначен для написания широкой сферы индивидуально-личностных отношений.Отличительной чертой данного опросника является его ориентация на выявление относительно независимых 16 факторов (шкал, первичных черт) личности. Данное их качество было выявлено с помощью факторного анализа из наибольшего числа поверхностных черт личности, выделенных первоначально Кеттелом. Каждый фактор образует несколько поверхностных черт, объединенных вокруг одной центральной черты.
Однако на практике психологи сталкиваются с проблемой ручного распознавания теста, что приводит к существенному увеличению времени составления психотипа личности. Распознавание бланков теста Кеттела можно реализовать на ЭВМ, что существенно ускорит работу психологов. Обработка результатов ведется по специальному ключу, где даны номера вопросов и количество баллов, которые получают ответ a, b, c в каждом вопросе. В тех чек-боксах, где проставлена буква, обозначающая фактор, количество баллов равно нулю.
Таким образом, за каждый ответ испытуемый может получить 2, 1 или 0 баллов. Количество баллов по каждому фактору суммируется и заносится в бланк ответов, экспериментатор получает профиль личности по 16-ти факторам в сырых оценках. Эти оценки переводятся в стандартные (стены). Затем экспериментатор определяет, какое развитие получил каждый фактор: низкая, средняя, высокая, выписывает черты, характеризующие степень их развития и анализирует результаты.
Исходя из вышесказанного, актуальным является решение задач автоматизации процессов тестирования и обработки результатов. Цель
– на основе, полученных из различных источников данных разработать компьютерный тестовый контроль знаний и автоматизировать обработку бланков теста Кеттела, а также проведение анализа по независимым переменным. Для достижения цели были поставлены следующие задачи:
—изучить методы анализа данных;
—проанализировать процессы тестирования и проверки знаний;
—проектирование программной системы;
—сравнить эффективность решения различных методов анализа данных;
—применить методы регрессионного анализа к собранным данным.
Методы исследования связей между случайными величинами
В данной главе рассматриваются вопросы оценки связей между статистическими совокупностями. Подробно описываются основы и методы дисперсионного, корреляционного и регрессионного анализов, являющиеся последовательными ступенями при исследовании связей между случайными величинами.
Методами дисперсионного анализа устанавливается наличие влияния заданного фактора на изучаемый процесс, отображаемый наблюдаемой статистической совокупностью выборочных данных. Корреляционный анализ позволяет оценить силу такой связи, а методами регрессионного анализа можно выбрать конкретную математическую модель и оценить адекватность отражения ею установленной взаимосвязи случайных величин.
Дисперсионный анализДисперсионный анализ [6] является статистическим методом анализа результатов наблюдений, зависящих от различных одновременно действующих факторов, с целью выбора наиболее значимых факторов и оценки их влияния на исследуемый процесс.
Влияние различных факторов на изучаемые случайные величины (например, влияние технологического способа изготовления или режима нагрузки на долговечность технического изделия) приводит к изменению значений параметров распределения вероятностей этих величин — среднего, дисперсии или моментов более высокого порядка.
С помощью дисперсионного анализа устанавливаются изменения дисперсии результатов эксперимента при изменении уровней изучаемого фактора. Если дисперсии будут отличаться значимо, то следует вывод о значимом влиянии фактора на среднее значение наблюдаемой случайной величины.
Классические методы дисперсионного анализа основываются на следующих предпосылках: распределение исходных случайных величин нормально; дисперсии экспериментальных данных одинаковы для всех условий эксперимента (т.е. для экспериментов, выполненных на различных уровнях изучаемого фактора). Поэтому при проведении дисперсионного анализа следует предварительно проверить нормальность распределения изучаемой случайной величины и неразличимость дисперсий изучаемых совокупностей.
Корреляционный анализКорреляционный анализ [5] предполагает изучение зависимости между случайными величинами с одновременной количественной оценкой степени неслучайности их совместного изменения.
Изменение случайной величины 𝑦, соответствующее изменению случайной величины 𝑥, разбивается на две составляющие – стохастическую, связанную с неслучайной зависимостью 𝑦 от 𝑥 и случайную, связанную со случайным характером поведения самих 𝑦 и 𝑥.
Регрессионный анализРегрессионный анализ [2] – метод моделирования измеряемых данных и исследования их свойств. Данные состоят из пар значений зависимой переменной (переменной отклика) и независимой переменной (объясняющей переменной). Регрессионная модель есть функция независимой переменной и параметров с добавленной случайной переменной.
Регрессионный анализ является смежным разделом математической статистики и предназначается для изучения по выборочным данным статистической зависимости ряда величин, некоторые из которых являются случайными. При статистической зависимости величины не связаны функционально, но как случайные величины заданы совместным распределением вероятностей.
Постановка цели и задачЦель – автоматизировать обработку бланков теста Кеттела и проведение анализа по независимым переменным.
Для достижения цели были поставлены следующие задачи:
—изучить методы анализа данных;
—изучить тесты, методики оценки индивидуально-психологических особенностей личности;
—создать программный продукт, позволяющий распознать рукописные бланки с ответами на тест Кеттела;
—с помощью созданного продукта собрать данные по психотипу учащихся 8А;
—сравнить эффективность решения различных методов анализа данных. Применить методы кластерного анализа к собранным данным.
Кластерный анализМетодологические основы процедур кластерного анализа.
Основная цель кластерного [4] анализа – выделить в исходных данных такие однородные группы, чтобы объекты внутри них были похожи (сходны) в определенном смысле друг на друга, а объекты из разных групп - не похожи (разнородны).
Процедуры кластер-анализа, проводящие количественную систематизацию исходных данных, реализуют программу выделения структуры данных на основе решения задачи попарного сравнения элементов исходного массива.
Сами объекты, подлежащие структурной классификации (кластеризации), располагаются в пространстве, измерениями которого являются признаки. Если признаков 𝑛, то пространство-мерно, но в связи с возможной корреляцией признаков, размерность пространства может быть уменьшена (при потере информации). Причем, элементы одного кластера не обязательно формируются в компактной области признакового пространства, а могут быть «рассыпаны» по нему.
При этом принадлежность к классу может определяться как общими значениями всех или нескольких признаков, так и наибольшим числом общих значений признаков и ни один из признаков не определяет принадлежности к данному классу.
Первый тип классификации носит название монотетической и полезен в построении классов для очень узкого круга задач.
Второй тип называется политетической классификацией. Ее принцип построения является основой для порождения естественной систематизации объектов. Большинство методов кластерного анализа направлены на получение политетических классов. Несмотря на широкое применение кластерного анализа, общепринятого определения кластера не существует. Есть лишь интуитивное представление о том, что элементы одного кластера ближе друг к другу, чем к другим элементам вне этого кластера.
Не существует и точной постановки задачи кластерного анализа. Однако на основе общего представления о кластере может быть сформулирована следующая задача.
Из множества элементов 𝐴 = (𝑎1, 𝑎2, ..., 𝑎𝑖, ..., 𝑎𝐿) выделить совокупность подмножеств (кластеров) 𝐶 = (𝑐1, 𝑐2, ..., 𝑐𝑗 , ..., 𝑐𝑁 ) в соответствии с некоторым критерием сходства элементов. Сходство элементов множества 𝐴 обуславливается наличием признаков 𝑃 = 𝑝1, ..., 𝑝𝑘 , ..., 𝑝𝑀 , характеризующих элементы множества 𝐴.
Измеренные значения признаков для элементов 𝑎𝑖 образуют век- тор 𝑋𝑖 = (𝑋𝑖1, 𝑋𝑖2, ..., 𝑋𝑖𝑀 ). Вводя для множества 𝑋 = (𝑋1, 𝑋2, ..., 𝑋𝐿) некоторую меру их сходства, можно выполнять различные процедуры группирования (кластеризации) документов.
Данные, используемые в кластер-анализе, подразделяются по трем основным типам:
—многомерные данные,
—данные о близости (как мере сходства или несходства между двумя объектами),
—данные о кластерах.
Тогда по наиболее распространенной методике, процедура кластер- анализа разбивается на два независимых этапа.
На первом из них многомерные данные в процессе обработки преобразуются в данные о близости. Этот предварительный шаг, предшествующий кластеризации, многими рассматривается как этап вычисления показателей сходства или различия.
Для второго этапа, к которому термин «кластеризация» может быть применен непосредственно, данные о близости берутся в качестве входа, а разбиение на кластеры является выходом.
Обычно, методы кластерного анализа опираются на попарное сравнение объектов из исходного массива данных (но могут использоваться и тройки). Математические расчеты первого этапа основаны на вычислениях с помощью признаков парных функций на парах объектов. Результатом служат матрицы коэффициентов сходства или различия между всеми возможными парами объектов. Приводятся различные определения мер близости (сходства) в зависимости от того, какого типа выбрана мера.
Обычно, выделяют четыре типа мер:
—Коэффициенты корреляции – очень распространенный способ вычисления сходства между объектами. Имеет ясную геометрическую интерпретацию, как угловая мера между векторами значений при- знаков. Значения коэффициента корреляции меняются от −1 до 1, причем значение 0 указывает на отсутствие связей между объектами.
—Коэффициенты типа расстояния – применяются для интегральных или порядковых шкальных признаков. Особенностью этих мер является то, что их большие значения соответствуют меньшему сходству между объектами. Меры расстояния обычно не ограничены сверху.
—Коэффициенты ассоциативности – применяются для данных в виде двоичного кода или словесного обозначения с учетом частоты появления.
—Вероятностные коэффициенты сходства – при образовании кластеров по этим мерам вычисляется информационный выигрыш от объединения двух объектов, а затем объекты с минимальным выигрышем рассматриваются как один.
Независимо от выбора метода, в процессе его разработки можно определить два основных этапа: формализации и практической реализации.
Первый включает в себя четыре пункта:
—задание параметров кластеризации (числа кластеров, порогового значения и др.),
—определение кластера,
—выбор меры близости между кластерами,
—задание функционала качества разбиения – указывается не всегда, есть основания полагать, что итерационные процедуры отличаются от процедур объединения и перемещения (строящихся в процессе оптимизации функционала) только критерием единичного действия на каждом шаге и такие операции то же ведут к нахождению opt функционала качества разбиения).
Второй этап состоит из пяти шагов:
—отбор объектов для кластеризации (часто задается всеми имеющимися в наличии объектами), этот шаг можно рассматривать как этап предварительного исследования структуры исходных данных в том случае, если не существует никаких предположений о наличии (или отсутствии) кластеров в массиве,
—определение множества признаков, по которым будут оцениваться объекты в выборке,
—вычисление значений меры близости между объектами,
—применение метода кластерного анализа для создания групп сходных объектов.
—проверка достоверности результатов полученного решения.
По завершении процедуры кластеризации необходимо провести проверку значимости полученных результатов, т.к. с помощью различных методов можно получить различные разбиения для одних и тех же наборов данных (все зависит от целей и задач исследования).
Здесь существует два подхода.
Первый включает в себя разработку критерия оптимальности для классификации:
—можно сравнивать матрицу первоначальных парных функций с другой матрицей, представляющей отношения, порожденные классификацией (аппроксимационный подход , коффенетическая корреляция),
—можно оптимизировать функционал качества разбиения. Способы 1 и 2 связаны друг с другом: при сравнении матриц могут быть сконструированы функционалы.
—можно сравнивать внутри- и межкластерные характеристики (дисперсию, расстояние и др.).
Второй подход использует «внешние» методы:
—разделение исходного набора данных на две части и применение к ним одного и того же метода кластеризации,
—использование априорно полученных знаний о структуре,
—сравнение результатов применения метода к исходным данным и к данным, сформировано искусственно.
В целом можно отметить, что огромное количество методов кластеризации, отличающихся по цели, типу данных, мере близости и др., не позволяет создать процедуру проверки полученных результатов, подходящую для каждого из них и позволяющую корректно сравнивать методы между собой. Поэтому, на данный момент единственным общим критерием оценки результатов работы методов кластерного анализа является «критерий практической полезности».
Алгоритм k-средних.
Алгоритм -средних [3] строит 𝑘 кластеров, расположенных на воз- можно больших расстояниях друг от друга. Основной тип задач, которые решает алгоритм k -средних, наличие предположений (гипотез) относительно числа кластеров, при этом они должны быть различны настолько, насколько это возможно. Выбор числа 𝑘 может базироваться на результатах предшествующих исследований, теоретических соображениях или интуиции.
Общая идея алгоритма: заданное фиксированное число 𝑘 кластеров наблюдения сопоставляются кластерам так, что средние в кластере (для всех переменных) максимально возможно отличаются друг от друга.
Ограничения: небольшой объем данных.
Достоинства: простота использования; быстрота использования; понятность и прозрачность алгоритма.
Недостатки: алгоритм слишком чувствителен к выбросам, которые могут искажать среднее; медленная работа на больших базах данных; необходимо задавать количество кластеров.
Описание алгоритма.
Этап 1. Первоначальное распределение объектов по кластерам. Выбирается число k, и на первом шаге эти точки считаются центрами кластеров. Каждому кластеру соответствует один центр.
Выбор начальных центроидов может осуществляться следующим образом:
—выбор k-наблюдений для максимизации начального расстояния;
—случайный выбор k-наблюдений;
—выбор первых k-наблюдений.
В результате каждый объект назначен определенному кластеру.
Этап 2. Вычисляются центры кластеров, которыми затем и далее считаются покоординатные средние кластеров. Объекты опять перераспределяются.
Процесс вычисления центров и перераспределения объектов продолжается до тех пор, пока не выполнено одно из условий:
—кластерные центры стабилизировались, т.е. все наблюдения принадлежат кластеру, которому принадлежали до текущей итерации;
—число итераций равно максимальному числу итераций.
Выбор числа кластеров является сложным вопросом. Если нет предположений относительно этого числа, рекомендуют создать 2 кластера, затем 3, 4, 5 и т.д., сравнивая полученные результаты.
Алгоритм CLOPE
Назначение: кластеризация огромных наборов категорийных данных.
Достоинства: высокие масштабируемость и скорость работы, а так же качество кластеризации, что достигается использованием глобального критерия оптимизации на основе максимизации градиента высоты гистограммы кластера. Он легко рассчитывается и интерпретируется. Во время работы алгоритм хранит в RAM небольшое количество информации по каждому кластеру и требует минимальное число сканирований набора данных. Алгоритм CLOPE автоматически подбирает количество кластеров, причем это регулируется одним единственным параметром – коэффициентом отталкивания.
Программная реализацияОписание программного обеспеченияОбщие сведенияНаименование: «AnketaScan» (исполняемый файл «AnketaScan.exe»). Программа разработана в интегрированной среде Microsoft Visual Studio 2012, на языке программирования C#.
Функциональное назначение
Программа предназначена для распознавания печатных бланков определенного типа, обработки результатов тестирования и составления психографического типа личности тестируемого.
Описание логической структуры
В программе глобальными переменными являются:
заданный размер одного поля (чек-бокса) анкеты – Size Cell;
заданный размер маркера, предназначенный для определения номера анкет – Size CellEllips.
Так же заданы массивы:
Координаты маркеров – arrayXEllipses;
Координаты чек-боксов по Х и У arrayX1, arrayX2, arrayX3,
arrayУ.
В программе реализованы следующие функции:
void NormalizePhoto()– Стандартизация изображений, поступающих на вход, выравнивание по длине, а так же поиск маркеров, по которым определяется номер анкеты;
void ScanPhotoPerson()– Распознавание чек-боксов и обработка ошибок.
Установка и удаление программы
Для работы программы необходимо скопировать «AnketaScan.exe» в отдельную директорию. Для начала работы с программой необходимо запустить исполняемый файл «AnketaScan.exe» или созданный оператором ярлык, ссылающийся на этот файл. Для удаления программы необходимо удалить «AnketaScan.exe».
Вызов и загрузка
Для вызова программы необходимо запустить исполняемый файл «AnketaScan.exe» из текущей директории программы.
Точкой входа в программу является класс, создающий объект главной формы.
Входные и выходные данныеВходными данными являются сканированные изображения анкет определенного типа в формате .𝑗𝑝𝑔.
Выходными данными будут являться:
психограф тестируемого1;файл формата TXT, в который будет записан психограф, который, при необходимости, можно изменить2 HYPERLINK \l "_bookmark14" .
899998144641
Рисунок 1 – Пример психографирования
Рисунок 2 – Пример выходного файлаРуководство оператораНазначение программыПрограммное обеспечение «AnketaScan» предназначено для распознавания бланков теста Кеттела и обработки результатов тестирования. Так как на выходе мы получаем текстовый файл с результатом теста, то мы можем использовать данные для дальнейшей обработки.
Условия выполнения
Минимальные системные требования, необходимые для функционирования программы:
—процессор Pentium 500 МГц;
—оперативная память 256 Мбайт;
—свободное место на жестком, гибком, сетевом, оптическом диске объемом не менее 3 Мбайт;
—операционная система Microsoft Windows 8.1;
—устройства ввода информации (клавиатура и мышь);
—устройство вывода информации (монитор).
Запуск программ
Для начала работы с программой необходимо запустить исполняемый файл «AnketaScan.exe». После этого на экране должно появиться окно приложения3.1271866131929
Рисунок 3 – Исходное окно программы
Вывод результатов работы программы может происходить двумя способами:
—в виде поля в окне программы, где будет иллюстрироваться психограф тестируемого;
—в виде текстового файла, где представлены 16 факторов личности.
В области под цифрой 1 окно для просмотра анкет; В области под цифрой 2 для вывода результата.
В области под цифрой 4 находится индикатор выполнения программы: когда полоса дойдет до конца, покажется 100%.
В области под цифрой 5 находится имя тестируемого, что облегчает выполнение работы.
В области под цифрой 6 находится поле с координатами, необходимое для правильного распознавания бланков решений.
Кнопки «Далее» и «Назад» в области 7 необходимы для распознавания последующих психографов, если таких будет не один, причем, чтобы программа распознала все анкеты, нужно нажимать на кнопку «Далее» для каждой папки.
Кнопки «Далее» и «Назад» в области 8 необходимы для просмотра анкет их поля под цифрой 1.
Чтобы перейти к распознаванию анкет, нужно нажать кнопку «Начать», выбрать каталог с анкетами и нажать «ОК»4.2488145132004
Рисунок 4 – Обзор папок
Сообщение оператору
В случае некорректных входных данных программа выводит сообщения об ошибке.
В случае отсутствия одного или нескольких изображений в папке, оператору появится сообщение «Загрузите 3 фото в папку»5.2956788131992
Рисунок 5 – Ошибка отсутствия изображения
Если формат сканированного изображения отличается от .𝑗𝑝𝑔 или изображение нечеткое или плохо отсканировано, то программа выведет
сообщение: «изображение имеет неверный формат или неверно отсканировано»6.2465285131992
Рисунок 6 – Ошибка неправильного сканирования
Если в папке с изображениями отсутствует одно из них, то программа выведет ошибку и укажет номер отсутствующего бланка7 HYPERLINK \l "_bookmark20" .
3073946131992
Рисунок 7 – Ошибка отсутствующего бланка
Если в папке отсутствуют анкеты, то программа выдаст соотвествующую ошибку8.3308261131992
Рисунок 8 – Ошибка отсутствия анкет
3.3Выводы
В данной части было рассмотрено использование программного обеспечения для распознавания рукописных бланков теста Кеттела. Пользовательский интерфейс программы дружественен, данные представляются в наглядной форме.
4.Анализ и применение исследуемых методов
Описание исходной задачиЗадачу сбора статистических данных с респондентов можно разделить на два этапа:
—c помощью бумажных бланков;
—c помощью специальных приложений.
Основным недостатком бумажных бланков является их дальнейшая обработка. Недостатком приложений является сложность, зачастую невозможность использования ПК в различных ситуациях.
В связи с этим, было разработано приложение, позволяющее рас- познавать рукописные бланки теста Кеттела и выдающие результат по психотипу респондента.
Алгоритм работы программного обеспеченияФормализация задачи распознавания бланков тестирования:
—снять изображение бланка с устройства ввода.
—привести изображение в некий стандартный вид.
—найти на изображении ячейки, которые необходимо распознать.
—распознать ячейки.
—сохранить ответы.
Получение изображения для обработки для проведения тестирования были разработаны специальные бланки9.
Для получения данных использовался планшетный сканер как наиболее распространенное средство получения изображения.
Сканирование проводилась при параметрах: Режим: планшетный,
Носитель: черно-белый,
Размер носителя: максимальный размер. Разрешение при сканировании: 100dpi.

Заключение
В данной работе были изучены методы анализа данных, а так же тесты и методики для установления психографического портрета личности человека.
В первой и второй частях представлено описание исследуемых методов анализа данных.
Была решена задача автоматизации обработки бланков теста Кеттела. На основе полученных из различных источников данных, разработан компьютерный тестовый контроль знаний и автоматизирована обработка печатных бланков определенного образца. на бланках, собранных с учащихся 8 А класса.
Созданный программный продукт описан в третьей части. В четвертой части проведена его апробация на бланках, собранных с учеников. Полученные данные были проанализированы и на их основе выданы рекомендации кафедре по повышению эффективности процессов обучения.
Таким образом, все поставленные в работе задачи были выполнены:
—изучены методы анализа данных;
—проанализированы процессы тестирования и проверки знаний;
—спроектирована программная система, позволяющая распознавать печатные бланки определенного типа;
Литература
Карелин А. А. Большая энциклопедия психологических тестов. — М. : Эксмо, 2007. — 416 с.
Кобзарь А. И. Прикладная математическая cтатистика. Для инженеров и научных работников. — М. : ФИЗМАТЛИТ, 2006. — 816 с.
Крамер Г. Математические методы статистики. — М. : Мир, 1975. — 648 с.
Мандель И. Д. Кластерный анализ. — М. : Наука, 1988. — 176 с.
Харченко М. А. Корреляционный анализ. — Воронеж : ВГУ, 2008. — 31 с.
Шеффе Г. Дисперсионный анализ. — М. : Физматгиз, 1963. — 512 с.
Приложение 1
Таблица A.1 – Исходные данные .A B C E F G H I L M N O Q1 Q2 Q3 Q4
1 6 10 8 6 6 7 7 5 3 6 8 3 5 6 6 4
2 6 7 7 6 5 5 8 7 4 5 2 4 5 7 7 6
3 8 10 8 6 6 7 7 6 3 6 8 3 6 7 7 4
4 8 10 8 8 2 3 6 8 5 8 5 5 6 6 6 7
5 8 5 7 10 8 5 8 4 9 8 6 5 6 4 5 9
6 9 9 8 8 7 6 3 7 3 7 6 2 3 8 7 4
7 6 9 8 6 5 7 7 5 8 7 4 4 4 9 5 3
8 3 7 5 7 6 4 4 8 9 8 5 6 8 7 3 7
9 7 5 4 8 5 5 7 7 6 7 6 5 6 7 2 7
10 8 7 6 3 8 5 2 8 7 6 7 6 5 7 5 8
11 6 10 8 6 6 7 7 5 3 6 8 3 5 6 6 4
12 6 7 7 6 5 5 8 7 4 5 2 4 5 7 7 6
13 8 10 8 6 6 7 7 6 3 6 8 3 6 7 7 4
14 8 10 8 8 2 3 6 8 5 8 5 5 6 6 6 7
15 8 5 7 10 8 5 8 4 9 8 6 5 6 4 5 9
16 9 9 8 8 7 6 3 7 3 7 6 2 3 8 7 4
17 6 9 8 6 5 7 7 5 8 7 4 4 4 9 5 3
18 3 7 5 7 6 4 4 8 9 8 5 6 8 7 3 7
19 7 5 4 8 5 5 7 7 6 7 6 5 6 7 2 7
20 8 7 6 3 8 5 2 8 7 6 7 6 5 7 5 8
21 6 10 8 6 6 7 7 5 3 6 8 3 5 6 6 4
22 6 7 7 6 5 5 8 7 4 5 2 4 5 7 7 6
23 8 10 8 6 6 7 7 6 3 6 8 3 6 7 7 4
24 8 10 8 8 2 3 6 8 5 8 5 5 6 6 6 7
25 8 5 7 10 8 5 8 4 9 8 6 5 6 4 5 9
26 9 9 8 8 7 6 3 7 3 7 6 2 3 8 7 4
Продолжение таблицы A.1A B C E F G H I L M N O Q1 Q2 Q3 Q4
27 6 9 8 6 5 7 7 5 8 7 4 4 4 9 5 3
28 3 7 5 7 6 4 4 8 9 8 5 6 8 7 3 7
29 7 5 4 8 5 5 7 7 6 7 6 5 6 7 2 7
30 8 7 6 3 8 5 2 8 7 6 7 6 5 7 5 8
31 6 10 8 6 6 7 7 5 3 6 8 3 5 6 6 4
32 6 7 7 6 5 5 8 7 4 5 2 4 5 7 7 6
33 8 10 8 6 6 7 7 6 3 6 8 3 6 7 7 4
34 8 10 8 8 2 3 6 8 5 8 5 5 6 6 6 7
35 8 5 7 10 8 5 8 4 9 8 6 5 6 4 5 9
36 9 9 8 8 7 6 3 7 3 7 6 2 3 8 7 4
37 6 9 8 6 5 7 7 5 8 7 4 4 4 9 5 3
38 3 7 5 7 6 4 4 8 9 8 5 6 8 7 3 7
39 7 5 4 8 5 5 7 7 6 7 6 5 6 7 2 7

Приложение 2
Перечень факторов
Замкнутость (шизотимия)
Общительность (аффектотимия)
Низкий интеллект
Высокий интеллект
Эмоциональная неустойчивость (слабость ‘Я’)
Эмоциональная устойчивость (сила ‘Я’)
Приспособляемость (конформность)
Самоуверенность (доминантность)
Сдержанность (десургенсия)
Импульсивность (сургенсия, экспрессивность)
Безответственность (низкое супер-эго)
Ответственность (высокое супер-эго)
Робость, нерешительность (тректия)
Смелость, предприимчивость (парамия)
Практичность (харрия)
Мягкость, нежность (премсия)
Доверчивость (алаксия)
Подозрительность (протенсия)
Практичность (праксерния)
Мечтательность (аутия)
Прямолинейность
Дипломатичность
Беспечность (гипертимия)
Обеспокоенность (гипотимия)
Консерватизм
Радикализм
Зависимость от группы
Самостоятельность (самодостаточность)
Небрежность (низкое самомнение)
Самолюбие (высокое самомнение)
Расслабленность, вялость (низкая эго-напряженность)
Собранность, энергичность (высокая эго-напряженность)
Низкая тревожность
Высокая тревожность
Внутренняя направленность (интроверт)
Внешняя направленность (экстраверт)
Чувствительность
Уравновешенность
Подчинение (конформность)
Смелость
Приложение 3
Бланк ответа