<?xml version="1.0" encoding="UTF-8"?>
    <!DOCTYPE article PUBLIC "-//NLM/DTD JATS (Z39.96) Journal Publishing DTD v1.2 20120330//EN" "http://jats.nlm.nih.gov/publishing/1.2/JATS-journalpublishing1.dtd">
    <!--<?xml-stylesheet type="text/xsl" href="article.xsl">-->
<article xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" article-type="research-article" dtd-version="1.2" xml:lang="en">
	<front>
		<journal-meta>
			<journal-id journal-id-type="issn">2303-9868</journal-id>
			<journal-id journal-id-type="eissn">2227-6017</journal-id>
			<journal-title-group>
				<journal-title>Международный научно-исследовательский журнал</journal-title>
			</journal-title-group>
			<issn pub-type="epub">2303-9868</issn>
			<publisher>
				<publisher-name>ООО Цифра</publisher-name>
			</publisher>
		</journal-meta>
		<article-meta>
			<article-id pub-id-type="doi">10.60797/IRJ.2026.173.62</article-id>
			<article-categories>
				<subj-group>
					<subject>Brief communication</subject>
				</subj-group>
			</article-categories>
			<title-group>
				<article-title>Экспертно-аналитический метод оценки латентных переменных в психофизиологии: теоретическое обоснование на основе теории нечётких множеств</article-title>
			</title-group>
			<contrib-group>
				<contrib contrib-type="author" corresp="yes">
					<contrib-id contrib-id-type="orcid">https://orcid.org/0000-0001-5465-530X</contrib-id>
					<contrib-id contrib-id-type="rinc">https://elibrary.ru/author_profile.asp?id=45625718</contrib-id>
					<name>
						<surname>Косачев</surname>
						<given-names>Валерий Ефимович</given-names>
					</name>
					<email>vekos49@yandex.ru</email>
					<xref ref-type="aff" rid="aff-1">1</xref>
				</contrib>
				<contrib contrib-type="author">
					<contrib-id contrib-id-type="orcid">https://orcid.org/0009-0004-2285-1364</contrib-id>
					<name>
						<surname>Малюсин</surname>
						<given-names>Юрий Владимирович</given-names>
					</name>
					<email>brodyga08@mail.ru</email>
					<xref ref-type="aff" rid="aff-1">1</xref>
				</contrib>
				<contrib contrib-type="author">
					<contrib-id contrib-id-type="orcid">https://orcid.org/0000-0003-1290-0113</contrib-id>
					<name>
						<surname>Орлов</surname>
						<given-names>Артемий Владимирович</given-names>
					</name>
					<email>orlovartem@mail.ru</email>
					<xref ref-type="aff" rid="aff-1">1</xref>
				</contrib>
				<contrib contrib-type="author">
					<contrib-id contrib-id-type="orcid">https://orcid.org/0009-0009-6939-7759</contrib-id>
					<name>
						<surname>Демина</surname>
						<given-names>Полина Николаевна</given-names>
					</name>
					<email>pndemina@mail.ru</email>
					<xref ref-type="aff" rid="aff-1">1</xref>
				</contrib>
			</contrib-group>
			<aff id="aff-1">
				<label>1</label>
				<institution>Федеральный научно-клинический центр космической медицины и биологии</institution>
			</aff>
			<pub-date publication-format="electronic" date-type="pub" iso-8601-date="2026-11-17">
				<day>17</day>
				<month>11</month>
				<year>2026</year>
			</pub-date>
			<pub-date pub-type="collection">
				<year>2026</year>
			</pub-date>
			<volume>9</volume>
			<issue>173</issue>
			<fpage>1</fpage>
			<lpage>9</lpage>
			<history>
				<date date-type="received" iso-8601-date="2026-10-07">
					<day>07</day>
					<month>10</month>
					<year>2026</year>
				</date>
				<date date-type="accepted" iso-8601-date="2026-10-22">
					<day>22</day>
					<month>10</month>
					<year>2026</year>
				</date>
			</history>
			<permissions>
				<copyright-statement>Copyright: &amp;#x00A9; 2022 The Author(s)</copyright-statement>
				<copyright-year>2022</copyright-year>
				<license license-type="open-access" xlink:href="http://creativecommons.org/licenses/by/4.0/">
					<license-p>
						This is an open-access article distributed under the terms of the Creative Commons Attribution 4.0 International License (CC-BY 4.0), which permits unrestricted use, distribution, and reproduction in any medium, provided the original author and source are credited. See 
						<uri xlink:href="http://creativecommons.org/licenses/by/4.0/">http://creativecommons.org/licenses/by/4.0/</uri>
					</license-p>
					.
				</license>
			</permissions>
			<self-uri xlink:href="https://research-journal.org/archive/11-173-2026-november/10.60797/IRJ.2026.173.62"/>
			<abstract>
				<p>Предложен и теоретически обоснован экспертно-аналитический метод количественной оценки латентных переменных в психофизиологических и медицинских исследованиях. Метод интегрирует экспертное моделирование структуры латентной переменной, нормирование регистрируемых показателей через реперные точки на основе эмпирических процентилей с возможностью их коррекции экспертным путем и преобразование индикаторов в единую шкалу посредством функций принадлежности нечётких множеств. Агрегирование частных оценок осуществляется через среднее геометрическое, реализующее принцип компенсаторной гипердиагностики. Проведено систематическое сравнение предложенного подхода с классическими методами оценки латентных конструктов — IRT, SEM и fuzzy-SEM. Показано, что метод обладает преимуществами при работе с малыми выборками, гетерогенными данными и нелинейными зависимостями. Обсуждаются математические свойства используемых функций принадлежности, их связь с функцией желательности Харрингтона, а также границы применимости метода.</p>
			</abstract>
			<kwd-group>
				<kwd>латентные переменные</kwd>
				<kwd> нечёткие множества</kwd>
				<kwd> функция принадлежности</kwd>
				<kwd> квалиметрия</kwd>
				<kwd> психофизиология</kwd>
				<kwd> среднее геометрическое</kwd>
				<kwd> реперные точки</kwd>
				<kwd> функция желательности Харрингтона</kwd>
				<kwd> IRT</kwd>
				<kwd> SEM</kwd>
			</kwd-group>
		</article-meta>
	</front>
	<body>
		<sec>
			<title>HTML-content</title>
			<p>1. Введение</p>
			<p>Проблема количественной оценки латентных переменных является одной из центральных в психофизиологии, психодиагностике и медицине труда. Латентные переменные — это теоретические конструкты (работоспособность, функциональное состояние, профессиональная пригодность, уровень тревожности), которые не могут быть измерены напрямую, а проявляются через совокупность регистрируемых индикаторов [1][2]. Переход от наблюдаемых к латентным переменным требует применения специальных методов вычисления, обеспечивающих валидность и воспроизводимость получаемых оценок.</p>
			<p>В современной психометрике доминируют два класса подходов к оценке латентных конструктов: модели теории тестовых заданий (Item Response Theory, IRT) [3] и модели структурных уравнений (SEM) [4]. Оба подхода хорошо формализованы и имеют развитый статистический аппарат. Однако их практическое применение в прикладных психофизиологических исследованиях наталкивается на ряд ограничений: требование больших выборок (n &gt; 200 для SEM, n &gt; 500 для многопараметрических моделей IRT), допущение о нормальности распределений, сложность интерпретации результатов для практиков-неспециалистов в математической статистике [5][6].</p>
			<p>Альтернативный подход к оценке латентных переменных был заложен в квалиметрии — науке о количественной оценке качества [7][8]. Квалиметрический подход предполагает построение иерархической структуры показателей, их нормирование и агрегирование в сводную оценку. Применение этого подхода к психофизиологическим конструктам осуществлялось в отечественных работах начиная с 1980-х годов [9][10], однако до настоящего времени отсутствует систематическое теоретическое обоснование применяемых процедур с позиций теории нечётких множеств.</p>
			<p>Теория нечётких множеств, основы которой заложил Л.А. Заде [11], позволяет формализовать переход от количественных показателей, результатов наблюдения к качественным оценкам через функции принадлежности. В отличие от классической бинарной логики, нечёткие множества допускают промежуточные степени принадлежности элемента к множеству (от 0 до 1), что адекватно отражает «размытую» природу психофизиологических конструктов [12][13].</p>
			<p>Целью настоящей работы является теоретическое обоснование экспертно-аналитического метода оценки латентных переменных, интегрирующего квалиметрический подход с аппаратом теории нечётких множеств, и систематическое сравнение предложенного метода с альтернативными подходами (IRT, SEM, fuzzy-SEM).</p>
			<p>2. Теоретические основы метода</p>
			<p>2.1. Структура латентной переменной: экспертное моделирование</p>
			<p>Латентная переменная L определяется как теоретический конструкт, проявляющийся через конечное множество регистрируемых индикаторов X = {x1, x2, ..., xn}. Структурная модель латентной переменной представляет собой ориентированный граф, в котором узлы соответствуют индикаторам, а рёбра — связям между индикаторами и латентной переменной.</p>
			<p>Построение структурной модели осуществляется экспертным путём с привлечением специалистов предметной области (3–5 экспертов) и включает: определение перечня информативных тестов и их показателей; установление направленности влияния каждого показателя на латентную переменную (прямая или обратная); при необходимости — верификацию экспертных решений на обучающей выборке методами корреляционного или факторного анализа [14].</p>
			<p>Оценка согласованности экспертных решений. Каждый из m экспертов (m = 3–5) независимо ранжирует k индикаторов-кандидатов по информативности для латентной переменной L (допускаются связанные ранги) и указывает направленность влияния каждого индикатора. Согласованность ранжировок оценивается коэффициентом конкордации Кендалла W = 12S / [m²(k³ − k) − m·ΣTⱼ], где S — сумма квадратов отклонений сумм рангов индикаторов от их среднего, Tⱼ — поправка на связанные ранги у j-го эксперта [26]. Статистическая значимость W проверяется критерием χ² = m(k − 1)W с df = k − 1 (при k &gt; 7) либо по точным таблицам распределения S (при k ≤ 7) [27]. Экспертная структурная модель принимается при W ≥ 0,70 и p &lt; 0,05. При 0,50 ≤ W &lt; 0,70 проводится дополнительный тур согласования по процедуре Дельфи с анонимной обратной связью; при W &lt; 0,50 пересматривается состав индикаторов-кандидатов или группы экспертов.</p>
			<p>Критерии включения индикатора в структурную модель: </p>
			<p>а) медиана экспертной оценки информативности ≥ 4 по 5-балльной шкале при межквартильном размахе ≤ 1; </p>
			<p>б) единогласие экспертов в отношении направленности влияния индикатора на L; </p>
			<p>в) при наличии обучающей выборки — статистически значимая связь с внешним критерием (|r| ≥ 0,30) либо нагрузка на общий фактор ≥ 0,40 [14]. </p>
			<p>Критерии исключения: </p>
			<p>а) избыточность — |r| &gt; 0,90 с уже включённым индикатором (дублирование фактически удваивает вес соответствующего компонента в среднем геометрическом); </p>
			<p>б) противоречивая, по мнению экспертов, направленность влияния; </p>
			<p>в) недоступность индикатора для регистрации в типовых условиях применения метода.</p>
			<p>В качестве модельного примера в настоящей работе используется латентная переменная «работоспособность человека-оператора», оцениваемая по тесту простой зрительно-моторной реакции (ПЗМР) через три индикатора: среднее время реакции (μ, мс), среднеквадратическое отклонение времени реакций (σ, мс), суммарное число ошибок (ε, шт.). Все три индикатора удовлетворяют критериям включения; парные корреляции между ними в обучающих выборках не превышают 0,6, что исключает избыточность.</p>
			<p>2.2. Реперные точки и нормирование: связь с функцией желательности Харрингтона</p>
			<p>Ключевым этапом метода является преобразование разнородных регистрируемых показателей в сопоставимую шкалу. Для этого используются реперные точки — пороговые значения, разделяющие диапазон показателя на качественно различные интервалы.</p>
			<p>Реперные точки определяются на основе эмпирического распределения показателя в обучающей выборке как значения, соответствующие заданным процентилям. Для четырёхуровневой лингвистической шкалы используются три Реперные точки, соответствующие 10-му, 37-му и 67-му процентилям. Эти процентили не случайны: для нормально распределённого показателя они соответствуют значениям, отстоящим от среднего примерно на -1.28σ, -0.33σ и +0.44σ, что позволяет использовать их как эмпирические аналоги статистических границ нормы и патологии.</p>
			<p>Выбор именно этих процентильных границ не является произвольным — он основан на свойствах экспоненциальной функции желательности Харрингтона [15]. Функция желательности d(y) = exp(−exp(−y)) имеет две характерные точки: точку перегиба при y = 0, d = 1/e ≈ 0,37 (вторая производная d″ = d·e⁻ʸ·(e⁻ʸ − 1) обращается в нуль только при y = 0), в которой функция меняет характер кривизны с выпуклой на вогнутую, и уровень d = 1 − 1/e ≈ 0,63. Эти значения совпадают с границами «неудовлетворительно / удовлетворительно» и «удовлетворительно / хорошо» стандартной шкалы Харрингтона (0,20; 0,37; 0,63; 0,80) [15] и определяют границы между «средним» и «выше среднего», «выше среднего» и «высоким» уровнями. В качестве эмпирической границы верхнего уровня принят 67-й процентиль — ближайшее к d = 0,632 значение, традиционно используемое в квалиметрических шкалах [9][10]; расхождение в 3–4 процентильных пункта лежит внутри интервала выборочной неопределённости реперной точки при n ≤ 200 (см. табл. 4). Нижняя граница (10-й процентиль) соответствует области, в которой функция желательности близка к нулю (d ≈ 0,07–0,10), что маркирует зону неудовлетворительных значений.</p>
			<mml:math display="inline">
				<mml:mrow>
					<mml:mi>d</mml:mi>
					<mml:mo stretchy="false">(</mml:mo>
					<mml:mi>y</mml:mi>
					<mml:mo stretchy="false">)</mml:mo>
					<mml:mo>=</mml:mo>
					<mml:mi>exp</mml:mi>
					<mml:mo stretchy="false">(</mml:mo>
					<mml:mo>−</mml:mo>
					<mml:mi>exp</mml:mi>
					<mml:mo stretchy="false">(</mml:mo>
					<mml:mo>−</mml:mo>
					<mml:mi>y</mml:mi>
					<mml:mo stretchy="false">)</mml:mo>
					<mml:mo stretchy="false">)</mml:mo>
					<mml:mo>,</mml:mo>
					<mml:mspace width="0.278em"/>
					<mml:mi>y</mml:mi>
					<mml:mo>∈</mml:mo>
					<mml:mo stretchy="false">(</mml:mo>
					<mml:mo>−</mml:mo>
					<mml:mo>∞</mml:mo>
					<mml:mo>,</mml:mo>
					<mml:mo>+</mml:mo>
					<mml:mo>∞</mml:mo>
					<mml:mo stretchy="false">)</mml:mo>
					<mml:mo>,</mml:mo>
					<mml:mspace width="0.278em"/>
					<mml:mi>d</mml:mi>
					<mml:mo>∈</mml:mo>
					<mml:mo stretchy="false">[</mml:mo>
					<mml:mn>0</mml:mn>
					<mml:mo>,</mml:mo>
					<mml:mn>1</mml:mn>
					<mml:mo stretchy="false">]</mml:mo>
				</mml:mrow>
			</mml:math>
			<table-wrap id="T1">
				<label>Table 1</label>
				<caption>
					<p>Соответствие значений функции желательности Харрингтона и оценочных уровней четырехбалльной шкалы</p>
				</caption>
				<table>
					<tr>
						<td>Уровень</td>
						<td>Процентильный интервал</td>
						<td>Значение d Харрингтона</td>
						<td>Лингвистическая метка (mᵢ)</td>
						<td>Балл</td>
					</tr>
					<tr>
						<td>Низкий</td>
						<td>0,00 – 0,10</td>
						<td>0,00 – 0,07</td>
						<td>0,10</td>
						<td>2</td>
					</tr>
					<tr>
						<td>Средний</td>
						<td>0,10 – 0,37</td>
						<td>0,07 – 0,37</td>
						<td>0,25</td>
						<td>3</td>
					</tr>
					<tr>
						<td>Выше среднего</td>
						<td>0,37 – 0,67</td>
						<td>0,37 – 0,63</td>
						<td>0,50</td>
						<td>4</td>
					</tr>
					<tr>
						<td>Высокий</td>
						<td>0,67 – 1,00</td>
						<td>0,63 – 1,00</td>
						<td>0,75</td>
						<td>5</td>
					</tr>
				</table>
			</table-wrap>
			<p>2.3. Функции принадлежности: дискретная и непрерывная формы</p>
			<p>В базовом варианте метода используется дискретная (ступенчатая) функция принадлежности, присваивающая каждому лингвистическому интервалу фиксированное значение (0,10; 0,25; 0,50; 0,75). Данные метки не являются точным отображением значений функции Харрингтона, а выступают в качестве дискретного аппроксиманта, обеспечивающего простоту расчётов и однозначность интерпретации. Дискретная форма является некоторым упрощением. Для повышения точности может быть использована непрерывная трапецеидальная или сигмоидальная функция принадлежности. Трапецеидальная функция принадлежности для i-го лингвистического уровня определяется четвёркой параметров (a, b, c, d):</p>
			<mml:math display="inline">
				<mml:mrow>
					<mml:msub>
						<mml:mi>μ</mml:mi>
						<mml:mrow>
							<mml:mi>A</mml:mi>
						</mml:mrow>
					</mml:msub>
					<mml:mo stretchy="false">(</mml:mo>
					<mml:mi>x</mml:mi>
					<mml:mo stretchy="false">)</mml:mo>
					<mml:mo>=</mml:mo>
					<mml:mo>max</mml:mo>
					<mml:mo stretchy="false">(</mml:mo>
					<mml:mn>0</mml:mn>
					<mml:mo>,</mml:mo>
					<mml:mo>min</mml:mo>
					<mml:mo stretchy="false">(</mml:mo>
					<mml:mo stretchy="false">(</mml:mo>
					<mml:mi>x</mml:mi>
					<mml:mo>−</mml:mo>
					<mml:mi>a</mml:mi>
					<mml:mo stretchy="false">)</mml:mo>
					<mml:mo>/</mml:mo>
					<mml:mo stretchy="false">(</mml:mo>
					<mml:mi>b</mml:mi>
					<mml:mo>−</mml:mo>
					<mml:mi>a</mml:mi>
					<mml:mo stretchy="false">)</mml:mo>
					<mml:mo>,</mml:mo>
					<mml:mn>1</mml:mn>
					<mml:mo>,</mml:mo>
					<mml:mo stretchy="false">(</mml:mo>
					<mml:mi>d</mml:mi>
					<mml:mo>−</mml:mo>
					<mml:mi>x</mml:mi>
					<mml:mo stretchy="false">)</mml:mo>
					<mml:mo>/</mml:mo>
					<mml:mo stretchy="false">(</mml:mo>
					<mml:mi>d</mml:mi>
					<mml:mo>−</mml:mo>
					<mml:mi>c</mml:mi>
					<mml:mo stretchy="false">)</mml:mo>
					<mml:mo stretchy="false">)</mml:mo>
					<mml:mo stretchy="false">)</mml:mo>
				</mml:mrow>
			</mml:math>
			<p>Выбор между дискретной и непрерывной формой функции принадлежности определяется точностью, с которой по обучающей выборке объёма n могут быть установлены границы лингвистических интервалов. Дифференциация внутри интервала (непрерывная форма) содержательна лишь тогда, когда неопределённость положения границ существенно меньше ширины самого интервала. Для количественной оценки выполнено Монте-Карло-моделирование: для каждого n ∈ {20, 30, 50, 100, 200} генерировалось 3000 выборок из нормального, логнормального (σ = 0,5) и экспоненциального распределений; по каждой выборке оценивались реперные точки P₁₀, P₃₇, P₆₇, определялись их положение в шкале процентильных рангов истинного распределения и доля лиц в независимой выборке (N = 2000), отнесённых по выборочным реперным точкам к иному лингвистическому уровню, чем по истинным. Результаты (табл. 4) показывают, что при n ≥ 100 полуширина 95%-го интервала выборочной изменчивости нижней реперной точки (≈ 6 процентильных пунктов) становится меньше ширины наиболее узкого лингвистического интервала (10 пунктов), а доля ошибочной классификации снижается до ≈ 10%; в этих условиях переход к непрерывной функции принадлежности оправдан. При n &lt; 50 неопределённость положения реперных точек (≥ 8 пунктов) сопоставима с шириной интервала или превышает её, доля ошибочной классификации составляет 14–22%, и уточнение оценки внутри интервала не превышает ошибки положения его границ: дискретная форма здесь адекватна точности данных и предпочтительна по простоте расчёта, что важно в задачах экспресс-диагностики. Диапазон 50 ≤ n &lt; 100 является переходным: базовой остаётся дискретная форма, непрерывная допустима при подтверждении устойчивости реперных точек бутстреп-процедурой (раздел 4). Указанные пороги являются ориентировочными; при планировании конкретного исследования критерием служит отношение полуширины бутстреп-интервала реперной точки к ширине прилегающего лингвистического интервала, которое для применения непрерывной формы не должно превышать 0,6.</p>
			<table-wrap id="T2">
				<label>Table 2</label>
				<caption>
					<p>Устойчивость процентильных реперных точек в зависимости от объёма обучающей выборки: полуширина 95%-го интервала выборочной изменчивости реперной точки, процентильные пункты, и доля ошибочной классификации</p>
				</caption>
				<table>
					<tr>
						<td>n</td>
						<td>P₁₀</td>
						<td>P₃₇</td>
						<td>P₆₇</td>
						<td>Доля ошибочной классификации, %</td>
					</tr>
					<tr>
						<td>20</td>
						<td>13,7</td>
						<td>19,7</td>
						<td>19,0</td>
						<td>22,1</td>
					</tr>
					<tr>
						<td>30</td>
						<td>11,4</td>
						<td>16,7</td>
						<td>15,9</td>
						<td>18,2</td>
					</tr>
					<tr>
						<td>50</td>
						<td>8,3</td>
						<td>13,0</td>
						<td>12,3</td>
						<td>14,1</td>
					</tr>
					<tr>
						<td>100</td>
						<td>6,1</td>
						<td>9,2</td>
						<td>9,3</td>
						<td>10,2</td>
					</tr>
					<tr>
						<td>200</td>
						<td>4,2</td>
						<td>6,6</td>
						<td>6,3</td>
						<td>7,0</td>
					</tr>
				</table>
			</table-wrap>
			<p>2.4. Обоснование выбора способа агрегирования</p>
			<p>Обобщённый показатель латентной переменной рассчитывается как среднее геометрическое частных оценок μᵢ = μA(xᵢ) ∈ (0, 1], i = 1, …, n:</p>
			<mml:math display="inline">
				<mml:mrow>
					<mml:mrow>
						<mml:mi mathvariant="normal">I</mml:mi>
						<mml:mi mathvariant="normal">a</mml:mi>
					</mml:mrow>
					<mml:mo>=</mml:mo>
					<mml:msup>
						<mml:mrow>
							<mml:mo stretchy="true" fence="true" form="prefix">(</mml:mo>
							<mml:msubsup>
								<mml:mo>∏</mml:mo>
								<mml:mrow>
									<mml:mi>i</mml:mi>
									<mml:mo>=</mml:mo>
									<mml:mn>1</mml:mn>
								</mml:mrow>
								<mml:mrow>
									<mml:mi>n</mml:mi>
								</mml:mrow>
							</mml:msubsup>
							<mml:msub>
								<mml:mi>μ</mml:mi>
								<mml:mrow>
									<mml:mi>i</mml:mi>
								</mml:mrow>
							</mml:msub>
							<mml:mo stretchy="true" fence="true" form="postfix">)</mml:mo>
						</mml:mrow>
						<mml:mrow>
							<mml:mn>1</mml:mn>
							<mml:mo>/</mml:mo>
							<mml:mi>n</mml:mi>
						</mml:mrow>
					</mml:msup>
				</mml:mrow>
			</mml:math>
			<p>Выбор среднего геометрического в качестве оператора агрегирования обусловлен следующими математическими и содержательными соображениями:</p>
			<p>Свойство асимметричной компенсации. Среднее геометрическое является частным случаем степенного среднего Mp при p → 0. При p = 1 (среднее арифметическое) полная компенсация низкого показателя высоким возможна; при p → −∞ (минимум) компенсация невозможна. Среднее геометрическое обеспечивает промежуточный режим: асимметричную компенсацию, при которой низкий показатель «тянет вниз» общую оценку существенно сильнее, чем высокий — «вверх». Это реализует принцип гипердиагностики: если хотя бы один частный показатель снижен, обобщённая оценка снижается непропорционально сильно [16].</p>
			<p>Инвариантность к масштабу. Среднее геометрическое инвариантно относительно мультипликативных преобразований шкалы, что существенно при работе с безразмерными оценками функции принадлежности.</p>
			<p>Корректность при ограниченном диапазоне. Необходимо отметить, что все частные оценки, как и обобщенная оценка (среднее геометрическое) находятся в одинаковом интервале значений (0, 1], что обеспечивает их идентичность и интерпретацию.</p>
			<table-wrap id="T3">
				<label>Table 3</label>
				<caption>
					<p>Сравнение операторов агрегирования для задачи оценки латентных переменных</p>
				</caption>
				<table>
					<tr>
						<td>Оператор (модель агрегирования)</td>
						<td>Формула</td>
						<td>Чувствительность к низким значениям</td>
						<td>Особенность применения</td>
					</tr>
					<tr>
						<td>Среднее арифметическое (аддитивная модель)</td>
						<td>Σxi/n</td>
						<td>Низкая</td>
						<td>Аддитивная модель предполагает компенсацию (низкое качество по одному параметру можно компенсировать высоким качеством по другому параметру)</td>
					</tr>
					<tr>
						<td>Среднее геометрическое (мультипликативная модель)</td>
						<td>1/n</td>
						<td>Высокая</td>
						<td>Мультипликативная модель предполагает асимметричную компенсацию (реализует принцип гипердиагностики: низкий показатель сильнее тянет оценку вниз, чем высокий — вверх)</td>
					</tr>
					<tr>
						<td>OWA (Ordered Weighted Averaging) или оператор Ягера</td>
						<td>Σwi·xσ(i)</td>
						<td>Настраиваемая</td>
						<td>Модель позволяет за счет «весовых коэффициентов» сделать упор на лучшие результаты (увеличение веса лучшего показателя) или на худшие результаты (увеличение веса худшего показателя)</td>
					</tr>
				</table>
			</table-wrap>
			<p>Дополнительным аргументом в пользу среднего геометрического является его использование в квалиметрии [7] и в индексных методах (например, Индекс человеческого развития ООН рассчитывается как среднее геометрическое трёх компонент).</p>
			<p>3. Сравнительный анализ с
альтернативными подходами оценки латентных переменных</p>
			<p>Сравнительный анализ показывает, что IRT (Item Response Theory) наиболее часто применяется для создания, анализа и оценки эффективности тестов и опросников; SEM (Structural Equation Modeling) — метод моделирования структурными уравнениями, который объединяет факторный анализ и множественную регрессию; Fuzzy-SEM (Fuzzy Structural Equation Modeling)  гибридный метод статистического анализа, объединяющий моделирование структурными уравнениями (SEM) и теорию нечетких множеств (Fuzzy Set Theory).</p>
			<table-wrap id="T4">
				<label>Table 4</label>
				<caption>
					<p>Систематическое сравнение экспертно-аналитического метода с методами IRT, SEM и fuzzy-SEM</p>
				</caption>
				<table>
					<tr>
						<td>Критерий</td>
						<td>IRT</td>
						<td>SEM</td>
						<td>Fuzzy-SEM</td>
						<td>Предлагаемый метод</td>
					</tr>
					<tr>
						<td>Минимальный размер выборки</td>
						<td>200–500</td>
						<td>200+</td>
						<td>50–100</td>
						<td>10–30*</td>
					</tr>
					<tr>
						<td>Тип данных</td>
						<td>Дихотомические / порядковые</td>
						<td>Непрерывные</td>
						<td>Нечёткие</td>
						<td>Любые</td>
					</tr>
					<tr>
						<td>Допущение нормальности</td>
						<td>Частичное</td>
						<td>Да</td>
						<td>Нет</td>
						<td>Нет**</td>
					</tr>
					<tr>
						<td>Роль эксперта</td>
						<td>Минимальная</td>
						<td>Умеренная</td>
						<td>Умеренная</td>
						<td>Ведущая</td>
					</tr>
					<tr>
						<td>Интерпретируемость</td>
						<td>Средняя</td>
						<td>Сложная</td>
						<td>Средняя</td>
						<td>Высокая</td>
					</tr>
					<tr>
						<td>Учёт нелинейности</td>
						<td>Ограниченно</td>
						<td>Ограниченно</td>
						<td>Да</td>
						<td>Да</td>
					</tr>
					<tr>
						<td>Лингвистическая интерпретация</td>
						<td>Нет</td>
						<td>Нет</td>
						<td>Да</td>
						<td>Да</td>
					</tr>
					<tr>
						<td>Возможные программы обработки</td>
						<td>Mplus, R (ltm, mirt)</td>
						<td>Mplus, AMOS, R (lavaan)</td>
						<td>MATLAB (Fuzzy Logic Toolbox), R (lavaan + процедуры фаззификации)</td>
						<td>Excel, R, Python (легко реализуем в виде скрипта или пакета)</td>
					</tr>
				</table>
			</table-wrap>
			<p>Предлагаемый метод не претендует на замену IRT или SEM в задачах, для которых они предназначены (масштабное тестирование, конфирматорные модели, подтверждающие гипотезу о взаимосвязях между латентными и наблюдаемыми переменными). Его ниша — прикладные психологические, психофизиологические, медицинские исследования с ограниченными выборками, гетерогенными показателями и потребностью в интерпретируемых результатах.</p>
			<p>4. Ограничения
применения</p>
			<p>Метод имеет ряд ограничений, которые необходимо учитывать при его применении.</p>
			<p>Зависимость от качества экспертных решений. Первый этап (построение структурной модели) целиком зависит от знаний и опыта экспертов. Ошибки в определении структуры латентной переменной (включение нерелевантных индикаторов, пропуск значимых) непосредственно влияют на валидность результата. Для минимизации этого риска рекомендуется привлечение нескольких экспертов с оценкой согласованности их решений.</p>
			<p>Устойчивость реперных точек. При малых обучающих выборках (n &lt;30) процентильные оценки реперных точек имеют широкие доверительные интервалы. Для оценки устойчивости рекомендуется бутстреп-процедура (B ≥ 1000 репликаций) с построением 95%-х доверительных интервалов для каждой реперной точки. Дополнительно рекомендуется проводить анализ чувствительности — расчёт итогового индекса при смещении реперных точек на ±1 процентиль. Если оценка меняется кардинально (более чем на 0,1 в абсолютном выражении), результаты считаются нестабильными, и требуется увеличение выборки.</p>
			<p>Зависимость устойчивости реперных точек от формы распределения. Процентильная оценка реперных точек не требует допущения нормальности: положение реперных точек в шкале процентильных рангов и доля ошибочной классификации инвариантны к монотонным преобразованиям показателя и, следовательно, к форме его распределения (табл. 4). Однако стандартная ошибка выборочного квантиля в исходных единицах измерения SE(x̂ₚ) ≈ √[p(1 − p)/n] / f(xₚ) обратно пропорциональна плотности распределения f в точке квантиля. Для асимметричных распределений, типичных для психофизиологических показателей (время реакции описывается экс-гауссовым распределением с тяжёлым правым хвостом [29]), реперные точки, лежащие в области хвоста, оцениваются менее точно: в модельном примере (экс-гауссово распределение времени реакции, μ = 250, σ = 25, τ = 80 мс) при n = 30 полуширина 95%-го интервала составляет ≈ 21 мс для 10-го и ≈ 39 мс для 67-го процентиля. Отсюда два практических следствия: </p>
			<p>1) при экспертной коррекции реперных точек в исходных единицах необходимо учитывать их неодинаковую точность; </p>
			<p>2) при n &lt; 50 для асимметричных индикаторов целесообразно использовать сглаженную оценку квантилей Харрелла–Дэвиса [28], обладающую меньшей дисперсией, чем выборочная порядковая статистика, в сочетании с бутстреп-оценкой доверительных интервалов.</p>
			<p>Дискретность шкалы. Четырёхуровневая дискретная функция принадлежности может быть недостаточна для ситуаций, когда значение слабо изменяется и может оставаться в пределах одного интервала. Этот эффект критичен при мониторинге динамических процессов, когда изменения показателя происходят внутри одного лингвистического интервала.</p>
			<p>Равновесность частных показателей. В базовом варианте метода все частные показатели вносят одинаковый вклад в обобщённую оценку. При наличии содержательных оснований для дифференциации вклада показателей возможна модификация формулы (3) с использованием взвешенного среднего геометрического частных оценок μᵢ:</p>
			<mml:math display="inline">
				<mml:mrow>
					<mml:mtext> Iaw </mml:mtext>
					<mml:mo>=</mml:mo>
					<mml:msubsup>
						<mml:mo>∏</mml:mo>
						<mml:mrow>
							<mml:mi>i</mml:mi>
							<mml:mo>=</mml:mo>
							<mml:mn>1</mml:mn>
						</mml:mrow>
						<mml:mrow>
							<mml:mi>n</mml:mi>
						</mml:mrow>
					</mml:msubsup>
					<mml:msubsup>
						<mml:mi>μ</mml:mi>
						<mml:mrow>
							<mml:mi>i</mml:mi>
						</mml:mrow>
						<mml:mrow>
							<mml:msub>
								<mml:mi>w</mml:mi>
								<mml:mrow>
									<mml:mi>i</mml:mi>
								</mml:mrow>
							</mml:msub>
						</mml:mrow>
					</mml:msubsup>
					<mml:mo>,</mml:mo>
					<mml:mspace width="0.278em"/>
					<mml:mtext> где </mml:mtext>
					<mml:mi>Σ</mml:mi>
					<mml:msub>
						<mml:mi>w</mml:mi>
						<mml:mrow>
							<mml:mi>i</mml:mi>
						</mml:mrow>
					</mml:msub>
					<mml:mo>=</mml:mo>
					<mml:mn>1</mml:mn>
				</mml:mrow>
			</mml:math>
			<p>Для эмпирического обоснования весов wᵢ может быть использован корреляционный анализ частных показателей с внешним критерием (например, с интегральным показателем успешности профессиональной деятельности). Весовой коэффициент для i-го показателя может быть рассчитан как нормированная величина его корреляции с внешним критерием: wᵢ = |rᵢ| / Σ|rⱼ|. Это позволяет адаптировать метод к специфике конкретной прикладной задачи.</p>
			<p>5. Заключение</p>
			<p>1. Предложен и теоретически обоснован экспертно-аналитический метод оценки латентных переменных, интегрирующий квалиметрический подход с аппаратом теории нечётких множеств. Метод развивает идеи, заложенные в квалиметрии [7][8] и в работах по оценке функционального состояния операторов [9][10], обеспечивая им строгое математическое обоснование через связь с функцией желательности Харрингтона.</p>
			<p>2. Показана математическая обоснованность выбора реперных точек (10-й, 37-й и 67-й процентили), определяемая свойствами экспоненциальной функции желательности. Обоснован выбор среднего геометрического как оператора агрегирования, реализующего принцип компенсаторной гипердиагностики.</p>
			<p>3. Проведено систематическое сравнение метода с IRT, SEM и fuzzy-SEM. Установлено, что метод обладает преимуществами при работе с малыми выборками (n &lt;50), гетерогенными данными и в ситуациях, требующих понятной для практиков интерпретации результатов.</p>
			<p>4. Определены границы применимости метода и сформулированы рекомендации по повышению устойчивости результатов (бутстреп-оценка реперных точек, переход к непрерывным функциям принадлежности при n ≥ 100, обоснованный результатами моделирования устойчивости реперных точек, табл. 4).</p>
			<p>5 Метод рекомендуется к дальнейшей верификации и валидации с использованием психологических аппаратно-программных комплексов, например аппаратно-программным комплексом «Психофизиолог-НМ» и «ЭГОСКОП» (ООО НПКФ «Медиком МТД»), и дальнейшему практическому внедрению.</p>
		</sec>
		<sec sec-type="supplementary-material">
			<title>Additional File</title>
			<p>The additional file for this article can be found as follows:</p>
			<supplementary-material xmlns:xlink="http://www.w3.org/1999/xlink" id="S1" xlink:href="https://doi.org/10.5334/cpsy.78.s1">
				<!--[<inline-supplementary-material xlink:title="local_file" xlink:href="https://research-journal.org/media/articles/27958.docx">27958.docx</inline-supplementary-material>]-->
				<!--[<inline-supplementary-material xlink:title="local_file" xlink:href="https://research-journal.org/media/articles/27958.pdf">27958.pdf</inline-supplementary-material>]-->
				<label>Online Supplementary Material</label>
				<caption>
					<p>
						Further description of analytic pipeline and patient demographic information. DOI:
						<italic>
							<uri>https://doi.org/10.60797/IRJ.2026.173.62</uri>
						</italic>
					</p>
				</caption>
			</supplementary-material>
		</sec>
	</body>
	<back>
		<ack>
			<title>Acknowledgements</title>
			<p>Авторы благодарят специалистов ООО НПКФ «Медиком МТД» за предоставление технической документации комплекса «Психофизиолог-НМ» и «ЭГОСКОП».</p>
		</ack>
		<sec>
			<title>Competing Interests</title>
			<p/>
		</sec>
		<ref-list>
			<ref id="B1">
				<label>1</label>
				<mixed-citation publication-type="confproc">Bollen K.A. Structural Equations with Latent Variables / K.A. Bollen. — New York: Wiley, 1989. — 514 p.</mixed-citation>
			</ref>
			<ref id="B2">
				<label>2</label>
				<mixed-citation publication-type="confproc">Borsboom D. The concept of validity / D. Borsboom, G.J. Mellenbergh, J. van Heerden // Psychological Review. — 2004. — Vol. 111. — № 4. — P. 1061–1071. — DOI: 10.1037/0033-295X.111.4.1061.</mixed-citation>
			</ref>
			<ref id="B3">
				<label>3</label>
				<mixed-citation publication-type="confproc">Embretson S.E. Item Response Theory for Psychologists / S.E. Embretson, S.P. Reise. — Mahwah: Erlbaum, 2000. — 371 p.</mixed-citation>
			</ref>
			<ref id="B4">
				<label>4</label>
				<mixed-citation publication-type="confproc">Kline R.B. Principles and Practice of Structural Equation Modeling / R.B. Kline. — New York: Guilford Press, 2016. — 534 p.</mixed-citation>
			</ref>
			<ref id="B5">
				<label>5</label>
				<mixed-citation publication-type="confproc">Hu L. Cutoff criteria for fit indexes in covariance structure analysis / L. Hu, P.M. Bentler // Structural Equation Modeling. — 1999. — Vol. 6. — № 1. — P. 1–55.</mixed-citation>
			</ref>
			<ref id="B6">
				<label>6</label>
				<mixed-citation publication-type="confproc">Wolf E.J. Sample size requirements for structural equation models / E.J. Wolf [et al.] // Educational and Psychological Measurement. — 2013. — Vol. 73. — № 6. — P. 913–934.</mixed-citation>
			</ref>
			<ref id="B7">
				<label>7</label>
				<mixed-citation publication-type="confproc">Азгальдов Г.Г. О квалиметрии / Г.Г. Азгальдов, Э.П. Райхман. — Москва: Изд-во стандартов, 1973. — 172 с.</mixed-citation>
			</ref>
			<ref id="B8">
				<label>8</label>
				<mixed-citation publication-type="confproc">Андрианов Ю.М. Квалиметрические аспекты управления качеством новой техники / Ю.М. Андрианов, М.В. Лопатин. — Ленинград: ЛГУ, 1983. — 288 с.</mixed-citation>
			</ref>
			<ref id="B9">
				<label>9</label>
				<mixed-citation publication-type="confproc">Завальнюк В.П. Динамика функциональных состояний операторов в процессе РНД / В.П. Завальнюк, Е.Г. Сингатулин, В.Е. Косачев // Методика и аппаратура психофизиологического эксперимента. — Москва: Наука, 1984. — С. 62–63.</mixed-citation>
			</ref>
			<ref id="B10">
				<label>10</label>
				<mixed-citation publication-type="confproc">Косачев В.Е. Квалиметрические аспекты оценки профессиональной пригодности как системного качества профессионала / В.Е. Косачев // Профессиональная пригодность: субъектно-деятельностный подход / Под ред. В.А. Бодрова. — Москва: Институт психологии РАН, 2004. — C. 342–363.</mixed-citation>
			</ref>
			<ref id="B11">
				<label>11</label>
				<mixed-citation publication-type="confproc">Zadeh L.A. Fuzzy sets / L.A. Zadeh // Information and Control. 1965. — Vol. 8. — № 3. — P. 338–353. — DOI: 10.1016/S0019-9958(65)90241-X.</mixed-citation>
			</ref>
			<ref id="B12">
				<label>12</label>
				<mixed-citation publication-type="confproc">Орлов А.И. Системная нечёткая интервальная математика / А.И. Орлов, Е.В. Луценко // Научный журнал КубГАУ. — 2013. — № 07 (091). — С. 255–301.</mixed-citation>
			</ref>
			<ref id="B13">
				<label>13</label>
				<mixed-citation publication-type="confproc">Карпов Е.Б. Теория нечётких множеств и её применение в психологии / Е.Б. Карпов, Е.Н. Микульская, Е.А. Карпова // Интеллектуальные ресурсы — региональному развитию. — Ростов-на-Дону, 2018. — Т. 4. — № 1. — С. 248–253.</mixed-citation>
			</ref>
			<ref id="B14">
				<label>14</label>
				<mixed-citation publication-type="confproc">Стивенс С.С. Математика, измерение и психофизика / С.С. Стивенс // Экспериментальная психология. — Москва, 1960. — Т. 1. </mixed-citation>
			</ref>
			<ref id="B15">
				<label>15</label>
				<mixed-citation publication-type="confproc">Harrington E.C. Jr. The desirability function / E.C. Harrington Jr. // Industrial Quality Control. — 1965. — Vol. 21. — P. 494–498.</mixed-citation>
			</ref>
			<ref id="B16">
				<label>16</label>
				<mixed-citation publication-type="confproc">Yager R.R. On ordered weighted averaging aggregation operators in multicriteria decisionmaking / R.R. Yager // IEEE Transactions on Systems, Man, and Cybernetics. — 1988. — Vol. 18. — № 1. — P. 183–190.</mixed-citation>
			</ref>
			<ref id="B17">
				<label>17</label>
				<mixed-citation publication-type="confproc">Dubois D. Fuzzy Sets and Systems: Theory and Applications / D. Dubois, H. Prade. — New York: Academic Press, 1980. — 393 p.</mixed-citation>
			</ref>
			<ref id="B18">
				<label>18</label>
				<mixed-citation publication-type="confproc">Mendel J.M. Type-2 fuzzy sets and systems: an overview / J.M. Mendel // IEEE Computational Intelligence Magazine. — 2007. — Vol. 2. — № 1. — P. 20–29.</mixed-citation>
			</ref>
			<ref id="B19">
				<label>19</label>
				<mixed-citation publication-type="confproc">Gil M.A. Overview on the development of fuzzy random variables / M.A. Gil [et al.] // Fuzzy Sets and Systems. — 2006. — Vol. 157. — № 19. — P. 2546–2557.</mixed-citation>
			</ref>
			<ref id="B20">
				<label>20</label>
				<mixed-citation publication-type="confproc">Бодров В.А. Психология профессиональной пригодности / В.А. Бодров. — Москва: ПЕР СЭ, 2001. — 511 с.</mixed-citation>
			</ref>
			<ref id="B21">
				<label>21</label>
				<mixed-citation publication-type="confproc">Леонова А.Б. Психологические технологии управления состоянием человека / А.Б. Леонова, А.С. Кузнецова. — Москва: Смысл, 2009. — 311 с.</mixed-citation>
			</ref>
			<ref id="B22">
				<label>22</label>
				<mixed-citation publication-type="confproc">Rasch G. Probabilistic Models for Some Intelligence and Attainment Tests / G. Rasch. — Chicago: University of Chicago Press, 1980.</mixed-citation>
			</ref>
			<ref id="B23">
				<label>23</label>
				<mixed-citation publication-type="confproc">Kahraman C. Fuzzy multicriteria decision-making: a literature review / C. Kahraman [et al.] // International Journal of Computational Intelligence Systems. — 2015. — Vol. 8. — № 4. — P. 637–666.</mixed-citation>
			</ref>
			<ref id="B24">
				<label>24</label>
				<mixed-citation publication-type="confproc">Mamdani E.H. An experiment in linguistic synthesis with a fuzzy logic controller / E.H. Mamdani, S. Assilian // International Journal of Man-Machine Studies. — 1975. — Vol. 7. — № 1. — P. 1–13.</mixed-citation>
			</ref>
			<ref id="B25">
				<label>25</label>
				<mixed-citation publication-type="confproc">United Nations Development Programme. Human Development Report 2020. — New York: UNDP, 2020.</mixed-citation>
			</ref>
			<ref id="B26">
				<label>26</label>
				<mixed-citation publication-type="confproc">Kendall M.G. The problem of m rankings / M.G. Kendall, B. Babington Smith // Annals of Mathematical Statistics. — 1939. — Vol. 10. — № 3. — P. 275–287. — DOI: 10.1214/aoms/1177732186.</mixed-citation>
			</ref>
			<ref id="B27">
				<label>27</label>
				<mixed-citation publication-type="confproc">Siegel S. Nonparametric Statistics for the Behavioral Sciences / S. Siegel, N.J. Castellan. — New York: McGraw-Hill, 1988. — 399 p.</mixed-citation>
			</ref>
			<ref id="B28">
				<label>28</label>
				<mixed-citation publication-type="confproc">Harrell F.E. A new distribution-free quantile estimator / F.E. Harrell, C.E. Davis // Biometrika. — 1982. — Vol. 69. — № 3. — P. 635–640. — DOI: 10.1093/biomet/69.3.635.</mixed-citation>
			</ref>
			<ref id="B29">
				<label>29</label>
				<mixed-citation publication-type="confproc">Ratcliff R. Group reaction time distributions and an analysis of distribution statistics / R. Ratcliff // Psychological Bulletin. — 1979. — Vol. 86. — № 3. — P. 446–461. — DOI: 10.1037/0033-2909.86.3.446.</mixed-citation>
			</ref>
		</ref-list>
	</back>
	<fundings>
		<funding lang="RUS">Работа выполнена в рамках государственного задания ФГБУ «ФНКЦ КМиБ» ФМБА России.</funding>
		<funding lang="ENG">The work was carried out as part of a state assignment for the FSBI &quot;Federal Scientific and Clinical Centre for Space Medicine and Biology&quot; Federal Medical and Biological Agency of Russia.</funding>
	</fundings>
</article>