экстраверсии. Рабочая группа отметила положительную корреляцию с коэффициентом 0,13 для двух указанных переменных. Иными словами, чем больше было количество входящих звонков на смартфонах, тем выше участники оценивали свой показатель экстраверсии. Однако это не единственный вывод. На самом деле в этой научной работе сообщалось о стольких корреляциях подобного рода, что все и не перечислишь. Могу сказать лишь следующее: несмотря на то что исследование статистически подтвердило связь между отдельными показателями использования смартфона и чертами личности[284], в реальной жизни это не настолько заметно. Я уже рассказывал о величинах корреляции (пояснения к таблице 3.1 в главе 3), и вы уже знаете, что коэффициент корреляции в 0,13 считается маленьким. Следовательно, мы не можем делать надежных выводов относительно свойств личности человека, которые он указал в самоотчете, на основе одной переменной из лог-файла. Да, для тех участников данного исследования (83 человека), кто принял больше входящих вызовов,
чуть более вероятна
чуть более высокая степень экстраверсии, но давайте посчитаем. Если бы я знал, сколько входящих вызовов в среднем получили респонденты, то мог бы рассчитать долю объясненной дисперсии[285] для черты «экстраверсия» в изучаемой группе и получить примерно 1,69 %[286]. Возможно, этот результат вас и удовлетворит. Но разве это вся информация, которую мы можем получить благодаря психоинформатике? Или мы можем увеличить этот процент, а следовательно, и информативность цифровых следов? На самом деле уже сегодня существуют различные способы, как усовершенствовать анализ личности по цифровым следам.
Этого можно добиться, в частности, за счет более глубокой диагностики. В работе группы Гокула Читтаранджана для оценки параметров личности использовался очень короткий опросник (TIPI)[287]. С помощью такой небольшой анкеты можно провести лишь самый поверхностный скрининг личностных качеств человека и получить только общее представление о нем. Если использовать более подробные опросники, то можно выявить большее число корреляций между отдельными параметрами, взятыми со смартфона, и данными самоотчета. При использовании более совершенных личностных опросников коэффициент корреляции в некоторых исследованиях увеличился до более чем 0,30[288]. Например, в работе моей исследовательской группы коэффициент корреляции переменной из лог-файла «количество входящих звонков на смартфоне» и личностной черты «экстраверсия» составил 0,36 (0,36 × 0,36 = 0,1296 × 100 = 12,96 % объясненной дисперсии). Скачок с 1,69 % до примерно 13 % объясненной дисперсии – это уже весьма приличный результат, но он все еще не позволяет сделать хороший прогноз о личностных характеристиках конкретного человека, основываясь только на цифровых маркерах. Да, теперь мы знаем, что человек, которому часто звонят, с чуть большей вероятностью относится к экстравертам (а может быть, он вообще душа компании!), но мы по-прежнему говорим о вероятностных взаимозависимостях, обладающих лишь некоторой степенью достоверности для описания исследуемой выборки. Можем ли мы повысить предсказательную силу нашей теории с помощью дополнительных мер? Да!
Прогноз станет еще точнее, если в статистическом анализе одновременно будет учитываться больше данных со смартфона. К примеру, лог-файлы содержат бесчисленное количество информации о звонках, и ее всю можно проанализировать. Взять хотя бы такие параметры, как продолжительность телефонных разговоров, количество входящих и исходящих звонков, количество различных людей, с которыми человек контактирует, или размер активной и пассивной социальной сети (под термином «активная социальная сеть» подразумеваются люди, с которыми человек регулярно общается). Эта информация представляет для нас интерес, поскольку многие хранят в памяти телефона номера, по которым уже давно не звонят.
Итак, теперь мы можем сопоставить и подвергнуть статистическому анализу все эти переменные одновременно и сделать предположения о характере человека или других его личностных качествах. В частности, мы можем применить статистический метод машинного обучения, чтобы объединить множество источников данных в одну статистическую модель. Здесь нужно вспомнить исследование Гокула Читтаранджана и отметить: несмотря на то что диагностика личности в его работе проходила несколько поверхностно, машинное обучение позволило значительно увеличить точность прогноза личностных характеристик, когда в единую статистическую модель подсчетов были собраны как оценки участников, так и данные, полученные со смартфона. После медианного разделения личностных переменных (например, разделения их на две группы по признаку экстраверсии/интроверсии)[289] точность предсказания характеристики достигла 75,9 %, а в случае черты «добросовестность» – 74,4 %. Иными словами, вероятность правильных прогнозов при оценке личностных черт на основе данных смартфона стала значительно выше, чем при подбрасывании монетки. Без медианного разделения, но с применением самых современных статистических методов и сбора со смартфона нескольких категорий данных (касающихся общения, прослушивания музыки, передвижений и так далее) у 624 участников исследования удалось достичь коэффициента корреляции 0,40[290].
Что же мы можем в итоге сказать о смартфоне как инструменте для диагностики личности? Психологи, говоря о научных работах, любят использовать образ трех слепцов из индийского фольклора, которые пытаются понять, что представляет собой легендарное животное – слон. Первый слепой ощупывает хобот и говорит, что он похож на змею. Второй, стоящий сбоку от слона, напротив, чувствует гигантскую стену. Третий, стоящий у хвоста, сообщает, что животное больше похоже на копье. Мораль сей басни такова: изучение отдельных элементов часто не позволяет увидеть картину целиком. Чтобы получить максимально точное представление о человеке, необходимо также изучить его поведение с разных сторон и как можно точнее зафиксировать интересующую нас переменную (в данном случае характер) с помощью психометрии. Исследование может быть успешным лишь в случае, если используются психометрически корректные и надежные опросники. Кроме того, рассматривая источники потенциальных ошибок в такой научной работе, нельзя не отметить, что не каждый респондент способен хорошо оценить свои личностные качества, поэтому вопрос, насколько полно тест отражает все аспекты внутреннего мира, остается дискуссионным.
В целом смартфоны – универсальный и мощный источник данных. Неудивительно, что они всё чаще задействуются в психологических исследованиях, а на основе лог-файлов ученым удается делать точные заключения по многочисленным психологическим переменным (таким как характер) и различным психопатологическим состояниям. Еще в 2012 году был опубликован «Манифест психологии смартфонов»[291], в котором предсказывались грядущие изменения в психологических исследованиях из-за широкого распространения смартфонов.
Если задуматься о том, сколько в современном телефоне датчиков, мы поймем, что, пожалуй, только начинаем осмыслять смартфоны как источник данных, особенно если учесть, как мало внимания им раньше уделяли психодиагностические исследования[292]. Например, психодиагностика могла бы рассмотреть, как переменные окружающей среды влияют на настроение человека, исходя из информации о яркости освещения или погоде. Допустим, если датчики фиксируют, что в помещении, где находится смартфон, светит солнце, участники исследования могут чувствовать себя бодрее[293].
Согласно устоявшимся в науке представлениям, большие данные можно охарактеризовать тремя V: объемом (volume), многообразием (variety) и скоростью
