Обработка социометрии в excel: Социометрия в Excel

Опубликовано 04.07.197401.09.2021 автором alexxlab

Содержание

Обновленная версия компьютерной обработки социометрии в программе MO Excel

Инструкция

Создание и расширение электронной базы данных социометрии.

Данные, которые мы получаем при помощи компьютерной обработки, хранятся в программе до тех пор, пока мы не начнем обрабатывать новые данные. Есть два способа их сохранить: распечатать или скопировать в отдельный файл. Я рекомендую оба эти способа. Но, если распечатать можно, просто нажав клавишу печати, то для их копирования в электронном виде, необходимо подготовить для этого специальный файл. В приложении у вас есть основа, необходимая для создания такого файла (см. Приложение 1). Он предназначен для хранения данных четырех классов одной параллели по двум выборам (дружескому и учебному).

Его можно либо расширить на большее число классов, либо сократить. Обратите внимание на вкладки, Первая буква – означает класс, необходимо только спереди дописать номер класса. Вторая буква, в скобках, означает тип выбора: (д) – по дружескому мотиву, (у) – по учебному мотиву. Таким образом, на каждый класс приходится по две вкладки.

С данным файлом необходимо сделать следующее:

Скопировать его в папку, где вы будете накапливать данные.
Изменить название файла, обозначив обрабатываемые классы и год (например: «социометрия 7-е классы 2010»).
Открыть и дописать номер класса в названиях вкладок. Например, мы хотим, что бы на первой вкладке хранились данные выборов и отклонений по дружескому мотиву 7а класса:

Теперь в этот файл, выбирая соответствующие вкладки, можно вставлять данные из программы, и у вас будет создаваться своя электронная база данных по социометрии.

Подготовка программы к обработке конкретного класса

Файл обработки программы называется «Приложение 2». В этом файле присутствует много технических вкладок. Вам понадобятся только четыре из них, выделенные желтым и зеленым цветом. В желтых вкладках необходимо вписывать данные, с зеленых распечатывать или копировать данные. Для получения обработанных данных необходимо пройти следующие этапы:

Отрыть вкладку «Список».

В открывшемся окошке найти слева желтый столбик и вставить в него список учащихся класса.

Если неоткуда вставлять список, его можно напечатать самостоятельно. В списке важно не допускать лишних пробелов, так как они влияют на работу программы. Желательно сделать список в формате Фамилия и Имя. Рекомендуемое количество участников – 26 и меньше.

Заполнить желтые клеточки с подписями «Класс», «Дата» и «Мотив».
Перейти на желтую вкладку «Ввод данных».

Ввод данных в программу обработки.

Теперь можно вводить данные. Для этого вы берете листочек с ответом конкретного учащегося из класса, смотрите, кого он выбрал, а кого отклонил (если такие есть), находите фамилию учащегося в списке и начинаете, справа от него, вписывать фамилии тех, кого он выбрал и отклонил. Есть некоторые рекомендации, которые надо знать во время ввода данных:

Если в классе нет одинаковых фамилий, то практически все фамилии вводятся при помощи автозаполнения после набора двух-трех первых букв. Когда система автозаполнения высвечивает вам набираемую фамилию, достаточно нажать стрелочку «вправо» на клавиатуре, и можно уже набирать следующую фамилию. Одинаковые или похожие фамилии вводятся до тех пор, пока не будет напечатан отличающий их символ.

Но для этого необходимо, что бы между списком слева и заполняемой клеточкой не было пустых ячеек

. А иногда бывает так, что учащиеся пропускают некоторые выборы или вообще пишут только те, кого они отвергают в классе. Тогда в пустых клетках необходимо поставить хоть какой-нибудь знак пробела (пробел в клеточке не видно, но система автозаполнения уже считает, что эта клеточка не пустая) и заполнять следующие.

Заполнять данные рекомендуется только через автозаполнение, так как важен каждый символ набираемой фамилии. Если фамилия хоть чем-то будет отличаться от фамилии в первоначальном списке, программа ее не посчитает.
Желтое поле – те, кого выбирают; голубое поле – те, кого отклоняют.

Знакомство с результатами обработки

Если вы все сделали правильно, то в результате вы получаете две заполненные зеленые вкладки: «Печать (26)» (цифра в скобочках означает, что лист рассчитан на 26 человек) и «Микрогруппы». Их можно сразу распечатывать.

На листе «Печать (26)» автоматически подсчитывается количество выборов, отклонений, взаимные выборы и отклонения, а так же неадекватные выборы и отклонения (неадекватный выбор – учащийся выбирает того, кто его отклонил, неадекватное отклонение – учащийся отклоняет того, кто его выбрал). Дополнительно рассчитывается индекс конфликтности группы (напомню, что средний диапазон конфликтности: I_k= 0,66 – 1,33), числовое значение социометрического индекса каждого учащегося («C_i» в графическом виде справа от таблицы), уровень эмоциональной экспансивности («A») и индекс групповой сплоченности («G»).

На листе «Микрогруппы» вы можете увидеть фамилии учащихся, объединенные в получившиеся микрогруппы. В нижней части листа микрогруппы объединены взаимным отклонением, то есть у них взаимная неприязнь. Эта информация предназначена для более полного представления социальной картины в классе и планирования дальнейшей работы с участниками социометрии.

Правильный перенос данных из программы в базу

В электронном виде желательно сохранять данные только с листа «Печать (26)» Для этого нужно выполнить следующий алгоритм:

На листе «Печать (26)» выделить данные с самой верхней левой клеточки

до самой нижней правой (той, где написано значение индекса конфликтности).

Нажать на выделенную область правой кнопкой мыши и выбрать опцию «Скопировать».
Открыть или развернуть файл, в котором вы будете сохранять данные и выбрать соответствующую вкладку.
Нажать левой кнопкой мыши на верхнюю левую клеточку (что бы выделить только ту зону, с которой начнется перенос данных).

На ту же клеточку нажать правой кнопкой и выбрать опцию «Вставить»
Важно! Нажать на появившуюся вкладку (маленький квадратик справа внизу) опций копирования и выбрать «Только значения». Это необходимо сделать из-за особенностей программы Excel, которая по умолчанию вставляет не данные, а ссылки на данные. Если этого не сделать, то при обработке новых данных, предыдущие сотрутся!

Альтернативный способ хранения данных

Если предыдущий способ сохранения данных показался вам слишком неудобным, можно им не пользоваться и хранить данные только в распечатанном виде. Но я настоятельно рекомендую сохранять данные в электронном виде. Есть еще один вариант всегда иметь под рукой электронную базу данных социометрии. Он требует больше памяти от компьютера, но вы в любой момент сможете дописать или исправить данные. Для этого всегда, перед началом работы, копируйте оригинальный файл программы обработки социометрии, и переименовывайте название на более информативное. Например: «Социометрия (вер_7_0) – копия» на «7а дружба (январь 2013)». В этом случае у вас на каждый класс будет скопирована программа целиком, и вы легко сможете распечатать результаты заново. Таким образом, у вас будет создаваться электронная база данных социометрии в удобном и систематическом виде. Не забывайте часто сохраняться и дублировать данные распечатыванием. В данной инструкции описаны самые основные возможности программы.

Справка по обработке социометрии — Социоматрица.Онлайн

Рассмотрим обработку социометри с использованием сервиса Социоматрица.Онлайн на примере.

Допустим, мы провели исследование по методике социометрии, у нас на руках есть бланки с выборами испытуемых. Теперь все это дело нужно посчитать и обработать.

Для начала регистрируемся на сайте, затем приступаем к обработке.

Обработка состоит их четырех этапов:

1. Получить список испытуемых в формате XSLX или CSV

2. Добавить протокол на сайте

3. Проставить все выборы испытуемых

4. Сохранить/напечатать результат.

Рассмотрим все это подробнее и по шагам. Будем использовать Яндекс.Браузер. В Google.Chrome и современной Opera все делается аналогичным образом.

1. Получаем список испытуемых в формате XSLX или CSV

Структура такого файла достаточно проста — это таблица с одной колонкой с ФИО испытуемых.

Можно использовать «родной» формат экселя XLSX — книгу Microsoft Excel с версии 2007. Если у вас список в формате XLSX, то можете использовать сразу ваш файл и переходить к шагу 2.
Если у вас старый формат книги xls, или иной другой табличный формат, его нужно сперва преобразовать в CSV (формат разделитель запятые).

Скачать пример файла с группой, XLSX

Пример получения файла CSV из другого табличного формата при помощи excel

2. Добавляем протокол на сайт и заполняем выборы в нем

Заходим на сайте в свой рабочий стол. Даем имя протоколу исследования:

Жмем кнопку «выберете файл», и выбираем тот CSV файл со списком, который мы только что создали на своем компьютере. Жмем кнопку добавить.

Важно! С версии 0.912 можно добавлять протокол и испытуемых позже. Процесс описан ниже.

После этого наш протокол исследования появился в списке слева (прим.: в последней версии колонки добавления и списка поменяны местами). Можем работать.

Для удаления протокола с сайта и всех испытуемых в нем воспользуйтесь кнопкой «удалить» в ленте протоколов:

3. Добавление выборов, заполнение и редактирование анкет

Галочка в столбике «изменить» говорит о том, что сейчас мы редактируем выборы этого человека, когда мы её снимем, выборы сохранятся, и появится «да» в столбике «заполнялись ли выборы?» напротив фамилии:

Заполняем выборы. Положительные подсвечиваются зеленым, отрицательные желтым. Если проставили выбор ошибочно, ставим точечку в столбике «снять», выбор снимется:

Если оказалась, что у Вас старый список группы, а кто-то выбыл, то его можно удалить из исследования, или добавить того, кто прибыл:

Важно! Можно переименовывать испытуемых. В момент заполнения выборов, ФИО испытуемого становится редактируемым:

4. Просмотр и сохранение результатов

Когда все выборы проставлены, смотрим результаты (общий отчет или диаграмму взаимных выборов):

Видим результаты:

Результаты можно сразу распечатать или сохранить в папочку на свой компьютер.

По каждому испытуемому считаются персональные социометрические индексы: Социометрический статус и Эмоциональная экспансивность

А также доступен отдельный отчет по каждому испытуемому (с возможностью скачать по каждому испытуемому отдельно):

Сохранение результатов

С версии 1.2 появилась возможность скачивать результаты в pdf.
Для этого необходимо кликнуть на ссылку в правом верхнем углу «Скачать в pdf»:

На сайте результаты тоже остаются но ТОЛЬКО ДЛЯ ВАС. Вы сможете позже к ним вернуться введя свой логин и пароль. Ваши данные не будут переданы третьим лицам.

Также в результатах будут построены графы положительных и отрицательных выборов с возможностью менять расположение узлов для более удобного их чтения. Мы постарались с помощью компьютера сделать расположение наиболее оптимальным, но возможность поменять масштаб и расположение в них остались.

Про графические социограммы и графы выборов можно почитать на отдельной странице справки.

Можно скачать или напечатать результаты на трех языках: Русский, Український, English. Для этого в результатах есть соответствующие ссылки:

Печать результатов обработки социометрии

Если нужно документ сразу пустить на печать, то жмем кнопочку «напечатать» в верхнем правом углу:

Выбираем настройки печати. Обратите внимание на галочку «фоновые цвета и изображения» и «верхние и нижние колонтитулы». Печатаем.

Также можно и самостоятельно проделать путь сохранения в PDF через печать в файл

Попробуйте самостоятельно использовать сервис, начните с рабочего стола .

Поделиться в соц. сетях:

5. Способы обработки социометрических данных

Существует три основных способа обработки социометрических данных: табличный, графический и математический.

Табличныйспособ заключается в построениисоциоматрицы– специальной таблицы, в которую заносятся все данные о выборах в группе (табл. 2). Обычно социоматрица строится отдельно для каждого критерия (эмоционального и деятельностного). Положительные и отрицательные выборы можно заносить в одну таблицу. Можно строить и суммарные социоматрицы сразу по нескольким критериям, однако для этого потребуется специальные навыки и повышенная внимательность. Социоматрица позволяет произвести количественный подсчет выборов, что сразу дает представление о ранжировании членов группы по числу предпочтений и отклонений.

Таблица 2

Образец социоматрицы

№

Кто

выбирает

Кого выбирают

Итого отдано выборов

полож.

отриц.

всего

п.ч.

с.е.

и.л.

х.я.

о.б.

л.и.

о.н.

г.с.

и.к.

Получено выборов

–

Всего

Если в опросе проводилось ранжирование выборов, то необходимо добавить в таблицу строку «Точный подсчет», при этом используется следующая схема: за предпочтение, сделанное в первую очередь приписывается максимальное количество баллов, равное числу ограничения выборов; за каждый последующий – на один балл меньше. Например, если ограничение составило три, то первому выбору приписывается три балла, второму – два, третьему – один балл. В таблице 3 приведен пример с подсчетом выборов при ограничении с числом два, следовательно, при точном подсчете за «выбор в первую очередь» присваивается 2 балла, а за «выбор во вторую очередь» – один балл.

Таблица 3

Пример социоматрицы для группы численностью 10 чел.

Деловой критерий – «С кем из твоей группы ты стал бы готовить доклад на конференцию? В первую очередь, во вторую очередь»

№	Кто выбирает	Кого выбирают										Отдано выборов
№	Кто выбирает											Отдано выборов
	павел			1			2					2
	игорь						1					1
	федор				2	1						2
	андрей			1		2						2
	григорий			1	2							2
	олег							1		2		2
	роман						1				2	2
	устин			1	2							2
	дмитрий						2	1				2
	алексей							1				1
Всего получено выборов		0	0	4	3	2	4	3	0	1	1	18
Точный подсчет		0	0	8	3	3	6	6	0	1	1	36

Данные социоматрицы позволяют выявить определенные статусные позиции членов группы: звезды, предпочитаемые, принятые, изолированные. «Звезды» – те, кто получает наибольшее количество выборов в группе и, следовательно, имеют наивысший социометрический статус в группу, в нашем случае (см. табл. 3) это Федор и Олег, которые имеют по четыре выбора. В разряд «предпочитаемые»вошли три человека, имеющие по 2–3 выбора. К«принятым»относятся те, кто получил один выбор,изолированныхпо данному критериюв рассматриваемой группе два человека. Следует подчеркнуть, что все категории позиций получены как следствие использования определенного критерия и, на основании только лишь данных социометрии психолог не может делать выводы об окончательном распределении статусов в группе, навешивая «ярлыки» на участников группы. Применение других критериев может дать иную картину внутригрупповой дифференциации. В рассматриваемом случае не выделяется категория «отвергаемые», т.к. применялся только положительный критерий.

Задача определения статуса не такая простая, как может показаться на первый взгляд. Она усложняется в ситуации, когда количество положительных и отрицательных выборов уравновешивается. Предлагаемые в литературе ориентиры в основном касаются распределения положительных выборов, а сочетание их с отрицательными не рассматривается. Так, Я.Л. Коломинский предлагает на примере анализа школьных классов считать, что «звезды» получают 6 и более выборов, «предпочитаемые» – 3 – 5 выборов, «принятые» – 1 – 2 выбора [5]. Однако существует и более точная схема подсчета. На симпозиуме по изучению коллективов социометрическими методами (Тарту 1968 г.) была принята следующая схема соотнесения количества предпочтений каждой ролевой позиции^¹². Сначала необходимо определить число m по формуле:

m=R / N

R – общее количество сделанных положительных выборов;

N –число членов группы;

m – среднее количество выборов.

Отнесение в ту или иную группу происходит на основании социоматрицы. Социометрическому статусу (St) в данном случае соответствует количество полученных выборов (табл. 4).

Таблица 4

Границы социометрического статуса

Название группы	Число выборов
Звезды	St m + 2
Предпочитаемые	St > m + 1
Принятые	St = m — 1
Изолированные непринятые)	St < m — 1
Пренебрегаемые	St <m — 2
	Сигма () – квадратическое отклонение

По результатам социометрии можно выделить микрогруппы. Для этого в таблицу, аналогичную таблице 3, в первую строчку вписываются фамилия и номер любого члена группы, имеющего взаимный выбор (а в 1-й столбец — также его номер). Допустим, номер 1 – Надежда (см. таблицу 5). В последующие строчки и столбцы вписываются фамилии и номера тех, кто находится с ним во взаимном выборе (4; 7;16). Выборы помечаются крестиками, взаимные – звездочками. Затем вписываются те, кто находится во взаимном выборе со вторым записанным, с третьим и т.д. до тех пор, пока эта цепь не обрывается. Далее формируется следующая подгруппа. Затем то же повторяется с любым следующим, имеющим взаимные выборы, и т.д.. Последними заносятся те, кто их не имеет.

Микрогруппы располагаются по диагонали, проходящей из левого верхнего в правый нижний угол таблицы. Численность их, как правило, колеблется от 2 до 7 человек.

В таблице 5 хорошо видны две подгруппы, тяготеющих друг к другу людей в коллективе.

Таблица 5

Выделение микрогрупп в социоматрице

№

Кто выбирает

Кого выбирает

Надежда

Егор

Тамара

Катерина

Ольга

Леонид

Дмитрий

Ульяна

Николай

Александр

Михаил

Следующий способ обработки данных – графический.Он заключается в построении социограммы. Социограмма – схематическое изображение реакций членов группы друг на друга, устанавливаемых на основании выбора, т.е. при ответах на социометрический критерий. Она позволяет произвести сравнительный анализ структуры взаимоотношений с помощью специальных знаков (условных обозначений). Социограмма служит для представления структуры группы на плоскости. По всей видимости, возможно и пространственное, объемное расположение структурных единиц и их взаимосвязей, в этом смысле некоторые игровые социометрические процедуры напоминают моделирование объемной социограммы (см. раздел «Другие варианты»).

Виды социограмм.Обычно используются три вида социограмм: произвольные, локограммные, и концентрические.

Социограмма произвольного видапоказывает комбинацию связей с наиболее удобным расположением членов группы по результатам выборов. В такой социограмме употребляются следующие условные обозначения:

	положительный выбор
	взаимный положительный выбор
——————-	отрицательный выбор
	участник группы женского пола
	участник группы мужского пола

В зависимости от количества связей в социограмме могут быть выделены определенные элементы структуры: изолированные, диады, триады, тетрады и другие. Изолированный элемент– это индивид, не связанный с другими. Связь между двумя элементами обозначается какдиада,эта структура встречается во всех группах и характеризует наиболее устойчивые доверительные связи между двумя людьми.Триады, тетрады и другие виды связей, состоящие из большего числа элементов, часто составляют «ядра» коллективов или являются отдельными группировками внутри группы. Почти все элементы внутри этих структур симметрично связаны между собой.

На основании данных таблицы 3, можно построить социограмму такого типа (рис.1).

Рис.1. Пример социограммы произвольного вида

Построение социограммы требует от социометриста терпения и тщательности, не раз приходится перестраивать социограмму, которая должна как можно более близко показывать имеющиеся в коллективе группировки, наличие зон напряженности. Сначала на чертеже помещают тех, кто получил наибольшее число выборов, далее стрелками изображают те предпочтения, которые они сделали, и постепенно переходят ко всем оставшимся элементам групповой структуры. Как правило, в группе не бывает одного общепризнанного лидера, к которому тяготели бы все члены, на социограмме должно быть в наглядной форме показано расположение полюсов притяжения отталкивания в группе. Так, на рис. 1 хорошо заметно образование двух подгрупп: ядром первой подгруппы являются участники с номерами 6, 9 и 7, ядром второй – участники 3, 4 и 5. Участнику №1 хочется примкнуть к «лидерам» обеих группировок, однако он остается непризнанным ими. Участники №2 и №8 тяготеют к различным подгруппам. Возможность построения на плоскости сил отталкивания, при наличии отрицательного критерия, позволила бы прояснить, где возникает напряженность: внутри подгрупп или между этими подгруппами.

Социограмма локограммного видарасполагает на плоскости членов группы так, чтобы это моделировало деятельность, расположение в помещении. Локограммная социограмма для рассмотренной выше группы представлена на рис. 2, прямоугольники обозначают в данном случае столы в аудитории.

Рис. 2. Пример социограммы локограммного вида

На локограммной социограмме также видно расположение подгрупп. Очень часто люди в помещении, являющимся местом их работы или учебы, занимают пространство близкое к тем, кто им наиболее симпатичен. В научно-популярной психологической литературе можно встретить мнение, что место человека в пространстве помещения связано с его личностными качествами, например, слева сидят, те, кто наиболее критичен, или с положением в группе, например, в центре сидят лидеры группы, а аутсайдеры занимают «камчатку». Эта упрощенная трактовка сложных процессов, которые происходят в группе, может сбить неопытного социометриста с толку. Большое количество переменных влияет на процесс местонахождения: отношение к процессу деятельности; люди сидят не там, где им хотелось бы, а там, где досталось место; вовлеченность в жизнь группы на этом отрезке времени; школьная привычка сидеть у окна (как посадила первая учительница), взаимные симпатии и антипатии и т.д.

Концентрические или мишеневыесоциограммырасполагают всех членов группы на концентрических окружностях, каждая из которых соответствует описанным выше групповым позициям: звезды, предпочитаемые, принятые, изолированные, отвергаемые. Такая социограмма может быть удобна для анализа отношений в многочисленных группах, например школьных классах по 35-40 человек, однако, она не всегда позволяет достаточно полно раскрыть взаимосвязи и образование подгрупп. Во внутренний круг социограммы попадают «звезды», в следующий за ним – «предпочитаемые», далее – «принятые», «изолированные». Если в исследовании использовался отрицательный критерий, то можно нарисовать еще один внешний круг для «отвергаемых». Однако при построении кругов часто возникают сложности, особенно если члены группы имеют и отрицательные, и положительные выборы. В такой ситуации явно проявляется ограниченность мишеневой социограммы, из всех видов социограмм эта является наименее предпочтительной. Кроме того, сам вид социограммы задает для психолога «ярлыковое» мышление, побуждающее его делать поспешные, часто неверные выводы о структуре взаимоотношений в группе и статусе того или иного члена группы. На рис. 3 приводится социограмма по данным таблицы 3. Иногда на такой социограмме также, как и на других социограммах, стрелками показывают взаимные предпочтения и отвержения.

Рис. 3. Пример концентрической социограммы

Построенная концентрическая социограмма позволяет определить уровень благополучия взаимоотношений (УБВ). Это понятие было введено Я.Л.Коломинским, который предложил выделить три градации УБВ: высокий, средний, низкий. Если обозначить, что

I градация – «звезды»,

II градация – «предпочитаемые»,

III градация – «принятые»,

IV градация – «изолированные»,

то уровень благополучия взаимоотношений необходимо соотнести со следующими условиями.

УБВ	Условия
высокий	I + II > III + IV
средний	I + II = III + IV
низкий	I + II < III + IV

Это означает, что если в первую и вторую градацию попало больше человек, чем в третью и четвертую, т.е. количество предпочитаемых и звезд составляет подавляющую часть группы, то уровень благополучия можно считать высоким. Такое определение уровня благополучия взаимоотношений – процедура не математическая и не лишенная недостатков. Как известно средних значений должно быть большинство, а условие, задающее равенство встречается на самом деле довольно редко, поэтому прибегать к индексу УБВ в научно-практических исследованиях вряд ли стоит.

Все рассмотренные выше социограммы называются групповыми, однако, при необходимости может быть построена и индивидуальная социограмма, на которой схематически изображаются предпочтения и отклонения, сделанные каким-то членом группы.

Математические индексы.Математические способы обработки данных заключаются в подсчете математических показателей, которые можно разделить на индексы групповые и индивидуальные. Наиболее используемые показатели – индекс социометрического статуса и индекс групповой сплоченности. Необходимость их применения чаще диктуется какими-то исследовательскими целями, чем практическими задачами. Математическая обработка позволяет сравнивать различные по составу группы, проводить корреляционные процедуры, статистический анализ данных.

Индивидуальные индексы. Индекссоциометрического статусаявляется показателем предпочтения или какого-либо члена группы со стороны остальных ее участников. Статусом в социальной психологии называется положение субъекта в системе межличностных отношений, определяющее его права, обязанности и привилегии. В различных группах один и тот же индивид может иметь разный статус, т.е. различное влияние на собратьев по группе. Социометрический статус отражает положение субъекта в сфере неформальных межличностных отношений в группе, его показатель (количество предпочтений) может в значительной мере расходиться с официальным статусом человека в группе. Количество предпочтений указывает на величину положительного социометрического статуса (S i +).Количество отвержений обычно связывают с понятием отрицательного статуса (S i -), однако, на наш взгляд более корректно было бы говорить об индексе отвержения. Чтобы высчитать социометрический статус, необходимо воспользоваться данными социоматрицы.

Индекс социометрического статуса i– члена группы определяется по формуле:

 (Ri+)

Si⁺=^{___________ ,}

N – 1

где Ri⁺– полученныеi-членом положительные выборы,– знак алгебраического суммирования числа полученных выборов i-члена, N – число членов группы.

Индекс отверженияi– члена группы определяется по формуле:

 (Ri ^–)

Si^–=^{____________ ,}

N — 1

где Ri ^–– все полученныеi-членом отрицательные выборы.

Существует также и такой вариант подсчета индекса социометрического статуса, в котором учитываются и положительные и отрицательные выборы.

 (Ri ⁺+ Ri ^–)

Si=^{_____________________}

N — 1

Если в процедуре социометрии не учитывается ранжирование выборов, их точный подсчет, то величина социометрического статуса колеблется от нуля (отсутствие выборов) до единицы (все члены группы оказывают предпочтение).

Второй вид персональных индексов – эмоциональная экспансивность, которая выражается в количестве всех совершаемых выборов, как положительных, так и отрицательных, неким субъектом в группе. С психологической точки зрения показатель экспансивности характеризует потребность личности в общении, однако, этот индекс теряет свое диагностическое значение в случае параметрической процедуры социометрического исследования. Социометрическое ограничение уравнивает субъектов в проявлении их эмоциональной экспансивности. Если лимит выборов отсутствует, то индекс экспансивности можно трактовать как величину активности субъекта в сфере внутригрупповых отношений. Положительная эмоциональная экспансивность характеризует позитивное отношение к группе, силу притяжения индивида к группе. Отрицательная эмоциональная экспансивность может выявлять силу отталкивания индивида от группы. Расчет этого индекса производится по сумме всех сделанных выборовi-членом группы. Возможен одновременный учет и положительных, и отрицательных выборов, или отдельный подсчет позитивной и негативной экспансивности.

Индекс позитивной эмоциональной экспансивности высчитывается по формуле:

 (хi⁺)

Еi⁺ = ^{__________ ,}

N – 1

где хi⁺– число сделанных положительных выборов.

Индекс отрицательной эмоциональной экспансивности высчитывается по формуле:

 (хi^–)

Еi^– =^{_________ ,}

N – 1

где хi^– – число сделанных отрицательных выборов.

Групповые индексы. На основании данных социоматрицы можно подсчитать групповые индексы, характеризующие степень развития социально-психологической структуры группы.

Индекс групповой сплоченностивыражает степень взаимосвязанности членов группы, тесноту их эмоциональных связей. Психологический смысл этого индекса заключается в наличии или отсутствии взаимности в момент совершения выборов в группе. Чем больше взаимных выборов в группе, чем большее количество членов группы нравятся друг другу, тем выше ее сплоченность. Конечно, проявления сплоченности в группе шире, как и само понятие сплоченности, под которым понимают один из элементов групповой динамики, характеризующий степень приверженности к группе ее членов. Социометрическая сплоченность является на самом деле лишь одним из показателей групповой сплоченности.

Обычно выделяют две основы тяготения к группе: мотивационную и эмоциональную. Мотивационная основа тяготения субъекта к группе включает в себя совокупность его потребностей и ценностей, учитывает насколько характеристики группы соответствуют и отвечают этим потребностям. Эмоциональная составляющая проявляется в межличностных симпатиях, в характере взаимодействия индивидов. Именно такой компонент измеряет индекс групповой сплоченности в социометрии. Возможно, поэтому некоторые авторы избегают употреблять термин «индекс сплоченности», заменяя его «коэффициентом взаимности». В отечественной психологии существует трактовка сплоченности как ценностно-ориентационного единства группы, в русле этой концепции используются другие методы измерения сплоченности коллектива.

Индекс групповой сплоченности (психологической взаимности) рассчитывается по следующей формуле:

 (А⁺)

Сгр= ––––––––– ,

1/2 (А)

где Сгр – групповая сплоченность, (А⁺) – сумма всех взаимных положительных выборов в группе,(А) – количество всех сделанных выборов в группе. Если все выборы в группе взаимные, то индекс достигнет своего максимального значения, т.е. единицы. Если в группе не будет сделано ни одного взаимного выбора, то величина групповой сплоченности будет равна нулю.

В примере на рис. 1 мы можем найти 5 взаимных выборов, общее количество выборов – 18, следовательно, индекс сплоченности

Сгр = 5/9 = 0, 56.

Это означает, что более половины выборов, сделанных в группе, носят характер взаимности.

При необходимости можно также подсчитать индекс групповой экспансивности, на его величину влияет количество всех сделанных в группе выборов. Однако, он мало информативен, если мы используем социометрическое ограничение, т.е. прибегаем к параметрической процедуре опроса.

В литературе можно найти описание и других индексов, конструировать их можно практически в любом количестве согласно задачам конкретного исследования. Социометрические индексы представляют собой сильное средство анализа собранной информации, так как позволяют использовать для ее обработки количественные методы математической статистики, однако, надо с большой тщательностью относиться к интерпретации этих индексов, при расчете которых создается иллюзия получения точного объективного знания.ри обработке данных используется программа. SxceC и строится граф взаимных положительных выборов

Ключевые слова: сплоченность, военный коллектив, курсанты, социометрия,

математические методы, граф, социоматрица

R. I. Ostapenko, A. A. Nebol’sin

yhe study cohesion oft the mifataZy stafy with the use oft mathematical methods

On the basis oft the sociometzic poCC conducted, among the cadets oft the miCitaZy institute, examines the extent to team unity. Uses SxceC and gZaph is buiCt mutuaC positive

ejections

Keywords: cohesion, miCitaZy stafcfj, cadets, sociometZy, mathematical methods, gZaph, sociomatzix

государства (именно такая идентификация лежит в основе обычных приемов пропаганды). Более существенными оказались параметры, описывающие позицию личности в неформальной воинской группе на уровне подразделения, где особое значение имеет боевое товарищество. Отсюда следует вывод, что передача и исполнение приказов по формальным каналам власти могут быть эффективными лишь при условии, что они будут соответствовать нормам, сложившимся в неформальных воинских группах [2].

Цель работы: изучить степень сплоченности/разобщенности сплоченности военного коллектива.

Задачи:

1. Проведение социометрического опроса;

2. Обработка данных с помощью программы MS Excel;

3. Анализ результатов.

В исследовании приняли участие 30 курсантов, мужчины в возрасте от 18 до 22 лет. Методы исследования: социометрия, графы. Программное обеспечение: MS Excel.

Для сбора информации при социометрическом опросе использовалась социометрическая карточка, которая была роздана всем членам группы (см. Таблицу 1).

Пространство социометрической карточки занято 4 вопросами к респондентам (здесь же оставлено место для их ответов). Обращение в письменной форме помещается на самой карте, но оно также было произнесено и в устной

9B ISSN 2307-2447

настоящее время военно-педагогическое образование как составная часть процесса профессионального становления офицера в военном вузе связано с формированием его систематизированных как военных, так и психолого-педагогических знаний [1]- Исследование социально-психологического климата в военном коллективе, знание как служебных, так и «личных» аспектов трудовых взаимоотношений между подчиненными очень важно для руководителя или начальника группы, курса, факультета и т.д. При решении подобных задач используются математические методы обработки данных, которые благодаря своей абстрактности успешно применяются в других областях, в частности, при анализе социальных процессов. Вышесказанное подчеркивает актуальность выбранной темы работы.

В классических работах под руководством известного социолога П. Лазарсфельда было установлено, что индивидуальное поведение военнослужащих более адекватно описывается не «личными» характеристиками, а групповыми и институциональными контекстами, в том числе родами войск, типами соединений и частей, где проходит службу солдат. Параметры личностной идентификации военнослужащего были соотнесены с параметрами групповых и институциональных структур. При этом исследователям удалось показать относительную несущественность прямой идентификации с тотальными символами военной организации как целого и

Таблица 1

Социометрическая карточка

Ф.И.О.

1. С кем из курсантов группы вы предпочли бы выполнить служебное задание? Укажите не более пяти фамилий (или № по журналу).

1)________________ 2)____________________3)__________________4)__________________5)______

2. С кем из курсантов группы вы не хотели бы выполнять служебное задание? Укажите не более пяти фамилий (или № по журналу).

1)______________ 2)__________________3)________________4)_________________5)_

3. Кого из курсантов своей группы Вы пригласили бы на день рождения? Укажите не более пяти фамилий (или № по журналу).

1)______________ 2)_________________3)________________4)________________5)_

4. Кого из своих коллег Вы пригласили бы на день рождения в последнюю очередь? Укажите не более пяти фамилий (или № по журналу).

1)________________ 2)___________________3)_________________4)__________________5)_________

форме. Полученные выборы были занесены в социоматрицу — квадратную таблицу, в горизонтальных строках которой указываются, кто выбирает, а в вертикальных столбцах — кого выбирают. Объем статьи не позволяет отразить социоматрицы по всем 4 вопросам, поэтому здесь мы ограничимся интерпретацией данных по первому вопросу: «С кем из курсантов группы вы предпочли бы выполнить служебное задание?».

Анализ полученных данных вручную для группы такой численности трудоемок, поэтому все сделанные курсантами выборы были занесены в программу MS Excel, причем, положительные выборы были закодированы числом 1, а отрицательные — 0. После ввода социометрических данных в программу решался ряд возникающих в ходе работы задач, например для того, чтобы подсчитать число взаимных выборов в матрице размерностью 30 х 30, нужно было разработать алгоритм в MS Excel для поиска ненулевых симметричных элементов, стоящих относительно главной диагонали социоматрицы.

Для анализа внутригрупповых отношений использовались групповые математические индексы характеризующие степень развития социально-психологической структуры группы, например индекс групповой сплоченности (пси-

хологической взаимности) рассчитывался по формуле:

X А+

с =——

— 12

где С1г — групповая сплоченность;

’Е(А+) — сумма всех взаимных положительных выборов в группе;

1,(А) — количество всех сделанных выборов в группе.

Су пробегает значения от 0 до 1, причем если все выборы в группе взаимные, то С1р = 1, а если в группе не будет сделано ни одного взаимного выбора, то Су = 0.В нашем случае: Су = 0,15.

Индекс показывает, что 15% всех выборов, сделанных в группе, носят характер взаимности.

Социоматрицу удобно изображать в виде ориентированного графа (орграфа), состоящего из нескольких компонент связности (несвязанных между собой орграфов и невыбранных и невыбравших респондентов). В нашем случае мы изобразили все 13 взаимных положительных выборов в группе, где четко прослеживается лидерство некоторых членов группы (№2 — 4 выбора, №17 — 3 выбора, №10, 24, 13, 14, 23 — 2 выбора), а также траектории взаимного служебного сотрудничества.

Рис. 1. Граф взаимных положительных выборов в группе (номер в кружке соответствует № по списку в журнале)

pnojournal.wordpress.com 99

Математическое моделирование отношений в коллективе с помощью графов позволяет детально «картографировать” малую группу и одной из перспективных задач в этом направлении является разработка методов мо-

делирования процесса движения мировоззренческих компонент от одного члена группы к другому, превращающего взгляды одних и не превращающие взгляды других в групповое мнение.

ЛИТЕРАТУРА

Зибров Г.В., Терещенко А.Г. Военно-педагогическое образование как составная часть военного образования II Вестник ВГУ: серия «Проблемы высшего образования», 2013. — №2. — С.92-96.

Батыгин Г.С. Лекции по методологии социологических исследований [Текст]: учеб. для студ. гуманит. вузов и аспирантов / Г.С. Батыгин. — М.: Ас-пект Пресс, 1995. — 286 с.

Марковская И.М. Социометрические методы в психологии: Учебное пособие. — Челябинск: Изд-во ЮУрГУ, 1999.- 46 с. Остапенко Р.И. Латентное в социо-гуманитарном знании: понятие и классификация II Современные научные исследования и инновации, 2012. — №7 (15). — С. 5.

Остапенко Р.И. Формирование математической компетентности студентов-психологов в условиях самодиагностики по курсу «Математические основы психологии» II Перспективы науки и образования, 2013. -№ 6. — С. 91-96.

Остапенко Р.И. Методические аспекты формирования информационно-математической компетентности студентов гуманитарных специальностей II Современные научные исследования и инновации, 2013. — №5 (25). — С. 29.

Остапенко Р.И. Самодиагностика как условие формирования математической компетентности студентов психологических специальностей II Современные научные исследования и инновации, 2013. — № 10 (30). — С. 44. Остапенко Р.И. Структурное моделирование в науке и образовании: краткий обзор и перспективы развития II Современные научные исследования и инновации, 2013. -№9 (29). — С. 30.

Остапенко Р.И. Использование структурных уравнений в моделировании процессов управления образованием II Управление образованием: теория и практика, 2013. — № 4 (12). — С. 1-8.

REFERENCES

Zibrov G.V., Tereshchenko A.G. Military-pedagogical education as an integral part of military education. Vestnik VGU: seriia «Problemy vysshego obrazovaniia» — Vestnik of Voronezh State University: series «Problems of higher education», 2013, no.2, pp.92-96 (in Russian).

Batygin G.S. Lektsii po metodologii sotsiologicheskikh issledovanii [Lectures on methodology of sociological research]. Moscow, Aspekt Press, 1995. 286 p.

Markovskaia I.M. Sotsiometricheskie metody v psikhologii: Uchebnoe posobie [Sociometry methods in psychology: textbook]. Cheliabinsk: Izd-vo IuUrGU, 1999. 46 p.

Ostapenko R.I. Latent in socio-humanitarian knowledge: concepts and classification. Sovremennye nauchnye issledovaniia i innovatsii — Modern scientific research and innovation, 2012, no.7(15), p.5.

Ostapenko R.I. Forming of the mathematical competence of students-psychologists in the conditions of self-diagnosis in the course «Mathematical principles of psychology». Perspektivy nauki i obrazovaniia — Perspectives of science and education, 2013, no.6, pp.91-96 (in Russian).

Ostapenko R.I. Methodical aspects of forming of information-mathematical competence of students of humanitarian specialties. Sovremennye nauchnye issledovaniia i innovatsii — Modern scientific research and innovation, 2013, no.5(25), p.29 (in Russian). Ostapenko R.I. Self-test as a condition of forming of the mathematical competence of students of psychological specialties. Sovremennye nauchnye issledovaniia i innovatsii — Modern scientific research and innovation, 2013, no.l0(30), p.44 (in Russian). Ostapenko R.I. Structural modeling in science and education: overview and perspectives of development. Sovremennye nauchnye issledovaniia i innovatsii — Modern scientific research and innovation, 2013, no.9(29), p.30 (in Russian).

Ostapenko R.I. Using structural equation modeling of processes of management education. Upravlenie obrazovaniem: teoriia i praktika — Management education: theory and practice, 2013, no.4(12), pp.1-8 (in Russian).

Информация об авторах Остапенко Роман Иванович

(Россия, Воронеж)

Кандидат педагогических наук, преподаватель кафедры математики Военно-воздушная академия имени профессора Н. Е. Жуковского и Ю.А.Гагарина (Воронеж) E-mail: [email protected]

Небольсин Александр Александрович

(Россия, Воронеж)

Курсант

Военно-воздушная академия имени профессора Н. Е. Жуковского и Ю.А.Гагарина (Воронеж)

Information about the authors

Ostapenko Roman Ivanovich

(Russia, Voronezh)

PhD in Pedagogy Lecturer of the Department of Mathematics Zhukovsky-Gagarin Air Force Academy E-mail: [email protected]

Nebol’sin Aleksandr Aleksandrovich

(Russia, Voronezh)

Cadet Zhukovsky-Gagarin Air Force Academy

1GG ISSN 2307-2447

Задание №11. Обработка списочных данных в Microsoft Excel

Задание № 11. Обработка списочных данных в Microsoft Excel
Список – один из способов использования данных на рабочем листе. Список создается как помеченный ряд, состоящий из строк с однотипными данными. Данные, организованные в список, в терминологии Excel называются базой данных (БД). При этом строки таблицы – это записи базы данных, а столбцы – поля записей.

Чтобы превратить таблицу Excel в список, необходимо присвоить столбцам имена, которые будут использованы как имена полей записей.

Создайте на рабочем листе Excel список, приведенный ниже.

Данные из международных источников

Страна	Население, чел.	ВНП, млрд. долларов США	Плотность населения, чел./ кв. миля	Детская смертность, чел./1000 чел.	Затраты на оборону, %	Средний доход на душу населения, доллары США	Грамотность, %
Австралия	16 646 000	220	5,4	8,1	2,7	14 458	99
Бразилия	153 771 100	313	47	67	0,8	2 020	76
Канада	26 527 000	486	6	7,3	2,0	13 000	99
Китай	1 130 065 000	350	288	33	4,4	258	70
Сальвадор	5 221 000	4,1	671	62	3,9	700	62
Индия	850 067 000	246	658	91	3,8	300	36
Ирак	18 782 000	34	104	69	32,0	1 950	70
Япония	123 778 000	1800	844	5	1,0	15 030	99
Мексика	88 335 000	126	115	42	0,6	2 082	88
Саудовская Аравия	16 758 000	70	15	74	12,8		50% мужчин
Швейцария	6 628 000	11	406	6,9	2,2	26 309	99
Страны бывшего СССР	290 939 000	2,5	33	25,2	17,0	3 000	99
США	250 372 000	4,8	68	10	5,7	16 144	99

При создании списка на рабочем листе Excel необходимо выполнять следующие правила.

На одном рабочем листе не следует помещать более одного списка, поскольку некоторые операции (например, фильтрация) работают в определенный момент только с одним списком.
Следует отделять список от других данных хотя бы одним незаполненным столбцом (строкой).
Список может занимать весь рабочий лист: 16384 строки и 256 столбцов.
Имена столбцов должны располагаться в первой строке списка.
Для имен столбцов следует использовать шрифт, тип данных, выравнивание, формат, рамку или стиль прописных букв, отличные от тех, которые использовались для данных списка. Чтобы отделить имена столбцов от данных, следует разместить рамку по нижнему краю ячеек строки с именами столбцов. Не рекомендуется использовать пустые строки и пунктирные линии.

На примере созданного списка изучите возможности сортировки данных (Данные  Сортировка…).

3. На примере этого же списка изучите возможности фильтрации данных (Данные  Фильтр  Автофильтр…). С помощью «Автофильтра» задайте произвольные критерии отбора записей для различных полей. Например, результат запроса о среднем доходе на душу населения  $3000 показан на рисунке выше.

4. Реализуйте несколько запросов к базе данных с помощью команды Данные  Фильтр  Расширенный фильтр…. Основное отличие этой команды от команды «Автофильтр» в том, что отфильтрованные записи можно вынести в другое место рабочего листа. Чтобы использовать команду «Расширенный фильтр» необходимо создать таблицу критериев, которая размещается на том же листе, что и исходный список. Для формирования таблицы критериев копируются имена полей списка в ту часть рабочего листа, где она будет располагаться. Задавая критерии поиска, помните следующие правила.

Включение пустых строк в таблицу критериев недопустимо, поскольку в этом случае будут найдены все записи списка.
Для создания логической связки «И» условия задаются в одной строке. Например

Для создания логической связки «ИЛИ» условия задаются в разных строках. Например

Для формирования диапазона вывода в свободное место электронной таблицы копируются имена необходимых полей списка.

5. Создайте таблицу критериев с вычислением по формуле. Например, значения поля «ВНП, млрд. долларов США» находятся в диапазоне D5:D17. В этом случае поиск тех записей, где ВНП больше среднего производится по формуле: =D5>СРЗНАЧ($D$5:$D$17).

ВНИМАНИЕ! Использование вычисляемого критерия накладывает существенное ограничение на таблицу критериев: имя столбца в таблице критериев, содержащего значение вычисляемого критерия, должно отличаться от имени подобного столбца в исходном списке.

6. Самостоятельно изучите возможности инструментария Данные  Итоги… Для этого создайте собственную базу данных, подходящую по смыслу.

7. Самостоятельно изучите возможности инструментария Данные  Сводная таблица… Для этого создайте собственную базу данных, подходящую по смыслу.

8. Предъявите работу преподавателю. В работе на различных листах с соответствующими названиями (Формат  Лист  Переименовать) должны быть представлены все рассмотренные виды запросов, итоговая и сводная таблицы.

Персональный сайт психолога — Диагностический инструментарий

Методика, направленная на изучение эмоционального отношения к учению (бланк методики, интерпретация и обработчик в excel)

Интерпретация методики

Бланк методики

Обработчик опросника в excel (мое авторство)

Методики, направленная на изучение готовности педагогов к инновационной деятельности (методики, интерпретация и форма в excel для общего анализа результатов)

Анкета восприимчивости педагогов к новому, мотивы деятельности

Готовность педагогов к инновационной деятельности

Диагностика типа центрации педагогов

Оценка качества готовности педагогов к инновациям

Способность педагога к творческому саморазвитию

Сводная таблица результатов

Методика социометрии (обработка)

Обработка социометрии

Отчет по мониторингу площадки по духовно-нравственному развитию

Презентация к отчету (выступление)

Отчет по результатам мониторинга площадки (можете обращаться на электронную почту. помогу с диагностиками)

ТОП сайтов по Хостингам

В этой категории представлены и ранжированы ресурсы по Хостингам, на которых они работают.
Для просмотра важных характеристик сайтов, выберите в таблице ниже соответствующий хостинг.

Хостинг компания	Кол-во сайтов
1. Hetzner Online GmbH	34,528
2. Reg.Ru Hosting	29,062
3. Hetzner Online AG	26,803
4. Beget Ltd	24,968
5. Compubyte Limited	24,521
6. Hosting servers	22,619
7. OVH	19,270
8. GoDaddy.com, LLC	19,078
9. SpaceWeb CJSC	18,500
10. RU-NIC is a hosting and technical support organization.	17,763
11. «Domain names registrar REG.RU», Ltd	17,376
12. Hosting Ukraine Proxies	15,334
13. Masterhost.ru is a hosting and technical support organization.	15,056
14. Google Inc.	14,948
15. Shared hosting	13,773
16. CJSC THE FIRST	11,447
17. AVGURO-NET	11,336
18. WEBSITEWELCOME.COM	10,164
19. Unified Layer	9,616
20. HOSTLAND	8,265
21. SPRINTHOST.RU — shared/premium hosting, dedicated servers, VDS	8,092
22. McHost.Ru	7,660
23. Hostinger shared hosting servers	7,509
24. HETZNER-RZ16	7,364
25. RU-SERVICE Ltd ISP	7,131
26. Internet Invest Ltd.	7,020
27. HOSTER.BY	6,707
28. Internet-Hosting Ltd	6,535
29. Avguro Technologies Ltd. Hosting service provider	6,502
30. Amazon.com, Inc.	6,383
31. Saint-Petersburg department Majordomo Llc	6,253
32. PSINet, Inc.	6,134
33. CloudFlare, Inc.	6,073
34. home.pl webhosting farm — static allocation	6,042
35. 1&1 Internet AG	5,981
36. «DELTA-X» LTD	5,915
37. Digital Ocean, Inc.	5,894
38. Internet-Pro Ltd	5,820
39. Webhost LLC	5,660
40. LEASEWEB	5,451
41. Hosting Telesystems network	5,324
42. MEGAGROUP-NET	5,276
43. SoftLayer Technologies Inc.	5,223
44. LeaseWeb Netherlands B.V.	5,209
45. Hostpro Ltd.	5,165
46. Rackspace Hosting	4,884
47. I Fastnet Ltd	4,770
48. Selectel SPb	4,653
49. Hosting Ukraine LTD	4,585
50. Shared hosting block 6	4,564
51. TimeWeb shared hosting	4,253
52. Hosting center Ltd.	4,146
53. FastVPS network for VPS	4,099
54. Marosnet enterprise network	3,996
55. JSC Server	3,916
56. Aruba S.p.A. — Shared Hosting and Mail services	3,860
57. OVH SAS	3,843
58. OVH Sp. z o. o.	3,768
59. Japan Network Information Center	3,713
60. AGAVA JSC	3,702
61. FPT Telecom Company	3,631
62. In-Solve/1Gb.ru hosting services provider	3,563
63. VietNam Data Communication Company (VDC)	3,551
64. Activehost RU Ltd.	3,494
65. ONLINE SAS	3,320
66. INFOBOX	3,302
67. Rook Media GmbH	3,201
68. Strato AG	3,147
69. Concorde Ltd.	3,116
70. Shared Hosting Servers	3,115
71. OOO «Network of data-centers «Selectel»	3,041
72. Reliable Software, Ltd.	3,024
73. Majordomo llc	3,008
74. FOP Sedinkin Olexandr Valeriyovuch	2,993
75. Fornex Hosting S.L.	2,927
76. Network for dc infrastructure	2,912
77. Rusonyx, Ltd.	2,912
78. Beltelecom	2,869
79. Selectel Ltd.	2,804
80. Hostiran Network	2,784
81. Best-Hoster Group Co. Ltd.	2,776
82. RU-HOSTING is a hosting and technical support organization.	2,733
83. Freehost UA	2,731
84. Confluence Networks Inc	2,730
85. Reg.Ru	2,719
86. Moghareh Abed Mohammad reza	2,687
87. Aliyun Computing Co., LTD	2,685
88. Contabo GmbH	2,682
89. Liquid Web, Inc.	2,659
90. ON-LINE Ltd	2,638
91. Linode, LLC	2,524
92. Zenon N.S.P.	2,440
93. SAKURA Internet Inc.	2,402
94. Neue Medien Muennich GmbH	2,395
95. TimeWeb Ltd. — Services Cluster	2,372
96. PE Konstantin Vladimirovich Kravchenko	2,346
97. Shared hosting block 8	2,344
98. Main Hosting Servers	2,215
99. New Dream Network, LLC	2,200
100. Amazon Technologies Inc.	2,146

Анализ графиков и социальных сетей, анализ ссылок и визуализация

коммерческое программное обеспечение | сайты | бесплатно программное обеспечение

AdvancedMiner Social Network Analysis (SNA) моделирует социальные отношения между людьми, предназначенный для расширения доступной информации о клиентах с помощью набора статистических данных социальных сетей.
Записная книжка аналитика, часть операционной платформы i2 Intelligence-Led Operations Platform, предоставляет обширные вспомогательные возможности анализа и визуализации для поддержки аналитиков в предотвращении преступности и терроризма.
Auricom xView, мощный инструмент анализа и визуализации графических / сетевых данных (социальных, финансовых и коммуникационных сетей), помогающий извлекать действенные аналитические данные из большого количества источников информации.
Centrifuge предлагает аналитикам и исследователям интегрированный набор возможностей, которые могут помочь им быстро понять и почерпнуть информацию из новых источников данных.
GraphInsight, исследуйте свои графики с помощью высококачественной 2D- и 3D-визуализации.
Hypersoft OmniContext, помогает оценивать взаимодействие и сотрудничество, понимать отношения и определять сообщества и членов в разных географических регионах, подразделениях, а также внутренних и внешних организациях.
i2 Analyst’s Workstation, i2 Inc., программное обеспечение для анализа массовых инцидентов; используется во всем мире для поддержки полицейской деятельности под руководством разведки, процессов КОМСТАТ, антитеррористической защиты / защиты сил и многого другого.
Idiro SNA Plus, платформа для анализа социальных сетей, поддерживает Hadoop и большие данные.
InFlow, программное обеспечение для анализа социальных сетей и анализа организационной сети.
KXEN Social Network Analysis (KSN), решение для анализа социальных сетей для более глубокого понимания взаимодействия с клиентами, их связей и сообществ.
Linkurious помогает вам разобраться в данных вашего графика через простой веб-интерфейс.
Инструменты интеллектуального анализа данных LPA позволяют создавать приложения на основе анализа связей, такие как InFlow.
Maltego, приложение для анализа и криминалистической экспертизы с открытым исходным кодом; позволяет определить ключевые отношения и сети. Доступна Community Edition
marketVisual, онлайн визуальное отображение отношений.
Аналитика NETMAP, инновационная комбинация анализа ссылок и визуализации данных, с приложениями для обнаружения мошенничества и анализа претензий.
NetMiner, для исследовательского анализа и визуализации сетевых данных.
Networked Insights: на стыке социальных сетей, коллективного разума и поиска Networked Insights обнаруживает потребности клиентов по мере их возникновения.
NetworkX, программный пакет на языке Python для создания, управления и изучения структуры, динамики и функций сложных сетей.
NodeXL Pro, выявление ключевых людей, групп и тем — мощное понимание сети за несколько кликов.
NodeXL Basic, бесплатный шаблон с открытым исходным кодом для Microsoft Excel (2007 и новее) в Windows, который упрощает изучение сетевых графиков.
OmniAnalyser содержит инструменты для автоматического обнаружения и исторического статистического анализа корпоративных социальных сетей с акцентом на различные организационные единицы (пользователи, отделы, офисы, страны и т. Д.)) и просмотр корреляции графических данных.
PolyAnalyst, включает программное обеспечение для анализа и визуализации ссылок.
Sentinel Visualizer с возможностями расширенного анализа социальных сетей, предоставляя возможность видеть и анализировать сложные взаимосвязи, существующие в данных.
Siren, сочетание анализа ссылок, бизнес-аналитики больших данных с возможностями реляционной навигации (настройка навигации) и крупномасштабного поиска / анализа журналов поверх Elasticsearch.
Sonamine, выполняет масштабируемую индивидуальную оценку массовых социальных сетей и графиков.
Решения SAS в режиме реального времени позволяют исследователям создавать сущности и создавать социальные сети, чтобы находить интересующие их взаимосвязи и закономерности.
SVAT, Smart Visual Analytics Tool, для визуализации данных, расследования случаев мошенничества и многого другого.
Svivot, предлагает решение для обнаружения мошенничества на основе анализа сетей людей и организаций.
Visallo помогает аналитикам и исследователям всех видов обнаруживать, визуализировать и понимать сложные взаимосвязи, скрытые в огромных объемах данных.
Пакет VisuaLinks ™, инструмент для анализа ссылок и визуализации данных
VOSON 2.5, программное обеспечение для сбора, анализа и визуализации гиперссылок, текста и сетевых данных Twitter.
UCINET, пакет для анализа социальных сетей.
Xanalys Link Explorer, предоставляет мощные инструменты сетевого анализа, включая диаграмму связей и анализ временной шкалы, отображение Bing и интеграцию с Excel.

Сайты для анализа социальных сетей

INSNA — это профессиональная ассоциация исследователей, интересующихся анализом социальных сетей.
SNAP, Стэнфордский сайт анализа социальных сетей с программным обеспечением, наборами данных, документами и многим другим.
Программное обеспечение для анализа социальных сетей, запись в Википедии
Web Identity Search Tool (WIST), для исследования данных на Facebook, включая определение степени разделения между двумя пользователями.

Бесплатное программное обеспечение для анализа социальных сетей с открытым исходным кодом

GraphChi может выполнять вычисления очень больших графиков только на одной машине, используя новый алгоритм обработки графика с диска (SSD или жесткого диска).
Graphviz, программное обеспечение для визуализации графиков с открытым исходным кодом.
JUNG, Java Universal Network / Graph Framework, программная библиотека для моделирования, анализа и визуализации сетевых данных.
libsna, библиотека Python с открытым исходным кодом для анализа социальных сетей.
Maltego Community Edition, приложение для анализа и криминалистической экспертизы с открытым исходным кодом; позволяет определить ключевые отношения и сети. Доступна коммерческая версия.
NETINF, определяет, кто-копирует-от-кого или кто-повторяет-после-кем сеть новостных сайтов и блогов с использованием набора данных MemeTracker.
Network Workbench: крупномасштабный инструментарий сетевого анализа, моделирования и визуализации для биомедицинских, социальных и физических исследований.
Networkx, пакет Python для создания, управления и изучения структуры, динамики и функций сложных сетей.
Pajek, программа для анализа больших сетей.
R, включает несколько пакетов, актуальных для анализа социальных сетей: igraph: общий пакет сетевого анализа; sna : для социометрического анализа сетей; сеть манипулирует и отображает сетевые объекты.
Social Networks Visualiser (SocNetV), гибкий и удобный инструмент для анализа и визуализации социальных сетей.
Подчиненная, основанная на графах система обнаружения знаний, которая находит структурные, реляционные шаблоны в данных, представляющих сущности и отношения.
sna: Инструменты R для анализа социальных сетей, включая индексы на уровне узлов и графов, методы структурного расстояния и ковариации, обнаружение структурной эквивалентности и многое другое.
statnet, набор пакетов R для анализа, моделирования и визуализации социальных сетей.
Tulip, фреймворк визуализации информации, предназначенный для анализа и визуализации реляционных данных (бесплатно).
Visallo с открытым исходным кодом помогает аналитикам и исследователям всех видов обнаруживать, визуализировать и понимать сложные взаимосвязи, скрытые в огромных объемах данных.

Связанные

Неструктурированная информация — обзор

Аналитика больших данных для ухода за пожилыми людьми

Целью данной главы при обсуждении обзора проблем в персонализированном уходе за пожилыми людьми было показать с помощью такого обсуждения, почему необходимо усилить аналитику больших данных для ухода за пожилыми людьми. решается с помощью целостного подхода, который одновременно учитывает социотехнические и контекстно-зависимые проблемы, связанные с индивидуальным уходом за пожилыми людьми.Как отмечалось ранее, существующие подходы к персонализированному уходу за пожилыми людьми, например, умные дома, ADL и вспомогательная робототехника, кажутся чрезмерно ориентированными на технологии, в них отсутствует формальная спецификация концепции персонализации, и часто к пожилым людям относятся как к послушным людям и оказываются услуги по уходу. услуги без достаточного учета реальных потребностей и предпочтений пожилых людей, их ценностей и образа жизни. Впервые в истории человечества исследование имеет в своем распоряжении зеттабайты (10 ²¹ гигабайт) данных, которые были получены практически от всех элементов нашей повседневной жизни — от посещений больниц, путешествий, общения с друзьями и семьей до профессиональная деятельность и модели покупок, которые потенциально могут быть использованы для получения почти идеального понимания образа жизни пожилого человека, его ценностей, убеждений, а также истории выбора, который этот человек сделал [58].

Большие данные относятся к данным, которые настолько разнообразны, сложны и крупномасштабны, объединяют как структурированную, так и неструктурированную информацию из нескольких источников [59] настолько, что их технически сложно, если не невозможно, обрабатывать с использованием существующего традиционного программного обеспечения. и аналитические методы, такие как реляционные базы данных и информационные системы управления. Бойд и Кроуфорд [60] дают определение, которое так интересно подчеркивает как возможности, так и проблемы больших данных в уходе за пожилыми людьми.По мнению авторов, большие данные — это «технологический, культурный и научный феномен», который основан на взаимодействии трех вещей, а именно: (1) технологии , использующей преимущества повышенной вычислительной мощности и алгоритмической точности для сбора, анализа, связывать и сравнивать большие наборы данных; (2) анализ , опирающийся на большие наборы для выявления закономерностей для подачи экономических, социальных, технических и юридических требований; и (3) мифология , вычислительный поворот в мышлении и исследованиях, заключающийся в том, что большие наборы данных предлагают более высокую форму интеллекта и знания, которые могут генерировать идеи, которые ранее были невозможны, с аурой истины, объективности и точности.Данные не являются технически «нейтральными» [61] и, если рассматривать их иначе, становятся, по словам Лизы Гительман [62], «оксюмороном». Таким образом, получение практической ценности из больших данных требует, чтобы исследование учитывало контексты, которые сформировали сбор данных, формы аргументов и анализа, которые могут быть сделаны и проводятся с данными, а также четкое указание на то, что данные не учитывают и не могут объяснить [63]. Big Data ⁴ для ухода за престарелыми поступает из трех основных источников.Первый, обычно называемый Big Data , включает в себя анализ нескольких типов данных в совокупности, как правило, за определенный период времени, потенциально из нескольких источников, структурированных и неструктурированных типов и разнородных типов объектов. Это был побочный продукт вездесущих умных технологий, которые пронизывают все аспекты нашей жизни. Вторая проистекает из того, что профессор Корнельского технологического института Нью-Йорка Дебора Эстрин назвала small data , результатом целого ряда всепроникающих процессов отслеживания любого отдельного человека, т.е.грамм. данные количественной оценки себя [61]. Третий источник больших данных относится к тому, что этнографы, такие как Триша Ванг [64], назвали толстыми данными , и включает в себя более качественные виды данных, полученные, например, из интервью и прямых наблюдательных исследований, которые необходимы для восполнить и / или выявить пробелы в знаниях в области количественных и алгоритмических больших данных. Помимо больших объемов данных, доступных для отрасли здравоохранения, обусловленных оцифровкой электронных медицинских записей, лабораторных систем, записей врачей, медицинской корреспонденции, нормативных требований и планов ухода [65-67], которые, по мнению многих экспертов, удваиваются каждые пять лет, поскольку наряду с данными из социальных сетей и записями общественного здравоохранения, текущие подходы к использованию больших данных для ухода за пожилыми людьми, как правило, сосредоточены на категориях больших данных и малых данных.Эти подходы используют повсеместные сенсорные устройства и такие методы, как социометрические значки [9] и концепцию количественной оценки себя ⁵ [68]. Хотя эти методы потенциально способны предоставить статистические закономерности в «измеряемой жизни» [69] и математическое объяснение для понимания динамики человека [9] и личного здоровья [70], эти методы подвергались критике за их тенденцию скрывать, а не раскрывать саму суть. того, что делает нас теми, кто мы есть [63], поскольку они могут автоматически влиять на то, как «я понимается, переживается и практикуется в более широком смысле» [71].

Самая большая возможность, которую предоставляют большие данные для персонализации ухода за пожилыми людьми, заключается не только в доступности больших объемов данных, но и в разнообразии как типов, так и источников данных. Можно утверждать, что эта возможность потенциально будет использована при слиянии данных о здравоохранении и данных о личном местонахождении, которые, согласно недавнему отчету Института McKinsey, составляют две из пяти областей, которые будут значительно преобразованы большими данными [72]. . Как отмечалось ранее, одной из основных проблем персонализированного пожилого возраста является сложность определения концепции персонализации и ее применения для вычислительного проектирования.Это тем более сложно, учитывая тот факт, что пожилые люди обычно страдают множеством возрастных заболеваний, таких как деменция и болезнь Паркинсона, которые значительно ухудшают их когнитивные и физические возможности. В таких случаях практикующие врачи часто прибегают к информации из исторических записей и членов семьи, чтобы получить представление о пациенте. Путем оцифровки, объединения и эффективного использования больших данных отрасль здравоохранения имеет беспрецедентный шанс лучше понять пожилых пациентов.Это приведет к более целенаправленным результатам лечения и увеличит шансы выявления заболеваний на более ранних стадиях, когда их можно будет лечить более легко и эффективно. Кроме того, определенные результаты лечения, такие как аллергия, риск заражения или перенесенное в больнице заболевание; или возможность выявления пациентов, которые могут выбрать плановое хирургическое вмешательство или получить пользу от профилактического ухода или изменения образа жизни; или возможность коморбидных состояний из-за факторов окружающей среды, семьи или образа жизни и т. д.можно более эффективно оценить на основе исторических данных [13]. Большие данные глубоко связаны с феноменом электронной науки [73], наукой, требующей больших вычислительных ресурсов, которая обычно выполняется в сильно распределенных вычислительных средах, с использованием огромных наборов данных и требующими грид-вычислений. С этой точки зрения, большие данные потенциально будут играть жизненно важную роль как часть электронных социальных наук в сборе, обработке и анализе социальных и поведенческих данных [74] для персонализированного ухода за пожилыми людьми.

Требования и проблемы для приложений по уходу за пожилыми людьми на основе больших данных

Создание ценности из больших данных требует целостного понимания природы данных в больших данных, что порождает проблемы разнообразия или неоднородности данных, неполноты и непоследовательности, своевременности, конфиденциальность, контекст, сотрудничество и визуализация, а также проблемы, возникающие в результате многоэтапных процессов в аналитике больших данных и экосистемы инструментов вокруг больших данных [75].Большие данные в здравоохранении и других сферах характеризуются пятью V, которые составляют пять ключевых проблем аналитики больших данных, а именно: объем, скорость, разнообразие, достоверность и ценность. ⁶ Они создают нетривиальные проблемы при уходе за пожилыми людьми, как и в других областях, где аналитика больших данных изучается как потенциальное решение, например, здравоохранение [66,76,77] и умный город [78]. Уже сейчас одна из самых больших проблем при развертывании аналитики больших данных в медицинских учреждениях — это решить, какие данные являются релевантными [76].По мере того, как новые формы больших данных для ухода за пожилыми людьми, например, QS, социометрический мониторинг и секвенирование генома, начинают подпитывать этот экспоненциальный рост, проблема поиска иголки в стоге сена становится значительно хуже [75,77]. Обратной стороной растущего размера больших данных, который представляет собой проблему для аналитики, является то, что в большинстве случаев, например в здравоохранении, до 90% генерируемых данных отбрасываются [77]. К счастью, достижения в области предоставления и управления данными, такие как облачные вычисления и виртуализация, облегчают разработку платформ для более эффективного сбора и хранения больших объемов данных по запросу [79].

Сопутствующая проблема — постоянный поток новых данных с беспрецедентной скоростью. Скорость данных увеличивается по мере того, как данные накапливаются с помощью различных устройств реального времени, таких как ежедневный мониторинг уровня глюкозы у пациентов с диабетом, QS, измерение артериального давления и т. Д. Многие системы потоковой передачи данных часто выполняют одни и те же функции; Это означает, что данные необходимо рационализировать и нормализовать, что увеличивает накладные расходы на аналитику. Точно так же, поскольку для сбора больших данных развернут широкий спектр систем, данные часто бывают самых разнообразных — структурированных, неструктурированных и полуструктурированных — измерение, которое одновременно интересно и сложно для ухода за пожилыми людьми.Разнообразие данных из нескольких источников может определять значения данных по-разному, что увеличивает сложность и непоследовательность данных. Например, только относительно небольшой процент потоков данных о нашей повседневной деятельности, например, от фитнес-устройств, генетики, путевых записей, геномики, социальных сетей и других источников, в настоящее время может быть организован и проанализирован для значимого и действенного понимания [77]. Приложениям по уходу за пожилыми людьми требуются более эффективные и автоматические способы преобразования и комбинирования различных данных из множества источников, чтобы повысить актуальность данных и повысить ценность персонализированного ухода.

Из пятимерных V больших данных, правдивость, пожалуй, труднее всего поддается количественной оценке, проверке и измерению. Правдивость или «гарантия данных», возможно, становится критической проблемой из-за все более широкого использования ненаучных методов и практик при сборе больших данных. Недостоверные данные создают уязвимость и отрицательно влияют на достоверность и надежность результатов аналитики. В ходе опроса, проведенного IBM, около 30% респондентов выразили обеспокоенность по поводу того, что, по имеющимся данным, трудно определить, какая информация является точной, а какая устаревшей.Каждый третий бизнес-лидер не доверяет информации, которую использует для принятия решений. Более того, низкое качество данных обходится экономике США примерно в 3,1 триллиона долларов в год, обеспечивая огромный стимул для разработки инструментов и систем, поддерживающих достоверность данных [80]. Вопросы качества данных вызывают серьезную озабоченность при уходе за пожилыми людьми, поскольку использование неточной информации при оказании помощи может быть фатальным. Необходимы дополнительные исследования для разработки алгоритмов, способных понимать плохо разнородные данные, например, путем автоматической генерации правильных метаданных для описания записанных данных.

Ценность, конечно же, является целью аналитики больших данных. Разработка эффективных средств решения проблем, связанных с объемом, скоростью, разнообразием и достоверностью, в конечном итоге приведет к высокой ценности данных и более полезной информации для ухода за пожилыми людьми. Не менее важно, чтобы аналитики уделяли большое внимание каждому этапу анализа больших данных и разработке инструментов для их поддержки. Многие исследования показывают, что из множества этапов аналитики больших данных, а именно сбора, извлечения и очистки данных, интеграции, моделирования и анализа, интерпретации и развертывания, большое внимание исследователей было сосредоточено на одном или двух этапах, игнорируя остальные [75] .Текущие подходы к извлечению ценности из больших данных разнообразны, специфичны и сильно зависят от приложений [81]. Другие требования и проблемы в аналитике больших данных, например, конфиденциальность, владение данными, удобство использования, выбор аналитических платформ, архитектурный дизайн, поддержка эффективного хранения данных и гарантии в реальном времени, требования виртуализации и доминирование парадигмы открытого исходного кода остаются. и по-разному рассматривались в литературе (см., например, [75,77,81,82]). Например, хотя многие страны и организации здравоохранения разработали законы, регулирующие использование и раскрытие данных в разных контекстах и для разных целей, все еще существует огромная общественная озабоченность по поводу ненадлежащего использования личных данных, особенно путем связывания данных из нескольких источники [75].Конфиденциальность, как и большинство других проблем, обсуждаемых выше, является одновременно технической и социологической проблемой и может быть эффективно решена только с обеих сторон. Тем не менее, пять V представляют собой подходящую отправную точку для обсуждения проблем, связанных с аналитикой больших данных для персонализированного ухода за пожилыми людьми.

Роль контекста

Как и многие медицинские приложения для персонализированной поддержки [49] и интеллектуальных услуг [78], системы ухода за пожилыми людьми сильно зависят от контекста их выполнения.Общее определение контекста рассматривает его как «любую информацию, которая может быть использована для характеристики ситуации объекта», где объект относится к человеку, месту или объекту, который считается релевантным в последовательности взаимодействия [83]. Контекст имеет решающее значение при разработке систем поддержки ухода за пожилыми людьми из-за его способности создавать и поддерживать осведомленность о действиях, статусе или контексте человека в различных условиях, но при этом он остается плохим источником информации в компьютерных средах. [83].В результате этот термин рассматривался разными авторами по-разному — как среда взаимодействия между пользователем и приложением [84], что необходимо для характеристики и кодирования ситуации объекта [85], информация об активности или задача, которую пользователь выполняет в настоящее время [86], или что необходимо для понимания того, что люди делают, и как и почему они достигают и поддерживают взаимное понимание контекста своих действий [87].

В аналитике больших данных контекст обеспечивает структуру, гарантирующую, что обнаружение закономерностей и взаимосвязей из больших данных происходит в правильной контекстной настройке, которую Сокол и Эймс [88] называют ситуационной осведомленностью.Благодаря использованию ситуационных данных для получения знаний о сложных и динамичных средах, в которых люди выполняют свои задачи, и добавлению богатого и правильного совокупного контекста в аналитику больших данных, точность аналитических моделей значительно повышается. Контекст может предоставлять метаданные для понимания больших данных и решения таких проблем, как конфиденциальность и согласованность, путем предложения описания сущностей, имеющих отношение к набору данных — людей, организаций и отношений между сущностями и событиями [88].Добре и Xhafa [78] обрисовывают в общих чертах ряд требований для разработки контекстно-зависимой поддержки в приложениях для анализа больших данных, которые включают предоставление гарантий предоставления данных в реальном времени, помощь пользователям в расширении своей реальности путем предоставления информации о мобильности и местонахождении, а также обеспечение связи при поддержке. несовершенство подключения и обеспечение поддержки эффективного доступа к данным, хранения и аналитической масштабируемости.

Офис наблюдает за вами

Ценит ли ваш начальник, сколько времени вы проводите на собраниях каждую неделю? Возможно нет.

Даже несмотря на то, что можно было бы легко подсчитать часы, посмотрев на свой календарь Outlook или Google, до недавнего времени организациям было трудно вычислять такие числа в масштабах всей компании. Во многих компаниях это привело к ситуации, когда менеджеры приглашают сотрудников на постоянно растущий набор периодических обновлений статуса, мозговых штурмов и еженедельных проверок. Стартовые встречи и круглые столы; командные встречи и общие собрания.

Рядовые обитатели кабинок могут в частном порядке жаловаться на то, что они проводят слишком много времени на собраниях, которые им на самом деле не нужно посещать, а начальство может молча удивляться, почему за столом заседаний всегда так много лиц, но рабочие, естественно, не любят просить своих начальников перестать приводить их на собрания.Между тем менеджеры опасаются маргинализации своих сотрудников, исключая их из списка приглашенных.

«Это похоже на то, что все в ловушке», — говорит Райан Фуллер, генеральный директор и соучредитель стартапа VoloMetrix, занимающегося кадровой аналитикой. «Я думаю, что большинство компаний находятся в порочном круге, когда ситуация становится все хуже и хуже».

Фуллер считает, что данные могут все изменить, а также решить некоторые другие проблемы на рабочем месте. Его компания из Сиэтла создает программное обеспечение, которое собирает такую информацию, как записи календаря сотрудников в Outlook, заголовки электронной почты и журналы обмена мгновенными сообщениями, чтобы помочь компаниям выяснить, как их сотрудники проводят свое время — сколько времени продавцы проводят с клиентами, какие подразделения компании поддерживают связь по электронной почте, а также по тому, сколько времени сотрудники проводят на встречах.По словам Фуллера, с этими цифрами компании могут вносить изменения, например, налаживать связи между слабо связанными подразделениями, которые могли бы больше разговаривать, или устанавливать цели в отношении времени, проводимого на собраниях, которые дают каждому право пересматривать эти списки приглашенных.

VoloMetrix, основанная в 2011 году, является частью волны стартапов, стремящихся позволить работодателям отслеживать новые показатели поведения, счастья и вовлеченности сотрудников так же быстро, как они отслеживают показатели продаж и онлайн-трафик. И во многом так же, как компании, отслеживающие поведение потребителей в сети, они пользуются преимуществами новых возможностей обработки чисел и хранения данных — «вычислительной мощности действительно не было бы пару лет назад», — говорит Фуллер, — и перемещаются по неизведанным юридическая и этическая территория в отношении ожиданий конфиденциальности.

НОВЫЕ ТЕРРИТОРИИ
«То, что мы потратили первые пару лет, было очень надежной инфраструктурой безопасности корпоративного уровня, а также самообразованием по всем юридическим вопросам, вопросам конфиденциальности и многому другому. там », — говорит Фуллер. «Мы обнаружили, что у большинства компаний нет политики, применимой к тому, что мы делаем, поэтому мы должны помочь им изобрести ее».

Например, инструмент не вникает в тела отдельных сообщений или мгновенных сообщений: фиксируется только информация заголовка — метаданные, — говорит он.

«Мы никогда не опускаемся ниже строки заголовков — до, от, темы, даты, времени», — говорит Фуллер. «Мы не касаемся содержания сообщений, вложений или чего-то подобного».

И статистика анонимна и обычно предоставляется работодателям только как совокупная информация о группах сотрудников, а не как отчеты о поведении отдельных сотрудников, говорит он.

«По умолчанию мы используем 100% анонимные данные на уровне группы без включения PII для сотрудников компании», — говорится в политике конфиденциальности компании, используя общепринятую аббревиатуру для обозначения личной информации.«Ни один бизнес-пользователь не может удалить анонимность».

Отдельные сотрудники также могут видеть, как они соотносятся с компанией в целом и целями компании, помогая им в работе корректировать время, затрачиваемое на отправку электронных писем, посещение встреч или работу с клиентами.

ANALYTICS FOR FACE TIME TOO
Бостонский стартап под названием Sociometric Solutions идет еще дальше, выходя за рамки записей электронной почты и расписаний встреч, чтобы на самом деле отслеживать, как сотрудники взаимодействуют в личных беседах, используя носимые электронные значки, которые отслеживают, кто есть с кем разговаривать.Бейджи также могут регистрировать тон голоса и язык тела, который используют рабочие.

Компания смогла помочь своим клиентам найти способы повышения производительности, говорит соучредитель и генеральный директор Бен Вабер. Одна компания, оказывающая финансовые услуги, узнала, что сотрудники бэк-офиса получают выгоду от более частого взаимодействия со своими коллегами, ориентированными на клиентов, а другой клиент, профессиональная спортивная команда, получил представление о том, как и даже где на стадионе их лучшие продавцы конвертировали игры. собирать фанатов в владельцев абонементов.

«Если вы тратите на 5% больше времени, разговаривая с покупателями в этой части арены, вот сколько еще денег вы получите», — говорит Вабер, они смогли посоветовать персоналу по продажам.

Компания гарантирует получение согласия отдельных сотрудников и принимает меры для защиты конфиденциальности, говорит Вабер.

«Мы не записываем, что говорят люди», — говорит он. «Мы не считаем, сколько раз вы ходите в туалет».

И, как и в случае с VoloMetrix, данные представлены только в совокупности, говорит Вабер.Компании могут видеть, как взаимодействуют члены разных команд или как набор лучших исполнителей в каждой группе ведет себя иначе, чем другие, но только отдельные сотрудники получают доступ к своим собственным индивидуальным данным.

Вабер ранее заявлял, что компания даже позволяет отказавшимся сотрудникам носить фиктивные бейджи без реальных датчиков, чтобы их начальство не знало, что они решили не участвовать.

Но существуют инструменты, которые позволяют компаниям осуществлять более персонализированный мониторинг, теперь, когда облачные системы в значительной степени устранили затраты на хранение и головную боль ИТ-отдела, связанную с хранением и анализом данных о сотрудниках с произвольной детализацией.

КОГДА РАБОТНИКИ НЕ ЗНАЮТ, что за ними наблюдают
Один инструмент, называемый ActivTrak, позволяет работодателям автоматически регистрировать, сколько времени каждый из их сотрудников тратит на определенные приложения и посещает отдельные веб-сайты. Он не регистрирует отдельные нажатия клавиш, но его можно настроить на регулярное создание снимков экрана в течение дня или когда сотрудники запускают оповещения, посещая определенные сайты, — говорит Херб Аксилрод, президент компании Birch Grove Software, производителя ActivTrak, из Далласа.

«Вы можете начать запись скриншотов определенного окна, пока это окно активно», — говорит он.«Он не записывает текст сообщений электронной почты или сеансов чата, хотя это можно сделать с помощью снимков экрана, если для этого настроен будильник».

Аксилрод говорит, что компания поощряет клиентов сообщать своим сотрудникам о том, что за ними наблюдают, но в конечном итоге это зависит от индивидуальных работодателей, решат ли они это сделать. На странице часто задаваемых вопросов ActivTrak объясняется, что пользователи не смогут определить, когда установлено программное обеспечение, и советуется работодателям, которые хотят сохранить этот факт в секрете, чтобы случайно не оставить какие-либо зацепки.

«Вы, вероятно, не захотите использовать их браузер для загрузки и установки агента, поскольку это оставит запись истории браузера, которую вы можете забыть удалить», — предупреждает страница.

Установка программного обеспечения и мониторинг использования компьютера без ведома сотрудников, как правило, совершенно законны в США, хотя европейские законы строже, говорит Аксилрод.

Тупик в законодательстве по существу помешал Конгрессу заняться этой проблемой, объясняет Кори Чоккетти, доцент кафедры деловой этики и юридических исследований в Колледже бизнеса Дэниэлса при Денверском университете, который писал о мониторинге рабочих мест.

Еще в 2007 году широко цитируемый опрос Американской ассоциации менеджмента и ePolicy Institute показал, что около двух третей опрошенных работодателей отслеживают использование веб-сайтов своими работниками, а 45% заявили, что отслеживают, как сотрудники проводят свое время на компьютеров компании, просматриваемого контента или фактических нажатий клавиш. Поскольку организации готовятся к проведению нового опроса в этом году, эксперты по правовым вопросам предположили, что их число, вероятно, только увеличилось, поскольку технологии распространились по рабочим местам с 2007 года — времени, когда, согласно тому же опросу, только 10% компаний сообщили о мониторинге. как их бренды обсуждались в социальных сетях.

Сотрудники часто не осознают, насколько существующие технологии — от инструментов интернет-мониторинга до систем доступа к карточкам, которые могут отслеживать их приход и уход, — позволяют их работодателям отслеживать их деятельность, — говорит Чоккетти.

«Я думаю, что как минимум вы должны уведомлять сотрудников о том, что вы делаете», — говорит он. «Я хотел бы знать простым языком, а не юридическим языком, как вы за мной следите, и дать мне эту информацию, когда я буду нанят».

Один из рисков заключается в том, что недобросовестные боссы могут использовать все эти данные, чтобы избежать наказания за увольнение сотрудника по сомнительным с юридической точки зрения причинам, преследуя другие незамеченные нарушения политики, такие как нечеткая шутка, отправленная по электронной почте компании, или опоздание, зарегистрированное системой ключей. .«Так тебя увольняют, и никто не возражает», — говорит Чоккетти. «Это позволяет им скрыть свои дурные намерения».

По крайней мере, для компаний с благими намерениями этические соображения могут привести к добровольному ограничению надзора за сотрудниками и разумной политике раскрытия информации, говорит он.

А чувство слежки может легко подорвать моральный дух. «Если ваши сотрудники счастливее, они будут более эффективными и продуктивными», — говорит он.

Некоторые исследования показывают, что чрезмерный мониторинг сам по себе может снизить производительность и инновации, говорит Карен Леви, научный сотрудник Института информационного права Нью-Йоркского университета и Института исследований данных и общества.

«Мы не знаем точно, что это за механизм», — говорит она, хотя в одной влиятельной статье, которую цитирует доцент Гарвардской школы бизнеса Итан Бернстайн, говорится, что чрезмерно агрессивный мониторинг и измерения заставляют рабочих скрывать или просто воздерживаться от любых отклонений от установленных норм. практика — даже те, которые приносят пользу компании.

КАК ВЫ СМОТРИТЕ ВСЕ ЭТИ ДАННЫЕ?
Помимо этических и психологических вопросов, как компания и ее сотрудники начинают разбираться в массивах данных, собираемых в офисе? В недавнем проекте группы Microsoft Envisioning и Office for Creative Research, консультанта по визуализации данных из Нью-Йорка, были изучены некоторые возможности визуализации и интерфейса для изучения наборов больших данных с использованием настраиваемого программного обеспечения для визуализации, которое должно быть таким же простым, как Excel.

«Мы думаем, что есть действительно огромная возможность получить новые наборы инструментов, которые позволят вам взаимодействовать с этими огромными наборами данных», — говорит Харальд Беккер, старший стратег по проектированию Microsoft Envisioning.

Сотрудничая с группой Microsoft Envisioning Group, Office for Creative Research разработал Convene как инструмент визуализации для организаций, изучающих большие данные, в том числе свои собственные.

Набор данных, который использовался для проекта под названием Convene, был знаком сотрудникам Microsoft: анонимный фрагмент внутренней календарной базы данных Microsoft Outlook, который показывает схемы встреч между десятками тысяч сотрудников и подрядчиков в офисе компании в Редмонде. .

Команда Convene создала интерактивные сетевые визуализации, которые отслеживали то, что соучредитель OCR Джер Торп называет «широтой» — количеством отдельных команд, представленных на встречах, — и «глубиной», по сути, диапазоном рангов сотрудников на конкретных встречах. Визуализации отображаются на огромных сенсорных экранах с использованием жестов, напоминающих компьютеры в отчете Стивена Спилберга о меньшинствах.

«Одна из вещей, которую на самом деле пытается сделать Microsoft, — это улучшить взаимодействие между отделами», — говорит Торп.«Я думаю, что все организации в целом переходят от этих изолированных зверей к сетевым объектам».

В будущем этот инструмент можно было бы использовать, чтобы помочь Microsoft или другим организациям увидеть, как взаимодействуют их сотрудники, или помочь отдельным пользователям отслеживать свои собственные графики встреч — своего рода количественный инструмент самообучения в стиле FitBit, который поможет работникам оптимизировать время они проводят на собраниях, — говорит Торп.

«Если бы у вас было приложение для бега, возможно, вы пытались участвовать в марафоне», — говорит он.»Если у вас есть приложение для встреч, вы пытаетесь снизить его».

Как анализировать данные опроса в Excel?

Если на листе есть список данных обследования, как показано ниже, и вам нужно проанализировать этот опрос и создать отчет о результатах опроса в Excel, как вы могли бы это сделать? Теперь я расскажу об этапах анализа данных опроса и создания отчета о результатах в Microsoft Excel.

Анализ данных опроса в Excel

Часть 1. Подсчитайте все виды отзывов в опросе

Часть 2: Рассчитайте процентное соотношение всех отзывов

Часть 3. Создание отчета об обследовании с расчетными результатами выше

Вкладка «Office» Включает редактирование и просмотр с вкладками в Office и делает вашу работу намного проще…

Kutools for Excel решает большинство ваших проблем и увеличивает вашу производительность за счет 80%

Повторное использование всего: добавляйте наиболее часто используемые или сложные формулы, диаграммы и все остальное в избранное и быстро используйте их в будущем.
Более 20 текстовых функций: извлечение числа из текстовой строки; Извлечь или удалить часть текстов; Преобразование чисел и валют в английские слова.
Инструменты слияния: несколько книг и листов в одну; Объединить несколько ячеек / строк / столбцов без потери данных; Объедините повторяющиеся строки и сумму.
Инструменты разделения: разделение данных на несколько листов в зависимости от значения; Из одной книги в несколько файлов Excel, PDF или CSV; Один столбец в несколько столбцов.
Вставить, пропуская скрытые / отфильтрованные строки; Подсчет и сумма по цвету фона; Отправляйте персонализированные электронные письма нескольким получателям массово.
Суперфильтр: Создавайте расширенные схемы фильтров и применяйте их к любым листам; Сортировать по неделе, дню, частоте и т. Д. Фильтр жирным шрифтом, формулами, комментарием …
Более 300 мощных функций; Работает с Office 2007-2019 и 365; Поддерживает все языки; Простое развертывание на вашем предприятии или в организации.

Часть 1. Подсчитайте все виды отзывов в опросе

Во-первых, вам нужно посчитать общее количество отзывов в каждом вопросе.

1. Выберите пустую ячейку, например, ячейку B53, введите эту формулу = СЧИТАТЬПУСТОТЫ (B2: B51) (диапазон B2: B51 — это диапазон обратной связи по вопросу 1, вы можете изменить его как вам нужно) и нажмите кнопку Enter на клавиатуре. Затем перетащите маркер заполнения в диапазон, в котором вы хотите использовать эту формулу, здесь я заполняю его до диапазона B53: K53.Смотрите скриншот:

2. В ячейке B54 введите эту формулу = COUNTA (B2: B51) (диапазон B2: B51 — это диапазон обратной связи по вопросу 1, вы можете изменить его по своему усмотрению), и нажмите Введите кнопку на клавиатуре. Затем перетащите маркер заполнения в диапазон, в котором вы хотите использовать эту формулу, здесь я заполняю его до диапазона B54: K54. Смотрите скриншот:

3. В ячейке B55 введите эту формулу = СУММ (B53: B54) (диапазон B2: B51 — это диапазон обратной связи по вопросу 1, вы можете изменить его по своему усмотрению) в него, и нажмите кнопку Enter на клавиатуре, затем перетащите маркер заполнения в диапазон, в котором вы хотите использовать эту формулу, здесь я заполняю его до диапазона B55: K55.Смотрите скриншот:

Затем подсчитайте количество ответов «Полностью согласен», «Согласен», «Не согласен» и «Полностью не согласен» по каждому вопросу.

4. В ячейке B57 введите эту формулу = СЧЁТЕСЛИ (B2: B51, $ B $ 51) (диапазон B2: B51 — это диапазон обратной связи по вопросу 1, ячейка $ B $ 51 — критерий. вы хотите подсчитать, вы можете изменить их по своему усмотрению) и нажмите кнопку . Введите кнопку на клавиатуре, затем перетащите маркер заполнения в диапазон, в котором вы хотите использовать эту формулу, здесь я заполняю его до диапазона B57 : K57.Смотрите скриншот:

5. Введите = СЧЁТЕСЛИ (B2: B51, $ B $ 11) (диапазон B2: B51 — это диапазон обратной связи по вопросу 1, ячейка $ B $ 11 — это критерий, который вы хотите подсчитать, вы можете измените их по мере необходимости) в ячейку B58 и нажмите кнопку . Введите кнопку на клавиатуре, затем перетащите маркер заполнения в диапазон, в котором вы хотите использовать эту формулу, здесь я заполняю его до диапазона B58: K58. Смотрите скриншот:

6. Повторите шаги 5 или 6, чтобы подсчитать количество отзывов по каждому вопросу.Смотрите скриншот:

7. В ячейке B61 введите эту формулу = СУММ (B57: B60) (диапазон B2: B51 — это диапазон обратной связи по вопросу 1, вы можете изменить ее по своему усмотрению), чтобы суммировать общую обратную связь. и нажмите кнопку . Введите на клавиатуре, затем перетащите маркер заполнения в диапазон, в котором вы хотите использовать эту формулу, здесь я заполняю его до диапазона B61: K61. Смотрите скриншот:

Часть 2: Рассчитайте процентное соотношение всех отзывов

Затем вам нужно рассчитать процент каждой обратной связи по каждому вопросу.

8. В ячейке B62 введите эту формулу = B57 / $ B $ 61 (ячейка B57 указывает на особую обратную связь, которую вы хотите подсчитать, ее количество, ячейка $ B $ 61 представляет общее количество отзывов, вы можете изменить их по мере необходимости), чтобы просуммировать общую обратную связь, и нажмите кнопку , введите на клавиатуре кнопку , затем перетащите маркер заполнения в диапазон, в котором вы хотите использовать эту формулу. Затем отформатируйте ячейку в процентах, щелкнув правой кнопкой мыши> Форматирует ячейки > Процент .Смотрите скриншот:

Вы также можете отобразить эти результаты в процентах, выбрав их и щелкнув % (процентный стиль) в группе Число на вкладке Домашняя страница .

9. Повторите шаг 8, чтобы вычислить процент каждой обратной связи в каждом вопросе. Смотрите скриншот:

Часть 3. Создание отчета об обследовании с расчетными результатами выше

Теперь вы можете составить отчет о результатах опроса.

10. Выберите заголовки столбцов опроса (в данном случае A1: K1) и щелкните правой кнопкой мыши> Скопируйте , а затем вставьте их в другой пустой лист, щелкнув правой кнопкой мыши> Транспонировать (T) . Смотрите скриншот:

Если вы используете Microsoft Excel 2007 , вы можете вставить эти рассчитанные проценты, выбрав пустую ячейку и нажав Home > Paste > Transpose .Смотрите следующий снимок экрана:

11. Отредактируйте заголовок, как вам нужно, см. Снимок экрана:

12. Выберите часть, которую необходимо отобразить в отчете, и щелкните правой кнопкой мыши> Скопируйте , а затем перейдите на рабочий лист, который вам нужно вставить, и выберите одну пустую ячейку, такую как Ячейка B2, нажмите Home > Вставить > Специальная паста . Смотрите скриншот:

13. В диалоговом окне « Специальная вставка » отметьте «Значения » и «Транспонировать » в разделах «Вставить » и «Транспонировать » и нажмите ОК , чтобы закрыть это диалоговое окно.Смотрите скриншот:

Повторите шаги 10 и 11, чтобы скопировать и вставить необходимые данные, после чего будет составлен отчет об исследовании. Смотрите скриншот:

Обработка социометрии в excel: Социометрия в Excel

Обновленная версия компьютерной обработки социометрии в программе MO Excel

Справка по обработке социометрии — Социоматрица.Онлайн

1. Получаем список испытуемых в формате XSLX или CSV

2. Добавляем протокол на сайт и заполняем выборы в нем

3. Добавление выборов, заполнение и редактирование анкет

4. Просмотр и сохранение результатов

Сохранение результатов

Печать результатов обработки социометрии

5. Способы обработки социометрических данных

Задание №11. Обработка списочных данных в Microsoft Excel

Страна

Персональный сайт психолога — Диагностический инструментарий

ТОП сайтов по Хостингам

Анализ графиков и социальных сетей, анализ ссылок и визуализация

Сайты для анализа социальных сетей

Бесплатное программное обеспечение для анализа социальных сетей с открытым исходным кодом

Связанные

Неструктурированная информация — обзор

Аналитика больших данных для ухода за пожилыми людьми

Требования и проблемы для приложений по уходу за пожилыми людьми на основе больших данных

Роль контекста

Офис наблюдает за вами

Как анализировать данные опроса в Excel?

Как анализировать данные опроса в Excel?

Анализ данных опроса в Excel

Добавить комментарий Отменить ответ

Рубрики