Н.С. Суполкина1, А.К. Юсупова2, А.М. Носовский3

1–3 Государственный научный центр РФ Институт медико-биологических проблем РАН (ГНЦ РФ ИМБП РАН) (Москва, Россия)
1 Natalyasupolkina@yandex.ru, 2 anna_yusupova@mail.ru, 3 nam@imbp.ru

Постановка проблемы. Исследователи-психологи в космической сфере часто сталкиваются с рядом методических проблем, возникающих в процессе первичного анализа экспериментальных данных. Как правило, эти трудности имеют объективный характер и отражают специфику области космической медицины: ограниченная по объему выборка, точечное выпадение отдельных значений данных.

Цель. Разработать метод первичной математической обработки нерегулярного массива психологических данных на материале космического эксперимента «Контент» для небольшой выборки объемом 14 человек, продолжительность полета каждого из которых составляла от 0,5 до 1 года.

Результаты. Показано, что данные эксперимента, полученные с помощью контент-анализа текста рабочих неприватных переговоров космического экипажа и Центра управления полетами (ЦУП), представляют собой сравнение средних значений категорий контент-анализа, объединенных в три группы в соответствии с тремя основными функциями общения. Отмечено, что особенностью данных эксперимента «Контент» стало случайное выпадение количественных значений в некоторые дни полета, когда не составлялись стенограммы переговоров в контуре Земля–борт по внешним причинам. Общая выборка космонавтов была разделена на три группы на основании опыта полета. Для описания динамики общения космонавтов со специалистами ЦУП в разные периоды космической миссии для каждой группы космонавтов применен дисперсионный анализ.

Практическая значимость. Предложенная модель статистической обработки может быть применима для обработки первичных данных психологических экспериментов как в области космической медицины, так и в других сферах приложения психологических знаний в тех случаях, когда уникальность условий проведения эксперимента обуславливает небольшую по объему выборку испытуемых.

Суполкина Н.С., Юсупова А.К., Носовский А.М. Опыт статистического анализа упорядоченного нерегулярного массива данных при малой выборке на примере космического эксперимента «Контент» // Биомедицинская радиоэлектроника. 2025. T. 28.
№ 3. С. 79−86. DOI: https://doi.org/10.18127/j15604136-202503-09

1. Мясников О.П., Козеренко О. П., Пономарева И.П., Усков Ф.Н., Хидег Я., Чаушу В., Ханд М., Микшик О. Психическое состояние и работоспособность // Результаты медицинских исследований на орбитальном научно-исследовательском комплексе «Салют-6» – «Союз». М.: Наука. 1986. С. 216–233.
2. Орбитальная станция «Мир». М., 2001. Т. 1. 2002. T. 2.
3. Медико-биологические эксперименты на борту российского сегмента Международной космической станции / Под ред. Академика РАН О.И. Орлова. М.: ГНЦ РФ – ИМБП РАН. 2021. 232 с.
4. Windelband W. History and Natural Science. Theory & Psychology. 1998. V. 8(1). P. 5–22.
5. Кант И. Соч., т. 3. М. 1964. С. 402.
6. Lazarus R.; Folkman S. Stress, Appraisal and Coping. Springer Publishing Company: New York. NY. USA. 1984.
7. Shved D., Supolkina N., Yusupova A. The Communicative Behavior of Russian Cosmonauts: “Content” Space Experiment Result Generalization. Aerospace. 2024. V. 11(2). P. 136.
8. Ломов Б.Ф. Психические процессы и общение. М.: Институт психологии РАН. 2006. 574 с.
9. Костенко С.А. Технология применения многомерного шкалирования и кластерного анализа // Фундаментальные исследования. 2012. № 11. С. 927–930.
10. Small Sample Size Solutions. A Guide for Applied Researchers and Practicioners. Eds.: Van de Schoot, R., Miocevic, M. Routledge. 2020. 269 р.
11. Зиновьев А.Ю. Визуализация многомерных данных. Красноярск: Изд-во КГТУ. 2000. 320 с.
12. Лемешко Б.Ю., Миркин Е.П. Критерии Бартлетта и Кокрена в измерительных задачах при вероятностных законах, отличающихся от нормального // Измерительная техника. 2004. Т. №10. С. 10–16.
13. Кобзарь А.И. Прикладная математическая статистика. М.: Физматлит. 2006. 816 с.
14. Шапиро С.С., Уилк М.Б. Дисперсионный анализ на нормальность (полные выборки) // Биометрика. 1965. V. 52 (3–4). P. 591-611. DOI:10.1093/biomet/52.3-4.591.
15. Small Sample Size Solutions (Open Access). London: Routledge. 2020.
16. Костенко С.А. Технология применения многомерного шкалирования и кластерного анализа // Фундаментальные исследования. 2012. № 11. С. 927–930.
17. Костенко С.А. Обзор программных средств, использующих многомерные методы шкалирования и кластеризации // Вестник компьютерных технологий. 2013. № 1. С. 44–46.
18. Muresan D.D., Parks T.W. Adaptive Principal Components and Image Denoising. In: Image Processing, 2003, Proceedings // 2003 IEEE International Conference on Image Processing (ICIP). 2003. V. 1. 14–17 Sept. P. 101–104.