#профайлинг, #поведенческийанализ, #статистика, #поведение, #детекциялжи, #детекторлжи, #полиграф, #математика, #datascience, #вероятность, #теориявероятностей, #оценка, #задача, #тест, #ProProfiling, #Филатов, #профайлинг_филатов

Если мы, например, читаем метанализ посвященный невербальным признакам обмана, но у нас нет уверенности, что все авторы, которые попали в группу анализа, одинаково понимают, что такое «закрытые жесты» или «строгий голос», то гарантии того, что данные метанализа будут корректными, нет.

После 50-ти лайков этого поста опубликую вторую часть 😉

#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling

#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling

Темные данные в профайлинге. Часть 2.
Начало здесь.

ТИП 9. Обобщение данных.
Обобщение данных по определению означает отбрасывание деталей.

Если вы учитываете только средние значения любого параметра, то это не дает никакой информации о диапазоне всех данных или об асимметрии их распределения. Среднее значение может скрыть тот факт, что некоторые значения могут очень сильно от него отличаться. В то же время обобщение может скрывать и тот факт, что все значения идентичны.

ТИП 10. Ошибки измерения и неопределенность.

Ошибки измерения изучаемых значений часто приводят к ошибочным выводам. Часто мы изучаем параметры, которые нельзя измерить непосредственно, и приходится пользоваться косвенными или опосредованными вычислениями. Например, при измерении кожно-гальванической реакции при инструментальной детекции лжи низкое качество самого электрода, который используется для фиксации параметров может серьезно исказить результат.

ТИП 11. Искажения обратной связи и уловки.

Этот тип данных возникает, когда собранные значения начинают влиять на исходный процесс. Например, в процессе оценки человека, получив какую-то часть информации, вы уже понимаете, к какому выводу вы, скорее всего, придете. И после этого качество вашего анализа второй половины данных существенно снижается. Или еще один пример – если все говорят, что этот пользователь, например, истероид, то возникает соблазн их послушать и это также снизит качество вашего анализа.

ТИП 12. Информационная асимметрия.

Информационная асимметрия возникает, когда один и тот же набор данных анализируют эксперты с разным уровнем подготовки и информированности.
Понятно, что если одну и ту же информацию анализируют эксперты разной подготовки (не говоря еще о их предвзятостях), то результаты этих анализов будут существенно отличаться.

ТИП 13. Намеренно затемненные данные.

Они наблюдаются, когда люди намеренно скрывают данные или манипулируют ими с целью обмана или введения в заблуждение. Возможностей для примеро здксь огромное количество: мы можем сознательно отбрасывать неугодную для нас информацию или часть данных, для того, чтобы сознать желаемое впечатление от этой информации и повлиять на дальнейшие выводы и поведение.

ТИП 14. Фальшивые и синтетические данные.

Сфальсифицированные или специально созданные данные с целью введения в заблуждение. Однако такие наборы данных создаются не только для мошенничества, но и с исследовательской задачей: существует метод симуляции, когда генерируются искусственные наборы данных, которые могли возникнуть в результате изучаемого процесса, а также другие методы, использующие репликацию данных, например методы бутстреппинга, бустинга и сглаживания. Современные статистические инструменты широко используют такие идеи, но их некачественная репликация может привести к ошибочным выводам.

ТИП 15. Экстраполяция за пределы ваших данных.

Наборы данных всегда конечны. Это означает, что они имеют максимальное и минимальное значения, за пределами которых лежит неизвестность. Заявление о возможных значениях выше максимума или ниже минимума в наборе данных требует выдвижения предположений или получения информации из какого-то другого источника. Более того, экстраполяция имеющихся данных на другой контекст или события имеет свои известные ограничения и требует крайней осторожности.

#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling

#анализданных, #аналитика, #BigData, #информация, #статистика, #психотип, #КИ, #мэтры, #профайлинг_филатов, #ProProfiling

3) Известно, что если Клиент на один вопрос Менеджера ответил «Да», то он с 70% вероятностью и на следующий вопрос ответит «Да». При этом известно, что Клиент при ответе на любой вопрос в 50% случаях врет.

Какова вероятность того, что Клиент ответит вам 3 раза «Да» при этом ни разу не соврав?

Ответы пишите в чате: T.me/ProProfilingChat

Кстати, в ближайшую пятницу, 13-го мая (😳) в 20:00 я проведу открытый мастер-класс «Тёмные данные и предиктивная аналитика в профайлинге».

Поговорим и проработаем некоторые инструменты статистики и математики в профайлинге. Присоединяйтесь.

https://proprofiling.com/blackd

#профайлинг, #поведенческийанализ, #статистика, #поведение, #детекциялжи, #детекторлжи, #полиграф, #математика, #datascience, #вероятность, #теориявероятностей, #оценка, #задача, #тест, #ProProfiling, #Филатов, #профайлинг_филатов

#профайлинг, #поведенческийанализ, #статистика, #поведение, #детекциялжи, #детекторлжи, #полиграф, #математика, #datascience, #вероятность, #теориявероятностей, #оценка, #задача, #тест, #ProProfiling, #Филатов, #профайлинг_филатов

#профайлинг, #поведенческийанализ, #статистика, #поведение, #детекциялжи, #детекторлжи, #полиграф, #математика, #datascience, #вероятность, #теориявероятностей, #оценка, #задача, #тест, #ProProfiling, #Филатов, #профайлинг_филатов

И в качестве пятничного поста))

У шимпанзе зрительная память лучше, чем у человека, а также научить ее считать до 10 и нажимать кнопки на телефоне довольно просто даже за лайки (без реального материального вознаграждения).

Помните, что профайлинг начинается с тренировки своей внимательности и памяти.

Вспомните ли вы, во что вчера были одеты близкие вам люди и какой номер соседней машины на парковке, где вы оставляете свой автомобиль? Многие, кстати, не помнят номер даже своей машины)).

#память, #профайлинг, #шимпанзе, #тренеровка, #статистика, #обучение, #ProProfiling

Возвращаясь к теме психического здоровья….

Пару месяцев назад в The Lancet Psychiatry вышла статья от 36 авторов с моделированием возраста возникновения психических расстройств. Исследователей интересовало, когда (в каком возрасте) и с какой вероятностью возникают те ли иные психические нарушения. Всего анализировалась вероятность появления 13-ти наиболее распространенных психических заболеваний.

Авторы анализировали данные от респондентов, которые участвовали в опросах ВОЗ с 2001 по 2022 год, включавших психиатрические интервью. Одна из задач ВОЗ - это проведение исследований в области здоровья и выяснение причин тех или иных закономерностей.

Ретроспективно было проанализировано 156 331 респондентов и их интервью из 29 стран. Респонденты ВОЗ выбираются рандомно, а интервью были посвящены психическому здоровью и некоторым другим аспектам здоровья.

В результате исследователи определили, что вероятность появления (какого-либо из 13-ти) психического расстройства на протяжении жизни составляет - 28,6% у мужчин и 29,8% у женщин. Вероятность развития какого-либо психического расстройства к возрасту 75 лет составляет - 46,4% для мужчин и 53,1% для женщин. Возрастной пик появления первого расстройства - 19 лет у мужчин и 20 лет у женщин.

Наиболее распространённые расстройства - алкоголизм и депрессия у мужчин и депрессия и фобия у женщин.

В общем, к 75 годам без малого половина населения планеты сталкиваются с теми или иными психическими нарушениями, которые могут быть объективно зафиксированы.

Кстати, напомню, что:
1) Потребление антидепрессантов в РФ в 2023 году к сентября выросло на 30% год к году. В в 2022 году - вообще на 51%.
2) До 70% россиян год тому назад испытывали хроническую тревожность.
3) Примерно на 40% увеличилось количество обращений к психологам.
4) А это 10 научно доказанных фактов о депрессии.

#здоровье, #исследование, #статистика, #депрессия