Пошук на цьому сайті

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Лі Джозеф Кронбах (Lee Joseph Cronbach; 22 квітня 1916 — 1 жовтня 2001) — американський психолог і фахівець із психологічного та освітнього вимірювання. Його ім’я найчастіше впізнають через коефіцієнт alpha Кронбаха, однак його науковий внесок значно ширший: він вплинув на теорію надійності, сучасне розуміння валідності, теорію генералізованості, практику психологічного тестування, статистичне прийняття рішень і методологію психологічної науки. Біографічний мемоар National Academy of Sciences прямо відносить до його головних внесків теорію надійності, концептуалізацію валідності тестів, рішення на основі тестів, програмне оцінювання та інтеграцію різних методологічних традицій психології. Ця сторінка присвячена саме Кронбаху як науковцю та архітектурі його внеску. Детальний розбір формули, припущень, порогів і типових помилок інтерпретації alpha винесено в окрему канонічну статтю «Альфа Кронбаха». Такий поділ важливий і науково, і редакційно: біографія та історія ідей відповідають одному запиту, а практична інтерпретація конкретного коефіцієнта — іншому. Коротко: чому Лі Кронбах важливий для психометрії У 1951 році Кронбах опублікував статтю Coefficient Alpha and the Internal Structure of Tests, яка систематизувала й узагальнила підхід до оцінювання внутрішньої узгодженості та зробила коефіцієнт α центральним інструментом психометричної практики. Разом із Полом Мілом у 1955 році він опублікував Construct Validity in Psychological Tests — одну з ключових робіт в історії конструктної валідності. У 1963 році Кронбах, Нагесварі Раджаратнам і Голдін Глезер сформулювали теорію генералізованості як розширення класичної теорії надійності для ситуацій із кількома джерелами варіативності та похибки. У президентській доповіді APA 1957 року The Two Disciplines of Scientific Psychology він поставив проблему розриву між експериментальною та кореляційною традиціями психології й закликав поєднувати їхні сильні сторони. У підручниках і роботах про рішення на основі тестів Кронбах послідовно розглядав тестовий бал як частину ширшого ланцюга вимірювання, інтерпретації та рішення, а не як самодостатній числовий факт. Хто такий Лі Кронбах Кронбах народився 22 квітня 1916 року у Фресно, Каліфорнія. Він здобув освіту, що поєднувала математику, природничі науки, педагогіку й психологічне вимірювання, а докторський ступінь з освітньої психології отримав у Чиказькому університеті 1940 року. National Academy of Sciences описує його кар’єру як понад пів століття роботи на перетині освітньої психології, психологічного тестування та оцінювання програм. У різні періоди Кронбах працював у Washington State University, University of Chicago, University of Illinois, а з 1960-х років — у Stanford University. У 1957 році він був президентом American Psychological Association; це підтверджує офіційний перелік колишніх президентів APA. Його президентська доповідь стала окремою методологічною віхою, бо стосувалася не одного тесту чи коефіцієнта, а того, як психологія взагалі будує знання. Біографія Кронбаха показує характерну для його праць рису: його цікавило не обчислення показника саме по собі, а умови, за яких вимірювання дає підставу для наукового висновку або практичного рішення. Саме тому його спадщина природно пов’язує психометрію, психологічне тестування, теорію надійності, валідність і дослідницький дизайн. Кронбах і коефіцієнт alpha: що сталося у 1951 році Стаття, яка зробила alpha центральним показником У 1951 році в Psychometrika вийшла робота Coefficient Alpha and the Internal Structure of Tests. Кронбах розглянув загальну формулу коефіцієнта, показав її зв’язок із попередніми методами поділу тесту на частини та запропонував інтерпретувати її як характеристику узгодженості складових композитного бала. Для тесту з k пунктів одна з відомих форм записується як α = k/(k−1) × (1 − Σσ²ᵢ/σ²ₓ), де σ²ᵢ — дисперсії окремих пунктів, а σ²ₓ — дисперсія сумарного бала. Історично коректніше говорити, що Кронбах не створив математичну ідею з порожнього місця. До 1951 року існували споріднені результати Кудера—Річардсона, Гойта і Гуттмана. Історичний аналіз Клааса Сійтсми нагадує, що сам Кронбах прямо визнавав ці попередні роботи. Його внесок полягав у систематизації, узагальненні, поясненні зв’язків між підходами й перетворенні alpha на зручний спільний інструмент для різних типів тестових пунктів. Що alpha справді оцінює У сучасній практиці alpha найчастіше використовують як один із показників внутрішньої узгодженості набору пунктів. Його значення залежить від кількості пунктів, структури коваріацій між ними та моделі, за якою інтерпретують сумарний бал. Тому α = 0,80 не є універсальною характеристикою «якості тесту» і не має однакового змісту для будь-якої шкали, вибірки та мети. Коефіцієнт alpha стосується лише одного сегмента ширшої проблеми надійності психологічного тесту. Внутрішня узгодженість не дорівнює тест-ретестовій стабільності, міжекспертній узгодженості чи надійності паралельних форм. Один коефіцієнт не замінює аналіз того, яке саме джерело випадкової варіативності важливе для конкретного використання бала. Що alpha не доводить Високий α не доводить валідність інтерпретації тестового бала. Високий α не є автоматичним доказом одновимірності: кілька пов’язаних факторів або велика кількість схожих пунктів також можуть давати високий коефіцієнт. Порогове правило на кшталт «α ≥ 0,70 — хороший тест» не є універсальним законом. Прийнятність залежить від мети вимірювання, наслідків рішення, структури шкали, вибірки та інших джерел доказів. Збільшення α не обов’язково означає змістовне покращення шкали: дублювання дуже схожих пунктів може підвищити коефіцієнт, одночасно звужуючи зміст вимірюваного конструкта. Для багатьох сучасних моделей доцільно розглядати альтернативні коефіцієнти, зокрема омегу Макдональда, коли її припущення краще відповідають структурі даних. Сучасна критика не зводиться до гасла «alpha застаріла». McNeish (2018) показує, що проблема полягає у механічному використанні α без перевірки припущень і без розгляду альтернатив. Sijtsma (2009) окремо аналізує межі alpha як індексу надійності та внутрішньої структури. Висновок для практики простий: коефіцієнт має сенс у чітко визначеній моделі вимірювання, а не як ритуальна цифра в таблиці. Кронбах сам переглянув роль alpha Особливо важлива деталь історії полягає в тому, що пізній Кронбах сам не вважав alpha завершальною відповіддю на проблему надійності. У нотатках, опублікованих посмертно як My Current Thoughts on Coefficient Alpha and Successor Procedures, він розглядав alpha як вузьку частину значно ширшої системи аналізу надійності й пов’язував подальший розвиток із теорією генералізованості. Це показує наукову спадщину Кронбаха точніше, ніж культ одного коефіцієнта. Надійність і валідність: два різні питання Одна з найважливіших ідей для читання Кронбаха сьогодні — чітке розрізнення надійності та валідності. Надійність стосується точності, стабільності або відтворюваності балів за визначених умов. Валідність стосується того, наскільки докази й теорія підтримують конкретну інтерпретацію балів для конкретного використання. Це означає, що тест може давати дуже узгоджені бали й систематично вимірювати не те, що дослідник або практик приписує цим балам. Надійність створює передумову для багатьох валідних інтерпретацій, але сама по собі їх не встановлює. Саме тому фраза «тест валідний, бо α = 0,90» методологічно помилкова. Кронбах і Міл: як змінилося поняття конструктної валідності Проблема психологічних конструктів У психології багато об’єктів вимірювання — тривога, інтелект, мотивація, особистісні риси, самооцінка — не спостерігаються так само безпосередньо, як довжина чи маса. Дослідник має показати, чому певний набір відповідей можна інтерпретувати як індикатор саме заявленого конструкта. У 1955 році Лі Кронбах і Пол Міл систематизували цю проблему в класичній статті Construct Validity in Psychological Tests. Їхній підхід зробив валідизацію частиною теоретичного тестування: якщо тестовий бал інтерпретують як прояв конструкта, мають існувати передбачувані зв’язки між цим конструктом, іншими змінними й спостереженнями. Ідея номологічної мережі підкреслювала, що конструкт набуває емпіричного змісту через систему перевірюваних відношень, а не через одну кореляцію чи зовнішню назву шкали. Від «типів валідності» до доказів для інтерпретації Сучасні стандарти психологічного та освітнього тестування продовжили й переробили цю логіку. Standards for Educational and Psychological Testing визначають валідність через ступінь, до якого докази й теорія підтримують інтерпретації тестових балів для запропонованого використання. Отже, валідність не є довічною печаткою, що належить тесту незалежно від контексту. Для практики це має прямі наслідки. Один і той самий інструмент може мати переконливі докази для дослідницького порівняння груп і недостатні докази для індивідуального клінічного рішення. Валідизація має враховувати призначену популяцію, спосіб проведення, мову, культурний контекст, структуру балів, зв’язки з іншими змінними та наслідки використання. Переклад українською не дорівнює валідованій українській адаптації. Теорія генералізованості: вихід за межі одного коефіцієнта Класична теорія тестів часто описує спостережуваний бал як поєднання істинного бала та похибки. Для реальних вимірювань слово «похибка» може приховувати різні джерела: конкретні пункти, оцінювачів, дні вимірювання, форми тесту, ситуації та їхні взаємодії. Саме цю складність Кронбах і колеги перетворили на окрему теоретичну програму. У 1963 році Кронбах, Раджаратнам і Глезер опублікували Theory of Generalizability: A Liberalization of Reliability Theory. У 1972 році Кронбах, Глезер, Нанда і Раджаратнам систематизували підхід у книзі The Dependability of Behavioral Measurements. В основі теорії генералізованості лежить питання: наскільки висновок із конкретного набору спостережень можна переносити на визначений універсум допустимих спостережень? У теорії генералізованості джерела варіативності моделюють як фасети. G-дослідження оцінює компоненти дисперсії, а D-дослідження використовує їх, щоб прогнозувати точність для конкретного дизайну рішення: наприклад, що зміниться, якщо збільшити кількість завдань або оцінювачів. Для відносних і абсолютних рішень важливими можуть бути різні компоненти похибки. Цей перехід добре показує еволюцію самого Кронбаха. Його ім’я закріпилося за одним простим коефіцієнтом, але зріла програма вимірювання рухалася до моделі, де надійність залежить від дизайну, умов спостереження й того, яке рішення потрібно підтримати. Психологічне тестування як інтерпретація і рішення Кронбах вплинув на практику тестування не тільки через формули. Його підручник Essentials of Psychological Testing, уперше виданий 1949 року, охоплював інтерпретацію балів, вибір тестів, проведення тестування та психометричні властивості. Це була довготривала спроба навчити психолога мислити про тест як про інструмент у системі доказів, а не як про автоматичний генератор істини. Разом із Голдін Глезер Кронбах розвинув тему тестових рішень у Psychological Tests and Personnel Decisions. Тут важливий принцип, який і сьогодні залишається актуальним: значення бала залежить від рішення, яке за ним стоїть, від помилок, що можливі в цьому рішенні, і від наслідків різних варіантів класифікації чи відбору. У сучасній практиці психологічного тестування це означає, що скринінг, виявлення ймовірних випадків (case-finding), діагностична оцінка, моніторинг стану, дослідницьке вимірювання та вимірювання результатів (outcome measurement) мають різні цілі. Один score або один cutoff не встановлює клінічний діагноз. Для інтерпретації потрібні дані про передбачуваного використання, популяцію, норми, надійність, похибку, валідність і контекст. «Дві дисципліни» психології: методологічний внесок за межами тестів У 1957 році, виступаючи як президент APA, Кронбах опублікував The Two Disciplines of Scientific Psychology. Він описав два історично відокремлені стилі дослідження. Експериментальна традиція маніпулює умовами й шукає причинні ефекти; кореляційна традиція вивчає природну варіативність між людьми та змінними. Кронбах вважав, що психології потрібна їхня федерація, бо складні питання часто вимагають одночасно причинного дизайну й аналізу індивідуальних відмінностей. У 1975 році в Beyond the Two Disciplines of Scientific Psychology він повернувся до цієї теми з більшою увагою до взаємодій, контексту та обмеженої переносимості узагальнень. Для психометрії це важливо: якість вимірювання не можна відривати від популяції та умов, у яких використовують інструмент. Що в спадщині Кронбаха залишається фундаментальним Перша фундаментальна лінія — вимірювання потребує моделі похибки. Будь-який психологічний бал містить невизначеність, і дослідник має назвати, яку її частину він оцінює. Alpha стала історично важливою відповіддю для одного класу задач; теорія генералізованості розширила це питання на кілька джерел варіативності. Друга лінія — валідність є аргументом, що спирається на теорію та дані. Висока кореляція, красиве факторне навантаження або високий α можуть бути частиною доказової картини, але жоден окремий показник не замінює обґрунтування інтерпретації. Третя лінія — тестовий бал має призначення. Психометричний аналіз повинен відповідати тому, для чого бал використовують: опису, порівняння, прогнозу, класифікації, скринінгу, відбору чи моніторингу. Одна й та сама числова точність може бути достатньою для групового дослідження й недостатньою для рішення з високими наслідками щодо окремої людини. Четверта лінія — методи психології мають працювати разом. Кореляційні дані про індивідуальні відмінності, експериментальні маніпуляції, теоретичні моделі й аналіз контексту дають різні типи інформації. Кронбахова програма постійно поверталася до питання, як поєднати їх у переконливе наукове судження. Поширені помилки про Кронбаха та його ідеї «Кронбах винайшов надійність» Надійність як проблема й низка її статистичних рішень існували задовго до 1951 року. Внесок Кронбаха полягав у сильній систематизації коефіцієнта alpha, його теоретичному поясненні та подальшому розширенні всієї рамки надійності. «Якщо alpha висока, тест валідний» Це змішування різних рівнів доказів. Alpha не відповідає на питання, чи бал справді підтримує заявлену інтерпретацію. Для цього потрібні докази валідності — змістові, структурні, пов’язані з іншими змінними та релевантні до передбачуваного використання. «Чим вища alpha, тим краща шкала» Підвищення alpha може бути наслідком більшої кількості пунктів або їхньої надмірної схожості. Якщо шкала перетворюється на набір майже дубльованих запитань, коефіцієнт може зростати, але змістова широта конструкта — звужуватися. Тому α тлумачать разом зі структурою шкали, моделлю вимірювання та метою. «Кронбахова alpha доводить одновимірність» Одновимірність є твердженням про внутрішню структуру вимірювання. Її перевіряють методами, придатними для структурної моделі, зокрема факторним аналізом чи відповідними IRT-моделями. Alpha може бути високою і в багатовимірному наборі пунктів. «Alpha вже не має сенсу в сучасній психометрії» Точніше говорити про сферу придатності. Alpha може бути інформативною за відповідних припущень і для правильно визначеного бала, але сучасний аналіз не повинен автоматично вибирати її як єдиний або найкращий індекс. Пізній Кронбах сам рухався саме до такого ширшого бачення. Його ретроспективна стаття прямо розміщує alpha всередині більшої системи аналізу надійності. Як читати alpha у сучасній науковій статті Коли в дослідженні повідомляють «Cronbach’s α = 0,84», саму цифру варто розглядати як початок запитань, а не як фінальний сертифікат якості. Корисно перевірити таке: Який саме бал аналізують: загальний бал, підшкалу чи змішаний набір пунктів? Чи є теоретичні й емпіричні підстави об’єднувати ці пункти в один бал? Скільки пунктів має шкала і наскільки вони схожі між собою? Яка вибірка використана і чи відповідає вона популяції, для якої роблять висновок? Чи оцінена внутрішня структура, а не лише alpha? Чи повідомлено інші релевантні види надійності або похибки, якщо рішення залежить від часу, оцінювачів чи форм тесту? Чи наведено довірчий інтервал або іншу інформацію про невизначеність оцінки? Чи є окремі докази валідності для передбачуваного використання? Чи перевірено мовну й культурну придатність інструмента для потрібної популяції? Чи не перетворено коефіцієнт на універсальний cutoff «хорошої» або «поганої» шкали? Такий спосіб читання відповідає сучасній психометричній логіці: статистичний показник має значення тільки в межах моделі, даних, популяції та рішення, яке він підтримує. Коротка хронологія ключових праць 1949 — Essentials of Psychological Testing: систематичний підручник із психологічного тестування, інтерпретації та вибору інструментів. 1951 — Coefficient Alpha and the Internal Structure of Tests: класична робота про коефіцієнт alpha. 1955 — Construct Validity in Psychological Tests з Полом Мілом: теоретична архітектура конструктної валідності. 1957 — The Two Disciplines of Scientific Psychology: президентська доповідь APA про експериментальну й кореляційну традиції. 1963 — Theory of Generalizability: A Liberalization of Reliability Theory з Нагесварі Раджаратнам і Голдін Глезер. 1965 — Psychological Tests and Personnel Decisions з Голдін Глезер, друге видання: зв’язок тестів із теорією рішень. 1972 — The Dependability of Behavioral Measurements з Глезер, Нандою і Раджаратнам: систематизація теорії генералізованості. 1975 — Beyond the Two Disciplines of Scientific Psychology: розвиток методологічної програми з акцентом на взаємодії й контекст. 2004 — My Current Thoughts on Coefficient Alpha and Successor Procedures, підготовлена до друку Річардом Шейвелсоном: пізній погляд Кронбаха на межі alpha й наступні підходи. Лі Кронбах у сучасній психології Сьогодні прізвище Кронбаха часто з’являється в методичному розділі статті одним символом α. Така присутність парадоксальна: вона робить його ім’я надзвичайно впізнаваним і водночас приховує більшу частину його програми. Кронбах працював не над тим, щоб психолог отримав одну зручну цифру, а над тим, щоб було зрозуміло, як із недосконалих спостережень переходити до виправданих висновків. Саме тому його спадщина найкраще читається як послідовність питань. Наскільки точний score? Які джерела похибки? Що означає цей score? Які теоретичні та емпіричні докази підтримують інтерпретацію? На яку популяцію можна узагальнити висновок? Яке рішення буде прийнято і наскільки серйозними є наслідки помилки? Ці питання залишаються центральними для сучасної психометрії. Для українського контексту ця логіка особливо важлива під час адаптації методик. Наявність перекладу, високого α або закордонної валідизації не дає автоматичного права переносити інтерпретації на українську популяцію. Потрібно окремо перевіряти мовну й культурну еквівалентність, структуру, надійність, валідність, норми та відповідність передбачуваного використання. FAQ Хто такий Лі Кронбах? Лі Джозеф Кронбах — американський психолог і психометрист 1916–2001 років, відомий роботами з надійності, валідності, психологічного тестування, теорії генералізованості та методології психологічної науки. Він був президентом APA у 1957 році й професором Stanford University. Чи Кронбах винайшов коефіцієнт alpha? Кронбах зробив alpha загальновідомим і систематизував його теорію у статті 1951 року, але математичні попередники існували раніше. Кудер і Річардсон описали споріднений коефіцієнт для дихотомічних пунктів, а Гуттман вивів еквівалентну форму як λ₃. Сам Кронбах визнавав ці попередні роботи. Що означає alpha Кронбаха? У типовому застосуванні це коефіцієнт внутрішньої узгодженості композитного бала. Він залежить від структури коваріацій між пунктами та їхньої кількості. Детальне пояснення дивіться у статті «Альфа Кронбаха». Чи достатньо alpha понад 0,70? Універсальної межі, яка автоматично робить тест якісним, немає. Значення потрібно тлумачити з урахуванням мети, моделі, кількості пунктів, структури шкали, вибірки, наслідків рішення та інших доказів надійності й валідності. Чи доводить висока alpha валідність тесту? Ні. Alpha стосується певного аспекту надійності або внутрішньої узгодженості, тоді як валідність потребує окремого аргументу щодо того, чи підтримують дані й теорія конкретну інтерпретацію бала для конкретного використання. У чому внесок Кронбаха в конструктну валідність? Стаття Кронбаха і Міла 1955 року зробила перевірку психологічного конструкта частиною теоретичної мережі передбачень. Вона стала історичною основою для подальшого розвитку сучасної об’єднаної рамки валідності, у якій оцінюють докази для інтерпретації та використання балів. Що таке теорія генералізованості Кронбаха? Це розширення теорії надійності, яке дозволяє одночасно моделювати кілька джерел варіативності — наприклад, осіб, завдання, оцінювачів або ситуації — й оцінювати, наскільки результати можна узагальнювати на визначений універсум умов. Окремий матеріал ХАБу: «Теорія генералізованості». Як правильно писати ім’я Cronbach українською? У цій енциклопедії використовується форма «Лі Кронбах»; повне ім’я — «Лі Джозеф Кронбах». Для назви коефіцієнта природна українська форма — «альфа Кронбаха» або «коефіцієнт α Кронбаха». Пов’язані статті Альфа Кронбаха: що показує коефіцієнт, як його тлумачити і чому високий α не гарантує якісний тест Валідність психологічного тесту: що це і які докази потрібні для інтерпретації результатів Теорія генералізованості (G-theory): як одночасно оцінюють кілька джерел похибки вимірювання Надійність психологічного тесту: що це, які бувають види і чому надійність не дорівнює валідності Внутрішня узгодженість шкали: що вона показує і чому не доводить одновимірність Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів Психологічне тестування: що це, як проводиться і які обмеження має результат тесту Класична теорія тестів: істинний бал, похибка вимірювання і надійність Омега Макдональда: що це, коли ω корисніша за альфу Кронбаха і як її тлумачити Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. American Psychological Association. (n.d.). Former presidents of APA. Cronbach, L. J. (1949). Essentials of Psychological Testing. Harper. Cronbach, L. J. (1951). Coefficient Alpha and the Internal Structure of Tests. Psychometrika, 16(3), 297–334. https://doi.org/10.1007/BF02310555 Cronbach, L. J., & Meehl, P. E. (1955). Construct Validity in Psychological Tests. Psychological Bulletin, 52(4), 281–302. https://doi.org/10.1037/h0040957 Cronbach, L. J. (1957). The Two Disciplines of Scientific Psychology. American Psychologist, 12(11), 671–684. https://doi.org/10.1037/h0043943 Cronbach, L. J., Rajaratnam, N., & Gleser, G. C. (1963). Theory of Generalizability: A Liberalization of Reliability Theory. British Journal of Statistical Psychology, 16(2), 137–163. https://doi.org/10.1111/j.2044-8317.1963.tb00206.x Cronbach, L. J., & Gleser, G. C. (1965). Psychological Tests and Personnel Decisions. University of Illinois Press. Cronbach, L. J., Gleser, G. C., Nanda, H., & Rajaratnam, N. (1972). The Dependability of Behavioral Measurements: Theory of Generalizability for Scores and Profiles. Wiley. Cronbach, L. J. (1975). Beyond the Two Disciplines of Scientific Psychology. American Psychologist, 30(2), 116–127. https://doi.org/10.1037/h0076829 Cronbach, L. J., & Shavelson, R. J. (2004). My Current Thoughts on Coefficient Alpha and Successor Procedures. Educational and Psychological Measurement, 64(3), 391–418. https://doi.org/10.1177/0013164404266386 McNeish, D. (2018). Thanks coefficient alpha, we'll take it from here. Psychological Methods, 23(3), 412–433. https://doi.org/10.1037/met0000144 Shavelson, R. J. (2009). Lee J. Cronbach, 1916–2001: A Biographical Memoir. National Academy of Sciences. Sijtsma, K. (2009). On the Use, the Misuse, and the Very Limited Usefulness of Cronbach’s Alpha. Psychometrika, 74(1), 107–120. https://doi.org/10.1007/s11336-008-9101-0

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Родерік П. Макдональд (Roderick P. McDonald) — психометрист і дослідник кількісних методів, чия робота зв’язала факторні моделі, теорію тестів, оцінювання надійності та структурне моделювання в одну послідовну логіку вимірювання. Його ім’я найчастіше зустрічають поруч з омегою Макдональда, проте внесок Макдональда значно ширший за один коефіцієнт: він стосується того, як описувати латентні змінні, як будувати факторні моделі, як розрізняти вимірювання і прогнозування та як критично оцінювати відповідність структурної моделі даним. У первинних та авторитетних наукових джерелах його ім’я фіксується саме як Roderick P. McDonald: так підписано статтю 1970 року у British Journal of Mathematical and Statistical Psychology, публікації в Psychometrika і Psychological Methods та записи Psychometric Society. McDonald, 1970; Psychometric Society Коротко: чому Родерік Макдональд важливий для психометрії Внесок Макдональда можна звести до однієї методологічної ідеї: якість психологічного балу треба оцінювати в межах моделі вимірювання, а не за одним автоматично обчисленим числом. Факторні навантаження, залишкові дисперсії, структура латентних змінних, тип балу і призначення інтерпретації утворюють єдину систему. Саме ця логіка пояснює, чому omega reliability не є просто «новішою альфою», а модельно-залежною оцінкою надійності конкретного балу. У сучасній практиці цю позицію продовжують методологічні роботи, які радять не механічно замінювати альфу Кронбаха омегою, а спочатку обґрунтувати структуру шкали і визначити, який саме коефіцієнт відповідає цільовому балу. Flora, 2020; Hayes & Coutts, 2020 Родерік, а не Роберт: важливе уточнення імені У психометричній літературі автор, пов’язаний із factor analysis, test theory та omega reliability, — Roderick P. McDonald, українською Родерік П. Макдональд. Варіант «Роберт Макдональд» не відповідає авторському імені в його наукових публікаціях. Це важливе розрізнення, тому що прізвище McDonald поширене, а помилка в імені легко переноситься з вторинних матеріалів у бібліографії та пошукові результати. Wiley: Roderick P. McDonald; PubMed: Roderick P. McDonald Літера P. у наукових записах є стабільною частиною бібліографічного імені. У цій статті вона зберігається там, де йдеться про повну форму імені, але не розшифровується без надійного первинного джерела. Хто такий Родерік П. Макдональд Макдональд працював у кількісній психології та психометрії в академічному середовищі Австралії, Канади і США. У статті 1970 року його афіліації вказані як University of New England в Австралії та Ontario Institute for Studies in Education у Канаді. У 1985–1986 роках він був президентом Psychometric Society і був пов’язаний з Macquarie University. У публікації 2002 року зазначено University of Illinois at Urbana-Champaign, а в роботах 2010–2011 років — University of Sydney. McDonald, 1970; Psychometric Society; McDonald & Ho, 2002; McDonald, 2011 University of Illinois сьогодні згадує Макдональда серед дослідників, які викладали там і сформували традицію психометрії та quantitative psychology. Це історичний контекст його впливу, а не окремий доказ якості конкретної моделі чи коефіцієнта. University of Illinois Головна тема його робіт: латентна структура за спостережуваними відповідями Психологічний тест безпосередньо реєструє відповіді, реакції або виконані завдання, але дослідника часто цікавить латентний конструкт — властивість, яку не спостерігають напряму. Факторний аналіз дає математичну мову для опису того, як спостережувані змінні пов’язані зі спільними латентними факторами. Макдональд послідовно розглядав тестову теорію через цю модельну перспективу. У цій логіці коефіцієнт надійності є наслідком припущень про структуру балу. Якщо модель змінюється — наприклад, замість одного загального фактора з’являються кілька групових факторів або корельовані залишки, — змінюється і питання, на яке має відповідати показник надійності. 1970 рік: теоретичні основи факторного аналізу У статті 1970 року Макдональд аналізував principal factor analysis, canonical factor analysis та alpha factor analysis як окремі випадки ширшої scale-invariant факторизації. Він показував, що вибір між процедурами пов’язаний з різними властивостями модельного розв’язку, а не лише з технічною назвою методу. McDonald, 1970 Цю роботу важливо читати історично. Позначення CFA в статті 1970 року не слід автоматично ототожнювати з усім сучасним значенням confirmatory factor analysis як класу структурних моделей. Термінологія і програмні реалізації розвивалися. Для сучасного читача ключовий внесок статті полягає в тому, що факторний аналіз розглядається через чіткі математичні критерії та припущення. Сучасні окремі сторінки ХАБу про експлораторний факторний аналіз (EFA) і конфірматорний факторний аналіз (CFA) описують нинішню методологічну практику. Історичні праці Макдональда допомагають зрозуміти, звідки походить модельне мислення, але не замінюють сучасних процедур оцінювання, діагностики специфікації та робастного аналізу. 1985 рік: Factor Analysis and Related Methods У книзі Factor Analysis and Related Methods Макдональд систематизував експлораторні та конфірматорні факторні методи, моделі коваріаційної структури, факторні бали, структурні моделі та зв’язки факторного аналізу з іншими підходами до вимірювання. McDonald, 1985 Для історії психометрії ця книга важлива не як перелік «правильних процедур на всі часи», а як етап переходу від набору окремих технік до єдиної модельної мови. Надійність, факторна структура, валідність інтерпретацій і помилка вимірювання стають частинами однієї задачі: обґрунтувати, що саме означає отриманий бал. Як факторна модель приводить до omega reliability Сучасна омега Макдональда оцінює надійність сумарного або іншого композитного балу через параметри факторної моделі. У простій однофакторній конгенеричній моделі з некорельованими залишками та відповідним масштабуванням фактора інтуїтивна форма оцінки порівнює дисперсію, яку створює спільний фактор, із загальною дисперсією балу. Докладне тлумачення, різновиди і практичні обмеження винесено в окрему канонічну статтю «Омега Макдональда». Спрощено для суми пунктів у такій моделі чисельник може бути записаний через квадрат суми факторних навантажень, а знаменник додає до нього суму залишкових дисперсій. Ця формула працює лише за конкретних модельних умов. Для багатофакторних, біфакторних, категоріальних або моделей з корельованими помилками потрібне відповідне визначення цільового балу та інший розклад дисперсії. Тому omega reliability — не «властивість тесту взагалі». Вона оцінює надійність конкретного балу за конкретної моделі, вибірки та способу використання. Саме такий контекстний підхід відповідає сучасним Standards for Educational and Psychological Testing. Чи «винайшов Макдональд омегу у 1970 році» Фраза «Макдональд винайшов омегу у 1970 році» надто спрощує історію. Його стаття 1970 року присвячена теоретичним основам факторного аналізу, а розгорнуте об’єднання reliability theory, factor models і test theory представлено в пізнішій книзі Test Theory: A Unified Treatment. Сучасна література використовує назву McDonald’s omega для сімейства коефіцієнтів, що виросли з цієї модельної традиції. McDonald, 1970; McDonald, 1999 Пізніші автори уточнювали різновиди omega, умови їх застосування та програмні способи оцінювання. Тому сучасний omega total, omega hierarchical та інші варіанти треба описувати з посиланням не лише на Макдональда, а й на пізнішу методологічну літературу. Revelle & Zinbarg, 2009; Flora, 2020 Альфа Кронбаха і омега: що змінилося методологічно Альфа Кронбаха стала надзвичайно поширеним показником внутрішньої узгодженості, але її інтерпретація як reliability coefficient залежить від припущень про модель і помилки. Коли пункти мають різні навантаження, механічне використання α може бути невдалим описом надійності цільового балу. Dunn, Baguley & Brunsden, 2014; McNeish, 2018 Омега часто краще узгоджується з конгенеричною факторною моделлю, бо дозволяє пунктам мати різні факторні навантаження. Проте теза «ω завжди краща за α» також помилкова. Вибір коефіцієнта має випливати з моделі, типу балу та дослідницького питання. Hayes & Coutts, 2020; Flora, 2020 Якщо модель погано описує дані, дуже точний розрахунок омеги не робить висновок надійним. Помилка специфікації переходить у коефіцієнт. Це центральний наслідок модельно-орієнтованого підходу Макдональда. Omega total, omega hierarchical та інші омеги Слово «омега» не називає одного універсального числа. Omega total зазвичай описує частку дисперсії композитного балу, яку можна приписати всім спільним факторам у заданій моделі. Omega hierarchical у біфакторній логіці намагається ізолювати внесок загального фактора в дисперсію загального балу. Інші визначення відповідають іншим моделям і цільовим конструкціям. Flora, 2020; Revelle & Zinbarg, 2009 Звідси випливає практичне правило: у науковій роботі недостатньо написати «ω = 0,84». Треба вказати, яку омегу оцінено, яка факторна модель стоїть за оцінкою, який бал є об’єктом надійності, який тип даних і оцінювача використано та наскільки модель узгоджується з даними. Висока омега не доводить одновимірність Коефіцієнт внутрішньої надійності не є тестом кількості факторів. Шкала може мати високу ω і водночас містити кілька змістовних вимірів. Одновимірність оцінюють через внутрішню структуру даних, теоретичну модель та відповідний факторний аналіз, а не через один reliability coefficient. Так само висока омега не доводить валідність. Надійність описує обмежену частину якості балу — точність відносно певного джерела випадкової помилки. Валідність стосується обґрунтованості інтерпретації та використання балів. Ці питання пов’язані, але не взаємозамінні. 1999 рік: Test Theory: A Unified Treatment Книга Test Theory: A Unified Treatment стала центральним синтезом підходу Макдональда. Вона охоплює reliability theory, моделі гомогенності та узагальнюваності, common factor model, валідність, аналіз завдань, item response theory, multidimensional IRT, equating, структурні моделі та scaling. McDonald, 1999 Слово unified у назві відображає важливий принцип: психометричні задачі не існують як ізольовані «коефіцієнти». Надійність балу залежить від того, як визначено латентний конструкт і модель помилки; факторна структура впливає на зміст композитного балу; валідність потребує аргументу про те, що цей бал означає в конкретному використанні. Саме тому історичний внесок Макдональда логічно розглядати всередині ширшої психометрії, а не лише як біографічне тло до коефіцієнта ω. 1989 рік: відповідність моделі і проблема залежності від розміру вибірки У 1989 році Макдональд запропонував індекс goodness-of-fit на основі параметра нецентральності. Метою було отримати міру наближення моделі, яка не поводиться просто як функція збільшення вибірки. McDonald, 1989 Ця лінія роботи важлива для розуміння його загальної позиції: модель не стає корисною лише тому, що дослідник отримав один формальний показник fit. Треба дивитися на характер наближення, специфічні обмеження моделі, залишки, параметри та змістовну інтерпретацію. 2002 рік: як звітувати structural equation models Разом із Moon-Ho R. Ho Макдональд сформулював принципи звітування structural equation analyses. Автори рекомендували обґрунтовувати модель і правдоподібні альтернативи, описувати ідентифікованість, проблеми ненормальності та пропусків, подавати параметри зі стандартними похибками, кореляційну матрицю, розбіжності та індекси fit так, щоб читач міг здійснити незалежну критичну оцінку. McDonald & Ho, 2002 Цей принцип безпосередньо актуальний для CFA і для оцінювання omega: число без опису моделі позбавляє читача можливості перевірити, що саме було оцінено. 2004 рік: specific analysis замість сліпої довіри до global fit У статті The Specific Analysis of Structural Equation Models Макдональд критикував ситуацію, коли глобальна відповідність коваріаційної структури використовується як головний суддя моделі. Він пропонував перевіряти ідентифікованість і конкретні обмеження, які випливають із рівнянь моделі. McDonald, 2004 Методологічний сенс цієї роботи виходить за межі SEM: загальний індекс не повинен приховувати локальні невідповідності. У психометрії це означає, що прийнятний fit, висока omega або висока alpha не замінюють аналізу того, чи відповідає сама модель теорії конструкта і даним. 2010 рік: structural models як наближення У роботі Structural Models and the Art of Approximation Макдональд наголошував, що structural equation models є ідеалізаціями реальних багатовимірних даних. Глобальні тести значущості та загальні індекси наближення самі по собі не дають достатньої основи для висновку про прийнятність моделі. Він пропонував окремо розглядати measurement model і path model. McDonald, 2010 Для сучасного користувача психометрії це важливе нагадування: модель є інструментом опису структури, а не фотографією психологічної реальності. Навіть добре підігнана модель залишається наближенням, яке треба оцінювати змістовно, статистично і з огляду на альтернативні пояснення. 2011 рік: measures і predictors латентних змінних У статті Measuring Latent Quantities Макдональд розрізнив measures і predictors латентних змінних та показав наслідки цього розрізнення для true-score model, factor model, SEM, longitudinal і multilevel models та item-response models. Окремо він розглянув calibration і error of measurement. McDonald, 2011 Це розрізнення потрібне тому, що не кожна лінійна комбінація індикаторів має однаковий вимірювальний зміст. Бал може бути корисним прогнозатором латентної величини, але це ще не тотожне твердженню, що він є її виміром у сильному психометричному сенсі. Що саме Макдональд змінив у мисленні про надійність Доцільно описувати його внесок не як заміну одного коефіцієнта іншим, а як перехід від коефіцієнт-центричного до модельно-центричного мислення. Питання «яка reliability у тесту?» перетворюється на точніші питання: який бал ми формуємо, якою моделлю описуємо його структуру, які джерела дисперсії вважаємо сигналом, які — помилкою, для якої популяції і для якого рішення потрібна точність. Це узгоджується з сучасним стандартом, за яким докази надійності та точності повинні відповідати конкретному використанню балів, а не існувати як безконтекстна характеристика інструмента. AERA, APA & NCME Standards Історичний внесок і сучасна практика: де проходить межа Макдональд є історично важливим автором факторно-аналітичної та тестової традиції, але сучасна психометрична практика не зводиться до його книжок чи формул. Методи оцінювання для категоріальних даних, робастні стандартні похибки, сучасні SEM-діагностики, Bayesian approaches, bifactor/ESEM, simulation-based fit diagnostics і програмні реалізації розвивалися далі. Тому коректна позиція така: праці Макдональда дають фундаментальну модельну логіку, а конкретна сучасна процедура повинна спиратися на актуальні стандарти і методологічні дослідження. Наприклад, сучасні огляди omega наголошують, що вибір її різновиду залежить від цільового конструкта і факторної моделі. Flora, 2020; Hayes & Coutts, 2020 Як правильно використовувати omega сьогодні 1. Спочатку визначте, який саме бал ви хочете інтерпретувати: загальний, субшкальний, факторний або інший композит. 2. Перевірте внутрішню структуру інструмента відповідним EFA або CFA, а не робіть висновок про структуру лише з reliability coefficient. 3. Назвіть конкретний різновид omega і поясніть, які компоненти дисперсії він вважає надійним сигналом. 4. Подайте модель, факторні навантаження або достатню інформацію про них, тип оцінювача, характер даних і спосіб роботи з категоріальними відповідями. 5. За можливості подайте довірчий інтервал для оцінки reliability, а не лише точкове значення. 6. Не використовуйте універсальний поріг на кшталт 0,70 як автоматичний сертифікат якості. Вимоги до точності залежать від наслідків рішення, популяції та призначення балу. 7. Інтерпретуйте reliability разом із доказами валідності, структурою шкали та контекстом використання. Standards for Educational and Psychological Testing Типові помилки в інтерпретації спадщини Макдональда 1. «Роберт Макдональд створив omega reliability» Автор психометричних робіт — Родерік П. Макдональд. Неправильне ім’я створює бібліографічну помилку і може вести до змішування з іншими людьми. 2. «Омега — це просто краща альфа» Омега є модельно-залежною оцінкою. Вона може бути доречнішою за alpha за певних структурних припущень, але не має універсальної переваги незалежно від моделі. 3. «Якщо ω висока, шкала одновимірна» Висока внутрішня надійність сумарного балу сумісна з різними латентними структурами. Одновимірність потребує окремого структурного аргументу. 4. «Висока ω доводить валідність» Reliability є необхідною складовою точного вимірювання, але не доводить, що бал відображає заявлений конструкт або придатний для конкретного рішення. 5. «Омега усуває measurement error» Коефіцієнт оцінює частку надійної дисперсії за моделлю; він не прибирає похибку з даних і не гарантує точність індивідуального рішення. 6. «Будь-який software output з назвою omega означає те саме» Різні пакети можуть реалізовувати різні визначення або параметризації. Перед порівнянням значень треба перевірити формулу, модель і цільовий бал. Flora, 2020 Що внесок Макдональда означає для психологічного тестування Психометрична якість інструмента не зводиться до того, чи отримано «гарне число». Вимірювання є ланцюгом: визначення конструкта → операціоналізація → модель зв’язку пунктів із латентною змінною → оцінка структури → оцінка reliability і measurement error → докази валідності → правила інтерпретації балів. Макдональд вплинув насамперед на середину цього ланцюга — на математичну архітектуру, яка пояснює, як латентна структура породжує спостережувані відповіді і як із цієї структури випливає точність балу. Його роботи корисні тоді, коли дослідник хоче зрозуміти не лише «скільки дорівнює коефіцієнт», а чому саме цей коефіцієнт має зміст у конкретній моделі. У клінічній або скринінговій практиці це має окреме YMYL-значення: висока omega не перетворює опитувальник на діагноз, не визначає чутливість чи специфічність, не встановлює cutoff і не дає клінічної інтерпретації окремій людині. Reliability відповідає на питання про точність балу, а діагностичне рішення потребує іншого комплексу доказів. Науковий статус основних тверджень Established evidence: Родерік П. Макдональд є автором ключових праць з факторного аналізу, теорії тестів, SEM і вимірювання латентних величин; його президентство в Psychometric Society та академічні афіліації документовані професійними й видавничими джерелами. Established methodological position: coefficient omega є сімейством модельно-орієнтованих оцінок reliability; сучасні методологічні публікації рекомендують вибирати конкретний різновид omega відповідно до факторної моделі та цільового балу. Historical interpretation: твердження, що вся сучасна omega була «створена в одній статті 1970 року», є спрощенням. Стаття 1970 року стосується фундаментів факторного аналізу; систематичний test-theory synthesis Макдональда сформований пізніше, а сучасна nomenclature omega розвивалася у подальшій літературі. Contested or model-dependent claims: універсальна перевага ω над α, універсальний cutoff reliability і висновок про одновимірність із самого коефіцієнта не підтримуються як загальні правила. FAQ Хто такий Родерік П. Макдональд? Психометрист і дослідник кількісної психології, автор робіт з факторного аналізу, теорії тестів, структурного моделювання, reliability та вимірювання латентних величин. У 1985–1986 роках він був президентом Psychometric Society. Чи Роберт Макдональд є автором омеги Макдональда? Ні. У психометричних першоджерелах автор зазначений як Roderick P. McDonald — Родерік П. Макдональд. Що таке omega reliability? Це модельно-орієнтована оцінка надійності композитного балу, побудована на параметрах факторної моделі. Докладно дивіться статтю «Омега Макдональда». Чому omega часто вважають кращою за alpha? Тому що багато форм omega допускають нерівні факторні навантаження пунктів і тим самим відповідають гнучкішій congeneric measurement model. Але перевага залежить від правильності моделі та цільового балу. Чи доводить висока omega, що тест хороший? Ні. Вона характеризує лише одну сторону якості балу. Потрібні також докази внутрішньої структури, валідності, справедливості, відповідних норм або критеріїв та придатності до конкретного використання. Чи є omega одним коефіцієнтом? Ні. Існують різні omega-коефіцієнти, зокрема omega total та omega hierarchical. Вони відповідають на різні питання і залежать від структури моделі. Яка праця Макдональда є головною для теорії тестів? Test Theory: A Unified Treatment (1999) є його масштабним синтезом test theory, reliability, factor models, validity, IRT та структурних моделей. Яку роль Макдональд відіграв у SEM? Він працював над індексами fit, принципами звітування структурних моделей, specific analysis та проблемою інтерпретації глобальних показників відповідності. Його пізні роботи наголошували, що SEM-моделі є наближеннями, які треба оцінювати не лише за одним fit index. Чи можна за omega ставити психологічний або психіатричний діагноз? Ні. Omega не є діагностичним показником. Вона оцінює reliability балу і не замінює клінічне оцінювання, діагностичну валідність, sensitivity, specificity, PPV/NPV або професійне рішення. Пов’язані статті Омега Макдональда — окрема стаття про ω total, ω hierarchical, відмінність від alpha та правила інтерпретації. Факторний аналіз у психології — загальна модель латентної структури, на якій ґрунтується значна частина внеску Макдональда. Експлораторний факторний аналіз (EFA) — як досліджують приховану структуру шкали. Конфірматорний факторний аналіз (CFA) — як перевіряють теоретичну структуру психологічного тесту. Надійність психологічного тесту — види reliability, джерела похибки та межі інтерпретації. Альфа Кронбаха — що показує α, які має припущення і чому високе значення не гарантує якісний тест. Психометрія — ширша система психологічного вимірювання, валідності, надійності та інтерпретації тестів. Джерела American Educational Research Association, American Psychological Association & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. Dunn, T. J., Baguley, T., & Brunsden, V. (2014). From alpha to omega: a practical solution to the pervasive problem of internal consistency estimation. British Journal of Psychology, 105(3), 399–412. Flora, D. B. (2020). Your Coefficient Alpha Is Probably Wrong, but Which Coefficient Omega Is Right? Advances in Methods and Practices in Psychological Science, 3(4), 484–501. Hayes, A. F., & Coutts, J. J. (2020). Use Omega Rather than Cronbach’s Alpha for Estimating Reliability. But… Communication Methods and Measures, 14(1), 1–24. McDonald, R. P. (1970). The theoretical foundations of principal factor analysis, canonical factor analysis, and alpha factor analysis. British Journal of Mathematical and Statistical Psychology, 23(1), 1–21. McDonald, R. P. (1985). Factor Analysis and Related Methods. Psychology Press. McDonald, R. P. (1989). An index of goodness-of-fit based on noncentrality. Journal of Classification, 6, 97–103. McDonald, R. P. (1999). Test Theory: A Unified Treatment. Lawrence Erlbaum Associates. McDonald, R. P., & Ho, M.-H. R. (2002). Principles and practice in reporting structural equation analyses. Psychological Methods, 7(1), 64–82. McDonald, R. P. (2004). The Specific Analysis of Structural Equation Models. Multivariate Behavioral Research, 39(4), 687–713. McDonald, R. P. (2010). Structural Models and the Art of Approximation. Perspectives on Psychological Science, 5(6), 675–686. McDonald, R. P. (2011). Measuring Latent Quantities. Psychometrika, 76(4), 511–536. McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23(3), 412–433. Psychometric Society. Past, Present, and Incoming Presidents. Revelle, W., & Zinbarg, R. E. (2009). Coefficients Alpha, Beta, Omega, and the glb: Comments on Sijtsma. Psychometrika, 74, 145–154. University of Illinois Department of Psychology. Quantitative Psychology.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Коротка відповідь ROC-крива (receiver operating characteristic curve) показує, як змінюється співвідношення між чутливістю та частотою хибнопозитивних результатів, коли для безперервного або порядкового тестового бала послідовно змінюють поріг позитивного результату. На осі Y відкладають чутливість, або true positive rate, а на осі X — 1 − специфічність, тобто false positive rate. Саме так ROC-криву визначає Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy. AUC (area under the ROC curve) — площа під ROC-кривою — стискає загальну дискримінаційну здатність тесту в одне число. Для звичайної бінарної задачі AUC можна інтерпретувати як імовірність того, що випадково обрана людина з цільовим станом матиме більш «позитивний» тестовий результат, ніж випадково обрана людина без цього стану. Це класичне рангове тлумачення було формалізоване Hanley і McNeil. Головне обмеження: AUC описує дискримінацію, а не всю клінічну чи психологічну корисність тесту. Висока AUC сама по собі не визначає правильний cutoff, не повідомляє позитивну або негативну прогностичну цінність, не оцінює калібрування, не враховує наслідки хибнопозитивних і хибнонегативних рішень та не перетворює скринінг на діагноз. Окремий поріг треба обирати під конкретну мету, популяцію та наслідки рішення. Що таке ROC-крива ROC-аналіз застосовують, коли індексний тест дає числовий або порядковий результат, а дослідник має референтний стандарт, який класифікує учасників щодо цільового стану. У психології індексним тестом може бути сумарний бал скринінгової шкали, ризиковий score або модель, а референтним стандартом — наприклад, структуроване чи напівструктуроване клінічне інтерв’ю. Важливо, щоб сам референтний стандарт був методологічно обґрунтований: STARD 2015 прямо вимагає описувати як індексний тест, так і референтний стандарт, підстави його вибору та пороги позитивності. Один числовий score ще не створює бінарного рішення. Порогове значення переводить score у правило «позитивний/негативний». Кожний можливий cutoff утворює власну 2×2 таблицю: істинно позитивні (TP), хибнопозитивні (FP), істинно негативні (TN) і хибнонегативні (FN). З цієї таблиці обчислюють чутливість і специфічність. ROC-крива не показує один-єдиний поріг. Вона показує цілу послідовність робочих точок тесту. Тому її головне питання звучить так: який обмін між виявленням більшої частки людей із цільовим станом і збільшенням кількості хибнопозитивних результатів виникає при переміщенні порога? Як із тестового бала виникає ROC-крива Для кожного можливого порога дослідник обчислює дві величини. Чутливість = TP/(TP+FN): частка людей із цільовим станом, яких тест класифікує позитивно. Специфічність = TN/(TN+FP): частка людей без цільового стану, яких тест класифікує негативно. На ROC-графіку використовують 1 − специфічність = FP/(FP+TN), тобто частоту хибнопозитивних результатів. Коли вищий score означає більшу ймовірність цільового стану, дуже низький поріг позначить позитивними майже всіх: чутливість наближатиметься до 1, але специфічність зменшуватиметься. Дуже високий поріг зробить позитивними небагатьох: специфічність зростатиме, проте частина істинних випадків буде пропущена, і чутливість падатиме. Цей компроміс є властивістю правила класифікації, а не моральною вадою тесту. У реальній практиці важливість двох типів помилок може бути різною. Для початкового скринінгу інколи особливо важливо не пропустити людей, які потребують подальшого оцінювання; для іншої процедури хибнопозитивне рішення може вести до дорогого, ризикованого або стигматизуючого втручання. Через це «кращий» поріг визначається intended use — запланованим застосуванням. Якщо напрям шкали зворотний і нижчий бал означає більшу ймовірність стану, правило треба орієнтувати відповідно. AUC нижче 0,5 іноді виникає саме через інверсію напрямку або кодування класів. Тому фраза «AUC < 0,5 — тест гірший за випадковість» без перевірки напряму шкали може бути оманливою. Умовний приклад Уявімо шкалу, де вищий бал пов’язаний із більшою ймовірністю цільового стану. За порога ≥5 вона може мати чутливість 0,95 і специфічність 0,40; за ≥10 — 0,85 і 0,70; за ≥15 — 0,65 і 0,85; за ≥20 — 0,40 і 0,95. Це умовні числа лише для пояснення механіки. Для порога ≥10 точка ROC має координати X = 1 − 0,70 = 0,30 та Y = 0,85. Для порога ≥15 координати стають X = 0,15 та Y = 0,65. Крива з’єднує такі точки для всіх доступних порогів. Жодна окрема точка не є автоматично правильною. Поріг ≥10 у цьому прикладі дає більше виявлених випадків, але й більше хибнопозитивних результатів. Поріг ≥15 зменшує хибнопозитивні результати, проте пропускає більше людей із цільовим станом. Як читати осі та форму ROC-кривої Вертикальна вісь — true positive rate, тобто чутливість. Горизонтальна вісь — false positive rate, тобто 1 − специфічність. Ідеальна робоча точка для суто математичної класифікації містилася б у лівому верхньому куті: чутливість 1 і false positive rate 0. Діагональ від нижнього лівого до верхнього правого кута відповідає відсутності рангової дискримінації. Чим сильніше ROC-крива вигинається до лівого верхнього кута, тим краще тест розділяє дві групи в досліджуваних даних. Проте сама геометрична близькість до кута ще не враховує поширеність стану, реальні наслідки помилок, ресурси, доступність подальшого оцінювання чи те, що для практики може бути важливою лише вузька область дуже високої специфічності. Для психологічних шкал це особливо важливо: score часто вимірює безперервну вираженість ознаки, а ROC накладає на нього бінарний зовнішній критерій. Графік описує здатність score розрізняти категорії, визначені саме цим критерієм; він не доводить, що психологічний конструкт сам по собі природно складається з двох дискретних типів людей. Що означає AUC AUC — інтегральний показник дискримінаційної здатності по всьому діапазону порогів. У стандартній орієнтації AUC = 0,5 відповідає відсутності рангового розділення двох груп, AUC = 1 означає повне розділення в оцінених даних, а значення між ними відображають різний ступінь перекриття розподілів. Рангове тлумачення є найкориснішим: AUC 0,80 означає, що для випадкової пари «одна людина з цільовим станом + одна без нього» тест приблизно у 80% пар поставить людину з цільовим станом вище за шкалою ризику, якщо напрям шкали визначено правильно. Це не означає «80% правильних діагнозів», «80% точності кожного індивідуального результату» або «80% імовірності розладу». AUC є порогонезалежним у тому сенсі, що не прив’язана до одного cutoff. Це корисно для загальної оцінки ранжування, але водночас означає, що AUC усереднює поведінку тесту по ділянках ROC-кривої, частина яких може ніколи не використовуватися в реальному рішенні. Саме тому AUC добре відповідає на питання «наскільки score у цілому розрізняє дві групи?», але не відповідає самостійно на питання «що робити з конкретним результатом цієї людини?». Чого AUC не означає AUC не дорівнює загальній частці правильних класифікацій. Accuracy у сенсі (TP+TN)/N залежить від конкретного порога і складу вибірки, тоді як AUC узагальнює рангову дискримінацію по багатьох порогах. AUC не є чутливістю і не є специфічністю. Чутливість і специфічність описують конкретну робочу точку. Два тести можуть мати подібні AUC, але дуже різні sensitivity/specificity саме в клінічно важливій зоні. AUC не є PPV або NPV. Прогностичні цінності відповідають на післятестові питання — яка частка позитивних результатів є істинно позитивною та яка частка негативних є істинно негативною — і сильно залежать від базової частоти та поширеності. AUC не є калібруванням. Для моделей, які видають абсолютну ймовірність, дискримінація описує правильність ранжування, а калібрування — відповідність прогнозованих і спостережуваних ризиків. Users’ Guide з дискримінації та калібрування підкреслює, що ці властивості треба оцінювати окремо. AUC не є валідністю психологічного тесту в широкому психометричному сенсі. Вона може бути одним із джерел доказів для конкретного критеріального застосування, але не замінює доказів щодо змісту, внутрішньої структури, зв’язків з іншими змінними, надійності, справедливості та наслідків використання. Standards for Educational and Psychological Testing розглядають обґрунтування інтерпретації та використання результатів як ширший аргумент. AUC не є клінічною корисністю. Vickers і Elkin запропонували decision curve analysis, де рішення оцінюють через net benefit з урахуванням відносної ціни хибнопозитивних і хибнонегативних рішень. Сучасний аналіз Foroutan та співавторів 2026 року також показує, що практична корисність заданої AUROC залежить від частоти результату та порогів, які запускають дію. AUC не перетворює скринінговий інструмент на діагностичний. Позитивний score вище cutoff означає позитивний результат за конкретним правилом і може бути підставою для подальшої оцінки. Різницю між скринінгом і діагностикою треба зберігати навіть при дуже високій AUC. Чи існує «хороший» AUC У навчальних матеріалах часто трапляються універсальні словесні шкали на кшталт «0,7 — прийнятно», «0,8 — добре», «0,9 — відмінно». Такі межі можуть бути мнемонічними, але вони не є універсальним стандартом якості тесту. Те саме AUC може бути недостатнім для одного високоризикового рішення й практично корисним для іншого, особливо якщо важлива лише певна ділянка ROC-кривої. Інтерпретація залежить від intended use, серйозності помилок, доступної альтернативи, базової частоти, спектра випадків, якості референтного стандарту та того, де саме лежить робочий поріг. Тому твердження «AUC = 0,82, отже тест хороший» є неповним. Для дослідника коректніше повідомити саму оцінку AUC з довірчим інтервалом, описати популяцію і референтний стандарт, а потім окремо показати sensitivity/specificity для релевантних порогів та обґрунтувати, чому саме ці пороги важливі. Для читача практичне правило просте: AUC оцінюють не за магічною шкалою прикметників, а в контексті рішення. ROC/AUC і вибір порогового значення ROC-крива дозволяє побачити всі доступні компроміси між чутливістю та специфічністю. Але з неї не випливає єдиний універсально оптимальний cutoff. Порогове значення є правилом дії, тому його вибір має починатися з питання: яке рішення буде прийнято після позитивного й негативного результату? Якщо мета — первинний скринінг, дослідник може надати більшої ваги чутливості, бо пропущений випадок означає втрату можливості подальшого оцінювання. Якщо позитивний результат запускає інвазивну, дорогу чи ризиковану процедуру, може знадобитися вища специфічність. Це не загальні рецепти: ваги залежать від конкретної програми та наслідків. При цьому поріг повинен бути пов’язаний із тією версією тесту, тією популяцією і тим референтним стандартом, у яких його оцінювали. Перенесення cutoff з іншої країни, іншої мови, іншого віку або іншого setting без перевірки створює нове, неперевірене правило. Вибір порога також не скасовує післятестову інтерпретацію. Навіть при фіксованих sensitivity та specificity значення позитивного результату змінюється разом із передтестовою ймовірністю. Для цього корисні LR+ і LR− та прогностичні цінності. Індекс Йодена Один із відомих статистичних критеріїв — індекс Йодена: J = sensitivity + specificity − 1. Класична робота W. J. Youden запропонувала цей індекс для оцінювання діагностичних тестів. Поріг, що максимізує J, максимізує суму sensitivity і specificity. Це зручний математичний критерій, але слово «оптимальний» тут потребує контексту. Максимальний J не враховує автоматично реальні наслідки пропущеного стану, зайвого направлення, лікування, стигми, витрат, ресурсів або різної цінності двох типів помилок. Smits показав, що використання J неявно вводить певне співвідношення вартостей помилкової класифікації; воно не обов’язково відповідає реальним уподобанням особи, клініциста чи системи охорони здоров’я. Тому Youden J є евристикою, а не універсальним правилом клінічного рішення. Найближча точка до лівого верхнього кута Ще одна популярна евристика — вибрати точку з мінімальною евклідовою відстанню до координати (0,1). Вона теж симетрично ставиться до двох осей і може бути зручною для опису даних, але не знає нічого про ціну помилок або реальну послідовність дій. Максимальний Youden J, найменша відстань до (0,1), рівність sensitivity і specificity та «поріг з найвищою accuracy» можуть дати різні значення. Вибір між ними — не косметична статистична деталь, а частина формулювання intended use. Поріг за наслідками рішення Сильніший підхід починається з наслідків. Треба визначити, що відбувається після позитивного та негативного результату, які помилки небезпечніші, яка передтестова ймовірність і які альтернативні стратегії існують. Decision curve analysis оцінює net benefit для різних decision thresholds і порівнює модель зі стратегіями «діяти для всіх» та «не діяти ні для кого». Вона не замінює ROC, а відповідає на інше питання: чи дає використання тесту корисніші рішення в релевантному діапазоні порогів. Для психологічного скринінгу наслідком позитивного результату часто має бути додаткове оцінювання, а не автоматична діагностична етикетка або лікування. Саме тому вибір порога повинен бути пов’язаний із маршрутом допомоги. Заздалегідь визначений і дослідницький cutoff Порогове значення може бути prespecified — визначеним до аналізу — або exploratory — знайденим після перегляду поточних даних. Це принципова відмінність. STARD 2015 вимагає повідомляти визначення і обґрунтування порогів та чітко розрізняти попередньо визначені й дослідницькі. Якщо дослідник перебирає багато порогів у маленькій вибірці й публікує лише найкращий, оцінки sensitivity та specificity можуть бути надто оптимістичними. Поріг пристосовується до випадкового шуму конкретної вибірки. Ця проблема добре задокументована і в психологічному скринінгу. Neupane та співавтори в індивідуально-учасниковому метааналізі показали вибіркове повідомлення cutoff у дослідженнях PHQ-9 та Edinburgh Postnatal Depression Scale: результати, доступні в публікаціях, відрізнялися від оцінок, отриманих при аналізі всіх порогів. Тому новий поріг, знайдений на одній вибірці, варто розглядати як кандидат для подальшої перевірки. Зовнішня валідація в незалежній вибірці дає значно сильніший доказ переносимості. AUC, довірчі інтервали та статистична невизначеність AUC у вибірці — оцінка, а не точна константа. Її потрібно супроводжувати довірчим інтервалом. Те саме стосується sensitivity, specificity та інших показників при конкретному порозі. Широкий інтервал означає, що даних недостатньо для точного висновку, навіть якщо точкова оцінка виглядає високою. Невизначеність залежить від кількості учасників із цільовим станом і без нього, розподілу score, дизайну, повторних або кластеризованих спостережень та методу оцінювання. Для стандартних парних порівнянь AUC широко застосовують непараметричний підхід DeLong, DeLong і Clarke-Pearson. Сам факт, що 95% довірчий інтервал AUC не включає 0,5, означає лише статистичні докази дискримінації понад випадковий рівень у заданому дизайні. Це не доводить практичну значущість, клінічну корисність або достатню точність для конкретного рішення. Як порівнюють дві AUC Коли два тести оцінено на тих самих учасниках, їхні ROC-криві корельовані. Порівнювати AUC як два незалежні числа некоректно; потрібен метод, який враховує парність. Класична робота DeLong та співавторів описує непараметричний підхід для порівняння двох або більше корельованих ROC-площ. Статистично значуща різниця між AUC не дорівнює практично важливій різниці. Навіть невелика зміна AUC може мати значення, якщо вона покращує sensitivity у критичній зоні високої specificity; велика різниця в загальній AUC може бути неважливою, якщо вона виникає у ділянці порогів, які ніколи не використовують. Порівняння також має бути чесним щодо даних: однакові учасники, однаковий референтний стандарт, однакова цільова умова й належне запобігання overfitting. Порівнювати AUC з різних досліджень як прямий рейтинг тестів зазвичай небезпечно через відмінності популяцій, prevalence, case mix і методології. Коли повна AUC приховує важливу ділянку Повна AUC усереднює всю ROC-криву від false positive rate 0 до 1. У практиці часто прийнятною є лише вузька зона — наприклад, дуже висока специфічність. Тоді дві однакові повні AUC можуть приховувати суттєво різну поведінку саме там, де приймається рішення. Для таких ситуацій існує partial AUC — площа під обмеженою частиною ROC-кривої. Класична методична робота McClish показала, як аналізувати частину кривої, коли інтерес зосереджений на заздалегідь визначеному діапазоні false positive rate. Partial AUC також потребує попереднього обґрунтування діапазону. Вибрати «вигідну» ділянку після перегляду результатів — ще один спосіб отримати оптимістичну оцінку. Поширеність, case mix і переносимість AUC У математичному сенсі AUC не містить prevalence у формулі так, як PPV або NPV. Якщо умовні розподіли score серед людей із цільовим станом і без нього залишаються незмінними, проста зміна частки двох груп не змінює AUC. У реальних популяціях змінюється не лише частка випадків. Змінюються тяжкість стану, коморбідність, вік, setting, спектр альтернативних станів і спосіб відбору учасників. Тоді змінюються самі розподіли score та показники тесту. Usher-Smith, Sharp і Griffin описують це як spectrum effect — варіацію результативності тестів між різними підгрупами та умовами застосування. Через це AUC із вузької вибірки «очевидні випадки проти здорових контролів» може виглядати вищою, ніж у реальній клінічній популяції, де є легкі випадки, суміжні стани й діагностична невизначеність. Висока AUC у case-control дизайні ще не гарантує такої самої дискримінації в повсякденній практиці. Для PPV і NPV роль prevalence ще пряміша: вони математично змінюються разом із передтестовою ймовірністю. Саме тому AUC не можна використовувати як заміну післятестовому мисленню. Нові дані Foroutan та співавторів додатково показують, що навіть для добре каліброваних prediction models зв’язок між AUROC і практичною корисністю залежить від частоти outcome та decision thresholds. Число AUC не живе поза контекстом рішення. Референтний стандарт: AUC завжди відносна до того, що вважають «станом» ROC-аналіз потребує критерію, за яким учасників відносять до двох класів. У діагностичному дослідженні це reference standard. Якщо цей стандарт недосконалий, непослідовний або сам містить індексний тест, ROC/AUC оцінює узгодженість із проблемною класифікацією, а не незалежну «істину». Різні референтні стандарти можуть давати різні оцінки. Це видно на психологічному прикладі PHQ-9: у великому individual participant data meta-analysis Negeri та співавторів AUC і sensitivity відрізнялися залежно від того, чи порівнювали скринінг із напівструктурованими, повністю структурованими інтерв’ю або MINI. У 2026 році актуальним інструментом оцінки ризику упередження в дослідженнях diagnostic test accuracy став QUADAS-3. Він оцінює ризик упередження й застосовність на рівні конкретних accuracy estimates та окремо розглядає учасників, індексний тест, цільовий стан і аналіз. Отже, читати AUC без опису reference standard, selection, flow і analysis — все одно що читати результат вимірювання без опису того, чим і кого вимірювали. ROC/AUC у психологічному скринінгу У психології ROC-аналіз часто використовують для скринінгових опитувальників: score порівнюють із результатом діагностичного інтерв’ю або іншого референтного оцінювання. Це корисний спосіб дослідити, наскільки score розрізняє дві групи та які sensitivity/specificity виникають за різних cutoff. Проте позитивний скринінг не є діагнозом. Він означає, що результат перетнув заздалегідь визначене правило позитивності. Клінічне оцінювання враховує симптоми, тривалість, функціональне порушення, контекст, диференційну діагностику, супутні стани та інші джерела інформації. Навіть сильний скринінговий інструмент може давати багато хибнопозитивних результатів у популяції з низькою prevalence. У метааналізі PHQ-9 Negeri та співавтори показали, що sensitivity і specificity близько 0,85 за cutoff ≥10 не означають, що позитивний результат автоматично дорівнює великому депресивному розладу; практичні наслідки залежать від prevalence і подальшого маршруту. Негативний скринінг теж не є абсолютним виключенням стану. Імовірність пропуску визначається чутливістю, порогом, передтестовою ймовірністю та контекстом; докладніше це розглянуто в матеріалі про хибнонегативний результат. ROC/AUC не замінює надійність і валідність Психометрична якість тесту не зводиться до дискримінації двох груп. Якщо score нестабільний через велику похибку вимірювання, його порогова класифікація також буде нестабільною. Людина поблизу cutoff може перейти з однієї категорії в іншу через measurement error, навіть якщо її латентна ознака майже не змінилася. Так само хороша AUC не доводить construct validity. Тест може добре відрізняти дві конкретні групи з причин, не тотожних заявленому психологічному конструкту: наприклад, через супутній фактор, різницю setting або особливість вибірки. У системі психометрії ROC/AUC треба розміщувати поряд із доказами надійності, валідності, похибки вимірювання, fairness та придатності до intended use. Standards for Educational and Psychological Testing підкреслюють, що якість інтерпретації score визначається сукупністю доказів для конкретного використання. Тому формула «AUC висока → тест валідний» є занадто сильною. Коректніше: «у цій популяції, щодо цього референтного стандарту, score продемонстрував таку-то дискримінаційну здатність». Українська версія тесту: переклад не переносить AUC і cutoff автоматично Якщо тест перекладено українською, показники ROC/AUC з іншомовної версії не стають властивістю української версії автоматично. Переклад може змінити складність формулювань, семантичні відтінки, розподіл відповідей і навіть зв’язок score із референтним критерієм. International Test Commission розглядає переклад лише як частину повноцінної адаптації та вимагає емпіричних доказів еквівалентності, надійності й валідності. Докладніше про це — у статті ХАБу «Адаптація і переклад психологічних тестів». Для українського застосування треба перевіряти саме відповідну мовно-культурну версію, target population, reference standard і пороги. Наявність українського тексту опитувальника сама по собі не є доказом валідованої української адаптації. Fairness: однакова AUC у групах ще не доводить справедливість ROC/AUC можна оцінювати окремо за статтю, віком, мовою або іншими релевантними групами. Це може виявити відмінності в дискримінації, але однакова AUC між групами не доводить відсутності bias або повної fairness. Дві групи можуть мати однакову AUC, але різні calibration, sensitivity/specificity за робочим cutoff, PPV/NPV, розподіли score або наслідки рішень. Так само відмінність AUC не пояснює автоматично її причину. Оцінка fairness потребує ширшої перевірки: конструктивної еквівалентності, адаптації, measurement invariance там, де вона доречна, диференційного функціонування завдань, вибору порога, наслідків використання та контексту. ROC — один фрагмент, а не остаточний вердикт. Типові помилки інтерпретації ROC та AUC 1. «AUC 0,85 означає 85% правильних діагнозів». Ні. AUC — ранговий показник дискримінації по всіх порогах, а не частка правильних індивідуальних діагнозів. 2. «Висока AUC автоматично дає хороший cutoff». Ні. AUC не визначає, яка робоча точка найкраще відповідає intended use та наслідкам помилок. 3. «Найвищий Youden J — клінічно оптимальний поріг». Не обов’язково. J не включає всі реальні цінності, шкоди, ресурси та downstream-рішення. 4. «AUC не залежить від prevalence, отже вона переноситься між популяціями». Ні. Формально prevalence не входить до AUC, але case mix і spectrum effect можуть змінювати дискримінацію між популяціями. 5. «AUC 0,90 означає, що позитивний результат майже напевно істинний». Ні. Це питання PPV, яка залежить від prevalence та конкретного cutoff. 6. «AUC оцінює калібрування». Ні. Модель може добре ранжувати людей і водночас систематично завищувати або занижувати абсолютні ризики. 7. «Якщо різниця AUC статистично значуща, новий тест кращий у практиці». Не автоматично. Треба оцінити величину різниці, важливу ділянку ROC, робочі пороги, зовнішню валідацію та clinical utility. 8. «Можна знайти найкращий cutoff у своїй вибірці й одразу застосовувати його всім». Це створює ризик оптимізму. Exploratory cutoff потребує незалежної перевірки. 9. «ROC робить безперервний психологічний конструкт природно бінарним». Ні. Категорію задає reference standard і rule; континуальна природа score від цього не зникає. 10. «Український переклад успадковує AUC і cutoff оригіналу». Ні. Потрібна емпірична перевірка адаптованої версії в релевантній українській популяції. Як оцінювати дослідження ROC/AUC Добре дослідження diagnostic test accuracy починається не з красивого графіка, а з чіткого питання: target condition, intended use, цільова популяція, index test, reference standard і наслідок результату. STARD 2015 задає мінімальний стандарт прозорого звітування таких досліджень. Перевірте, чи поріг був prespecified, чи підібраний після аналізу; чи всі учасники отримали належний reference standard; чи не залежала перевірка від результату index test; чи повідомлено невизначені або пропущені результати; чи наведено 95% CI для accuracy estimates. Для систематичних оглядів у 2026 році QUADAS-3 є актуальною версією інструмента ризику упередження для test accuracy studies. Він замінив QUADAS-2 і переносить оцінювання на рівень конкретних estimates, що важливо, коли одна стаття містить кілька порогів або кілька аналізів. Cochrane Handbook DTA наголошує на взаємозв’язку sensitivity і specificity через threshold та на особливій статистиці метааналізу diagnostic accuracy. Тому просте усереднення AUC або окремих sensitivity/specificity між різними порогами часто неадекватне. Практичний алгоритм: як читати ROC/AUC без помилок Крок 1. Визначте, що саме розрізняє тест. Який target condition і яким reference standard його встановлено? Крок 2. Перевірте напрям score. Чи вищий бал означає більшу ймовірність стану, чи навпаки? Крок 3. Подивіться на AUC разом із 95% CI. Оцініть дискримінацію та статистичну невизначеність, не перетворюючи AUC на «відсоток правильних діагнозів». Крок 4. Не зупиняйтеся на AUC. Подивіться на sensitivity і specificity для порогів, реально придатних до intended use. Крок 5. З’ясуйте, як обрано cutoff: до аналізу, за зовнішнім стандартом, за Youden J чи після перегляду даних. Exploratory threshold потребує зовнішньої перевірки. Крок 6. Перейдіть від accuracy до післятестового значення: врахуйте prevalence, PPV/NPV або likelihood ratios та передтестову ймовірність. Крок 7. Оцініть клінічні або практичні наслідки. Чи дає тест net benefit і чи існує реальний маршрут дій після позитивного/негативного результату? Крок 8. Перевірте переносимість: популяція, мова, культура, setting, версія інструмента, спектр випадків, fairness та зовнішня валідація. Крок 9. Для психологічного скринінгу збережіть головну межу: screening result — це результат скринінгу, а diagnosis — результат клінічного діагностичного процесу. FAQ Що означає AUC 0,80? У стандартній бінарній задачі це означає приблизно 80% імовірності правильного ранжування випадкової пари, де одна людина має цільовий стан, а інша — ні. Це не означає 80% точності діагнозу в кожної людини. Що краще: AUC 0,80 чи 0,85? 0,85 означає вищу загальну рангову дискримінацію в оцінених даних, але для практичного порівняння треба врахувати довірчі інтервали, парність даних, конкретну ділянку ROC, робочий cutoff, calibration та utility. Різниця 0,05 сама по собі не є клінічним вердиктом. Чи можна з ROC-кривої отримати найкращий cutoff? Можна отримати статистично привабливі кандидати, наприклад за максимальним Youden J. Але «найкращий» практичний поріг залежить від цілі, поширеності, вартості помилок, ресурсів і наслідків рішення. Поріг із ROC-аналізу потребує зовнішньої перевірки. Чи залежить AUC від поширеності? Prevalence не входить прямо до формули AUC. За незмінних умовних розподілів score проста зміна частки positive/negative не змінює AUC. У реальних популяціях разом із prevalence часто змінюється case mix, тяжкість і спектр альтернативних станів, тому спостережувана AUC може відрізнятися. Чим AUC відрізняється від PPV? AUC оцінює рангову дискримінацію по всьому набору порогів. PPV відповідає на конкретне післятестове питання: яка частка позитивних результатів при певному cutoff справді належить людям із цільовим станом. PPV прямо залежить від prevalence. Чи може тест мати високу AUC і бути непридатним у практиці? Так. Він може мати невдале калібрування, неприйнятну sensitivity саме в потрібній зоні, дорогі або шкідливі downstream-наслідки, слабку зовнішню валідність, погану адаптацію чи відсутність реального маршруту дій. AUC є частиною, а не повною оцінкою корисності. Чи можна використовувати AUC для психологічного опитувальника? Так, якщо є чітко визначений target condition і обґрунтований reference standard, а score має сенс як індексний тест. При цьому AUC не замінює reliability, construct validity, cultural adaptation і broader assessment evidence. Чи означає AUC 1,00, що тест ідеальний? AUC 1,00 означає повне рангове розділення у конкретних оцінених даних. У невеликій, відібраній або перенавченій вибірці це може бути ознакою оптимізму. Потрібні довірчий інтервал, перевірка дизайну та незалежна зовнішня валідація. Чому дві ROC-криві можуть мати однакову AUC, але різну практичну цінність? Тому що однакова загальна площа може бути розподілена по кривій по-різному. Один тест може бути кращим за дуже високої specificity, інший — за високої sensitivity. Якщо практика працює лише в одному діапазоні порогів, повна AUC може приховувати цю різницю. Чи можна переносити cutoff та AUC з англомовної версії тесту на українську? Не автоматично. Українська версія потребує належної адаптації та емпіричної перевірки в цільовій популяції. Translation ≠ validated cultural adaptation. Пов’язані статті Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів Психологічний тест: що це, з чого складається і за якими ознаками оцінюють його якість Скринінг і діагностика: чим відрізняється опитувальник ризику від клінічного діагнозу Порогове значення тесту: як обирають cutoff і чому одна межа не підходить для всіх популяцій та цілей Специфічність діагностичного тесту: що вона показує і як пов’язана з хибнопозитивними результатами Позитивна прогностична цінність (PPV): яка ймовірність стану після позитивного результату і чому все залежить від поширеності Негативна прогностична цінність (NPV): що означає негативний результат і як на нього впливає поширеність Базова частота і поширеність: чому base rate змінює значення позитивного та негативного результату тесту Відношення правдоподібності (LR+ і LR−): як результат тесту змінює ймовірність стану Адаптація і переклад психологічних тестів: чому перекладу недостатньо для валідної української версії Джерела American Educational Research Association, American Psychological Association, National Council on Measurement in Education. Standards for Educational and Psychological Testing. 2014. Cochrane. Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy. Version 2.0. Cohen JF, Korevaar DA, Altman DG, et al. STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open. 2016;6:e012799. DeLong ER, DeLong DM, Clarke-Pearson DL. Comparing the areas under two or more correlated receiver operating characteristic curves: a nonparametric approach. Biometrics. 1988;44(3):837–845. Foroutan F, Weiss J, Mayer M, et al. Discriminating clinical prediction models: how outcome incidence and decision thresholds shape clinical utility and apt AUROC values. Journal of Clinical Epidemiology. 2026;195:112293. Hanley JA, McNeil BJ. The meaning and use of the area under a receiver operating characteristic (ROC) curve. Radiology. 1982;143(1):29–36. International Test Commission. ITC Guidelines for Translating and Adapting Tests (Second Edition). International Journal of Testing. 2018;18(2):101–134. McClish DK. Analyzing a portion of the ROC curve. Medical Decision Making. 1989;9(3):190–195. Negeri ZF, Levis B, Sun Y, et al. Accuracy of the Patient Health Questionnaire-9 for screening to detect major depression: updated systematic review and individual participant data meta-analysis. BMJ. 2021;375:n2183. Neupane D, Levis B, Bhandari PM, et al. Selective cutoff reporting in studies of the accuracy of the Patient Health Questionnaire-9 and Edinburgh Postnatal Depression Scale. International Journal of Methods in Psychiatric Research. 2021;30:e1873. Smits N. A note on Youden’s J and its cost ratio. BMC Medical Research Methodology. 2010;10:89. Usher-Smith JA, Sharp SJ, Griffin SJ. The spectrum effect in tests for risk prediction, screening, and diagnosis. BMJ. 2016;353:i3139. Vickers AJ, Elkin EB. Decision curve analysis: a novel method for evaluating prediction models. Medical Decision Making. 2006;26(6):565–574. Whiting PF, Tomlinson E, Rutjes AWS, et al. QUADAS-3: A revised tool for the quality assessment of diagnostic test accuracy studies. Annals of Internal Medicine. 2026;179(4):548–555. Youden WJ. Index for rating diagnostic tests. Cancer. 1950;3(1):32–35.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Коротка відповідь Порогове значення тесту, або cutoff, — це заздалегідь визначене правило, за яким числовий результат переводять у категорію або дію: наприклад, «нижче порога» і «вище порога», «скринінг негативний» і «скринінг позитивний», «потрібне додаткове оцінювання» і «додаткове оцінювання не показане». Сам по собі cutoff не створює природної межі між двома типами людей. Він створює операційне рішення щодо безперервного або порядкового результату. Сучасні стандарти психологічного тестування вимагають обґрунтовувати інтерпретацію балів і наслідки рішень, особливо коли рішення залежить від порогового значення. Standards for Educational and Psychological Testing розглядають валідність, точність вимірювання, справедливість і використання результатів як частини одного аргументу про допустимість конкретного застосування тесту. Тому запитання «який cutoff правильний?» не має універсальної відповіді без уточнення: для якого інструмента, якої версії, якої популяції, якої мети, якого еталона, якої ціни хибнопозитивних і хибнонегативних рішень та якого подальшого маршруту допомоги обирають поріг. Що таке cutoff у психологічному тестуванні Багато психологічних шкал спочатку дають числовий результат: суму балів, стандартизований бал, оцінку латентної риси або інший показник. Цей результат може описувати ступінь прояву конструкта без жодної категорії. Cutoff додає до шкали правило рішення. Наприклад, шкала може вимірювати вираженість депресивних симптомів від низької до високої. Якщо дослідники встановлюють правило «10 балів і більше — позитивний скринінг», число 10 стає порогом для конкретного застосування. Воно не означає, що людина з 9 балами належить до принципово іншого психологічного класу, ніж людина з 10 балами. Різкий стрибок виникає в правилі рішення, тоді як вимірювана ознака може змінюватися поступово. У діагностичній точності така дихотомізація безперервного результату є звичайною процедурою. Пояснення STARD 2015 прямо вимагає повідомляти поріг, обґрунтування його вибору та те, чи був він визначений наперед або знайдений після перегляду даних. Поріг — це правило рішення, а не доказ діагнозу Для психологічних і психіатричних скринінгів позитивний результат означає, що за заданим правилом людина потрапила до групи, для якої передбачено наступний крок. Цим кроком може бути повторний тест, клінічне інтерв’ю, оцінювання функціонування, уточнення симптомів, диференційна діагностика або інший процес. Український Центр громадського здоров’я МОЗ України у матеріалі про скринінг депресії також описує скринінг як спосіб виявити ймовірні симптоми та потребу в подальшому зверненні, а не як самодостатній клінічний діагноз. Отже, «бал ≥ cutoff» і «розлад наявний» — різні твердження. Cutoff належить до інструмента і сценарію його використання. Діагноз належить до ширшого клінічного оцінювання за відповідними критеріями. Як cutoff змінює чутливість і специфічність Коли вища оцінка означає більшу ймовірність цільового стану, зниження порога зазвичай робить правило більш чутливим: більше людей із цільовим станом отримують позитивний результат. Одночасно до позитивної групи потрапляє більше людей без цільового стану, тому специфічність зазвичай зменшується. Підвищення порога зазвичай робить протилежне: зменшує кількість хибнопозитивних результатів і підвищує специфічність, але збільшує ризик пропустити частину людей із цільовим станом, тобто знижує чутливість. Цей компроміс лежить в основі ROC-аналізу. Akobeng показує, що чутливість і специфічність залежать від обраного порога, а ROC-крива відображає їхні поєднання для різних можливих cutoff. Чутливість можна записати як TP/(TP+FN), де TP — істинно позитивні, FN — хибнонегативні результати. Специфічність — TN/(TN+FP), де TN — істинно негативні, FP — хибнопозитивні. Зміна cutoff змінює те, які спостереження потрапляють у ці чотири клітини. Що означає «оптимальний cutoff» Слово «оптимальний» має сенс тільки після визначення критерію оптимальності. Один і той самий набір даних може давати різні найкращі пороги залежно від того, чи ми хочемо максимізувати сумарну класифікаційну точність, мінімізувати пропущені випадки, мінімізувати зайві направлення, максимізувати очікувану користь або дотриматися зовнішнього стандарту. Тому наукова стаття має пояснювати не лише число cutoff, а й функцію, за якою це число обрали. Без цього «найкращий поріг» є неповним твердженням. Основні способи вибору порогового значення 1. Попередньо встановлений cutoff із незалежних даних Найсильніша ситуація виникає тоді, коли поріг визначено до аналізу поточної вибірки на основі попередніх валідних досліджень, керівництв або заздалегідь сформульованого рішення. Це зменшує ризик того, що cutoff випадково підлаштують під шум конкретної вибірки. У поясненні STARD попередньо визначені пороги прямо відрізняються від дослідницьких, знайдених після перегляду даних; спосіб вибору треба повідомляти прозоро. 2. ROC-крива та індекс Youden J Поширений статистичний підхід — обрати точку, що максимізує індекс Youden J = чутливість + специфічність − 1. Цей критерій знаходить поріг, який найбільше віддаляє пару «чутливість/специфічність» від випадкової класифікації за заданих даних. Однак Smits показує, що Youden J не є нейтральним універсальним правилом: його використання пов’язане з певним співвідношенням вартості помилок та поширеності. Тому максимум J не слід автоматично називати клінічно оптимальним cutoff. 3. Поріг за наслідками хибнопозитивних і хибнонегативних рішень У багатьох реальних задачах дві помилки несиметричні. Якщо пропустити небезпечний стан набагато гірше, ніж направити частину людей на додаткове безпечне оцінювання, критерій може свідомо віддавати перевагу чутливості. Якщо подальша процедура дорога, інвазивна або має власні суттєві ризики, специфічність може отримати більшу вагу. Decision-theoretic підхід до скринінгу описує Longford: вибір правила має враховувати наслідки рішень, а не лише геометрію ROC-кривої. Подібну логіку очікуваної корисності для діагностичних порогів розглядають Irwin та Irwin. 4. Поріг для конкретного маршруту допомоги Cutoff має сенс у ланцюжку дій. Для короткого первинного скринінгу в масовій популяції позитивний результат може означати лише «перейти до другого етапу». Для спеціалізованої клініки той самий інструмент може використовуватися як одна з багатьох складових оцінювання. Критерій вибору порога має відповідати тому, що реально відбувається після результату. Саме тому cutoff без опису intended use — цілі використання — є неповним. Не можна відокремити порогове число від рішення, яке воно запускає. 5. Порогові стандарти у відборі та освіті У тестуванні досягнень, ліцензуванні або професійному відборі cut score може встановлюватися не через ROC із клінічним референтним стандартом, а через процедуру standard setting: експертне визначення мінімально прийнятної компетентності, аналіз завдань, емпіричні дані та документований процес ухвалення рішення. Загальні Standards for Educational and Psychological Testing вимагають, щоб інтерпретація порогових рішень відповідала заявленій меті, а процедура встановлення і точність оцінок були достатньо обґрунтовані. Чому одна межа не підходить для всіх популяцій Навіть якщо тест однаковий, його робота може змінюватися між популяціями. Причина не зводиться до однієї демографічної характеристики. Важливі спектр тяжкості, частота супутніх станів, шлях потрапляння людини до вибірки, setting, мова, культура, спосіб адміністрування, референтний стандарт і те, наскільки нова популяція схожа на вибірку, де cutoff було отримано. Огляд Usher-Smith, Sharp і Griffin описує spectrum effect: чутливість, специфічність і відношення правдоподібності можуть змінюватися між популяціями через відмінності у складі випадків і невипадків. Отже, числа з однієї валідаційної вибірки не слід механічно переносити в іншу. Це не означає, що кожна група обов’язково потребує власного cutoff. Воно означає, що перенесення порога є емпіричним питанням. Потрібні дані, які показують, що обране правило зберігає прийнятні властивості у новій цільовій групі та для нового застосування. Роль поширеності та базової частоти Поширеність цільового стану особливо сильно змінює те, що означає позитивний або негативний результат. Навіть якщо чутливість і специфічність умовно залишити однаковими, позитивна прогностична цінність різко падає, коли стан рідкісний, бо велика група людей без стану породжує абсолютну кількість хибнопозитивних результатів. Детальний розбір цієї логіки дивіться у статті «Базова частота і поширеність». Для переходу від передтестової до післятестової ймовірності також корисні відношення правдоподібності LR+ і LR−. Водночас важливо не змішувати два твердження. PPV і NPV математично залежать від prevalence. Чутливість і специфічність формально визначаються умовно щодо наявності або відсутності цільового стану, але в реальних даних вони теж можуть змінюватися між популяціями через spectrum effect, різний референтний стандарт та інші умови. Приклад: той самий cutoff, різне значення позитивного результату Уявімо скринінг із чутливістю 80% і специфічністю 90% при вже зафіксованому cutoff. Це навчальний приклад, а не характеристика конкретного психологічного тесту. Якщо стан має поширеність 10% у групі з 1000 людей, очікуємо 100 людей зі станом і 900 без нього. За чутливості 80% буде приблизно 80 істинно позитивних і 20 хибнонегативних результатів. За специфічності 90% серед 900 людей без стану буде приблизно 810 істинно негативних і 90 хибнопозитивних результатів. PPV = 80/(80+90) ≈ 47%. Якщо той самий тест із тим самим cutoff застосувати в групі, де поширеність 1%, із 1000 людей лише близько 10 матимуть стан. Очікуємо приблизно 8 істинно позитивних, 2 хибнонегативних, 891 істинно негативний і 99 хибнопозитивних результатів. PPV = 8/(8+99) ≈ 7,5%. Порогове правило не змінилося, але практичне значення позитивного результату змінилося радикально. Це одна з причин, чому фраза «вище cutoff — стан є» є статистично й клінічно некоректною. Чи може prevalence впливати і на вибір самого cutoff Так, якщо критерій оптимальності включає очікувані наслідки рішень. Коли частота стану змінюється, змінюється очікувана кількість істинних і хибних результатів, а разом із нею — сумарна користь або шкода конкретного порога. Саме це робить важливим застереження Smits щодо механічного використання Youden J: правило, яке виглядає нейтральним, фактично може відповідати певному співвідношенню вартості помилок і поширеності. Проте prevalence не означає, що треба довільно змінювати cutoff після кожного коливання статистики. Поріг має бути заздалегідь обґрунтований, валідуватися у цільовому setting і бути частиною стабільного протоколу, якщо протокол цього вимагає. Чому ROC/AUC не визначає клінічну корисність AUC узагальнює здатність тесту розрізняти дві групи в діапазоні можливих порогів. Він корисний як характеристика дискримінації, але не відповідає на питання, який саме cutoff слід використовувати в конкретному маршруті, скільки буде хибнопозитивних результатів за певної поширеності, які наслідки мають помилки і чи покращує тест рішення для людей. Cochrane Handbook for Diagnostic Test Accuracy розглядає порогові ефекти як центральну частину аналізу діагностичної точності. ROC/AUC і вибір конкретного порога — пов’язані, але не тотожні задачі. Тому твердження «AUC висока, отже cutoff клінічно хороший» пропускає кілька рівнів доказів: калібрування, поширеність, рішення після тесту, наслідки помилок, зовнішню валідацію та реальну клінічну користь. Референтний стандарт змінює оцінку cutoff Щоб оцінити чутливість і специфічність, потрібне незалежне правило, яке визначає, хто вважається таким, що має цільовий стан, а хто — ні. Його називають референтним стандартом. Якщо він змінюється, можуть змінитися і оцінки точності, і поріг, який виглядає найкращим у даних. В індивідуальному метааналізі Negeri та співавторів для PHQ-9 cutoff із найкращим поєднанням чутливості та специфічності відрізнявся залежно від категорії діагностичного інтерв’ю. Це конкретний приклад того, що навіть відомий бал не існує поза дизайном валідації. Цей приклад не означає, що поріг PHQ-9 треба самостійно змінювати. Він показує загальний методологічний принцип: cutoff має сенс разом із референтним стандартом, популяцією, мовною версією та способом застосування. Дані, знайдені після перегляду вибірки, потребують незалежної перевірки Якщо дослідник перебирає десятки можливих cutoff і публікує тільки той, де показники виявилися найкращими, отримана точність буде оптимістичною. Частина «переваги» може бути випадковим пристосуванням до конкретної вибірки. STARD вимагає повідомляти, чи був поріг визначений наперед чи дослідницьки. Дослідження селективного повідомлення cutoff для PHQ-9 та EPDS показує, чому прозорість щодо всіх проаналізованих порогів важлива для оцінки ризику упередженого представлення точності. Найсильніший шлях — визначити правило на одних даних, а потім перевірити його на незалежній вибірці, бажано в setting, де тест реально планують використовувати. Похибка вимірювання біля порога Будь-який спостережуваний бал має невизначеність. Особливо важливо це біля cutoff: невелика випадкова зміна відповіді, умов проведення або оцінювання може перевести результат через формальну межу, хоча реальний рівень конструкта майже не змінився. У Standards for Educational and Psychological Testing точність і надійність результатів розглядаються відносно конкретної інтерпретації та рішення; для категоріальних рішень важлива точність саме там, де відбувається класифікація. Тому різницю «на один бал нижче» і «на один бал вище» не слід автоматично трактувати як велику психологічну відмінність. Cutoff може бути адміністративно чітким, тоді як вимірювана ознака і похибка залишаються безперервними. Похибка вимірювання також не тотожна standard error of the mean. Перша стосується невизначеності індивідуального вимірювання за моделлю тесту; друга — невизначеності оцінки середнього в статистичній вибірці. Одна межа чи «сіра зона» Іноді замість жорсткої дихотомії доцільно дослідити три зони: нижче порога для виключення, проміжну невизначену зону та вище порога для підтверджувального маршруту. Така архітектура визнає, що тест не завжди може надійно вирішити всі випадки одним числом. Coste і Pouchot запропонували формальний підхід «grey zone» для кількісних діагностичних і скринінгових тестів, у якому ширина невизначеної області залежить від розподілів результатів, варіабельності та допустимих ризиків хибних рішень. Це не універсальна вимога і не автоматично краща модель для кожного психологічного тесту. Її потрібно валідовувати так само, як і один cutoff, та пов’язувати з конкретними наступними діями. Cutoff і культурно-мовна адаптація Переклад опитувальника українською не переносить автоматично порогове значення з іншої мови. Навіть якісний переклад може змінити розуміння окремих пунктів, розподіл відповідей, базову частоту позитивних відповідей і зв’язок шкали з референтним стандартом. Саме тому адаптація і переклад психологічних тестів потребують перевірки змісту, надійності, валідності, структури, інваріантності або DIF там, де це релевантно, а для скринінгового cutoff — окремих даних про точність у цільовій популяції. Наявність українського тексту шкали не є доказом валідованої української адаптації. Наявність валідованої шкали теж не означає, що кожен історичний cutoff однаково придатний для будь-якого українського setting. Cutoff, інваріантність і справедливість Якщо групи по-різному відповідають на окремі пункти або мають різну структуру вимірювання, однакова числова межа може мати різні наслідки. Але сам факт різних частот позитивного результату ще не доводить bias. Так само measurement invariance не є автоматичним доказом повної справедливості, а DIF не є автоматичним доказом несправедливості. Оцінювання fairness потребує причинного й контекстного аналізу: що саме вимірює тест, чи однаково інтерпретується score, чи однакові наслідки рішення, чи є релевантні групові відмінності в цільовому стані, і чи виправдане конкретне застосування. Cutoff і стандартизація процедури Порогове значення має сенс лише за стабільної процедури. Якщо різні адміністратори дають різні інструкції, допускають різний час, по-різному обробляють пропущені відповіді або використовують інший алгоритм підрахунку, один і той самий числовий cutoff може застосовуватися до фактично різних вимірювань. Про цю частину якості тесту окремо: «Стандартизація психологічного тесту». Cutoff у процесі розробки тесту Поріг не повинен бути декоративним фінальним числом, доданим після створення шкали. Якщо інструмент призначений для класифікаційного рішення, питання про цільову популяцію, референтний стандарт, наслідки помилок, точність біля межі та зовнішню валідацію мають бути закладені в дизайн. Повний маршрут від конструкта й специфікації до фінальної інтерпретації описаний у статті «Розробка психологічного тесту». Що треба вказувати в дослідженні cutoff Для відтворюваної інтерпретації недостатньо написати «cutoff = 10». Потрібно описати сам інструмент і версію, мову, спосіб підрахунку, правило включення самої межі — наприклад ≥10 чи >10, цільову популяцію, setting, референтний стандарт, поширеність стану, спосіб вибору порога та його статус як prespecified чи exploratory. Для кожного ключового cutoff доцільно повідомляти чутливість і специфічність із невизначеністю, кількість істинно та хибно позитивних і негативних класифікацій, PPV/NPV у досліджуваній популяції, а за потреби — LR+ і LR−. Якщо застосування має рішення з різною ціною помилок, цей компроміс також треба зробити явним. Такі принципи узгоджуються з STARD і методологією Cochrane DTA Handbook. Типові помилки інтерпретації «Cutoff знайдений у статті, отже він універсальний» Дослідження підтверджує поріг лише в межах конкретного дизайну та доказів. Перенесення на іншу мову, setting, вік, клінічний спектр або мету потребує окремого обґрунтування. «Найвищий Youden J означає найкращий клінічний поріг» Youden J оптимізує конкретний математичний критерій. Він не містить повної моделі ресурсів, шкоди, користі, маршруту після тесту або цінностей людини. «Високий AUC гарантує хороший cutoff» AUC описує дискримінацію в діапазоні порогів. Конкретний cutoff має власні sensitivity/specificity та наслідки, а клінічна корисність потребує додаткового аналізу. «Позитивний скринінг дорівнює діагнозу» Скринінговий результат лише змінює оцінку ризику або запускає наступний етап. Діагноз потребує клінічного оцінювання відповідно до критеріїв і контексту. «Негативний результат завжди виключає стан» Жоден cutoff із чутливістю нижче 100% не усуває хибнонегативні результати. Навіть за дуже високої чутливості післятестове значення залежить від передтестової ймовірності та всього діагностичного контексту. «Той самий переклад — той самий cutoff» Мовна форма, культурний контекст і психометричні властивості можуть змінити роботу шкали. Переклад без валідації не переносить доказовість порога. «Одна точка по обидва боки cutoff означає реальну зміну стану» Перетин порогу може відбутися через похибку вимірювання. Для моніторингу змін треба окремо оцінювати measurement error, надійність і критерії зміни; cutoff для класифікації не замінює MDC, MIC/MID або RCI. Практична перевірка перед використанням порога Перед тим як застосовувати cutoff до конкретної людини або групи, перевірте: чи це саме та версія тесту; чи валідована вона для потрібної мови й популяції; яку мету мав поріг у первинному дослідженні; як визначали цільовий стан; чи був cutoff попередньо заданий; яка була поширеність; які чутливість і специфічність; які наслідки хибнопозитивного і хибнонегативного рішення; що відбувається після позитивного результату. Якщо на ці питання немає відповідей, краще трактувати результат як обмежений сигнал, а не як точний кордон. Загальний контекст якості інструмента описує стаття «Психологічний тест», а ширший методологічний контекст — «Психометрія». Приклад із PHQ-9: чому навіть відомий cutoff потребує контексту PHQ-9 часто наводять як приклад шкали з відомим порогом 10 балів. Великий індивідуальний метааналіз підтвердив, що для певних референтних стандартів cutoff ≥10 давав сильне поєднання чутливості та специфічності. Водночас оцінки точності та поріг із максимальним поєднанням показників відрізнялися залежно від типу діагностичного інтерв’ю. Джерело: Negeri et al., BMJ, 2021. Правильний висновок із цього прикладу: відомий cutoff може мати добру емпіричну підтримку, але його значення все одно визначається версією шкали, референтним стандартом, популяцією і intended use. Неправильний висновок: кожна людина з 10 балами має депресивний розлад, а кожна з 9 — не має. Scientific status: що встановлено надійно, а що залежить від моделі Добре встановлено: cutoff переводить результат у рішення; зміна порога змінює компроміс між чутливістю та специфічністю; PPV/NPV залежать від базової частоти; точність може відрізнятися між популяціями; дослідницьки підібраний cutoff потребує незалежної перевірки; скринінговий поріг не є самодостатнім діагнозом. Методологічним вибором є критерій оптимальності: Youden J, задана мінімальна чутливість, задана мінімальна специфічність, мінімізація очікуваної втрати, експертне standard setting або інший заздалегідь обґрунтований метод. Контекстно залежним є рішення, чи потрібен один поріг, два пороги із сірою зоною або безперервна інтерпретація без дихотомізації. Це визначається intended use та доказами, а не універсальним правилом. Попереднім або слабким слід вважати cutoff, який отримано на малій або нерепрезентативній вибірці, без належного референтного стандарту, без незалежної валідації, із вибором найкращого числа після перегляду результатів або без підтвердження для мовної версії й цільової популяції. Запитання і відповіді Що таке cutoff у психологічному тесті? Це порогове правило, за яким числовий результат переводять у категорію або наступну дію. Cutoff не є природною межею між двома типами людей. Чи означає бал вище cutoff, що в людини є розлад? Ні. Для скринінгового інструмента це означає позитивний скринінговий результат за конкретним правилом. Клінічний діагноз потребує ширшого оцінювання. Чи є один найкращий cutoff для всіх? Зазвичай таке твердження потребує перевірки. Придатність порога залежить від цілі, популяції, setting, референтного стандарту, наслідків помилок і валідованої версії інструмента. Що відбувається, якщо знизити cutoff? Коли вищий бал означає більшу ймовірність стану, нижчий поріг зазвичай підвищує чутливість, але зменшує специфічність і збільшує кількість хибнопозитивних результатів. Що відбувається, якщо підвищити cutoff? Зазвичай підвищується специфічність і зменшується кількість хибнопозитивних результатів, але зростає ризик хибнонегативних результатів і може знижуватися чутливість. Чи достатньо вибрати cutoff за максимальним Youden J? Ні. Youden J є корисним статистичним критерієм, але не враховує повністю клінічні наслідки, ресурси, downstream-рішення та цінність різних типів помилок. Чи переноситься cutoff після перекладу тесту українською? Не автоматично. Переклад не дорівнює валідованій культурно-мовній адаптації, а застосування порога потребує даних для відповідної версії та цільової популяції. Чому люди з балами 9 і 10 не обов’язково принципово різні? Бо психологічна ознака і похибка вимірювання часто безперервні. Категоріальний розрив між 9 і 10 створює правило рішення, а не обов’язково природа конструкта. Чи може тест мати два cutoff? Так, у деяких сценаріях досліджують нижній поріг для виключення, верхній для підтверджувального маршруту і проміжну сіру зону. Така схема також потребує валідації. Чи залежить значення позитивного результату від поширеності? Так. За однакових чутливості та специфічності позитивна прогностична цінність може різко відрізнятися в популяціях із різною базовою частотою стану. Пов’язані статті Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів Психологічний тест: що це, з чого складається і за якими ознаками оцінюють його якість Базова частота і поширеність: чому base rate змінює значення позитивного та негативного результату тесту Відношення правдоподібності (LR+ і LR−): як результат тесту змінює ймовірність стану Адаптація і переклад психологічних тестів: чому перекладу недостатньо для валідної української версії Стандартизація психологічного тесту: єдина процедура, інструкції, підрахунок і умови проведення Розробка психологічного тесту: від визначення конструкта до валідності, норм і фінальної інтерпретації Джерела Akobeng AK. Understanding diagnostic tests 3: Receiver operating characteristic curves. Acta Paediatr. 2007;96(5):644–647. American Educational Research Association, American Psychological Association, National Council on Measurement in Education. Standards for Educational and Psychological Testing. 2014. Cochrane. Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy. Version 2.0, updated 2023. Cohen JF, Korevaar DA, Altman DG, et al. STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open. 2016;6:e012799. Coste J, Pouchot J. A grey zone for quantitative diagnostic and screening tests. Int J Epidemiol. 2003;32(2):304–313. Irwin RJ, Irwin TC. A principled approach to setting optimal diagnostic thresholds: where ROC and indifference curves meet. Eur J Intern Med. 2011;22(3):230–234. Longford NT. Screening as an application of decision theory. Stat Med. 2013;32(5):849–863. Negeri ZF, Levis B, Sun Y, et al. Accuracy of the Patient Health Questionnaire-9 for screening to detect major depression: updated systematic review and individual participant data meta-analysis. BMJ. 2021;375:n2183. Neupane D, Levis B, Bhandari PM, Thombs BD, Benedetti A, DEPRESSion Screening Data (DEPRESSD) Collaboration. Selective cutoff reporting in studies of the accuracy of the Patient Health Questionnaire-9 and Edinburgh Postnatal Depression Scale: comparison of results based on published cutoffs versus all cutoffs using individual participant data meta-analysis. Int J Methods Psychiatr Res. 2021;30:e1873. Smits N. A note on Youden’s J and its cost ratio. BMC Med Res Methodol. 2010;10:89. Usher-Smith JA, Sharp SJ, Griffin SJ. The spectrum effect in tests for risk prediction, screening, and diagnosis. BMJ. 2016;353:i3139. Центр громадського здоров’я МОЗ України. Чи є у вас депресія? Пояснюємо, кому й коли потрібно пройти скринінг на депресію.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Коротка відповідь Хибнопозитивний результат (false positive) виникає тоді, коли тест або скринінгове правило класифікує результат як позитивний — наприклад, показує підвищений ризик чи перевищення порога, — але цільовий стан за належним референтним стандартом у людини не підтверджується. Для бінарної класифікації це клітина FP у таблиці 2 × 2: позитивний індексний тест за відсутності цільового стану. Хибнопозитивний результат не означає автоматично, що тест «поганий», а позитивний результат не означає автоматично, що стан присутній. Кількість хибнопозитивних результатів залежить від специфічності тесту, порогового значення, популяції, способу застосування, якості референтного стандарту та інших умов. Те, яка частка всіх позитивних результатів справді підтвердиться, описує позитивна прогностична цінність (PPV), яка сильно залежить від базової частоти або передтестової ймовірності. У психічному здоров’ї ця різниця особливо важлива: позитивний скринінг є сигналом для подальшого оцінювання, а не клінічним діагнозом. У рекомендації USPSTF щодо скринінгу депресії прямо зазначено, що люди з позитивним скринінгом мають пройти подальше оцінювання для встановлення діагнозу та визначення подальшої допомоги (USPSTF, 2023). Що саме називають хибнопозитивним результатом Щоб назвати результат хибнопозитивним, потрібно визначити три речі: що саме є індексним тестом, який цільовий стан він має виявляти і за яким референтним стандартом встановлюють наявність або відсутність цього стану. Без цих трьох елементів слово «хибнопозитивний» втрачає точний зміст. У методології досліджень діагностичної точності цільовий стан — це чітко визначений стан, який тест має виявити, індексний тест — процедура, точність якої оцінюють, а референтний стандарт — найкращий доступний спосіб класифікувати учасників щодо наявності або відсутності цільового стану. Саме таку логіку використовують STARD 2015 і Cochrane Handbook for Diagnostic Test Accuracy. У психології цільовим станом може бути клінічний розлад, синдром, когнітивне порушення, високий ризик певного наслідку або інша наперед визначена категорія. Якщо інструмент вимірює безперервну рису — наприклад, тривожність як континуум, — саме поняття «хибнопозитивний» з’являється лише після того, як безперервний бал перетворюють на категоріальне рішення за певним порогом. Таблиця 2 × 2: чотири можливі результати Для найпростішого бінарного тесту існують чотири комбінації результату тесту та референтного статусу. Істинно позитивний (TP): тест позитивний, цільовий стан підтверджено. Хибнопозитивний (FP): тест позитивний, але цільовий стан не підтверджено. Хибнонегативний (FN): тест негативний, хоча цільовий стан присутній. Істинно негативний (TN): тест негативний, цільовий стан відсутній. Ця проста матриця лежить в основі чутливості, специфічності, PPV, NPV, відношень правдоподібності та багатьох інших показників точності. Вона також показує, чому один і той самий позитивний результат можна описувати різними показниками залежно від того, яке запитання ми ставимо. Хибнопозитивний результат і специфічність: прямий зв’язок Специфічність відповідає на запитання: серед людей без цільового стану яка частка отримає негативний результат? Формула: специфічність = TN / (TN + FP). Докладно це розібрано в окремій статті «Специфічність діагностичного тесту». Частота хибнопозитивних результатів, або false-positive rate (FPR), дивиться на ту саму групу людей без цільового стану, але рахує протилежне: FPR = FP / (FP + TN). Для одного й того самого бінарного правила класифікації FPR = 1 − специфічність. Якщо специфічність становить 90%, це означає, що за умов, у яких цю специфічність оцінювали, приблизно 90% людей без цільового стану класифікувалися негативно, а приблизно 10% — позитивно. Це не означає, що 10% усіх позитивних результатів є хибними. Частка хибних серед усіх позитивних — інше запитання, пов’язане з PPV. Головна плутанина: частота хибнопозитивних результатів (FPR) ≠ частка хибних серед позитивних Частота хибнопозитивних результатів (FPR) має знаменник FP + TN, тобто всіх людей без цільового стану. Натомість PPV має знаменник TP + FP, тобто всіх людей із позитивним результатом. Через різні знаменники ці величини відповідають на різні запитання. FPR запитує: «Як часто тест спрацьовує позитивно серед тих, у кого цільового стану немає?» PPV запитує: «Якщо тест уже позитивний, яка ймовірність, що цільовий стан справді є?» Класична статистична нотатка Altman і Bland пояснює, що чутливість і специфічність самі по собі не відповідають на друге, пацієнт-орієнтоване запитання; для цього потрібні прогностичні цінності (Altman & Bland, 1994). Частка хибнопозитивних серед усіх позитивних результатів дорівнює FP / (TP + FP), тобто 1 − PPV. Саме її часто інтуїтивно мають на увазі люди, коли запитують: «Яка ймовірність, що мій позитивний результат помилковий?» Чому низька поширеність може зробити більшість позитивних результатів хибнопозитивними Навіть хороший тест може давати багато хибнопозитивних результатів у широкій популяції, де цільовий стан трапляється рідко. Це наслідок базової частоти та поширеності, а не парадокс і не математична помилка. Уявімо 1000 людей. Цільовий стан має 5% — тобто 50 людей. Чутливість тесту становить 80%, специфічність — 90%. Серед 50 людей зі станом тест правильно виявить 40 і пропустить 10. Серед 950 людей без стану 90% отримають істинно негативний результат — 855 людей, але 10% отримають хибнопозитивний — 95 людей. Отже, позитивних результатів буде 135: 40 істинно позитивних і 95 хибнопозитивних. PPV = 40 / 135 ≈ 29,6%. Тобто приблизно 70,4% позитивних результатів у цьому прикладі не підтвердяться як цільовий стан, хоча специфічність тесту дорівнює 90%. Тепер залишимо чутливість і специфічність незмінними, але уявімо популяцію, де цільовий стан має 20% людей. Із 1000 осіб це 200 випадків: 160 істинно позитивних і 40 хибнонегативних. Серед 800 людей без стану буде 80 хибнопозитивних і 720 істинно негативних. PPV стає 160 / 240 ≈ 66,7%. Один і той самий модельний тест дає зовсім інше значення позитивного результату. Ця залежність не означає, що поширеність завжди механічно змінює саму специфічність. У навчальній моделі чутливість і специфічність можна тримати фіксованими. У реальних даних вони також можуть змінюватися разом із поширеність через відмінності у складі популяції, тяжкості стану, коморбідності та маршруті направлення; це показали метааналітичні дослідження Leeflang та співавт. і огляд спектрального ефекту в BMJ. Чому скринінг часто «дозволяє» більше хибнопозитивних результатів Скринінг і діагностика мають різні функції. Скринінг часто використовують як ранній фільтр: його завдання — не пропустити людей, яким варто запропонувати докладніше оцінювання. Тому в певних програмах навмисно обирають поріг, що підвищує чутливість, навіть якщо це зменшує специфічність. Різницю між етапами розглянуто в статті «Скринінг і діагностика». Коли вищий бал означає більшу ймовірність цільового стану, зниження порогового значення, або cutoff, зазвичай переводить у позитивну категорію більше людей. Чутливість часто зростає, а специфічність знижується, тому хибнопозитивних результатів стає більше. Підвищення порога часто робить протилежний обмін: зменшує FP, але може збільшувати FN. Саме тому STARD 2015 explanation and elaboration вимагає чітко описувати пороги позитивності, їх обґрунтування та те, чи були вони визначені наперед або підібрані після перегляду даних. Порогове значення є правилом рішення для конкретного призначення, а не природною межею між двома типами людей. Позитивний психологічний скринінг не дорівнює діагнозу Психологічні скринінгові шкали часто створені для виявлення підвищеної ймовірності стану, а не для самостійного встановлення діагнозу. Один бал може бути корисним сигналом, але він не замінює оцінювання симптомів, їх тривалості, функціонального впливу, анамнезу, контексту, диференціальних пояснень і клінічного судження. Методологічний аналіз Zimmerman показує, як використання скринінгових шкал як діагностичних проксі може створювати групи, в яких значна частина «випадків» насправді є хибнопозитивними за діагностичним інтерв’ю (Zimmerman, 2022). У дослідженні скринінгу біполярного розладу при порозі, налаштованому на високу чутливість, PPV становила лише 22,1% — тобто більшість позитивних результатів не відповідали діагнозу за структурованим інтерв’ю (Zimmerman et al., 2011). У рекомендаціях USPSTF щодо скринінгу тривожних розладів також прямо розглядаються потенційні наслідки хибнопозитивного скринінгу: зайві направлення, надмірна діагностика чи лікування, ярлики та стигматизація; величина цих ризиків може відрізнятися між популяціями та контекстами (USPSTF, 2023). Хибнопозитивний результат не означає, що «з людиною все гаразд» Статистичне слово «хибнопозитивний» стосується конкретної цільової категорії. Воно не означає, що переживання людини вигадані, симптоми незначні або допомога їй не потрібна. Людина може не відповідати критеріям одного розладу, але мати субклінічні симптоми, інший розлад, гостру стресову реакцію, соматичний стан або іншу проблему, що підвищила бал. Це особливо важливо для опитувальників психічного здоров’я, де окремі симптоми перетинаються між різними станами. Безсоння, втома, труднощі концентрації, зниження настрою, дратівливість, напруга чи уникання не належать виключно одному діагнозу. Скринінг може правильно зафіксувати реальний дистрес, але помилково віднести його до конкретної цільової категорії. Тому клінічно грамотна відповідь на позитивний скринінг — не механічне «є розлад» і не механічне «це просто помилка», а уточнення того, що саме виміряв інструмент і яке подальше оцінювання відповідає його призначенню. Чому психологічний тест може дати хибнопозитивний результат 1. Порогове значення перетворює континуум на категорію Багато психологічних характеристик і симптомів розподілені безперервно. Коли шкала вводить cutoff, дві людини з майже однаковими балами можуть опинитися по різні боки адміністративної межі. Категорія корисна для рішення, але вона не створює біологічного або психологічного розриву там, де дані його не мають. 2. Неповна специфічність Якщо специфічність менша за 100%, частина людей без цільового стану за визначенням отримає позитивний результат. Це очікувана властивість класифікації, а не обов’язково дефект конкретного застосування. Важливо знати, у якій популяції оцінювали специфічність і з яким референтним стандартом. 3. Випадкова та систематична похибка вимірювання Будь-який спостережуваний бал містить невизначеність. Настрій у день тестування, неуважність, умови заповнення, спосіб адміністрування, інтерпретація формулювань та інші фактори можуть змістити результат. Біля cutoff навіть невелика варіація може змінити категорію з негативної на позитивну. 4. Тимчасовий стан у момент вимірювання Скринінг може бути чутливим до актуального стану. Гострий стрес, недосипання, фізичне захворювання, біль, втрата, конфлікт або інша короткочасна подія можуть підвищити симптомний бал. Якщо референтна процедура оцінює довший часовий критерій або інший конструкт, позитивний результат може не підтвердитися. 5. Перекриття симптомів і коморбідність Один і той самий пункт може бути позитивним з різних причин. Наприклад, труднощі концентрації можуть супроводжувати тривогу, депресію, порушення сну, ADHD, медикаментозні ефекти або соматичний стан. Якщо шкала орієнтована на один цільовий стан, симптомне перекриття може знижувати специфічність. 6. Відмінність між конструкцією шкали та діагностичними критеріями Опитувальник може вимірювати тяжкість симптомів або ризиковий профіль, тоді як діагноз вимагає додаткових критеріїв: тривалості, функціонального порушення, виключення інших причин, часової структури симптомів або клінічної значущості. Високий бал тоді не є «невдалим діагнозом» — це просто результат іншого інструмента з іншою метою. 7. Недосконалий референтний стандарт Клас «хибнопозитивний результат» виникає відносно референтного стандарту. Якщо референтний стандарт сам має похибки, не охоплює весь спектр стану або застосовується непослідовно, частину розбіжностей не можна чесно приписати лише індексному тесту. 8. Відбір популяції та спектральний ефект Тест може поводитися по-різному у спеціалізованій клініці, первинній ланці, університеті, школі, робочому середовищі або загальній популяції. огляд спектрального ефекту в BMJ показує, що робочі характеристики для прогнозування, скринінг і діагностика варіює між підгрупами; результати найкраще переносити на популяції, близькі до тієї, у якій тест оцінювали. 9. Мовна й культурна невідповідність Переклад опитувальника сам по собі не доводить еквівалентність вимірювання. ITC Guidelines for Translating and Adapting Tests вимагають враховувати культурний контекст, конструктивну еквівалентність, процедури адаптації, адміністрування, документацію та інтерпретацію балів. Порогове значення з однієї мовної версії не слід автоматично переносити на іншу. 10. Помилки адміністрування, підрахунку балів та інтерпретації Неправильний ключ, інша версія шкали, пропущені пункти, невалідне автоматичне округлення, помилкова вікова норма або використання порога з іншої популяції можуть створити позитивну класифікацію, якої не було б за правильного протоколу. Похибка вимірювання біля cutoff: чому один бал не є абсолютною межею Коли бал знаходиться близько до порога, категоріальне рішення особливо чутливе до похибка вимірювання. Спостережуваний результат є оцінкою, а не безпомилковим доступом до «істинного» рівня конструкта. Для шкал, що мають дані про надійність та стандартна похибка вимірювання, невизначеність навколо індивідуального бала можна оцінювати формальніше. Водночас SEM у психометрії не слід плутати зі standard error of the mean. Перший стосується похибки індивідуального вимірювання, другий — невизначеності оцінки середнього у вибірці. Для класифікаційного рішення важливі властивості конкретного інструмента, його поріг і призначення. Повторне проходження того самого тесту іноді дає інший результат, але це не універсальна «перевірка істини». Повторення може бути корисним, якщо протокол це передбачає, проте воно також піддається похибка вимірювання, ефектам пам’яті, змінам стану й регресії до середнього. Підтвердження зазвичай потребує не просто другого кліку по тій самій шкалі, а належної наступної процедури. Референтний стандарт: хто вирішує, що результат був «хибним» У дослідженні діагностичної точності індексний тест порівнюють із референтним стандартом. STARD 2015 вимагає описувати обидві процедури, обґрунтовувати вибір референтного стандарту, визначати пороги та показувати перехресну таблицю результатів. Причина проста: висновок про TP, FP, FN або TN залежить від того, як встановлювали «істинний» статус. У психіатричних дослідженнях референтом часто є структуроване або напівструктуроване клінічне інтерв’ю за визначеними діагностичними критеріями. В інших завданнях це може бути експертна процедура, комплексне нейропсихологічне оцінювання, спостереження або майбутній результат при прогнозуванні ризику. Референтні стандарти теж не є магічно безпомилковими. Розбіжності між оцінювачами, неповна верифікація, знання результату індексного тесту, різні референтні стандарти для різних учасників або надто довгий інтервал між процедурами можуть зміщувати оцінки точності. Систематичний огляд джерел bias у діагностичних дослідженнях Whiting et al. і пояснення STARD описують ці механізми як суттєві для інтерпретації. Спектральний ефект (спектральний ефект): тест не має однієї точності для всіх людей і всіх місць У навчальних таблицях чутливість і специфічність часто виглядають як сталі числа. У практиці робочі характеристики залежить від того, кого саме тестують. У спеціалізованій клініці можуть бути тяжчі та типовіші випадки; у загальній популяції — більше легких, субклінічних і неоднозначних проявів та більше альтернативних пояснень. STARD прямо зазначає, що діагностична точність не є фіксованою властивістю тесту і може змінюватися між контексти, групи пацієнтів та залежно від попереднього тестування (Cohen et al., 2016). Велике дослідження Leeflang та співавт. показало, що чутливість або специфічність статистично змінювалися разом із поширеність у частині метааналізів, і автори пов’язували це зі спектром пацієнтів та дизайном (Leeflang et al., 2013). Тому питання «скільки хибнопозитивних дає цей тест?» без популяції, порога, способу відбору та референтного стандарту часто не має однієї коректної відповіді. Хибнопозитивний результат у прогнозі ризику: окремий випадок Для тестів, що визначають поточний стан, позитивний результат можна порівняти з тим, чи є стан зараз. Для прогнозу майбутньої події логіка інша. Ризик — це ймовірність, а не пророцтво. Якщо модель відносить людину до групи з 20% імовірністю події, то в добре каліброваній групі приблизно 80% людей можуть не мати цієї події. Це не означає, що для кожної з них оцінка ризику була «неправильною». Хибнопозитивною класифікація стає лише після того, як безперервний ризик перетворили на бінарне рішення за конкретним порогом. Огляд спектральний ефект у BMJ навмисно охоплює прогнозування, скринінг і діагностика та показує, що спектр популяції впливає на робочі характеристики у всіх цих сценаріях (Usher-Smith et al.). Тому фраза «тест показав ризик» потребує уточнення: він видав імовірність, ризикову категорію чи позитивний скринінговий статус? Хибнопозитивний результат ≠ помилка першого роду У статистиці термін хибнопозитивний результат іноді неформально використовують для помилки першого роду (Type I error), але це інше поняття. Type I error належить до перевірки статистичних гіпотез: це відхилення нульової гіпотези в ситуації, коли вона істинна, відповідно до заданої моделі й правила тестування. Хибнопозитивний результат діагностичного або скринінгового тесту — це помилка класифікації конкретного випадку відносно цільового стану й референтного стандарту. Тут працюють чутливість, специфічність, прогностичні цінності та інші метрики класифікації. Обидва явища можуть звучати як «помилково позитивне», але формули, знаменники, контекст і наслідки різні. Змішування цих понять створює помилки і в статистичному аналізі, і в клінічній інтерпретації. Хибнопозитивний результат ≠ низька валідність тесту як така Окремий FP не дозволяє зробити висновок, що тест «невалідний». Сучасні Standards for Educational and Psychological Testing розглядають валідність як сукупність доказів і теоретичних підстав для конкретної інтерпретації та використання тестових балів. Для класифікаційного використання діагностична точність є лише частиною ширшої доказової картини. Тест може мати добре обґрунтоване призначення і водночас давати певну частку FP, тому що нульова помилка класифікації часто недосяжна або вимагала б неприйнятної втрати чутливість. І навпаки, висока специфічність не компенсує проблеми конструктивної валідності, невідповідних норм, слабкої надійності або неправильного призначення. Оцінювати тест потрібно на рівні рішення: для кого, навіщо, за яким порогом, з якими наслідками і на основі яких доказів він застосовується. Хибнопозитивний результат ≠ надмірна діагностика Хибнопозитивний результат і надмірна діагностика (overdiagnosis) — близькі за наслідками, але різні за змістом. При хибнопозитивному результаті цільовий стан за референтним критерієм відсутній. При надмірній діагностиці стан або зміна можуть бути реально виявлені, але їх виявлення не приносить очікуваної користі або призводить до позначення проблеми, яка інакше не спричинила б клінічно значущої шкоди. У психології до цього додається ще один рівень: патологізація — перетворення нормальної варіації, реакції на контекст або життєвого досвіду на клінічний ярлик без достатніх підстав. Один позитивний скринінговий бал може сприяти такій помилці, якщо його подати як діагноз. Чому повторне тестування не завжди розв’язує проблему Інтуїтивна реакція на сумнівний позитивний результат — пройти той самий тест ще раз. Іноді повторне вимірювання є частиною коректного протоколу, особливо коли результат може бути нестабільним або технічно сумнівним. Проте повтор того самого інструмента не створює незалежної діагностичної істини. Якщо джерелом FP є систематичне перекриття симптомів, невідповідний cutoff, культурна нееквівалентність або хибно перенесена норма, друге проходження може відтворити ту саму помилку. Якщо джерелом є випадкова варіація, повторний бал може змінитися, але це ще не пояснить, який результат краще відображає цільовий стан. У програмах скринінгу позитивний перший етап часто веде до іншої, більш специфічної процедури. Українське МОЗ так само пояснює це батькам у контексті неонатального скринінгу: потреба в повторному або подальшому дослідженні сама по собі не означає наявності захворювання (МОЗ України). Принцип двоетапного підтвердження добре ілюструє загальну логіку скринінгу, хоча конкретні протоколи завжди залежать від сфери. Коли багато тестів підвищують шанс отримати хоча б один позитивний результат Якщо людині дати багато різних скринінгових інструментів, і кожен має ненульовий частота хибнопозитивних результатів, ймовірність отримати хоча б один позитивний результат може зростати. Проте не можна просто додавати відсотки: психологічні шкали часто корелюють, мають спільні симптоми й не є незалежними. Це також не слід автоматично називати «multiple testing problem» у сенсі статистичних p-values. Класифікаційні FP і помилки множинного тестування гіпотез — різні механізми. Для батареї скринінгів потрібно оцінювати спільну стратегію прийняття рішень, а не лише кожен тест окремо. Чому висока AUC не гарантує мало хибнопозитивних результатів ROC-крива і AUC описують дискримінацію в діапазоні можливих порогів. AUC може бути високою, але практичний cutoff усе одно створюватиме конкретний баланс TP, FP, FN і TN. Для людини або програми скринінгу важливе саме робоче правило рішення. AUC також не повідомляє PPV у конкретній популяції і не оцінює клінічну чи практичну корисність. Два тести з подібною AUC можуть мати різні характеристики на порозі, який реально використовують. Тому фраза «AUC 0,90, отже позитивним результатам можна довіряти на 90%» є некоректною. Відношення правдоподібності: ще один спосіб читати позитивний результат Позитивне відношення правдоподібності LR+ = чутливість / (1 − специфічність) показує, у скільки разів позитивний результат імовірніший у людей із цільовим станом, ніж без нього. Воно не дорівнює PPV і саме по собі не є післятестовою ймовірністю. Докладніше — у статті «Відношення правдоподібності (LR+ і LR−)». LR+ можна поєднати з передтестовими шансами за правилом Байєса, щоб отримати післятестові шанси. Такий підхід добре показує ключову ідею: значення позитивного тесту формується не одним числом точність, а взаємодією попередньої ймовірності та сили самого результату. Справедливість оцінювання, культура і мова: хибнопозитивність може бути нерівномірною Середній частота хибнопозитивних результатів для всієї вибірки може приховувати різні показники у підгрупах. Якщо зміст пунктів, норми, способи відповіді або порогові значення по-різному працюють для мовних, вікових, культурних чи інших груп, одна група може частіше потрапляти до позитивної категорії без відповідного зростання цільового стану. Це одна з причин, чому AERA/APA/NCME Standards вимагають доказів, релевантних конкретній інтерпретації й популяції, а ITC Guidelines розглядають адаптацію як ширший процес, ніж переклад тексту. Українська мовна версія інструмента потребує власних доказів придатності для призначення; сам факт перекладу не встановлює валідований cutoff. Інваріантність вимірювання і диференційне функціонування пунктів (DIF) можуть допомагати досліджувати міжгрупову порівнюваність, але жоден окремий статистичний тест автоматично не доводить наявність або відсутність справедливого оцінювання. DIF потребує змістовної інтерпретації, оцінки масштабу й наслідків для рішення. Чому хибнопозитивний результат може мати реальні наслідки Хибнопозитивний результат може запустити додаткове оцінювання, витрати часу й коштів, непотрібне занепокоєння, самостигматизацію, зовнішній ярлик або невиправдане лікування. USPSTF називає серед потенційних harms скринінгу зайві направлення й лікування, labeling, anxiety та stigma у відповідних клінічних контекстах (депресія і суїцидальний ризик; тривожні розлади). Масштаб шкоди залежить від подальший маршрут. Позитивний результат дешевого й безпечного першого етапу, після якого йде якісна підтверджувальна оцінка, має інший профіль наслідків, ніж той самий результат, який одразу запускає із високими наслідками рішення. Тому якість скринінгової програми оцінюють не лише за чутливість і специфічність. Важливо знати, що відбувається після позитивного результату, чи доступне підтвердження, скільки FP створюється в реальній популяції, які наслідки має помилка і чи переважає загальна користь. Що робити з позитивним результатом психологічного скринінгу Перший крок — з’ясувати призначення інструмента. Якщо це скринінговий інструмент, його позитивний результат означає підвищену ймовірність або потребу в наступному етапі, а не встановлений діагноз. Другий крок — перевірити, для якої популяції, мови й версії валідований інструмент, який cutoff використано і чи відповідає він вашому контексту. Третій крок — шукати дані про специфічність, чутливість, PPV, NPV та, якщо доступно, likelihood ratios саме для релевантної популяції. Рекламний відсоток «точності» без цих деталей малоінформативний. Четвертий крок — врахувати симптоми й контекст, які могли підвищити бал: інші психічні або соматичні стани, гострий стрес, сон, медикаменти, зміни функціонування, часовий перебіг. П’ятий крок — якщо результат має клінічне значення, перейти до належного оцінювання, передбаченого маршрутом допомоги. Позитивний скринінг не замінює діагностику. Як оцінювати заяву «тест дає мало хибнопозитивних» Попросіть конкретне число й знаменник. Чи йдеться про специфічність, FPR, PPV, частку FP серед усіх учасників або щось інше? Ці величини не взаємозамінні. Перевірте cutoff. Один і той самий інструмент може мати кілька порогів з різним балансом чутливість і специфічність. Перевірте цільову популяцію. Клінічна вибірка з високою передтестовою ймовірністю та загальнопопуляційний онлайн-скринінг — різні сценарії. Перевірте референтний стандарт. Якщо «істину» встановлювали слабкою процедурою, точність може бути зміщена. Перевірте невизначеність. Показник 95% у маленькій вибірці може мати широкий довірчий інтервал. Перевірте зовнішню валідацію. Один центр, одна мова або одна демографічна група не гарантують тієї самої робочі характеристики в іншому середовищі. Перевірте якість звітування. STARD 2015 створений саме для того, щоб дослідження точності тесту прозоро повідомляли дизайн, учасників, індексний тест, референтний стандарт, порогові значення, потік учасників та результати. Як дослідникам правильно повідомляти хибнопозитивні результати Найкраще показувати повну таблицю 2 × 2 або дані, з яких її можна відновити. Тоді читач може перевірити чутливість, специфічність, PPV, NPV та інші метрики. Потрібно називати точний cutoff і вказувати, чи був він визначений заздалегідь. Порогове значення, підібране на тій самій вибірці для максимізації точність, може давати оптимістичну оцінку. Слід описувати набір учасників, контекст, критерії включення, поширеність або частку цільового стану, спектр тяжкості, альтернативні діагнози та всі референтні стандарти. Без цього переносимість показників невідома. Оцінки точності мають супроводжуватися показниками статистичної невизначеності — наприклад, довірчими інтервалами, — а не подаватися як безпомилкові константи. Для реального рішення важливо повідомляти не лише дискримінаційну здатність, а й наслідки FP та FN, подальший маршрут після позитивного результату, практична здійсненність, справедливість оцінювання і клінічну або практичну корисність. Науковий статус: що встановлено добре, а де потрібна обережність Встановлено добре: хибнопозитивний результат є стандартною категорією бінарної класифікації; специфічність та FPR мають прямий математичний зв’язок; PPV залежить від співвідношення TP і FP і в модельних умовах змінюється з поширеність; зміна cutoff зазвичай змінює баланс чутливість і специфічність; позитивний скринінговий результат не є тотожним діагностика. Встановлено добре також те, що точність залежить від дизайну та клінічного контексту. Cochrane DTA Handbook, STARD і дослідження спектрального ефекту документують роль відбору пацієнтів, порогових значень, референтних стандартів, контексту та інших джерел варіативності. Потребує конкретних даних: точна частота FP для окремої психологічної шкали в українській популяції, оптимальний cutoff для певного призначення, subgroup справедливість оцінювання та наслідки позитивного результату. Такі величини не слід переносити з іншої країни, мови чи клінічного середовища без перевірки. Не є достатнім доказом: популярність тесту, наявність перекладу, високий Cronbach’s alpha, висока AUC без робочого cutoff, відсоток «точності» без 2 × 2 даних або один позитивний бал без подальшої оцінки. Практичний приклад: як один позитивний бал перетворюється на рішення Уявімо короткий опитувальник, який у первинному скринінгу має поріг 10 балів. Людина набрала 11. На цьому етапі коректний висновок: результат перевищив поріг, встановлений для конкретного скринінг rule. Наступне запитання — не «чи має людина розлад?», а «яка ланцюг доказів підтримує це рішення?» Потрібно знати, чи валідований саме цей cutoff, у якій популяції, якими були чутливість і специфічність, яка передтестова ймовірність і яке подальше оцінювання передбачене. Якщо людина проходить структуроване клінічне інтерв’ю й критерії цільового розладу не підтверджуються, первинний результат класифікують як FP відносно цього референтного стандарту. Але симптоми, що дали 11 балів, усе одно залишаються даними про стан людини й можуть вимагати іншого пояснення або підтримки. Що змінює поширеність, а що — ні У базовій формулі при фіксованих чутливості та специфічності зміна поширеності не змінює FPR = 1 − специфічність, але змінює PPV та NPV. Це означає, що однакова частка позитивних серед людей без стану може давати дуже різну композицію всіх позитивних результатів залежно від того, скільки в популяції справжніх випадків. У реальних вибірках поширеність часто йде разом зі зміною склад випадків, тому чутливість і специфічність також можуть відрізнятися. Leeflang et al. і Usher-Smith et al. показують, чому поширеність слід розглядати не лише як число для формули Байєса, а й як сигнал того, що популяції можуть бути клінічно різними. Чого не можна висновувати з одного хибнопозитивного результату Не можна висновувати, що весь тест невалідний. Не можна висновувати, що людина симулює або неправильно описала свій стан. Не можна висновувати, що цільовий стан неможливий у майбутньому або ніколи не був присутній раніше. Не можна висновувати, що специфічність тесту низька: один випадок не оцінює популяційні metric. Не можна висновувати, що повторний негативний результат автоматично «скасував» перший; потрібна інтерпретація протоколу й часових змін. Не можна перетворювати позитивний скринінговий бал на діагноз без процедур, яких потребує конкретна клінічна система. FAQ Чи означає хибнопозитивний результат, що тест поганий? Ні. Жоден класифікаційний інструмент не оцінюють за одним випадком. Потрібні популяційні дані про точність, призначення, поріг, надійність, валідність, справедливість оцінювання і наслідки помилок. Для скринінгу певна кількість FP може бути прийнятною, якщо це дозволяє не пропускати важливі випадки й існує якісний підтверджувальний етап. Якщо специфічність 95%, чи означає це, що 95% позитивних результатів правильні? Ні. Специфічність описує на людей без цільового стану. Частку підтверджених серед позитивних описує PPV, і вона залежить від поширеність та інших умов. Чи може більшість позитивних результатів бути хибнопозитивними? Так. За низької базової частоти навіть тест із високою специфічність може створити більше FP, ніж TP, тому PPV буде низькою. Чи завжди нижчий cutoff збільшує хибнопозитивні результати? Для монотонної шкали, де вищий бал означає більшу ймовірність стану, зниження порога зазвичай збільшує число позитивних результатів і часто FP. Точний ефект потрібно перевіряти на емпіричних даних конкретної шкали. Чи можна поставити діагноз за позитивним онлайн-тестом? Ні. Онлайн-скринінг може вказувати на підвищену ймовірність або потребу в оцінюванні, але скринінг не дорівнює діагностиці. Діагностичне рішення вимагає процедури, валідної для цієї мети. Чи допоможе повторити той самий тест? Іноді повтор є частиною протоколу, але сам по собі він не усуває систематичне зміщення, невідповідний cutoff, проблеми перекладу чи перекриття симптомів. Підтвердження часто потребує іншої процедури. Чи хибнопозитивний результат — це те саме, що Type I error? Ні. FP у скринінгу та дослідженнях діагностичної точності — помилка класифікації відносно цільового стану. Type I error — поняття перевірки статистичних гіпотез. Чи висока AUC гарантує мало FP? Ні. AUC узагальнює дискримінаційна здатність через діапазон порогів. Кількість FP визначається конкретним робочим cutoff, спектра популяції та того, як визначено цільовий стан. Чи може «хибнопозитивна» людина все одно мати реальні труднощі? Так. FP означає лише, що конкретний цільовий стан не підтвердився за референтний стандарт. Симптоми можуть бути реальними, клінічно значущими й пояснюватися іншим станом або контекстом. Чи можна використати англомовний cutoff для українського перекладу? Не автоматично. ITC Guidelines розглядають адаптацію як доказовий процес, що виходить далеко за межі буквального перекладу. Потрібні дані для відповідної версії, популяції та призначення. Що важливіше: уникнути хибнопозитивних результатів чи хибнонегативних результатів? Універсальної відповіді немає. Вибір залежить від мети тестування, наслідків кожного типу помилки, доступності підтвердження, ресурсів і етичного контексту. Саме тому cutoff є рішенням для конкретного сценарію застосування. Чи існує тест без хибнопозитивних результатів? Для окремого порога в конкретній вибірці специфічність іноді може бути 100%, але це не гарантує нуль FP у новій популяції. Максимальна специфічність також може коштувати низької чутливість. Практична якість визначається балансом доказів і наслідків, а не пошуком одного абсолютного числа. Пов’язані статті Специфічність діагностичного тесту: що вона показує і як пов’язана з хибнопозитивними результатами Позитивна прогностична цінність (PPV): яка ймовірність стану після позитивного результату Базова частота і поширеність: чому base rate змінює значення результату тесту Порогове значення тесту: як обирають cutoff Негативна прогностична цінність (NPV): що означає негативний результат Скринінг і діагностика: чим відрізняється опитувальник ризику від клінічного діагнозу Відношення правдоподібності (LR+ і LR−): як результат тесту змінює ймовірність стану Джерела Altman, D. G., & Bland, J. M. (1994). Diagnostic tests 2: Predictive values. BMJ, 309, 102. American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. Standards for Educational and Psychological Testing. Bossuyt, P. M., et al. (2015). STARD 2015: an updated list of essential items for reporting diagnostic accuracy studies. BMJ, 351, h5527. Cohen, J. F., et al. (2016). STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open, 6, e012799. Deeks, J. J., Bossuyt, P. M., Leeflang, M. M., & Takwoingi, Y. (eds.). (2023). Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy. Version 2.0. International Test Commission. (2017). The ITC Guidelines for Translating and Adapting Tests (Second Edition). Leeflang, M. M. G., Rutjes, A. W. S., Reitsma, J. B., Hooft, L., & Bossuyt, P. M. M. (2013). Variation of a test’s sensitivity and specificity with disease prevalence. CMAJ, 185(11), E537–E544. Міністерство охорони здоров’я України. Розширений неонатальний скринінг: що важливо знати батькам малюків. U.S. Preventive Services Task Force. (2023). Anxiety Disorders in Adults: Screening. U.S. Preventive Services Task Force. (2023). Depression and Suicide Risk in Adults: Screening. Usher-Smith, J. A., Sharp, S. J., & Griffin, S. J. (2016). The spectrum effect in tests for risk prediction, screening, and diagnosis. BMJ, 353, i3139. Whiting, P. F., Rutjes, A. W. S., Westwood, M. E., Mallett, S., & QUADAS-2 Steering Group. (2013). A systematic review classifies sources of bias and variation in diagnostic test accuracy studies. Journal of Clinical Epidemiology, 66(10), 1093–1104. Zimmerman, M., et al. (2011). Are screening scales for bipolar disorder good enough to be used in clinical practice? Comprehensive Psychiatry, 52(6), 600–606. Zimmerman, M. (2022). Positive Predictive Value: A Clinician’s Guide to Avoid Misinterpreting the Results of Screening Tests. Journal of Clinical Psychiatry, 83(5), 22com14513.

Автор: Український психологічний ХАБ · Опубліковано: 22 вересня 2026 · Редакційна політика Big Five, або «Велика п’ятірка», описує широкі риси особистості як безперервні виміри, а не як жорсткі «типи людей». Тут використано короткий Mini-IPIP: 20 тверджень, по чотири на кожну з п’яти шкал. Оригінальний інструмент розробили й перевірили Donnellan та співавтори. Donnellan et al. (2006) Українська версія UKR-HUB-1.0 — редакційний переклад Українського психологічного ХАБу на основі public-domain матеріалів IPIP. Це не психометрично валідована українська адаптація і не українська нормативна версія. Тому результат подається лише як профіль п’яти сирих шкал у діапазоні 4–20 — без процентилів, категорій «низький / середній / високий», діагнозу або типу особистості. Пройти тест Big Five — Mini-IPIP Опитувальник зазвичай займає близько трьох хвилин. Відповіді та результати обчислюються локально у браузері: тест не надсилає їх на сервер і не зберігає профіль. Що вимірює «Велика п’ятірка» П’ятифакторний опис організує широкі індивідуальні відмінності навколо екстраверсії, доброзичливості, сумлінності, нейротизму та відкритості / інтелектуальних інтересів. Історично тут важливо розрізняти лексичну Big Five-традицію, пов’язану з Льюїсом Голдбергом, і п’ятифакторну традицію Costa–McCrae та NEO. Вони близькі, але не тотожні. Класичний огляд McCrae і John описує FFM як ієрархічну організацію рис навколо п’яти широких вимірів. McCrae & John (1992) Big Five не є повною теорією особистості. П’ять рис не описують усю біографію, цінності, життєві цілі, ідентичність, навички, культурний контекст чи психічний стан. Це карта частини стабільних індивідуальних відмінностей, а не п’ять чисел, які «пояснюють людину». Чому саме Mini-IPIP Mini-IPIP створено як дуже короткий спосіб оцінити п’ять широких доменів без 50, 120 або 300 пунктів. У первинній роботі інструмент перевіряли в п’яти дослідженнях, оцінюючи внутрішню узгодженість, тест-ретестову стабільність, структуру й зв’язки з іншими показниками. Donnellan et al. (2006) показали, що короткі чотирипунктові шкали можуть бути корисними, але їхня стислість обмежує точність. У великій національно репрезентативній вибірці молодих дорослих Baldasaro, Shanahan і Bauer досліджували психометричні властивості Mini-IPIP і загалом підтримали його п’ятифакторну структуру. Baldasaro et al. (2013) Водночас Mini-IPIP залишається коротким інструментом, а не повною діагностичною батареєю. П’ять шкал Mini-IPIP Екстраверсія Шкала відображає схильність до соціальної активності, розмовності та помітної участі у взаємодії. Вищий бал означає сильнішу вираженість цих тенденцій у відповідях; нижчий не означає «соціальну проблему». Докладніше: Екстраверсія. Доброзичливість Шкала стосується співпереживання, уваги до переживань інших і міжособистісної орієнтації. Вона не є оцінкою моральності, «доброти людини» чи здатності завжди уникати конфліктів. Сумлінність Цей вимір пов’язаний з організованістю, порядком і схильністю виконувати справи. Чотири пункти Mini-IPIP не дають підстав оцінювати професійну придатність, інтелект або життєвий успіх. Докладніше: сумлінність у Big Five. Нейротизм Нейротизм описує схильність частіше або інтенсивніше переживати негативний афект, засмучення й емоційну реактивність. Це риса, а не діагноз неврозу, тривожного чи депресивного розладу. Про протилежний полюс: Емоційна стабільність. Інтелект / уява У Mini-IPIP п’ятий домен має назву Intellect/Imagination і охоплює уяву та інтерес до абстрактних ідей. Він споріднений із ширшим доменом відкритості до досвіду, але не є тестом IQ, освіти або творчої цінності людини. Як працює підрахунок Кожне твердження оцінюється від 1 («Зовсім неточно») до 5 («Дуже точно»). Частина пунктів кодується прямо, частина — у зворотному напрямку. Після застосування ключа чотири пункти кожного домену підсумовуються. Екстраверсія — 4 пункти, сирий бал 4–20. Доброзичливість — 4 пункти, сирий бал 4–20. Сумлінність — 4 пункти, сирий бал 4–20. Нейротизм — 4 пункти, сирий бал 4–20. Інтелект / уява — 4 пункти, сирий бал 4–20. Загального «бала особистості» немає. П’ять шкал описують різні виміри й не складаються в один рейтинг, архетип або «тип Big Five». Як читати результат без вигаданих норм Горизонтальний маркер у результаті показує лише місце сирого бала між мінімально можливими 4 і максимально можливими 20. Це математичний діапазон шкали, а не процентиль і не порівняння з населенням. Середина діапазону — 12 — також не є психологічною «нормою». Без валідованої нормативної вибірки не можна чесно стверджувати, що певний бал є «низьким», «середнім» або «високим» для українців. П’ять чисел корисно дивитися поруч як профіль, але не варто читати однакові значення на різних шкалах як однаковий психологічний рівень. Кожен домен має свій зміст. Чому UKR-HUB-1.0 можна публікувати, але не називати валідованою адаптацією International Personality Item Pool офіційно перебуває в public domain: його матеріали дозволено копіювати, редагувати, перекладати й використовувати без окремого дозволу. IPIP: Permission Це правова підстава для публікації перекладу, але не доказ психометричної валідності української версії. UKR-HUB-1.0 — власний редакційний переклад Українського психологічного ХАБу. Усі 20 формулювань звірені з англомовним оригіналом Mini-IPIP, але для цієї версії не проводилося окремого українського дослідження факторної структури, інваріантності, валідності й норм. Саме тому ми не переносимо на неї чужі процентилі або cutoffs. Що відомо з українських досліджень У 2020 році Kuśnierz, Rogowska і Pavlova дослідили 424 студентів фізичного виховання з Польщі та України, серед них 200 українських учасників. Для цього дослідження Mini-IPIP переклали українською за процедурою кроскультурної адаптації. Надійність окремих шкал була неоднаковою: автори повідомляли α = .69 для екстраверсії, .60 для інтелекту, .67 для сумлінності, .54 для доброзичливості та .57 для емоційної стабільності. Kuśnierz et al. (2020) Це корисне свідчення про українське застосування Mini-IPIP, але не національна стандартизація: вибірка була специфічною, а переклад створювали для конкретного дослідження. Він також не є автоматично тотожним редакційному тексту UKR-HUB-1.0. У кроскультурному scoping review 2026 року автори відзначили нижчу внутрішню узгодженість Mini-IPIP в українській вибірці та загалом наголосили на проблемі прямих міжкультурних порівнянь без достатніх даних про measurement invariance. Sheppard et al. (2026) Головний компроміс короткого тесту Перевага Mini-IPIP — швидкість: 20 пунктів проходяться значно легше, ніж довші форми. Але кожен домен тут представлений лише чотирма пунктами. Це означає меншу деталізацію і потенційно нижчу надійність, ніж у довших багатофасетних інструментів. Для швидкого самоопису або дослідницьких задач, де важлива економія часу, Mini-IPIP може бути корисним. Для кадрових, клінічних, судових або інших рішень із високими ставками короткого онлайн-профілю недостатньо. Big Five — це не типологія Популярні онлайн-тести люблять завершувати результат одним яскравим ярликом. Mini-IPIP так не працює: його логіка — п’ять незалежних континуумів. Двоє людей можуть мати однакову екстраверсію й дуже різні профілі за іншими рисами. Коректніше говорити «мій профіль за п’ятьма рисами», а не «мій тип Big Five». Якщо хочете зрозуміти, як відрізнити психометричний інструмент від випадкової онлайн-вікторини, читайте «Психологічні тести: що це, як працюють і як оцінювати результати». Mini-IPIP, IPIP-50, IPIP-NEO та NEO — різні інструменти IPIP — це великий відкритий банк пунктів і шкал. Mini-IPIP — конкретна 20-пунктова форма Donnellan та співавторів. IPIP-50, IPIP-NEO-120 та IPIP-NEO-300 мають іншу довжину й структуру результатів. Лінія NEO Costa–McCrae — окрема ліцензована система. Норми, reliability або фасети одного інструмента не можна автоматично переносити на інший. Чого цей тест не може сказати Не встановлює психіатричний або психологічний діагноз. Не визначає професію, сумісність із партнером або «ідеальну» кар’єру. Не вимірює IQ, моральність, самоцінність або психічне здоров’я. Не показує, який відсоток українців має нижчий чи вищий бал. Не доводить причин, через які людина поводиться певним чином. Не описує особистість повністю: контекст, цінності, цілі й життєва історія залишаються поза п’ятьма сирими балами. Приватність Підрахунок відбувається в браузері. Відповіді та бали не передаються Test Engine на сервер, не записуються в localStorage або sessionStorage і не використовуються для автоматичного підбору фахівця. Кнопка «Скопіювати мій профіль» лише створює текст локально у вашому браузері. Що робити з результатом Найкраще використовувати Mini-IPIP як структуровану підказку для самоспостереження. Замість висновку «я такий» корисніше запитати: у яких ситуаціях ця риса проявляється сильніше, де слабше, що залежить від контексту, ролі або навички? Якщо вас турбують не бали тесту, а стійкий емоційний дискомфорт або труднощі, що помітно впливають на роботу, навчання, стосунки чи повсякденні рішення, ви можете самостійно переглянути каталог психологів. Це добровільний наступний крок, а не автоматична рекомендація за результатом Big Five. Поширені запитання Чи є Big Five науковим тестом особистості? Big Five — наукова модель широких рис, а Mini-IPIP — конкретний короткий інструмент із peer-reviewed валідаційною базою. Якість онлайн-версії залежить від пунктів, перекладу, scoring і норм. Чому тут немає «низький / середній / високий»? Для UKR-HUB-1.0 немає валідованих українських нормативних меж. Тому сторінка показує сирі бали 4–20 без вигаданих категорій. Чому немає процентиля? Процентиль потребує конкретної нормативної вибірки. Для редакційного перекладу UKR-HUB-1.0 такої української норми немає. Чи означає високий нейротизм тривожний розлад? Ні. Нейротизм — риса особистості. Клінічний діагноз потребує оцінки симптомів, тривалості, дистресу та функціонального впливу. Чи є «Інтелект / уява» тестом IQ? Ні. Це назва домену Mini-IPIP, пов’язаного з уявою та абстрактними ідеями; він не вимірює IQ. Чому інші Big Five тести мають 50 або 120 питань? Big Five — модель, а не один тест. Різні опитувальники оцінюють п’ять широких доменів з різною кількістю пунктів і різною деталізацією. Чи можна пройти тест ще раз? Так, але дуже швидке повторення може відображати пам’ять про попередні відповіді. Для самоспостереження корисніше враховувати реальні зміни контексту, а не одну-дві бальні різниці. Пов’язані статті Психологічні тести: що це, як працюють і як оцінювати результати Льюїс Голдберг: біографія, Велика п’ятірка, лексичний підхід та IPIP Роберт Маккрей: п’ятифакторна модель, NEO, Велика п’ятірка та розвиток рис особистості Пол Коста: біографія, «Велика п’ятірка», NEO та теорія особистості Екстраверсія: що це, хто такий екстраверт, Юнг і сучасна психологія Емоційна стабільність: що це, як проявляється та зв’язок із нейротизмом Особистісний опитувальник Айзенка (EPI): що вимірює, шкали та інтерпретація Джерела Baldasaro, R. E., Shanahan, M. J., & Bauer, D. J. (2013). Psychometric properties of the mini-IPIP in a large, nationally representative sample of young adults. Journal of Personality Assessment, 95(1), 74–84. PubMed Donnellan, M. B., Oswald, F. L., Baird, B. M., & Lucas, R. E. (2006). The mini-IPIP scales: Tiny-yet-effective measures of the Big Five factors of personality. Psychological Assessment, 18(2), 192–203. PubMed Goldberg, L. R. (1990). An alternative “description of personality”: The Big-Five factor structure. Journal of Personality and Social Psychology, 59(6), 1216–1229. PubMed Goldberg, L. R. (1993). The structure of phenotypic personality traits. American Psychologist, 48(1), 26–34. PubMed International Personality Item Pool. IPIP Home and Permission. IPIP · Permission Kuśnierz, C., Rogowska, A. M., & Pavlova, I. (2020). Examining gender differences, personality traits, academic performance, and motivation in Ukrainian and Polish students of physical education: A cross-cultural study. International Journal of Environmental Research and Public Health, 17(16), 5729. PMC McCrae, R. R., & John, O. P. (1992). An introduction to the five-factor model and its applications. Journal of Personality, 60(2), 175–215. PubMed Sheppard, H., Bizumic, B., Christensen, B., & Monaghan, C. (2026). Understanding and assessing personality across cultures: A scoping review. PLOS ONE, 21(1), e0338521. PMC Soto, C. J., & John, O. P. (2017). The next Big Five Inventory (BFI-2): Developing and assessing a hierarchical model with 15 facets. Journal of Personality and Social Psychology, 113(1), 117–143. PubMed

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Чутливість діагностичного тесту (sensitivity, true positive rate) показує, яку частку людей із цільовим станом тест правильно класифікує як позитивних. У таблиці 2 × 2 вона дорівнює TP / (TP + FN): істинно позитивні результати ділять на всіх людей, у яких цільовий стан наявний за прийнятим референтним стандартом. Саме так sensitivity визначається в сучасній методології оцінювання діагностичної точності, зокрема в Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy. У цьому визначенні вирішальним є знаменник: люди, у яких стан справді є за референтним стандартом. Тому чутливість відповідає на запитання «як часто тест спрацьовує серед людей із цільовим станом?». Вона не відповідає на запитання «якщо мій тест позитивний, яка ймовірність, що стан у мене справді є?». Друге запитання стосується позитивної прогностичної цінності та післятестової ймовірності. Висока sensitivity зменшує частку пропущених випадків, але сама по собі не робить тест точним діагнозом. Тест може бути дуже чутливим і водночас давати багато хибнопозитивних результатів, працювати інакше в іншій популяції, залежати від cutoff, мати невизначені оцінки через малу вибірку або використовувати слабкий референтний стандарт. Для психологічного скринінгу це принципове розрізнення: позитивний бал або результат вище порога є сигналом для подальшого оцінювання, а не автоматичним клінічним висновком. Коротко: що показує чутливість тесту Чутливість — це частка істинно позитивних результатів серед усіх людей, у яких цільовий стан наявний за референтним стандартом. Формула: sensitivity = TP / (TP + FN). TP (true positives, істинно позитивні) — люди з цільовим станом, яких тест правильно класифікував як позитивних. FN (false negatives, хибнонегативні) — люди з цільовим станом, яких тест помилково класифікував як негативних. Хибнонегативна частота (false negative rate, FNR) для того самого порога дорівнює FN / (TP + FN), тому FNR = 1 − sensitivity. Якщо чутливість становить 0,90, то хибнонегативна частота становить 0,10 — саме серед людей, у яких стан є. Чутливість не є ймовірністю діагнозу після позитивного результату, не є загальною часткою правильних відповідей, не є валідністю тесту в цілому і не є здатністю шкали відстежувати зміни з часом. Таблиця 2 × 2: звідки береться sensitivity Будь-яка оцінка діагностичної чутливості починається з порівняння індексного тесту з референтним стандартом. Індексним тестом може бути анкета, шкала, алгоритм, клінічне правило або інший спосіб класифікації. Референтний стандарт — процедура, за якою в дослідженні визначають, чи належить людина до групи з цільовим станом. Комбінації утворюють чотири клітинки: позитивний тест + стан є = TP; негативний тест + стан є = FN; позитивний тест + стану немає = FP; негативний тест + стану немає = TN. Чутливість використовує тільки TP і FN, тобто тільки групу з цільовим станом. Специфічність використовує TN і FP, тобто групу без стану. Ці показники мають різні знаменники, тому один не можна вивести з іншого. STARD 2015 і його пояснення для досліджень діагностичної точності вимагають прозоро описувати індексний тест, референтний стандарт, спосіб вибору порога, потік учасників і самі оцінки точності. Без цього цифра sensitivity має значно меншу інтерпретаційну цінність. Що означає чутливість 90% Уявімо 100 людей, у яких цільовий стан справді є за референтним стандартом. Якщо чутливість тесту дорівнює 90%, очікувана інтерпретація така: приблизно 90 із цих 100 отримають позитивний результат, а приблизно 10 — хибнонегативний. Це не означає, що 90% усіх позитивних результатів є правильними. Це також не означає, що людина з позитивним тестом має «90% імовірності діагнозу». Для такого висновку потрібен інший знаменник: усі позитивні результати, а не всі випадки цільового стану. Через цю зміну умовної ймовірності виникає одна з найпоширеніших помилок у читанні тестів: P(тест+ | стан+) помилково сприймають як P(стан+ | тест+). Ці величини можуть дуже відрізнятися. Чому висока sensitivity не означає точний діагноз Діагностична чутливість характеризує один аспект класифікації за конкретного порога. Діагноз у психології та психіатрії є результатом ширшого клінічного оцінювання: анамнезу, симптомів, тривалості, функціонування, диференційної оцінки, контексту, можливих медичних причин і, за потреби, кількох джерел інформації. Стандарти AERA/APA/NCME розглядають інтерпретацію результатів тестування через докази, мету використання й відповідність популяції. Отже, показник чутливості не можна відривати від мети застосування (intended use) — того рішення, для якого тест насправді застосовується. У ХАБі окремо розмежовано скринінг і діагностику: скринінговий результат може підвищувати або знижувати підозру щодо стану, але не підмінює клінічну діагностику. Приклад: 90% sensitivity і лише 19% PPV Розглянемо умовний приклад на 1000 людей. Припустімо, цільовий стан має 5% групи, тобто 50 людей. Нехай sensitivity = 90%, а specificity = 80%. Серед 50 людей зі станом тест правильно виявить 45 і пропустить 5. Саме 45 / 50 = 90% — це чутливість. Серед 950 людей без стану за specificity 80% буде 760 істинно негативних і 190 хибнопозитивних. Загалом позитивний тест отримають 235 людей: 45 істинно позитивних і 190 хибнопозитивних. У такій умовній популяції PPV = 45 / 235 ≈ 19%. Отже, тест із sensitivity 90% у цьому прикладі зовсім не означає, що позитивний результат має 90% імовірності бути істинним. Позитивна прогностична цінність та базова частота / поширеність мають власні канонічні пояснення, бо це окремі статистичні питання. Чутливість і специфічність: два різні запитання Специфічність відповідає на запитання: якщо цільового стану немає, як часто тест правильно буде негативним? Її формула — TN / (TN + FP). Чутливість відповідає на дзеркальне, але не взаємозамінне запитання: якщо стан є, як часто тест буде позитивним? Можна підвищити чутливість, знизивши поріг позитивного результату, але це часто збільшує кількість хибнопозитивних результатів і знижує специфічність. Підвищення порога часто рухає баланс у протилежний бік. Тому фраза «тест має високу точність» без окремих sensitivity, specificity, порога, популяції та інтервалів невизначеності майже нічого не пояснює. Чутливість і хибнонегативний результат Хибнонегативний результат (false negative) — це випадок, коли людина, у якої цільовий стан є, але індексний тест дає негативний результат. Чутливість і FNR доповнюють одна одну: sensitivity = 1 − FNR. Коли наслідки пропуску стану серйозні, дослідники та клінічні програми можуть надавати більшої ваги високій чутливості. Але навіть дуже висока sensitivity не гарантує відсутності хибнонегативних результатів. Негативна прогностична цінність (NPV) відповідає на інше запитання: серед людей із негативним тестом яка частка справді не має стану? NPV залежить від поширеності та передтестової ймовірності, тому її не можна замінювати sensitivity. Чи можна «виключити» стан за високої sensitivity Популярне мнемонічне правило «дуже чутливий тест, якщо негативний, допомагає rule out» може бути корисним як груба навчальна підказка, але для реального рішення воно недостатнє. Потрібно знати, наскільки висока чутливість, яка її невизначеність, що відбувається зі specificity, який cutoff застосовано і якою була передтестова ймовірність. Відношення правдоподібності LR− безпосередньо пов’язує негативний результат із переходом від передтестових до післятестових шансів. Воно враховує і sensitivity, і specificity, тому краще описує, наскільки негативний тест змінює ймовірність стану. Якщо клінічна підозра висока, негативний скринінг не обов’язково завершує оцінку. Подальші дії залежать від контексту, ризику, симптомів, якості інструмента та професійних рекомендацій. Порогове значення: sensitivity існує для конкретного cutoff Порогове значення тесту визначає, який бал або результат вважають позитивним. Для шкали з безперервним балом одна й та сама анкета може мати різні sensitivity і specificity за різних cutoff. Зниження порога зазвичай переводить частину людей із негативної категорії в позитивну: серед осіб зі станом стає менше FN і більше TP, тому sensitivity зростає. Водночас серед осіб без стану може зрости FP, тому specificity знижується. STARD explanation and elaboration наголошує на важливості прозорого опису порогів і того, чи були вони визначені наперед. Пошук «найкращого» cutoff після перегляду тих самих даних може давати надто оптимістичну оцінку точності. Немає універсального порога, який автоматично є найкращим для всіх популяцій і цілей. Рішення про cutoff пов’язане з наслідками пропусків і хибних тривог, доступністю подальшого оцінювання та метою застосування. ROC-крива та AUC не замінюють sensitivity конкретного порога ROC-крива показує співвідношення true positive rate і false positive rate за різних порогів. AUC підсумовує здатність тесту розрізняти дві групи в усьому діапазоні порогів. Однак клінічне або скринінгове рішення відбувається за конкретного порога. Саме тому AUC не повідомляє, скільки конкретно випадків буде пропущено за обраного cutoff, і не встановлює, чи переважає користь тестування над можливими наслідками помилок. Висока AUC, висока sensitivity за певного cutoff і клінічна корисність — три різні твердження, кожне з яких потребує окремих доказів. Референтний стандарт: sensitivity завжди відносна до способу визначення стану TP і FN неможливо визначити без правила, за яким дослідження вирішує, у кого цільовий стан є. Тому sensitivity не існує «сама по собі»: вона є результатом порівняння індексного тесту з конкретним референтним стандартом. Оновлений QUADAS-3 оцінює ризик bias та застосовність доказів діагностичної точності через домени учасників, індексного тесту, цільового стану й аналізу. Це відображає принцип: значення показника діагностичної точності залежить не лише від формули, а й від того, як отримано дані. У психічному здоров’ї референтним стандартом часто є структуроване або напівструктуроване діагностичне інтерв’ю. Різні типи інтерв’ю можуть класифікувати частину учасників по-різному, а отже змінювати і sensitivity скринінгової шкали. Індивідуально-учасницький метааналіз PHQ-9 показав саме такий контекстний ефект: за cutoff ≥10 sensitivity щодо напівструктурованих інтерв’ю становила близько 0,85, але була нижчою щодо інших категорій референтних інтерв’ю. Це не «нестабільність математики», а наслідок того, що діагностичну точність завжди оцінюють відносно конкретної процедури класифікації. Довірчий інтервал: sensitivity — це оцінка, а не точна константа У дослідженні sensitivity обчислюють на вибірці людей із цільовим станом. Тому 0,90 у вибірці є точковою оцінкою параметра, а не магічно точним значенням для всіх майбутніх людей. Невизначеність залежить передусім від кількості учасників із цільовим станом, тобто від знаменника TP + FN. Якщо таких учасників мало, довірчий інтервал може бути широким навіть тоді, коли загальна вибірка виглядає великою. Для практичної інтерпретації потрібно читати sensitivity разом із 95% довірчим інтервалом або іншим коректним інтервалом невизначеності, а в систематичних оглядах — також із гетерогенністю між дослідженнями. Популяція й ефект спектра (spectrum effect): чому sensitivity може змінюватися У підручниковій формулі поширеність не входить безпосередньо до sensitivity. Через це sensitivity і specificity часто називають характеристиками тесту, відносно незалежними від prevalence. Для простих розрахунків це корисне наближення, але в реальних дослідженнях воно не робить показники незмінними. Leeflang та співавтори показали на даних 23 метааналізів діагностичної точності, що sensitivity або specificity в частині оглядів змінювалися разом із prevalence. Поширеність тут працює не як член формули, а як маркер відмінностей спектра випадків, тяжкості, відбору, клінічного середовища та інших характеристик популяції. Тест, перевірений у спеціалізованій клініці на виражених випадках, може показати іншу sensitivity, ніж той самий тест у первинній ланці, студентській вибірці або популяційному скринінгу. Тому переносити одне число між середовищами без перевірки застосовності небезпечно. Дизайн дослідження може завищувати sensitivity Висока sensitivity заслуговує довіри настільки, наскільки надійно проведене дослідження точності. Дизайн здатний зробити результат кращим, ніж він буде у звичайній практиці. Відбір учасників Якщо дослідники порівнюють очевидно тяжкі випадки з очевидно здоровими контролями, завдання стає штучно легшим. Реальна скринінгова популяція містить легкі, прикордонні, коморбідні та неоднозначні випадки. Заздалегідь визначений cutoff Поріг, підібраний на тих самих даних для максимізації діагностичної точності, може працювати гірше в новій вибірці. Зовнішня перевірка або незалежна валідація зменшує ризик такої оптимістичної оцінки. Цільовий стан і референтна процедура Якщо процедура визначення стану сама має систематичні помилки або частково залежить від результату індексного тесту, TP і FN можуть бути класифіковані упереджено. Аналіз усіх учасників Виключення невизначених результатів, неповна верифікація або аналіз тільки зручної підгрупи може змінити sensitivity. Сучасний QUADAS-3 переносить увагу саме на довіру до конкретної оцінки діагностичної точності та її застосовність до сформульованого питання. Психологічний приклад: PHQ-9 показує, чому число не можна відривати від контексту Оновлений систематичний огляд та individual participant data meta-analysis PHQ-9 включив понад 44 тисячі учасників і оцінив sensitivity та specificity за cutoff 5–15 окремо для різних типів діагностичних інтерв’ю. За стандартного cutoff ≥10 щодо напівструктурованих інтерв’ю pooled sensitivity і specificity були приблизно по 0,85. Для повністю структурованих інтерв’ю sensitivity за того самого cutoff була близько 0,64, а для MINI — близько 0,74. Сам факт різниці показує, що «чутливість PHQ-9» не є одним позаконтекстним числом. Цей приклад також демонструє, чому скринінговий інструмент не слід перетворювати на діагностичний ярлик. Дослідження оцінює, наскільки добре бал за шкалою відтворює класифікацію референтного інтерв’ю за конкретних умов. Воно не перетворює анкету на автономний діагностичний процес. Коли висока sensitivity справді корисна Висока чутливість особливо важлива, коли головне завдання — не пропустити потенційні випадки, а подальший етап може відсіяти частину хибнопозитивних результатів. Це типова логіка першого скринінгового етапу. Однак навіть у скринінгу рішення про бажаний баланс sensitivity і specificity залежить від наслідків двох типів помилок. Якщо хибнопозитивні результати запускають дорогі, інвазивні або психологічно навантажувальні процедури, надто низька specificity також може бути проблемою. Тому «чим вища sensitivity, тим кращий тест» — некоректне універсальне правило. Кращим є тестовий процес, у якому характеристики інструмента відповідають меті, популяції, порогу, ресурсам і наслідкам рішень. Sensitivity ≠ PPV і NPV PPV — це P(стан+ | тест+), тобто ймовірність стану після позитивного результату. NPV — P(стан− | тест−), тобто ймовірність відсутності стану після негативного результату. Sensitivity має протилежний напрям умовності: P(тест+ | стан+). Навіть якщо формули виглядають подібно, вони відповідають на різні запитання. PPV та NPV сильно залежать від поширеності / передтестової ймовірності. У популяції з низькою базовою частотою позитивні результати можуть містити велику частку хибнопозитивних навіть за добрих sensitivity і specificity. Чутливість ≠ валідність і надійність Валідність психологічного тесту стосується того, наскільки обґрунтованими є інтерпретації та використання результатів для визначеної мети. Надійність стосується точності й відтворюваності вимірювання. Чутливість за конкретного cutoff не замінює жодне з цих питань. Тест може мати високу sensitivity для одного бінарного рішення і водночас мати слабку доказову базу для інших інтерпретацій. І навпаки, надійна та валідна шкала конструкта може взагалі не бути призначена для діагностичної класифікації. AERA/APA/NCME Standards підкреслюють, що докази потрібно прив’язувати до конкретної інтерпретації та використання тестового результату, а не до абстрактного ярлика «якісний тест». Діагностична чутливість ≠ responsiveness COSMIN визначає responsiveness як здатність вимірювального інструмента виявляти зміну в конструкті з часом. Це поздовжня властивість вимірювання, а не точність класифікації стану. Чутливість до змін (responsiveness) має власну канонічну сторінку в ХАБі. Спільне слово «чутливість» не робить ці поняття тотожними. Діагностична чутливість (diagnostic sensitivity) показує, скількох людей із цільовим станом тест виявив. Responsiveness питає, чи відображає зміна бала реальну зміну вимірюваного конструкта. Змішування цих понять створює категоріальну помилку. Діагностична чутливість ≠ аналітична чутливість У лабораторній медицині «аналітична чутливість» може стосуватися найменшої концентрації або сигналу, який метод здатен виявити. Це інше поняття, ніж клінічна або діагностична sensitivity у таблиці 2 × 2. У психологічному тестуванні, коли йдеться про класифікацію людей щодо цільового стану, коректніше прямо писати «діагностична чутливість» або «чутливість скринінгового тесту» і наводити формулу TP / (TP + FN). Переклад українською не успадковує sensitivity автоматично International Test Commission Guidelines for Translating and Adapting Tests розглядають адаптацію як ширший процес, ніж буквальний переклад: потрібно враховувати мовну, культурну, методичну та інтерпретаційну еквівалентність. Якщо англомовна версія інструмента має sensitivity 0,90 за певного cutoff, це число не можна автоматично приписати українському перекладу. Потрібні дані саме для української версії, релевантної популяції, процедури проведення, референтного стандарту та порога. Права інтелектуальної власності, ліцензування і психометрична якість — окремі питання. Легальний дозвіл на використання тесту не доводить його діагностичної точності, а хороша accuracy не скасовує ліцензійних обмежень. Як читати sensitivity у науковій статті: практичний чекліст 1. Що саме є цільовим станом? Назва розладу, ризиковий стан, симптоматичний профіль чи інша категорія мають бути визначені наперед. 2. Який індексний тест і яка його конкретна версія? Важливі мова, спосіб адміністрування, scoring і формат. 3. Який cutoff використано? Sensitivity без порога для шкали з безперервним балом неповна. 4. Який референтний стандарт? Потрібно знати, хто й як встановлював статус цільового стану. 5. Чи визначено cutoff наперед? Оптимізація post hoc на тих самих даних може завищувати показники. 6. Яка популяція? Вік, клінічне середовище, тяжкість, коморбідність, критерії включення й виключення впливають на застосовність. 7. Скільки людей реально мали цільовий стан? Саме цей знаменник визначає статистичну точність оцінки sensitivity. 8. Який 95% довірчий інтервал? Точкова оцінка без інтервалу приховує невизначеність. 9. Які specificity, PPV/NPV або likelihood ratios? Один показник діагностичної точності не описує весь тестовий процес. 10. Чи дослідження відповідає вашій меті застосування? Дані діагностичної точності для дослідницького відбору, первинного скринінгу та клінічного підтвердження не слід автоматично переносити між задачами. QUADAS-3 і STARD 2015 дають сучасну методологічну рамку для оцінювання ризику bias, застосовності та прозорості звітності в дослідженнях діагностичної точності. Типові помилки інтерпретації Помилка 1. «Sensitivity 90% означає, що позитивний результат правильний у 90% випадків». Ні: це PPV, а не sensitivity. Помилка 2. «Висока sensitivity означає, що тест діагностичний». Ні: скринінг ≠ діагноз. Помилка 3. «Sensitivity — властивість тесту назавжди». Ні: оцінка прив’язана до популяції, cutoff, референтного стандарту, версії та процедури. Помилка 4. «Поширеність (prevalence) не входить у формулу, отже вона ніколи не пов’язана із sensitivity». У реальних вибірках спектр випадків і prevalence можуть змінюватися разом, а діагностична точність може відрізнятися між середовищами. Помилка 5. «100% sensitivity робить тест ідеальним». Тест із 100% sensitivity може мати дуже низьку specificity і позначати позитивними майже всіх. Помилка 6. «Негативний результат за високої sensitivity повністю виключає стан». Післятестова ймовірність залежить також від specificity, передтестової ймовірності та контексту. Помилка 7. «Чутливість до змін — це те саме». Ні: responsiveness і diagnostic sensitivity — різні конструкції. Помилка 8. «Український переклад має ті самі показники, що оригінал». Переклад не дорівнює валідованій культурній адаптації. Практичні наслідки для психолога, дослідника і читача Для психолога Не перетворюйте sensitivity на самостійний діагностичний аргумент. Читайте її разом із specificity, cutoff, PPV/NPV, передтестовою ймовірністю та даними про популяцію. Якщо інструмент використовується для скринінгу, позитивний результат має вести до визначеного маршруту подальшого оцінювання. Для дослідника Заздалегідь визначайте цільовий стан, індексний тест, cutoff і план аналізу; використовуйте доречний референтний стандарт; звітуйте TP, FN, FP, TN, sensitivity, specificity та їхні інтервали; пояснюйте невизначені результати й втрати учасників. Для досліджень діагностичної точності орієнтуйтеся на STARD, а для оцінювання ризику систематичної помилки (risk of bias) у систематичних оглядах — на QUADAS-3. Для читача або користувача тесту Запитуйте не «наскільки тест точний взагалі?», а «точний для чого, у кого, за якого порога і порівняно з чим?». Це просте уточнення захищає від більшості помилок у популярному тлумаченні sensitivity. Для української практики Перевіряйте, чи існують саме українські дані для потрібної версії інструмента. Наявність україномовного бланка або перекладу сама по собі не встановлює sensitivity, specificity, норми або валідність для української популяції. FAQ Що означає sensitivity 90% простими словами? За конкретного порога приблизно 90% людей, у яких цільовий стан є за референтним стандартом, отримують позитивний результат тесту; приблизно 10% у цій групі будуть хибнонегативними. Чи означає 100% sensitivity, що тест ідеальний? Ні. Тест може досягти 100% sensitivity, класифікуючи позитивними дуже багато людей без стану. Потрібно знати specificity, наслідки помилок, поріг і практичну мету. Чи може висока sensitivity поставити психологічний діагноз? Ні. Sensitivity — характеристика класифікації індексного тесту щодо референтного стандарту. Клінічний діагноз потребує повного професійного оцінювання. Чи залежить sensitivity від поширеності? Prevalence не входить безпосередньо у формулу TP / (TP + FN). Водночас у реальних дослідженнях sensitivity може відрізнятися між популяціями через spectrum effect, відбір, тяжкість, середовище застосування й пов’язані з поширеністю зміни структури вибірки. Чи можна довіряти негативному результату, якщо sensitivity висока? Висока sensitivity зменшує ризик пропуску серед людей зі станом, але для конкретної людини потрібно врахувати specificity, NPV або LR−, передтестову ймовірність, точність оцінки та клінічний контекст. Чим diagnostic sensitivity відрізняється від responsiveness? Diagnostic sensitivity показує частку виявлених випадків серед людей із цільовим станом. Responsiveness показує, чи інструмент здатен валідно відображати зміну конструкта з часом. Чи має український переклад ту саму sensitivity, що англомовний тест? Не автоматично. Потрібна валідована адаптація та емпірична оцінка діагностичної точності для відповідної української версії, популяції, порога й референтного стандарту. Чи є sensitivity тим самим, що recall у машинному навчанні? У бінарній класифікації recall для позитивного класу математично збігається з true positive rate: TP / (TP + FN). Однак у психодіагностиці вирішальними залишаються клінічне визначення цільового стану, валідність референтного стандарту, мета застосування та наслідки помилок. Пов’язані статті Специфічність діагностичного тесту: що вона показує і як пов’язана з хибнопозитивними результатами Скринінг і діагностика: чим відрізняється опитувальник ризику від клінічного діагнозу Позитивна прогностична цінність (PPV): яка ймовірність стану після позитивного результату і чому все залежить від поширеності Негативна прогностична цінність (NPV): що означає негативний результат і як на нього впливає поширеність Базова частота і поширеність: чому base rate змінює значення позитивного та негативного результату тесту Порогове значення тесту: як обирають cutoff і чому одна межа не підходить для всіх популяцій та цілей Відношення правдоподібності (LR+ і LR−): як результат тесту змінює ймовірність стану Валідність психологічного тесту: що це і які докази потрібні для інтерпретації результатів Чутливість до змін (responsiveness): чи здатна шкала виявити реальну зміну психологічного стану Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів Хибнонегативний результат: чому тест може пропустити стан і чому негативний скринінг не завжди завершує оцінку Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. Bossuyt, P. M., Reitsma, J. B., Bruns, D. E., et al. (2015). STARD 2015: an updated list of essential items for reporting diagnostic accuracy studies. BMJ, 351, h5527. Cohen, J. F., Korevaar, D. A., Altman, D. G., et al. (2016). STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open, 6, e012799. COSMIN. (n.d.). Conducting a study on measurement properties. Deeks, J. J., Bossuyt, P. M., Leeflang, M. M., & Takwoingi, Y. (ред.). (2023). Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy, Version 2.0. Cochrane. International Test Commission. (2017). The ITC Guidelines for Translating and Adapting Tests (Second edition). Leeflang, M. M. G., Rutjes, A. W. S., Reitsma, J. B., Hooft, L., & Bossuyt, P. M. M. (2013). Variation of a test’s sensitivity and specificity with disease prevalence. CMAJ, 185(11), E537–E544. Negeri, Z. F., Levis, B., Sun, Y., et al. (2021). Accuracy of the Patient Health Questionnaire-9 for screening to detect major depression: updated systematic review and individual participant data meta-analysis. BMJ, 375, n2183. Whiting, P. F., Tomlinson, E., Rutjes, A. W. S., et al. (2026). QUADAS-3: A Revised Tool for the Quality Assessment of Diagnostic Test Accuracy Studies. Annals of Internal Medicine, 179(4), 548–555.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Коротка відповідь Хибнонегативний результат виникає тоді, коли цільовий стан у людини є за обраним референтним стандартом, а тест або скринінг класифікує результат як негативний. У таблиці діагностичної точності це комірка FN — false negative. Для тесту з бінарним рішенням частка пропущених випадків серед усіх людей, які справді мають стан, пов’язана з чутливістю: FNR = FN / (TP + FN) = 1 − sensitivity. Методологію таких оцінок систематизує Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy. Негативний скринінг зменшує підозру на стан настільки, наскільки це дозволяють чутливість, специфічність, негативне відношення правдоподібності, передтестова ймовірність, порогове значення, якість референтного стандарту й придатність тесту саме для цієї популяції. Він не перетворює ймовірність на абсолютний нуль. У психологічній практиці це особливо важливо, тому що скринінг і діагностика виконують різні функції. Практичний висновок простий: негативний результат є даними для подальшого висновку, а не універсальним дозволом припинити оцінювання. Коли симптоми, функціональні труднощі, анамнез або інший клінічний контекст залишають суттєву підозру, оцінка продовжується незалежно від одного негативного скринінгового бала. Для депресії, наприклад, NICE рекомендує комплексне оцінювання, яке враховує не лише кількість симптомів, а й їхню тяжкість, перебіг, анамнез і функціональне порушення у чинній настанові NG222. Що таке хибнонегативний результат Щоб говорити про хибнонегативний результат, потрібні дві класифікації: результат індексного тесту та визначення цільового стану за референтним стандартом. Якщо референтний стандарт відносить людину до групи зі станом, а індексний тест дає негативний результат, маємо FN. Чотири можливі комбінації утворюють класичну таблицю 2×2: істинно позитивний результат (TP): стан є, тест позитивний; хибнопозитивний результат (FP): стану немає, тест позитивний; істинно негативний результат (TN): стану немає, тест негативний; хибнонегативний результат (FN): стан є, тест негативний. STARD наголошує, що точність тесту оцінюється відносно конкретного цільового стану, референтного стандарту, популяції та клінічної ролі тесту; sensitivity і specificity не є незмінними властивостями, відірваними від умов застосування і мають описуватися разом із дизайном дослідження. Як хибнонегативний результат пов’язаний із чутливістю Чутливість, або true positive rate, відповідає на запитання: яку частку людей із цільовим станом тест правильно визначає як позитивних? Формула: sensitivity = TP / (TP + FN). Хибнонегативна частка, або false-negative rate (FNR), дивиться на ту саму групу з протилежного боку: яку частку людей із цільовим станом тест пропускає? Формула: FNR = FN / (TP + FN). Для одного й того самого порога, референтного стандарту та набору даних FNR = 1 − sensitivity. Якщо чутливість у дослідженні становить 0,85, точкова оцінка FNR становить 0,15: приблизно 15% референтно позитивних випадків у цій вибірці та за цих умов дали негативний індексний тест. Це групова характеристика роботи тесту, а не персональна ймовірність того, що конкретний негативний результат є помилковим. Саме тут часто виникає помилка інтерпретації. Питання «скільки випадків тест пропускає серед людей зі станом?» належить до sensitivity/FNR. Питання «яка ймовірність, що стану немає після вже отриманого негативного тесту?» належить до негативної прогностичної цінності (NPV). FNR, NPV і LR− відповідають на різні запитання Три показники часто стоять поруч, але мають різні знаменники й різне практичне значення. FNR = FN / (TP + FN): частка пропущених тестом випадків серед людей, які справді мають стан. NPV = TN / (TN + FN): частка людей без стану серед усіх, хто отримав негативний результат. NPV істотно залежить від поширеності та передтестової ймовірності. LR− = (1 − sensitivity) / specificity: показує, наскільки негативний результат змінює шанси стану. Детальніше — у статті про відношення правдоподібності LR+ і LR−. Тому твердження «чутливість 90%» не означає, що після негативного тесту ймовірність стану дорівнює 10%. Десять відсотків у цьому прикладі — хибнонегативна частка серед людей, які вже належать до групи зі станом. Для конкретного негативного результату потрібна інша умовна ймовірність — NPV або байєсівське оновлення через LR−. Специфічність також не є показником пропущених позитивних випадків. Вона описує частку істинно негативних серед людей без цільового стану і безпосередньо пов’язана з хибнопозитивною часткою. Окреме пояснення є у статті «Специфічність діагностичного тесту». Один і той самий тест: два різні значення негативного результату Уявімо тест із чутливістю 80% і специфічністю 90%. Умовно візьмемо 1000 людей. Якщо поширеність стану 10% Стан мають 100 людей. За чутливості 80% тест правильно виявить 80 і пропустить 20 — це FN. Серед 900 людей без стану специфічність 90% дасть 810 істинно негативних і 90 хибнопозитивних результатів. Серед усіх 830 негативних результатів 810 є істинно негативними, тому NPV ≈ 97,6%. Якщо передтестова частота 50% Стан мають 500 людей. Тест правильно виявить 400 і пропустить 100. Серед 500 людей без стану 450 отримають істинно негативний результат. Тепер серед 550 негативних результатів 450 є істинно негативними, тому NPV ≈ 81,8%. Чутливість і специфічність у прикладі залишилися тими самими, але значення негативного результату для людини змінилося, бо змінився контекст. У реальних дослідженнях sensitivity і specificity теж можуть варіювати між популяціями через spectrum effect та інші механізми; це показано в аналізі 23 метааналізів Leeflang і співавторів. Чому тест може пропустити наявний стан Хибнонегативний результат не має однієї універсальної причини. Він може виникати через властивості порога, конструкта, процедури вимірювання, популяції, референтного стандарту або через їхню комбінацію. 1. Порогове значення відсікає безперервний бал Багато психологічних шкал спочатку дають безперервний score, а потім за cutoff перетворюють його на «позитивний» або «негативний». Якщо поріг підвищити, за інших рівних умов зростає специфічність і може знижуватися чутливість — частина людей зі станом опиняється нижче межі. Поріг тому слід тлумачити через intended use, популяцію й наслідки помилок, а не як біологічну межу розладу. Детально це розібрано у статті про порогове значення тесту. 2. Симптоми можуть бути слабшими, нетиповими або змінюватися з часом Скринінг фіксує відповіді в певний момент і охоплює певний набір проявів. Стан із раннім, субпороговим, епізодичним або нетиповим профілем може давати сумарний бал нижче cutoff. Це не означає, що тест «зламався»: його операційне правило може бути недостатньо чутливим до конкретної презентації. Особливо важливо розрізняти момент вимірювання та клінічний перебіг. Якщо симптоми швидко змінилися після тестування, попередній негативний результат описує попередній момент, а не гарантує поточний стан. 3. Самозвіт залежить від доступної людині інформації та способу відповіді У самооцінювальних опитувальниках результат формується з відповідей людини. Недостатнє розпізнавання власних симптомів, буквальне або інше розуміння формулювань, сором, страх наслідків, свідоме заниження, випадкові пропуски чи поспішне заповнення можуть зменшити score. Для окремих станів значущу інформацію може давати клінічне інтерв’ю, анамнез або дані від інших джерел, коли це етично й доречно. AERA/APA/NCME Standards розглядають валідність інтерпретацій через конкретне використання тестових балів, а APA підкреслює важливість придатності інструмента до мети та популяції у спільних Standards for Educational and Psychological Testing. 4. Конструкт або зміст тесту можуть не охоплювати потрібний прояв Жодна коротка шкала не репрезентує весь можливий клінічний фенотип. Якщо цільовий стан проявляється ознаками, які мало представлені в item content, людина може мати клінічно значущі труднощі й водночас не досягти порога. Це питання змістової репрезентації та intended use, а не лише арифметики cutoff. 5. Версія, мова й культурний контекст мають значення Перекладений текст опитувальника ще не є доказом еквівалентної психометричної роботи. International Test Commission розглядає адаптацію як ширший процес, що включає перевірку конструктної, мовної, культурної та емпіричної еквівалентності у Guidelines for Translating and Adapting Tests. Тому український переклад без даних про адаптацію, reliability, validity та релевантні норми не слід автоматично вважати валідованою українською версією. Практичний розбір цього процесу є в окремій статті «Адаптація і переклад психологічних тестів». 6. Популяція може відрізнятися від тієї, на якій оцінювали тест Діагностична точність залежить від spectrum — розподілу тяжкості, супутніх станів, віку, контексту звернення та інших характеристик. Огляд spectrum effect у BMJ показує, чому показники тесту з однієї вибірки не слід механічно переносити на іншу. Звідси випливає важливе правило fairness: однакова формула підрахунку не гарантує однакової точності для всіх підгруп. Потрібні дані про застосовність, а за потреби — subgroup analyses, invariance/DIF та локальну валідацію. 7. Референтний стандарт теж може помилятися або відрізнятися Назва «хибнонегативний» визначається відносно reference standard. Якщо референтний стандарт класифікує стан із помилкою, сам статус TP/FN/FP/TN стає невизначеним. У психіатрії різні структуровані або напівструктуровані інтерв’ю можуть давати різні оцінки діагностичної точності одного скринера. У великому IPD-метааналізі PHQ-9 оцінки sensitivity помітно відрізнялися залежно від типу діагностичного інтерв’ю, використаного як reference standard Negeri et al., BMJ 2021. 8. Дизайн дослідження може завищувати або занижувати точність Непослідовне включення учасників, знання результату іншого тесту під час інтерпретації, невдале поводження з невизначеними результатами, пропуски та аналіз лише частини вибірки можуть спотворити sensitivity і specificity. Актуальний інструмент QUADAS-3 оцінює risk of bias та applicability у дослідженнях діагностичної точності на рівні конкретних оцінок. Точність тесту не є однією сталою цифрою STARD прямо підкреслює, що diagnostic accuracy варіює між settings, patient groups і залежно від попереднього тестування та клінічної ролі індексного тесту. Тому фраза «цей тест має sensitivity 90%» потребує продовження: у якій популяції, за якого cutoff, проти якого reference standard, з яким confidence interval і для якого intended use. Для читача це означає: рекламна або довідкова цифра чутливості не може самостійно визначити, наскільки переконливим є ваш конкретний негативний результат. Потрібна відповідність між дослідженням і ситуацією застосування. Приклад із психічним здоров’ям: PHQ-9 PHQ-9 часто використовують для скринінгу депресивних симптомів. В оновленому systematic review та individual participant data meta-analysis, що включив 44 503 учасники зі 100 досліджень, за cutoff ≥10 і напівструктурованим діагностичним інтерв’ю як reference standard pooled sensitivity та specificity обидві становили приблизно 0,85 за даними Negeri та співавторів. Ця оцінка означає, що в середньому частина людей, які відповідали reference-standard визначенню великої депресії, мала PHQ-9 нижче порога. Водночас автори показали, що sensitivity суттєво змінювалася залежно від категорії reference standard. Один cutoff не перетворює PHQ-9 на діагностичний вирок. Свіжіший rapid systematic review 2026 року зосередився саме на rule-out performance screening tools для mood та anxiety disorders у primary care й оцінював, зокрема, negative likelihood ratios Corso et al.. Автори знайшли інструменти з сильними rule-out показниками для певних цілей, водночас підкреслили обмеженість доказів для окремих станів і популяцій. Це ілюструє правильну логіку: здатність «виключати» завжди належить до конкретного тесту, порога, стану, вибірки й доказової бази. Окремий systematic review скринінгових інструментів для множинних психічних розладів у primary care виявив значну неоднорідність діагностичного охоплення й якості досліджень Neulinger et al., 2024. Коли негативний скринінг справді суттєво знижує підозру Негативний результат має найбільшу rule-out цінність, коли кілька умов узгоджуються одночасно: інструмент валідований саме для потрібного intended use і цільового стану; використано ту саму версію, мову, спосіб проведення та поріг, для яких є дані; чутливість і LR− достатні для конкретної клінічної мети, а їхні confidence intervals прийнятні; популяція людини подібна до тієї, для якої оцінювали точність; передтестова ймовірність невисока; відповіді та процедура тестування були надійними й інтерпретованими; немає суттєвої суперечності між негативним score та іншою клінічною інформацією. Навіть за цих умов коректний висновок формулюється як зниження післятестової ймовірності, а не як логічна неможливість стану. Коли негативний скринінг не завершує оцінку NICE для підозри на депресію рекомендує комплексне оцінювання, яке не спирається лише на symptom count і враховує тяжкість, анамнез, тривалість, перебіг та функціональне порушення у розділі Recognition and assessment. Це конкретна клінічна настанова для депресії, але вона добре демонструє загальний принцип YMYL: screening result — один компонент оцінювання. Продовження оцінки особливо обґрунтоване, коли: симптоми або функціональні труднощі тривають попри негативний screening score; анамнез, попередній епізод або клінічний контекст роблять передтестову ймовірність вищою; результат суперечить спостереженням, клінічному інтерв’ю або іншій релевантній інформації; використана версія тесту не має належної валідації для мови, віку, культурної групи чи setting; між тестуванням і поточною оцінкою стан помітно змінився; результат лежить близько до cutoff і невелика measurement error або варіативність відповідей може змінити бінарну класифікацію; ціна пропуску стану висока й рішення потребує ширшої доказової основи. Для суїцидального ризику, психозу, манії або іншої гострої клінічної небезпеки негативний онлайн-скринінг не є підставою відкладати професійну оцінку. У таких ситуаціях рішення визначається актуальними ознаками ризику й клінічним контекстом, а не одним score. Що робити після негативного результату З’ясуйте, що саме тест вимірює і для чого він призначений: screening, case-finding, severity monitoring, outcome measurement чи іншу задачу. Перевірте, який cutoff використано і для якої популяції його валідовано. Порогове значення є правилом рішення, а не універсальною межею «є / немає розладу». Подивіться на sensitivity, specificity, NPV та LR− як на різні показники. Для вже отриманого негативного результату особливо корисні NPV та LR− разом із передтестовою ймовірністю. Якщо симптоми або порушення функціонування залишаються значущими, обговоріть їх із кваліфікованим фахівцем навіть за негативного скринінгу. Повторюйте тестування тоді, коли для цього є змістовна причина: змінився час, стан, версія інструмента або мета оцінки. Механічне багаторазове проходження онлайн-тестів не створює діагностичної певності. Не починайте, не припиняйте і не змінюйте лікування лише за результатом одного скринінгового опитувальника. Measurement error біля cutoff Психологічний score є вимірюванням із невизначеністю. Дві людини з балами по різні боки cutoff можуть мати дуже близькі латентні рівні конструкта, а невелика випадкова варіація відповіді — змінити бінарну категорію. Тому хибнонегативний результат біля порога може бути наслідком не лише «поганої чутливості», а й звичайної похибки вимірювання та дискретного рішення над безперервним score. У високоставкових рішеннях доречно враховувати precision, confidence intervals і сукупність даних. Водночас diagnostic sensitivity не дорівнює responsiveness. Sensitivity описує виявлення цільового стану відносно reference standard; responsiveness описує здатність шкали валідно відображати зміни конструкта з часом. Fairness, мова та культурна адаптація Якщо тест працює по-різному в підгрупах, частота хибнонегативних результатів також може відрізнятися. Це може бути пов’язано з мовою, item functioning, різним розподілом симптомів, доступністю змісту запитань, нормами або контекстом застосування. ITC рекомендує під час адаптації перевіряти еквівалентність конструкта, метод перекладу, емпіричні характеристики, administration, score scales та інтерпретацію у другому виданні Guidelines. Простий факт наявності українського тексту не доводить українську валідність. Measurement invariance також не є автоматичним доказом повної відсутності bias, а DIF не є автоматичним доказом несправедливості тесту. Для висновку потрібні зміст, величина ефекту, наслідки для score та intended use. Для дослідників і клініцистів: що перевіряти в доказах про false negatives Перед тим як покладатися на заявлену хибнонегативну частку або sensitivity, корисно перевірити методологічний ланцюг. Чітко визначений target condition та intended use індексного тесту. Описаний cutoff і відсутнє вибіркове звітування лише «найкращого» порога. Репрезентативна для практики вибірка без штучного контрасту між дуже тяжкими cases і надто здоровими controls. Reference standard застосований послідовно й незалежно від index test. Інтерпретація index test та reference standard була достатньо blinded. Невизначені, прикордонні та missing results не вилучені так, щоб штучно покращити accuracy. Є 95% confidence intervals для sensitivity, specificity та інших ключових показників. Наведені абсолютні TP, FP, TN, FN або дані, з яких їх можна відновити. Показники стосуються саме потрібної мови, версії, setting та популяції. Оцінено applicability і risk of bias; для systematic reviews актуальним інструментом є QUADAS-3. STARD задає стандарт прозорого звітування досліджень diagnostic accuracy з описом participant flow, index test, reference standard та accuracy estimates, а QUADAS-3 допомагає оцінити risk of bias й applicability. Це різні інструменти: STARD — reporting guideline, QUADAS-3 — інструмент оцінки якості доказу. Типові помилки інтерпретації «Негативний результат означає, що стану немає» Коректніше: негативний результат змінює ймовірність стану. Наскільки сильно — залежить від test performance і передтестової ймовірності. «Sensitivity 90% означає, що 10% негативних результатів хибні» Це різні знаменники. 1 − sensitivity — частка FN серед усіх людей зі станом. Частка FN серед усіх негативних результатів дорівнює 1 − NPV. «Висока NPV — властивість тесту в будь-якій популяції» NPV змінюється разом із prevalence/base rate. Тому її слід переносити лише між достатньо подібними контекстами. Окремо дивіться «Базова частота і поширеність». «Специфічність відповідає за хибнонегативні результати» Основний комплементарний зв’язок для FN — sensitivity: FNR = 1 − sensitivity. Специфічність пов’язана з false-positive rate. «AUC показує, чи можна безпечно завершити оцінку після негативного тесту» AUC описує discrimination across thresholds. Воно не дає автоматичної відповіді про clinical utility, конкретний cutoff, post-test probability або ціну пропуску випадку. «Однаковий cutoff має однакове значення для всіх груп» Поріг потребує валідації у відповідній популяції й залежить від intended use. Перенесення threshold без перевірки може змінити баланс FN і FP. Науковий статус поняття Хибнонегативний результат — established methodological concept у diagnostic test accuracy, epidemiology, screening та класифікації. Його визначення через 2×2 contingency table і зв’язок із sensitivity є стандартними. Водночас точна частота FN для конкретного психологічного тесту є емпіричною оцінкою, а не універсальною константою. Вона залежить від threshold, reference standard, sample spectrum, setting, language/version та study design. Тому перенос конкретного відсотка між контекстами потребує доказів застосовності. Сучасні methodological standards від Cochrane, STARD і QUADAS-3 узгоджуються в ключовій логіці: оцінка діагностичної точності потребує чіткого питання, target condition, index test, reference standard, опису популяції та прозорого аналізу Cochrane, STARD, QUADAS-3. FAQ Що означає хибнонегативний результат тесту? Це ситуація, коли цільовий стан наявний за референтним стандартом, але індексний тест дає негативний результат. Позначення — FN. Чи може психологічний скринінг пропустити розлад? Так. Будь-який screening tool із чутливістю нижче 100% за визначенням пропускає частину reference-positive cases у відповідному дослідженні. Реальна частота залежить від порога, популяції, референтного стандарту та умов застосування. Чи означає sensitivity 90%, що після негативного тесту шанс розладу 10%? Ні. 10% у такому прикладі — FNR серед людей, які справді мають стан. Імовірність стану після негативного результату залежить ще й від specificity та передтестової ймовірності; для цього використовують NPV або LR−. Чим хибнонегативний результат відрізняється від низької NPV? FN — категорія окремого результату в таблиці 2×2. NPV — частка істинно негативних серед усіх негативних результатів у певній популяції. Велика кількість людей і певна prevalence можуть давати реальні FN навіть за високої NPV. Чи може негативний скринінг виключити депресію або тривожний розлад? Деякі валідовані інструменти за певних порогів можуть мати сильний rule-out performance, але це твердження завжди прив’язане до конкретного стану, setting, population і evidence base. Клінічне оцінювання залишається потрібним, коли симптоми або контекст підтримують підозру. Чи треба одразу повторювати тест після негативного результату? Автоматичного правила немає. Повторне вимірювання має сенс, коли змінився стан або час, виникла підозра на процедурну помилку чи є клінічна причина оцінити динаміку. Механічне повторення того самого онлайн-скринера не замінює assessment. Чи впливає поширеність на кількість хибнонегативних результатів? Так, на абсолютну кількість FN і на NPV — безпосередньо. Крім того, sensitivity і specificity можуть відрізнятися між популяціями через spectrum effects, тому prevalence часто сигналізує, що вибірки мають різну структуру. Чи є негативний результат діагнозом «здоровий»? Ні. Screening, assessment і diagnosis — різні рівні висновку. Негативний screening result означає, що за правилами цього інструмента та його cutoff результат нижчий за позитивний поріг; клінічний висновок потребує ширшого контексту. Пов’язані статті Скринінг і діагностика: чим відрізняється опитувальник ризику від клінічного діагнозу Порогове значення тесту: як обирають cutoff і чому одна межа не підходить для всіх популяцій та цілей Негативна прогностична цінність (NPV): що означає негативний результат і як на нього впливає поширеність Базова частота і поширеність: чому base rate змінює значення позитивного та негативного результату тесту Відношення правдоподібності (LR+ і LR−): як результат тесту змінює ймовірність стану Специфічність діагностичного тесту: що вона показує і як пов’язана з хибнопозитивними результатами Чутливість до змін (responsiveness): чи здатна шкала виявити реальну зміну психологічного стану Адаптація і переклад психологічних тестів: чому перекладу недостатньо для валідної української версії Чутливість діагностичного тесту: що вона показує і чому висока sensitivity не означає точний діагноз Джерела American Educational Research Association, American Psychological Association, National Council on Measurement in Education. Standards for Educational and Psychological Testing. 2014. Cochrane. Deeks JJ, Bossuyt PM, Leeflang MM, Takwoingi Y, editors. Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy. Version 2.0. 2023. Cohen JF, Korevaar DA, Altman DG, et al. STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open. 2016;6:e012799. Corso M, Martin K, Salmi LR, et al. Screening tools for ruling out mood and anxiety disorders in adults in primary care: a rapid systematic review. BMC Primary Care. 2026;27:36. International Test Commission. The ITC Guidelines for Translating and Adapting Tests. Second edition. 2017. Leeflang MMG, Rutjes AWS, Reitsma JB, Hooft L, Bossuyt PMM. Variation of a test’s sensitivity and specificity with disease prevalence. CMAJ. 2013;185:E537–E544. National Institute for Health and Care Excellence. Depression in adults: treatment and management. NG222. Recommendations: recognition and assessment. 2022, current online guidance. Negeri ZF, Levis B, Sun Y, et al. Accuracy of the Patient Health Questionnaire-9 for screening to detect major depression: updated systematic review and individual participant data meta-analysis. BMJ. 2021;375:n2183. Neulinger B, Ebert C, Lochbühler K, et al. Screening tools assessing mental illness in primary care: a systematic review. European Journal of General Practice. 2024;30:2418299. Usher-Smith JA, Sharp SJ, Griffin SJ. The spectrum effect in tests for risk prediction, screening, and diagnosis. BMJ. 2016;353:i3139. Whiting PF, Tomlinson E, Rutjes AWS, et al. QUADAS-3: A revised tool for the quality assessment of diagnostic test accuracy studies. Annals of Internal Medicine. 2026.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Специфічність діагностичного тесту (specificity, true negative rate) показує, яку частку людей без цільового стану тест правильно класифікує як негативних. У стандартній таблиці 2 × 2 вона обчислюється як TN / (TN + FP): кількість істинно негативних результатів ділиться на всі випадки, у яких цільовий стан відсутній за референтним стандартом. Таке саме визначення використовують FDA у статистичному керівництві з оцінювання діагностичних тестів та Methods Guide for Medical Test Reviews AHRQ. Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy розглядає sensitivity і specificity як показники точності індексного тесту відносно цільового стану та підкреслює, що їх потрібно інтерпретувати разом із порогом, популяцією, референтним стандартом і дизайном дослідження. Ключове слово тут — «без цільового стану». Специфічність відповідає на умовне запитання: якщо стану немає, наскільки часто тест буде негативним? Вона не відповідає на інше запитання: якщо тест позитивний, яка ймовірність, що стан справді є? Для цього потрібна позитивна прогностична цінність, яка залежить не лише від характеристик тесту, а й від поширеності або передтестової ймовірності. У психологічному скринінгу це розрізнення особливо важливе. Позитивний результат анкети або бал вище порога є результатом скринінгу чи case-finding, а не самостійним клінічним діагнозом. Значення специфічності має сенс лише для визначеного інструмента, порога, цільового стану, популяції, мови, способу проведення та референтного стандарту. Коротко: що показує специфічність Специфічність — це частка правильно негативних результатів серед усіх людей, у яких цільовий стан відсутній за прийнятим референтним стандартом. Формула: специфічність = TN / (TN + FP). TN (true negatives, істинно негативні) — люди без цільового стану, яких тест правильно класифікував як негативних. FP (false positives, хибнопозитивні) — люди без цільового стану, яких тест помилково класифікував як позитивних. Хибнопозитивна частота (false positive rate, FPR) у тій самій таблиці дорівнює FP / (FP + TN), тому для одного й того самого порога FPR = 1 − specificity. Якщо специфічність становить 0,90, хибнопозитивна частота становить 0,10 — саме серед людей без цільового стану. Це не означає, що 10% усіх позитивних результатів є хибними. Частка хибнопозитивних серед усіх позитивних результатів залежить від PPV і базової частоти стану. Плутанина знаменника — одна з найпоширеніших помилок у тлумаченні діагностичних показників. Таблиця 2 × 2: звідки береться специфічність Для бінарного тесту результат індексного тесту порівнюють із наявністю або відсутністю цільового стану за референтним стандартом. STARD 2015 і його пояснення та розширення вимагають прозоро описувати індексний тест, референтний стандарт, пороги та повну структуру результатів, тому що без цього числа точності важко оцінити. Чотири комірки мають таке значення: • TP — тест позитивний, цільовий стан за референтним стандартом наявний. • FP — тест позитивний, але цільовий стан за референтним стандартом відсутній. • FN — тест негативний, хоча цільовий стан за референтним стандартом наявний. • TN — тест негативний і цільовий стан за референтним стандартом відсутній. Саме стовпець «стан відсутній» утворює знаменник специфічності: TN + FP. У таблиці AHRQ 2 × 2 специфічність прямо визначено як TN / (FP + TN), а позитивну прогностичну цінність — як TP / (TP + FP). Ці формули схожі лише тим, що містять FP; їхні знаменники принципово різні. Як специфічність пов’язана з хибнопозитивними результатами За фіксованого порога специфічність і хибнопозитивна частота є доповненнями до одиниці. Висока специфічність означає низьку частоту хибнопозитивних класифікацій серед людей без цільового стану. Низька специфічність означає, що тест частіше позначає як позитивних людей, які за референтним стандартом належать до негативної групи. Наприклад, якщо специфічність дорівнює 90%, то в групі зі 100 людей без цільового стану за умов, подібних до умов валідизаційного дослідження, очікувано приблизно 90 матимуть негативний результат і приблизно 10 — позитивний. Це і є 10% хибнопозитивних відносно референтно негативної групи. Однак у реальній вибірці кількість хибнопозитивних залежить ще й від того, скільки людей без стану взагалі тестують. Якщо стан рідкісний, негативна група дуже велика; навіть невелика хибнопозитивна частота може створити значну абсолютну кількість хибнопозитивних результатів. Чому специфічність 90% не означає «90% позитивних результатів правильні» Уявімо скринінг із чутливістю 80% і специфічністю 90% у популяції, де цільовий стан має 10% людей. Серед 1000 людей 100 мають стан, а 900 — ні. Тест правильно виявить приблизно 80 із 100 випадків, а серед 900 людей без стану дасть приблизно 90 хибнопозитивних результатів. Усього позитивних результатів буде 170: 80 істиннопозитивних і 90 хибнопозитивних. PPV у такому прикладі становить приблизно 47%, хоча специфічність дорівнює 90%. Якщо той самий умовний тест застосувати там, де стан має лише 1% людей, частка істинних випадків серед позитивних стане ще нижчою. Це не суперечить високій специфічності: specificity умовиться на відсутності стану, а PPV — на позитивному результаті. Саме тому базова частота або передтестова ймовірність є критичною для тлумачення позитивного результату. Для переходу від характеристик тесту до післятестової ймовірності корисні відношення правдоподібності LR+ і LR−. LR+ поєднує чутливість і специфічність за формулою sensitivity / (1 − specificity), а потім використовується разом із передтестовими шансами. Специфічність і чутливість: два різні знаменники Чутливість і специфічність описують різні групи. Чутливість відповідає на запитання, як часто тест позитивний серед людей із цільовим станом: TP / (TP + FN). Специфічність відповідає на запитання, як часто тест негативний серед людей без цільового стану: TN / (TN + FP). Тому специфічність не можна «підмінити» чутливістю, а високе значення одного показника не гарантує високого значення іншого. Обидва слід подавати разом для конкретного порога, якщо мета — описати бінарну діагностичну точність. FDA прямо рекомендує звітувати пари sensitivity/specificity із двобічними 95% довірчими інтервалами, а не одне число без контексту. Популярна мнемоніка «SpPin» — високоспецифічний тест, якщо позитивний, нібито підтверджує стан — корисна лише як груба навчальна підказка. Для реального висновку важливі LR+, передтестова ймовірність, поріг, дизайн дослідження, наслідки помилок і відповідність популяції. Дуже висока специфічність при низькій чутливості може залишати тест малокорисним для конкретного завдання. Порогове значення: чому specificity залежить від cutoff Багато психологічних скринінгових інструментів спочатку дають не бінарний результат, а числовий бал. Щоб утворити категорії «позитивний/негативний», дослідник або розробник задає порогове значення. Саме для цього порога й оцінюють чутливість та специфічність. Якщо в шкалі вищий бал означає більшу вираженість цільового стану, зниження порога зазвичай робить тест більш чутливим, але менш специфічним: позитивними стають більше людей, разом із більшою кількістю істинних випадків зростає й число хибнопозитивних. Підвищення порога зазвичай збільшує специфічність, але може збільшити хибнонегативні результати. Для шкал з протилежним напрямком оцінювання логіка напрямку порога відповідно змінюється. Отже, «специфічність тесту» без зазначення cutoff часто є неповним формулюванням. Один і той самий опитувальник може мати кілька пар sensitivity/specificity для різних порогів, а оптимальний поріг залежить від intended use і співвідношення наслідків FP та FN. ROC-крива та AUC не замінюють специфічність конкретного порога ROC-крива відображає, як змінюються true positive rate і false positive rate при зміні порога. Оскільки false positive rate = 1 − specificity, кожна точка ROC відповідає певній парі sensitivity/specificity. AUC стисло описує здатність показника розрізняти групи в діапазоні порогів, але не повідомляє, яка саме специфічність буде при клінічно або практично обраному cutoff. Високий AUC також не встановлює автоматично клінічну корисність, оптимальний поріг, PPV у конкретній популяції або прийнятність наслідків хибних рішень. Чи залежить специфічність від поширеності У математичній формулі specificity немає prevalence: це умовна частка серед людей без цільового стану. Тому в ідеалізованій моделі за незмінних умов специфічність не перераховується просто через зміну поширеності. З цього, однак, не випливає, що оцінка specificity є незмінною властивістю тесту в усіх популяціях. Емпіричні дослідження показують, що sensitivity і specificity можуть змінюватися між популяціями через spectrum effects, клінічну тяжкість, супутні стани, спосіб добору та особливості верифікації. Leeflang, Bossuyt і Irwig описали, як prevalence може бути маркером таких відмінностей, тому для застосування результатів важливо зіставляти власну популяцію з тією, у якій тест оцінювали. Практичне правило: не переносити specificity з одного дослідження як універсальну константу на інший вік, мову, клінічний контекст, рівень тяжкості або маршрут відбору без перевірки застосовності. Референтний стандарт: специфічність завжди відносна до того, як визначено «стан відсутній» У формулах TP, FP, FN і TN слово «істинний» не означає абсолютну істину. Воно означає класифікацію відносно референтного стандарту, який дослідження прийняло як найкращий доступний спосіб встановити наявність або відсутність цільового стану. FDA наголошує, що якщо новий тест порівнюють не з референтним стандартом, а лише з іншим неперевіреним методом, терміни sensitivity і specificity можуть бути недоречними. У такому випадку коректніше говорити про positive percent agreement і negative percent agreement, оскільки оцінюється узгодженість, а не діагностична правильність. Для психологічних станів референтним стандартом може бути структуроване або напівструктуроване клінічне оцінювання за попередньо визначеними критеріями. Воно також може мати похибки. Якщо референтний стандарт систематично помиляється або частково включає сам індексний тест, оцінка specificity може бути зміщена. Точкова оцінка без довірчого інтервалу — неповна інформація Специфічність у вибірці — це оцінка, а не безпомилкове знання про популяцію. Її точність залежить насамперед від кількості референтно негативних учасників, адже саме TN + FP є знаменником specificity. У поясненні STARD 2015 підкреслено: менша кількість учасників дає менш точні оцінки sensitivity і specificity, тому разом із точковими оцінками слід подавати 95% довірчі інтервали. Specificity 95% із вузьким інтервалом і 95% із дуже широким інтервалом — статистично різна сила інформації. Особливо небезпечно порівнювати два тести лише за округленими відсотками — наприклад 92% проти 89% — без розміру вибірки, довірчих інтервалів, дизайну, порога та характеристик учасників. Основні джерела bias у дослідженнях специфічності Сучасний інструмент QUADAS-3 оцінює ризик систематичного зміщення та застосовність досліджень діагностичної точності на рівні конкретних оцінок. Його домени охоплюють учасників, індексний тест, цільовий стан і аналіз. Для specificity важливо дивитися не лише на число, а й на спосіб, у який його отримано. Типові проблеми: • Нерепрезентативний добір учасників. Порівняння очевидно тяжких випадків із «ідеально здоровими» контролями може зробити групи штучно легкими для розділення й завищити точність. • Порогове значення підібрано після перегляду даних. Post hoc cutoff може виглядати оптимальнішим у тій самій вибірці, ніж у незалежній. • Непридатний або нестабільний референтний стандарт. Помилки у визначенні цільового стану змінюють склад TP, FP, FN і TN. • Часткова або диференційована верифікація. Якщо референтний стандарт застосовують не до всіх або його вибір залежить від результату індексного тесту, оцінки можуть зміщуватися. • Інтерпретатор знає результат іншого тесту. Відсутність незалежного або засліпленого тлумачення може створити review bias. • Вилучення «невизначених» результатів із аналізу. Видалення незручних випадків може штучно покращити показники. • Надто мала негативна група. Тоді specificity має велику статистичну невизначеність навіть за високої точкової оцінки. Специфічність у психологічному скринінгу У психологічному тестуванні один інструмент може використовуватися для опису симптомів, моніторингу, скринінгу або як частина ширшого assessment. Specificity стосується саме задачі класифікації щодо чітко визначеного цільового стану і не перетворює опитувальник на автономну діагностичну процедуру. Для коректного тлумачення specificity психологічного скринера потрібно знати щонайменше: яку групу тестували; які критерії визначали цільовий стан; який референтний стандарт застосували; який cutoff використали; якою мовною версією; чи була ця версія валідована для відповідної популяції; хто й у яких умовах проводив assessment; які були sensitivity, PPV/NPV або LR; наскільки точними були оцінки. Наявність перекладу українською не є доказом валідованої української адаптації. Якщо specificity отримано для англомовної версії в іншій країні, цей показник не слід автоматично приписувати перекладеній версії. Мовні, культурні, клінічні та організаційні відмінності можуть змінювати розподіл балів і класифікацію навколо cutoff. Стандарти AERA/APA/NCME розглядають інтерпретацію тестових балів у зв’язку з доказами для конкретного використання та популяції. Це ширший принцип, який пояснює, чому один коефіцієнт specificity не може замінити оцінку валідності, надійності та придатності інструмента до поставленої задачі. Специфічність ≠ валідність, надійність або responsiveness У психометрії якість інструмента описується системою різних доказів. Diagnostic specificity — характеристика класифікації щодо цільового стану при конкретному порозі. Вона не є синонімом construct validity і не показує, наскільки стабільно або точно вимірюється психологічний конструкт. Так само специфічність не дорівнює reliability. Нестабільність балів і похибка вимірювання можуть впливати на те, хто опиниться по різні боки cutoff, але коефіцієнт specificity не замінює оцінювання test-retest reliability, internal consistency або інших форм надійності. COSMIN окремо розглядає reliability, measurement error, validity і responsiveness як властивості вимірювальних інструментів. Diagnostic sensitivity/specificity відповідають іншій задачі — точності класифікації за зовнішнім станом — тому терміни не слід змішувати. Специфічність ≠ PPV і NPV Specificity дивиться з боку реального статусу: серед людей без стану — скільки тест правильно назвав негативними? PPV дивиться з боку результату тесту: серед усіх позитивних — скільки справді мають стан? NPV: серед усіх негативних — скільки справді не мають стану? Через різні знаменники PPV/NPV сильніше залежать від prevalence/base rate. Тому повідомлення «тест має 95% specificity» не можна перефразувати як «якщо тест позитивний, імовірність стану 95%». Це математично інша величина. Специфічність ≠ overall accuracy Загальна accuracy — частка всіх правильних класифікацій (TP + TN) / N. Вона змішує позитивну й негативну групи та може бути оманливо високою, якщо одна група значно переважає. Specificity має власний знаменник і відповідає лише за правильну класифікацію референтно негативних випадків. Наприклад, у вибірці, де цільовий стан дуже рідкісний, модель, яка майже всіх називає негативними, може мати високу overall accuracy, але нульову або дуже низьку корисність для виявлення випадків. Тому accuracy не замінює пару sensitivity/specificity, а тим більше не замінює аналіз наслідків рішень. Коли висока специфічність особливо важлива Потреба у вищій specificity зростає, коли хибнопозитивне рішення має суттєві наслідки: запускає дорогі або інвазивні подальші процедури, створює сильне навантаження на систему, впливає на права чи доступ, спричиняє стигматизацію або інші значущі наслідки. Це не універсальне правило «завжди максимізувати specificity», а частина decision context. У первинному скринінгу пріоритет інколи зміщується в бік чутливості, якщо головна мета — не пропустити потенційні випадки, а позитивні результати потім перевіряються точнішим assessment. У підтверджувальному етапі вища specificity може мати більшу вагу. Оптимальний баланс залежить від intended use, а не від абстрактного бажання отримати максимальні коефіцієнти. Що робити з хибнопозитивним результатом психологічного скринінгу Хибнопозитивний результат у дослідженні означає, що індексний тест дав позитивну класифікацію, а референтний стандарт не підтвердив цільовий стан. Для конкретної людини до завершення належного assessment зазвичай невідомо, чи є результат хибнопозитивним — відомо лише, що скринінг позитивний. Тому безпечна інтерпретація звучить так: результат вище cutoff підвищує підстави для подальшого оцінювання в межах валідованого intended use. Він не встановлює діагноз і не визначає причину симптомів. Наступні кроки залежать від конкретного інструмента, контексту та клінічної задачі. Типові помилки інтерпретації • «Specificity 90% означає, що 90% позитивних результатів правильні». Ні: це плутанина specificity з PPV. • «Specificity — незмінна властивість тесту». Ні: оцінка прив’язана до порога, популяції, дизайну, референтного стандарту й умов застосування. • «Висока specificity доводить валідність тесту». Ні: вона не замінює аргумент валідності інтерпретації балів. • «Висока specificity означає високу reliability». Ні: це різні психометричні поняття. • «1 − specificity — частка хибних серед позитивних». Ні: це частка позитивних серед людей без стану. • «Cutoff універсальний». Ні: поріг має бути обґрунтований для конкретної мети й популяції. • «Скринінг із високою specificity ставить діагноз». Ні: screening і diagnosis мають різні функції. • «AUC високий, отже клінічна корисність доведена». Ні: AUC не задає наслідки рішень, prevalence, PPV/NPV або оптимальний поріг. • «Порівняли з іншим тестом — отримали specificity». Не завжди: без прийнятного reference standard правильніше може бути говорити про negative percent agreement. Як читати специфічність у науковій статті: практичний чекліст 1. Знайдіть точне визначення цільового стану. 2. Перевірте, що було референтним стандартом і чи застосували його незалежно від індексного тесту. 3. Знайдіть конкретний cutoff або правило позитивного результату. 4. Подивіться, кого включили у вибірку і чи схожа вона на intended population. 5. Перевірте числа TN і FP, а не лише округлений відсоток. 6. Подивіться на 95% довірчий інтервал specificity. 7. Читайте specificity разом із sensitivity; для позитивного результату також дивіться LR+ і PPV у релевантній популяції. 8. Перевірте, чи поріг був визначений наперед або підібраний після аналізу даних. 9. Оцініть ризик bias і applicability — STARD допомагає перевірити повноту звітування, а QUADAS-3 призначений для оцінки ризику bias та застосовності досліджень діагностичної точності. 10. Для психологічного інструмента окремо перевірте мовну й культурну версію, надійність, валідність, норми та призначення. FAQ Що означає специфічність 90% простими словами? За конкретного порога і в умовах, подібних до дослідження, приблизно 90% людей без цільового стану тест правильно класифікує як негативних, а приблизно 10% отримують хибнопозитивну класифікацію. Це не означає, що 90% позитивних результатів є істинними. Чим специфічність відрізняється від чутливості? Чутливість рахується серед людей із цільовим станом і показує частку істиннопозитивних. Специфічність рахується серед людей без стану і показує частку істинно негативних. Як пов’язані specificity і false positive rate? Для одного порога FPR = 1 − specificity. Якщо specificity = 0,95, то FPR = 0,05 серед референтно негативної групи. Чи означає висока специфічність, що позитивний тест майже напевно правильний? Ні. Для цього потрібно оцінювати PPV або післятестову ймовірність. Вони залежать від базової частоти стану й передтестової ймовірності, а також від sensitivity/specificity або likelihood ratios. Чи залежить специфічність від поширеності стану? Прямо у формулі prevalence немає. Але реальні оцінки specificity можуть змінюватися між популяціями через spectrum effects, тяжкість, супутні стани, відбір і дизайн дослідження. Тому показник не слід переносити як універсальну константу. Що важливіше — чутливість чи специфічність? Це залежить від задачі та наслідків помилок. Скринінг може надавати більшу вагу уникненню пропущених випадків, а підтверджувальний етап — уникненню хибнопозитивних рішень. Потрібно розглядати обидва показники разом із intended use. Чи може тест із високою специфічністю поставити психологічний діагноз? Ні. Specificity — характеристика класифікації в дослідженні. Діагноз потребує комплексного клінічного оцінювання, належних критеріїв, контексту та професійної інтерпретації. Чому specificity може бути іншою в українській версії тесту? Переклад, культурний контекст, популяція, розподіл симптомів і обраний cutoff можуть змінювати класифікацію. Переклад не дорівнює валідованій культурній адаптації, тому показники іншомовної версії не переносяться автоматично. Пов’язані статті Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів Психологічне тестування: що це, як проводиться і які обмеження має результат тесту Відношення правдоподібності (LR+ і LR−): як результат тесту змінює ймовірність стану Валідність психологічного тесту: що це і які докази потрібні для інтерпретації результатів Надійність психологічного тесту: що це, які бувають види і чому надійність не дорівнює валідності Похибка вимірювання в психології: випадкова, систематична і чому один бал не є абсолютно точним Норми психологічного тесту: як створюють референтні значення і чому вони залежать від популяції Справедливість психологічного тестування: bias, доступність, групові порівняння і межі інтерпретації Чутливість діагностичного тесту: що вона показує і чому висока sensitivity не означає точний діагноз Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. Bossuyt, P. M., Reitsma, J. B., Bruns, D. E., et al. (2015). STARD 2015: an updated list of essential items for reporting diagnostic accuracy studies. BMJ, 351, h5527. Chang, S. M., Matchar, D. B., Smetana, G. W., & Umscheid, C. A. (ред.). (2012). Methods Guide for Medical Test Reviews. Agency for Healthcare Research and Quality. Cohen, J. F., Korevaar, D. A., Altman, D. G., et al. (2016). STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open, 6, e012799. COSMIN. (n.d.). Conducting a study on measurement properties. Deeks, J. J., Bossuyt, P. M., Leeflang, M. M., & Takwoingi, Y. (ред.). (2023). Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy, Version 2.0. Cochrane. Leeflang, M. M. G., Bossuyt, P. M. M., & Irwig, L. (2009). Diagnostic test accuracy may vary with prevalence: implications for evidence-based diagnosis. Journal of Clinical Epidemiology, 62(1), 5–12. U.S. Food and Drug Administration. (n.d.). Statistical Guidance on Reporting Results from Studies Evaluating Diagnostic Tests: Guidance for Industry and FDA Staff. Whiting, P. F., Tomlinson, E., Rutjes, A. W. S., et al. (2026). QUADAS-3: A Revised Tool for the Quality Assessment of Diagnostic Test Accuracy Studies. Annals of Internal Medicine, 179(4), 548–555.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Коротка відповідь Базова частота (base rate) — це вихідна частота цільового стану або події в релевантній популяції до того, як ми врахуємо новий результат тесту. У скринінгу її часто наближено представляє поширеність стану в тій групі, де застосовують тест. Вона принципово змінює те, що означає позитивний або негативний результат: той самий тест із тією самою чутливістю і специфічністю може мати зовсім різну позитивну та негативну прогностичну цінність у популяціях із різною поширеністю. Саме тому запитання «тест позитивний — яка ймовірність, що стан справді є?» не можна коректно відповісти лише за чутливістю або специфічністю. Потрібно знати ще й вихідну ймовірність стану. Класичне пояснення цієї логіки дають Altman і Bland у BMJ: прогностичні цінності відповідають на інше умовне запитання, ніж sensitivity і specificity, і залежать від поширеності. Для психологічного та психіатричного скринінгу це має безпосереднє YMYL-значення. Позитивний скринінговий результат означає підвищену ймовірність або потребу в подальшому оцінюванні, але не встановлює діагноз. USPSTF прямо вказує, що позитивні результати скринінгу депресії мають вести до додаткового оцінювання для підтвердження діагнозу, визначення тяжкості та супутніх проблем. Що таке базова частота, поширеність і передтестова ймовірність Три терміни часто стоять поруч, але їх корисно розрізняти. «Базова частота» — ширше статистичне поняття: наскільки часто певний клас, стан або подія трапляються в обраній референтній групі до врахування нової інформації. «Поширеність» (prevalence) — частка людей із цільовим станом у визначеній популяції та в певний момент або період. «Передтестова ймовірність» (pre-test probability) — оцінка ймовірності цільового стану до конкретного тесту. У масовому скринінгу людей без уже встановленого діагнозу поширеність у цільовій популяції часто є природною стартовою оцінкою базової частоти. У клінічній практиці передтестова ймовірність може бути вищою або нижчою за загальнопопуляційну поширеність, тому що до уваги входять причина звернення, симптоми, попередні тести, вік, контекст, фактори ризику та маршрут направлення. Отже, «поширеність розладу в країні» не є автоматично правильною базовою частотою для будь-якого тестування. Для людини, яка вже звернулася до спеціалізованої клініки з вираженими симптомами, релевантною є інша передтестова ймовірність, ніж для випадково відібраного учасника загальнопопуляційного скринінгу. В українській професійній термінології вживаються «прогностична цінність» і «прогностичне значення» діагностичного тесту. Український глосарій Альянсу громадського здоров’я прямо пов’язує позитивну й негативну прогностичну цінність із чутливістю, специфічністю та поширеністю стану в певній групі населення. Чому однаковий тест дає різне значення результату Причина — у різних знаменниках. Чутливість і специфічність починають із відомого фактичного стану та запитують, як поводиться тест. Прогностична цінність починає з уже отриманого результату тесту та запитує, яким є фактичний стан людини. Це обернені умовні ймовірності. • Чутливість: серед людей, у яких цільовий стан є, яка частка отримає позитивний результат? • Специфічність: серед людей, у яких цільового стану немає, яка частка отримає негативний результат? • Позитивна прогностична цінність (PPV): серед усіх людей із позитивним результатом, у якої частки цільовий стан справді є? • Негативна прогностична цінність (NPV): серед усіх людей із негативним результатом, у якої частки цільового стану справді немає? У Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy ці показники розглядаються в загальній логіці діагностичної точності та застосовності результатів до конкретної клінічної популяції. Для практичного тлумачення важлива саме та передтестова ймовірність, яка відповідає реальному контексту використання. Приклад: тест із чутливістю 95% і специфічністю 95% Уявімо суто навчальний скринінговий тест. Його чутливість — 95%, специфічність — 95%. Ці цифри тут задані умовно й не описують жодний конкретний психологічний інструмент. Ми застосуємо той самий тест із тим самим порогом до двох груп по 10 000 людей. Сценарій 1: поширеність 1% У групі 10 000 людей цільовий стан мають 100 осіб, а 9 900 — не мають. • Із 100 людей зі станом тест правильно виявить приблизно 95: це істинно позитивні результати. • Приблизно 5 людей зі станом отримають негативний результат: це хибнонегативні результати. • Із 9 900 людей без стану приблизно 9 405 отримають правильний негативний результат. • Приблизно 495 людей без стану отримають позитивний результат: це хибнопозитивні результати. Отже, позитивних результатів буде 590: 95 істинно позитивних і 495 хибнопозитивних. PPV становитиме приблизно 16,1%. Інакше кажучи, за цих припущень лише близько одного з шести позитивних результатів відповідатиме справжній наявності цільового стану. NPV буде приблизно 99,95%. Цей приклад показує парадокс лише на рівні інтуїції, але не математики. Коли стан рідкісний, група людей без нього дуже велика. Навіть невелика частка хибнопозитивних результатів у цій великій групі може чисельно перевищити кількість істинно позитивних. Сценарій 2: поширеність 20% Тепер візьмемо 10 000 людей, серед яких цільовий стан мають 2 000, а 8 000 — не мають. • Із 2 000 людей зі станом тест правильно виявить приблизно 1 900. • Приблизно 100 людей зі станом отримають хибнонегативний результат. • Із 8 000 людей без стану приблизно 7 600 матимуть правильний негативний результат. • Приблизно 400 людей без стану отримають хибнопозитивний результат. Тепер позитивних результатів буде 2 300: 1 900 істинно позитивних і 400 хибнопозитивних. PPV зростає приблизно до 82,6%, а NPV становить близько 98,7%. Чутливість і специфічність у навчальному прикладі не змінилися. Змінилася лише базова частота. Проте значення позитивного результату для людини змінилося радикально: приблизно від 16% до 83% посттестової ймовірності. Формули PPV і NPV Якщо чутливість позначити Se, специфічність Sp, а поширеність або передтестову ймовірність Prev, то: PPV = (Se × Prev) / [(Se × Prev) + ((1 − Sp) × (1 − Prev))]. NPV = (Sp × (1 − Prev)) / [((1 − Se) × Prev) + (Sp × (1 − Prev))]. Ці формули є прямим застосуванням умовної ймовірності та теореми Байєса. Їхній практичний зміст простий: позитивний або негативний результат не існує у вакуумі. Він оновлює вже наявну ймовірність стану. Класична статистична нотатка Altman і Bland показує те саме через 2×2 таблицю та через odds: передтестові шанси множаться на відповідне відношення правдоподібності, щоб отримати післятестові шанси. Байєсівська логіка без складної математики Тест не створює ймовірність з нуля. Він змінює попередню оцінку. Якщо цільовий стан до тесту був дуже рідкісним, навіть сильний позитивний сигнал може залишити післятестову ймовірність помітно нижчою за 100%. Якщо ж до тесту стан уже був досить імовірним, той самий позитивний результат може зробити його значно ймовірнішим. У зворотному напрямку негативний результат часто особливо переконливий у популяції з низькою базовою частотою. Але в групі з високою передтестовою ймовірністю негативний тест може бути недостатнім, щоб завершити оцінювання, особливо якщо пропуск стану має серйозні наслідки. Тому коректне мислення про скринінг має послідовність: передтестова ймовірність → властивості тесту за конкретного порога → результат → післятестова ймовірність → рішення про подальше оцінювання. Base rate neglect: чому мозок легко ігнорує базову частоту Нехтування базовою частотою (base-rate neglect) — це помилка міркування, за якої яскрава або індивідуальна інформація отримує непропорційно велику вагу, а статистична частота відповідного стану в референтній групі недооцінюється. У психології рішень це один із класичних способів, яким умовні ймовірності плутаються між собою. На практиці помилка виглядає так: людина бачить «чутливість 95%» і несвідомо перетворює її на «якщо тест позитивний, імовірність стану 95%». Це різні твердження. Детальніше про ширшу систему таких помилок дивіться у статті «Когнітивні упередження: що це, чому вони виникають і як впливають на судження та рішення». Чутливість і специфічність не дорівнюють PPV і NPV Це центральне розрізнення всієї теми. Чутливість і специфічність описують поведінку тесту відносно відомого стану. PPV і NPV описують імовірність стану після відомого результату тесту. Переставити місцями умову та висновок не можна. Запис через умовні ймовірності робить різницю видимою: • Чутливість = P(позитивний тест | стан є). • PPV = P(стан є | тест позитивний). • Специфічність = P(негативний тест | стану немає). • NPV = P(стану немає | тест негативний). Саме тому фраза «цей тест має 90% чутливість, отже позитивний результат правильний у 90% випадків» є некоректною, якщо PPV окремо не розраховано для релевантної популяції. Чи справді чутливість і специфічність не залежать від поширеності У підручниковій 2×2 моделі, якщо властивості тесту та спектр людей фіксовані, чутливість і специфічність математично не містять prevalence у своїх формулах. Саме на цьому ґрунтується просте пояснення, що PPV/NPV змінюються з поширеністю, а sensitivity/specificity — ні. У реальних дослідженнях популяції не залишаються однаковими. Зі зміною setting та поширеності часто змінюються тяжкість проявів, спектр симптомів, коморбідність, маршрут направлення, попереднє тестування та складність диференційної діагностики. Це називають spectrum effect — ефектом спектра. Метааналіз Leeflang та співавторів на 416 дослідженнях із 23 метааналізів показав, що в значній частині наборів даних оцінки чутливості або специфічності асоціювалися з поширеністю. Велике метаепідеміологічне дослідження Murad та співавторів 2023 року проаналізувало 6 909 досліджень діагностичної точності й також виявило зв’язок: за вищої поширеності оцінена чутливість у середньому була вищою, а специфічність — нижчою. Ці результати не означають, що сама prevalence механічно «перепрограмовує» тест. Автори підкреслюють роль спектра стану, setting, відбору учасників, референтного стандарту та інших характеристик дизайну. Практичний висновок сильніший за просте правило: переносити показники точності з однієї популяції в іншу потрібно обережно. Чому setting змінює базову частоту Поширеність цільового стану може різко відрізнятися між загальною популяцією, первинною допомогою, спеціалізованою клінікою, стаціонаром, групою з попереднім позитивним скринінгом і вибіркою дослідження. Тому назва тесту сама по собі не визначає його PPV або NPV. • Загальнопопуляційний скринінг зазвичай має нижчу передтестову ймовірність, ніж спеціалізована клінічна вибірка. • Направлення після попереднього тесту збагачує вибірку людьми з вищою ймовірністю стану. • Вікові, клінічні, мовні та соціальні критерії включення можуть змінити як поширеність, так і спектр проявів. • Case-control дослідження, де дослідник штучно набирає окремо «випадки» і «контролі», не дає природної prevalence вибірки, з якої можна напряму взяти реальний PPV/NPV. Саме тому STARD 2015 вимагає прозоро описувати intended use тесту, клінічну роль, критерії включення, setting, спосіб відбору, поріг, референтний стандарт і 2×2 результати. Без цього читач не може оцінити застосовність отриманої точності до власної популяції. Скринінг, case-finding, оцінювання і діагноз — різні завдання У психології та психіатрії короткий опитувальник часто використовується для скринінгу: він допомагає помітити людей, у яких імовірність певного стану достатньо підвищена для наступного кроку. Це не те саме, що комплексне психологічне оцінювання і не те саме, що клінічний діагноз. Огляд Zimmerman 2022 спеціально розбирає помилку, коли самооцінювальні скринінгові шкали в дослідженнях використовують як заміну case-finding або діагностичного інтерв’ю. За низької поширеності позитивна прогностична цінність може бути недостатньою, і значна частина «позитивних» за шкалою людей не відповідатиме діагностичним критеріям під час повнішого оцінювання. Тому позитивний скринінг коректно читати як «результат перевищив визначений поріг і потребує інтерпретації в контексті», а не як «у людини встановлено розлад». Негативний скринінг означає зниження імовірності цільового стану, але не гарантує його відсутності за будь-яких обставин. Позитивна прогностична цінність: що означає позитивний результат PPV — це ймовірність наявності цільового стану серед людей із позитивним результатом за конкретного тесту, конкретного порога і конкретної популяції. Вона зростає, коли збільшується базова частота стану, якщо інші параметри фіксовані. Це означає, що PPV не є універсальною «паспортною характеристикою» тесту. Значення, отримане в спеціалізованій клініці, не можна автоматично переносити на масовий онлайн-скринінг. І навпаки, низький PPV у загальній популяції не доводить, що сам інструмент «поганий»: можливо, його роль — чутливий перший етап, після якого передбачене уточнювальне оцінювання. Негативна прогностична цінність: що означає негативний результат NPV — це ймовірність відсутності цільового стану серед людей із негативним результатом. За інших рівних умов вона зазвичай вища там, де цільовий стан рідкісний, і нижча там, де передтестова ймовірність висока. Тому дуже висока NPV у низькоризиковій популяції може частково відображати саму низьку базову частоту. Якщо майже всі люди й до тесту не мали цільового стану, негативний результат легко буде «правильним» у більшості. Це не робить тест автоматично клінічно корисним. Відношення правдоподібності та перехід від pre-test до post-test probability Ще один спосіб оновити ймовірність — використовувати likelihood ratios. LR+ показує, наскільки позитивний результат більш імовірний у людей зі станом, ніж без нього. LR− показує, наскільки негативний результат більш імовірний у людей зі станом, ніж без нього. LR+ = чутливість / (1 − специфічність). LR− = (1 − чутливість) / специфічність. Передтестову ймовірність спочатку переводять у odds, множать на LR і отримують післятестові odds, які можна повернути в probability. Ця форма особливо корисна, коли потрібно явно показати, як новий результат змінює попередню оцінку, а не просто назвати «позитивний» чи «негативний» статус. ROC/AUC не вирішує проблему базової частоти ROC-крива та AUC оцінюють здатність показника розрізняти групи в діапазоні можливих порогів. AUC не є PPV, не є NPV і не повідомляє, скільки людей із позитивним результатом у вашій конкретній популяції справді матимуть цільовий стан. Через це два середовища можуть мати подібну дискримінацію тесту, але дуже різний практичний склад позитивних результатів. Для розуміння порогів і співвідношення hit/false alarm корисно також прочитати «Теорія виявлення сигналу: як рішення про стимул залежать від чутливості та критерію». Cutoff не є універсальною межею «є / немає» Будь-який поріг перетворює безперервний бал або ризик на категорію. Зміщення cutoff зазвичай змінює компроміс між чутливістю та специфічністю: нижчий поріг може знаходити більше потенційних випадків, але створювати більше хибнопозитивних результатів; вищий — зменшувати хибнопозитивні, але пропускати більше людей зі станом. Те, який компроміс прийнятний, залежить від intended use, наслідків двох типів помилок, доступності підтверджувального оцінювання та характеристик популяції. STARD 2015 окремо наголошує, що пороги мають бути описані й бажано визначені заздалегідь: вибір найвигіднішого cutoff після перегляду тих самих даних може завищувати оцінену точність. Базова частота і клінічна корисність — не одне й те саме Навіть правильно розраховані PPV і NPV не відповідають на всі питання. Клінічна корисність включає наслідки тестування: чи змінює результат подальшу дію, чи доступне підтвердження, чи є ефективна допомога, якою є ціна хибнопозитивних і хибнонегативних рішень, чи створює скринінг надмірне навантаження або стигматизацію. Всесвітня організація охорони здоров’я у гайді про програми скринінгу розглядає скринінг як програму, а не як ізольований тест: потрібні доказова база, маршрут подальших дій, контроль якості, оцінка користі та шкоди. Висока статистична точність одного інструмента сама по собі не доводить користь усієї програми. Що особливо важливо для психологічних опитувальників Психологічні скринінгові шкали часто вимірюють симптоми або ризик за самозвітом. Багато симптомів є неспецифічними: порушення сну, втома, напруження, труднощі концентрації чи знижений настрій можуть виникати за різних станів і життєвих обставин. Тому позитивний результат за короткою шкалою не слід трактувати як самодостатню нозологічну класифікацію. Крім base rate, важливі валідність саме цього використання, надійність, якість перекладу й культурної адаптації, характеристики нормативної або клінічної вибірки, референтний стандарт і спосіб встановлення cutoff. Standards for Educational and Psychological Testing розглядають валідність, надійність і fairness як центральні компоненти відповідального використання тестів; докази мають відповідати конкретній інтерпретації та конкретній меті. Сам факт наявності українського перекладу не доводить, що для нього встановлено українські показники чутливості, специфічності або прогностичних цінностей. Переклад, психометрична адаптація та доказ клінічної точності — окремі завдання. Прогностична цінність не дорівнює прогностичній валідності Ці терміни легко сплутати через слово «прогностична». Прогностична валідність (predictive validity) у психометрії стосується того, наскільки тестовий показник передбачає майбутній зовнішній критерій. Позитивна та негативна прогностична цінність (positive/negative predictive value) стосуються ймовірності цільового стану після позитивного або негативного класифікаційного результату. Детальний розбір першого поняття є у статті «Прогностична валідність: наскільки тест передбачає майбутній критерій і чому прогноз не є долею». Чому «95% точності» майже нічого не пояснює Фраза «тест точний на 95%» без уточнень є статистично неповною. Вона може означати загальну частку правильних класифікацій у конкретній вибірці, чутливість, специфічність, agreement або взагалі рекламне спрощення. Загальна accuracy особливо залежить від складу вибірки: коли один клас дуже поширений, навіть примітивне правило «всім негативний результат» може мати високу частку формально правильних відповідей. Для серйозної інтерпретації потрібні щонайменше 2×2 дані або окремі sensitivity, specificity, PPV, NPV із довірчими інтервалами, опис population/setting, threshold і reference standard. STARD рекомендує подавати фактичні кількості істинно позитивних, хибнопозитивних, хибнонегативних та істинно негативних результатів, а не лише відсотки. Типові помилки інтерпретації • «Чутливість 90%» перетворюють на «після позитивного результату ймовірність стану 90%». • PPV із дослідження спеціалізованої клініки переносять на загальнопопуляційний онлайн-скринінг. • Поширеність у країні використовують замість базової частоти релевантної вікової, клінічної або ризикової групи. • Один cutoff подають як природну межу між «здоровий» і «має розлад». • Негативний скринінг тлумачать як абсолютне виключення стану навіть за високої передтестової ймовірності або виражених симптомів. • Високий AUC сприймають як доказ високої PPV у будь-якій популяції. • Скринінговий опитувальник використовують як діагностичний проксі без підтверджувального оцінювання. • Ігнорують невизначеність: довірчі інтервали, невеликі вибірки, пропущені дані й невизначені результати. • Вважають, що переклад тесту автоматично переносить його точність і cutoff на нову мову та культуру. Як правильно читати позитивний результат скринінгу Корисна послідовність запитань виглядає так: • 1. Для чого цей інструмент створено: скринінг, case-finding, діагностика, моніторинг, прогноз чи інша мета? • 2. Для якої популяції валідовано конкретну мовну версію та конкретний cutoff? • 3. Якою є передтестова ймовірність або базова частота цільового стану в цій популяції? • 4. Які чутливість і специфічність саме за використаного порога? • 5. Які PPV і NPV за релевантної prevalence, а не лише у вибірці розробника? • 6. Наскільки ці оцінки точні: які довірчі інтервали та розмір вибірки? • 7. Яким є наступний крок після позитивного результату: інтерв’ю, повторне вимірювання, інший інструмент, клінічне оцінювання? Цей алгоритм не замінює професійне рішення. Він показує, яку статистичну інформацію потрібно мати, щоб не перетворити screening result на діагноз одним кроком. Як правильно читати негативний результат Негативний результат знижує ймовірність цільового стану настільки, наскільки це дозволяють чутливість тесту, базова частота та конкретний клінічний контекст. Якщо передтестова ймовірність була дуже низькою, негативний результат часто мало змінює вже низький ризик. Якщо вона була високою, навіть хороший тест може залишити достатню залишкову ймовірність для подальшого оцінювання. Тому фраза «тест негативний — питання закрите» також потребує контексту. Особливо це важливо, коли симптоми виражені, є інші незалежні ознаки або наслідки пропущеного стану є значними. Що має бути в якісному дослідженні діагностичної або скринінгової точності Щоб результати можна було перенести в практику, дослідження має дати читачеві можливість відновити контекст. STARD 2015 є стандартом звітності, а не інструментом оцінювання якості, але його чекліст добре показує, яку інформацію не можна ховати. • Чітко визначена цільова умова і референтний стандарт. • Опис intended use і ролі тесту: скринінг, triage, add-on, replacement тощо. • Критерії включення та виключення, спосіб набору учасників, setting і часовий період. • Заздалегідь визначений або чітко обґрунтований cutoff. • Кількості TP, FP, FN і TN. • Sensitivity, specificity, PPV, NPV або інші релевантні показники з довірчими інтервалами. • Поширеність цільового стану в досліджуваній вибірці та пояснення, наскільки вона відповідає майбутній популяції застосування. • Опис невизначених, пропущених або виключених результатів. • Оцінка застосовності результатів до інших груп і setting. Для психологічного тесту до цього додаються питання психометричної якості. Базову рамку можна знайти у матеріалах ХАБу про психометрію та психологічні тести. Base rate у дослідженнях і в реальному застосуванні Показник prevalence у статті не слід механічно ототожнювати з prevalence майбутніх користувачів тесту. Дослідження може набирати учасників із клініки, використовувати enrichment design, виключати складні випадки або включати лише людей із повним референтним стандартом. Усе це змінює склад вибірки. Коли дослідницька prevalence не відповідає реальній, найнадійніше не просто копіювати PPV/NPV з публікації, а використовувати sensitivity/specificity або likelihood ratios разом із обґрунтованою передтестовою ймовірністю — за умови, що ці параметри самі достатньо транспортовані до вашого setting. Саме тут потрібна подвійна обережність: формула Байєса може бути математично бездоганною, але результат залишиться хибно точним, якщо в неї підставлено невідповідну prevalence або перенесено нестабільні показники тесту з іншої популяції. Base rate і fairness Базові частоти можуть відрізнятися між групами, але статистична відмінність prevalence сама по собі не є дозволом використовувати різні стандарти без теоретичного, етичного та емпіричного обґрунтування. У fairness-аналізі потрібно розглядати джерело відмінностей, якість вимірювання, доступ до діагностики, selection effects, differential item functioning, measurement invariance та наслідки рішень. Сучасні Standards AERA/APA/NCME ставлять fairness поруч із validity і reliability. Тому питання «у цієї групи інша base rate» не завершує аналіз упередженості тесту, а лише додає один статистичний параметр до ширшої оцінки. Що змінює поширеність, а що — ні • Поширеність безпосередньо змінює PPV і NPV, якщо sensitivity і specificity вважати фіксованими. • Поширеність не перетворює percentile на probability і не робить високий тестовий бал автоматичним діагнозом. • Зміна setting часто змінює не лише prevalence, а й case mix, тому в реальних даних можуть змінюватися sensitivity і specificity. • AUC може залишатися подібною, тоді як PPV різко змінюється через іншу base rate. • Cutoff визначає компроміс помилок, але його практичне значення залежить від популяції та intended use. • Жодна base rate не усуває потреби перевіряти валідність конкретної інтерпретації тесту. Практичний приклад для психологічного скринінгу Уявімо короткий опитувальник, який у первинному дослідженні показав добру здатність знаходити людей із певним психічним станом. Якщо його застосувати в спеціалізованому сервісі, де багато людей уже мають відповідні симптоми, позитивний результат може мати досить високу PPV. Якщо той самий cutoff винести в масове тестування широкої аудиторії з набагато нижчою prevalence, частка хибнопозитивних серед усіх позитивних може суттєво зрости. Це не означає, що широке скринування завжди помилкове або що психологічні опитувальники не корисні. Це означає, що роль результату має відповідати дизайну програми. Скринінг може бути корисним як перший фільтр, якщо після нього існує адекватний маршрут підтвердження, підтримки або клінічного оцінювання. Саме таку логіку видно в рекомендаціях USPSTF щодо скринінгу депресії: користь скринінгу пов’язана не з ізольованим заповненням шкали, а з подальшим оцінюванням позитивних результатів і доступом до доказової допомоги. FAQ Чи може більшість позитивних результатів бути хибнопозитивними навіть у хорошого тесту? Так. Якщо цільовий стан дуже рідкісний, велика кількість людей без нього може створити більше хибнопозитивних результатів, ніж буде істинно позитивних, навіть за високої специфічності. Навчальний приклад вище показує це для sensitivity 95%, specificity 95% і prevalence 1%. Чи є PPV властивістю самого тесту? Ні. PPV залежить від характеристик тесту, порога та передтестової ймовірності або prevalence в конкретній популяції. Тому PPV із однієї вибірки не слід автоматично переносити в іншу. Чи є NPV властивістю самого тесту? Так само ні. NPV зростає за нижчої prevalence і зменшується за вищої, якщо інші параметри незмінні. Її потрібно інтерпретувати для конкретного контексту. Чи однакові base rate і prevalence? Не завжди. Base rate — ширше поняття вихідної частоти. Prevalence — частка людей із цільовим станом у визначеній популяції й часовому контексті. У багатьох задачах скринінгу prevalence є емпіричною оцінкою base rate, але передтестова ймовірність конкретної людини може відрізнятися від популяційної prevalence. Чи змінюється sensitivity, коли змінюється prevalence? У простій математичній моделі sensitivity визначається серед людей зі станом і не містить prevalence у формулі. У реальних дослідженнях зміна prevalence часто супроводжується зміною спектра стану, setting і відбору, тому оцінена sensitivity може змінюватися. Це показують Leeflang et al. (2013) і велике метаепідеміологічне дослідження Murad et al. (2023). Чи означає негативний скринінг, що розладу точно немає? Ні. Негативний результат знижує ймовірність, але величина цього зниження залежить від sensitivity, specificity та передтестової ймовірності. За високої початкової підозри або значущих симптомів може бути потрібне подальше оцінювання. Чи можна визначити діагноз за одним cutoff? Для психічних розладів скринінговий cutoff не є автоматичним діагностичним кордоном. Діагноз потребує оцінювання критеріїв, функціонального впливу, тривалості, контексту, альтернативних пояснень і, залежно від стану, клінічного інтерв’ю та інших джерел інформації. Чи достатньо знати ROC/AUC? Ні. ROC/AUC описує дискримінацію, але не дає безпосередньо PPV/NPV і не враховує prevalence у тій формі, яка потрібна для відповіді на запитання «що означає мій позитивний результат?». Для цього потрібна післятестова ймовірність у релевантній популяції. Яку prevalence брати для інтерпретації? Найкращу оцінку для популяції, яка максимально відповідає реальним людям, маршруту та умовам застосування тесту. Якщо інструмент використовують у спеціалізованій клініці, загальнопопуляційна prevalence може суттєво занижувати передтестову ймовірність. Якщо тест винесли в масовий онлайн-скринінг, клінічна prevalence може її завищувати. Чому онлайн-тест може створити надмірну впевненість? Онлайн-інтерфейс часто показує лише score або категорію і приховує ключовий контекст: для якої популяції валідований cutoff, якими були sensitivity і specificity, яка була prevalence у дослідженні та чи пройшла конкретна мовна версія належну адаптацію. Без цієї інформації число виглядає точнішим, ніж є насправді. Пов’язані статті • Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів • Психологічний тест: що це, з чого складається і за якими ознаками оцінюють його якість • Психологічна оцінка й оцінювання: що це, як проходить і чим відрізняється від тестування • Прогностична валідність: наскільки тест передбачає майбутній критерій і чому прогноз не є долею • Теорія виявлення сигналу: як рішення про стимул залежать від чутливості та критерію • Позитивна прогностична цінність (PPV): яка ймовірність стану після позитивного результату і чому все залежить від поширеності • Скринінг і діагностика: чим відрізняється опитувальник ризику від клінічного діагнозу Джерела • Alliance for Public Health. Глосарій: «Прогностичне значення, Прогностична цінність діагностичного тесту». • Altman, D. G., & Bland, J. M. (1994). Diagnostic tests 2: Predictive values. BMJ, 309, 102. • American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. Standards for Educational and Psychological Testing. • Cochrane. Handbook for Systematic Reviews of Diagnostic Test Accuracy. • Cohen, J. F., Korevaar, D. A., Altman, D. G., et al. (2016). STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open, 6, e012799. • Leeflang, M. M. G., Rutjes, A. W. S., Reitsma, J. B., Hooft, L., & Bossuyt, P. M. M. (2013). Variation of a test’s sensitivity and specificity with disease prevalence. CMAJ, 185(11), E537–E544. • Murad, M. H., Lin, L., et al. (2023). The association of sensitivity and specificity with disease prevalence: analysis of 6909 studies of diagnostic test accuracy. CMAJ, 195(27), E925–E931. • U.S. Preventive Services Task Force. (2023). Depression and Suicide Risk in Adults: Screening. • World Health Organization Regional Office for Europe. (2020). Screening programmes: a short guide. Increase effectiveness, maximize benefits and minimize harm. • Zimmerman, M. (2022). Positive Predictive Value: A Clinician’s Guide to Avoid Misinterpreting the Results of Screening Tests. Journal of Clinical Psychiatry.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Коротка відповідь Негативна прогностична цінність (negative predictive value, NPV) — це ймовірність того, що цільового стану справді немає серед людей із негативним результатом тесту. У таблиці 2×2 вона обчислюється як частка істинно негативних результатів серед усіх негативних результатів: NPV = TN / (TN + FN). Класичне статистичне пояснення прогностичних цінностей дають Altman і Bland у BMJ. NPV відповідає на практичне запитання «як тлумачити вже отриманий негативний результат?». Вона не відповідає на запитання «яка частка людей зі станом матиме негативний тест?» — це вже 1 − чутливість, тобто частота хибнонегативних результатів серед людей, які справді мають стан. Ключова властивість NPV: вона залежить від того, наскільки часто цільовий стан трапляється в популяції, де застосовують тест. За незмінних чутливості й специфічності NPV зазвичай зростає, коли поширеність або передтестова ймовірність знижується, і падає, коли вона зростає. Тому фраза «NPV тесту становить 98%» без опису популяції, поширеності, порогу, референтного стандарту і довірчого інтервалу є неповною. Та сама шкала може мати дуже високу NPV у масовому низькоризиковому скринінгу й помітно нижчу NPV у клінічній групі з високою передтестовою ймовірністю. У психологічному скринінгу негативний результат не є автоматичним доказом відсутності розладу. Скринінг, клінічне оцінювання і діагноз — різні етапи. Якщо симптоми, ризик або клінічний контекст залишають підозру високою, негативний скринінг може знижувати ймовірність стану, але не завершувати оцінку. Що саме вимірює NPV Уявімо, що тест або опитувальник має заздалегідь визначений поріг і поділяє результати на «позитивні» та «негативні», а незалежний референтний стандарт визначає, чи є цільовий стан насправді. Тоді кожна людина потрапляє в одну з чотирьох комірок: істинно позитивний результат (TP), хибнопозитивний (FP), істинно негативний (TN) або хибнонегативний (FN). Для NPV нас цікавить лише група людей із негативним індексним тестом. Серед них частина справді не має стану — це TN. Інша частина має стан, хоча тест його не виявив, — це FN. NPV показує частку TN серед TN + FN. Наприклад, якщо з 500 людей із негативним результатом 490 справді не мають цільового стану, а 10 мають його попри негативний тест, NPV = 490 / 500 = 98%. Це означає: у цій конкретній популяції, за цих умов і цього порогу 98% негативних результатів були істинно негативними. Зворотна величина 1 − NPV у цьому самому наборі даних дорівнює частці хибнонегативних серед усіх негативних результатів. У прикладі це 2%. Вона не тотожна 1 − sensitivity, бо знаменники різні: 1 − sensitivity дивиться на всіх людей зі станом, а 1 − NPV — на всіх людей із негативним тестом. NPV і специфічність — різні умовні ймовірності Специфічність відповідає на запитання: «серед людей без цільового стану, яка частка отримає негативний результат?». Формула: specificity = TN / (TN + FP). NPV ставить інше запитання: «серед людей із негативним результатом, яка частка справді не має стану?». Формула: NPV = TN / (TN + FN). Через зміну напрямку умовної ймовірності ці показники не можна взаємозамінювати. Висока специфічність не робить NPV автоматично високою, а висока NPV не доводить, що тест має високу специфічність. Це одна з найпоширеніших помилок читання діагностичної статистики: брати властивість тесту щодо відомого стану і трактувати її як імовірність стану після отриманого результату. Прогностичні цінності спеціально потрібні для переходу в напрямку «від результату тесту до ймовірності стану». NPV і чутливість — теж не одне й те саме Чутливість показує, яку частку людей із цільовим станом тест розпізнає як позитивних: sensitivity = TP / (TP + FN). Висока чутливість за інших рівних умов зменшує кількість хибнонегативних результатів і тому підтримує вищу NPV. Але вислів «високочутливий тест виключає стан» є лише мнемонічним скороченням, а не універсальним правилом. Реальна посттестова ймовірність залежить також від специфічності, порогу, популяції, передтестової ймовірності, спектра випадків і того, як був визначений референтний стандарт. Методологія діагностичної точності давно підкреслює, що показники тесту можуть змінюватися між популяціями та клінічними контекстами. У великому аналізі 23 метааналізів Leeflang та співавтори показали асоціації поширеності з оцінками чутливості й специфічності, тобто навіть припущення про їхню повну стабільність між setting-ами не завжди виконується. Чому поширеність змінює NPV NPV можна виразити через чутливість Se, специфічність Sp і поширеність Prev: NPV = Sp × (1 − Prev) / [(1 − Se) × Prev + Sp × (1 − Prev)]. У чисельнику стоять очікувані істинно негативні результати: частка людей без стану (1 − Prev), помножена на ймовірність правильного негативного результату серед них (Sp). У знаменнику до істинно негативних додаються очікувані хибнонегативні: частка людей зі станом Prev, помножена на (1 − Se). Коли поширеність низька, людей без стану дуже багато. Навіть за неідеальної специфічності серед негативних результатів накопичується велика кількість TN, а абсолютна кількість FN часто залишається невеликою. NPV тому може бути надзвичайно високою. Коли поширеність зростає, у вихідній популяції більше людей зі станом. Навіть за тієї самої чутливості збільшується абсолютна кількість FN. Вони потрапляють у знаменник TN + FN і знижують NPV. Це не дефект NPV, а її сутність як посттестової ймовірності. Базова частота і поширеність є частиною значення результату, а не стороннім статистичним шумом. Один і той самий тест у трьох популяціях Розглянемо умовний навчальний тест із чутливістю 90% і специфічністю 90%. Ми не описуємо реальний психологічний інструмент; приклад потрібний лише для демонстрації математики NPV. Поширеність 1% У 1000 людей стан мають 10. За чутливості 90% тест знайде 9 істинно позитивних і пропустить 1 випадок (FN). Стану не мають 990 людей; за специфічності 90% отримаємо 891 істинно негативний результат і 99 хибнопозитивних. Серед негативних результатів маємо 891 TN і 1 FN. NPV = 891 / 892 ≈ 99,89%. Негативний результат тут майже завжди істинно негативний, головним чином тому, що сам стан у популяції рідкісний. Поширеність 10% У 1000 людей стан мають 100. Отримаємо приблизно 90 TP і 10 FN. Із 900 людей без стану — 810 TN і 90 FP. Серед негативних результатів: 810 TN + 10 FN. NPV = 810 / 820 ≈ 98,78%. Характеристики тесту не змінилися, але NPV уже нижча, бо серед негативних результатів стало більше пропущених випадків. Поширеність 30% У 1000 людей стан мають 300. Отримаємо 270 TP і 30 FN. Серед 700 людей без стану — 630 TN і 70 FP. Серед усіх негативних результатів тепер 630 TN + 30 FN. NPV = 630 / 660 ≈ 95,45%. Тест має ті самі sensitivity і specificity 90%, але негативний результат означає вже іншу посттестову ймовірність. За поширеності 50% у цій самій умовній моделі NPV дорівнювала б 90%. Тобто різниця між 99,89% і 90% виникає без жодної зміни самого алгоритму класифікації — змінюється лише стартова частота стану. Поширеність, base rate і передтестова ймовірність Поширеність — частка людей із цільовим станом у визначеній популяції та часовому контексті. Base rate — ширша вихідна частота класу або події. Передтестова ймовірність — оцінка ймовірності стану до врахування нового тесту для конкретної клінічної або дослідницької ситуації. У масовому скринінгу передтестову ймовірність часто наближено задає поширеність у цільовій популяції. У спеціалізованій клініці вона може бути набагато вищою, бо туди вже приходять люди з симптомами, направленням або факторами ризику. Для конкретної людини загальнопопуляційна prevalence — лише стартовий орієнтир. Вік, контекст звернення, симптоми, тривалість, попередні результати, коморбідність та інші дані можуть зміщувати передтестову ймовірність. Саме тому NPV із однієї публікації не переноситься механічно на будь-якого користувача тесту. Коли потрібно явно перейти від передтестової до післятестової ймовірності, корисними є відношення правдоподібності LR+ і LR−. Для негативного результату LR− = (1 − sensitivity) / specificity, після чого передтестові odds множаться на LR− для отримання післятестових odds. NPV — не універсальна властивість тесту Стандарти звітування діагностичної точності STARD 2015 відносять predictive values до оцінок точності й наголошують на необхідності подавати самі оцінки разом з їхньою точністю, наприклад 95% довірчими інтервалами. Вони також підкреслюють, що результати accuracy study можуть бути непридатними для іншої групи пацієнтів або іншого setting. Тому NPV — це оцінка для певного індексного тесту, певного порогу, певного референтного стандарту, певної цільової популяції і певного маршруту застосування. Зміни будь-якої з цих умов можуть змінити результат. Особливо обережно треба переносити NPV між первинною допомогою, спеціалізованою клінікою, онлайн-скринінгом, студентською вибіркою та загальною популяцією. Вони можуть мати дуже різний base rate і різний спектр тяжкості симптомів. Сучасний Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy розглядає діагностичну точність як окрему методологічну область, де критично важливі популяція, індексний тест, референтний стандарт, flow/timing, гетерогенність і застосовність результатів. Для систематичних оглядів таких досліджень поточним рекомендованим інструментом оцінки ризику упередження й застосовності є QUADAS-3. Він прямо охоплює дослідження тестів для діагностики, скринінгу та стадіювання. Чому NPV із case-control дослідження може вводити в оману У класичному діагностичному case-control дизайні дослідник окремо набирає групу людей зі станом і групу без стану. Частка «випадків» тоді задається дизайном, а не реальною поширеністю стану в клінічному потоці. Sensitivity і specificity за певних умов можна оцінювати в такому дизайні, хоча spectrum bias та спосіб відбору все одно можуть їх спотворювати. Натомість сирі PPV і NPV, розраховані просто з такого штучного співвідношення випадків/контрольних учасників, не мають природної клінічної інтерпретації як прогностичні цінності реальної популяції. Щоб отримати клінічно релевантну NPV, потрібна реалістична або зовнішньо задана передтестова ймовірність. Саме тому публікація таблиці 2×2 без опису дизайну і способу набору учасників ще не гарантує, що NPV можна переносити в практику. NPV у психологічному та психіатричному скринінгу Психологічні опитувальники часто дають безперервний score. Щоб оцінити їх як скринінгові інструменти, дослідники обирають cutoff, перетворюють score на умовно «позитивний/негативний» результат і порівнюють його з незалежним референтним стандартом, наприклад структурованим або напівструктурованим діагностичним інтерв’ю. У великому individual participant data meta-analysis PHQ-9 для скринінгу великого депресивного розладу Negeri та співавтори показали, що оцінки sensitivity і specificity залежать, зокрема, від типу референтного інтерв’ю та характеристик учасників. Це ілюструє, чому NPV психологічного скринінгу не слід відривати від методів конкретного дослідження. В іншому IPD meta-analysis для HADS-D Wu та співавтори подавали PPV і NPV для кількох cutoff і діапазону prevalence великої депресії 5–25%. NPV змінювалася разом із поширеністю та порогом, хоча йшлося про той самий інструмент. Систематичний огляд Neulinger та співавторів щодо screening tools для психічних розладів у первинній допомозі також використовував sensitivity, specificity, PPV і NPV як окремі показники діагностичної точності. Це підкреслює: NPV є established measure у screening accuracy, а не окремим «коефіцієнтом психометричної якості» на кшталт reliability. Скринінг не дорівнює діагнозу Скринінгова шкала призначена для первинного виявлення людей із підвищеною ймовірністю стану або потребою в подальшій оцінці. Діагностика — ширший процес, що спирається на діагностичні критерії, клінічне оцінювання, контекст, диференційні пояснення, функціонування, анамнез та інші релевантні дані. Для психічних, поведінкових і нейророзвиткових розладів ICD-11 Clinical Descriptions and Diagnostic Requirements ВООЗ є клінічним діагностичним керівництвом. Скринінговий score сам по собі не замінює такого діагностичного процесу. Негативний скринінг тому слід тлумачити як інформацію, що змінює ймовірність, а не як логічне заперечення діагнозу. Якщо NPV 95%, це не означає «стану немає». Це означає, що в досліджуваній або релевантній популяції приблизно 95 зі 100 негативних результатів відповідали відсутності стану, а приблизно 5 зі 100 — ні. У YMYL-контексті особливо важливо врахувати ціну хибнонегативного результату. Якщо пропуск стану може мати серйозні наслідки, прийнятний рівень залишкового ризику може бути нижчим, ніж у низькоризиковій ситуації. Це вже рішення про використання тесту, а не властивість самої формули NPV. Негативний результат: коли він справді заспокоює Негативний результат є найбільш інформативним, коли передтестова ймовірність не надто висока, тест має достатню чутливість для цільового стану, застосовано валідований cutoff, умови використання відповідають тим, у яких отримано evidence, а референтна популяція схожа на людину або групу, яку зараз оцінюють. Корисно також знати 95% CI для NPV. Точкова оцінка 98% у невеликій вибірці може мати широкий інтервал невизначеності. STARD рекомендує звітувати estimates of diagnostic accuracy разом із precision, оскільки маленькі вибірки можуть створювати надмірно оптимістичне враження. Ще одна умова — достатньо близький у часі референтний стандарт. Якщо стан може швидко змінюватися, довга затримка між скринінгом та підтверджувальним інтерв’ю створює додаткову невизначеність: тест і reference standard можуть фактично оцінювати різні моменти. Для самозвітних шкал важливі також розуміння запитань, готовність повідомляти симптоми, мовна й культурна адаптація, формат адміністрування та контекст безпеки. Негативний score при систематичному недоповідомленні симптомів не набуває магічної надійності лише тому, що в іншому дослідженні NPV була високою. Коли негативний результат не завершує оцінку Негативний результат не повинен автоматично завершувати оцінку, якщо передтестова ймовірність висока: наприклад, людина вже має виражені симптоми, значне порушення функціонування, попередній діагноз, сильні фактори ризику або направлення до спеціалізованої служби. Так само обережність потрібна, якщо інструмент не валідований для цієї вікової, мовної, культурної чи клінічної групи; якщо cutoff перенесено з іншої популяції без перевірки; якщо шкала має низьку sensitivity щодо важливого підтипу; якщо reference standard у валідаційному дослідженні був слабким; або якщо confidence interval навколо NPV широкий. У практиці це означає просте правило: негативний скринінговий результат зменшує підозру настільки, наскільки це підтверджує evidence для конкретного тесту та конкретної ситуації. Він не скасовує клінічні дані, які суперечать скринінговому результату. Порогове значення (cutoff) змінює NPV Для безперервної шкали cutoff визначає, які scores вважати позитивними й негативними. Зміщення порогу змінює кількість TP, FP, TN і FN, отже змінює sensitivity, specificity, PPV і NPV. Якщо поріг знижують, тест зазвичай ловить більше випадків: sensitivity зростає, FN стає менше, але FP може стати більше й specificity знизжується. Для NPV зменшення FN часто підвищує значення, але точний ефект залежить від усієї таблиці 2×2 і prevalence. Якщо поріг підвищують, негативних результатів стає більше, але серед них може зростати частка пропущених cases. Тому NPV потрібно оцінювати саме для конкретного cutoff, а не для «тесту взагалі». Cutoff також не є універсальною онтологічною межею «розлад є / розладу немає». Він є операційним правилом класифікації, обраним під певну мету, баланс наслідків і популяцію. NPV і ROC/AUC ROC-крива описує компроміс між sensitivity і false-positive rate при різних порогах. AUC узагальнює здатність score розрізняти дві групи по всьому діапазону порогів. NPV відповідає на інше запитання: що означає конкретний негативний результат за конкретного порогу і конкретної поширеності. Високий AUC не гарантує високу NPV у будь-якому setting. Так само висока NPV у популяції з дуже низькою prevalence не доводить, що AUC високий або що тест має добру clinical utility. Clinical utility потребує ще ширшого аналізу: що відбувається після результату, чи змінює тест рішення, які наслідки хибнопозитивних і хибнонегативних результатів, чи доступне підтвердження, яке лікування або втручання має сенс і які витрати/ризики створює маршрут. NPV і predictive validity — різні поняття Термін predictive value легко сплутати з прогностичною валідністю. Це різні концепти. Negative predictive value належить до мови бінарної діагностичної або скринінгової класифікації. Вона описує частку істинно негативних серед усіх негативних результатів і залежить від prevalence. Predictive validity у психометрії стосується того, наскільки scores тесту підтримують прогноз майбутнього зовнішнього критерію: наприклад, чи передбачає вступний бал подальший академічний результат. Це evidence щодо intended interpretation/use, а не NPV. Тому «прогностична цінність» у diagnostic accuracy і «прогностична валідність» у психометрії мають схожі слова, але різну математичну структуру, різні знаменники та різні дослідницькі запитання. NPV не є показником надійності тесту Надійність стосується відтворюваності та точності вимірювання: наскільки scores стабільні або узгоджені за відповідних умов. NPV стосується правильності негативної класифікації відносно цільового стану та reference standard. Тест може мати високу internal consistency і слабку NPV для певного cutoff у конкретному setting. І навпаки, висока NPV в низькопоширеній популяції не доводить високої reliability шкали. У сучасних Standards for Educational and Psychological Testing AERA/APA/NCME валідність розглядається через evidence, що підтримує intended interpretations and uses score. NPV може бути важливою частиною evidence для конкретного класифікаційного використання, але вона не замінює весь комплекс валідності, надійності, fairness та наслідків використання. Мовна й культурна адаптація може змінити прогностичну цінність Переклад опитувальника не гарантує, що його cutoff, sensitivity, specificity або NPV збережуться. Зміна формулювань, способу відповіді, культурної інтерпретації симптомів, способу набору вибірки або reference standard може змінити класифікаційні властивості. Тому наявність українського перекладу ще не означає наявності валідованої української адаптації, а наявність валідованої адаптації не означає, що один і той самий NPV працює в кожній українській популяції. Потрібно дивитися, де саме, на кому й для якої мети отримано ці estimates. IP/licensing і psychometric quality — окремі питання. Інструмент може бути легально доступним і методологічно слабким або, навпаки, мати сильну evidence base, але бути proprietary. NPV нічого не говорить про ліцензійний статус. NPV = 100% не означає абсолютної гарантії У невеликій вибірці може трапитися, що серед негативних результатів не спостерігали жодного FN. Тоді point estimate NPV дорівнює 100%. Це не доводить, що хибнонегативні результати неможливі. Потрібно дивитися на розмір вибірки, кількість negative results, кількість учасників зі станом, 95% CI, дизайн і реплікації. Нуль спостережених помилок у малій групі створює невизначеність, а не логічну неможливість помилки. Особливо підозріло виглядає «ідеальна» NPV, якщо дослідження включало дуже мало cases, мало негативних результатів або сильний spectrum restriction. Показник має читатися разом із сирими числами 2×2, а не тільки з красивим відсотком. Чому 95% NPV може бути достатньо в одному контексті й недостатньо в іншому Статистична точність і рішення — різні рівні. NPV = 95% означає приблизно 5% ймовірності цільового стану серед людей із негативним тестом у відповідній популяції. Чи прийнятний такий залишковий ризик, залежить від наслідків пропуску та від того, що роблять далі. Для низькоризикового дослідницького відбору 5% може мати одне значення. Для стану, де пропуск пов’язаний із серйозною шкодою, — інше. Для ситуації, де існує простий і безпечний підтверджувальний етап, рішення також буде іншим. Отже, не існує універсальної «хорошої NPV» на кшталт магічного порогу 90%, 95% або 99%. Показник потрібно зіставляти з intended use, base rate, uncertainty та наслідками false negatives. Як правильно читати NPV у науковій статті Перед тим як прийняти NPV за орієнтир, варто поставити кілька запитань. Яка саме популяція досліджувалася? Яка була prevalence цільового стану? Чи відображає вона вашу ситуацію? Який cutoff застосовано? Чи був cutoff визначений до аналізу чи оптимізований на тій самій вибірці? Далі: який reference standard використано і чи був він незалежним від індексного тесту? Чи всі учасники отримали reference standard, чи лише частина? Який проміжок часу між тестом і підтвердженням? Чи були пропущені дані? Чи засліплювали оцінювачів? Потрібно також подивитися на 2×2 counts, а не тільки на відсотки: скільки TN і FN фактично спостерігали. NPV 99% на 99 TN і 1 FN дає іншу точність, ніж 9900 TN і 100 FN, хоча відсоток однаковий. І нарешті: чи подано confidence interval, чи була зовнішня валідація, чи повторювався результат в інших setting, мовах і популяціях, і чи не суперечить клінічне застосування тому, для чого інструмент був валідований. Типові помилки інтерпретації Помилка 1. «NPV 95% означає, що тест має 95% точності». Ні. NPV стосується лише негативних результатів і не описує загальну accuracy, PPV, sensitivity, specificity, calibration чи clinical utility. Помилка 2. «NPV — це specificity». Ні. Specificity умовиться на відсутності стану; NPV умовиться на негативному результаті тесту. Помилка 3. «NPV не залежить від prevalence». Залежить безпосередньо. Зміна базової частоти може суттєво змінити NPV навіть при тих самих Se і Sp. Помилка 4. «Негативний скринінг виключає діагноз». Ні. Скринінг змінює ймовірність і визначає маршрут подальшого оцінювання; діагноз потребує ширшої процедури. Помилка 5. «Висока NPV означає, що cutoff універсальний». Ні. NPV оцінено для конкретного порогу й популяції; інший cutoff змінює 2×2 таблицю. Помилка 6. «NPV із публікації можна переносити на будь-яку країну та мову». Ні. Потрібні evidence щодо population, language/cultural adaptation, setting і intended use. Помилка 7. «100% NPV означає неможливість хибнонегативного результату». Ні. Треба врахувати вибірку й невизначеність. Помилка 8. «Висока NPV доводить валідність тесту загалом». Ні. Це лише один показник для конкретного класифікаційного використання. Помилка 9. «Низька NPV завжди означає поганий тест». Не обов’язково. У популяції з дуже високою prevalence навіть сильний тест може мати нижчу NPV; рішення треба оцінювати разом із LR−, sensitivity, specificity та наслідками. Помилка 10. «NPV можна оцінити без reference standard». Ні. Щоб знати, який негативний результат істинний, потрібен зовнішній критерій, що визначає status цільового стану. Практичний алгоритм тлумачення негативного скринінгу Крок 1. Уточніть, що саме означає «негативний» результат: який інструмент, версія, мова, cutoff і період симптомів. Крок 2. Визначте цільовий стан і reference standard, відносно якого була оцінена NPV. Якщо дослідження перевіряло іншу конструкцію або інший діагноз, цифра не переноситься автоматично. Крок 3. Оцініть, наскільки ваша популяція схожа на валідаційну вибірку: загальна популяція, первинна допомога, спеціалізована клініка, підлітки, дорослі, люди з соматичними хворобами тощо. Крок 4. Знайдіть передтестову ймовірність або релевантну поширеність. Якщо вона суттєво відрізняється від дослідження, опублікована NPV може бути слабким наближенням. Крок 5. Перевірте sensitivity, specificity і LR− для того самого cutoff. Низька sensitivity збільшує ризик FN; LR− показує, наскільки негативний результат зменшує odds стану. Крок 6. Подивіться на confidence interval і сирі counts TN/FN. Точкова оцінка без precision може створювати хибну впевненість. Крок 7. Врахуйте наслідки пропуску. Якщо ціна FN висока або клінічна підозра залишається значною, негативний скринінговий результат може вимагати подальшої оцінки. Крок 8. Не перетворюйте screening classification на діагноз або «остаточне виключення». Результат тесту — один фрагмент evidence в ширшому процесі оцінювання. Науковий статус: що встановлено, а що залежить від контексту Добре встановлено: NPV є стандартною мірою діагностичної/скринінгової точності та визначається як TN/(TN+FN). Її залежність від prevalence або pre-test probability випливає з базової теорії умовних імовірностей і підтверджена методологічною літературою. Добре встановлено: NPV, PPV, sensitivity і specificity відповідають на різні умовні запитання й не можуть взаємозамінюватися. Predictive value також не тотожна predictive validity у психометрії. Добре встановлено: estimates of diagnostic accuracy потребують оцінки uncertainty, risk of bias та applicability. STARD, Cochrane DTA methodology і QUADAS саме тому вимагають опису selection, index test, reference standard, flow/timing та precision. Контекстно залежить: конкретне числове значення NPV для конкретного психологічного опитувальника. Воно залежить від cutoff, reference standard, setting, sample spectrum, prevalence, мови й адаптації. Обґрунтоване тлумачення: якщо validation study проведене в дуже близькій популяції та setting, опублікована NPV може бути корисним наближенням для практичної інтерпретації. Наскільки близькою має бути популяція — окреме професійне судження, а не універсальна формула. Методологічно слабка практика: подавати одну NPV як незмінну «характеристику тесту» без контексту або використовувати її для автоматичного встановлення/виключення психічного розладу. Така інтерпретація виходить за межі того, що показник реально означає. NPV у дослідженнях: що варто звітувати Для прозорого звітування недостатньо написати «NPV = 0,96». Потрібно подати або зробити відновлюваними TP, FP, TN, FN; чітко визначити позитивний і негативний результат; назвати cutoff; описати population і setting; повідомити prevalence; вказати reference standard; подати 95% CI. Корисно також описати, чи cutoff був prespecified, чи підібраний на тих самих даних; як поводилися з missing data та indeterminate results; чи всі учасники отримали reference standard; чи були assessors blinded; який був інтервал між index і reference tests. Якщо NPV прогнозується для кількох можливих prevalence, слід ясно сказати, що це модельовані post-test probabilities, а не прямі спостереження в кожній такій популяції. У метааналізах DTA зазвичай не варто просто усереднювати NPV між дослідженнями з дуже різною prevalence. Більш інформативно моделювати sensitivity/specificity і heterogeneity, а predictive values показувати для конкретних передтестових імовірностей. Українська термінологія В українських офіційних клінічних документах уживається форма «негативна прогностична цінність» і скорочення НПЦ; це можна бачити, зокрема, у матеріалах Державного експертного центру МОЗ України. В академічних текстах трапляється також «негативне прогностичне значення». У цій статті canonical term — «негативна прогностична цінність (NPV)», оскільки вона узгоджується з міжнародним negative predictive value і з термінологією кластера. Варіант «негативне прогностичне значення» можна читати як синонімічний у відповідному контексті, але його не слід плутати з прогностичною валідністю. Запитання і відповіді Що означає NPV 95%? У релевантній популяції та за умов, у яких її оцінено, приблизно 95% усіх негативних результатів відповідають відсутності цільового стану, а приблизно 5% — хибнонегативні. Це не означає 95% «загальної точності» тесту. Чи є висока NPV доказом, що розладу немає? Ні. Висока NPV означає низьку залишкову ймовірність стану серед негативних результатів у відповідному setting. Вона не перетворює ймовірнісну оцінку на абсолютну гарантію і не замінює клінічної оцінки. Чому NPV падає, коли поширеність зростає? Бо за тієї самої sensitivity серед більшої кількості людей зі станом абсолютна кількість FN зростає. FN входять у знаменник TN + FN і знижують частку TN серед усіх негативних результатів. Що сильніше впливає на NPV — sensitivity чи specificity? Обидві величини входять у формулу разом із prevalence. Низька sensitivity напряму збільшує FN, а specificity визначає кількість TN серед людей без стану. Вплив кожної залежить від базової частоти і конкретних значень. Чи можна порівнювати NPV двох тестів із різних досліджень? Лише дуже обережно. Якщо дослідження мають різну prevalence, population spectrum, reference standard або cutoff, різниця NPV може відображати контекст, а не перевагу одного тесту. Чим NPV відрізняється від LR−? NPV одразу дає частку істинно негативних серед усіх негативних результатів у певній популяції. LR− описує, у скільки разів негативний результат змінює odds стану; його можна комбінувати з різними pre-test probabilities для отримання post-test probability. Чи можна порахувати NPV з sensitivity і specificity? Так, якщо відома або задана prevalence/pre-test probability. Без неї однозначної NPV немає. Саме це відрізняє predictive values від уявлення про них як про фіксовані властивості тесту. Чи потрібна NPV для шкали, яка просто вимірює вираженість симптомів? Не завжди. Якщо шкала використовується як безперервний outcome measure без бінарного cutoff і без reference standard «стан є/немає», NPV може бути взагалі нерелевантною. Вона виникає тоді, коли score використовується для класифікації. Що робити, якщо NPV не повідомлена в статті? Якщо є повна таблиця 2×2, її можна обчислити як TN/(TN+FN). Якщо є лише sensitivity і specificity, потрібна ще prevalence. Якщо дизайн штучно задавав частку випадків/контрольних учасників, прямий розрахунок NPV із вибірки може бути непридатним для клінічної популяції. Чи може тест мати одночасно високу NPV і низьку PPV? Так. Це типовий сценарій за низької prevalence: більшість негативних результатів можуть бути істинно негативними, тоді як серед позитивних відносно багато хибнопозитивних. Саме тому PPV і NPV треба читати разом із base rate. Чи достатньо NPV для вибору скринінгового тесту? Ні. Потрібні sensitivity, specificity, PPV, LR, uncertainty, validity evidence, reliability, fairness, feasibility, наслідки помилок і intended use. Для психологічного тесту важливі також стандартизація, мовна/культурна адаптація та етичне застосування. Пов’язані статті Базова частота і поширеність: чому base rate змінює значення позитивного та негативного результату тесту — базова сторінка про prevalence, pre-test probability, PPV і NPV. Відношення правдоподібності (LR+ і LR−): як результат тесту змінює ймовірність стану — як переходити від передтестової до післятестової ймовірності. Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів — ширший контекст надійності, валідності, норм і вимірювання. Психологічна оцінка й оцінювання: що це, як проходить і чим відрізняється від тестування — чому один score або screen не замінює комплексної оцінки. Прогностична валідність: наскільки тест передбачає майбутній критерій і чому прогноз не є долею — окремий психометричний концепт, який не слід плутати з predictive value. Теорія виявлення сигналу: як рішення про стимул залежать від чутливості та критерію — споріднена рамка для порогів, сигналу, шуму та рішень. Джерела Altman DG, Bland JM. Diagnostic tests 2: predictive values. BMJ. 1994;309:102. American Educational Research Association, American Psychological Association, National Council on Measurement in Education. Standards for Educational and Psychological Testing. 2014. Cochrane. Handbook for Systematic Reviews of Diagnostic Test Accuracy. Cohen JF, Korevaar DA, Altman DG, et al. STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open. 2016;6:e012799. Державний експертний центр МОЗ України. Адаптована клінічна настанова, заснована на доказах: вірусний гепатит B. 2016. Leeflang MMG, Rutjes AWS, Reitsma JB, Hooft L, Bossuyt PMM. Variation of a test’s sensitivity and specificity with disease prevalence. CMAJ. 2013;185:E537–E544. Negeri ZF, Levis B, Sun Y, et al. Accuracy of the Patient Health Questionnaire-9 for screening to detect major depression: updated systematic review and individual participant data meta-analysis. BMJ. 2021;375:n2183. Neulinger B, Ebert C, Lochbühler K, et al. Screening tools assessing mental illness in primary care: a systematic review. European Journal of General Practice. 2024;30:2418299. University of Bristol. QUADAS-3: current tool for assessing risk of bias and applicability in diagnostic accuracy studies. World Health Organization. Clinical descriptions and diagnostic requirements for ICD-11 mental, behavioural and neurodevelopmental disorders. 2024. Wu Y, Levis B, Sun Y, et al. Accuracy of the Hospital Anxiety and Depression Scale Depression subscale (HADS-D) to screen for major depression: systematic review and individual participant data meta-analysis. BMJ. 2021;373:n972.

Автор: Український психологічний ХАБ · Опубліковано: 19 вересня 2023 · Редакційна політика Структура особистості — це спосіб описати, як відносно стійкі риси, мотиви, способи саморегуляції, ідентичність і характерні способи взаємодії утворюють організований психологічний профіль людини. У сучасній психології немає однієї універсальної «схеми особистості»: різні моделі відповідають на різні запитання й вимірюють різні рівні. Найважливіше розрізнення: структура особистості не є анатомічною будовою мозку, не є діагнозом і не зводиться до набору «частин», які можна буквально знайти всередині людини. Це теоретичний і дослідницький спосіб упорядкувати відносно стійкі індивідуальні відмінності та процеси, що формують поведінку в різних ситуаціях. У цій статті «структура особистості» використовується як широке поняття. Окремо існують психічна структура, фройдівська структурна модель Воно–Я–Над-Я, юнгіанські моделі психіки, клінічна модель організації особистості Кернберга, п’ятифакторна модель рис і HEXACO. Вони пов’язані, але не є взаємозамінними. Що означає «структура особистості» Коли психолог говорить про структуру особистості, він зазвичай має на увазі не випадковий перелік властивостей, а відносно стійку організацію психологічних відмінностей. Це можуть бути широкі риси, типові мотиви, способи оцінювати ситуації, звичні стратегії саморегуляції, уявлення про себе, патерни стосунків і життєві цілі. Слово «структура» тут означає порядок і взаємозв’язок. Дві людини можуть мати схожий рівень екстраверсії, але відрізнятися за цілями, цінностями, стилем прихильності, здатністю регулювати емоції та способом пояснювати власну біографію. Тому одна шкала рис не вичерпує особистість як цілісність. Чому немає однієї універсальної моделі Моделі особистості створювалися для різних завдань. Одні намагаються компактно описати індивідуальні відмінності між людьми. Інші пояснюють внутрішній конфлікт, розвиток ідентичності або способи психологічної адаптації. Клінічні моделі оцінюють якість функціонування особистості та тяжкість порушень. Через це запитання «з яких частин складається особистість?» не має однієї наукової відповіді. Коректніше питати: який рівень опису нас цікавить? Якщо йдеться про широкі риси — доречні Big Five або HEXACO. Якщо про життєві цілі, адаптації й особисті смисли — потрібні ширші інтегративні рамки. Якщо про психодинамічну клінічну організацію — це вже інший клас моделей. Структура особистості, психіка, характер і темперамент — різні поняття «Психіка» — ширше поняття, яке охоплює психічні процеси, стани й функції: сприймання, пам’ять, увагу, емоції, мислення та інші явища. «Особистість» стосується організованих індивідуальних відмінностей, способів саморегуляції, мотивації, ідентичності та соціального функціонування. «Характер» у різних традиціях означає відносно стійкі способи поведінки й ставлення, а «темперамент» — переважно ранні та біологічно пов’язані особливості реактивності й саморегуляції. У повсякденній мові ці слова часто змішують, але в науковому тексті краще не використовувати їх як синоніми. П’ятифакторна модель: структура широких рис Один із найвпливовіших сучасних способів описувати структуру рис — п’ятифакторна модель, або Big Five. У ній широкі індивідуальні відмінності узагальнюють через нейротизм, екстраверсію, відкритість до досвіду, доброзичливість і сумлінність. Назви та конкретні операціоналізації можуть дещо різнитися між опитувальниками й дослідницькими традиціями. Важливо: Big Five — не п’ять «модулів» мозку і не п’ять прихованих сутностей, що буквально керують поведінкою. Це статистично узагальнена структура багатьох описів рис. Класичні роботи Льюїса Голдберга показали, що п’ятифакторна організація відтворюється на великих наборах мовних описів особистості. Свіжа методологічна дискусія посилює це уточнення. У 2026 році Майкл Ґрос запропонував розглядати великі п’ять факторів передусім як композити вужчих характеристик, а не як п’ять прихованих причин усіх відповідей і форм поведінки. Це не скасовує користі Big Five для опису й прогнозування, але застерігає від буквального онтологічного тлумачення факторів. HEXACO: альтернативна шестифакторна структура HEXACO — інша емпірична модель широких рис. Вона описує шість доменів: чесність-скромність, емоційність, екстраверсію, доброзичливість, сумлінність і відкритість до досвіду. Її психолексичні підстави сформувалися на матеріалі кількох мов, а фактор чесності-скромності став однією з головних відмінностей від п’ятифакторних схем. HEXACO не варто пояснювати як «Big Five плюс одна додаткова риса». Частина факторів перекривається, але їхній зміст і розподіл окремих характеристик відрізняються. Вибір між моделями залежить від дослідницького запитання та інструменту. Чому навіть хороша модель рис не описує всю особистість Модель рис добре відповідає на запитання «які стійкі тенденції відрізняють цю людину від інших?». Вона гірше відповідає на запитання «чого людина прагне саме зараз?», «які ролі для неї важливі?», «як вона пояснює власне життя?» або «як змінюється її поведінка в конкретному контексті». У відомій інтегративній рамці Ден Мак-Адамс і Дженніфер Палс запропонували розглядати особистість як поєднання диспозиційних рис, характерних адаптацій, життєвих наративів, людської природи та культурного контексту. Така логіка добре показує, чому «структура рис» і «структура особистості в цілому» — не тотожні поняття. Дослідження 2026 року про центральні для самоопису риси теж показує межі суто популяційної таксономії: Big Five добре узагальнює групові закономірності, але для окремої людини найбільш центральні й суб’єктивно значущі характеристики можуть організовуватися інакше. Тобто групова карта не завжди дорівнює індивідуальній психологічній карті. Що дають Фройд і Юнг — і чого вони не дають У Зиґмунда Фройда слово «структура» пов’язане насамперед з історичною психоаналітичною моделлю Воно, Я і Над-Я. Вона описує психічні інстанції та конфлікти, а не сучасну факторну структуру рис. Тому запит «структура особистості за Фройдом» краще вести до окремої канонічної сторінки про структурну модель Фройда. Карл Густав Юнг описував свідомість, особисте й колективне несвідоме, комплекси та архетипні структури в межах аналітичної психології. Це історично й культурно впливова теоретична система, але вона також не є сучасною психометричною таксономією рис. Фройд і Юнг важливі для історії уявлень про особистість, однак їхні моделі відповідають на інші запитання, ніж Big Five або HEXACO. Поєднувати всі ці схеми в одну таблицю «складових особистості» — означає змішувати різні рівні теорії. Кернберг: структура як організація особистості У Отто Кернберга структурний підхід має клінічне психодинамічне значення. Його модель оцінює не перелік рис, а рівень організації особистості через інтеграцію ідентичності, характер захисних механізмів і здатність тестувати реальність. Саме тому кернбергівська «організація особистості» не є ще однією версією Big Five. Ця рамка особливо важлива для розуміння невротичного, межового та психотичного рівнів організації в психодинамічній традиції. Вона має власні методи структурної оцінки, зокрема структурне інтерв’ю та пізніше STIPO. Для неї на Українському психологічному ХАБі існують окремі канонічні матеріали. Сучасне поняття функціонування особистості У сучасній клінічній психології та психіатрії окремо розвивається поняття функціонування особистості. Воно стосується якості самосприйняття, ідентичності, самоспрямування та міжособистісного функціонування й використовується в сучасних вимірних підходах до розладів особистості. Це поняття близьке до деяких історичних структурних і психодинамічних ідей, але не тотожне їм. Сучасна література прямо обговорює кілька можливих концептуалізацій функціонування особистості, тому навіть тут немає підстав зводити різні традиції до однієї «правильної» схеми. Чи можна побачити структуру особистості на МРТ Ні одна сучасна модель рис не має простої анатомічної відповідності на кшталт «екстраверсія розташована тут, а сумлінність — там». Систематичний огляд і метааналіз досліджень структурної нейровізуалізації Big Five не виявив надійно відтворюваних зв’язків між п’ятьма рисами та структурними показниками мозку. Це не означає, що біологія не має значення для особистості. Йдеться про інше: складні психологічні риси не можна перетворювати на спрощену карту окремих ділянок мозку. Особистісні відмінності формуються на перетині біологічних, розвиткових, соціальних і культурних процесів. Як психологи вимірюють структуру особистості Метод залежить від того, що саме потрібно виміряти. Для широких рис використовують стандартизовані опитувальники Big Five або HEXACO та їхні домени й фасети. Для цілей, мотивів і характерних адаптацій потрібні інші методики. Для клінічного функціонування та психодинамічної організації застосовують спеціалізовані інтерв’ю й шкали. Тому універсального «тесту на структуру особистості» не існує. Будь-який інструмент має власний конструкт, валідність, межі й цільову сферу. Результат онлайн-тесту не є діагнозом і не дає підстав самостійно визначати «тип структури» або психічний розлад. Окремий ризик для оцінювання особистості — суб’єктивна переконливість загальних формулювань. Ефект Барнума–Форера показує, що універсальний профіль може здаватися дуже точним навіть тоді, коли його не виведено з індивідуальних відповідей. Саме тому якість особистісного інструмента оцінюють за психометричними даними, а не за самим відчуттям «це про мене». Чи змінюється структура особистості протягом життя Риси особистості мають відносну стабільність, але не є незмінними. Середні рівні рис можуть змінюватися з віком, досвідом, ролями та життєвими подіями, а індивідуальні траєкторії відрізняються. Цілі, цінності, життєві наративи та способи адаптації часто змінюються ще помітніше. Тому «структура» не означає застиглу конструкцію. Вона позначає відносну організованість, яка може мати і стабільні, і пластичні компоненти. Поширені помилки Помилка 1: «структура особистості — це Ід, Его і Суперего». Це лише одна історична психоаналітична модель, а не універсальне визначення. Помилка 2: «Big Five описує всю особистість». П’ятифакторна модель добре структурує широкі риси, але не вичерпує цілі, адаптації, життєві історії, контекст і клінічне функціонування. Помилка 3: «HEXACO — те саме, що Big Five, тільки з шостою рисою». Моделі частково перекриваються, але мають різну факторну організацію. Помилка 4: «структура особистості визначає діагноз». Теоретична або психометрична структура не є діагностичним висновком. Клінічна діагностика потребує окремих критеріїв і професійної оцінки. Помилка 5: «якщо риси стабільні, люди не змінюються». Стабільність означає статистичну відносність, а не незмінність конкретної людини. Як читати різні моделі без плутанини Зручно тримати чотири рівні окремо. Перший — опис широких рис: Big Five, HEXACO. Другий — інтегративний опис цілісної особистості: риси, адаптації, цілі, наративи й контекст. Третій — історичні теоретичні моделі Фройда, Юнга та інших авторів. Четвертий — клінічні моделі організації та функціонування особистості. Така карта дозволяє не сперечатися, яка модель «правильніша» взагалі, а запитувати, яку проблему вона вирішує, які дані її підтримують і де проходять її межі. Часті запитання Що таке структура особистості простими словами? Це спосіб описати, як відносно стійкі риси, мотиви, способи саморегуляції, ідентичність та інші психологічні характеристики утворюють організований профіль людини. Яка структура особистості вважається науково правильною? Єдиної універсальної структури немає. Для широких рис добре досліджені Big Five і HEXACO; для інших аспектів особистості використовують інші моделі. Чи входять Ід, Его і Суперего до сучасної структури особистості? Вони належать до історичної структурної моделі Фройда. У сучасній психології рис їх не використовують як п’ять або шість емпіричних факторів особистості. Чим структура особистості відрізняється від структури психіки? Структура психіки — ширше поняття про організацію психічних функцій і теоретичних моделей психіки. Структура особистості зосереджується на організації індивідуальних відмінностей, рис, мотивації, ідентичності, адаптацій і характерного функціонування. Чи можна визначити свою структуру особистості онлайн-тестом? Один онлайн-тест вимірює лише той конструкт, для якого він створений. Він може оцінювати окремі риси, але не дає універсального висновку про всю структуру особистості й не замінює клінічну оцінку. Чим модель Кернберга відрізняється від Big Five? Big Five описує широкі індивідуальні відмінності за рисами. Кернбергівська модель оцінює клінічну психодинамічну організацію особистості через ідентичність, захисти та тестування реальності. Пов’язані матеріали Українського психологічного ХАБу Особистість: що це таке, риси, структура та як вона змінюється Психічна структура: що таке структура психіки, моделі Фройда, Юнга і сучасний погляд Теорія особистості за Зиґмундом Фройдом — Ід, Его та Суперего Карл Густав Юнг: біографія, аналітична психологія, архетипи, праці та сучасна оцінка Аналітична психологія Юнга: теорія, архетипи, методи та сучасна оцінка Отто Кернберг: біографія, організація особистості, ТФП і сучасна оцінка Межова організація особистості: що це і чим відрізняється від межового розладу Екстраверсія: що це, інтроверсія, амбіверсія і сучасна наукова оцінка Пов’язані статті Особистість: що це таке, риси, структура та як вона змінюється Теорії особистості: основні підходи, моделі та сучасний погляд Риса особистості: що це, чим риси відрізняються від станів і як їх вимірюють П’ятифакторна модель особистості (Big Five): п’ять рис, OCEAN і що вона вимірює HEXACO-модель особистості: шість рис і чим вона відрізняється від Big Five Джерела Goldberg LR. An alternative “description of personality”: the Big-Five factor structure. J Pers Soc Psychol. 1990;59(6):1216–1229. PMID 2283588. Goldberg LR. The structure of phenotypic personality traits. American Psychologist. 1993;48(1):26–34. PMID 8427480. McAdams DP. The five-factor model in personality: a critical appraisal. J Pers. 1992;60(2):329–361. PMID 1635046. McAdams DP, Pals JL. A new Big Five: fundamental principles for an integrative science of personality. American Psychologist. 2006;61(3):204–217. PMID 16594837. Ashton MC et al. A six-factor structure of personality-descriptive adjectives: solutions from psycholexical studies in seven languages. J Pers Soc Psychol. 2004;86(2):356–366. PMID 14769090. Ashton MC, Lee K. Empirical, theoretical, and practical advantages of the HEXACO model of personality structure. Pers Soc Psychol Rev. 2007;11(2):150–166. PMID 18453460. Chen YW, Canli T. “Nothing to see here”: No structural brain differences as a function of the Big Five personality traits from a systematic review and meta-analysis. Personality Neuroscience. 2022;5:e8. PMID 35991756. Long EU et al. “Me in a nutshell”: Exploring the content and properties of central traits. J Pers Soc Psychol. 2026;130(4):763–785. PMID 41678237. Grosz MP. Why the Big Five personality traits are composites, not common causes: implications for measurement, prediction, and causal inference. Psychological Review. 2026. PMID 42406439. Stern BL et al. Structured Interview of Personality Organization: preliminary psychometrics in a clinical sample. J Pers Assess. 2010;92(1):35–44. PMID 20013454. Zavlis O. Personality Functioning Cannot Only Be One Thing: A Call for Theoretical Pluralism. Personality and Mental Health. 2026;20(3):e70085. PMID 42261969.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Коротка відповідь Латентна змінна — це змінна, значення якої не спостерігають безпосередньо, а представляють або оцінюють через модель на основі спостережуваних даних. У психології латентними часто моделюють такі властивості, як тривожність, інтелект, самоконтроль або певні риси особистості. Спостережувані, або маніфестні, змінні — це дані, які реально зареєстровано: відповіді на пункти опитувальника, результати завдань, поведінкові коди, час реакції, оцінки експертів чи фізіологічні показники. Огляд Кеннета Боллена показує, що в науках про поведінку існує кілька формальних способів визначати латентні змінні, тому слово «латентна» не означає одну-єдину математичну або онтологічну конструкцію. Bollen, 2002 Психологічний конструкт і латентна змінна тісно пов’язані, але це різні рівні опису. Конструкт — теоретичне поняття, яким психологія описує властивість або процес. Латентна змінна — спосіб представити неспостережувану величину в конкретній статистичній моделі. Індикатор — спостережувана ознака, яку модель пов’язує з цією величиною. Бал — результат визначеної процедури підрахунку. Тому бал за шкалою, окрема відповідь і латентний фактор не є самим психологічним конструктом. Найкорисніша формула для читання психометричних досліджень така: конструкт → операціоналізація → індикатори → модель вимірювання → бал або оцінка латентної змінної → інтерпретація. Детальніше про перехід від теоретичного поняття до процедури вимірювання дивіться у статті «Операціональне визначення: що це, навіщо потрібне і як його скласти». Чотири рівні, які найчастіше плутають Психологічний конструкт — теоретичне поняття: наприклад, робоча пам’ять, соціальна тривога, імпульсивність або доброзичливість. Латентна змінна — неспостережувана змінна в статистичній моделі, яку пов’язують зі спостережуваними даними. Індикатор — спостережувана змінна, що використовується як емпірична ознака конструкта або як компонент ширшого показника. Значення або бал — конкретний числовий чи категорійний результат для людини, групи, ситуації або моменту часу. Різниця між цими рівнями принципова. Теорія визначає, що ми хочемо вивчати; операціоналізація визначає, як це пов’язати з даними; модель вимірювання задає припущення про зв’язок між неспостережуваним і спостережуваним; підрахунок перетворює відповіді на числовий результат; інтерпретація формулює, що цей результат дозволяє стверджувати. Помилка на будь-якому переході може зробити числовий результат точним за формою, але слабким за змістом. Що таке латентна змінна У найзагальнішому сенсі латентна змінна — це величина, яка не входить до набору даних як безпосередньо зареєстроване значення, але бере участь у моделі, що пояснює структуру спостережуваних змінних. Боллен розглядає латентні змінні у факторному аналізі, теорії відповіді на завдання, латентно-класових моделях, моделях латентних кривих і структурному моделюванні та підкреслює, що різні класи моделей використовують латентність по-різному. Annual Review of Psychology Наприклад, якщо шість пунктів опитувальника про соціальну тривогу систематично спільно змінюються (коваріюють), дослідник може побудувати модель, у якій спільна частина їхньої варіації пов’язана з латентним фактором. Значення фактора не було записане під час опитування: у даних були відповіді на пункти. Латентна змінна з’являється на рівні моделі, яка описує зв’язок між цими відповідями. Латентна не означає «прихований об’єкт усередині людини» Статистична латентна змінна сама по собі не вирішує філософське питання про те, що саме існує в психіці. У психометрії є різні теоретичні позиції щодо природи психологічних конструктів. Наприклад, Борсбум, Мелленберг і ван Герден запропонували причинне трактування валідності, за яким вимірювана властивість має існувати й причинно впливати на результати вимірювання; це впливова, але не єдина концепція валідності. Borsboom et al., 2004 Дискусію про онтологічний статус психологічних конструктів і різні способи їх статистичного моделювання оглядає Fried, 2017. Тому коректніше казати: «у цій моделі конструкт представлено латентною змінною», а не «статистика довела існування прихованої сутності». Статистична модель може бути корисною, добре відтворювати структуру даних і водночас залишати відкритими питання про механізм та онтологію самого конструкта. Латентна змінна може бути безперервною або категорійною У факторних моделях латентний фактор зазвичай моделюють як безперервний континуум. У латентно-класових моделях неспостережувана змінна може бути категорійною і представляти класи або профілі. Отже, «латентна» описує спосіб доступу до змінної в моделі, а не обов’язково її шкалу чи форму розподілу. Що таке спостережувана, або маніфестна, змінна Спостережувана змінна — це змінна, значення якої є безпосередньою частиною набору даних. У психологічному дослідженні це може бути відповідь «0–3» на конкретний пункт, кількість правильних відповідей, час реакції в мілісекундах, код поведінки, оцінка клініциста за визначеною шкалою, частота події або показник фізіологічного сигналу. У літературі також вживають термін «маніфестна змінна». Для українського читача зрозумілішою основною назвою є «спостережувана змінна», а «маніфестна» корисна як синонім для впізнавання термінології структурного моделювання. Спостережувана не означає безпомилкова Те, що значення записано безпосередньо, не робить його точним відображенням конструкта. Відповідь може містити випадкову похибку, вплив формулювання, ситуації, способу адміністрування, соціальної бажаності, пам’яті, методу реєстрації та інших джерел варіації. У моделях вимірювання зв’язок між індикаторами, латентними змінними й залишковою варіацією потрібно задавати явно; без такого припущення звичні психометричні правила можуть бути оманливими. Bollen & Lennox, 1991 Важлива додаткова тонкість: залишок у факторній моделі не слід автоматично називати лише «випадковою похибкою». Він може включати специфічну для пункту систематичну варіацію, вплив методу й те, що модель не пояснила. Тому розклад варіації є властивістю моделі, а не прямою фотографією психологічної реальності. Психологічний конструкт і латентна змінна — не синоніми Конструкт належить передусім до теорії. Він задає зміст того, про що психолог робить твердження. Латентна змінна належить до моделі. Вона задає формальний спосіб представити неспостережувану величину. Один і той самий конструкт можна операціоналізувати різними інструментами й моделювати різними способами; навпаки, один латентний фактор може бути математично добре визначений, але слабко інтерпретований теоретично. Наприклад, «тривожність» може бути широким конструктом. В одному дослідженні її представляють однофакторною латентною змінною за відповідями на опитувальник. В іншому — двома корельованими факторами. У третьому досліджують окремо когнітивні, соматичні та поведінкові прояви. Зміна моделі не обов’язково означає, що змінилося саме явище; вона означає, що дослідники інакше визначили або перевірили його вимірювальну структуру. Сучасні стандарти тестування формулюють валідність через те, наскільки теорія й докази підтримують конкретні інтерпретації тестових балів для заявленого використання. Оцінюється не абстрактна «валідність тесту назавжди», а обґрунтованість певного тлумачення результатів у певному контексті. AERA, APA & NCME Standards, 2014 Від конструкта до даних: як виникає вимірювання Психометричне вимірювання починається не з формули і не з коефіцієнта. Воно починається з визначення змісту конструкта й того, які його прояви релевантні для конкретної мети. Далі дослідник вирішує, які спостережувані дані можуть представляти цей зміст і яку модель зв’язку між ними він припускає. 1. Концептуалізація: що означає конструкт і де проходять його межі. 2. Операціоналізація: які дії, ситуації, відповіді або сигнали вважатимуться емпірично релевантними. 3. Індикатори: які конкретні змінні будуть зареєстровані. 4. Модель вимірювання: як індикатори пов’язані з латентною змінною або композитом. 5. Оцінювання: як із даних отримують параметри, бали, факторні оцінки або інші підсумкові величини. 6. Валідизація: які докази підтримують заплановану інтерпретацію й використання результату. Огляд практик розроблення шкал підкреслює, що визначення домену й створення пунктів передують аналізу факторів, надійності та валідності; статистика не може виправити нечітко визначений зміст конструкта заднім числом. Boateng et al., 2018 Для клінічних опитувальників сучасні рекомендації так само поєднують концептуальне обґрунтування з послідовним розвідувальним і підтверджувальним аналізом латентної структури. Rosellini & Brown, 2021 Модель вимірювання: як пов’язують латентне зі спостережуваним У простій рефлективній однофакторній моделі спостережуваний індикатор можна схематично записати як xᵢ = νᵢ + λᵢη + εᵢ, де xᵢ — спостережувана змінна, νᵢ — її інтерцепт, η — латентний фактор, λᵢ — факторне навантаження, а εᵢ — залишкова частина. Це не універсальна формула психологічного вимірювання, а базова схема одного класу моделей. Факторне навантаження показує, наскільки сильно в межах заданої моделі індикатор пов’язаний із фактором. Воно не є «відсотком конструкта в пункті» і не доводить причинний механізм саме по собі. Величина навантаження залежить від моделі, шкалування, вибірки, специфікації та способу оцінювання. Рефлективна модель У рефлективній моделі припускають напрямок від конструкта до індикаторів: зміни латентної властивості відображаються у відповідях або інших показниках. COSMIN описує рефлективну модель саме як таку, де конструкт проявляється в пунктах; для цього типу моделей внутрішня структура, структурна валідність та внутрішня узгодженість мають особливе значення. COSMIN Manual v2.0 Якщо кілька пунктів задумано як взаємозамінні прояви одного латентного конструкта, кореляції між ними очікувані. Проте сам факт кореляції не встановлює, що всі вони є чистими проявами одного й того самого психологічного механізму. Формативна модель У формативній або причинно-індикаторній моделі напрямок припущення інший: індикатори формують або визначають ширший індекс чи конструкт. У такій ситуації висока внутрішня узгодженість не є обов’язковою вимогою. Роботи Боллена і Леннокса та Едвардса і Багоцці показують, що напрямок між конструктом і показниками треба визначати теоретично, а не механічно переносити правила рефлективних шкал на будь-який набір змінних. Bollen & Lennox, 1991; Edwards & Bagozzi, 2000 Наприклад, широкий індекс соціально-економічного становища може складатися з освіти, доходу й професійного статусу. Ці компоненти не зобов’язані бути взаємозамінними «симптомами» однієї прихованої сутності. Така конструкція ближча до композиту, де зміст визначається набором складових. Приклад: опитувальник тривожності Уявімо шкалу з десяти тверджень про напруження, занепокоєння й труднощі розслабитися. Людина відповідає на кожний пункт від 0 до 3. Конструкт: тривожність у тому значенні, яке визначене теорією та метою інструменту. Спостережувані змінні: десять відповідей 0–3. Можлива латентна змінна: фактор тривожності в однофакторній моделі. Сумарний бал: детермінована функція відповідей, наприклад сума десяти пунктів. Факторний бал: статистично оцінене положення людини на латентному факторі, якщо його обчислюють. Інтерпретація: твердження про рівень вимірюваної ознаки, яке допустиме лише настільки, наскільки його підтримують валідизаційні докази для цієї популяції та мети. Тут немає рівності «конструкт = фактор = сумарний бал». Усі три рівні можуть бути пов’язані, але виконують різні функції. Сумарний бал може бути практично зручним, факторна модель — корисною для перевірки структури, а конструкт — теоретичною рамкою, без якої цифри не мають психологічного змісту. Приклад: інтелект і результати завдань У когнітивному тестуванні спостережуваними є відповіді або результати конкретних завдань. Загальний фактор, якщо його вводять у факторну модель, є латентною змінною, що описує спільну варіацію між результатами. Підсумковий стандартизований бал тесту — похідний показник, а не безпосереднє спостереження «інтелекту як такого». Саме тому різні батареї можуть мати різний набір завдань і водночас претендувати на вимірювання споріднених конструктів. Порівнювати такі результати можна лише з урахуванням моделі, норм, змісту завдань, процедури стандартизації та валідизаційних даних. Приклад: скринінг психічного здоров’я У скринінговому опитувальнику відповіді на симптомні пункти є спостережуваними даними. Латентний фактор може моделювати спільну варіацію симптомів, а сумарний бал — слугувати практичним показником для скринінгу чи моніторингу. Жоден із цих рівнів автоматично не є діагнозом. У клінічному контексті бал потрібно інтерпретувати відповідно до призначення інструменту, популяції, норм або порогів, валідності, надійності, поширеності стану та повної клінічної оцінки. Психометрична модель може описувати структуру відповідей, але не замінює діагностичний процес. Спостережуваний бал, сумарний бал і факторний бал Слово «бал» саме по собі не говорить, до якого рівня вимірювання він належить. Варто розрізняти щонайменше три випадки. Відповідь на пункт — безпосередньо спостережувана змінна, якщо її саме так записано у даних. Сумарний або середній бал — обчислений композит із кількох спостережуваних змінних. Він повністю визначається правилами підрахунку й не стає латентним лише тому, що стосується неспостережуваного конструкта. Факторний бал або оцінка латентної риси — модельна оцінка індивідуального положення на латентній змінній. Вона має статистичну невизначеність і залежить від моделі та методу оцінювання. Латентні змінні мають проблеми ідентифікації та невизначеності, а індивідуальні латентні оцінки не слід трактувати як безпосередньо виміряні «справжні значення». Bollen, 2002 Окремо слід відрізняти латентну змінну від «істинного бала» в класичній теорії тестів. Ці поняття можуть бути пов’язані, але вони виникають у різних формальних рамках і не є універсальними синонімами. Факторний аналіз: що він робить і чого не доводить Факторний аналіз моделює структуру коваріації між спостережуваними змінними за допомогою меншої кількості факторів. Розвідувальний факторний аналіз допомагає дослідити можливу структуру; підтверджувальний факторний аналіз перевіряє більш конкретно задану модель. Обидва методи працюють з припущеннями, і їхні результати потрібно тлумачити разом із теорією та іншими джерелами валідизаційних доказів. Сучасні рекомендації для клінічних опитувальників підтримують послідовність, де початкову структуру досліджують, а потім перевіряють у більш обмежувальній підтверджувальній моделі, бажано на незалежних даних або за належного розділення вибірки. Rosellini & Brown, 2021 Добрі індекси відповідності моделі не доводять, що фактор є єдиним можливим поясненням даних, що конструкт існує саме в запропонованому вигляді або що шкала придатна до будь-якого використання. Вони є одним типом інформації про узгодженість конкретної статистичної моделі з даними. Практика, за якої психометричну якість зводять до одного коефіцієнта або одного набору статистичних порогів, має слабкі підстави. В огляді емпіричних практик Flake, Pek і Hehman виявили, що в соціальній та особистісній психології доказів конструктної валідизації часто бракувало, а коефіцієнт α нерідко був єдиним наведеним психометричним показником. Flake et al., 2017 Структурне моделювання: вимірювальна й структурна частини У моделюванні структурних рівнянь корисно розрізняти вимірювальну модель і структурну модель. Вимірювальна частина описує, як латентні змінні пов’язані з індикаторами. Структурна частина описує зв’язки між самими латентними змінними або між латентними й іншими змінними. Це розрізнення захищає від поширеної помилки: дослідник може отримати красивий структурний зв’язок між двома факторами, але якщо кожен фактор слабко визначений індикаторами, теоретичний висновок залишається крихким. Якість висновків про відносини між конструктами залежить від того, наскільки переконливо виміряно самі конструкти. Теорія відповіді на завдання: латентна риса і ймовірність відповіді У теорії відповіді на завдання латентну рису часто позначають θ. Спостережуваними є відповіді на окремі завдання, а модель задає ймовірність певної відповіді залежно від θ та параметрів завдання. Латентну рису не вимірюють напряму: її оцінюють через модель відповідей. Тому одна й та сама кількість правильних відповідей може нести різну інформацію залежно від характеристик завдань і моделі. І навпаки, модельна оцінка θ не є «чистою властивістю людини», незалежною від банку завдань, специфікації та якості калібрування. Надійність, валідність і латентні змінні Надійність і валідність відповідають на різні запитання. Надійність стосується ступеня, до якого результати не поглинаються релевантними джерелами похибки або нестабільності за визначених умов. Валідність стосується обґрунтованості інтерпретацій та використання результатів. Латентна модель може допомагати оцінювати окремі аспекти обох питань, але сама наявність латентного фактора не створює ні надійності, ні валідності. Стандарти AERA, APA та NCME прямо визначають валідність як ступінь, до якого докази й теорія підтримують інтерпретації тестових балів для запропонованого використання. Standards for Educational and Psychological Testing Це означає, що навіть добре відтворена факторна структура є частиною аргументу, а не універсальною печаткою якості інструменту. COSMIN також розділяє структурну валідність, внутрішню узгодженість, надійність, похибку вимірювання, кроскультурну валідність/інваріантність, перевірку гіпотез для конструктної валідності та чутливість до змін як різні властивості вимірювання. COSMIN Manual v2.0 Культурна адаптація, інваріантність і справедливість Якщо шкалу перекладено іншою мовою, відповіді залишаються спостережуваними змінними, але їхній зв’язок із латентним конструктом може змінитися. Формулювання, культурний контекст, норми відповіді, доступність понять і спосіб адміністрування можуть впливати на вимірювальну структуру. Сам факт перекладу не доводить валідованої культурної адаптації. Для порівняння груп дослідники часто перевіряють вимірювальну інваріантність — чи зберігаються релевантні параметри вимірювальної моделі між мовами, групами або часом. COSMIN включає кроскультурну валідність/інваріантність до оцінки внутрішньої структури. COSMIN Водночас інваріантність не є автоматичним доказом повної відсутності упередження чи несправедливості. Так само диференційне функціонування пунктів не є автоматичним доказом несправедливості: статистичний сигнал потребує змістової, контекстної та практичної інтерпретації. Чому один індикатор рідко вичерпує складний конструкт Складні психологічні конструкти зазвичай мають ширший зміст, ніж може представити одна відповідь або одна поведінкова ознака. Кілька індикаторів дають змогу охопити різні прояви й моделювати спільну та специфічну варіацію. Проте принцип «чим більше пунктів, тим краще» також хибний. Розроблення шкали вимагає змістового покриття домену, перевірки зрозумілості, структури, надійності та валідності, а не механічного накопичення повторюваних питань. Boateng et al., 2018 Іноді один добре визначений показник справді відповідає вузькому конструкту або практичній меті. В інших випадках десятки дуже схожих пунктів лише створюють враження точності, не розширюючи змістове покриття. Рішення про кількість і тип індикаторів випливає з теорії конструкта й призначення вимірювання. Типові помилки інтерпретації «Ми отримали фактор, отже довели існування конструкта». Факторна модель описує структуру даних; онтологічний висновок потребує додаткової теорії та доказів. «Бал шкали і є конструкт». Бал — результат конкретної процедури й правил підрахунку; конструкт — теоретичне поняття. «Латентна змінна — це завжди справжній бал без похибки». Латентні моделі різні; латентність не дорівнює універсальному «істинному балу». «Спостережувана змінна виміряна без похибки». Безпосередній запис значення не гарантує точності його психологічної інтерпретації. «Високе факторне навантаження доводить причинність». Навантаження є параметром моделі; причинне тлумачення потребує окремих припущень і дизайну. «Висока альфа доводить один латентний конструкт». Внутрішня узгодженість не є доказом одновимірності або валідності. «Добра відповідність підтверджувальної факторної моделі доводить валідність тесту». Відповідність факторної моделі — один вид доказів про внутрішню структуру, а не повний аргумент валідності. «Перекладена шкала вимірює те саме в іншій культурі». Переклад і валідована культурна адаптація — різні процеси. «Латентний фактор у скринінговій шкалі дорівнює діагнозу». Психометричний фактор не замінює клінічну оцінку. «Будь-який набір показників треба моделювати рефлективно». Для деяких конструкцій теоретично доречніші формативні або композитні моделі. Як читати психометричне дослідження: практичний чекліст Коли стаття стверджує, що вимірює психологічний конструкт, корисно пройти послідовно кілька запитань. Що саме визначено як конструкт? Чи є його зміст і межі достатньо ясними? Які змінні реально спостерігали та записували? Це відповіді, поведінка, оцінки, біомаркери чи інші дані? Чому саме ці індикатори мають представляти заявлений конструкт? Є змістове й теоретичне обґрунтування? Який напрямок вимірювальної моделі припускається: конструкт → індикатори чи індикатори → композит/конструкт? Яка структура моделі: один фактор, кілька факторів, ієрархічна модель, IRT, латентні класи чи інший підхід? Чи перевіряли модель на нових даних, а не лише підігнали її до тієї самої вибірки? Чи подано окремі докази надійності, валідності, похибки, інваріантності та інших властивостей, які потрібні для заявленого використання? Чи відповідає популяція, мова й контекст тим, для кого результат інтерпретують? Що саме означає індивідуальний бал і яка його невизначеність? Чи не виходить висновок за межі того, що реально підтримує вимірювальна модель та дизайн дослідження? Для експериментальних робіт до цього додається перевірка того, як визначені незалежні й залежні змінні та чи дозволяє дизайн причинні висновки. Дивіться також «Експериментальний метод у психології: як працює експеримент, змінні та валідність». Науковий статус: що встановлено, а що залишається предметом дискусії Добре встановлене методологічне положення: психологічні дослідження часто працюють із властивостями, які не реєструються безпосередньо, а висновки про них будуються через спостережувані показники та формальні моделі. Факторний аналіз, структурне моделювання, IRT і латентно-класові моделі є різними способами роботи з такими неспостережуваними величинами. Так само усталеним є розрізнення між теоретичним конструктом, даними, правилами підрахунку й обґрунтуванням інтерпретації. Сучасні стандарти тестування розглядають валідність як аргумент, що спирається на теорію й сукупність доказів щодо конкретного використання результатів. Предметом теоретичної дискусії залишається те, як саме розуміти онтологічний статус психологічних конструктів і причинні відносини між конструктами та показниками. Різні підходи можуть трактувати конструкт як латентну причину відповідей, як зручну теоретичну абстракцію, як структуру відносин, як композит або в інший спосіб. Порівняйте причинну концепцію валідності Borsboom et al., 2004 та ширшу дискусію про статистичне моделювання конструктів у Fried, 2017. Практичний висновок не залежить від вибору однієї філософської позиції: дослідник має явно пояснювати, що означає конструкт, які дані його представляють, яка модель зв’язує їх між собою й які висновки ця модель справді дозволяє. Чому це важливо для психолога, дослідника й читача тестів Розрізнення латентного й спостережуваного захищає від реифікації — ситуації, коли умовний бал або статистичний фактор починають трактувати як безпосередньо спостережувану психологічну сутність. Воно також робить видимим головне місце, де виникає психометричний ризик: між теорією конструкта і даними завжди є ланцюг рішень. Для дослідника це означає потребу описувати модель вимірювання, а не лише наводити коефіцієнт надійності. Для практичного психолога — перевіряти, що саме означає бал конкретного інструменту, для якої популяції та мети він валідизований. Для читача наукових новин — не сприймати назву шкали як гарантію того, що складне психологічне явище було виміряне безпосередньо. Найкоротша формула: ми спостерігаємо показники; конструкти інтерпретуємо; латентні змінні моделюємо. Якість психологічного вимірювання визначається тим, наскільки переконливо з’єднані ці три рівні. Поширені запитання Що таке латентна змінна простими словами? Це величина, яку не записують безпосередньо, але оцінюють або представляють у статистичній моделі через інші, спостережувані дані. Наприклад, латентний фактор тривожності можна моделювати за відповідями на кілька пунктів опитувальника. Що таке спостережувана змінна? Це значення, яке реально є в даних: відповідь на пункт, час реакції, кількість помилок, код поведінки, оцінка експерта або інший зареєстрований показник. Інша назва — маніфестна змінна. Чи кожен психологічний конструкт є латентною змінною? Конструкт можна представити латентною змінною, але це не обов’язкова тотожність. Конструкт — теоретичне поняття; латентна змінна — елемент конкретної моделі. Деякі конструкти вимірюють простими індикаторами або композитами без явної латентної моделі. Чи є сумарний бал латентною змінною? Зазвичай ні. Сумарний бал — обчислена функція спостережуваних відповідей. Він може використовуватися як показник латентного конструкта, але сам залишається визначеним правилами підрахунку. Чи є фактор тим самим, що психологічний конструкт? Не обов’язково. Фактор — статистичний об’єкт у факторній моделі. Його психологічна назва та інтерпретація потребують змістового обґрунтування. Одна й та сама структура даних іноді допускає кілька правдоподібних моделей та інтерпретацій. Чи доводить високе факторне навантаження, що пункт добре вимірює конструкт? Високе навантаження показує сильний зв’язок пункту з фактором у конкретній моделі. Це важлива інформація про внутрішню структуру, але вона не замінює перевірку змістової релевантності, валідності, надійності, культурної відповідності та призначення інструменту. Чи може один пункт бути індикатором латентної змінної? Теоретично в окремих моделях можливі одноіндикаторні латентні змінні, але вони потребують додаткових припущень, зокрема щодо похибки, і дають менше інформації для перевірки вимірювальної моделі. Для складних психологічних конструктів зазвичай потрібне ширше змістове покриття. Чи означає добра відповідність підтверджувальної факторної моделі, що тест валідний? Ні. Добра відповідність підтверджувальної факторної моделі підтримує певне твердження про внутрішню структуру, але валідність інтерпретації потребує ширшої системи доказів. Чи є фізіологічний показник «об’єктивнішим» за самозвіт? Він може бути менш залежним від деяких проблем самозвіту, але залишається індикатором, який потребує теоретичного зв’язку з психологічним конструктом. Частота серцебиття, наприклад, не є специфічним прямим вимірюванням тривоги: на неї впливають численні фізіологічні та ситуаційні чинники. Чи можна за латентним фактором поставити психіатричний діагноз? Ні. Латентний фактор або бал опитувальника може бути частиною дослідження, скринінгу чи моніторингу, але клінічний діагноз потребує відповідної професійної оцінки за діагностичними критеріями й контекстом людини. Навіщо взагалі використовувати латентні змінні? Вони дозволяють явно моделювати неспостережувані величини, спільну варіацію індикаторів, похибку й складні відносини між змінними. Це корисно для теорії та вимірювання, якщо модель змістовно обґрунтована й перевірена на даних. Пов’язані статті Операціональне визначення: що це, навіщо потрібне і як його скласти Експериментальний метод у психології: як працює експеримент, змінні та валідність Теорія відповіді на завдання (IRT): як моделюють зв’язок між латентною ознакою і відповідями на завдання Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. Відкритий доступ Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L. (2018). Best Practices for Developing and Validating Scales for Health, Social, and Behavioral Research: A Primer. Frontiers in Public Health, 6, 149. https://doi.org/10.3389/fpubh.2018.00149 Bollen, K. A., & Lennox, R. (1991). Conventional Wisdom on Measurement: A Structural Equation Perspective. Psychological Bulletin, 110(2), 305–314. https://doi.org/10.1037/0033-2909.110.2.305 Bollen, K. A. (2002). Latent Variables in Psychology and the Social Sciences. Annual Review of Psychology, 53, 605–634. https://doi.org/10.1146/annurev.psych.53.100901.135239 Borsboom, D., Mellenbergh, G. J., & van Heerden, J. (2004). The Concept of Validity. Psychological Review, 111(4), 1061–1071. https://doi.org/10.1037/0033-295X.111.4.1061 COSMIN. (2026). COSMIN Manual for Systematic Reviews of PROMs, Version 2.0. Manual Edwards, J. R., & Bagozzi, R. P. (2000). On the Nature and Direction of Relationships Between Constructs and Measures. Psychological Methods, 5(2), 155–174. https://doi.org/10.1037/1082-989X.5.2.155 Flake, J. K., Pek, J., & Hehman, E. (2017). Construct Validation in Social and Personality Research: Current Practice and Recommendations. Social Psychological and Personality Science, 8(4), 370–378. https://doi.org/10.1177/1948550617693063 Fried, E. I. (2017). What Are Psychological Constructs? On the Nature and Statistical Modelling of Emotions, Intelligence, Personality Traits and Mental Disorders. Health Psychology Review, 11(2), 130–134. https://doi.org/10.1080/17437199.2017.1306718 Rosellini, A. J., & Brown, T. A. (2021). Developing and Validating Clinical Questionnaires. Annual Review of Clinical Psychology, 17, 55–81. https://doi.org/10.1146/annurev-clinpsy-081219-115343

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Комп’ютеризоване адаптивне тестування (Computerized Adaptive Testing, CAT) — це спосіб тестування, за якого комп’ютер не показує всім людям один і той самий фіксований набір завдань. Після кожної відповіді система оновлює оцінку вимірюваної латентної ознаки — наприклад, здібності, рівня навички або вираженості певної характеристики — і на цій основі добирає наступне завдання з каліброваного банку. В українській фаховій мові трапляються обидві форми — «комп’ютеризоване адаптивне тестування» і «комп’ютерне адаптивне тестування»; у цій статті основною є форма, закріплена в назві. Важлива деталь: CAT — це не просто правило «правильна відповідь → складніше запитання, неправильна → легше». У повноцінній психометричній системі наступний пункт обирають за моделлю вимірювання, поточною оцінкою параметра людини, інформаційністю доступних завдань, змістовими обмеженнями, правилами безпеки та критеріями зупинки. Саме так CAT описують сучасна психометрична література і огляд алгоритмів адаптивного тестування Han. CAT є усталеною технологією психометричного вимірювання, що виросла з теорії відповіді на завдання (Item Response Theory, IRT) і послідовного дизайну вимірювання. Вона застосовується в освіті, сертифікаційних і ліцензійних іспитах, оцінюванні стану здоров’я, patient-reported outcomes та психологічних вимірюваннях. При цьому сам факт адаптивності не робить тест валідним, справедливим або клінічно корисним: ці властивості потребують окремих доказів для конкретної популяції та конкретного використання, як вимагають Standards for Educational and Psychological Testing AERA / APA / NCME. Коротко: що робить алгоритм CAT Бере стартову оцінку латентної ознаки або задає початковий розподіл імовірностей. Відбирає з банку допустимі завдання, які відповідають змістовому плану тесту та іншим обмеженням. Обирає серед них завдання, що має дати найбільше корисної психометричної інформації за поточного рівня оцінюваної ознаки. Отримує відповідь, перераховує оцінку латентного параметра і її стандартну похибку. Перевіряє правило зупинки. Якщо потрібної точності ще не досягнуто, цикл повторюється з новим завданням. Цей цикл «оцінка → вибір завдання → відповідь → нова оцінка → перевірка зупинки» є ядром класичного CAT. Огляд розвитку психометрії CAT у Psychometrika показує, що за зовні простою логікою стоять окремі задачі оцінювання параметрів, оптимального вибору завдань, контролю експозиції та виконання змістових обмежень. Чому CAT зазвичай спирається на IRT У класичній теорії тестів результат часто розглядають на рівні сумарного бала конкретної форми тесту. IRT працює інакше: вона моделює ймовірність певної відповіді на окреме завдання як функцію латентної ознаки людини та параметрів самого завдання. Завдяки спільній шкалі людина і завдання можуть бути описані в одній моделі, а інформаційність кожного пункту — оцінена для різних ділянок цієї шкали. Саме це робить можливим ключовий хід CAT: не ставити всім однакові запитання, а обирати ті, які найбільш інформативні саме за поточної оцінки конкретної людини. Bjorner та співавтори описують IRT як основу, що дозволяє калібрувати банк, добирати релевантні пункти і отримувати оцінки на спільній метриці навіть тоді, коли різні люди відповідають на різні набори пунктів. IRT — це сімейство моделей, а не одна формула. Для дихотомічних завдань можуть використовуватися моделі з параметрами складності, дискримінативності та, в окремих моделях, вгадування; для шкал із кількома категоріями відповідей — політомічні моделі. Конкретний CAT має працювати з тією моделлю, яка відповідає природі даних, конструкта і способу відповідей. Що таке θ У формулах IRT латентну ознаку часто позначають грецькою літерою θ (тета). Це координата людини на шкалі конструкта в межах конкретної моделі. У тесті здібностей θ може представляти рівень вимірюваної здібності; у шкалі симптомів — рівень вираженості вимірюваного симптомного домену. θ не є «відсотком правильних відповідей» і не має автоматичного клінічного значення. Після кожної нової відповіді система оновлює оцінку θ. Для цього можуть застосовуватися максимальна правдоподібність, weighted likelihood, Bayesian MAP або EAP та інші процедури. Тому одна окрема відповідь не «визначає рівень» людини: вона лише змінює сукупну оцінку з урахуванням попереднього патерну відповідей і властивостей уже пред’явлених завдань. Інформація завдання: чому «найкраще наступне питання» залежить від поточного рівня У IRT кожне завдання має інформаційну функцію. Вона показує, наскільки точно конкретний пункт допомагає розрізняти рівні латентної ознаки в певній ділянці шкали. Завдання може бути дуже інформативним біля одного значення θ і майже не додавати точності в іншій ділянці. CAT використовує цю властивість, щоб не витрачати довжину тесту на пункти, які для поточного респондента майже нічого нового не повідомляють. Для багатьох IRT-моделей сумарна тестова інформація на певному рівні θ пов’язана з умовною стандартною похибкою оцінки: що більше інформації, то менша похибка. У спрощеному вигляді цей зв’язок часто записують як SE(θ) ≈ 1 / √I(θ). Це саме стандартна похибка індивідуальної оцінки в моделі; її не слід плутати зі standard error of the mean — стандартною похибкою вибіркового середнього. Про природу похибки вимірювання варто судити окремо від питання про середні значення вибірки. Сучасне Educational Measurement (2026) підкреслює цю логіку: адаптивний тест може бути коротшим за фіксований, якщо його складність і інформація краще узгоджуються з оцінюваним рівнем, а банк містить достатньо якісних пунктів у потрібних ділянках шкали. Як алгоритм реально вибирає наступне завдання Найвідоміше правило — максимізація Fisher information: із допустимих невикористаних завдань система шукає те, яке за поточного θ очікувано дасть найбільше інформації. Але це лише один варіант. У CAT використовують також Bayesian критерії, Kullback–Leibler information, a-stratification, b-matching та інші стратегії. Han (2018) показує, що практична система вибору завдання складається щонайменше з трьох взаємопов’язаних блоків: змістового балансування, критерію вибору та контролю експозиції. Отже, «найінформативніше завдання» не обов’язково буде показане. Спочатку алгоритм може відсіяти пункти, які порушують тестову специфікацію: наприклад, уже використано достатньо завдань певного змістового домену, конкретний формат не можна повторювати, пункт має занадто високу експозицію або між завданнями є залежність. Лише після цього оптимізація відбувається всередині допустимого набору. Змістове балансування не дозволяє адаптивності зруйнувати blueprint тесту. Контроль експозиції зменшує ризик надмірно частого показу найінформативніших пунктів. Обмеження щодо «ворогуючих» або пов’язаних пунктів допомагають уникати підказок і локальної залежності. Правила доступності та accommodations мають бути узгоджені з конструктом і валідністю інтерпретації. У високоставкових системах безпека банку є частиною якості вимірювання, а не лише технічним питанням. Чому CAT не дорівнює штучному інтелекту Класичний CAT може працювати без машинного навчання: IRT-модель, оцінювач θ, інформаційний критерій і правила зупинки достатні для повністю адаптивної процедури. Сучасні дослідження дійсно інтегрують машинне навчання в побудову банків, моделювання відповідей і політики вибору; огляд Zhuang та співавторів (2026) систематизує такі ML-підходи. Але слово «адаптивний» саме по собі не означає «AI-driven». З чого починається CAT На першому кроці система ще не має відповідей конкретної людини. Тому їй потрібна стартова стратегія. Найпростіший варіант — почати із середнього рівня шкали або з наперед заданого θ. Можна використовувати prior-розподіл, попередню валідну інформацію про респондента або випадковий вибір із набору придатних стартових пунктів. Вибір старту впливає на перші кроки, але зі зростанням кількості інформативних відповідей його роль зазвичай зменшується. Надто агресивний старт із одного «ідеального» середнього пункту має практичний недолік: той самий пункт може отримувати непропорційно високу експозицію. Тому операційні CAT часто вводять рандомізацію або інші правила, які трохи жертвують локальною оптимальністю заради безпеки й стабільності банку. Коли CAT зупиняється Адаптивним може бути не лише вибір пунктів, а й довжина тесту. Один CAT завершується після фіксованої кількості завдань; інший — коли стандартна похибка оцінки стає нижчою за заданий поріг; третій поєднує мінімальну і максимальну кількість пунктів із критерієм точності. У класифікаційному тесті правило може бути пов’язане з достатньою впевненістю щодо положення відносно конкретної межі. Приклад із системи PROMIS демонструє практичну реалізацію: HealthMeasures описує CAT як динамічний вибір пунктів із item bank на основі попередніх відповідей із конкретними мінімальними, максимальними та precision-based правилами зупинки. Конкретні числа, правила й допустима похибка залежать від інструмента; їх не можна переносити з одного CAT на інший. Правило зупинки — це компроміс між точністю, навантаженням на респондента, часом, покриттям змісту та вимогами рішення. Зупинити тест занадто рано означає залишити надмірну невизначеність; продовжувати після досягнення необхідної точності — збільшувати навантаження та експозицію пунктів без пропорційної користі. Банк завдань: головна інфраструктура CAT CAT не може бути кращим за свій банк завдань. Банк — це не просто великий список запитань. Пункти мають репрезентувати конструкт, пройти змістову й емпіричну перевірку, бути відкаліброваними на спільній шкалі та мати достатнє покриття діапазону, де тест має вимірювати. Bjorner та співавтори наголошують на перевірці припущень IRT, model fit, локальної незалежності, структури конструкта та функціонування пунктів у підгрупах. Якщо на крайніх рівнях шкали бракує інформативних пунктів, CAT не може «вигадати» точність алгоритмом. Стандартна похибка залишатиметься високою або система почне повторно обирати близькі за інформаційністю пункти. Так само неточні параметри завдань, parameter drift чи зміна популяції здатні погіршувати оцінки навіть за бездоганного програмного коду. Розмір банку також не є самостійним доказом якості. Сто погано відкаліброваних пунктів не утворюють сильний CAT лише тому, що їх багато. Важливі покриття конструкта, якість калібрування, інформація в потрібному діапазоні, стабільність параметрів, доступність, справедливість і відповідність intended use. Точність і надійність: чому CAT не оцінюють одним α Кронбаха У фіксованій шкалі легко звикнути до одного коефіцієнта внутрішньої узгодженості. У CAT різні люди можуть отримувати різні набори пунктів, а точність є умовною: вона залежить від того, де на латентній шкалі перебуває оцінка людини і скільки інформації містить доступний банк у цій ділянці. Тому одна глобальна α Кронбаха не описує якість адаптивного вимірювання. У CAT важливі conditional information і conditional standard error. Дві людини можуть мати однакову кількість відповідей, але різну точність оцінки. І навпаки, система може зупинити тест для одного респондента після меншої кількості пунктів, якщо цільову точність уже досягнуто. Moses (2026) розглядає adaptive testing як систему, де precision, item pool, exposure controls і scale maintenance мають оцінюватися разом. Надійність і валідність залишаються різними поняттями. CAT може дуже точно відтворювати оцінку в межах неправильно визначеного конструкта або непридатної моделі. Висока precision не доводить, що бал має саме те значення, яке йому приписують, і не доводить коректність практичного рішення. CAT, звичайний комп’ютерний тест і багатоступеневе тестування Звичайний комп’ютерний тест може лише переносити фіксовану форму з паперу на екран: набір і порядок завдань наперед визначені. Item-level CAT переоцінює стан після кожної відповіді й може добирати кожне наступне завдання окремо. Multistage testing адаптується блоками або модулями: після маршрутизувального етапу людина переходить до одного з наперед складених наборів. Adaptive learning використовує схожу логіку персоналізації, але його метою є навчання й наступний навчальний крок; це не тотожне психометричному CAT. У сучасному вимірюванні ці архітектури можуть співіснувати. Вибір залежить від змістових обмежень, безпеки, необхідної точності, можливості перегляду відповідей, технічної інфраструктури та того, наскільки важливо заздалегідь експертно перевірити повну форму тесту. Де CAT застосовують у психології та вимірюванні здоров’я У психології та health outcomes CAT особливо привабливий для великих item banks, де повна форма була б надто довгою. IRT дозволяє зберегти спільну метрику, а адаптивний алгоритм — поставити конкретній людині лише ті пункти, які найбільше уточнюють її оцінку. Thomas (2019) описує CAT як одну з найпомітніших практичних переваг IRT у клінічному вимірюванні. PROMIS є відомим прикладом такого підходу для patient-reported outcomes. На сторінці HealthMeasures CAT визначено як динамічне пред’явлення пунктів із банку на основі попередніх відповідей, із низькою похибкою та наперед визначеними правилами зупинки. Це приклад конкретної інфраструктури, а не універсальна специфікація всіх CAT. У психологічних шкалах адаптація може стосуватися не «складності» в побутовому сенсі, а того, які пункти найточніше розрізняють рівні латентної риси або симптомного домену. Для шкали з градуйованими відповідями немає обов’язкової пари «правильно / неправильно» — алгоритм використовує категорію відповіді та параметри item response model. Fairness, DIF і культурна адаптація Адаптивність створює додаткові вимоги до справедливості. Якщо банк містить пункти, що по-різному функціонують у групах за однакового рівня конструкта, алгоритм може по-різному маршрутизувати людей і накопичувати різну інформацію. Тому диференційне функціонування завдань (DIF) потрібно досліджувати в контексті intended population, але DIF саме по собі не є автоматичним доказом упередженості або несправедливості. Ширша справедливість психологічного тестування включає зміст, доступність, accommodations, мовні умови, технологічний доступ, релевантні норми, наслідки використання, групові порівняння та прозорість рішень. Measurement invariance може бути важливим доказом порівнюваності, але не гарантує автоматично відсутність будь-якого bias. Переклад CAT іншою мовою не є завершеною валідованою культурною адаптацією. Потрібно перевірити змістову й мовну еквівалентність, психометричну структуру, параметри пунктів, DIF, роботу алгоритму, шкалу і правила інтерпретації в цільовій популяції. Якщо змінилися параметри або значення пунктів, старий routing algorithm може вже не забезпечувати ту саму точність. Безпека і контроль експозиції пунктів Якщо алгоритм завжди обирає математично «найкращий» пункт для схожого θ, невелика частина банку може демонструватися надто часто. У високоставкових тестах це створює ризик витоку завдань і запам’ятовування відповідей. Саме тому CAT часто використовує exposure control: рандомізований вибір серед кількох сильних кандидатів, імовірнісні обмеження або складніші процедури. Огляд Han детально описує цю проблему. Безпека не повинна суперечити валідності. Надмірна рандомізація може зменшити інформаційність; надмірне прагнення до інформаційності — зробити банк передбачуваним. Операційний CAT балансує ці цілі разом із content blueprint і доступністю. Що може піти не так Модель IRT погано відповідає даним або неправильно задає структуру конструкта. Порушено локальну незалежність: відповіді на пункти пов’язані між собою сильніше, ніж допускає модель. Банк недостатньо інформативний у частині шкали, де перебуває респондент. Параметри пунктів відкалібровані на іншій популяції та не переносяться на intended population. З часом виникає item parameter drift, але калібрування не оновлюють. Алгоритм надмірно експонує певні пункти або не дотримується змістового blueprint. Технічні умови, таймінг, інтерфейс чи accommodations змінюють процес відповіді. Шкала перекладена, але не пройшла психометричну адаптацію в новій мові та культурі. Результат використовують для рішення, для якого не зібрано валідизаційних доказів. Тому якість CAT визначається всім вимірювальним ланцюгом: конструктом, банком, калібруванням, моделлю, алгоритмом, стандартизованою процедурою, правилами зупинки, способом звітування і конкретним intended use. Комп’ютеризація не виправляє слабку психометрію — вона лише швидше реалізує ту модель, яку в неї закладено. Як читати результат CAT Результат адаптивного тесту потрібно інтерпретувати разом із його метрикою та невизначеністю. Це може бути θ, трансформований scale score, T-score, standard score або інша звітна шкала. Однакові числа в різних системах не обов’язково означають однаковий рівень конструкта. T-score, наприклад, не є t-статистикою, а percentile не є відсотком правильних відповідей. Похибка вимірювання також має практичне значення. Невелика різниця між двома CAT-оцінками може вкладатися в очікувану невизначеність вимірювання. Сам факт числової зміни ще не доводить реальну зміну, а статистично виявлена зміна не автоматично є клінічно або особисто важливою. У клінічному контексті adaptive screening або symptom CAT не дорівнює діагнозу. Скринінг, case-finding, assessment, diagnosis, monitoring і outcome measurement — різні задачі. Один CAT-score або cutoff може бути частиною оцінювання лише тоді, коли інструмент валідований саме для цієї мети та популяції. Загальні принципи психологічного тестування залишаються чинними незалежно від того, чи тест адаптивний. Умовний приклад роботи CAT Уявімо банк із 300 завдань для вимірювання певної когнітивної здібності. Усі пункти відкалібровані на спільній IRT-шкалі. Система стартує з θ = 0, тобто з робочої оцінки біля центру калібрувальної шкали, і показує один із допустимих пунктів середньої складності. Людина відповідає. Алгоритм оновлює θ і стандартну похибку. Із невикористаних пунктів відбираються ті, що не порушують blueprint, security та exposure rules. Серед допустимих алгоритм обирає пункт, який очікувано найбільше зменшить невизначеність біля нового θ. Після кожної наступної відповіді оцінка та її похибка перераховуються. Коли precision criterion виконано або досягнуто максимальну довжину, тест завершується й формує звітний бал. Двоє людей можуть побачити різні завдання і все ж отримати порівнювані оцінки, якщо пункти справді відкалібровані на спільній шкалі, модель адекватна, linking збережено, а intended interpretation підтримана доказами. Саме ця можливість — одна з центральних переваг IRT-based CAT. Що CAT змінює в самій ідеї тесту У фіксованій формі тест — це наперед зібраний набір пунктів. У CAT тест стає процедурою побудови індивідуальної форми в реальному часі. Його одиницею дизайну є вже не лише «готовий тест», а система: calibrated item bank + measurement model + estimator + selection rule + constraints + stopping rule + reporting scale. Це зрушення не скасовує класичних вимог до психометрії. Навпаки, воно робить їх видимішими. Щоб дозволити алгоритму динамічно збирати різні форми, потрібно ще точніше знати, що вимірює кожен пункт, де він інформативний, як поводиться в підгрупах і які наслідки має його включення. Часті запитання Чи завжди після правильної відповіді наступне завдання стає складнішим? Ні. У простому здібнісному CAT така тенденція можлива, але реальний вибір залежить від поточної оцінки θ, інформаційності, змістових обмежень, exposure control і доступного банку. У шкалах із градуйованими відповідями взагалі може не існувати категорії «правильно / неправильно». Чи CAT завжди коротший за звичайний тест? Не обов’язково. CAT часто підвищує вимірювальну ефективність, але довжина залежить від precision target, структури банку, рівня респондента та обмежень. Якщо банк слабкий у потрібній ділянці шкали, для досягнення точності може знадобитися багато пунктів або заданого рівня точності взагалі не буде досягнуто. Чи можна порівнювати людей, якщо вони відповідали на різні запитання? Так, за належних умов IRT-based scaling і linking. Порівнюваність підтримує не тотожність набору пунктів, а їхнє калібрування на спільній шкалі та валідність моделі. Якщо calibration, linking або parameter stability порушені, сама назва CAT порівнюваність не гарантує. Чи CAT є штучним інтелектом? Ні. Класичний CAT може повністю працювати на статистичних психометричних правилах без машинного навчання. AI/ML-методи можуть доповнювати сучасні системи, але вони не є визначальною ознакою CAT. Чи хороший CAT, якщо його standard error дуже малий? Малий standard error означає високу точність оцінки в межах моделі й поточного банку, але не доводить валідність конструкта, fairness або придатність конкретного рішення. Надійність не дорівнює валідності. Чи можна використати перекладений CAT без нової перевірки? Переклад не дорівнює валідованій культурній адаптації. Потрібні докази того, що пункти, параметри, шкала, DIF, алгоритм і правила інтерпретації працюють належно в цільовій мовній та культурній популяції. Чи може адаптивний психологічний тест поставити діагноз? Сам по собі — ні. CAT є способом вимірювання й адміністрування. Діагноз потребує відповідного клінічного процесу, критеріїв, контексту, анамнезу та інших даних. Навіть добре валідований adaptive screener залишається скринінговим інструментом, якщо саме так визначено його intended use. Пов’язані статті Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів Психологічне тестування: що це, як проводиться і які обмеження має результат тесту Класична теорія тестів: істинний бал, похибка вимірювання і надійність Похибка вимірювання в психології: випадкова, систематична і чому один бал не є абсолютно точним Диференційне функціонування завдань (DIF): коли однаковий рівень конструкта дає різну ймовірність відповіді в різних групах Справедливість психологічного тестування: bias, доступність, групові порівняння і межі інтерпретації Теорія відповіді на завдання (IRT): як моделюють зв’язок між латентною ознакою і відповідями на завдання Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. Bjorner, J. B., Chang, C.-H., Thissen, D., & Reeve, B. B. (2007). Developing tailored instruments: Item banking and computerized adaptive assessment. Quality of Life Research, 16(Suppl 1), 95–108. Chang, H.-H. (2015). Psychometrics behind computerized adaptive testing. Psychometrika, 80(1), 1–20. Han, K. T. (2018). Components of the item selection algorithm in computerized adaptive testing. Journal of Educational Evaluation for Health Professions, 15, 7. HealthMeasures. (n.d.). Computer Adaptive Tests (CATs). Moses, T. (2026). Scaling, Equating, and Linking. In L. L. Cook & M. J. Pitoniak (Eds.), Educational Measurement (5th ed.). Oxford University Press. Thomas, M. L. (2019). Advances in applications of item response theory to clinical assessment. Psychological Assessment, 31(12), 1442–1455. Zhuang, Y., Liu, Q., Bi, H., Huang, Z., Huang, W., Li, J., Yu, J., Liu, Z., Hu, Z., Hong, Y., Pardos, Z. A., Ma, H., Zhu, M., Wang, S., & Chen, E. (2026). Survey of Computerized Adaptive Testing: A Machine Learning Perspective. IEEE Transactions on Pattern Analysis and Machine Intelligence, 48(8), 8744–8763.

Автор: Український психологічний ХАБ · Опубліковано: 3 вересня 2026 · Редакційна політика Ганс Юрген Айзенк (Hans Jürgen Eysenck; 1916–1997) — німецько-британський психолог, один із найвпливовіших дослідників індивідуальних відмінностей у психології ХХ століття. Він розвинув вимірний підхід до особистості, у якому центральне місце посіли екстраверсія, нейротизм і, у пізнішій версії, психотизм. Його програма поєднувала психометрію, експериментальну психологію, біологічні гіпотези та вимогу перевіряти психологічні твердження емпірично. Водночас спадщина Айзенка потребує точних розрізнень. Екстраверсію він не винайшов: поняття сформувалося раніше, зокрема в аналітичній психології Карла Юнга. Два ключові психометричні інструменти — Eysenck Personality Inventory (EPI) та Eysenck Personality Questionnaire (EPQ) — створювалися Гансом Айзенком разом із Сибіл Айзенк. А частина пізніх публікацій про особистість і фізичне здоров’я стала предметом серйозних претензій до дослідницької доброчесності. Тому сучасна оцінка Айзенка має одночасно показувати його реальний внесок, межі його моделей і долю конкретних спірних досліджень. Хто такий Ганс Айзенк Айзенк належить до покоління психологів, яке прагнуло перетворити дослідження особистості на вимірювану науку. Його цікавило не створення набору психологічних «типів», до яких можна віднести кожну людину, а побудова кількісних вимірів, уздовж яких люди відрізняються одна від одної. Саме тому екстраверсія і нейротизм у його системі — континууми, а не дві взаємовиключні категорії. Такий підхід став одним із важливих мостів між ранніми типологіями особистості та сучасними моделями рис. Сьогодні екстраверсія й нейротизм входять до п’ятифакторної моделі особистості, хоча їхнє сучасне визначення, структура і біологічне пояснення не зводяться до теорії Айзенка. Біографія: від Берліна до Інституту психіатрії Ганс Юрген Айзенк народився 4 березня 1916 року в Берліні. У 1934 році він залишив Німеччину й оселився у Великій Британії. Психологію вивчав в Університетському коледжі Лондона; докторський ступінь здобув 1940 року, досліджуючи чинники, що впливають на естетичні судження. У 1942–1946 роках Айзенк працював старшим дослідницьким психологом у військовому госпіталі Mill Hill Emergency Hospital. Після війни його професійна кар’єра була тісно пов’язана з лікарнею Модслі та Інститутом психіатрії Лондонського університету. Він очолював психологічний підрозділ Модслі, а з 1955 до 1983 року був професором психології. Після виходу у відставку залишався почесним професором. Помер 4 вересня 1997 року в Лондоні. Це інституційне середовище було важливим для його наукової програми. Психологія особистості, клінічна психологія, психометрія й оцінювання психотерапії для Айзенка були частинами одного завдання: формулювати перевірювані гіпотези та співвідносити психологічні конструкції з даними. Вимірний підхід до особистості У ранній праці Dimensions of Personality 1947 року Айзенк систематизував дослідження індивідуальних відмінностей навколо двох великих вимірів — екстраверсії та нейротизму. Він використовував факторно-аналітичні й експериментальні методи, намагаючись знайти відносно широкі та стабільні риси, які організовують велику кількість поведінкових проявів. Для читача важливе одне розрізнення: «екстраверт» у побутовому мовленні часто звучить як готовий тип людини, тоді як у психометричній моделі екстраверсія — це вимір. Людина може мати вищий, середній або нижчий показник; те саме стосується нейротизму. Такий спосіб мислення став фундаментальним для сучасної психології рис. На Українському психологічному ХАБі окремо розглянуто екстраверсію та інтроверсію як психологічні поняття, що мають ширшу історію, ніж модель одного автора. Модель PEN: психотизм, екстраверсія, нейротизм Зріла модель Айзенка часто позначається абревіатурою PEN — від англійських назв Psychoticism, Extraversion і Neuroticism. Українською це психотизм, екстраверсія та нейротизм. Модель не виникла одразу в тривимірній формі: спочатку центральними були екстраверсія та нейротизм, а психотизм став третім широким виміром у пізнішому розвитку системи. Екстраверсія Екстраверсія в Айзенка описує широкий континуум індивідуальних відмінностей, пов’язаний, зокрема, із соціальною активністю, пошуком стимуляції, жвавістю та схильністю діяти енергійно. Протилежний полюс цього виміру традиційно пов’язують з інтроверсією. Айзенк не запровадив самі поняття екстраверсії та інтроверсії, а переформатував їх у психометричний вимір і намагався пов’язати з експериментально досліджуваними механізмами. Нейротизм Нейротизм — вимір схильності до негативної емоційності, тривожності, напруження та емоційної реактивності. У сучасній психології це одна з найбільш стійких широких рис особистості, однак високий показник нейротизму сам по собі не є психіатричним діагнозом і не тотожний історичному клінічному поняттю «невроз». Психотизм Психотизм у системі Айзенка — історичний психометричний конструкт, а не синонім психозу. Він мав охоплювати сукупність рис, серед яких у різних описах фігурували жорсткість, агресивність, імпульсивність, холодність у міжособистісних стосунках і неконформність. Саме цей вимір став найсуперечливішою частиною PEN: дослідження показували, що він менш однозначний за екстраверсію та нейротизм і може розкладатися на кілька більш специфічних рис. Біологічна теорія особистості Айзенка Айзенк прагнув пояснювати індивідуальні відмінності не лише статистично, а й біологічно. Для екстраверсії він висував гіпотези про відмінності в базовому рівні кортикальної активації: екстраверти, за класичною версією теорії, мали б характеризуватися нижчим вихідним рівнем активації та тому активніше шукати зовнішню стимуляцію. Для нейротизму він пов’язував підвищену емоційну реактивність із функціонуванням систем, що регулюють автономне й емоційне збудження. Ця програма була історично продуктивною, бо зробила біологічні пояснення рис предметом перевірки. Проте конкретні фізіологічні механізми Айзенка не стали остаточним сучасним консенсусом. Дослідження кортикальної активації та екстраверсії дають неоднорідні результати: частина електроенцефалографічних робіт знаходить зв’язок у передбаченому напрямі, інші не відтворюють просту схему. Метааналітичні поведінково-генетичні дослідження водночас показують, що індивідуальні відмінності в рисах особистості частково пов’язані з генетичними чинниками, але це не означає генетичної визначеності: риси формуються у взаємодії багатьох біологічних і середовищних впливів. Так само сучасна нейронаука не підтримує надто просту модель «одна риса — одна ділянка мозку». Систематичні огляди структурної нейровізуалізації п’яти великих рис не виявляють стабільного набору анатомічних відмінностей, який можна було б однозначно відтворювати для кожної риси. EPI та EPQ: як Айзенки вимірювали риси Теорія Айзенка стала впливовою не тільки через поняття, а й через інструменти вимірювання. Тут принципово важлива точна атрибуція: Eysenck Personality Inventory (EPI) та Eysenck Personality Questionnaire (EPQ) пов’язані з роботою Ганса Айзенка і Сибіл Б. Г. Айзенк, а не лише Ганса Айзенка. Manual of the Eysenck Personality Inventory вийшов 1964 року. EPI був орієнтований передусім на вимірювання екстраверсії та нейротизму й містив шкалу, призначену для контролю певних особливостей відповідей. У 1975 році Ганс і Сибіл Айзенк опублікували Manual of the Eysenck Personality Questionnaire для дорослої та юнацької версій. EPQ операціоналізував уже три основні виміри зрілої системи — психотизм, екстраверсію і нейротизм. Історичний вплив цих опитувальників великий, але результати будь-якого тесту слід тлумачити в межах його валідності, нормативної бази й конкретної версії. Психометричний бал не є клінічним діагнозом і не перетворює складну особистість на один «тип». Ключові праці Dimensions of Personality, 1947 — рання центральна праця вимірного підходу до екстраверсії та нейротизму. The Effects of Psychotherapy: An Evaluation, 1952 — впливова критична стаття про тодішню доказову базу психотерапії. The Structure of Human Personality, 1953 — систематичний виклад структури особистості; перше видання вийшло у лондонському видавництві Methuen. The Dynamics of Anxiety and Hysteria, 1957 — спроба пояснити тривогу та істерію через теорію научіння й експериментальну психологію. Learning Theory and Behaviour Therapy, 1959 — програмний текст про зв’язок поведінкової терапії з теоріями научіння. The Biological Basis of Personality, 1967 — розгорнутий виклад біологічного пояснення індивідуальних відмінностей. Manual of the Eysenck Personality Questionnaire, 1975 — спільна праця Ганса Айзенка та Сибіл Айзенк, пов’язана з вимірюванням PEN. Айзенк і поведінкова терапія Айзенк відіграв центральну інституційну й методологічну роль у становленні британської поведінкової терапії, але формула «Айзенк — одноосібний засновник поведінкової терапії» спотворює історію. Сам термін «поведінкова терапія» (behavior therapy) з’являвся раніше в працях інших авторів, а практичний і теоретичний розвиток напряму був колективним: серед ключових постатей були Джозеф Вольпе, Арнольд Лазарус та інші дослідники. Внесок Айзенка полягав у тому, що він наполегливо вимагав пов’язувати терапевтичні методи з перевірюваними теоріями научіння та оцінювати результати лікування контрольованими дослідженнями. У статті 1959 року Learning Theory and Behaviour Therapy він прямо формулював поведінкову терапію як застосування сучасної теорії научіння до лікування поведінкових і емоційних проблем. Історики напряму описували його радше як одну з ключових сил, що допомогли народженню поведінкової терапії, ніж як єдиного «батька» школи. Суперечка про ефективність психотерапії У 1952 році Айзенк опублікував статтю The Effects of Psychotherapy: An Evaluation, яка стала однією з найвідоміших ранніх атак на слабкість доказів ефективності психотерапії. Він аналізував наявні на той час дані й дійшов дуже скептичного висновку щодо переваг психотерапії над спонтанним поліпшенням. Історичне значення цієї статті полягає не в тому, що її широкий висновок залишився чинним. Подальші рандомізовані дослідження, метааналізи й розвиток методології показали, що психотерапія може давати клінічно значущу користь для багатьох психічних розладів і проблем. Водночас сучасні перегляди нагадують, що оцінки ефекту залежать від якості досліджень, ризику упереджень, вибору контрольної групи й конкретного виду терапії. У цьому сенсі вимога Айзенка перевіряти результат, а не покладатися на авторитет школи, пережила його власний надто широкий висновок. Айзенк і сучасна п’ятифакторна модель Екстраверсія та нейротизм Айзенка мають очевидну наступність із двома вимірами сучасної п’ятифакторної моделі особистості. Це одна з причин, чому його робота зберігає історичну вагу: два центральні виміри ранньої системи виявилися стійкими в подальших незалежних дослідницьких традиціях. Водночас PEN і п’ятифакторна модель не є взаємозамінними. Психотизм не відповідає одному фактору «Великої п’ятірки» і часто статистично пов’язаний із комбінаціями нижчої доброзичливості, нижчої сумлінності та більш специфічних рис. Порівняльні дослідження показували, що частину шкал системи Айзенка можна краще описати в просторі п’яти факторів, а сам P є найменш однозначним із трьох великих вимірів PEN. Для ширшого контексту дивіться також матеріал Українського психологічного ХАБу про структуру особистості. Окремий приклад того, як класичний темпераментний ярлик співвідноситься із сучасними вимірними моделями, розібрано в матеріалі про флегматика. Це різні рівні опису: темперамент, широкі риси та теоретичні моделі особистості не слід механічно ототожнювати. Що з моделі Айзенка витримало перевірку Екстраверсія та нейротизм залишаються двома з найстійкіших широких вимірів у сучасній психології рис. Ідея кількісного вимірювання особистісних рис стала центральною для сучасної психометрії й дослідження індивідуальних відмінностей. Індивідуальні відмінності в рисах особистості частково пов’язані з генетичними чинниками, але це не означає генетичної визначеності; конкретні біологічні механізми значно складніші за ранні схеми Айзенка. Психотизм залишається історично важливим, але структурно найслабшим і найменш однозначним компонентом PEN; сучасні моделі частіше розкладають його на точніші риси. Класична гіпотеза Айзенка про кортикальну активацію й екстраверсію отримала часткові, але неоднорідні підтвердження і не становить простого сучасного консенсусу. Вимога оцінювати психологічні теорії та терапію через дані стала важливішою за багато конкретних пояснень, які Айзенк пропонував у середині ХХ століття. Наукові суперечки та дослідницька доброчесність Окрема частина спадщини Айзенка стосується пізніх публікацій про зв’язки особистості, стресу, фізичного здоров’я та смертності, створених у співпраці з Рональдом Гроссартом-Матічеком. Цей корпус не можна описувати так само, як класичні психометричні праці Айзенка. King’s College London після перевірки публікацій, у яких зазначалася афіліація з Інститутом психіатрії, дійшов висновку, що результати конкретного корпусу спільних досліджень Eysenck–Grossarth-Maticek слід вважати небезпечними для подальшого використання як надійної наукової основи (у формулюванні KCL — unsafe), і рекомендував видавцям розглянути їх відкликання. Оновлена інституційна заява 2025 року зберігає цю позицію. Межа тут принципова: висновок стосується конкретних публікацій і конкретної дослідницької лінії. Його не слід автоматично переносити на всі праці Айзенка про психометрію, екстраверсію, нейротизм чи історію поведінкової терапії. Наукова оцінка має бути адресною: перевіряється не репутація людини як єдине ціле, а якість конкретних даних, методів і висновків. Вплив на психологію Айзенк допоміг закріпити у психології особистості мову широких вимірів, факторного аналізу, стандартизованого вимірювання та експериментальної перевірки. Його школа вплинула на психометрію рис, біологічну психологію особистості, дискусії про спадковість індивідуальних відмінностей і становлення поведінкової терапії у Великій Британії. Його історичне значення найкраще видно саме через подальшу долю його ідей. Частина концепцій була включена до сильніших сучасних моделей, частина суттєво переглянута, частина не отримала достатньої підтримки. Це типовий шлях великої наукової програми: її значення визначається не недоторканністю первісної теорії, а тим, які питання вона зробила вимірюваними й які перевірки запустила. Коротко: що важливо пам’ятати про Айзенка Ганс Айзенк розвинув вимірний підхід до особистості навколо екстраверсії, нейротизму та пізніше психотизму. Екстраверсія й інтроверсія існували як поняття до Айзенка; його внесок — психометричне й експериментальне переосмислення цих індивідуальних відмінностей. EPI та EPQ слід атрибутувати Гансу Айзенку і Сибіл Айзенк спільно. Психотизм у PEN — особистісний конструкт, а не клінічний психоз. Екстраверсія та нейротизм мають сильну наступність із сучасною п’ятифакторною моделлю; психотизм значно більш спірний. Айзенк був ключовою постаттю становлення поведінкової терапії, але не її одноосібним засновником. Проблеми дослідницької доброчесності стосуються конкретного пізнього корпусу робіт із Рональдом Гроссартом-Матічеком і потребують окремої оцінки від решти спадщини. Пов’язані статті Екстраверсія: що це, хто такий екстраверт, Юнг і сучасна психологія Інтроверсія: хто такий інтроверт, Юнг і сучасна психологія Поведінкова терапія (біхевіоральна терапія): що це, методи та доказова база Структура особистості: що це, сучасні моделі рис і підходи Фройда, Юнга та Кернберга Флегматик: хто це, класичні ознаки та що каже сучасна психологія Особистісний опитувальник Айзенка (EPI): що вимірює, шкали та інтерпретація Меланхолік — хто це, риси темпераменту та сучасний погляд Холерик — хто це, риси темпераменту та сучасний погляд Сангвінік — хто це, риси темпераменту та сучасний погляд Особистість: що це таке, риси, структура та як вона змінюється Емоційна стабільність: що це, як проявляється та зв’язок із нейротизмом Джерела Oxford Bibliographies: Hans Eysenck WorldCat: The Structure of Human Personality, 1953 PubMed: The Effects of Psychotherapy: An Evaluation, 1952 PubMed: Learning Theory and Behaviour Therapy, 1959 WorldCat: Manual of the Eysenck Personality Inventory, 1964 WorldCat: Manual of the Eysenck Personality Questionnaire, 1975 King’s College London: Statement on publications by Professor Hans Eysenck Personality neuroscience review: Extraversion and neurobiology EEG study of cortical arousal and personality Systematic review and meta-analysis of Big Five structural neuroimaging PubMed: Heritability of personality — meta-analysis of behavior genetic studies, 2015 PubMed: The good, the bad, and the ugly — 50-year perspective on psychotherapy outcomes, 2013 Cambridge Core: Rebel with a Cause — Hans Jürgen Eysenck obituary and behaviour therapy history

Автор: Український психологічний ХАБ · Опубліковано: 18 вересня 2023 · Редакційна політика Невротична особистість — це історичний і описовий психологічний термін для стійкого патерну підвищеної емоційної реактивності, тривожності, внутрішньої напруги та чутливості до стресу. У сучасній психології він не є окремим діагнозом. Найближчий науково вимірюваний конструкт — нейротизм, одна з широких рис особистості, але ці поняття не є повними синонімами. Коли людина шукає «невротичний тип особистості», корисніше не приклеювати до себе типологічний ярлик, а розібрати, що саме повторюється: схильність до хвилювання, сильна реакція на невизначеність, самокритика, пережовування думок, напруження у стосунках чи інші труднощі. Це дає значно більше інформації, ніж саме слово «невротичний». Що означає «невротична особистість» У різні періоди психології та психіатрії словом «невротичний» описували різні явища. Воно могло стосуватися тривоги, внутрішнього конфлікту, нав’язливих переживань, емоційної нестійкості або способів реагування на стрес. Через таку широту термін не має одного сучасного набору ознак, за яким можна надійно «визначити тип» людини. Сьогодні такі описи доцільніше розглядати через сучасну психологію особистості: її риси, типові способи емоційного реагування, стратегії подолання стресу, міжособистісні патерни та реальний вплив цих особливостей на життя. Чи є невротична особистість психічним розладом Ні. «Невротична особистість» не є назвою окремого сучасного психіатричного діагнозу. Всесвітня організація охорони здоров’я в ICD-11 описує розлади особистості в окремому клінічному розділі й використовує dimensional approach — оцінювання вираженості порушення та домінантних рис, а не старі широкі ярлики на кшталт «невротична особистість». Це важливе розрізнення. Людина може бути дуже чутливою до стресу, часто хвилюватися або мати високий нейротизм і водночас не мати розладу особистості. Для клінічного висновку важливі стійкість проблем, їх масштаб, порушення функціонування та професійна оцінка, а не одна риса чи самоопис. Невротична особистість і нейротизм: у чому різниця Нейротизм — сучасний вимір індивідуальних відмінностей. У моделі Big Five він стоїть поруч з екстраверсією, доброзичливістю, сумлінністю та відкритістю до досвіду. Американська психологічна асоціація описує нейротизм як вимір, пов’язаний з емоційною нестабільністю та схильністю до психологічного дистресу. Люди розміщуються на цьому вимірі поступово: немає природної межі, після якої людина раптом стає «невротичною особистістю». Саме тому сучасна наука про риси говорить про ступінь вираженості нейротизму, а не про жорсткий тип. Нейротизм — вимір риси, який можна оцінювати психометрично; «невротична особистість» — ширший історичний і описовий термін. Високий нейротизм означає більшу схильність до неприємних емоційних реакцій і стресової чутливості, але сам по собі не встановлює психічний розлад. Термін «невротична особистість» залежить від теоретичної традиції: у Карен Хорні він означав дещо інше, ніж нейротизм у сучасній п’ятифакторній моделі. Клінічну допомогу визначають за конкретними труднощами й порушенням функціонування, а не за відповідністю популярному опису «типу». Які особливості зазвичай мають на увазі У популярних і частково історичних описах «невротичної особистості» найчастіше йдеться про поєднання кількох повторюваних тенденцій. Це не діагностичні критерії і не список для самодіагностики. Висока емоційна реактивність: події, невизначеність або конфлікти переживаються інтенсивніше й довше. Схильність до тривоги та очікування небезпеки навіть у ситуаціях, де результат ще невідомий. Румінація — повторне прокручування думок про помилки, образливі епізоди, можливі наслідки або те, «що треба було сказати». Підвищена самокритика, сором або чутливість до оцінки інших людей. Складність швидко відновитися після стресу, конфлікту чи невдачі. Тенденція уникати ситуацій, які здаються емоційно небезпечними, хоча уникнення інколи підтримує тривогу в довгостроковій перспективі. Окремо кожна з цих рис зустрічається у великої кількості людей. Значення має не наявність одного пункту, а повторюваний патерн, його інтенсивність, контекст і наслідки для повсякденного життя. Чому нейротизм пов’язують із тривогою та дистресом Нейротизм описує схильність частіше й сильніше реагувати на загрозу, втрату, невизначеність або фрустрацію неприємними емоціями. Огляд Thomas Widiger і Joshua Oltmanns підкреслює його зв’язок із тривогою, дратівливістю, емоційною нестабільністю та ширшим спектром психопатології. Це фактор уразливості, а не вирок і не одна причина будь-якого розладу. Метааналіз 59 поздовжніх і проспективних досліджень із понад 443 тисячами учасників показав, що вищий нейротизм перспективно пов’язаний із більшою ймовірністю поширених психічних труднощів, особливо тривожних і депресивних. Після врахування попередніх симптомів і психіатричної історії зв’язок ставав слабшим, але не зникав. Це добре показує різницю між фактором ризику та діагнозом. Невротична особистість і невроз — не одне й те саме Слово «невроз» має власну складну історію. У сучасній клінічній практиці воно не працює як одна універсальна діагностична категорія. На сторінці «Невротичний розлад (невроз)» ми окремо розбираємо, чому старий umbrella-term сьогодні потрібно перекладати на конкретні симптоми й сучасні діагностичні категорії. «Невротична особистість» описує передусім відносно стійкий спосіб реагування або історичну теоретичну конструкцію; «невроз» традиційно описував широкий клас станів чи симптомів. Змішування цих понять створює хибне враження, ніби риса особистості автоматично означає захворювання. Невротична особистість і розлад особистості Розлади особистості — окрема клінічна область. В ICD-11 ВООЗ підкреслює dimensional оцінювання: важливо, наскільки стійкі особистісні труднощі порушують функціонування та якою є їхня вираженість. Висока тривожність, самокритика чи нейротизм самі по собі такого висновку не дають. Тому фрази «у мене невротичний тип, отже в мене розлад особистості» або «я емоційно нестабільний, значить це патологія» не відповідають сучасній логіці клінічної оцінки. Професійна оцінка починається з конкретних скарг, тривалості, контексту, ступеня страждання та впливу на роботу, навчання, стосунки й самообслуговування. Карен Хорні та «Невротична особистість нашого часу» Особливе місце термін посів у працях Карен Хорні. У 1937 році вона опублікувала книгу «Невротична особистість нашого часу», де розглядала невротичні конфлікти в культурному та міжособистісному контексті. Для Хорні важливими були базальна тривога, потреба в безпеці, ригідні способи взаємодії та конфлікти між потребами. Ця модель історично впливова, але її терміни не переносяться в сучасну діагностику буквально. Коли ми говоримо про Хорні, йдеться про конкретну психодинамічну теорію XX століття. Коли говоримо про нейротизм — про емпірично досліджувану рису особистості. А коли йдеться про сучасний психічний розлад — про клінічну оцінку за чинними класифікаціями. Чи означає високий нейротизм «слабкий характер» Ні. Риси особистості не є моральними оцінками. Вища емоційна чутливість може означати, що людина швидше помічає ризики, сильніше реагує на конфлікт або довше обробляє неприємні події. У різних середовищах це може мати різні наслідки. Проблема виникає тоді, коли реакції стають виснажливими, звужують поведінку або стабільно заважають важливим сферам життя. Так само низький нейротизм не гарантує психологічного благополуччя. Особистість багатовимірна: на поведінку впливають інші риси, навчений досвід, поточний стрес, фізичне здоров’я, соціальна підтримка та конкретна ситуація. Коли варто звернутися по професійну допомогу Орієнтиром є не назва типу, а те, наскільки важко вам жити з конкретними переживаннями. Допомога може бути доречною, якщо тривога, напруження, румінація, страх оцінки, дратівливість або уникнення тривалий час помітно впливають на сон, навчання, роботу, стосунки або здатність робити потрібні справи. Психологічна чи психотерапевтична робота в такому разі спрямовується не на «виправлення особистості», а на конкретні механізми: регуляцію тривоги, ставлення до невизначеності, уникнення, самокритику, румінацію, навички емоційної регуляції та поведінкові патерни. Якщо симптоми виражені, різко посилюються або є підозра на психічний розлад, до оцінки може бути залучений лікар. Що можна робити замість самодіагностики за типом Корисна зміна фокуса — перейти від питання «я невротична особистість чи ні?» до опису того, що реально відбувається. Наприклад: «я часто очікую найгіршого перед важливими подіями», «після критики кілька годин прокручую розмову», «через тривогу відкладаю дзвінки», «після конфлікту довго не можу заспокоїтися». Такі формулювання вже показують механізм і дають основу для вибору стратегії допомоги. Далі варто подивитися на три речі: що запускає реакцію, що людина робить у відповідь і що підтримує цикл. Наприклад, короткочасне уникнення зменшує напруження, але може посилювати страх перед наступною подібною ситуацією; постійна перевірка й пошук гарантій тимчасово заспокоюють, але залишають невизначеність нестерпною. Саме ці цикли часто є практичнішою мішенню, ніж глобальний ярлик про характер. Коротко «Невротична особистість» — історичний і описовий термін, а не окремий сучасний діагноз. Найближча сучасна рисова конструкція — нейротизм, один із широких вимірів Big Five. Високий нейротизм підвищує схильність до емоційного дистресу, але не означає автоматичної наявності психічного розладу. Невроз, розлад особистості та невротична особистість — різні поняття. Карен Хорні використовувала поняття «невротичної особистості» у власній історичній теорії; це окрема гілка від сучасної психометрії рис. Практичний критерій для звернення по допомогу — стійкий дистрес і порушення повсякденного функціонування, а не відповідність популярному опису типу. Поширені запитання Невротична особистість — це діагноз? Ні. Це історичний і описовий психологічний термін. Сучасні діагнози встановлюють за конкретними клінічними критеріями та оцінкою функціонування. Невротична особистість і нейротизм — це те саме? Не зовсім. Нейротизм — вимір риси особистості, який систематично досліджують і вимірюють. «Невротична особистість» — ширший термін, значення якого залежить від історичного або теоретичного контексту. Високий нейротизм означає психічну хворобу? Ні. Це риса, яка може бути пов’язана з більшою вразливістю до тривоги й дистресу, але не є самостійним доказом психічного розладу. Чи можуть у людини з високим нейротизмом бути панічні атаки? Можуть, як і в людей з різними особистісними профілями. Панічні атаки не є визначальною ознакою «невротичної особистості» й потребують окремої оцінки, якщо повторюються або сильно лякають. Що мала на увазі Карен Хорні під невротичною особистістю? Хорні описувала стійкі невротичні конфлікти, базальну тривогу та ригідні міжособистісні способи справлятися з почуттям небезпеки. Це історична психодинамічна модель, а не сучасна діагностична категорія. Коли звертатися до психолога? Коли тривога, самокритика, румінація, емоційна реактивність або уникнення регулярно заважають навчанню, роботі, стосункам, сну чи іншим важливим сферам життя. Мета консультації — розібрати конкретні труднощі, а не підтвердити ярлик «типу особистості». Якщо ці труднощі заважають жити Якщо ви впізнаєте не просто рису характеру, а стійкий цикл тривоги, виснаження, уникнення чи конфліктів, можна обрати фахівця й обговорити саме ці прояви. На сторінці каталогу Українського психологічного ХАБу можна знайти психолога за напрямом роботи. Пов’язані статті Особистість: що це таке, риси, структура та як вона змінюється Невротичний розлад (невроз): що це, сучасне значення та коли потрібна допомога Карен Хорні: біографія, теорія особистості та внесок у психологію «Невротична особистість нашого часу» Карен Хорні: ідеї, зміст і сучасна оцінка «Невроз і зростання людини» Карен Хорні: ідеї, самореалізація та сучасна оцінка Джерела World Health Organization. Clinical descriptions and diagnostic requirements for ICD-11 mental, behavioural and neurodevelopmental disorders (2024). World Health Organization. New manual released to support diagnosis of mental, behavioural and neurodevelopmental disorders added in ICD-11 (2024). APA Dictionary of Psychology: Neuroticism. APA Dictionary of Psychology: Big Five personality model. Widiger T. A., Oltmanns J. R. Neuroticism is a fundamental domain of personality with enormous public health implications. World Psychiatry, 2017. Jeronimus B. F. et al. Neuroticism’s prospective association with mental disorders: meta-analysis of 59 longitudinal/prospective studies. Psychological Medicine, 2016. Bayer R., Spitzer R. L. Neurosis, psychodynamics, and DSM-III: a history of the controversy. Archives of General Psychiatry, 1985. Horney K. The Neurotic Personality of Our Time. W. W. Norton & Company, 1937.

Автор: Український психологічний ХАБ · Опубліковано: 22 вересня 2026 · Редакційна політика Якщо у вас уже є три сирі бали з Eysenck Personality Inventory — E, N і L — цей калькулятор допомагає побачити їх на шкалах і зрозуміти, що вони означають без псевдоточних «норм», діагнозів і жорстких типів. EPI був опублікований Гансом Юргеном Айзенком і Сибіл Б. Г. Айзенк у 1964 році; класична форма містить 57 пунктів і окремі шкали екстраверсії, нейротизму та L. University of London: Eysenck Personality Inventory, 1964 Ця сторінка не є копією повного тесту. Вона не публікує 57 тверджень EPI та ключ підрахунку: користувач вводить уже отримані значення E (0–24), N (0–24) і L (0–9). Окремо про сам інструмент, його історію й доказову базу читайте у матеріалі «Особистісний опитувальник Айзенка (EPI)». Ввести бали E, N і L Введіть тільки цілі сирі бали. Розрахунок і візуалізація виконуються локально у вашому браузері. Калькулятор не надсилає введені значення на сервер і не зберігає їх у браузерному сховищі. Що саме робить калькулятор Калькулятор не «визначає характер» і не встановлює психологічний тип. Він виконує вужчу задачу: перевіряє, чи лежать введені сирі бали в допустимому діапазоні, показує E і N на двовимірній координатній площині, окремо відображає L та пояснює напрямок кожної шкали. E — екстраверсія: можливий сирий бал 0–24. N — нейротизм: можливий сирий бал 0–24. L — контрольна шкала стилю відповідей: можливий сирий бал 0–9. Лінії E=12 і N=12 на графіку — лише математичні середини можливих діапазонів, а не нормативні пороги. Опційна схема чотирьох темпераментів показується тільки як історична навчальна надбудова і вимкнена за замовчуванням. Як читати шкалу E: екстраверсія — інтроверсія Шкала E описує положення на континуумі екстраверсії. В айзенківській традиції вищі значення пов’язували з більшою товариськістю, активністю, пошуком зовнішньої стимуляції та спонтанністю, а нижчі — зі стриманішою та більш інтровертованою поведінкою. Проте EPI не ділить людей на два природні види. Коректніше говорити про напрямок і ступінь вираженості риси в межах конкретної шкали. Про сучасне розуміння конструкта дивіться «Екстраверсія» та «Інтроверсія». Факторні дослідження EPI справді знаходили великі фактори екстраверсії та нейротизму, хоча структура окремих пунктів не є ідеально простою. У дослідженні Comrey, Noller і Law 57 пунктів EPI аналізували різними факторно-аналітичними методами; основні E та N фактори відтворювалися, але частина спільної дисперсії вимагала складнішого опису. Comrey, Noller & Law (1988) Як читати шкалу N: нейротизм Шкала N відображає індивідуальні відмінності в емоційній реактивності та схильності переживати негативний афект. Вищий сирий бал у межах EPI означає рух у бік вищого нейротизму, нижчий — у бік більшої емоційної стабільності. Це не діагноз «неврозу», тривожного або депресивного розладу. Детальніше про протилежний полюс читайте у статті «Емоційна стабільність». Психометричні властивості EPI неоднакові для різних шкал. Howarth на вибірці 1319 учасників аналізував гомогенність і факторну однозначність EPI та повідомив, що шкала нейротизму за цими критеріями виглядала сильнішою за шкалу екстраверсії. Howarth (1976) Що означає шкала L — і чому це не «детектор брехні» Літера L історично походить від назви Lie scale, але буквально трактувати її як детектор брехні — помилка. Такі шкали створювалися для виявлення особливостей стилю відповіді, зокрема соціально бажаної самопрезентації та прагнення справити певне враження. Однак сам високий L не доводить свідомої брехні. Дослідження самої EPI L-шкали показували, що її значення залежить не лише від навмисного «прикрашання». Наприклад, Pryke і Harper виявили вікові відмінності в L-балах у вибірках медсестер; це створювало проблеми для простого застосування одного порога у відборі. Pryke & Harper (1977). Огляд Furnham також показував, що соціальна бажаність і дисимуляція в айзенківських інструментах є складнішою проблемою, ніж одна універсальна шкала «правда / брехня». Furnham (1986) Сучасні роботи про соціальну бажаність загалом теж не підтримують надто просту інтерпретацію таких шкал як чистого індикатора спотворення. Bäckström і Björklund розглядали соціальну бажаність як взаємодію оцінного змісту пунктів і мотивації самопрезентації, а метааналіз Lanz та співавторів показав, що шкали соціальної бажаності можуть відображати не лише упередженість відповіді, а й змістовні особистісні характеристики. Bäckström & Björklund (2013) · Lanz et al. (2022) Чому на графіку є 12, але немає «низько / середньо / високо» Для E та N математично можливий діапазон становить 0–24. Число 12 рівно посередині цього діапазону, тому воно зручне для візуальної орієнтації на графіку. Але математична середина шкали не перетворюється автоматично на психометричну норму, середнє населення або клінічний поріг. У відкритих джерелах, які ми перевірили для цієї публікації, не встановлено сучасної репрезентативної української рестандартизації EPI, яка дозволяла б чесно будувати тут українські процентилі або універсальні категорії. Тому калькулятор навмисно не пише «висока екстраверсія», «середній нейротизм» чи «нормальний L» лише на підставі одного числа. Як читати координати E × N На двовимірному графіку горизонтальна вісь — E, вертикальна — N. Точка показує лише вашу пару сирих балів. Чим правіше вона розташована, тим більше балів за E; чим вище — тим більше балів за N. Пунктирні осі на 12 потрібні для геометричної орієнтації, а не для поділу людей на статистично встановлені українські групи. Це важливе розрізнення. Один і той самий сирий бал може мати інше відносне положення в різних вікових, мовних або культурних вибірках. Без відповідної нормативної бази перетворення сирого бала на процентиль було б псевдоточністю. Історична схема чотирьох темпераментів У популярних інтерпретаціях EPI перетин E та N часто накладають на класичні назви «сангвінічний», «холеричний», «флегматичний» і «меланхолічний» сектори. У нашому калькуляторі така схема доступна лише через окремий перемикач і прямо позначена як історична навчальна надбудова. Докладніше про історію та сучасні обмеження чотирьох типів дивіться у матеріалі «Темперамент: 4 основні типи, їхні особливості та сучасний погляд психології». Ми не використовуємо ці назви як сучасну діагностичну класифікацію. Люди не утворюють чотири природні коробки, а E і N у самому EPI є безперервними шкалами. Якщо бал точно дорівнює 12 на одній з осей, калькулятор узагалі не присвоює сектор, щоб не створювати штучної категорії. Чому ми не публікуємо 57 пунктів і ключ EPI Ми не встановили публічно перевірної стандартної ліцензії, яка сама по собі дозволяла б повне онлайн-відтворення 57 пунктів EPI та ключа в нашому публічному контексті. Бібліотека University of London зберігає EPI як історичний тестовий матеріал і вказує видання Eysenck & Eysenck 1964 року. Senate House Library. За відсутності самодостатньої правової підстави ХАБ не копіює повні форми з інших сайтів. Сам калькулятор не потребує відтворення захищених пунктів: він приймає лише три числа, уже підраховані в іншому контексті. Це дозволяє розділити корисний потребу після проходження тесту — зрозуміти власний результат — і публікацію повного опитувальника. EPI, EPQ/PEN і Big Five — різні речі EPI 1964 року зосереджений на E, N і L. Пізніший Eysenck Personality Questionnaire (EPQ) пов’язаний уже з трифакторною моделлю PEN, де додається психотизм. Тому EPI не слід називати «тестом PEN». І EPI, і сучасні Big Five інструменти можуть містити конструкти, споріднені з екстраверсією та нейротизмом, але їхні бали не є взаємозамінними. Для іншого сучасного профілю рис у ХАБі є Mini-IPIP Big Five. Історичний і концептуальний контекст програми Айзенка окремо розкрито у статті «Ганс Айзенк: біографія, модель PEN, екстраверсія, нейротизм і психотизм». Психометричні обмеження EPI EPI — історично важливий інструмент, але його не треба подавати як безпомилковий стандарт. Факторні дослідження та аналізи на рівні окремих пунктів показували як відтворюваність основних E/N вимірів, так і складнощі в гомогенності окремих шкал. Крім того, форми A і B не завжди дають абсолютно взаємозамінні результати: Stones описував систематичні розбіжності між формами та можливу роль стилю відповідей. Stones (1977) Тому кілька балів різниці не варто інтерпретувати як радикальну зміну особистості. На результат можуть впливати конкретна форма, переклад, умови проходження, розуміння пунктів і стиль відповідей. Калькулятор не прибирає ці джерела похибки — він лише прозоро показує введені сирі значення. Що робити, якщо результат здається дивним Спочатку перевірте найпростіше: чи точно ви ввели бали з EPI, а не з EPQ, іншої версії «тесту Айзенка» або неофіційної інтернет-анкети. У різних інструментів можуть бути інші діапазони, ключі та правила інтерпретації. Далі подивіться на сам профіль, а не на один ярлик. Сирий бал не зобов’язаний збігатися з вашим повсякденним самоописом: поведінка залежить від ситуації, ролі, культури й контексту, а короткий самооцінювальний інструмент має похибку вимірювання. Якщо вас турбує не цифра, а стійкий емоційний дискомфорт чи труднощі, які помітно впливають на роботу, навчання, стосунки або повсякденні рішення, можна самостійно переглянути каталог психологів. Сам EPI-бал не є підставою для направлення до фахівця. Поширені запитання Що означають E, N і L у тесті Айзенка? E — шкала екстраверсії, N — нейротизму, L — контрольна шкала стилю відповідей. У класичному EPI E і N мають діапазон 0–24, L — 0–9. Чи означає E понад 12, що я «екстраверт»? Не обов’язково. У цьому калькуляторі 12 — лише математична середина діапазону 0–24. Без відповідних норм це не універсальний поріг, який ділить людей на екстравертів та інтровертів. Чи означає високий N тривожний розлад? Ні. N — риса особистості в межах EPI. Клінічні розлади визначають не одним балом, а симптомами, тривалістю, дистресом, функціональним впливом та іншими критеріями. Чи означає високий L, що людина бреше? Ні. L історично пов’язували зі стилем відповіді та соціально бажаною самопрезентацією, але високий сирий бал сам по собі не доводить свідомої брехні. Чому калькулятор не показує процентиль? Для процентиля потрібна релевантна нормативна вибірка саме для відповідної версії інструменту. Ми не переносимо чужі або застарілі норми на сучасну українську аудиторію без окремої доказової підстави. Чи можна за E і N визначити сангвініка, холерика, флегматика або меланхоліка? Лише як історичну навчальну схему. Калькулятор може показати таку квадрантну надбудову за бажанням, але вона не є сучасною діагностичною класифікацією. Чи можна порівнювати бал EPI з Big Five? Безпосередньо — ні. Споріднені назви рис не роблять шкали різних інструментів взаємозамінними. Потрібно враховувати конкретні пункти, ключі, шкали та нормативну базу. Пов’язані статті Особистісний опитувальник Айзенка (EPI): що вимірює, шкали та інтерпретація Ганс Айзенк: біографія, модель PEN, екстраверсія, нейротизм і психотизм Екстраверсія: що це, хто такий екстраверт, Юнг і сучасна психологія Інтроверсія: хто такий інтроверт, Юнг і сучасна психологія Емоційна стабільність: що це, як проявляється та зв’язок із нейротизмом Темперамент: 4 основні типи, їхні особливості та сучасний погляд психології Психологічні тести: що це, як працюють і як оцінювати результати Тест Big Five («Велика п’ятірка») онлайн: Mini-IPIP на 20 питань Джерела Bäckström, M., & Björklund, F. (2013). Social desirability in personality inventories: symptoms, diagnosis and prescribed cure. Scandinavian Journal of Psychology, 54(2), 152–159. PubMed Comrey, A. L., Noller, P., & Law, H. (1988). Eysenck Personality Inventory item factor structure. Multivariate Behavioral Research, 23(2), 159–170. PubMed Eysenck, H. J., & Eysenck, S. B. G. (1964). Manual of the Eysenck Personality Inventory. University of London Press. University of London catalogue Furnham, A. (1986). Response bias, social desirability and dissimulation. Personality and Individual Differences, 7(3), 385–400. DOI Howarth, E. (1976). A psychometric investigation of Eysenck's Personality Inventory. Journal of Personality Assessment, 40(2), 173–185. PubMed Lanz, L. et al. (2022). Are social desirability scales desirable? A meta-analytic test of the validity of social desirability scales in the context of prosocial behavior. Journal of Personality. PubMed Pryke, M. M., & Harper, J. F. (1977). The Eysenck Personality Inventory lie scale—some further Australian data. Journal of Personality Assessment, 41(6), 632–634. PubMed Stones, M. J. (1977). A further study of response set and the Eysenck Personality Inventory (EPI). Journal of Clinical Psychology, 33(1), 147–150. PubMed

Автор: Український психологічний ХАБ · Опубліковано: 15 липня 2023 · Редакційна політика Уява — це широка когнітивна здатність створювати, комбінувати й трансформувати внутрішні представлення, коли відповідний об’єкт, подія або ситуація безпосередньо не діють на органи чуття. Вона дає змогу подумки повернутися до минулого, змоделювати майбутнє, уявити те, чого людина ніколи не бачила, і перевірити можливий сценарій ще до реальної дії. Уява належить до ширшої системи мислення та інших когнітивних процесів. Її не варто зводити до «картинки в голові»: внутрішнє представлення може бути зоровим, слуховим, просторовим, руховим, тілесним, словесним або концептуальним. Що таке уява в психології Коли людина уявляє чашку на столі, розмову, яка ще не відбулася, мелодію без реального звуку або маршрут незнайомим містом, мозок працює з інформацією, якої в цю мить немає у відповідному сенсорному потоці. Уява створює внутрішню модель — від простого образу до складної сцени з простором, подіями, емоціями й можливими наслідками. Сучасна когнітивна наука розглядає уяву не як окремий «центр» мозку, а як результат взаємодії систем пам’яті, сенсорного представлення, уваги, виконавчого контролю та мереж, пов’язаних із внутрішньо спрямованим мисленням. Огляд Джоела Пірсона показує, що зорова ментальна образність залучає розподілену мережу — від лобових ділянок до сенсорної кори — і частково перекривається з механізмами сприймання. Огляд у Nature Reviews Neuroscience. Як працює уява Уява майже ніколи не створює зміст «з нічого». Вона використовує фрагменти вже набутих знань і досвіду, поєднує їх у нові конфігурації, змінює масштаб, контекст, послідовність або значення. Саме тому можна уявити істоту, якої не існує: її частини, властивості й просторові відношення зазвичай побудовані з елементів, які мозок уже вміє представляти. Один із добре досліджених прикладів — конструювання сцен. У дослідженні Деміса Хассабіса та колег уява вигаданих подій і згадування епізодів залучали спільний процес побудови складного просторового контексту за участю гіпокампа та пов’язаних ділянок. Це допомагає зрозуміти, чому уява так тісно переплетена з пам’яттю, але не є простим її повторенням. Дослідження в Journal of Neuroscience. Уява і ментальні образи: це не лише зір Ментальний образ — це переживання, подібне до сприймання, яке виникає без відповідного зовнішнього сенсорного сигналу. Найкраще досліджена зорова образність, однак люди можуть подумки «чути» голос або музику, відтворювати відчуття руху, простору, дотику чи інших модальностей. Уява ще ширша: вона може бути не тільки сенсорною, а й переважно словесною або концептуальною. Тому візуалізація — лише один зі способів використання уяви. Візуалізація зазвичай означає навмисне створення або використання зорового ментального образу чи ментальне програвання дії. Уява охоплює більше модальностей і не обов’язково має конкретну практичну мету. Навіщо людині уява Уява цінна тим, що дає змогу працювати з можливим, а не тільки з тим, що вже відбувається. Її функції перетинаються й залежать від завдання: Моделювання майбутнього. Можна подумки випробувати кілька варіантів подій, перш ніж обрати дію. Підготовка до дії. Ментальне програвання допомагає уточнювати послідовність кроків, очікування й можливі труднощі. Робота з емоціями. Уявна сцена може викликати реальну емоційну реакцію, посилювати або змінювати поточний стан. Створення нових ідей. Уява дає матеріал для комбінування, перевірки та перетворення можливостей у творчій роботі. Розуміння альтернатив. Людина може уявити інший перебіг подій, іншу точку зору або наслідки рішення, не здійснюючи його в реальності. Емоційна сила образів має практичне значення. Огляди показують, що ментальні образи можуть бути тісніше пов’язані з емоціями, ніж суто словесно-мовне міркування, а уявні події здатні впливати на мотивацію та поведінку. Це пояснює і корисність уявної репетиції, і те, чому небажані образи інколи виснажують. Огляд Ji та співавторів. Уява, пам’ять і моделювання майбутнього Пам’ять дає уяві матеріал, але уява не копіює минуле дослівно. Людина може витягнути знайомі елементи — місця, людей, правила, відчуття — й перебудувати їх у сцену, якої ніколи не було. Саме ця конструктивність дозволяє мислити про можливе майбутнє. Огляд Деніела Шактера та колег узагальнює дані про значне перекриття між згадуванням минулого й уявленням майбутніх подій. Спільні механізми допомагають гнучко використовувати накопичений досвід для симуляції нових ситуацій. Водночас уявлений сценарій залишається моделлю: його детальність або емоційна переконливість не робить прогноз точним. Огляд у Neuron. Уява і творчість Уява важлива для творчого мислення та творчості, бо дозволяє створювати й перетворювати можливі образи, структури та сценарії. Проте сильна зорова образність не дорівнює високій креативності. Метааналіз досліджень індивідуальних відмінностей виявив лише слабкий зв’язок між ментальною образністю й показниками творчості; образність пояснювала менш як 3% варіативності результатів. У класичних описах загальної психології одним зі способів перетворення образів уяви є аглютинація — поєднання в новому цілому елементів або властивостей уже наявних уявлень. Це зручний приклад комбінування, але творчий процес значно ширший: він включає генерацію, оцінювання, відбір і вдосконалення ідей. Чим уява відрізняється від фантазії, візуалізації та сприймання Сусідні поняття частково перетинаються, але відповідають на різні запитання: Уява — широка здатність створювати та перетворювати внутрішні представлення й моделювати те, чого зараз немає у відповідному сенсорному потоці. Фантазія — у цій статті вужче поняття: конкретні внутрішні образи, сцени, сюжети або сам процес фантазування. У різних психологічних традиціях межі термінів можуть відрізнятися. Візуалізація — навмисне використання переважно зорового образу або ментальної репетиції для певної мети. Сприймання переважно спирається на актуальний сенсорний сигнал від середовища, тоді як уява значною мірою будується «згори вниз» на основі внутрішніх представлень. Галюцинація — переживання сприймання стимулу за його відсутності. Ментальний образ також може виникати без відповідного сигналу, але зазвичай усвідомлюється як внутрішній образ, а не як зовнішня подія. Докладніше про сусідній термін дивіться у матеріалі «Фантазія: що це і як вона працює». Сучасний огляд 2026 року також показує, що зорові ментальні образи та зорові галюцинації мають спільні риси, однак є різними феноменами й потребують окремого опису. Огляд Panigutti та співавторів. Афантазія: коли внутрішньої картинки майже немає Афантазією називають відсутність або дуже слабку здатність до довільної зорової образності під час неспання. Це не означає, що людина не має уяви взагалі, не здатна фантазувати або не може бути творчою. Внутрішнє моделювання може більше спиратися на слова, поняття, просторові відношення, знання та інші способи представлення. Дослідження афантазії залишається молодою галуззю. Огляд Адама Земана 2025 року підкреслює її неоднорідність: імовірно, існують різні варіанти цього досвіду, а люди з афантазією загалом добре дають раду повсякденним завданням. Тому сам факт відсутності яскравої «картинки в голові» не слід трактувати як дефіцит мислення чи творчих здібностей. Огляд у Neuropsychologia. Чи можна розвивати уяву Практичніше розвивати не абстрактну «силу уяви», а конкретну функцію, яка потрібна: створення варіантів, деталізацію сцени, просторове моделювання, сюжетне мислення або ментальну репетицію. Яскравість зорових образів сильно відрізняється між людьми, тому одна вправа не буде однаково корисною для всіх. Змінюйте один параметр знайомого образу: розмір, матеріал, освітлення, положення, функцію — і простежуйте, що саме ви можете представити. Створюйте кілька сценаріїв для однієї ситуації: найімовірніший, альтернативний і несподіваний. Це тренує варіативність, а не лише деталізацію. Перемикайте модальність: спробуйте уявити не тільки вигляд місця, а й звук, просторову структуру, рух або тілесне відчуття. Виносьте уявне назовні — у короткий текст, схему, ескіз або список. Зовнішня опора зменшує вимогу до яскравого внутрішнього образу й полегшує подальше перетворення ідеї. Додавайте обмеження. Завдання на кшталт «три способи використати предмет без його звичної функції» змушує перебудовувати знайомі представлення. Для людини з афантазією мета не обов’язково полягає в тому, щоб «навчитися бачити». Можна ефективно працювати через слова, схеми, просторове знання, зовнішні зображення й інші доступні способи моделювання. Коли уява стає виснажливою Небажані ментальні образи можуть бути емоційно інтенсивними: наприклад, людина знову й знову уявляє катастрофічний сценарій або переживає нав’язливу сцену, яку складно зупинити. Сама наявність яскравої уяви не є ознакою розладу. Значення мають дистрес, керованість і те, наскільки переживання заважає сну, роботі, навчанню, стосункам або повсякденним справам. Якщо небажані образи регулярно спричиняють сильний дистрес або помітно порушують функціонування, доцільно обговорити саме ці переживання з фахівцем із психічного здоров’я. У роботі важливий конкретний механізм і контекст, а не ярлик «надто сильна уява». Поширені запитання про уяву Уява — це те саме, що фантазія? Не зовсім. У цій статті уява — ширша здатність створювати й трансформувати внутрішні представлення, а фантазія — конкретні образи, сцени, сюжети або процес фантазування. У різних психологічних традиціях терміни можуть частково перекриватися. Чи всі люди бачать картинки в голові? Ні. Яскравість зорових ментальних образів дуже різниться — від надзвичайно виразних до майже відсутніх. Афантазія описує відсутність або значне зниження довільної зорової образності під час неспання. Чи може уява працювати без зорових образів? Так. Уява може спиратися на слухові, просторові, рухові, тілесні, словесні та концептуальні представлення. Зорова образність є важливою й добре дослідженою формою, але не вичерпує уяву. Чи пов’язана уява з пам’яттю? Так. Дослідження показують значне перекриття між системами, що беруть участь у згадуванні минулого та конструюванні можливих подій. Пам’ять постачає матеріал, який уява може по-новому поєднувати. Чи означає яскрава уява більшу креативність? Ні. Яскраві образи можуть бути корисним інструментом, але метааналітичні дані показують лише слабкий зв’язок між ментальною образністю та показниками творчості. Креативність залежить від набагато ширшого набору процесів. Чи можна розвивати уяву? Можна тренувати окремі способи внутрішнього моделювання: створення альтернатив, деталізацію сцен, переключення між модальностями, просторове або сюжетне конструювання. Ефект залежить від конкретної навички й індивідуального профілю образності. У моделях Big Five уява може входити до змісту ширшого п’ятого домену, однак саму уяву не слід ототожнювати з усім конструктом. Докладніше: відкритість до досвіду у моделі Big Five. Пов’язані статті Мислення: що це, як працює та які бувають види Візуалізація: що це в психології, як працюють ментальні образи і коли вона корисна Творче мислення: що це, як працює та як його розвивати Творчість: що це, як виникає творчий процес і чому це більше за натхнення Аглютинація: що це у психології та як працює в уяві Фантазія: що це таке, як працює і чим відрізняється від уяви Джерела Pearson J. The human imagination: the cognitive neuroscience of visual mental imagery. Nature Reviews Neuroscience, 2019. Schacter D. L. et al. The future of memory: remembering, imagining, and the brain. Neuron, 2012. Hassabis D., Kumaran D., Maguire E. A. Using imagination to understand the neural basis of episodic memory. Journal of Neuroscience, 2007. Cocquyt C. M., Palombo D. J. Emotion in the mind’s eye: Imagination for adaptive cognition. Annals of the New York Academy of Sciences, 2023. Ji J. L. et al. Mental imagery in psychiatry: conceptual & clinical implications. CNS Spectrums, 2019. Zeman A. A decade of aphantasia research — and still going! Neuropsychologia, 2025. Panigutti M. et al. Seeing without eyes: Relation between visual mental imagery and visual hallucinations. Neuroscience & Biobehavioral Reviews, 2026. LeBoutillier N., Marks D. F. Mental imagery and creativity: a meta-analytic review study. British Journal of Psychology, 2003.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Тестове завдання — це не просто вдало написане запитання. У психометрії item є спроєктованою одиницею вимірювання: він має викликати відповідь, яка дає інформацію про визначений психологічний конструкт або здатність, і водночас не додавати зайвої складності, підказок, мовного шуму чи сторонніх вимог. Саме тому якість формулювання входить до логіки психометричного вимірювання, а не до косметичного редагування тексту. Сучасні Standards for Educational and Psychological Testing вимагають документувати процедури розроблення, перегляду, апробації та відбору завдань, а також залучати кваліфікованих рецензентів, коли потрібно оцінити зміст, ясність, відповідність специфікації та можливі джерела нерелевантної до конструкта складності. Огляди розроблення психологічних шкал так само ставлять генерацію завдань і перевірку змістової валідності на початок усього ланцюга вимірювання. У цій статті всі приклади створені спеціально для пояснення принципів. Вони не є завданнями реальних клінічних, освітніх чи професійних тестів, не відтворюють захищені банк завданьs і не містять ключів до ліцензованих методик. Що таке item у психологічному тесті Item — технічний англомовний термін для окремої одиниці тесту або шкали. Українською залежно від формату природно вживати «тестове завдання», «пункт шкали», «твердження», «запитання» або «стимул». Item не обов’язково має форму запитання. У самооцінювальній шкалі це може бути твердження з категоріями відповіді, у тесті здібностей — задача з однією найкращою відповіддю, у ситуаційному тесті — короткий сценарій, а в практичному оцінюванні — інструкція до дії. Ключова ознака item полягає не в граматичній формі, а у функції: він повинен створити спостережувану відповідь, яку можна інтерпретувати відповідно до моделі вимірювання. Тому формулювання item завжди підпорядковане конструкту, цільовій популяції, способу підрахунку бала й заплановане використання. Це важливо і для психологічного тестування: один і той самий текст може бути прийнятним для дослідницької шкали дорослих, але неприйнятним для скринінгу підлітків, кроскультурного порівняння або тесту, де швидкість читання не повинна впливати на результат. Науковий статус правил написання завдань У item writing є правила різної сили. Частина спирається на авторитетні стандарти, теорію вимірювання та багаторічну практику розроблення тестів. Частина підтверджена емпіричними дослідженнями конкретних типів item. Частина працює як редакційна евристика: корисне правило за замовчуванням, яке треба перевіряти в конкретному інструменті, а не перетворювати на універсальний закон. Boateng та співавтори описують розроблення шкали як послідовність від визначення домену й генерації великого початкового набору пунктів до перевірки змісту, попереднього тестування, item reduction, факторної структури та оцінювання психометричних властивостей. Сучасний огляд найкращих практик так само підкреслює, що якість шкали починається до статистичного аналізу — з чіткого конструкта, специфікації та продуманого пулу пунктів. Емпіричні дослідження item-writing flaws показують, що формальні «порушення правил» не завжди мають однаковий ефект у кожному тесті. Наприклад, у дослідженні Pham, Besanko і Devitt окремі недоліки завдань множинного вибору змінювали показники складності або результати, але вплив був неоднорідним і непередбачуваним. Це не робить правила зайвими; навпаки, воно показує, чому item потрібно не лише редагувати, а й емпірично перевіряти. Отже, надійна позиція така: правила формулювання зменшують передбачувані джерела шуму, але остаточна якість item встановлюється через поєднання змістового обґрунтування, перевірки зрозумілості цільовою групою, пілотування та психометричного аналізу. До формулювання: спочатку визначте, що саме має вимірювати item Найчастіша концептуальна помилка виникає ще до першого речення. Автор починає «вигадувати запитання», не встановивши межі конструкта. У результаті пул швидко наповнюється пунктами, які звучать правдоподібно, але вимірюють суміш рис, ситуацій, соціальних норм і мовних навичок. Перед item writing потрібна робоча специфікація: назва конструкта, його визначення, домени або фасети, цільова група, контекст використання, бажаний тип відповіді та логіка інтерпретації. Для шкали самозвіту окремо визначають часовий горизонт, ситуаційний контекст і те, чи оцінюється частота, інтенсивність, типовість, згода або інша характеристика. Цей етап безпосередньо пов’язаний зі змістовою валідністю. За рамкою COSMIN змістова валідність охоплює релевантність, повноту й зрозумілість змісту інструмента. Вдале речення може бути нерелевантним конструкту; набір дуже ясних пунктів може залишити цілу важливу фасету невиміряною. COSMIN рекомендує оцінювати зміст не лише експертами, а й з погляду представників цільової популяції. Це особливо важливо для клінічних і patient-reported measures: те, що професіоналу здається однозначним, може мати інше значення для людини, яка реально відповідатиме. Практичний наслідок простий: item не починається зі слова. Item починається з рішення, яку саме інформацію про конструкт ця одиниця повинна дати. Один item — одна основна думка Подвійне, або подвійне, формулювання об’єднує дві різні ознаки в одну відповідь. Наприклад: «Я легко зосереджуюся і завжди завершую справи вчасно». Людина може легко концентруватися, але систематично запізнюватися з дедлайнами. Одна категорія відповіді не покаже, на яку частину твердження вона реагувала. Якщо обидві ознаки справді потрібні, їх краще розвести: «Мені легко утримувати увагу на одному завданні» і «Я завершую заплановані справи у встановлений термін». Після такого розділення ще треба перевірити, чи обидва пункти належать до того самого конструкта; граматичне виправлення саме по собі не вирішує питання валідності. Подвійність буває прихованою. Конструкції «спокійний і впевнений», «організований та уважний», «часто хвилююся і погано сплю» теж можуть вимагати двох незалежних суджень. Редактор має запитати: чи можна чесно відповісти «так» на одну частину і «ні» на іншу? Якщо можна, item, імовірно, містить більше однієї цілі. Однозначний референт: хто, де, коли і про що Слова «це», «так», «такі ситуації», «останнім часом», «регулярно», «зазвичай» або «у складних умовах» можуть бути зрозумілими автору й невизначеними для респондента. Хороший item робить референт настільки конкретним, наскільки цього потребує конструкт, але не перевантажує текст деталями, які не мають вимірювальної функції. Наприклад, «Останнім часом мені важко зосередитися» залишає відкритим часовий інтервал. Формулювання «Протягом останніх 7 днів мені було важко зосереджуватися на повсякденних справах» задає рамку чіткіше. Проте сім днів — не універсальний стандарт: потрібний період визначається змістом конструкта, клінічним або дослідницьким завданням і доказами для конкретного інструмента. Така сама логіка стосується контексту. Якщо тест вимірює поведінку на роботі, слово «зазвичай» без вказівки контексту може змішати робочі та позаробочі ситуації. Якщо вимірюється загальна риса, надто вузький контекст, навпаки, може необґрунтовано звузити зміст. Уникайте прихованих передумов Item може непомітно вимагати досвіду, якого частина цільової групи не має. «Коли я сперечаюся з колегами, я швидко заспокоююся» передбачає, що людина працює, має колег і вступає з ними в конфлікти. Відповідь може відображати не регуляцію емоцій, а неможливість застосувати твердження до себе. Передумови треба або прибрати, або обробити дизайном: фільтрувальним запитанням, категорією «не стосується», розгалуженням, іншим формулюванням чи зміною цільової популяції. Який варіант правильний, залежить від заплановане використання; універсальної кнопки «N/A» для будь-якої шкали немає. Когнітивні інтерв’ю корисні саме тому, що виявляють такі проблеми до великого пілоту: неоднозначні слова, подвійні питання, складні заперечення та приховані передумови можуть бути невидимими для авторської команди, але очевидними в процесі реальної відповіді. Не підказуйте соціально бажану або «правильну» відповідь Навідне формулювання сигналізує, яку відповідь очікує автор. «Відповідальні люди завжди виконують обіцянки. Наскільки це схоже на вас?» уже містить оцінку бажаності. Так само слова «розумний», «здоровий», «правильний», «відповідальний» або «звичайно» можуть створювати нормативний тиск, якщо саме цей тиск не є предметом вимірювання. У самооцінювальних шкалах повністю усунути соціальну бажаність неможливо, але item не повинен додавати її зайво. Нейтральна граматика, збалансовані категорії відповіді, конфіденційна процедура та ясне пояснення мети зменшують частину такого шуму. У тестах знань або здібностей «навідність» має іншу форму: граматичні підказки, незвично довга правильна відповідь, повтор ключового слова зі stem лише в одному варіанті або абсурдні дистрактори можуть дозволити вгадати відповідь без тієї здатності, яку мав вимірювати тест. Абсолютні слова: «завжди», «ніколи», «повністю» Абсолютні слова часто роблять item занадто легким для заперечення. Людина, яка майже завжди поводиться певним чином, може не погодитися з «я завжди…» через один виняток. Тоді бал відображає буквальність формулювання, а не рівень конструкта. Проте забороняти «завжди» й «ніколи» автоматично теж неправильно. Якщо саме екстремальність, відсутність винятків або категорична позиція є теоретично важливою, абсолютний квантор може бути змістовно виправданим. Правило тут не «не використовувати», а «використовувати лише тоді, коли абсолютність є частиною конструкта». Заперечення й reverse-keyed items Негативно сформульовані та reverse-keyed items історично часто використовували, щоб стримувати механічну згоду з усіма твердженнями. Проблема в тому, що граматичне розвертання не гарантує психометричної симетрії. Заперечення може підвищити когнітивне навантаження, створити окремий wording factor або працювати по-різному в різних групах. Sliter і Zickar у дослідженні з використанням item response theory показали, що негативно сформульовані особистісні пункти можуть мати нижчу дискримінативність і не бути психометрично взаємозамінними з позитивними. Інші дослідження показують, що величина wording effects залежить від шкали, популяції та способу формулювання. Тому reverse wording слід розглядати як дизайнерське рішення, яке потребує перевірки, а не як обов’язкову ознаку «правильної» шкали. Особливо небезпечне подвійне заперечення: «Я не вважаю, що мені не складно…». Якщо потрібен протилежний зміст, частіше краще сформулювати природний семантичний антонім без логічного лабіринту, а потім перевірити, чи справді він працює як протилежний індикатор у цільовій групі. Мовна складність не повинна підміняти вимірюваний конструкт Коли тест вимірює тривожність, імпульсивність, мотивацію або іншу психологічну характеристику, складний синтаксис може додати до бала ще й навичку читання. Якщо читання не входить до конструкта, це construct-irrelevant variance — результат починає залежати від того, чого тест не мав вимірювати. Практичне правило: коротке речення, знайомі слова, мінімум професійного жаргону, одна логічна операція за раз. Це не означає примітивізувати мову. Текст має відповідати реальній мовній компетентності цільової популяції й зберігати потрібну точність. Для дітей, людей із різною освітою, нейророзбіжних груп, людей з когнітивними чи сенсорними обмеженнями та багатомовних вибірок доступність формулювання стає частиною справедливості психологічного тестування. Якщо складність мови систематично створює перевагу одній групі, це вже питання вимірювання, а не лише стилістики. Ясність української мови: пишіть для української цільової групи, а не для кальки Український item має звучати як природне українське висловлювання. Буквальний переклад з англійської може зберегти словник і втратити прагматику: незвичний порядок слів, кальковані дієслівні конструкції, неприродні ступені інтенсивності або культурно чужі приклади змінюють спосіб, у який людина розуміє пункт. Саме тому переклад не дорівнює валідованій культурній адаптації. Для адаптованого інструмента потрібна окрема перевірка змістової й мовної еквівалентності, зрозумілості, структури, надійності, валідності, а за потреби — інваріантності та DIF. Наявність українського тексту сама по собі нічого цього не доводить. Якщо шкала створюється українською від початку, це дає важливу перевагу: можна будувати item з природного мовного досвіду цільової групи, а не з боротьби з калькою. Але й такий item усе одно потребує когнітивного попереднього тестування та емпіричної перевірки. Варіанти відповіді мають продовжувати логіку item Навіть ідеально сформульоване твердження може зламатися на варіанти відповіді. Якщо stem питає про частоту, категорії повинні кодувати частоту; якщо про інтенсивність — інтенсивність. Не варто змішувати в одній шкалі «ніколи — завжди», «зовсім не згоден — повністю згоден» і «дуже слабко — дуже сильно», якщо це не обґрунтовано моделлю. Для категоріальних відповідей варіанти мають бути взаємовиключними настільки, наскільки це можливо, і разом покривати релевантний діапазон. Межі «1–3 рази», «3–5 разів» перетинаються в точці 3; категорія «інше» без пояснення може приховати систематичну проблему класифікації. У шкалах з категоріями згоди або частоти треба окремо перевіряти, чи однаково респонденти розуміють словесні позначки категорій. Шкала Лайкерта — це не просто набір від 1 до 5: зміст item і зміст категорій відповіді разом утворюють вимірювальну процедуру. Завдання множинного вибору: правильність без тестових хитрощів У завданнях знань і здібностей центральна проблема має бути сформульована в stem настільки повно, щоб респондент розумів, що саме треба вирішити до перегляду варіантів. Варіанти відповіді мають бути граматично сумісними зі stem і належати до одного логічного класу. Дистрактор повинен бути правдоподібним для людини, яка не володіє потрібним знанням або робить характерну помилку. Абсурдні дистрактори не додають вимірювальної інформації; вони лише зменшують фактичну кількість конкурентних варіантів. Так само небажані технічні підказки: правильна відповідь помітно довша, стилістично точніша або містить слово зі stem, якого немає в інших варіантах. Дослідження item-writing flaws у оцінюванні з множинним вибором показує, що такі дефекти можуть непередбачувано змінювати складність і результативність. Дані з освітніх і медичних тестів не можна механічно переносити на самооцінювальні психологічні шкали, але загальний принцип релевантний: відповідь має залежати від цільової здатності, а не від тестової кмітливості. Відкриті відповіді й практичні завдання Відкрите завдання потребує такої самої точності, як завдання з готовими варіантами відповіді. Респондент має знати, яку дію виконати, який обсяг або формат очікується і що вважатиметься релевантною відповіддю. Якщо критерії оцінювання приховані або нечіткі, частина варіативності виникатиме з припущень про правила, а не з цільової здатності. Довгий сценарій або vignette не є помилкою сам по собі. Він виправданий, коли контекст є частиною задачі та створює потрібну когнітивну вимогу. Зайвим шумом стають деталі, які не потрібні для рішення, але збільшують читання, пам’яттєве навантаження або культурну специфічність. Що таке «зайвий шум» у item Семантичний шум виникає, коли ключове слово має кілька правдоподібних значень. Лінгвістичний шум — коли складний синтаксис, незвичне заперечення або професійний жаргон додають вимоги до мови. Контекстуальний шум — коли відповідь залежить від досвіду певної професії, регіону чи культурної практики, хоча цього не передбачає конструкт. Форматний шум з’являється в невдалих категоріях відповіді, випадковому чергуванні шкал, неочевидних інструкціях або візуальній неоднозначності. Адміністративний шум виникає, коли одна й та сама методика подається з різними інструкціями, часом, підказками або порядком дій. Тут item writing стикається зі стандартизацією психологічного тесту. Мета не в тому, щоб зробити item максимально простим. Мета — залишити тільки ту складність, яка належить до конструкта або задачі вимірювання. Експертний перегляд: що саме мають перевіряти рецензенти Експертний перегляд має бути структурованим. Корисно окремо оцінювати відповідність item визначеній фасеті, ясність мови, однозначність, відповідність віку й контексту, відсутність сторонніх вимог, узгодженість з шкалою відповідей та можливі ризики для справедливості. Просте запитання експерту «цей пункт хороший?» дає мало інформації для рішення. Standards AERA/APA/NCME рекомендують професійний перегляд специфікацій та матеріалів тесту, а за потреби — участь фахівців, які представляють релевантні популяції. Важливо фіксувати не лише фінальний текст, а й причини суттєвих змін, відхилені варіанти та критерії відбору. Експертна згода не є фінальним доказом. Експерти можуть однаково не помітити проблему, яка з’являється лише в реальних респондентів. Тому експертна перевірка змісту і когнітивне попереднє тестування виконують різні функції й доповнюють одне одного. Когнітивне попереднє тестування: як перевірити, що респондент читає той item, який ви написали Когнітивне інтерв’ю досліджує процес відповіді: як людина зрозуміла запитання, яку інформацію згадала, як сформувала судження і як зіставила його з варіантами відповіді. Мета тут не оцінити людину, а перевірити інструмент. Корисні нейтральні probes: «Що для вас означає це слово?», «Про який період ви думали?», «Як ви обрали між цими двома варіантами?», «Чи була частина формулювання, яку довелося перечитати?». Такі питання показують зсув значення, приховані припущення й розрив між задумом автора та реальною процес відповіді. Дослідження Silva та співавторів демонструє практичну цінність cognitive interviewing для виявлення подвійні формулювання, double negatives, неоднозначних термінів і приховані передумови. Для психометричного процесу це міст між редакційним переглядом і великим пілотним дослідженням. Пілотування й аналіз завдань: ясність треба перевіряти даними Після якісного етапу потрібна емпірична перевірка. Item, який усім експертам здавався ідеальним, може мати слабку варіативність, надто високий ceiling/floor, несподівану факторну поведінку, низьку дискримінативність або різну роботу в підгрупах. Аналіз завдань тесту розглядає item після збору даних: складність або частоту вибору відповіді, discrimination, item-total relations, функціонування категорій, модельну відповідність та рішення про збереження, редагування або вилучення. Item writing і item analysis — послідовні, але не взаємозамінні етапи. Не слід оптимізувати текст лише заради статистичного показника. Висока item-total correlation не рятує пункт, який виходить за межі конструкта; підвищення alpha після видалення змістовно важливого пункту може звузити змістове охоплення. Статистичний результат завжди читають разом із теорією та заплановане використання. Справедливість, DIF і культурна придатність Справедливість починається ще на етапі формулювання. Культурно специфічні приклади, неочевидні ідіоми, професійний жаргон, вимоги до цифрового досвіду або різний доступ до ситуацій можуть створювати групові відмінності, не пов’язані з цільовим конструктом. Після пілотування такі ризики можна досліджувати, зокрема, через диференційне функціонування завдань (DIF). DIF означає, що за однакового рівня латентного конструкта групи мають різну ймовірність певної відповіді на item. Сам по собі DIF ще не доводить несправедливість: він є сигналом для змістового й методологічного розслідування. Так само measurement invariance не є автоматичною гарантією повної відсутності bias. Fairness охоплює ширшу систему: конструкт, доступність, administration, interpretation, наслідки використання й відповідність норм або cutoffs саме тій популяції, для якої роблять висновок. Захищені тестові матеріали й авторське право Якість психометрії та юридичний статус матеріалу — різні питання. Відкрита публікація валідного тесту може порушувати ліцензію або знищувати тестову безпеку; ліцензований інструмент, своєю чергою, не стає психометрично якісним лише через наявність правовласника. APA визначає test security як захист тестових матеріалів і пов’язаної інформації від несанкціонованого розкриття та використання, оскільки витік може підірвати цілісність інтерпретації результатів. Тому енциклопедична стаття може пояснювати принципи item writing без відтворення захищені завдання, ключів, таблиці підрахунку балів або закритих стимулів. Якщо потрібен приклад, безпечніше створити новий нейтральний item для пояснення правила або використати матеріал із чітко дозволеною відкритою ліцензією. Публікація «справжнього питання з тесту» заради наочності не є необхідною умовою якісної освіти. Чи може штучний інтелект писати тестові завдання Генеративний ШІ вже може швидко створювати варіанти формулювань, перефразування, дистрактори та великі початкові item pools. Дослідження Götz та співавторів показало можливість автоматизованої генерації особистісних пунктів у конкретному дослідницькому дизайні, а AI-GENIE у 2026 році продемонстрував перспективний pipeline генерації й відбору item на великих вибірках. Це emerging evidence, а не універсальна гарантія якості. Модель може створити граматично бездоганний пункт із хибною змістовою межею, прихованою культурною передумовою, дублюванням інших item або занадто прозорою бажаною відповіддю. Якісна генерація тексту не замінює construct definition, content validity, перевірку цільовою групою, pilot testing і психометричну валідацію. Рекомендації APA щодо відповідального використання AI в assessment наголошують на валідності, надійності, fairness, прозорості та людському нагляді. Для item writing це означає: ШІ може бути інструментом генерації кандидатів і редакційного аудиту, але рішення про включення item до тесту має спиратися на задокументований вимірювальний процес. Окрема вимога — безпека даних. Закритий банк завдань не слід передавати сторонній AI-системі без дозволу, договору й зрозумілих правил щодо збереження та використання даних. Тестова безпека не зникає через те, що матеріал обробляє алгоритм. Робочий процес написання item: від специфікації до фінальної версії 1. Зафіксуйте конструкт і фасету Для кожного item має бути зрозуміло, яку частину конструкта він представляє. Якщо item неможливо прив’язати до домену або специфікації, його наявність у тесті потребує окремого обґрунтування. 2. Створіть пул більший за фінальну шкалу Початковий пул має давати простір для видалення слабких, дубльованих або проблемних пунктів. У літературі трапляються евристики на кшталт створення кількох кандидатів на кожен майбутній item, але фіксованого універсального співвідношення немає: воно залежить від конструкта, моделі, довжини фінального тесту й ресурсів. 3. Відредагуйте на однозначність Перевірте одну думку, референт, часову рамку, приховані передумови, заперечення, абсолютні слова, соціально бажані підказки, довжину, термінологію та відповідність варіанти відповіді. На цьому етапі корисний незалежний мовний редактор, який не бачив первинного задуму. 4. Проведіть експертний експертна перевірка змісту Експерти оцінюють не тільки стиль, а й те, чи потрібен item у домені, чи не дублює він інший зміст, чи охоплює специфікацію та чи не створює construct-irrelevant demands. 5. Проведіть когнітивне попереднє тестування із представниками цільової групи Перевірте, як люди реально тлумачать слова, часові межі, категорії відповіді та інструкцію. Якщо різні респонденти систематично читають item по-різному, це проблема вимірювання навіть тоді, коли текст граматично правильний. 6. Перепишіть і задокументуйте зміни Зберігайте версії. Для важливих item варто фіксувати причину зміни: неоднозначність, культурна специфічність, ceiling effect у pretest, невдала зіставленням відповіді з категоріями або експертне зауваження. Така історія допомагає відрізняти обґрунтовану еволюцію інструмента від випадкового переписування. 7. Пілотуйте в релевантній вибірці Пілот повинен бути достатнім для тих аналізів, які плануються далі. Вибірка, що зручна для редакційного pretest, не автоматично підходить для факторного аналізу, IRT, DIF або побудови норм. 8. Аналізуйте item і структуру тесту Оцінюйте дані відповідно до моделі: розподіли відповідей, дискримінативність завдання, функціонування категорій, локальну залежність, факторні навантаження, відповідність моделі та інші релевантні показники. Набір метрик залежить від типу інструмента; жоден коефіцієнт не є універсальним паспортом якості. 9. Перевіряйте надійність, валідність, fairness і інтерпретацію Item є частиною системи доказів. Фінальний інструмент потребує даних про надійність, похибку вимірювання, validity evidence, норми або критерії, fairness, мовну й культурну адаптацію та заплановане використання настільки, наскільки це релевантно для конкретного тесту. 10. Захищайте фінальний банк завдань Для secure assessments потрібні правила доступу, версіонування, архівування, експозиції item і реагування на витік. Відбір якісних завдань завершує розроблення змісту, але відкриває окрему задачу підтримання цілісності тесту. Швидкий редакційний аудит одного item Перед включенням кандидата до pretest корисно пройти короткий набір запитань: чи вимірює item одну визначену змістову ціль; чи може респондент зрозуміти всі ключові слова однаково; чи чітко задані час і контекст; чи немає прихованої передумови; чи відповідь не підказується граматикою або соціально бажаною оцінкою; чи немає подвійного заперечення; чи складність мови належить до конструкта; чи варіанти відповіді відповідають stem; чи item придатний для цільової групи; чи потрібен він для coverage; чи можна пояснити правила scoring; чи не розкриває він захищений матеріал. Такий аудит не замінює дослідження. Його функція — відсіяти передбачувані дефекти до того, як вони стануть дорогими даними. Типові помилки інтерпретації якості item «Респондентам усе зрозуміло, отже item валідний». Зрозумілість підтримує процес відповіді і content validity, але не доводить construct validity або придатність бала для заплановане використання. «Item має високу кореляцію з сумарним балом, отже його треба залишити». Висока association може виникати через redundancy; item може погіршувати змістову повноту або створювати bias. Статистика не скасовує експертна перевірка змісту. «Reverse item автоматично захищає від acquiescence». Він може зменшити певний response style, а може створити wording effect і помилки розуміння. Потрібна емпірична перевірка. «Якщо item перекладено професійним перекладачем, він еквівалентний оригіналу». Переклад — лише частина адаптації; еквівалентність потребує доказів у цільовій мові й культурі. «Якщо AI згенерував сотню кандидатів, проблема item pool вирішена». Кількість не замінює доменного покриття, незалежного review, когнітивне попереднє тестування і валідації. Практичні наслідки для клінічних і дослідницьких інструментів У клінічних шкалах погане формулювання особливо небезпечне, бо score може впливати на triage, подальше assessment, моніторинг або рішення про додаткову допомогу. Окремий пункт або cutoff не встановлює діагноз. Screening, виявлення ймовірних випадків, assessment, diagnosis і вимірювання результатів мають різні задачі й різні вимоги до evidence. У дослідженнях item ambiguity збільшує похибку вимірювання і може послаблювати або спотворювати зв’язки між змінними. У великих вибірках статистично значущим може стати навіть дуже малий ефект поганого measurement model; велике N не виправляє слабке визначення конструкта. У кроскультурних дослідженнях формулювання, що працює в одній мові, може змінити процес відповіді в іншій. Саме тому adaptation, invariance і DIF варто планувати до збору фінальних даних, а не додавати як косметичний перевірку після збору даних. FAQ Чи кожен item має бути запитанням? Ні. Item може бути твердженням, задачею, сценарієм, стимулом, інструкцією або іншою одиницею, що викликає оцінювану відповідь. Формат визначається конструктом і моделлю тесту. Чи існує оптимальна довжина тестового завдання? Універсальної кількості слів немає. Item має бути настільки коротким, наскільки це дозволяє точність, і настільки довгим, наскільки цього потребує зміст. Критерій — відсутність зайвого навантаження читання та збереження потрібного контексту. Чи завжди треба уникати слів «завжди» і «ніколи»? Ні. Вони проблемні, коли випадково роблять твердження надто екстремальним. Якщо абсолютність є частиною теоретичного змісту, такі слова можуть бути виправдані. Чи потрібні reverse-keyed items у кожній шкалі? Ні. Reverse wording може бути корисним у певному дизайні, але здатне створювати method effects і проблеми розуміння. Рішення треба перевіряти когнітивне попереднє тестування і психометричними даними. Чи достатньо експертної оцінки для якісного item? Ні. Експертний review потрібен для змісту й специфікації, але target-population pretesting і емпіричний pilot відповідають на інші питання: як item реально розуміють і як він працює в даних. Чим item writing відрізняється від item analysis? Item writing створює й редагує кандидата до та під час pretest. Item analysis оцінює поведінку завдання після збору відповідей. Якісний процес поєднує обидва етапи й дозволяє повернутися до тексту після даних. Чи може ШІ самостійно створити валідний психологічний тест? ШІ може допомагати з генерацією кандидатів, перефразуванням і пошуком можливих дефектів. Валідний інструмент потребує незалежного специфікацію конструкта, експертна перевірка змісту, участі цільової групи, пілотування та психометричних доказів. Сам факт генерації моделлю нічого цього не забезпечує. Чи можна публікувати реальні завдання з відомих тестів як приклади? Лише якщо це дозволено правами, ліцензією та правилами test security. Для закритих або secure instruments відтворення item, ключів чи матеріали для підрахунку балів може зашкодити валідності використання й порушити умови доступу. Для навчальної статті достатньо оригінальних прикладів. Чи добре сформульований item гарантує валідність тесту? Ні. Ясність item є необхідною частиною якісного вимірювання, але валідність стосується ширшого аргументу: чи підтримують теорія й дані інтерпретації тестових балів для запропонованого використання. Пов’язані статті Розробка психологічного тесту — повний процес від визначення конструкта й специфікації до пілотування, валідності, норм та інтерпретації. Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів — загальна рамка психологічного вимірювання. Змістова валідність — як перевіряють релевантність, повноту й зрозумілість завдань. Аналіз завдань тесту — що роблять із item після пілотного збору даних. Шкала Лайкерта — як працюють категорії відповіді та чому один Likert-item не дорівнює шкалі. Справедливість психологічного тестування — bias, доступність і межі групових порівнянь. Диференційне функціонування завдань (DIF) — як item може працювати по-різному в групах за однакового рівня конструкта. Адаптація і переклад психологічних тестів — чому переклад не є доказом валідованої української версії. Стандартизація психологічного тесту — як єдина процедура, інструкції та умови проведення підтримують порівнюваність. Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. American Psychological Association. (2026). Responsible Use of Artificial Intelligence in Assessment. American Psychological Association. (2026). Test Security in the Age of Technology: Frequently Asked Questions. Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L. (2018). Best Practices for Developing and Validating Scales for Health, Social, and Behavioral Research: A Primer. Frontiers in Public Health, 6, 149. Götz, F. M., Maertens, R., Loomba, S., & van der Linden, S. (2024). Let the algorithm speak: How to use neural networks for automatic item generation in psychological scale development. Psychological Methods, 29(3), 494–518. Morgado, F. F. R., Meireles, J. F. F., Neves, C. M., Amaral, A. C. S., & Ferreira, M. E. C. (2017). Scale development: ten main limitations and recommendations to improve future research practices. Psicologia: Reflexão e Crítica, 30, 3. Pham, H., Besanko, J., & Devitt, P. (2018). Examining the impact of specific types of item-writing flaws on student performance and psychometric properties of the multiple choice question. MedEdPublish, 7, 225. Russell-Lasalandra, L. L., Christensen, A. P., & Golino, H. (2026). Generative psychometrics via AI-GENIE: Automatic item generation and validation with network-integrated evaluation. Behavior Research Methods, 58(8), 217. Silva, J. R., Fera, B., Sudula, S., Koetzle, D., & Schwalbe, C. (2019). Cognitive Interviewing to Improve Questionnaires for Justice-Involved Youth. International Journal of Offender Therapy and Comparative Criminology, 63(10). Sliter, K. A., & Zickar, M. J. (2014). An IRT Examination of the Psychometric Functioning of Negatively Worded Personality Items. Educational and Psychological Measurement, 74(2). Stefana, A., Damiani, S., Granziol, U., Provenzani, U., Solmi, M., Youngstrom, E. A., & Fusar-Poli, P. (2025). Psychological assessment: a review of best practice guidelines for scale development. Frontiers in Psychology, 15, 1494261. Terwee, C. B., Prinsen, C. A. C., Chiarotto, A., Westerman, M. J., Patrick, D. L., Alonso, J., Bouter, L. M., de Vet, H. C. W., & Mokkink, L. B. (2018). COSMIN methodology for evaluating the content validity of patient-reported outcome measures: a Delphi study. Quality of Life Research, 27, 1159–1170.

Автор: Український психологічний ХАБ · Опубліковано: 1 вересня 2026 · Редакційна політика Отто Ф. Кернберг (Otto F. Kernberg; нар. 10 вересня 1928 року, Відень, Австрія) — психіатр і психоаналітик, один із найвпливовіших дослідників розладів особистості в психодинамічній традиції другої половини ХХ — початку ХХІ століття. Його ім’я пов’язане насамперед зі структурною моделлю організації особистості, поняттям межової організації особистості, клінічним осмисленням дифузії ідентичності та патологічного нарцисизму, а також із трансфер-фокусованою психотерапією (Transference-Focused Psychotherapy, TFP), яку він розробляв разом із Джоном Кларкіном, Френком Йомансом та іншими колегами. Внесок Кернберга важливо розуміти не як створення однієї окремої «теорії Кернберга», а як довготривалу програму поєднання психоаналітичної теорії об’єктних відносин, его-психології, клінічної психіатрії та систематичного дослідження розладів особистості. Його головне питання можна сформулювати так: як описати внутрішню організацію особистості людини, якщо звичайного переліку симптомів недостатньо для розуміння її ідентичності, способів захисту, стосунків та здатності перевіряти реальність? Саме з цієї проблеми виросли поняття невротичної, межової та психотичної організації особистості. У цій системі «межовий» означає передусім рівень структурної організації, а не автоматично сучасний діагноз межового розладу особистості. Це розрізнення є ключовим: межова організація в моделі Кернберга ширша за одну діагностичну категорію. Сьогодні спадщину Кернберга варто читати одночасно історично, клінічно й науково-критично. Його модель суттєво вплинула на психодинамічну діагностику та психотерапію розладів особистості. Водночас її психоаналітичні пояснення внутрішніх репрезентацій, агресії, раннього розвитку та захисних механізмів не є тотожними сучасній експериментальній психології або офіційним класифікаційним системам. Окремо потрібно оцінювати емпіричні дані щодо ТФП: цей метод має рандомізовані дослідження та сучасну доказову базу, але наявні дані не дають підстав називати його єдиним або безумовно найкращим методом для всіх людей із розладами особистості. Коротко: хто такий Отто Кернберг Кернберг народився у Відні в єврейській родині. Після встановлення нацистської влади в Австрії родина була змушена залишити країну й емігрувала до Чилі. У джерелах трапляються 1939 і 1940 роки як дата переїзду; для біографічного контексту істотним є сам факт вимушеної втечі з Відня через нацистське переслідування. У Чилі Кернберг здобув університетську та медичну освіту: ступінь бакалавра в Університеті Чилі у 1947 році та ступінь доктора медицини у 1953 році. Там само він проходив підготовку з психіатрії та психоаналізу. Наприкінці 1950-х років приїхав до США як стипендіат і працював у Джонса Гопкінса, а згодом — у Фонді Меннінґера, одному з важливих центрів американської психіатрії та психоаналізу. У 1970-х роках його робота перемістилася до Нью-Йорка. Він був пов’язаний із Психіатричним інститутом штату Нью-Йорк, Колумбійським університетом та Корнелльським університетом. У Weill Cornell Medicine Кернберг багато років очолював і розвивав дослідження розладів особистості; нині він має статус професора-емерита психіатрії. У 1995 році разом із колегами він сформував Інститут розладів особистості (Personality Disorders Institute), який став одним із головних осередків розроблення структурної діагностики, ТФП і досліджень тяжкої особистісної патології. Кернберг також займав провідні посади в міжнародному психоаналітичному русі. Він був президентом Міжнародної психоаналітичної асоціації (International Psychoanalytical Association), а у 2026 році зазначений як її почесний президент. Міжнародне товариство трансфер-фокусованої психотерапії (International Society of Transference-Focused Psychotherapy) також вказує його як почесного президента. Ці ролі відображають масштаб його впливу на психоаналітичну й психодинамічну традицію, але не замінюють окремої оцінки наукової доказовості кожного конкретного поняття або методу. Яку проблему Кернберг намагався розв’язати Класична психіатрія середини ХХ століття часто мислила великими категоріями: невроз, психоз, окремі симптоматичні синдроми. Клінічна практика, однак, постійно показувала людей, яких було складно вписати в таку просту схему. Вони могли зберігати контакт із реальністю, але демонструвати дуже нестабільну ідентичність, різкі зміни в оцінці себе та інших, примітивні захисні механізми, хаотичні близькі стосунки або тяжку нарцисичну патологію. Кернберг запропонував аналізувати не лише те, які симптоми має людина, а й те, як організована її особистість. Це означало перехід від запитання «який у людини симптом?» до запитань «наскільки інтегрованим є її переживання себе та інших?», «які захисні процеси переважають?», «наскільки стійким є тестування реальності?», «як побудовані її внутрішні та зовнішні стосунки?». Такий підхід не скасовував психіатричний діагноз. Він додавав інший рівень опису — структурний. Саме тому одна й та сама структурна організація могла, за моделлю Кернберга, зустрічатися при різних клінічних картинах, а одна діагностична назва не завжди розкривала глибину особистісного функціонування. 1967: «Borderline Personality Organization» Однією з програмних праць стала стаття «Borderline Personality Organization», опублікована 1967 року в Journal of the American Psychoanalytic Association. У ній Кернберг систематизував клінічний опис того, що назвав межовою організацією особистості. Це була не просто нова назва для майбутнього діагнозу межового розладу особистості. Межова організація в його моделі описувала певний рівень психічної структури. Ключовими ознаками були дифузія ідентичності, переважання примітивніших захисних операцій — особливо розщеплення — та відносно збережене тестування реальності. Саме остання характеристика відрізняла межову організацію від психотичної у класичній структурній схемі. Ця стаття стала одним із важливих кроків у формуванні сучасної історії поняття «межовий» (borderline). Пізніша діагностична категорія межового розладу особистості частково розвивалася в тому самому історичному полі, але сучасний діагноз і кернбергівська межова організація не є синонімами. Що таке організація особистості у моделі Кернберга Організація особистості — це спосіб описати відносно стійку внутрішню структуру психічного функціонування. Для Кернберга центральними орієнтирами були ідентичність, захисні механізми та тестування реальності. У подальших інструментах структурної оцінки до них додавалися якість об’єктних відносин, моральне функціонування, агресія, здатність до близькості та інші виміри. Ідентичність у цьому контексті стосується здатності мати відносно цілісне, складне й послідовне переживання себе та інших людей. Інтегрована ідентичність дозволяє одночасно бачити сильні й слабкі сторони себе, любити людину й водночас сердитися на неї, переживати суперечливі почуття без необхідності миттєво перетворювати іншого на «цілком доброго» або «цілком поганого». Захисні механізми описують способи, якими психіка регулює конфлікт, тривогу та суперечливі переживання. У моделі Кернберга невротичні рівні організації частіше пов’язані зі зрілішими або невротичними захистами, тоді як межова організація — з активним використанням розщеплення, примітивної ідеалізації, проєктивної ідентифікації, заперечення та інших механізмів, що підтримують відокремлення суперечливих образів себе й інших. Тестування реальності означає здатність відрізняти внутрішні переживання, фантазії та страхи від зовнішньої реальності. У класичній моделі воно загалом збережене при невротичній і межовій організації та суттєво порушене при психотичній. На практиці оцінювання значно складніше за просту таблицю з трьома рівнями, тому структурну схему не варто використовувати як домашній тест або спосіб самостійно «визначити свій рівень». Невротична, межова та психотична організація Невротична організація у моделі Кернберга характеризується більш інтегрованою ідентичністю, стійким тестуванням реальності та переважанням захистів вищого рівня. Людина може мати виражені внутрішні конфлікти, симптоми чи труднощі у стосунках, але її образ себе та інших залишається відносно цілісним. Межова організація відрізняється насамперед дифузією ідентичності та активною роллю розщеплення й споріднених захисних операцій при загалом збереженому контакті з реальністю. Вона охоплює ширший спектр особистісної патології, ніж сучасний діагноз МРО. Психотична організація в класичній схемі пов’язана з більш тяжкими порушеннями меж між внутрішнім і зовнішнім та тестування реальності. Сучасна психіатрія має власні діагностичні критерії психотичних розладів, тому цю психоаналітичну структурну категорію не слід використовувати замість клінічної діагностики. Межова організація особистості не дорівнює межовому розладу особистості Це одне з найважливіших розрізнень у всьому корпусі Кернберга. Межовий розлад особистості — сучасна клінічна діагностична категорія з визначеними критеріями. Межова організація особистості у Кернберга — ширша психодинамічна модель рівня особистісного функціонування. Людина з діагнозом МРО може бути описана в термінах межової організації, але кернбергівська межова організація не обмежується лише цим діагнозом. У працях школи Кернберга вона може охоплювати різні тяжкі розлади особистості та різні конфігурації патології. Це розрізнення важливе й для читача. Впізнавання окремих рис — нестабільності стосунків, різких емоцій, ідеалізації чи знецінення — не встановлює ані межового розладу особистості, ані «межового рівня». Клінічний висновок потребує професійної оцінки, а структурне формулювання є лише одним із можливих способів осмислити особистісне функціонування. Дифузія ідентичності: значення саме у Кернберга Термін identity diffusion не належить Кернбергу одноосібно. До його робіт проблема ідентичності та її дифузії вже була центральною для Еріка Еріксона, а пізніше підхід до статусів ідентичності розвинув Джеймс Марсія. Тому некоректно писати, що Кернберг «створив» поняття дифузії ідентичності. Його внесок полягав у тому, що дифузія ідентичності отримала спеціальне структурно-клінічне значення. Йдеться не просто про юнацьку невизначеність щодо професії, цінностей чи життєвого шляху. У моделі Кернберга це недостатня інтеграція репрезентацій себе та значущих інших: суперечливі образи можуть існувати відокремлено й різко змінювати один одного залежно від афекту та ситуації. Саме тому дві традиції не можна механічно змішувати. Дифузія ідентичності у лінії Еріксона—Марсії і структурна identity diffusion у Кернберга мають спільне слово, але різні теоретичні функції. Український психологічний ХАБ окремо розбирає це розрізнення у матеріалі «Дифузна ідентичність». Об’єктні відносини: як Кернберг перебудував психоаналітичну традицію Кернберг працював усередині широкої традиції теорії об’єктних відносин, але не був її засновником. До нього та паралельно з ним її різні лінії розвивали Мелані Кляйн, Рональд Фейрберн, Дональд Віннікотт, Едіт Якобсон, Маргарет Малер та інші автори. Його характерний крок полягав в інтеграції об’єктних відносин з его-психологією та клінічною психіатрією. Центральною одиницею внутрішнього світу в цій моделі стають афективно забарвлені репрезентації себе й іншого, пов’язані між собою певним типом стосунку. Людина не просто «має образ матері» або «має агресію»: різні стани себе, образи іншого та афекти утворюють внутрішні реляційні конфігурації. За достатньої інтеграції позитивні й негативні сторони себе та інших можуть співіснувати в складному цілісному образі. За тяжчої патології ці конфігурації можуть залишатися розщепленими: один і той самий інший переживається то як ідеальний і рятівний, то як цілком небезпечний і ворожий, без стійкого поєднання двох сторін у єдиному образі. Це психодинамічна модель, а не буквальна карта нейронних структур. Її цінність полягає у способі описувати повторювані стосункові патерни й клінічну взаємодію; нейробіологічні або когнітивні механізми таких явищ потребують окремих дослідницьких моделей. Розщеплення і проєктивна ідентифікація Розщеплення було центральним поняттям ще в ранньому психоаналізі та особливо в роботах Мелані Кляйн. Кернберг не створив цей термін, а надав йому систематичну роль у структурному описі межової організації особистості. У його моделі розщеплення допомагає утримувати несумісні позитивні й негативні репрезентації окремо. Тимчасово це може зменшувати внутрішній конфлікт, але водночас ускладнює формування стабільної ідентичності та складного бачення інших людей. Проєктивна ідентифікація в кернбергівській традиції також описується як складний захисний і міжособистісний процес. Історично поняття походить від Кляйн і було по-різному переосмислене Біоном, Розенфельдом, Кернбергом та іншими авторами. Тому в каноні важливо зберігати точну атрибуцію: Кернберг розвивав і клінічно систематизував ці поняття, а не вводив їх з нуля. Патологічний нарцисизм Одна з найвідоміших сфер роботи Кернберга — патологічний нарцисизм. Його книга «Borderline Conditions and Pathological Narcissism» 1975 року стала важливою для психоаналітичного опису нарцисичної патології та для подальших дискусій про нарцисичний розлад особистості. Кернберг описував патологічно грандіозну структуру Я як особливу організацію ідеалізованих та реальних репрезентацій себе й інших. У клінічній картині він приділяв увагу грандіозності, потребі у захопленні, заздрості, знеціненню, труднощам залежності й близькості, агресії та нестабільній самооцінці. Психоаналітична теорія нарцисизму не тотожна сучасному діагнозу нарцисичного розладу особистості. Окремі риси нарцисизму існують континуально, а діагностичні системи мають власні критерії. Тому популярна формула «Кернберг пояснив, хто такий нарцис» сильно спрощує його внесок. Він створював структурно-психодинамічну модель тяжкої нарцисичної патології, а не побутовий типаж для оцінювання партнерів чи знайомих. Історію самого поняття та сучасні психологічні дослідження Український психологічний ХАБ розглядає окремо у статті «Нарцисизм». Кернберг і Когут: дві моделі нарцисизму В історії психоаналізу Кернберга часто порівнюють із Гайнцом Когутом. Обидва автори зробили нарцисичну патологію центральною клінічною проблемою, але пояснювали її по-різному й пропонували різні терапевтичні акценти. Когутівська психологія самості приділяла особливу увагу дефіцитам розвитку самості, потребам у емпатичному відгуку та відносинам із функціонально значущими іншими. Кернберг сильніше наголошував на конфлікті, агресії, розщепленні, патологічній грандіозності та інтеграції суперечливих репрезентацій себе й інших. Цю історичну суперечку не варто перетворювати на просту схему «один мав рацію, інший помилявся». Обидві моделі виникли з клінічного психоаналізу, обидві вплинули на психотерапію, а сучасні дослідження нарцисизму використовують значно ширший набір теоретичних та емпіричних підходів. Злоякісний нарцисизм Кернберг багато писав про malignant narcissism — злоякісний нарцисизм — як про особливо тяжку конфігурацію нарцисичної патології з вираженою агресією, антисоціальними рисами, параноїдними тенденціями та іншими тяжкими характеристиками. Водночас некоректно називати його беззастережним «автором терміна». Формулювання malignant narcissism має раннішу історію. Внесок Кернберга полягає у розвитку та систематичному психоаналітичному описі цього конструкту. Злоякісний нарцисизм не є окремим офіційним діагнозом у сучасних основних психіатричних класифікаціях. Це клініко-теоретичний конструкт, який може бути корисним у певних психодинамічних дискусіях, але його не слід використовувати як дистанційний «діагноз» людини за поведінкою в стосунках чи соціальних мережах. Структурне інтерв’ю Теорія Кернберга мала практичний наслідок: якщо рівень організації особистості важливий, його потрібно оцінювати систематично. Так виникло структурне інтерв’ю — клінічний спосіб досліджувати ідентичність, захисні механізми, тестування реальності та особливості взаємодії під час самої бесіди. Структурне інтерв’ю відрізняється від простого списку запитань. Діагност звертає увагу на суперечності в розповіді, спосіб формування образів себе та інших, реакцію на уточнення й конфронтацію, якість контакту з реальністю та те, що відбувається у взаємодії з клініцистом. Це професійний клінічний інструмент, а не тест для самодіагностики. Його інтерпретація залежить від підготовки фахівця та ширшої клінічної оцінки. STIPO: спроба операціоналізувати структурну модель Подальшим кроком стала Structured Interview of Personality Organization — STIPO, напівструктуроване інтерв’ю організації особистості, розроблене групою дослідників на основі моделі Кернберга. Серед авторів і розробників інструмента — Джон Кларкін, Ів Калігор, Баррі Стерн, Отто Кернберг та інші колеги. STIPO переводить теоретичні поняття в більш стандартизовану процедуру оцінювання. Досліджуються ідентичність, якість об’єктних відносин, захисти, копінг і ригідність, агресія, моральні цінності та інші сфери особистісного функціонування. Психометричні дослідження показали прийнятну міжекспертну надійність низки шкал і підтримали можливість систематизованої клінічної оцінки. Сучасні версії інструмента, зокрема STIPO-R, розвивають цей підхід у напрямі більш дименсійного опису особистісного функціонування. Це робить модель Кернберга цікавою в контексті сучасного переходу від суто категоріальних списків розладів до оцінювання тяжкості та функціонування особистості. Водночас подібність напрямів не означає, що сучасні класифікації «підтвердили всю теорію Кернберга». Від структурної моделі до трансфер-фокусованої психотерапії Трансфер-фокусована психотерапія, або ТФП, стала найважливішим терапевтичним продовженням структурної моделі. Вона формувалася в роботі Кернберга та команди Інституту розладів особистості, зокрема Джона Ф. Кларкіна і Френка Е. Йоманса. Тому точніше говорити про співрозроблення методу, а не приписувати всю сучасну ТФП одній людині. Українська професійна назва «трансфер-фокусована психотерапія» вже усталена в профільному середовищі. Англійська назва Transference-Focused Psychotherapy потрібна насамперед для точної ідентифікації міжнародної літератури та абревіатури ТФП. Метод спочатку систематизували для лікування межового розладу особистості та ширшої межової організації особистості. Згодом його модифікації й клінічні застосування поширилися на нарцисичну патологію та інші розлади особистості. Як працює ТФП Перед початком основної терапії ТФП передбачає структуровану оцінку та формування терапевтичної рамки. Терапевт і пацієнт уточнюють проблеми, цілі, умови роботи та поведінку, яка може загрожувати лікуванню або безпеці. Така домовленість не є бюрократичним додатком: у методі вона створює межі, всередині яких можна досліджувати складні стосункові патерни без їх неконтрольованого розігрування. Центральним матеріалом є те, як внутрішні моделі себе й іншого проявляються в актуальному житті та у взаємодії з терапевтом. Термін «перенесення» тут означає не фантастичне «читання підсвідомості», а можливе відтворення попередніх очікувань, афектів та реляційних сценаріїв у теперішніх терапевтичних стосунках. Терапевт використовує уточнення, конфронтацію суперечностей та інтерпретацію. Конфронтація в цьому контексті не означає агресивну суперечку: йдеться про спільне звернення уваги на несумісні або неусвідомлені аспекти переживання та поведінки. Інтерпретація намагається пов’язати ці фрагменти у зрозуміліший патерн. Реакції самого терапевта також можуть розглядатися як джерело клінічної інформації, але не як автоматичний доказ «того, яка людина насправді». Тому важливе поняття контрперенесення і професійна здатність перевіряти власні гіпотези, а не діяти під впливом сильних реакцій. Теоретична мета ТФП — більша інтеграція розщеплених позитивних і негативних репрезентацій себе та інших. У клінічних термінах це має проявлятися стабільнішою ідентичністю, кращою регуляцією афекту, реалістичнішим баченням інших людей, зменшенням деструктивних реляційних сценаріїв і покращенням функціонування. Що показують дослідження ТФП ТФП належить до спеціалізованих психотерапевтичних підходів для межового розладу особистості, які перевірялися в контрольованих дослідженнях. Це важливо відрізняє сучасну ТФП від ситуації, коли клінічний метод спирається лише на теоретичну традицію й опис окремих випадків. У рандомізованому дослідженні, опублікованому 2010 року Стефаном Дерінґом та колегами, 104 жінки з межовим розладом особистості протягом року отримували ТФП або психотерапію досвідчених фахівців у громаді. Група ТФП мала менше вибувань і суїцидальних спроб та показала кращі результати за низкою показників симптомів, психосоціального функціонування й організації особистості. За депресією і тривогою переваги не були продемонстровані, а самопошкодження в обох групах суттєво не змінилося. Інше відоме рандомізоване дослідження порівнювало схема-терапію з ТФП протягом трьох років. Обидва методи були пов’язані з покращенням, але в цьому дослідженні схема-терапія мала кращі результати за низкою кінцевих показників. Це важливий приклад того, чому окреме позитивне рандомізоване контрольоване дослідження не перетворює метод на універсального переможця. Систематичний огляд 2024 року, що включав 25 досліджень і 2545 учасників, виявив сигнали користі для кількох спеціалізованих психотерапій, серед них ТФП, діалектична поведінкова терапія, схема-терапія та інші підходи. Водночас певність доказів у багатьох порівняннях була низькою або дуже низькою, а переконливих даних, що одна спеціалізована психотерапія стабільно перевершує інші, недостатньо. Тому коректний сучасний висновок такий: ТФП — мануалізований і емпірично досліджений психотерапевтичний метод із доказами ефективності для частини людей із межовим розладом особистості та особистісною патологією. Він не є єдиним доказовим підходом і не повинен рекламуватися як гарантовано найкращий варіант для кожної людини. Що кажуть сучасні клінічні настанови Сучасні настанови щодо межового розладу особистості наголошують на структурованій психологічній терапії, плануванні лікування, послідовності роботи й урахуванні клінічної ситуації. Вибір конкретного підходу залежить від доступності, потреб людини, ризиків, супутніх проблем, професійної підготовки терапевта та вподобань пацієнта. Це добре узгоджується з ширшим принципом доказової практики: назва школи сама по собі не гарантує результату. Важливі якість підготовки фахівця, терапевтичний альянс, дотримання методу, безпека, адекватна тривалість лікування та відповідність підходу конкретній людині. Ключові праці Кернберга «Borderline Personality Organization» (1967) — стаття в Journal of the American Psychoanalytic Association, том 15, номер 3, сторінки 641–685, DOI 10.1177/000306516701500309. Це одна з базових публікацій, у якій було систематизовано поняття межової організації особистості. «Borderline Conditions and Pathological Narcissism» (1975) — книга англійською мовою, видана Jason Aronson у Нью-Йорку. Вона зібрала й розвинула кернбергівські уявлення про межову особистісну структуру та патологічний нарцисизм і стала однією з найцитованіших його монографій. «Severe Personality Disorders: Psychotherapeutic Strategies» (1984) — книга, вперше видана Yale University Press у Нью-Гейвені. У ній Кернберг систематизував структурну діагностику та психотерапевтичні стратегії для тяжких розладів особистості. «Psychotherapy for Borderline Personality: Focusing on Object Relations» (2006) — спільна книга Джона Ф. Кларкіна, Френка Е. Йоманса та Отто Ф. Кернберга, видана American Psychiatric Publishing у Вашингтоні. Вона стала важливим етапом мануалізації психотерапії, що виросла з об’єктно-реляційної моделі. «Transference-Focused Psychotherapy for Borderline Personality Disorder: A Clinical Guide» (2015) — клінічний посібник Френка Е. Йоманса, Джона Ф. Кларкіна та Отто Ф. Кернберга, виданий American Psychiatric Publishing. Книга детально описує сучасну структуру ТФП, діагностику, рамку лікування, терапевтичні техніки та клінічні приклади. Кернберг продовжив публікуватися і в дуже пізньому віці. У 2024 році він був співавтором великого огляду межового розладу особистості у World Psychiatry та публікації про перегляд психоаналітичної теорії об’єктних відносин. Це важливо для точного історичного портрета: його внесок не завершився працями 1970–1980-х років, а розвивався протягом десятиліть. Що з його спадщини зберігає значення сьогодні Перше — ідея оцінювати тяжкість і структуру особистісного функціонування, а не обмежуватися набором категоріальних ярликів. Сучасні системи класифікації дедалі більше використовують виміри тяжкості, функціонування Я та міжособистісних відносин. Це не пряме «підтвердження Кернберга», але робить історію структурного мислення актуальною. Друге — спроба операціоналізувати психодинамічні поняття. STIPO та споріднені інтерв’ю переносять терміни на кшталт ідентичності й захистів із суто теоретичного рівня в стандартизованіші процедури клінічного оцінювання. Третє — ТФП як приклад переходу психоаналітичної терапії до мануалізації, досліджень процесу й результатів та рандомізованих випробувань. Для історії психотерапії це принциповий момент: метод, що виріс із психоаналітичної теорії, почав перевіряти власні результати в сучасних дослідницьких дизайнах. Четверте — точний опис відмінності між симптомом, діагнозом і структурою особистості. Навіть коли конкретна теоретична мова змінюється, сама потреба розрізняти ці рівні залишається клінічно продуктивною. Що в теорії Кернберга залишається дискусійним Психоаналітична модель внутрішніх об’єктів, потягів, агресії та раннього формування структури особистості значною мірою виникла з клінічної інтерпретації. Її не можна подавати як буквальний опис універсальних механізмів розвитку, доведений нейронаукою чи експериментальною психологією. Не всі психодинамічні конструкти мають однаковий рівень операціоналізації. Поняття на кшталт дифузії ідентичності можна досліджувати різними методами, тоді як інші метапсихологічні припущення значно важче безпосередньо перевірити. Кернбергівські структурні рівні також не є офіційними діагнозами DSM або ICD. Вони можуть використовуватися як клінічна модель у певній професійній традиції, але не замінюють сучасну діагностику психічних розладів. Нарешті, доказовість ТФП не означає автоматичного підтвердження кожного теоретичного твердження, на якому цей метод історично будувався. Психотерапія може мати корисні процедури й позитивні результати навіть тоді, коли окремі пояснювальні моделі залишаються предметом наукової дискусії. Вплив Кернберга Кернберг став однією з головних фігур, через яких теорія об’єктних відносин увійшла в американську психіатрію та дослідження розладів особистості. Він поєднав мову психоаналізу з систематичною структурною діагностикою й надалі — з мануалізованою психотерапією. Його вплив особливо помітний у трьох сферах: історії поняття «межовий» (borderline), психодинамічному дослідженні нарцисичної патології та розвитку спеціалізованої психотерапії тяжких розладів особистості. Через Кларкіна, Йоманса, Калігор, Даймонд, Стерна та інших дослідників ця програма перетворилася на широку міжнародну школу ТФП і структурної оцінки особистості. Водночас канонічне місце Кернберга не потребує перебільшення. Він не заснував усю теорію об’єктних відносин, не створив поняття розщеплення чи проєктивної ідентифікації, не є одноосібним автором сучасної ТФП і не ввів з нуля термін «дифузія ідентичності». Його масштаб полягає в іншому: він зібрав ці інтелектуальні лінії в одну послідовну структурно-клінічну систему та перетворив її на програму діагностики, терапії й емпіричного дослідження. Пов’язані матеріали Українського психологічного ХАБу Теорія об’єктних відносин — ширша історія традиції, у якій працював Кернберг: від Фройда й Кляйн до Фейрберна, Віннікотта та пізніших інтеграцій. Дифузна ідентичність — окремий вузол для розрізнення підходу Еріксона—Марсії та структурно-клінічного значення identity diffusion у Кернберга. Перенесення — історія поняття трансферу від Фройда до сучасної психодинамічної психотерапії та його відмінність від проєкції. Контрперенесення — реакції терапевта, їхня історія та сучасне використання без перетворення суб’єктивного переживання фахівця на «діагностичний тест». Нарцисизм — історичні теорії, сучасні дослідження грандіозних і вразливих нарцисичних рис та відмінність рис від розладу особистості. Мелані Кляйн — персональний хаб авторки, чиї ідеї про об’єктні відносини, розщеплення й проєктивну ідентифікацію стали важливою частиною інтелектуального ґрунту, який Кернберг пізніше перебудовував. Пов’язані статті Дифузна ідентичність: що це та чим відрізняються моделі Еріксона, Марсії й Кернберга Теорія об'єктних відносин: що це, Кляйн, Фейрберн, Віннікотт і сучасне значення Нарцисизм: що це, грандіозні й вразливі риси, Фройд і відмінність від розладу особистості Перенесення в психотерапії: що це, як працює трансфер і що писав Фройд Контрперенесення в психотерапії: що це і чим відрізняється від перенесення Мелані Кляйн: біографія, теорія об'єктних відносин, дитячий психоаналіз і сучасна оцінка Патологічний нарцисизм: що це, Кернберг, грандіозність, вразливість і відмінність від НРО Структурна модель Кернберга: рівні організації особистості, критерії та сучасна оцінка Межова організація особистості: що це і чим відрізняється від межового розладу Нарцис: міф, нарцисизм, самозакоханість та психологія особистості Структура особистості: що це, сучасні моделі рис і підходи Фройда, Юнга та Кернберга Психічна структура: що таке структура психіки, моделі Фройда, Юнга і сучасний погляд Трансфер-фокусована психотерапія (ТФП): як працює, для кого і що показують дослідження Ерік Еріксон: біографія, психосоціальний розвиток, ідентичність і спадщина Структурне інтерв’ю Кернберга: що це, як проходить і чим відрізняється від STIPO Джерела Weill Cornell Medicine: Otto F. Kernberg — академічний профіль, освіта, афіліації, статус Professor Emeritus і бібліографія. International Society of Transference-Focused Psychotherapy: Executive Board — актуальний статус Кернберга як Honorary President та історія розвитку ТФП з колегами Інституту розладів особистості. International Psychoanalytical Association: Board 2025–2027 — актуальний статус Honorary President. Kernberg O. F. Borderline Personality Organization, 1967 — первинна стаття в Journal of the American Psychoanalytic Association, DOI 10.1177/000306516701500309. Hörz-Sagstetter S. та ін. Clinician-Guided Assessment of Personality Using the Structural Interview and STIPO — огляд структурного інтерв’ю та STIPO, їхніх доменів і клінічного застосування. Stern B. L. та ін. Structured Interview of Personality Organization: preliminary psychometrics — психометричне дослідження STIPO. Kernberg O. F., Yeomans F. E., Clarkin J. F., Levy K. N. Transference Focused Psychotherapy: Overview and Update — огляд теоретичних основ і клінічної моделі ТФП. Doering S. та ін. Transference-focused psychotherapy v. treatment by community psychotherapists for borderline personality disorder — рандомізоване контрольоване дослідження 2010 року. Systematic review of psychotherapies for borderline personality disorder — систематичний огляд 2024 року з оцінкою певності доказів для спеціалізованих психотерапій. American Psychiatric Publishing: Transference-Focused Psychotherapy for Borderline Personality Disorder: A Clinical Guide — бібліографічні дані та опис клінічного посібника 2015 року. Українська асоціація трансфер-фокусованої психотерапії — українська професійна термінологія та інформація про розвиток ТФП в Україні. Підсумок Отто Кернберг змінив спосіб, у який психодинамічна традиція описує тяжку особистісну патологію. Замість одного набору симптомів він запропонував дивитися на інтеграцію ідентичності, захисти, тестування реальності та внутрішні моделі стосунків як на пов’язану структуру. Його межова організація особистості стала важливим історичним поняттям, але не тотожна сучасному діагнозу МРО. Його трактування дифузії ідентичності є спеціальним структурно-клінічним розвитком старішого поняття, а робота з нарцисизмом — впливовою психоаналітичною моделлю, яку потрібно відрізняти від побутових ярликів і сучасної діагностики. Найсильніший міст між історичною теорією Кернберга та сучасною культурою доказовості — ТФП. Вона виросла з його об’єктно-реляційної моделі, була розроблена командою дослідників, мануалізована й перевірена в контрольованих дослідженнях. Саме це робить Кернберга важливою фігурою не лише історії психоаналізу, а й історії переходу психодинамічної психотерапії до систематичного емпіричного дослідження.

Автор: Український психологічний ХАБ · Опубліковано: 2 вересня 2026 · Редакційна політика Структурна модель організації особистості Отто Кернберга — це психодинамічна теорія, яка описує не «тип людини» і не перелік симптомів, а рівень інтеграції особистості. У класичній формі структурну оцінку будують навколо трьох центральних критеріїв: інтеграції ідентичності, характеру захисних операцій і здатності тестувати реальність. Модель виникла в психоаналітичній традиції об’єктних відносин і стала способом пояснювати, чому люди з подібними симптомами можуть істотно відрізнятися за глибиною порушень, стабільністю уявлень про себе та інших, здатністю витримувати суперечливі переживання і зберігати контакт із реальністю. Ключове розрізнення: структурна організація особистості за Кернбергом не є офіційним діагнозом DSM або ICD. Невротична, межова й психотична організації — категорії психодинамічної моделі. Вони не повинні механічно підміняти сучасні діагностичні категорії та не призначені для самодіагностики. Яке запитання вирішує структурна модель Кернберга Симптом сам по собі не завжди показує, як організована особистість. Тривога, депресивні переживання, імпульсивність, конфлікти у стосунках або нарцисичні риси можуть виникати в людей із різним рівнем особистісного функціонування. Кернберга цікавила саме ця глибша організація: як інтегровані уявлення про себе та інших, які психологічні захисти переважають і наскільки стабільно зберігається розрізнення внутрішньої та зовнішньої реальності. Тому структурний діагноз у цій традиції не дорівнює переліку симптомів. Він описує конфігурацію функціонування, яка може впливати на перебіг психотерапії, характер перенесення, стабільність стосунків і здатність людини осмислювати власні внутрішні конфлікти. Як формувалася модель Важливою ранньою віхою стала стаття Кернберга 1967 року про межову організацію особистості. У ній «межовість» розглядалася не просто як набір симптомів, а як специфічний рівень організації між невротичним і психотичним функціонуванням. Подальші праці Кернберга розгорнули цю логіку в ширшу модель особистісної патології. У книзі «Тяжкі розлади особистості: психотерапевтичні стратегії» 1984 року Кернберг систематизував структурний підхід до діагностики та лікування. В українському професійному просторі книга вийшла окремим перекладом, що додатково закріпило терміни «структурна діагностика» та «організація особистості». Емпіричний напрям розвивався паралельно. У дослідженні 1981 року Кернберг і колеги перевіряли, чи можна відрізняти межовий рівень від невротичного й психотичного за трьома структурними критеріями. Пізніше модель була операціоналізована у структурованому інтерв’ю організації особистості (Structured Interview of Personality Organization, STIPO), а згодом у переглянутій версії STIPO-R. Три класичні структурні критерії 1. Інтеграція ідентичності Перший критерій стосується того, наскільки цілісними й стабільними є уявлення людини про себе та значущих інших. За більш інтегрованої ідентичності суперечливі риси можуть співіснувати в одному образі: людина здатна визнавати власні сильні й слабкі сторони, а також бачити іншого одночасно добрим у чомусь і фруструючим в іншому. За дифузії ідентичності образи себе й інших можуть залишатися фрагментованими, різко поляризованими або залежними від поточного афекту. У моделі Кернберга дифузія ідентичності є одним із центральних структурних показників межової організації. Водночас сам термін «дифузія ідентичності» має ширшу історію й не належить виключно Кернбергу. 2. Захисні операції Другий критерій — рівень і характер психологічних захистів. У психодинамічній традиції більш зрілі захисти дають змогу регулювати конфлікт без різкого спотворення образу себе, інших і реальності. За тяжчої структурної патології зростає роль примітивніших механізмів, зокрема розщеплення, примітивної ідеалізації, знецінення, заперечення та проєктивної ідентифікації. Це не означає, що наявність одного захисту автоматично визначає «рівень організації». Структурна оцінка ґрунтується на конфігурації ознак, їхній стійкості, контексті та професійному клінічному судженні. 3. Тестування реальності Третій критерій — здатність розрізняти внутрішні переживання та зовнішню реальність і коригувати власні висновки відповідно до доступних фактів. У класичній моделі збережене тестування реальності характерне для невротичної та переважно для межової організації, тоді як його стійке порушення є ключовою ознакою психотичного рівня. Реальність-тестування не зводиться до однієї дивної думки, фантазії або сильного емоційного переживання. Йдеться про ширшу здатність оцінювати сприйняття, переконання та міжособистісні інтерпретації у контакті з реальним середовищем. Рівні організації особистості: як читати класифікацію У класичному структурному інтерв’ю найчастіше розрізняють невротичну, межову та психотичну організації особистості. У ширших пізніших викладах трапляється також опис нормального або здорового рівня функціонування, а межову організацію можуть деталізувати на вищі та нижчі підрівні. Тому популярна схема «рівно три рівні назавжди» спрощує розвиток самої моделі. Сучасні інструменти на кшталт STIPO-R дедалі виразніше працюють із вимірною логікою: оцінюють ступінь порушень у кількох функціональних доменах, а не лише прикріплюють одну глобальну етикетку. Невротична організація особистості У психодинамічній моделі невротичний рівень пов’язують із відносно інтегрованою ідентичністю, переважанням зріліших захистів і збереженим тестуванням реальності. Людина може переживати значні внутрішні конфлікти та симптоми, але її образ себе й інших загалом залишається достатньо цілісним. Внутрішній конфлікт тут часто може бути усвідомлений, символізований і досліджений у терапії. Саме тому поняття «невротична організація» в цій теорії не означає, що людина має конкретний сучасний діагноз із назвою «невроз». Межова організація особистості Межова організація займає центральне місце в теорії Кернберга. Її класично пов’язують із дифузією ідентичності, переважанням примітивних захистів та загалом збереженим тестуванням реальності. Саме поєднання цих характеристик відрізняє структурне поняття від психотичного рівня. Межова організація особистості ширша за межовий розлад особистості. Людина може відповідати структурним критеріям межової організації й мати різні клінічні конфігурації; натомість сучасний діагноз МРО визначається за окремими діагностичними правилами. На Українському психологічному ХАБі це розрізнення винесене в окрему канонічну статтю. Психотична організація особистості Психотичний рівень у класичній схемі характеризується серйознішим порушенням інтеграції особистості та тестування реальності. У цій теоретичній мові межа між внутрішнім переживанням і зовнішньою реальністю може ставати нестабільною або втрачатися. Це поняття також не слід автоматично прирівнювати до будь-якого конкретного психотичного розладу. Офіційна психіатрична діагностика спирається на власні критерії, клінічний контекст, тривалість, перебіг та диференційну діагностику. Чому межовий рівень не є просто «серединою» Слово «межовий» історично виникло в контексті спроб описати пацієнтів, які не вкладалися в старе жорстке протиставлення неврозу й психозу. У Кернберга це стало окремою структурною організацією з власною логікою ідентичності, захистів та об’єктних відносин. Тому уявлення про лінійку «трохи неврозу → трохи межовості → психоз» неточне. Модель описує якісні особливості функціонування, хоча пізніші інструменти також дають змогу оцінювати тяжкість вимірно. Об’єктні відносини в основі моделі Кернберг розвивав теорію об’єктних відносин, інтегруючи психоаналітичні уявлення про внутрішні репрезентації себе та інших із роллю афектів і захисних процесів. У цій рамці особистість організовується навколо внутрішньо засвоєних взаємозв’язків «Я — Інший», забарвлених сильними афектами. Розвиток передбачає дедалі більшу здатність інтегрувати позитивні й негативні репрезентації. Коли ця інтеграція порушена, суперечливі образи можуть залишатися відокремленими, що підтримує розщеплення, нестабільність ідентичності та різкі зміни у сприйманні стосунків. Структурне інтерв’ю: метод оцінки, а не сама модель Кернберг розробив структурне інтерв’ю (Structural Interview) як клінічний спосіб виявляти структурні критерії в безпосередній взаємодії. Інтерв’ю використовує уточнення, конфронтацію та інтерпретацію, звертаючи увагу на те, як людина організовує матеріал і реагує на суперечності «тут і тепер». Важливо не змішувати теорію й інструмент. Структурна модель організації особистості — це концептуальна рамка; Structural Interview — один із методів її клінічної оцінки. Для самого інтерв’ю на сайті є окрема канонічна сторінка. STIPO і STIPO-R: операціоналізація теорії Структуроване інтерв’ю організації особистості (Structured Interview of Personality Organization, STIPO) було створено як більш стандартизоване напівструктуроване інтерв’ю для оцінки особистісної організації. Початкові психометричні дослідження фокусувалися на ідентичності, примітивних захистах і тестуванні реальності та показали прийнятну міжекспертну надійність і зв’язки з релевантними клінічними показниками. STIPO-R розширює оцінку. У сучасних дослідженнях переглянута версія охоплює домени ідентичності, об’єктних відносин, захисних операцій, агресії та моральних цінностей; конкретна факторна структура може відрізнятися залежно від версії та дослідження. У 2026 році дослідження італійської STIPO-R на 180 клінічних і 170 неклінічних учасниках підтримало валідність загального виміру особистісного порушення та специфічних доменів. Іспанська валідація 2026 року також показала прийнятні показники надійності й валідності та шестифакторне рішення у своїй вибірці. Це важливі емпіричні дані, але вони не означають, що всі деталі теорії Кернберга доведені як єдина модель особистості. IPO та український контекст Опитувальник організації особистості (Inventory of Personality Organization, IPO) — самооцінювальний інструмент, створений на основі структурних ідей Кернберга. Його версії використовують для дослідження дифузії ідентичності, захисних механізмів, тестування реальності та інших аспектів особистісної організації. Українська адаптація IPO-R пройшла лінгвістичну й психометричну перевірку на великій вибірці. Це означає, що в Україні існує не лише теоретичний інтерес до моделі, а й емпірично досліджений інструмент, пов’язаний із її операціоналізацією. Водночас опитувальник не замінює повну клінічну діагностику. Структурна організація і сучасне «функціонування особистості» У сучасній психопатології став важливішим вимірний підхід до тяжкості порушень особистості. Це створює певний концептуальний міст до старіших структурних моделей, бо обидва підходи запитують не лише «який розлад?», а й «наскільки порушене функціонування особистості?». Проте збіг неповний. DSM-5 включив до Розділу III альтернативну модель розладів особистості (Alternative Model for Personality Disorders, AMPD), де оцінюють порушення функціонування особистості та патологічні риси. Цей альтернативний підхід відрізняється від моделі Кернберга за теоретичною мовою, критеріями та діагностичною функцією. Дослідження STIPO можуть порівнювати ці системи, але вони не є одним і тим самим інструментом або класифікацією. Кернберг і ICD-11: схожість у вимірності, різні системи ICD-11 Всесвітньої організації охорони здоров’я перейшла до виразнішого вимірного опису розладів особистості. У клінічних діагностичних вимогах ВООЗ розрізняє легкий, помірний і тяжкий розлад особистості та дозволяє уточнювати провідні домени рис і межовий патерн. Це офіційна міжнародна діагностична система. Невротична, межова й психотична організації Кернберга до кодів ICD-11 не входять. Схожість полягає в увазі до тяжкості та функціонування; теоретичне походження, критерії та практичне призначення систем різні. Що сучасні дані підтримують найкраще Найкраще емпірично досліджені не всі метапсихологічні припущення теорії, а її операціоналізовані виміри й інструменти. Є дані про міжекспертну надійність структурного інтерв’ю (Structural Interview), психометричні властивості STIPO та STIPO-R, зв’язки структурних доменів із тяжкістю особистісної патології та здатність інструментів розрізняти клінічні й неклінічні групи. Це дає підстави розглядати організацію особистості як дослідницьку й клінічну конструкцію з емпіричною операціоналізацією. Водночас сучасна наука про розлади особистості є плюралістичною: психодинамічна модель Кернберга співіснує з моделями рис, альтернативною моделлю DSM, ICD-11 та іншими рамками. Для чого модель використовують у психотерапії У психодинамічній практиці структурна оцінка допомагає формувати клінічну гіпотезу про рівень інтеграції особистості, очікувані труднощі в терапевтичних стосунках, характер захистів і здатність користуватися інтерпретаціями. Вона вплинула на розроблення трансфер-фокусованої психотерапії та на способи планування психодинамічного лікування тяжкої особистісної патології. Структурна оцінка не повинна працювати як ярлик. Її практична цінність полягає у формулюванні того, як людина функціонує, які здібності збережені, де виникають порушення і які терапевтичні умови можуть бути потрібні. Чого структурна модель не дозволяє робити Не варто визначати власний «рівень організації» за кількома пунктами з інтернету. Такі ознаки, як нестабільні стосунки, сильний гнів, тривога, ідеалізація або уникання, неспецифічні й можуть виникати в дуже різних психологічних і клінічних контекстах. Не варто також робити висновок, що «межова організація» автоматично означає межовий розлад, а «психотична організація» — конкретний психотичний діагноз. Професійна оцінка потребує історії розвитку, поточного стану, функціонування, диференційної діагностики та контексту. Поширені помилки Помилка 1: «Кернберг поділив усіх людей на три типи». Модель описує структурні рівні та виміри функціонування, а не популярну типологію характерів. Помилка 2: «межова організація = МРО». Це різні поняття: одне належить до психодинамічної структурної теорії, друге — до діагностичних систем. Помилка 3: «STIPO і є теорією Кернберга». STIPO та STIPO-R — інструменти, які операціоналізують частини теоретичної моделі. Помилка 4: «DSM і ICD просто перейняли Кернберга». Сучасні вимірні підходи мають власну історію та критерії; між системами є концептуальні перетини, але немає тотожності. Помилка 5: «структурний рівень незмінний назавжди». Модель описує відносно стійку організацію, але особистісне функціонування може змінюватися в розвитку, під впливом середовища й лікування. Як ця сторінка пов’язана з іншими вузлами Канону Структурна модель Кернберга є батьківським теоретичним вузлом для кількох окремих тем: межової організації особистості, дифузії ідентичності, структурного інтерв’ю, STIPO/STIPO-R та частини теоретичних засад трансфер-фокусованої психотерапії. Кожна з цих сутностей має власне визначення й не повинна дублюватися на одній сторінці. Водночас широка канонічна сторінка «Структура особистості» на Українському психологічному ХАБі охоплює ширше поле: Big Five, HEXACO, інтегративні та історичні моделі. Кернбергівська структурна організація є однією спеціалізованою клінічною моделлю всередині цього ширшого поля. Часті запитання Що таке структурна організація особистості за Кернбергом? Це психодинамічна модель рівня особистісної інтеграції, яку класично оцінюють за інтеграцією ідентичності, характером захистів і тестуванням реальності. Які рівні організації особистості виділяв Кернберг? У класичній структурній діагностиці основними є невротична, межова та психотична організації. У ширших пізніших описах можуть додатково говорити про нормальне функціонування й підрівні межової організації. Чи є межова організація особистості діагнозом? Ні. Це структурне поняття психодинамічної теорії. Межовий розлад особистості — окрема діагностична категорія, і ці поняття не слід ототожнювати. Чим модель Кернберга відрізняється від Big Five? Big Five описує широкі риси індивідуальних відмінностей у популяції. Кернбергівська модель описує клінічну психодинамічну організацію особистості, ідентичність, захисти та реальність-тестування. Чим структурне інтерв’ю відрізняється від STIPO? Структурне інтерв’ю (Structural Interview) — клінічний метод Кернберга, яке активно використовує взаємодію «тут і тепер». STIPO — пізніший стандартизованіший напівструктурований інструмент, а STIPO-R — його переглянута версія. Чи можна самостійно визначити свій рівень організації особистості? Надійний структурний висновок не роблять за коротким онлайн-чек-листом. Якщо оцінка потрібна клінічно, її проводить кваліфікований фахівець із урахуванням історії, поточного функціонування та диференційної діагностики. Пов’язані матеріали Українського психологічного ХАБу Отто Кернберг: біографія, організація особистості, ТФП і сучасна оцінка Структура особистості: що це, сучасні моделі рис і підходи Фройда, Юнга та Кернберга Межова організація особистості: що це і чим відрізняється від межового розладу Дифузна ідентичність: що це та чим відрізняються моделі Еріксона, Марсії й Кернберга Структурне інтерв’ю Кернберга: що це, як проходить і чим відрізняється від STIPO Трансфер-фокусована психотерапія: принципи, техніки, доказовість і роль Кернберга Патологічний нарцисизм: Кернберг, грандіозність, вразливість і відмінність від НРО Психічна структура: що таке структура психіки, моделі Фройда, Юнга і сучасний погляд Пов’язані статті Отто Кернберг: біографія, організація особистості, ТФП і сучасна оцінка Структура особистості: що це, сучасні моделі рис і підходи Фройда, Юнга та Кернберга Межова організація особистості: що це і чим відрізняється від межового розладу Дифузна ідентичність: що це та чим відрізняються моделі Еріксона, Марсії й Кернберга Структурне інтерв’ю Кернберга: що це, як проходить і чим відрізняється від STIPO Трансфер-фокусована психотерапія (ТФП): як працює, для кого і що показують дослідження Патологічний нарцисизм: що це, Кернберг, грандіозність, вразливість і відмінність від НРО Психічна структура: що таке структура психіки, моделі Фройда, Юнга і сучасний погляд Доктор Джекіл і містер Гайд: образ, подвійність Я, дисоціація та психологія Джерела Kernberg O. Borderline Personality Organization. J Am Psychoanal Assoc. 1967;15(3):641–685. PMID 4861171. DOI 10.1177/000306516701500309. Kernberg OF et al. Diagnosing borderline personality: a pilot study using multiple diagnostic methods. J Nerv Ment Dis. 1981;169(4):225–231. PMID 7217928. Stern BL et al. Structured Interview of Personality Organization: preliminary psychometrics in a clinical sample. J Pers Assess. 2010;92(1):35–44. PMID 20013454. Clarkin JF et al. Clinician-Guided Assessment of Personality Using the Structural Interview and the Structured Interview of Personality Organization. J Pers Assess. 2017. PMID 28388222. Doering S et al. Interrater reliability for Kernberg's structural interview for assessing personality organization. Psychopathology. 2010. PMID 19817632. Reliability and validity of the German version of the Structured Interview of Personality Organization. PMID 23941404. Preti E et al. Psychometric Properties of the Structured Interview of Personality Organization-Revised in Italy. J Pers Assess. 2026;108(4):518–530. PMID 41481088. Rufat MJ et al. Psychometric properties of the Spanish Structured Interview of Personality Organization-Revised. 2026. PMID 41975527. Linguistic and Psychometric Validation of the Ukrainian Translation of the Inventory of Personality Organization-Revised (IPO-R-UKR). American Psychiatric Association. Personality Disorders: Alternative DSM-5 Model overview. World Health Organization. Clinical descriptions and diagnostic requirements for ICD-11 mental, behavioural and neurodevelopmental disorders. 2024. Український католицький університет. Матеріал 2026 року про структурну організацію особистості та критерії моделі Кернберга. Кернберґ О. Тяжкі розлади особистості. Психотерапевтичні стратегії. Українське видання.

Автор: Український психологічний ХАБ · Опубліковано: 1 вересня 2026 · Редакційна політика Структурне інтерв’ю Кернберга (англ. Structural Interview) — клінічний психодинамічний метод оцінювання організації особистості. Його мета — не просто зібрати перелік симптомів, а зрозуміти, наскільки інтегрованою є ідентичність людини, які захисні операції переважають і наскільки стійко зберігається тестування реальності. Важливою частиною оцінювання є те, що відбувається у взаємодії між пацієнтом і клініцистом під час самої бесіди. Ключове розрізнення: структурне інтерв’ю Кернберга не є тестом із фіксованою сумою балів і не є тим самим інструментом, що STIPO або STIPO-R. Structural Interview — клінічно керована форма психодинамічної діагностичної бесіди; STIPO — пізніший напівструктурований інструмент, створений командою дослідників для більш стандартизованого оцінювання організації особистості. Структурне інтерв’ю також не встановлює діагноз за однією рисою або кількома запитаннями. Його висновки мають сенс лише в контексті професійної клінічної оцінки, анамнезу, актуальних симптомів та інших необхідних діагностичних процедур. Що таке структурне інтерв’ю Кернберга У підході Отто Кернберга поняття «структура» стосується відносно стійкої організації психічного функціонування. Дві людини можуть мати схожі симптоми, але суттєво відрізнятися за інтеграцією образу себе, способом переживати інших, характером захисних процесів, стабільністю контакту з реальністю та здатністю витримувати суперечливі емоції. Структурне інтерв’ю намагається виявити саме цей рівень. У класичній моделі Кернберга структурна оцінка допомагає розрізняти невротичний, межовий і психотичний рівні організації особистості. Ці назви належать до психодинамічної теоретичної системи й не повинні автоматично прирівнюватися до сучасних офіційних психіатричних діагнозів. Навіщо було розроблено структурне інтерв’ю У другій половині ХХ століття клініцисти часто стикалися з пацієнтами, яких було складно описати лише старим поділом на неврози та психози або лише списком симптомів. Кернберг розвивав ідею, що для диференційної діагностики важливо оцінювати внутрішню організацію особистості: ідентичність, захисні операції та тестування реальності. У дослідженні 1981 року Кернберг і колеги описали структурне інтерв’ю як спосіб виявляти три центральні структурні критерії та порівняли отримані структурні висновки з іншими діагностичними методами у 48 госпіталізованих пацієнтів. Автори повідомили про суттєву збіжність між методами, але водночас зазначили, що структурне інтерв’ю, ймовірно, вимірює окремий вимір особистісного функціонування. Це було раннє пілотне дослідження, а не остаточна валідація методу для всіх клінічних контекстів. Три центральні критерії структурної оцінки Інтеграція ідентичності Перший критерій — ступінь інтеграції ідентичності. Клініцист оцінює, наскільки образ себе й значущих інших є цілісним, складним і послідовним. Йдеться не про те, чи може людина назвати професію, цінності або життєві цілі, а про здатність утримувати суперечливі аспекти себе та інших в одному відносно інтегрованому переживанні. У кернбергівській моделі дифузія ідентичності означає недостатню інтеграцію репрезентацій себе й інших. Один і той самий інший може переживатися то як ідеальний, то як цілком ворожий, а власний образ — різко змінюватися залежно від афекту та ситуації. Це специфічне структурно-клінічне значення, яке потрібно відрізняти від інших теорій ідентичності. Захисні операції Другий критерій — характер захисних операцій. Психологічні захисти є нормальними процесами регуляції внутрішнього конфлікту й тривоги, однак у різних рівнях організації особистості їхня гнучкість і домінантний тип можуть відрізнятися. У структурній моделі Кернберга особлива увага приділяється розщепленню, примітивній ідеалізації, знеціненню, запереченню та проєктивній ідентифікації. Клініцист не робить висновок лише тому, що в розповіді один раз з’явилася ідеалізація або суперечність. Значення має стійкий патерн, його функція та те, як він проявляється у змісті бесіди й у взаємодії під час інтерв’ю. Тестування реальності Третій критерій — тестування реальності: здатність розрізняти внутрішні переживання, фантазії та страхи від зовнішньої реальності й коригувати свої уявлення відповідно до доступної інформації. У класичній схемі відносно збережене тестування реальності є важливим розрізненням між межовою та психотичною організацією. Оцінювання тестування реальності не зводиться до одного запитання про галюцинації чи марення. Клініцист враховує загальну здатність орієнтуватися в реальності, реагувати на уточнення, переглядати очевидні суперечності та розрізняти власні інтерпретації від зовнішніх фактів. Як проходить структурне інтерв’ю Structural Interview не є анкетою з незмінним порядком сотні пунктів. Це клінічна бесіда з визначеною логікою. Українські навчальні матеріали з психології особистості описують її через початкову, середню та завершальну фази. Такий поділ корисний для розуміння процесу, хоча реальна клінічна бесіда залишається гнучкою й залежить від ситуації. Початкова фаза На початку клініцист з’ясовує причину звернення, актуальні симптоми, труднощі, очікування від оцінки та загальний контекст. Важливе відкрите запрошення розповісти про проблеми власними словами. Уже тут можна побачити, наскільки послідовно людина описує себе, чи може відділяти факти від припущень і як організовує складний матеріал. Початкова фаза водночас виконує базову клінічну функцію: симптоми, ризики, психічний і соматичний стан не відсуваються заради теорії особистості. Структурна оцінка доповнює клінічну діагностику, а не замінює її. Середня фаза У середній частині інтерв’ю увага переходить до образу себе, описів значущих людей, повторюваних стосункових патернів, реакцій на сильні афекти й суперечностей у розповіді. Клініцист може повертатися до неясних місць, порівнювати різні твердження й спостерігати, як людина реагує на таке дослідження. Саме тут особливо помітними стають структурні критерії. Чи може людина створити складний і живий опис себе й іншого? Чи різко руйнується образ іншого після розчарування? Чи здатна вона розглянути альтернативне пояснення ситуації? Як змінюється контакт, коли клініцист звертає увагу на суперечність? Відповіді не оцінюються як окремий «правильний» або «неправильний» пункт — важливий загальний спосіб функціонування. Завершальна фаза Наприкінці бесіди клініцист дає можливість додати важливу інформацію, уточнює незавершені питання й інтегрує спостереження. Завершення не повинно перетворюватися на раптове повідомлення ярлика. У клінічній роботі діагностичне формулювання має бути пов’язане з проблемами, заради яких людина звернулася, та з подальшим планом допомоги. Уточнення, конфронтація та інтерпретація У публікації 1981 року відповіді пацієнта на спроби клініциста уточнювати, конфронтувати та інтерпретувати аспекти поведінки під час інтерв’ю названі основою для структурного судження. У професійному контексті ці слова мають точне значення й не описують суперечку або тиск. Уточнення Уточнення допомагає зробити повідомлення конкретнішим і зрозумілішим: що саме сталося, кого людина має на увазі, як вона пов’язує дві події, що означає певне формулювання. Воно зменшує неоднозначність і дозволяє не будувати висновок на припущеннях клініциста. Конфронтація Конфронтація у структурному інтерв’ю — це тактовне звернення уваги на помітну суперечність, розрив або несумісність у матеріалі. Наприклад, людина може описувати стосунки як повністю гармонійні, а через кілька хвилин розповідати про постійні конфлікти й страх. Завдання клініциста — не довести, що пацієнт «помиляється», а разом дослідити, як співіснують ці дві версії досвіду. Інтерпретація Інтерпретація — це гіпотеза про можливий зв’язок між переживаннями, поведінкою, захистами та тим, що відбувається у взаємодії. Вона має залишатися перевірюваною гіпотезою, а не проголошенням прихованої істини про людину. Реакція на інтерпретацію також може дати інформацію про здатність до рефлексії та тестування реальності. Чому важлива взаємодія «тут і тепер» Особливість структурного інтерв’ю полягає в тому, що клініцист оцінює не лише зміст історії про минуле. Увага спрямована й на актуальну взаємодію: як людина сприймає запитання, реагує на непорозуміння, формує образ інтерв’юера, переносить напруження, змінює позицію після уточнення або конфронтації. Пізніший огляд структурного інтерв’ю і STIPO наголошує, що клінічно орієнтоване SI враховує також феномени перенесення й контрперенесення. Це не означає, що кожна реакція терапевта є доказом структури пацієнта. Професійне використання контрперенесення потребує рефлексії, перевірки гіпотез і здатності відрізняти власний внесок клініциста від повторюваного міжособистісного патерну. Який результат дає структурне інтерв’ю Результатом є структурне клінічне формулювання, а не проста цифра. У кернбергівській традиції клініцист робить висновок про рівень організації особистості, ступінь інтеграції ідентичності, характер домінантних захистів і якість тестування реальності. Це формулювання може впливати на прогноз, вибір терапевтичної рамки, інтенсивність лікування та спосіб роботи з ризиками й терапевтичним альянсом. Структурна категорія не скасовує діагностичної категорії. Наприклад, межова організація особистості в моделі Кернберга є ширшим структурним конструктом, ніж сучасний діагноз межового розладу особистості. Саме тому структурне інтерв’ю не слід читати як альтернативний «тест на МРО». Структурне інтерв’ю і STIPO: у чому різниця Structural Interview і Structured Interview of Personality Organization походять з однієї теоретичної традиції, але це різні інструменти. У публікації 2018 року їх прямо описано окремо: SI — клінічно орієнтоване інтерв’ю, яке використовує тактовну конфронтацію суперечностей і враховує перенесення та контрперенесення; STIPO — напівструктурований підхід із більш керованою послідовністю оцінювання. Оригінальну STIPO розробляла команда Баррі Стерна, Ів Калігор, Джона Кларкіна, Отто Кернберга та інших колег. Тому некоректно називати STIPO одноосібним «тестом Кернберга». Перші психометричні роботи оцінювали, зокрема, ідентичність, примітивні захисти та тестування реальності. У ширшій версії STIPO оцінювали сім сфер: ідентичність, об’єктні відносини, примітивні захисти, копінг і ригідність, агресію, моральні цінності та тестування реальності/перцептивні викривлення. Німецьке валідаційне дослідження показало високі міжекспертні коефіцієнти для шкал і прийнятну внутрішню узгодженість, однак ці дані стосуються саме STIPO, і не можуть автоматично переноситися на структурне інтерв’ю. STIPO-R — наступна ревізія інструмента. За офіційними матеріалами Personality Disorders Institute вона була представлена командою Джона Кларкіна, Ів Калігор, Баррі Стерна й Отто Кернберга та скорочена до 55 пунктів. Ревізія змінила структуру доменів: зокрема, окремий домен явного тестування реальності був прибраний, а домен нарцисизму додано. Тому назви STIPO і STIPO-R теж не варто використовувати як цілком взаємозамінні. Що показують дослідження Пілотна робота 1981 року підтримала корисність структурного інтерв’ю, але мала невелику госпітальну вибірку й належить до ранньої історії операціоналізації моделі. Її не слід подавати як остаточний доказ універсальної точності структурного інтерв’ю. Пізніша робота про SI і STIPO повідомляє про добру міжекспертну надійність обох підходів і підкреслює їхню клінічну корисність для прогнозу та планування лікування. Водночас кількісно стандартизована психометрична база значною мірою розвивалася через STIPO та її ревізії, оскільки напівструктурований формат легше досліджувати як вимірювальний інструмент. Сучасні огляди організації особистості (personality organization) та особистісного функціонування (personality functioning) знаходять змістовні перетини між психодинамічними структурними моделями та дименсійними підходами до тяжкості особистісної патології. Такі перетини роблять структурні інструменти актуальними для досліджень, але не означають, що сучасні класифікації підтвердили всю психоаналітичну теорію Кернберга. Як структурне інтерв’ю співвідноситься із сучасним особистісним функціонуванням Сучасні діагностичні моделі дедалі частіше оцінюють не лише категоріальну наявність розладу, а й тяжкість порушення функціонування особистості. Ідентичність, здатність до близькості, стабільність міжособистісних моделей і саморегуляція стали важливими дименсійними орієнтирами. Це створює концептуальний міст до структурної традиції, але «особистісне функціонування» (personality functioning) і «організація особистості» (personality organization) мають різне теоретичне походження й не є автоматичними синонімами. Порівнювати їх коректно через конкретні визначення, шкали та емпіричні зв’язки, а не через схожість слів. Зв’язок із трансфер-фокусованою психотерапією Структурна діагностика стала важливою частиною трансфер-фокусованої психотерапії. Українська асоціація ТФП описує діагностичний етап перед початком терапії й зазначає, що для нього може використовуватися структурне інтерв’ю Кернберга або STIPO-R. Після оцінки терапевт обговорює діагностичні враження з пацієнтом і пов’язує їх із проблемами, які стали причиною звернення. Цей зв’язок не робить структурне інтерв’ю «тестом на придатність до ТФП» і не означає, що воно застосовується лише в ТФП. Це інструмент психодинамічного структурного оцінювання, тоді як конкретний вибір лікування залежить від діагнозу, тяжкості, ризиків, супутніх станів, уподобань людини та доступних доказових методів. Чого структурне інтерв’ю не робить Структурне інтерв’ю не дає підстав визначати «рівень особистості» за коротким відео, онлайн-опитувальником або списком рис. Воно не створене для дистанційного оцінювання партнера, родича чи публічної особи й не замінює повної клінічної діагностики. Метод також не перетворює психоаналітичні пояснення розвитку особистості на біологічно доведені факти. Можна емпірично досліджувати надійність оцінювання ідентичності, захистів чи інших доменів, але це окреме питання від істинності кожного теоретичного пояснення їхнього походження. Якщо в людини є гострий суїцидальний ризик, психотичні симптоми, тяжке самоушкодження або інша безпосередня небезпека, пріоритетом є кризова чи медична допомога. Визначення психодинамічного рівня організації не повинно затримувати необхідні дії щодо безпеки. Часті запитання Структурне інтерв’ю Кернберга — це тест? Ні. Це клінічно кероване психодинамічне інтерв’ю. Воно має структурну логіку й критерії, але не зводиться до самостійного заповнення анкети та підрахунку балів. Скільки триває структурне інтерв’ю? Єдиної універсальної тривалості для всіх клінічних ситуацій немає. Обсяг оцінки залежить від складності запиту, симптомів, ризиків, діагностичного контексту та практики конкретного клінічного середовища. Структурне інтерв’ю і STIPO — це одне й те саме? Ні. Обидва підходи походять із моделі організації особистості Кернберга, але SI є більш гнучким клінічним інтерв’ю, тоді як STIPO — напівструктурованим інструментом, створеним для більш стандартизованої оцінки. STIPO-R є подальшою ревізією STIPO. Чи визначає структурне інтерв’ю межовий розлад особистості? Воно може бути частиною клінічної оцінки людини з розладом особистості, але структурний висновок і сучасний діагноз МРО — різні рівні опису. Діагноз має ґрунтуватися на відповідних сучасних діагностичних критеріях та повній професійній оцінці. Чи можна провести структурне інтерв’ю самому собі? Ні. Значна частина інформації виникає у професійній взаємодії, під час уточнення суперечностей і спостереження за тим, як людина реагує на діагностичну бесіду. Самооцінка може бути корисною для рефлексії, але не відтворює клінічний метод. Чи використовують структурне інтерв’ю сьогодні? Так, воно залишається частиною психодинамічної діагностичної традиції та практики трансфер-фокусованої психотерапії. Паралельно використовуються більш стандартизовані інструменти, зокрема STIPO-R, а сучасна клінічна практика також спирається на діагностичні системи та інші валідовані методи оцінювання. Пов’язані матеріали Українського психологічного ХАБу Отто Кернберг: біографія, організація особистості, ТФП і сучасна оцінка Межова організація особистості: що це і чим відрізняється від межового розладу Дифузна ідентичність: що це та чим відрізняються моделі Еріксона, Марсії й Кернберга Теорія об’єктних відносин Трансфер-фокусована психотерапія (ТФП) Пов’язані статті Отто Кернберг: біографія, організація особистості, ТФП і сучасна оцінка Межова організація особистості: що це і чим відрізняється від межового розладу Дифузна ідентичність: що це та чим відрізняються моделі Еріксона, Марсії й Кернберга Теорія об'єктних відносин: що це, Кляйн, Фейрберн, Віннікотт і сучасне значення Трансфер-фокусована психотерапія (ТФП): як працює, для кого і що показують дослідження Структурна модель Кернберга: рівні організації особистості, критерії та сучасна оцінка Джерела Kernberg OF, Goldstein EG, Carr AC, Hunt HF, Bauer SF, Blumenthal R. Diagnosing borderline personality. A pilot study using multiple diagnostic methods. Journal of Nervous and Mental Disease. 1981;169(4):225–231. PMID 7217928. Kernberg OF. Structural interviewing. Psychiatric Clinics of North America. 1981;4(1):169–195. PMID 7232235. Hörz-Sagstetter S, Caligor E, Preti E, Stern BL, De Panfilis C, Clarkin JF. Clinician-Guided Assessment of Personality Using the Structural Interview and the Structured Interview of Personality Organization (STIPO). Journal of Personality Assessment. 2018;100(1):30–42. PMID 28388222. DOI 10.1080/00223891.2017.1298115. Stern BL, Caligor E, Clarkin JF, Critchfield KL, Hörz S, MacCornack V, Lenzenweger MF, Kernberg OF. Structured Interview of Personality Organization (STIPO): preliminary psychometrics in a clinical sample. Journal of Personality Assessment. 2010;92(1):35–44. PMID 20013454. Reliability and validity of the German version of the Structured Interview of Personality Organization (STIPO). PMCID PMC3751705; PMID 23941404. Hörz-Sagstetter S, Ohse L, Kampe L. Three Dimensional Approaches to Personality Disorders: a Review on Personality Functioning, Personality Structure, and Personality Organization. Current Psychiatry Reports. 2021;23:45. PMCID PMC8238706. Personality Disorders Institute. Structured Interview of Personality Organization – Revised (STIPO-R). Українська асоціація трансфер-фокусованої психотерапії. Про ТФП: діагностика через структурне інтерв’ю або STIPO-R. Українська асоціація трансфер-фокусованої психотерапії. Трансфер-фокусована психотерапія: тактики, частина 1. Національний університет кораблебудування. Методичні рекомендації з психології особистості та глибинної психології: структурне інтерв’ю О. Кернберга.

Автор: Український психологічний ХАБ · Опубліковано: 1 вересня 2026 · Редакційна політика Межова організація особистості (англ. borderline personality organization, BPO) — це психодинамічне поняття, яке описує рівень структурної організації особистості, а не окремий психіатричний діагноз. У моделі Отто Кернберга йдеться про те, наскільки інтегрованою є ідентичність людини, які захисні механізми переважають і наскільки стійко зберігається здатність відрізняти внутрішні переживання від зовнішньої реальності. Найважливіше розрізнення: межова організація особистості не дорівнює межовому розладу особистості. Межовий розлад особистості, або МРО, є клінічною діагностичною категорією. Межова організація у Кернберга — ширший структурний рівень, який у його теоретичній системі може зустрічатися при різних формах тяжкої особистісної патології. Тому словом «межовий» у двох висловах позначаються пов’язані, але різні речі. Це також означає, що поняття BPO не слід використовувати як домашній тест або ярлик для себе, партнера чи іншої людини. Структурне формулювання потребує професійної клінічної оцінки, а сучасна психіатрична діагностика має власні критерії, інтерв’ю та класифікаційні системи. Що таке межова організація особистості У психодинамічній мові «організація особистості» означає відносно стійкий спосіб, у який побудоване психічне функціонування людини. Це не перелік окремих симптомів і не тип темпераменту. Структурна модель намагається відповісти на інше питання: як людина утримує цілісне переживання себе та інших, справляється з внутрішніми конфліктами, регулює сильні афекти, захищається від тривоги й перевіряє реальність. У класичній системі Кернберга виділяють невротичний, межовий і психотичний рівні організації. Межовий рівень посідає проміжне місце не тому, що людина «наполовину невротична, наполовину психотична», а тому, що певні структурні функції можуть бути суттєво порушені при загалом збереженому контакті з реальністю. Центральною ознакою межової організації в цій моделі є дифузія ідентичності: уявлення про себе та значущих інших залишаються недостатньо інтегрованими. Суперечливі образи можуть різко змінювати один одного залежно від афекту й ситуації. Водночас така модель не означає, що кожна емоційна мінливість або суперечність у самооцінці свідчить про BPO. Звідки походить поняття Слово borderline використовували в психіатрії та психоаналізі ще до Кернберга для різних станів, які важко було розмістити в старому поділі між неврозами та психозами. Тому історично некоректно перетворювати Кернберга на одноосібного «винахідника слова borderline». Його специфічний внесок полягав у систематизації структурної концепції межової організації особистості. Програмною стала стаття Отто Кернберга «Borderline Personality Organization», опублікована 1967 року в Journal of the American Psychoanalytic Association. У ній він описував групу пацієнтів через структурні характеристики психіки й розвивав ідею особливого рівня організації особистості. Саме ця праця стала одним із ключових текстів для подальшої кернбергівської моделі. Пізніше Кернберг розвинув структурну діагностику, описав клінічне інтерв’ю для оцінювання організації особистості та пов’язав модель із лікуванням тяжких розладів особистості. У наступні десятиліття його школа намагалася операціоналізувати теоретичні поняття за допомогою структурованіших інструментів, зокрема STIPO. Що означає «організація», а не «розлад» Діагноз зазвичай відповідає на питання, чи відповідає клінічна картина визначеним критеріям певного розладу. Структурна організація відповідає на питання про рівень і спосіб особистісного функціонування. Ці два способи опису можуть перетинатися, але один не замінює іншого. У моделі Кернберга межовий рівень організації може виявлятися за різних клінічних конфігурацій. Тому BPO історично розглядали ширше, ніж синдром межового розладу особистості. Це принципово для читання психодинамічної літератури: вислів «пацієнт межової організації» не можна автоматично перекладати як «пацієнт із діагнозом МРО». Так само сучасний діагноз МРО не зводиться до кернбергівської теорії. Сьогодні його досліджують у різних моделях — психодинамічних, когнітивно-поведінкових, нейробіологічних, соціально-когнітивних та інших. Три рівні організації особистості у моделі Кернберга Невротичний рівень Невротична організація описується як рівень із відносно інтегрованою ідентичністю, стійким тестуванням реальності та переважанням зріліших або невротичних захисних механізмів. Людина може мати значні внутрішні конфлікти, симптоми й труднощі у стосунках, але образ себе та інших загалом залишається ціліснішим. Межовий рівень Межова організація характеризується істотними труднощами інтеграції ідентичності та активним використанням примітивніших захисних механізмів, насамперед розщеплення та споріднених процесів. Тестування реальності в базовому структурному розрізненні загалом збережене, хоча за сильного афекту або в окремих ситуаціях функціонування може ставати менш стабільним. Психотичний рівень Психотична організація в класичній схемі пов’язана з більш фундаментальними порушеннями тестування реальності та меж між внутрішнім і зовнішнім. Цей психоаналітичний структурний рівень не є заміною сучасних критеріїв психотичних розладів і не повинен використовуватися для самодіагностики. Три центральні критерії структурної оцінки Ідентичність Ідентичність у цьому контексті — це не лише відповідь на питання «хто я?» або життєвий вибір. Йдеться про здатність мати складне, послідовне й відносно інтегроване переживання себе та значущих інших. При дифузії ідентичності суперечливі репрезентації можуть залишатися відокремленими: людина або інший переживаються то як цілком добрі, то як цілком погані, а перехід між цими станами може бути різким. Кернберг не створив поняття identity diffusion з нуля: проблема ідентичності й дифузії вже була центральною у працях Еріка Еріксона. У Кернберга вона отримала специфічне структурно-клінічне значення, пов’язане з організацією репрезентацій себе та інших. Захисні механізми Другий орієнтир — характер захисних процесів. У моделі BPO велике значення мають розщеплення, примітивна ідеалізація, знецінення, заперечення, проєктивна ідентифікація та інші способи регулювати суперечливі й інтенсивні переживання. Історично багато з цих понять виникли до Кернберга; його внесок полягав у їх систематичному використанні в структурній діагностиці. Тестування реальності Третій орієнтир — тестування реальності, тобто здатність розрізняти внутрішні переживання, фантазії та страхи і зовнішню реальність. Саме відносно збережене тестування реальності було одним із ключових критеріїв, якими межову організацію відрізняли від психотичної. Оцінювання цієї функції є клінічним завданням і не зводиться до одного запитання чи ознаки. Межова організація особистості і межовий розлад особистості: у чому різниця Межовий розлад особистості — діагностична категорія з визначеними клінічними критеріями. Межова організація особистості — структурний конструкт психодинамічної теорії. Людина з МРО може демонструвати межовий рівень організації в кернбергівській моделі, але сама BPO охоплює ширше поле тяжкості та різних особистісних конфігурацій. Цю різницю перевіряли емпірично ще в ранніх дослідженнях. У роботі 1987 року Гуннара Куллгрена 46 стаціонарних пацієнтів незалежно оцінювали за DSM-III, Diagnostic Interview for Borderlines та концепцією BPO, пов’язаною зі структурним інтерв’ю Кернберга. Межова організація виявилася значно ширшим конструктом: лише приблизно половина пацієнтів, віднесених до BPO, мала синдромний діагноз BPD за тогочасними критеріями. Це історичне дослідження не дає сучасної оцінки поширеності й не означає, що «50 відсотків BPO — це BPD» у нинішній практиці. Його цінність інша: воно прямо показало, що структурний конструкт і діагностичний синдром не збігаються один до одного. Автор запропонував розглядати BPO радше як вимір проміжного рівня структури особистості, а не як окрему діагностичну одиницю. Сучасні моделі розладів особистості також дедалі більше оцінюють тяжкість і особистісне функціонування, а не лише категоріальні назви. Це створює концептуальний міст до старших структурних підходів, але не робить сучасні класифікації прямим підтвердженням усієї теорії Кернберга. Подібність між «personality functioning» і «personality organization» потрібно вивчати на рівні конкретних визначень та інструментів. Чи є межова організація офіційним діагнозом Ні. Borderline personality organization не є окремою офіційною діагностичною категорією сучасних основних психіатричних класифікацій. Це теоретико-клінічний конструкт психодинамічної традиції, який використовується для структурного формулювання особистісного функціонування. Це розрізнення захищає від двох помилок. Перша — називати людину «межовою» за кількома рисами. Друга — вважати, що структурна оцінка може замінити діагностику психічних розладів. У клінічній роботі ці рівні інформації можуть доповнювати один одного, якщо фахівець чітко розуміє межі кожної моделі. Структурне інтерв’ю Кернберга Щоб оцінювати рівень організації не лише інтуїтивно, Кернберг і колеги розвивали структурне інтерв’ю. У дослідженні 1981 року його логіку описували через три критерії: ступінь інтеграції ідентичності, рівень захисних операцій і здатність до тестування реальності. Інтерв’ю звертає увагу не лише на біографічний зміст відповідей, а й на те, як людина реагує на уточнення, конфронтацію суперечностей та інтерпретаційні гіпотези. Структурне інтерв’ю — професійний клінічний метод, а не універсальний онлайн-тест. Висновок залежить від підготовки інтерв’юера, клінічного контексту та інтеграції інформації з іншими джерелами. STIPO: як структурну модель зробили більш стандартизованою Structured Interview of Personality Organization, або STIPO, було розроблено як напівструктурований інструмент для систематизованої оцінки організації особистості. Сучасні описи включають такі домени, як ідентичність, об’єктні відносини, примітивні захисти, копінг і ригідність, агресія, моральні цінності та тестування реальності. Психометричні дослідження різних версій STIPO показали прийнятну міжекспертну надійність і зв’язки з іншими показниками особистісного функціонування. Це важливо, тому що частину структурної моделі можна досліджувати не лише через теоретичні описи, а й за допомогою операціоналізованих процедур. Водночас валідність інструмента не означає автоматичної істинності кожного психоаналітичного пояснення походження особистісної патології. Як межова організація співвідноситься із сучасним поняттям особистісного функціонування У сучасній психіатрії та клінічній психології посилився дименсійний підхід: важливо оцінювати не тільки наявність певного набору рис, а й тяжкість порушення функціонування особистості. У цьому полі структурна модель Кернберга знову стала предметом порівняльних досліджень. Огляд тривимірних підходів до розладів особистості 2021 року розглядає personality organization поряд із personality functioning і personality structure. У ньому кернбергівська модель описується як континуум від нормальної/невротичної через межову до психотичної організації, а базовими вимірами названо ідентичність, примітивні захисні механізми й тестування реальності; пізніші інструменти додають інші домени. Це дає підстави говорити про змістовні перетини між структурною психодинамічною традицією й сучасними дименсійними моделями. Але терміни не слід оголошувати взаємозамінними: вони походять із різних теоретичних систем, мають різну історію та не завжди вимірюються однаково. Як BPO пов’язана з трансфер-фокусованою психотерапією Трансфер-фокусована психотерапія виросла з тієї самої структурної та об’єктно-відносинної традиції. Її сучасну мануалізовану форму розробляли Отто Кернберг, Джон Кларкін, Френк Йоманс та інші колеги. До початку ТФП проводять структуровану клінічну оцінку; у професійних матеріалах ISTFP/TFP Ukraine для цього описують структурне інтерв’ю або STIPO-R. Зв’язок між BPO і ТФП не означає, що кожна людина, яку психодинамічний клініцист описує як таку, що має межовий рівень організації, автоматично повинна отримувати ТФП. Вибір лікування залежить від конкретного розладу, тяжкості, ризиків, супутніх станів, доступності спеціалізованих методів та спільного клінічного рішення. Що підтверджено дослідженнями, а що залишається теоретичною моделлю Існують емпіричні дослідження структурного інтерв’ю, Inventory of Personality Organization, STIPO та пов’язаних вимірів. Вони показують, що окремі структурні характеристики можна оцінювати з прийнятною надійністю й пов’язувати з тяжкістю особистісної патології та функціонуванням. Водночас BPO виникла всередині психоаналітичної теорії об’єктних відносин. Її пояснення розвитку, внутрішніх репрезентацій, агресії та захисних процесів не треба подавати як безпосередньо виміряні біологічні факти. Емпірична підтримка окремого інструмента, клінічної асоціації або терапевтичного результату не підтверджує автоматично всю теоретичну систему. Частина ранніх досліджень мала невеликі клінічні вибірки й відображала діагностичні системи свого часу. Тому результати 1980-х років корисні для історії операціоналізації поняття, але їх не можна механічно переносити на сучасну популяцію або використовувати як сучасні нормативи. Найсильніше сучасне формулювання звучить так: організація особистості є впливовою психодинамічною моделлю особистісного функціонування, частина її ключових вимірів була операціоналізована й досліджена, а межова організація залишається структурним конструктом, який потрібно відрізняти від офіційного діагнозу МРО. Чому не варто самостійно визначати «межовий рівень» Популярні списки на кшталт «10 ознак межової особистості» змішують різні рівні опису: емоційну чутливість, стиль прив’язаності, риси характеру, симптоми МРО та психодинамічну структуру. Через це людина легко знаходить у себе окремі знайомі переживання й робить висновок, який клінічно нічого не доводить. Якщо труднощі з ідентичністю, стосунками, імпульсивністю, самоушкодженням, сильними коливаннями афекту або контактом із реальністю реально впливають на життя, корисною є професійна оцінка стану. За гострого суїцидального ризику чи небезпеки пріоритетом є безпосередня кризова або медична допомога, а не визначення теоретичного «рівня організації». Часті запитання Межова організація особистості — це те саме, що МРО? Ні. МРО — діагностична категорія, BPO — психодинамічний структурний рівень. Вони можуть перетинатися, але BPO у моделі Кернберга ширша за один діагноз. Чи створив Отто Кернберг поняття «межовий»? Термін і дискусія про borderline-стани існували до Кернберга. Його ключовий внесок — систематична концепція borderline personality organization і її розвиток у структурній діагностиці. Програмна стаття з цією назвою вийшла 1967 року. Які ознаки є центральними для BPO у моделі Кернберга? Класично оцінюють інтеграцію ідентичності, характер захисних механізмів і тестування реальності. Пізніші інструменти, зокрема STIPO, охоплюють ширше коло доменів особистісного функціонування. Чи можна пройти тест на межову організацію особистості онлайн? Опитувальники можуть використовуватися в дослідженнях або як частина професійної оцінки, але результат онлайн-тесту не встановлює ні BPO, ні МРО. Структурне формулювання потребує клінічного контексту та професійної інтерпретації. Чи означає BPO психоз? Ні. У класичній структурній моделі межова й психотична організації розрізняються, зокрема, за тестуванням реальності. Назва «межова» не означає, що людина постійно перебуває «на межі психозу». Чи лікують межову організацію особистості окремо від діагнозу? План психотерапії формують не за одним структурним ярликом. Фахівець враховує клінічний діагноз або діагнози, тяжкість особистісного функціонування, ризики, цілі, супутні стани та доступні методи. BPO може бути частиною психодинамічного формулювання, але не замінює повного плану лікування. Пов’язані матеріали Українського психологічного ХАБу Отто Кернберг: біографія, організація особистості, ТФП і сучасна оцінка Межовий розлад особистості (МРО): окрема діагностична тема Дифузна ідентичність: Еріксон, Марсія і Кернберг Теорія об'єктних відносин Трансфер-фокусована психотерапія (ТФП) Пов’язані статті Отто Кернберг: біографія, організація особистості, ТФП і сучасна оцінка Межовий розлад особистості (МРО) це Дифузна ідентичність: що це та чим відрізняються моделі Еріксона, Марсії й Кернберга Теорія об'єктних відносин: що це, Кляйн, Фейрберн, Віннікотт і сучасне значення Трансфер-фокусована психотерапія (ТФП): як працює, для кого і що показують дослідження Структурна модель Кернберга: рівні організації особистості, критерії та сучасна оцінка Структурне інтерв’ю Кернберга: що це, як проходить і чим відрізняється від STIPO Патологічний нарцисизм: що це, Кернберг, грандіозність, вразливість і відмінність від НРО Структура особистості: що це, сучасні моделі рис і підходи Фройда, Юнга та Кернберга Психічна структура: що таке структура психіки, моделі Фройда, Юнга і сучасний погляд Джерела Kernberg OF. Borderline Personality Organization. Journal of the American Psychoanalytic Association. 1967;15(3):641–685. PMID 4861171. DOI 10.1177/000306516701500309. Kullgren G. An empirical comparison of three different borderline concepts. Acta Psychiatrica Scandinavica. 1987;76(3):246–255. PMID 3673651. DOI 10.1111/j.1600-0447.1987.tb02892.x. Kernberg OF, Goldstein EG, Carr AC, Hunt HF, Bauer SF, Blumenthal R. Diagnosing borderline personality: a pilot study using multiple diagnostic methods. Journal of Nervous and Mental Disease. 1981;169(4):225–231. PMID 7217928. Three Dimensional Approaches to Personality Disorders: a Review on Personality Functioning, Personality Structure, and Personality Organization. Current Psychiatry Reports. 2021. PMCID PMC8238706. Reliability and validity of the German version of the Structured Interview of Personality Organization (STIPO). PMCID PMC3751705; PMID 23941404. Borderline personality disorder: a comprehensive review of diagnosis and clinical presentation, etiology, treatment, and current controversies. World Psychiatry. 2024. PMCID PMC10786009; PMID 38214629. Українська асоціація трансфер-фокусованої психотерапії. Про ТФП: діагностика, структурне інтерв’ю та STIPO-R.

Автор: Український психологічний ХАБ · Опубліковано: 3 вересня 2026 · Редакційна політика Чарльз Едвард Спірмен (Charles Edward Spearman, 1863–1945) — британський психолог і психометрист, який істотно змінив спосіб, у який психологія досліджує інтелект та індивідуальні відмінності. З його працями пов’язані концепція загального фактора інтелекту g, двофакторна модель здібностей, ранній розвиток факторного аналізу, коефіцієнт рангової кореляції Спірмена та важливі ідеї теорії психологічного вимірювання. Його спадщина значно ширша за одну теорію інтелекту. Спірмен належить до покоління дослідників, які на початку XX століття зробили кореляції, математичні моделі й аналіз прихованої структури тестових результатів центральними інструментами психометрики. Водночас частина його теоретичних інтерпретацій була переглянута, а історичний контекст його роботи потребує критичного прочитання. Хто такий Чарльз Спірмен Чарльз Едвард Спірмен народився 10 вересня 1863 року в Лондоні й помер там само 17 вересня 1945 року. Лондонське королівське товариство (Royal Society) фіксує його як британського дослідника психології; 15 травня 1924 року його обрали членом товариства. До академічної психології Спірмен прийшов не одразу. Після навчання в Leamington College він обрав військову кар’єру, служив у Royal Munster Fusiliers і навчався в Army Staff College у Кемберлі. Згодом залишив військову службу заради експериментальної психології в Лейпцигу, у науковому середовищі, пов’язаному з лабораторією Вільгельма Вундта. Його навчання перервала Друга англо-бурська війна, під час якої Спірмена знову залучили до служби. Докторський ступінь у Лейпцигу він здобув 1906 року. Уже наступного року почав працювати в Університетському коледжі Лондона (University College London, UCL), де очолив невелику психологічну лабораторію. У 1911 році Спірмен став Grote Professor of Mind and Logic та керівником психології в UCL. У 1928 році для психології було створено окрему професорську кафедру, першим очільником якої став Спірмен. У 1931 році він вийшов у відставку. Від кореляцій до питання про структуру інтелекту Одне з головних емпіричних спостережень, від якого відштовхувався Спірмен, полягає в тому, що результати різних когнітивних завдань часто позитивно пов’язані між собою. В англомовній психометриці цю закономірність називають positive manifold — загальною позитивною взаємопов’язаністю результатів когнітивних тестів. Якщо людина відносно добре виконує один тип когнітивного завдання, статистично вона частіше показує вищі результати й у низці інших завдань. Це не означає, що всі здібності однакові або що будь-який тест вимірює те саме. Йдеться про структуру кореляцій на рівні групових даних. У статті 1904 року “General Intelligence,” Objectively Determined and Measured Спірмен запропонував математичне пояснення цієї структури: різні показники можуть мати спільний компонент. Саме з цією ідеєю пов’язане позначення g — загального фактора інтелекту. На межі XIX і XX століть кореляція стала для психології способом перейти від вражень про «здібності» до аналізу закономірностей у даних. Спірмена цікавило не лише те, наскільки два тести пов’язані між собою. Він поставив складніше запитання: чи можна пояснити цілу систему взаємних кореляцій між різними когнітивними завданнями одним спільним компонентом, а залишок — особливостями окремих завдань. Саме ця постановка проблеми зробила його роботи важливими для психометрики. В емпіричних даних Спірмен бачив те, що сьогодні називають загальною позитивною взаємопов’язаністю когнітивних тестів: різні показники розумової діяльності в середньому корелюють позитивно. Це не означає, що всі здібності однакові або що людина, сильна в одному завданні, обов’язково буде однаково сильною в усіх інших. Йдеться про статистичну тенденцію на рівні вибірки, а не про правило для кожної окремої людини. Тут важливо розділити спостереження і пояснення. Позитивні кореляції між багатьма когнітивними тестами — емпірична закономірність. Загальний фактор g — один зі способів математично описати спільну частину цієї варіативності. А твердження про те, який психологічний або біологічний механізм стоїть за g, — уже окрема теоретична проблема. Змішування цих трьох рівнів часто й породжує надмірні висновки про «єдину сутність інтелекту». Що таке загальний фактор інтелекту g У психометричному сенсі g — це загальний статистичний фактор, який відображає частину спільної варіативності результатів у різних когнітивних завданнях. Він не є окремим тестом, конкретною ділянкою мозку або простим синонімом показника IQ. Тут важливо розділяти емпіричний факт і його теоретичне пояснення. Позитивні кореляції між багатьма когнітивними тестами неодноразово відтворювалися. Натомість питання про те, яку саме психологічну чи біологічну реальність найкраще представляє g, залишається предметом наукових моделей і дискусій. Тому коректне сучасне формулювання звучить обережніше, ніж популярна фраза «Спірмен відкрив єдиний інтелект». Він запропонував впливову модель спільного фактора, спираючись на структуру кореляцій між показниками здібностей. g, IQ і тестовий бал: не одне й те саме У популярних текстах g, IQ та «загальний інтелект» нерідко вживають як синоніми, але в психометриці це різні поняття. g — латентний, тобто безпосередньо не спостережуваний фактор, який оцінюють із системи кореляцій між багатьма когнітивними показниками. Його значення залежить від набору тестів, вибірки та статистичної моделі. Людина не отримує «чистий g» так само, як отримує конкретний бал за тест. IQ — стандартизований показник, який обчислюють за правилами конкретного тесту або батареї. Сучасний загальний IQ часто сильно пов’язаний із загальним фактором, тому що батарея спеціально містить різні когнітивні завдання. Але числовий IQ є продуктом конкретної процедури вимірювання, нормування та інтерпретації. Він не тотожний статистичному фактору g і тим більше не є повним описом пізнавальних можливостей людини. Побутове слово «інтелект» ще ширше. Воно може охоплювати здатність учитися, міркувати, розв’язувати нові задачі, використовувати знання, адаптуватися до вимог середовища та багато інших аспектів. Психометричний g описує важливу спільну закономірність у результатах когнітивних тестів, але з цього не випливає, що він вимірює всі форми компетентності, творчості, практичного судження чи соціального функціонування. Практичний висновок простий: високий або низький тестовий результат не слід перетворювати на ярлик для цілої особистості. У професійній оцінці важливі мета тестування, валідність методики, надійність, нормативна вибірка, мовний і культурний контекст, а також те, які саме висновки дозволяють робити дані. Це сучасне уточнення суттєво ширше за ранні моделі початку XX століття. Двофакторна теорія інтелекту: g і s Класичну модель Спірмена називають двофакторною теорією інтелекту. За нею виконання конкретного когнітивного завдання пов’язане з двома складовими: загальним фактором g, спільним для різних завдань, і специфічним фактором s, пов’язаним з особливостями саме цього завдання. Наприклад, просторове завдання, словниковий тест і числова задача потребують різних конкретних умінь. Проте їхні результати можуть мати спільну статистичну частину. У моделі Спірмена ця спільна частина пов’язувалася з g, а специфічна складова кожного показника — з s. Для свого часу це був великий крок: структура здібностей перетворилася з абстрактної філософської теми на проблему, яку можна було аналізувати математично. Проте сучасні моделі когнітивних здібностей зазвичай складніші й часто містять кілька рівнів — від вузьких навичок через широкі здібності до найзагальнішого фактора. Спірмен і виникнення факторного аналізу Щоб перевіряти свою модель, Спірмен аналізував закономірності в матрицях кореляцій. Історики психометрики відводять йому ключову роль у виникненні факторного аналізу — підходу, в якому спостережувані показники пояснюють через меншу кількість прихованих факторів. Однак сучасний факторний аналіз не можна ототожнювати з первинною однофакторною схемою Спірмена. Після нього методи розвивалися в різних напрямах, з’явилися багатофакторні, ієрархічні, підтверджувальні та інші моделі. Історичний внесок Спірмена полягає у постановці задачі та математичному аналізі спільної структури кореляцій, а не у створенні всіх сучасних різновидів факторного аналізу. Це також хороший приклад того, як у науці метод може пережити початкову теорію. Факторний аналіз сьогодні застосовують далеко за межами досліджень інтелекту — у психометрії, дослідженні особистості, клінічних шкалах, соціальних науках та інших галузях. Історичний факторний аналіз Спірмена не був сучасною процедурою з усіма нинішніми варіантами виділення факторів, обертаннями та індексами відповідності моделі. Його рання логіка полягала в аналізі матриці кореляцій і перевірці того, чи можна пояснити спільну частину зв’язків між тестами одним загальним фактором. Для цього Спірмен досліджував спеціальні співвідношення між кореляціями, які мали випливати з його двофакторної моделі. Саме тому історично точніше говорити, що Спірмен започаткував факторно-аналітичний підхід і розробив одну з його найперших форм. Подальший факторний аналіз суттєво розширювали інші дослідники: з’явилися багатофакторні моделі, методи обертання, різні способи оцінювання параметрів, підтверджувальний факторний аналіз і сучасне моделювання латентних змінних. Називати Спірмена одноосібним автором усього цього сучасного сімейства методів було б анахронізмом. Факторний аналіз відповідає на питання про структуру спільної варіативності показників, але сам по собі не доводить існування одного конкретного психологічного механізму. Один і той самий кореляційний патерн іноді можна описувати різними моделями, а вибір моделі потребує теоретичних аргументів, перевірки відповідності даним і порівняння альтернатив. Це принципове обмеження стосується не лише Спірмена, а всіх латентних моделей. Водночас сам перехід від окремих парних кореляцій до аналізу структури багатьох показників був величезним методологічним кроком. Він дозволив психологам формулювати моделі прихованих здібностей і перевіряти їх на даних. Саме ця логіка — значно більше, ніж буквальна схема g + s — стала одним із найтриваліших внесків Спірмена у психологічне вимірювання. Коефіцієнт рангової кореляції Спірмена Інший внесок Спірмена має самостійне методологічне життя — коефіцієнт рангової кореляції Спірмена, який зазвичай позначають ρ або rs. Його ранню форму Спірмен описав у статті 1904 року “The Proof and Measurement of Association between Two Things”. Коефіцієнт працює з рангами спостережень і оцінює силу та напрям монотонного зв’язку між двома змінними. Саме тому його часто застосовують, коли дані природно мають порядковий характер або коли дослідника цікавить монотонна залежність, для якої лінійна кореляція Пірсона не є найдоречнішим описом. Поширене спрощення «Спірмен — це кореляція для ненормальних даних» неточне. Вибір коефіцієнта залежить не лише від нормальності розподілу, а від шкали вимірювання, форми зв’язку, наявності викидів, дослідницького питання та властивостей конкретних даних. Ранговий коефіцієнт Спірмена, який зазвичай позначають ρ або rₛ, оцінює силу і напрям монотонного зв’язку між двома змінними на основі їхніх рангів. Монотонний зв’язок означає, що зі зростанням однієї змінної інша загалом має тенденцію зростати або зменшуватися, але ця залежність не обов’язково повинна бути прямою лінією. Саме тому ранговий підхід корисний у ситуаціях, де лінійна кореляція Пірсона не відповідає дослідницькому питанню. Поширена порада «якщо дані не нормальні — використовуйте Спірмена» надто груба. Вибір коефіцієнта залежить не від одного тесту на нормальність, а від шкали вимірювання, форми зв’язку, викидів, дослідницької мети та припущень статистичної процедури. Коефіцієнт Спірмена особливо природний для рангів і порядкових даних або коли цікавить монотонний, а не обов’язково лінійний зв’язок. За наявності однакових значень, тобто зв’язаних рангів, розрахунок потребує коректної обробки таких збігів. А саме значення коефіцієнта ще не відповідає на питання про причинність чи практичну важливість ефекту. Інтерпретація має враховувати розмір вибірки, невизначеність оцінки, графік даних і контекст дослідження. Окрема методологічна стаття Українського психологічного ХАБу про цей коефіцієнт запланована після завершення персонального хаба. Поправка на ослаблення кореляції У тій самій методологічній лінії Спірмен розглядав проблему похибки вимірювання. Якщо два показники вимірюються ненадійно, спостережувана кореляція між ними може бути слабшою за зв’язок між латентними характеристиками. Звідси походить класична поправка на ослаблення кореляції, або correction for attenuation. Ця ідея стала важливою для психометрики, але її застосування потребує коректних оцінок надійності та чітких припущень. Поправка не «відновлює істинну кореляцію» автоматично й не виправляє поганий дизайн дослідження. Поправка на ослаблення виходить із простої, але важливої ідеї: показник, який містить випадкову похибку вимірювання, не може корелювати з іншим показником так само сильно, як ідеально надійна змінна. Через ненадійність спостережуваний зв’язок у середньому послаблюється. Спірмен одним із перших формалізував спосіб оцінити, якою могла б бути кореляція після врахування ненадійності обох вимірювань. Ця корекція не «відновлює істинну кореляцію» автоматично. Вона спирається на припущення про вимірювальну модель і коректні оцінки надійності. Якщо надійність оцінено погано, якщо змінні мають систематичні помилки або конструкції визначено нечітко, математична поправка не усуне концептуальних проблем. Тому сучасна психометрика розглядає її як інструмент у ширшій системі аналізу похибок і валідності. Історичне значення тут у тому, що Спірмен пов’язав кореляцію з якістю вимірювання. Для психології це фундаментально: перед тим як пояснювати зв’язок між двома конструктами, потрібно запитати, наскільки стабільно і точно вимірюється кожен із них. Ця вимога сьогодні здається очевидною, але на початку XX століття вона допомагала формувати саму дисципліну психометрики. Формула Спірмена–Брауна і точна атрибуція Ще одна відома формула пов’язує довжину тесту з його очікуваною надійністю. Її використовують, зокрема, у контексті методу поділу тесту навпіл та оцінювання того, як зміна кількості подібних завдань може вплинути на надійність. Назва «формула Спірмена–Брауна» легко створює хибне враження спільної статті. Насправді 1910 року Чарльз Спірмен і Вільям Браун опублікували незалежні виведення в сусідніх працях того самого номера British Journal of Psychology: стаття Спірмена “Correlation Calculated from Faulty Data” передувала статті Брауна “Some Experimental Results in the Correlation of Mental Abilities”. Тому коректно говорити про незалежний внесок двох дослідників, а не називати їх співавторами однієї роботи. Формула Спірмена–Брауна пов’язує надійність тесту з його довжиною. У класичному випадку вона дозволяє оцінити, як зміниться надійність, якщо кількість подібних завдань збільшити або зменшити, а також коригувати оцінку, отриману методом поділу тесту навпіл. Саме через це формула стала стандартним елементом історії класичної теорії тестів. Атрибуція потребує акуратності. У 1910 році Спірмен опублікував статтю “Correlation Calculated from Faulty Data”, а безпосередньо слідом у тому самому номері British Journal of Psychology вийшла стаття Вільяма Брауна “Some Experimental Results in the Correlation of Mental Abilities”. Вони не були співавторами однієї статті: двоє дослідників незалежно подали пов’язані виведення, через що формула згодом закріпилася під подвійним прізвищем. Формула не означає, що тест можна нескінченно покращувати простим додаванням завдань. Її прогноз залежить від припущення, що додані частини достатньо подібні за вимірювальними властивостями. Довший тест може бути надійнішим, але це не гарантує кращої валідності, ширшого охоплення конструкта чи справедливості для різних груп. Надійність — необхідна, але не достатня умова якісного психологічного вимірювання. Закон спадної віддачі Спірмена У пізнішій роботі Спірмена з’явилася гіпотеза, відома як закон спадної віддачі Спірмена (Spearman’s law of diminishing returns, SLODR). У спрощеному вигляді вона передбачає, що взаємні кореляції між когнітивними показниками та їхня насиченість загальним фактором можуть бути сильнішими на нижчих рівнях загальної здібності й слабшати на вищих. Сучасні перевірки цієї гіпотези дають неоднорідні результати. Ефект може залежати від вибірки, тестів, способу шкалювання та статистичної процедури. Тому SLODR доречно подавати як історичну й досі досліджувану гіпотезу, а не як безумовний психологічний закон. Так званий закон спадної віддачі Спірмена — пізніша гіпотеза про те, що взаємні кореляції між когнітивними тестами та їхня насиченість загальним фактором можуть бути сильнішими на нижчих рівнях загальної здібності й слабшати на вищих. Ідею пов’язують із книгою The Abilities of Man 1927 року. За змістом це не універсальний фізичний «закон», а емпірична гіпотеза про можливу зміну структури кореляцій уздовж шкали здібності. Сучасні дослідження дають неоднорідну картину. У частині вибірок ефект виявляється, але його величина зазвичай невелика, а результат чутливий до складу вибірки, шкалювання тестів, обраної статистичної моделі та можливих артефактів. Тому в сучасній статті коректніше говорити про гіпотезу SLODR та її змішані емпіричні підтвердження, а не подавати її як усталену закономірність інтелекту. Лондонська школа психології Архів Wellcome Collection прямо пов’язує Спірмена із заснуванням так званої Лондонської школи психології. Її вирізняв систематичний, статистично строгий підхід до вивчення здібностей та індивідуальних відмінностей. Важливість цієї школи полягала не тільки в конкретних теоріях Спірмена. Вона допомогла закріпити в британській психології культуру кількісного вимірювання, аналізу тестів і математичного моделювання індивідуальних відмінностей. Архів Wellcome Collection прямо описує Спірмена як засновника так званої Лондонської школи психології. Йдеться не про окрему організацію з формальним членством, а про дослідницьку традицію навколо University College London, де особливу увагу приділяли індивідуальним відмінностям, тестуванню, кореляційному аналізу та математичному моделюванню здібностей. Вплив цієї традиції виходив за межі буквальної двофакторної теорії. Дискусії зі Спірменом і навколо нього стимулювали появу альтернативних моделей структури здібностей, розвиток факторних методів і більш складні підходи до тестування. Саме тому London School важлива як історичний вузол психометрики, але її не варто уявляти як повністю однорідну школу, де всі дослідники поділяли однакові теоретичні погляди. Ключові праці Спірмена 1904 — “The Proof and Measurement of Association between Two Things”, The American Journal of Psychology, 15(1), 72–101. Ця праця пов’язана з ранговою кореляцією та аналізом впливу похибок вимірювання. 1904 — “General Intelligence,” Objectively Determined and Measured, The American Journal of Psychology, 15(2), 201–292. Саме тут Спірмен розгорнув аргументацію щодо загального компонента інтелектуальних результатів. Важлива бібліографічна деталь: сторінка 293 у тому самому номері вже належить окремому матеріалу з виправленнями й не є частиною цієї статті. 1910 — “Correlation Calculated from Faulty Data”, British Journal of Psychology, 3(3), 271–295. Праця є ключовою для історії корекції кореляцій і формули, що згодом закріпилася під назвою Спірмена–Брауна. 1923 — The Nature of “Intelligence” and the Principles of Cognition. У цій книзі Спірмен намагався ширше пояснити принципи когнітивної діяльності, виходячи за межі суто статистичної моделі тестових балів. 1927 — The Abilities of Man: Their Nature and Measurement. Книга підсумувала значну частину його досліджень здібностей і стала важливим джерелом для подальших дискусій про g, структуру тестів та закон спадної віддачі. Бібліографічно важливо не змішувати дві різні книги 1920-х років. The Nature of “Intelligence” and the Principles of Cognition вийшла у Macmillan 1923 року; 1927 року існувало її друге видання. Окрема книга The Abilities of Man: Their Nature and Measurement також вийшла 1927 року. Коли в джерелах трапляється дата 1927 поруч із The Nature of “Intelligence”, вона може стосуватися другого видання, а не першої публікації твору. Так само слід розрізняти статті 1904 року. “The Proof and Measurement of Association between Two Things” у першому номері The American Journal of Psychology пов’язана з кореляцією та похибками вимірювання, тоді як “General Intelligence,” Objectively Determined and Measured у другому номері розгортає аргументацію про спільний фактор інтелектуальних результатів. Це різні праці з різними бібліографічними межами. Що з ідей Спірмена збереглося в сучасній науці Найстійкіша частина спадщини Спірмена — не буквальна двофакторна схема початку XX століття, а сама проблема спільної структури когнітивних результатів. Загальна позитивна взаємопов’язаність тестів багаторазово відтворювалася, а загальний фактор залишається важливим елементом багатьох психометричних моделей. Водночас сучасні ієрархічні моделі зазвичай описують здібності детальніше. Між окремими навичками та найзагальнішим рівнем можуть виділятися широкі здібності — наприклад, міркування, набуті знання, пам’ять, швидкість переробки інформації та візуально-просторові процеси. Отже, сучасна психометрика не просто повторює Спірмена. Вона успадкувала його запитання, статистичну логіку та частину емпіричних закономірностей, але розвинула значно багатшу систему моделей. Сучасні великі батареї когнітивних тестів зазвичай підтверджують загальну позитивну взаємопов’язаність показників. На рівні факторних моделей це часто дає змогу виділити загальний фактор верхнього рівня. Але сучасна структура здібностей зазвичай багаторівнева: крім найзагальнішого компонента, моделі містять широкі здібності та вузькі навички. Тому сьогоднішня психометрика значно ближча до ієрархії, ніж до буквального поділу кожного тесту тільки на g і один специфічний s. Однією з найвпливовіших сучасних систематизацій є модель Кеттелла—Горна—Керролла, у якій описують широкі когнітивні здібності — наприклад, плинне міркування, набуті знання, короткочасну або робочу пам’ять, швидкість переробки та візуальну обробку. Конкретні тести можуть навантажувати кілька рівнів цієї ієрархії. Це показує, наскільки далеко психометрика відійшла від простої двофакторної схеми, не відмовляючись від питання про спільну варіативність. Ще одна сучасна дискусія стосується пояснення самого позитивного зв’язку між тестами. Латентно-факторна модель трактує g як спільний фактор, що стоїть за коваріацією показників. Але існують моделі вибірки когнітивних процесів і мережеві підходи, де позитивна взаємопов’язаність може виникати без одного єдиного причинного механізму. Те, що фактор g математично виділяється, не закриває питання про те, чому саме він виникає. Тому сучасний консенсус варто формулювати обережно. Загальна позитивна структура когнітивних результатів — стійке явище; загальні фактори корисні для опису та прогнозування; ієрархічні моделі добре організують різні здібності. Натомість онтологічне твердження, що g є однією буквальною психологічною або нейробіологічною «річчю», не випливає автоматично з факторного аналізу і потребує окремих доказів. Критика і межі теорії Перша межа — g не слід перетворювати на універсальне пояснення всіх форм людського інтелекту. Фактор є статистичною конструкцією, отриманою з певного набору показників і моделі їхніх зв’язків. Те, як його психологічно інтерпретувати, залежить від теоретичної рамки. Друга межа — структура здібностей не вичерпується поділом на g та s. Подальші дослідження показали значущість широких групових здібностей і складніших ієрархічних структур. Тому двофакторна теорія має передусім історичну й фундаментальну цінність. Третя межа стосується самого вимірювання. Результат когнітивного тесту залежить не тільки від цільової здібності, а й від надійності завдань, формату тесту, мовного й культурного контексту, мотивації, умов проведення та інших чинників. Сучасна оцінка тесту потребує аналізу валідності, надійності, справедливості та можливих упереджень. Саме тому історична фраза про «вимірювання інтелекту» сьогодні потребує уточнення: психологічний тест дає стандартизований показник виконання певних завдань, а висновки про ширші когнітивні конструкції залежать від якості моделі та доказів валідності. Будь-яка факторна модель залежить від того, які показники включено до аналізу, у якій популяції зібрано дані і як саме оцінюється модель. Якщо батарея майже не містить певного типу здібностей, модель не може повноцінно описати їхню структуру. Якщо вибірка сильно обмежена за віком, освітою або діапазоном здібностей, кореляції та факторні навантаження також можуть змінюватися. Це причина не переносити структуру одного дослідження на всіх людей без перевірки. Окрема проблема — вимірювальна інваріантність і справедливість тестування. Порівняння груп має сенс лише тоді, коли є достатні підстави вважати, що завдання і шкали вимірюють конструкції співставно. Мовний досвід, освіта, культурний контекст, доступ до навчання та формат завдань можуть впливати на результати. Сучасна психометрія тому оцінює не тільки надійність, а й валідність, функціонування завдань у різних групах та можливі систематичні упередження. Навіть якщо загальний когнітивний показник має статистичну прогностичну цінність для певних навчальних або професійних результатів, з цього не випливає оцінка людської гідності, моральної цінності чи суспільного статусу. Перехід від описової статистики до соціальної ієрархії є нормативним кроком, а не математичним наслідком кореляції або факторного аналізу. Євгенічний контекст Біографію Спірмена не варто відривати від інтелектуального середовища його епохи. Архів Wellcome Collection зазначає його зв’язок з євгенічним рухом, який мав значний вплив на частину британських дискусій про спадковість, здібності та соціальну політику на початку XX століття. Сучасна історія психології повинна розрізняти статистичні методи, емпіричні результати й суспільні інтерпретації, у яких вони використовувалися. Визнання наукового впливу Спірмена не вимагає замовчувати проблемні ідеологічні контексти його часу. Євгенічний контекст потребує не декоративної згадки, а чіткого розмежування рівнів. Архів Wellcome Collection фіксує зв’язок Спірмена з євгенічним рухом, а історичний проєкт UCL показує, що експериментальна психологія й тестування в університетському середовищі того часу перетиналися з євгенічними програмами та соціальною політикою. Це частина історії дисципліни, яку не варто замовчувати. Водночас історична критика не працює за принципом «поганий контекст — отже формула неправильна» або навпаки. Статистичні методи оцінюють за математичними властивостями та сучасною емпіричною практикою; теорії — за пояснювальною й прогностичною спроможністю; соціальні погляди — за їхнім змістом і наслідками. Такий поділ дозволяє одночасно визнавати методологічний внесок Спірмена і критично аналізувати політичне середовище, у якому частина психометрії розвивалася. Як читати спадщину Спірмена сьогодні Найзручніше розділити спадщину Спірмена на три шари. Перший — статистичні інструменти й вимірювальні ідеї: ранговий коефіцієнт, поправка на ослаблення, формула Спірмена–Брауна та рання факторно-аналітична логіка. Другий — конкретні теорії інтелекту, насамперед двофакторна схема g + s. Третій — історичний соціальний контекст британської психометрії початку XX століття. Ці шари мають різний сучасний статус і не повинні оцінюватися одним ярликом. Статистична частина спадщини залишається безпосередньо робочою: коефіцієнт Спірмена щодня використовують у дослідженнях, а проблеми надійності й похибок вимірювання є центральними для психометрики. Двофакторна теорія натомість має переважно історичну роль: її питання про спільний фактор збереглося, але сучасні моделі значно складніші. Закон спадної віддачі залишається перевірюваною гіпотезою зі змішаними результатами. Саме такий спосіб читання захищає від двох крайнощів: перетворення Спірмена на автора «остаточної теорії інтелекту» і повного відкидання його роботи через те, що частина конкретних моделей була переглянута. Його реальний внесок — у постановці вимірюваних питань, формалізації припущень і розвитку інструментів, які наступні покоління могли перевіряти, критикувати й удосконалювати. Чому Спірмен важливий для історії психології Спірмен важливий не тому, що дав остаточну відповідь на питання «що таке інтелект». Його значення в іншому: він показав, що структуру психологічних відмінностей можна досліджувати через формалізовані моделі, кореляції та перевірювані статистичні припущення. Від g і двофакторної теорії до рангової кореляції, поправки на ослаблення та раннього факторного аналізу — різні частини його спадщини сьогодні мають різний статус. Одні стали повсякденними статистичними інструментами, інші залишилися історичними моделями, а треті продовжують бути предметом емпіричних дискусій. Саме так їх і варто розглядати в сучасному каноні психології. Поширені запитання Що саме розробив Чарльз Спірмен? З його працями безпосередньо пов’язані загальний фактор інтелекту g, двофакторна модель g і s, ранговий коефіцієнт кореляції Спірмена, поправка на ослаблення кореляції та ранній факторно-аналітичний підхід. Формулу Спірмена–Брауна слід атрибутувати Спірмену й Вільяму Брауну як незалежним авторам відповідних виведень 1910 року. Чи означає g те саме, що IQ? Ні. g — це фактор у статистичній моделі спільної варіативності когнітивних показників. IQ — стандартизований бал конкретного тесту або батареї тестів. IQ може бути сильно пов’язаний із загальним фактором, але ці поняття не тотожні. Коли використовують кореляцію Спірмена? Коли потрібно оцінити монотонний зв’язок між змінними на основі їхніх рангів, зокрема для порядкових даних або ситуацій, де лінійна модель Пірсона не відповідає дослідницькому питанню. Рішення не слід зводити лише до перевірки нормальності розподілу. Чи вважається двофакторна теорія Спірмена сучасною повною теорією інтелекту? Ні. Вона залишається фундаментальною історичною моделлю, але сучасні психометричні теорії зазвичай описують когнітивні здібності багаторівнево й детальніше. Водночас питання про загальний фактор і позитивні кореляції між тестами залишається центральним для досліджень інтелекту. Пов’язані матеріали Українського психологічного ХАБу Альфред Біне: шкала Біне—Сімона та історія вимірювання інтелекту Реймонд Кеттелл: плинний і кристалізований інтелект у ширшій теорії здібностей Говард Гарднер: теорія множинних інтелектів і її сучасна наукова оцінка Розвиток інтелекту: що відомо про когнітивний розвиток Пов’язані статті Альфред Біне: біографія, шкала Біне—Сімона та вимірювання інтелекту Реймонд Кеттелл: біографія, факторний аналіз, 16PF та рідинний і кристалізований інтелект Говард Гарднер: теорія множинних інтелектів, біографія та внесок у психологію Розвиток інтелекту це Загальний фактор інтелекту (g): що це, як вимірюють і що каже сучасна наука Формула Спірмена–Брауна: надійність тесту, метод розщеплення та застосування Коефіцієнт кореляції Спірмена: що показує ρ, коли застосовувати і як інтерпретувати Здібності: що це в психології, види, розвиток і як їх оцінюють Луїс Терстоун: факторний аналіз, первинні розумові здібності та психометрія Первинні розумові здібності Терстоуна: сім факторів, тести PMA та зв’язок із g Едвард Торндайк: біографія, закон ефекту, експерименти та внесок у психологію Джерела Royal Society — Charles Edward Spearman, архівний запис і дані про обрання FRS Wellcome Collection — Charles Spearman papers: біографічний та архівний опис University College London — History of Eugenics inside UCL Spearman C. (1904). “The Proof and Measurement of Association between Two Things”. DOI 10.2307/1412159 Spearman C. (1904). “General Intelligence,” Objectively Determined and Measured. DOI 10.2307/1412107 Spearman C. (1910). “Correlation Calculated from Faulty Data”. DOI 10.1111/j.2044-8295.1910.tb00206.x Brown W. (1910). “Some Experimental Results in the Correlation of Mental Abilities”. DOI 10.1111/j.2044-8295.1910.tb00207.x Bartholomew D. J. (1995). Spearman and the origin and development of factor analysis. DOI 10.1111/j.2044-8317.1995.tb01060.x Сучасний метааналітичний огляд структури когнітивних здібностей і загального фактора Огляд альтернативних вибіркових і мережевих пояснень позитивної взаємопов’язаності когнітивних тестів Огляд методологічних артефактів у дослідженнях закону спадної віддачі Спірмена

Автор: Український психологічний ХАБ · Опубліковано: 3 вересня 2026 · Редакційна політика Луїс Леон Терстоун (Louis Leon Thurstone; 29 травня 1887, Чикаго, Іллінойс, США — 29 вересня 1955, Чапел-Гілл, Північна Кароліна, США) — американський психолог і психометрист, один із ключових творців кількісної психології першої половини ХХ століття. Його роботи змінили те, як психологи будують шкали, аналізують кореляції між тестами та описують структуру розумових здібностей. З Терстоуном пов’язані багатофакторний підхід у факторному аналізі, принцип простої структури, модель первинних розумових здібностей, закон порівняльного судження та класичні методи шкалювання установок. Важливо, однак, не перетворювати цю історію на легенду про одного «винахідника психометрії». Факторний аналіз почав формуватися раніше, передусім у роботах Чарльза Спірмена, а тестування інтелекту мало ще ширшу історію. Внесок Терстоуна точніше описувати як радикальне розширення можливостей факторно-аналітичного мислення: замість вимоги зводити кореляції між тестами до одного загального фактора він розробляв методи, які дозволяли виявляти кілька змістовних групових факторів і обертати факторні осі до психологічно зрозумілішої структури. Його спадщина цікава ще й тим, що добре показує, як змінюється наука. У 1930-х роках протиставлення Спірмена і Терстоуна часто виглядало як суперечка між «одним інтелектом» і «кількома здібностями». Сучасна психометрика значною мірою вийшла за межі такого вибору: ієрархічні моделі дозволяють одночасно описувати загальний фактор, широкі здібності й більш специфічні навички. Тому Терстоун важливий не як автор остаточної карти інтелекту, а як дослідник, який змусив психологію точніше моделювати багатовимірність когнітивних відмінностей. Коротка біографія Терстоун прийшов у психологію не прямою академічною траєкторією. У 1912 році він здобув інженерну освіту в Корнелльському університеті. Після випуску певний час працював у лабораторії Томаса Едісона, а восени того ж року став викладачем інженерних дисциплін в Університеті Міннесоти. Саме там він почав систематично цікавитися експериментальною психологією та проблемою навчання — зокрема тим, як змінюється продуктивність із практикою. Улітку 1914 року Терстоун вступив до аспірантури з психології Чиказького університету. 1917 року він захистив докторську дисертацію, пов’язану з кривою навчання. Ще до завершення докторської підготовки, у 1915 році, він почав працювати у новому психологічному підрозділі Карнегіського технологічного інституту (Carnegie Institute of Technology), де сильний акцент робили на прикладній психології. Під час Першої світової війни Терстоун також працював із методами професійного тестування для армії. До 1920 року він став професором і керівником кафедри там. У 1923–1924 роках Терстоун працював над дослідженнями державної служби в Інституті урядових досліджень (Institute for Government Research). Улітку 1924 року він одружився з психологинею Тельмою Ґвінн, а восени перейшов до Чиказького університету. У Чикаго розгорнулася головна частина його наукової програми: психометрія, факторний аналіз, вимірювання установок, тестування здібностей. 1938 року він став заслуженим професором Чарльза Ф. Ґрея (Charles F. Gray Distinguished Service Professor). В університеті Терстоун організував і очолював Психометричну лабораторію. 1952 року, після виходу у відставку з Чиказького університету, Терстоун переїхав до Університету Північної Кароліни в Чапел-Гіллі, де створив нову Психометричну лабораторію і продовжив дослідження. Помер він у Чапел-Гіллі наприкінці вересня 1955 року. Тут існує бібліографічна розбіжність: сучасний некролог Дж. П. Гілфорда в Psychometrika та архів Чиказького університету подають 29 вересня, тоді як частина пізніших авторитетних бібліографічних записів, зокрема BnF і Wikidata, — 30 вересня. Для цього хаба використано дату 29 вересня як таку, що спирається на ближчі до події джерела, але саму розбіжність важливо не приховувати. Від інженерії до психометрії Інженерна підготовка Терстоуна не була випадковою передмовою до його психологічної кар’єри. У його роботах постійно відчувається прагнення перетворити розмиту психологічну проблему на задачу, де можна чітко визначити змінні, припущення, процедуру вимірювання і математичну модель. Він цікавився не просто тим, чи відрізняються люди за здібностями або установками, а тим, що саме дозволяє зробити числову шкалу осмисленою. На початку ХХ століття психологія дедалі активніше використовувала тести, рейтинги та числові показники, але питання про те, що означають ці числа, залишалося складним. Якщо двоє людей по-різному оцінюють привабливість тверджень, складність професій або силу стимулів, чи можна з цих порівнянь побудувати осмислену шкалу? Якщо різні інтелектуальні тести корелюють між собою, чи означає це існування одного загального інтелекту, чи за кореляціями приховано кілька відносно відмінних здібностей? Терстоун прагнув перетворити такі питання на формальні задачі вимірювання. Для нього число мало сенс лише тоді, коли було зрозуміло, якою процедурою воно пов’язане з психологічним континуумом. Ця установка поєднувала психофізику, статистику і тестову теорію. Вона пояснює, чому в його доробку поруч стоять дослідження інтелекту, методи парних порівнянь, шкалювання соціальних установок і факторний аналіз: у всіх випадках ішлося про те, як із спостережуваних відповідей реконструювати приховану структуру психологічної ознаки. Закон порівняльного судження Однією з найвпливовіших ранніх робіт Терстоуна стала стаття A Law of Comparative Judgment, опублікована 1927 року в Psychological Review. У ній він сформулював закон порівняльного судження — психофізичну модель для ситуацій, у яких люди не дають абсолютну числову оцінку, а порівнюють об’єкти попарно: що сильніше, приємніше, важливіше, бажаніше або більше відповідає певній ознаці. Ідея полягає в тому, що кожний стимул можна уявити як такий, що має певне положення на прихованому психологічному континуумі. Порівняльні судження різних людей або багаторазові судження однієї людини містять варіативність. Якщо один стимул систематично обирають частіше за інший, цю частоту можна пов’язати з відстанню між їхніми положеннями на латентній шкалі. Терстоун описав кілька статистичних випадків моделі залежно від припущень щодо дисперсій і кореляцій між процесами розрізнення. Для сучасного читача важливий не стільки конкретний історичний набір припущень, скільки принцип: психологічну величину можна оцінювати не лише через прямі бали, а й через структуру виборів між альтернативами. Цей підхід став важливою частиною історії психометричного шкалювання. Водночас не слід називати закон порівняльного судження універсальним законом усіх людських рішень. Це формальна модель для певного класу порівняльних даних, ефективність якої залежить від того, наскільки виправдані її припущення. Як Терстоун вимірював установки Той самий вимірювальний задум Терстоун переніс на соціальні установки. У статті Attitudes Can Be Measured 1928 року він аргументував, що ставлення людини до певного об’єкта — наприклад, соціального питання, інституції чи ідеї — можна досліджувати як положення на одновимірному континуумі, якщо ретельно сконструювати набір тверджень і попередньо визначити їхню «позицію» за судженнями експертів. Класичний метод рівних інтервалів, який часто називають шкалою Терстоуна, передбачає великий пул тверджень, що виражають різні ступені позитивного або негативного ставлення. Група суддів розподіляє ці твердження за категоріями континууму. Для кожного твердження визначають центральну позицію та ступінь розбіжності між суддями. У фінальну шкалу відбирають твердження, які репрезентують різні ділянки континууму і мають прийнятну узгодженість оцінок. Респондент потім погоджується або не погоджується з відібраними твердженнями, а його позицію оцінюють за шкальними значеннями схвалених пунктів. 1929 року Терстоун разом з Ернестом Джоном Чейвом опублікував книгу The Measurement of Attitude: A Psychophysical Method and Some Experiments with a Scale for Measuring Attitude Toward the Church. Саме тут особливо важлива точна атрибуція: це спільна праця Терстоуна і Чейва, а не одноосібна книга Терстоуна. Вона демонструвала метод на конкретному предметі — ставленні до церкви — і стала одним із класичних документів ранньої кількісної соціальної психології. Сьогодні метод Терстоуна не є єдиним або домінантним способом вимірювання установок. У практиці значно поширеніші простіші формати, зокрема шкали з градаціями згоди. Проте історичне значення терстоунівського підходу велике: він показував, що конструювання шкали — це окрема наукова процедура, а не просто механічне присвоєння чисел відповідям. Багатофакторний аналіз Другий великий напрям Терстоуна — факторний аналіз. Тут його найчастіше протиставляють Чарльзу Спірмену. Спірмен ще 1904 року показав, що позитивні кореляції між різними когнітивними тестами можна описувати через загальний фактор g та специфічні компоненти. Для ранньої психометрики це було потужним кроком: замість набору розрізнених тестів з’являлася латентна структура, яка пояснювала їхню спільну варіацію. Терстоун вважав, що факторна модель не повинна заздалегідь обмежуватися одним загальним фактором. У статті Multiple Factor Analysis 1931 року, президентській доповіді APA The Vectors of Mind 1933 року, опублікованій у Psychological Review 1934 року, а потім у книзі The Vectors of Mind 1935 року він послідовно розгортав багатофакторну програму. Її сенс був не в тому, щоб просто «заборонити g», а в тому, щоб дати даним можливість виявляти кілька латентних вимірів. Технічно це вимагало нових способів виділення й інтерпретації факторів. Терстоун і його школа розвивали методи факторизації, геометричне представлення змінних у факторному просторі та обертання факторних осей. Саме тут з’являється одна з його найхарактерніших ідей — принцип простої структури. Важливо відрізняти історичний внесок від сучасного програмного забезпечення. Терстоун не створив «факторний аналіз» у тому вигляді, у якому сьогодні дослідники натискають кнопку в статистичному пакеті. Його внесок полягав у розвитку методології багатофакторного розкладання та в інтерпретації факторної конфігурації. Сучасний факторний аналіз охоплює значно ширший набір моделей, способів оцінювання, критеріїв придатності та процедур обертання. Принцип простої структури У факторному аналізі математично еквівалентні або близькі розв’язки можуть мати дуже різну психологічну читабельність. Якщо факторні осі повернути, навантаження змінних перерозподіляються, хоча описаний ними простір залишається тим самим. Терстоун прагнув знайти таку орієнтацію осей, за якої кожна змінна мала б відносно простий патерн: високі навантаження на обмежену кількість факторів і низькі — на інші. Це і є загальна інтуїція принципу простої структури. Він не означає, що природа «зобов’язана» бути простою, а є критерієм для вибору інтерпретованішої факторної конфігурації. У книзі The Vectors of Mind 1935 року Терстоун сформулював цю програму, а в статті Experimental Study of Simple Structure 1940 року емпірично досліджував її властивості. Згодом обертання факторів стало стандартною частиною розвідувального факторного аналізу. Існують ортогональні обертання, де фактори залишаються некорельованими, та косокутні обертання, які дозволяють факторам корелювати. Для історії інтелекту це особливо важливо: якщо дозволити первинним здібностям корелювати, виникає можливість моделювати над ними фактори вищого порядку. Саме ця логіка згодом допомогла перейти від жорсткого «або g, або групові здібності» до ієрархічних моделей. Первинні розумові здібності Найвідомішим змістовним результатом багатофакторної програми Терстоуна стала модель первинних розумових здібностей. У монографії Primary Mental Abilities 1938 року він представив результати факторного аналізу великої батареї когнітивних завдань і описав кілька відносно відмінних групових факторів. У класичному викладі за Терстоуном закріпилися сім первинних здібностей. Вербальне розуміння — розуміння значень слів і мовного матеріалу. Словесна швидкість — швидке породження слів за певними правилами. Числова здібність — ефективність виконання відносно простих арифметичних операцій. Просторова здібність — уявне оперування просторовими відношеннями. Пам’ять — запам’ятовування й відтворення матеріалу. Швидкість сприймання — швидке виявлення та порівняння візуальних деталей. Міркування — виявлення закономірностей і робота з логічними відношеннями. Назви й конкретні тести в різних формах батарей могли змінюватися, тому ці сім здібностей не слід сприймати як сакральний, раз і назавжди зафіксований список «частин мозку». Це фактори, отримані з певних наборів тестів, вибірок і статистичних процедур. Факторний результат завжди залежить від того, які змінні взято для аналізу. Якщо батарея майже не містить завдань певного типу, відповідна здібність не може магічно з’явитися у факторній структурі. Так само первинні розумові здібності не тотожні теорії множинних інтелектів Говарда Гарднера. Терстоун працював у психометричній традиції: його фактори виникали з кореляцій між тестовими показниками. Гарднер десятиліттями пізніше запропонував значно ширшу теоретичну рамку, спираючись не лише на психометричний факторний аналіз. Об’єднувати ці моделі лише тому, що обидві говорять про множинність здібностей, — історично й методологічно некоректно. Терстоун і Спірмен: що було предметом суперечки Іноді популярні виклади описують історію так: Спірмен вважав, що існує один інтелект, Терстоун довів, що інтелектів багато, і на цьому g було спростовано. Це надто грубе спрощення. Спірмен не заперечував специфічних компонентів виконання завдань, а його двофакторна модель прямо містила специфічні фактори s. Терстоун, своєю чергою, показував, що групові фактори мають самостійний психологічний сенс і що факторний аналіз не повинен бути примусово зведений до однієї спільної осі. Ключовий факт полягає в тому, що первинні здібності Терстоуна самі корелювали між собою. Коли факторно аналізують уже ці кореляції, можна отримати фактор вищого порядку, близький до загальної когнітивної здібності. У підсумку історичне протистояння підштовхнуло психометрику до ієрархічних моделей: на верхньому рівні може міститися загальний фактор, нижче — широкі здібності, ще нижче — конкретні навички та завдання. Сучасні моделі когнітивних здібностей значно складніші за обидві ранні програми. Наприклад, у сімействі ієрархічних моделей на кшталт Кеттелла—Горна—Керролла загальний фактор і широкі здібності розглядаються як різні рівні структури. Тому найбільш коректне сучасне читання Терстоуна — не «він переміг Спірмена», а «він показав, що між загальним рівнем і окремим тестом існують змістовні рівні групових здібностей, які не можна ігнорувати». Тести первинних розумових здібностей і роль Тельми Ґвінн Терстоун Теорія первинних здібностей була пов’язана не лише з факторними таблицями, а й із конкретними тестовими батареями. У 1940-х роках розвивалися Чиказькі тести первинних розумових здібностей (Chicago Tests of Primary Mental Abilities) та пізніші форми батареї PMA. Ці інструменти мали оцінювати профіль здібностей, а не лише давати один сумарний показник. Тут особливо важлива роль Тельми Ґвінн Терстоун. Історичні джерела прямо описують її як дослідницю психометрії та співрозробницю тестових матеріалів PMA. Вона не була просто технічною помічницею Луїса Терстоуна. Її власна кар’єра включала розроблення тестів, викладання, дослідження навчання та інтелекту, роботу з освітнім тестуванням. 1941 року Луїс і Тельма Терстоуни разом опублікували Factorial Studies of Intelligence. Тестові завдання історичних батарей слід читати в контексті свого часу. Те, що в 1930–1940-х роках вважалося репрезентативним показником числової, вербальної або перцептивної ефективності, не обов’язково є найкращим способом вимірювання цих конструктів сьогодні. Сучасні тести мають інші норми, інші психометричні стандарти, інші процедури адаптації та значно більшу увагу до валідності для конкретних рішень. Психометричне товариство і журнал Psychometrika Терстоун відіграв важливу інституційну роль у становленні психометрії як окремої наукової спільноти. 1935 року він був серед шести співзасновників Psychometric Society разом з Альбертом К. Курцем (Albert K. Kurtz), Полом Горстом (Paul Horst), Джоном Сталнакером (John Stalnaker), Меріон В. Річардсон (Marion W. Richardson) і Джеком В. Данлапом (Jack W. Dunlap). Після організаційного процесу Терстоуна обрали першим президентом товариства. З історією товариства тісно пов’язаний журнал Psychometrika, задуманий як спеціалізований майданчик для кількісних методів психологічного вимірювання. Тут теж потрібна точність: не варто писати, що Терстоун одноосібно «заснував Psychometrika». Офіційна історія товариства окремо підкреслює ініціативу Пола Горста та колективний характер організаційної роботи. Терстоун був центральною фігурою цього кола, надавав ресурси та інституційну підтримку, але історія журналу не зводиться до однієї людини. 1933 року Терстоун був президентом Американської психологічної асоціації. Його президентська доповідь The Vectors of Mind стала програмним викладом багатофакторного підходу і наступного року була опублікована в Psychological Review. Це добре показує масштаб його ролі: психометрія для Терстоуна була не вузькою технічною спеціальністю, а способом перебудувати психологічну теорію на основі формальних моделей вимірювання. Основні праці Рік Праця Значення 1924 The Nature of Intelligence Рання книга про природу інтелекту та психологічне вимірювання. 1927 A Law of Comparative Judgment Закон порівняльного судження; Psychological Review; DOI 10.1037/h0070288. 1928 Attitudes Can Be Measured Програма кількісного вимірювання установок; DOI 10.1086/214483. 1929 The Measurement of Attitude Книга Луїса Л. Терстоуна й Ернеста Джона Чейва. 1931 Multiple Factor Analysis Формальний виклад багатофакторної програми; DOI 10.1037/h0069792. 1934 The Vectors of Mind Опублікована версія президентської доповіді APA; DOI 10.1037/h0075959. 1935 The Vectors of Mind Книга про багатофакторний аналіз і первинні риси; не плутати зі статтею 1934 року. 1938 Primary Mental Abilities Psychometric Monograph No. 1; центральна праця про первинні розумові здібності. 1941 Factorial Studies of Intelligence Спільна монографія Луїса Л. Терстоуна й Тельми Ґвінн Терстоун. 1947 Multiple-Factor Analysis Систематичний пізній виклад і розширення багатофакторної методології. Окремо слід розрізняти однойменні публікації The Vectors of Mind. Президентська доповідь Терстоуна була виголошена 1933 року й опублікована як стаття в Psychological Review 1934 року. Наступного року в University of Chicago Press вийшла книга The Vectors of Mind: Multiple-Factor Analysis for the Isolation of Primary Traits. Для бібліографії це два різні об’єкти, а не різні дати однієї й тієї самої праці. Що з ідей Терстоуна зберегло наукове значення Насамперед зберігся сам принцип багатовимірного моделювання. У психологічних даних часто одночасно існують загальні й специфічні джерела варіації. Намагатися описати складний конструкт одним показником іноді корисно, але іноді приховує структуру, важливу для теорії або практичного рішення. Терстоун зробив цей аргумент методологічно конкретним. Другий живий компонент спадщини — факторне обертання і вимога інтерпретованості. Сучасний розвідувальний факторний аналіз використовує методи, що значно розвинулися після Терстоуна, але сама проблема нікуди не зникла: факторний розв’язок треба не лише обчислити, а й інтерпретувати, перевірити його стійкість і співвіднести з теорією. Принцип простої структури був одним із ранніх формальних способів поставити це завдання. Третій компонент — розмежування рівнів когнітивної структури. Сучасні дослідження здібностей зазвичай не обмежуються вибором між «є тільки g» і «є тільки незалежні здібності». Дані краще узгоджуються з багаторівневою організацією, де загальна когнітивна варіація співіснує з широкими та вузькими здібностями. У цьому сенсі суперечка Спірмена і Терстоуна стала продуктивною: кожна програма фіксувала реальну властивість кореляційної структури. Четвертий компонент — культура побудови вимірювання. Терстоун нагадує, що шкала не стає науковою лише тому, що її відповіді закодовані числами. Треба обґрунтувати, що означає шкальне значення, як вибрані пункти, які припущення стоять за моделлю, що відомо про надійність і валідність, для якої популяції працює інструмент і які висновки з нього допустимі. Критика й обмеження Історичні моделі Терстоуна не слід переносити в сучасність без критики. По-перше, конкретний список первинних здібностей залежав від тестових батарей і вибірок свого часу. Пізніші дослідження виявили ширші й складніші структури здібностей. Сім факторів Терстоуна — важливий історичний результат, але не повний каталог усіх когнітивних функцій. По-друге, факторний аналіз сам по собі не «відкриває» психологічні сутності так, як мікроскоп відкриває об’єкт, що вже лежить у полі зору. Результат залежить від вибору змінних, моделі, методу оцінювання, кількості факторів, обертання та критеріїв інтерпретації. Проста структура може зробити результат читабельнішим, але не гарантує єдино правильної онтології психіки. По-третє, історичні тести інтелекту відображали освітні практики, мовні норми й технологічні вимоги свого часу. Наприклад, швидке виконання певних арифметичних операцій у першій половині ХХ століття мало інший повсякденний сенс, ніж у світі калькуляторів і цифрових пристроїв. Це не робить старі дані «неправильними», але обмежує пряме перенесення змісту тестів у сучасну оцінку. По-четверте, шкалювання установок методом рівних інтервалів спирається на припущення про одновимірність континууму та інтерпретацію експертних суджень. Реальні соціальні установки можуть бути багатовимірними, контекстними й нестабільними. Тому історичний метод важливий як крок у розвитку вимірювання, а не як універсальна процедура для будь-якої теми. Нарешті, будь-який психологічний тест має застосовуватися в межах його валідованого призначення. Історичний статус відомого тесту або прізвище класика не роблять інструмент автоматично придатним для сучасної діагностики, відбору, клінічного рішення чи оцінювання окремої людини. Для таких рішень потрібні актуальні норми, перевірені психометричні характеристики та професійна інтерпретація. Вплив на психологію Вплив Терстоуна помітний у кількох лініях психології. У психометриці — через розвиток багатофакторних методів, обертання і тестової теорії. У дослідженнях інтелекту — через ідею групових здібностей, що мають зміст між загальним фактором і конкретним завданням. У соціальній психології — через ранню програму кількісного шкалювання установок. В історії науки — через інституційне оформлення Psychometric Society і журналу Psychometrika. Його програма також створила інтелектуальний простір для пізніших моделей здібностей. Реймонд Кеттелл, Джон Горн, Джон Керролл та інші дослідники працювали вже в іншому методологічному середовищі, але сама можливість аналізувати кілька рівнів і типів когнітивної варіації стала центральною для подальшої психометрики. Коректніше говорити не про просту лінію «Терстоун породив сучасну модель», а про історичну традицію, в якій його роботи були одним із ключових вузлів. Є й ширший урок. Терстоун показує, що хороша психологічна теорія часто народжується на межі змісту й методу. Його первинні здібності неможливо відокремити від того, як він уявляв факторний простір; його шкалювання установок — від закону порівняльного судження; його вплив на психологію — від переконання, що вимірювання має бути теоретично осмисленим. Що варто запам’ятати про Терстоуна Він не був одноосібним засновником факторного аналізу, але розвинув багатофакторний підхід, обертання факторів і принцип простої структури. Він запропонував модель первинних розумових здібностей; у класичному викладі — сім факторів. Він сформулював закон порівняльного судження для психофізичного шкалювання парних виборів. Його методи шкалювання установок стали важливою частиною історії кількісної соціальної психології. Тести первинних розумових здібностей створювалися за істотної участі Тельми Ґвінн Терстоун; не слід приписувати цю роботу лише Луїсу Терстоуну. Терстоун був одним із шести співзасновників Psychometric Society та її першим президентом. Сучасна психометрика не зводить історію до перемоги Терстоуна над Спірменом: ієрархічні моделі поєднують загальний і специфічні рівні здібностей. Найголовніше: Терстоун не залишив психології просту формулу «інтелектів сім». Його справжній внесок глибший. Він допоміг перетворити питання «з чого складається психологічна властивість?» на задачу, де модель, дані й процедура вимірювання мають бути узгоджені. Саме тому його роботи досі важливі для історії психометрії — навіть там, де сучасні моделі вже вийшли далеко за межі його конкретних рішень. Поширені запитання Чим Луїс Терстоун відомий у психології? Насамперед розвитком багатофакторного аналізу, моделлю первинних розумових здібностей, принципом простої структури, законом порівняльного судження та методами шкалювання установок. Скільки первинних розумових здібностей виділяв Терстоун? У класичному викладі за Терстоуном закріпилися сім: вербальне розуміння, словесна швидкість, числова здібність, просторова здібність, пам’ять, швидкість сприймання та міркування. Чи спростував Терстоун g-фактор Спірмена? Ні. Він показав важливість групових факторів і критикував обмеження однофакторного підходу, але первинні здібності корелювали між собою. Пізніші ієрархічні моделі поєднали загальний фактор із широкими та специфічними здібностями. Що таке шкала Терстоуна? Це назва для класичної процедури шкалювання установок, зокрема методу рівних інтервалів: твердження попередньо калібрують за судженнями експертів, а потім використовують для оцінювання позиції респондента на континуумі ставлення. Чи є первинні здібності Терстоуна тим самим, що множинні інтелекти Гарднера? Ні. Терстоун виводив фактори з психометричних кореляцій між когнітивними тестами. Теорія Гарднера виникла значно пізніше й має іншу теоретичну та методологічну основу. Яку роль відігравала Тельма Ґвінн Терстоун? Вона була психологинею й психометристкою, співрозробницею тестових батарей первинних розумових здібностей (Primary Mental Abilities) і співавторкою Factorial Studies of Intelligence. Її внесок не слід зводити до сімейного зв’язку з Луїсом Терстоуном. Пов’язані статті Чарльз Спірмен: g-фактор, факторний аналіз, кореляція і внесок у психологію Теорія множинних інтелектів Говарда Гарднера: 8 інтелектів, критика та наукова оцінка Реймонд Кеттелл: біографія, факторний аналіз, 16PF та рідинний і кристалізований інтелект Первинні розумові здібності Терстоуна: сім факторів, тести PMA та зв’язок із g Здібності: що це в психології, види, розвиток і як їх оцінюють Джерела University of Chicago — Psychometric Laboratory Records: https://www.lib.uchicago.edu/e/scrc/findingaids/view.php?eadid=ICU.SPCL.PSYCHOMETRIC APA Dictionary of Psychology — primary ability: https://dictionary.apa.org/primary-ability Psychometric Society — history and timeline: https://www.psychometricsociety.org/post/timeline National Academy of Sciences — Louis Leon Thurstone: A Biographical Memoir: https://www.nasonline.org/wp-content/uploads/2024/06/thurstone-louis.pdf Thurstone, A Law of Comparative Judgment (1927): https://doi.org/10.1037/h0070288 Thurstone, Attitudes Can Be Measured (1928): https://doi.org/10.1086/214483 Thurstone, Multiple Factor Analysis (1931): https://doi.org/10.1037/h0069792 Thurstone, The Vectors of Mind (1934): https://doi.org/10.1037/h0075959 Thurstone, Experimental Study of Simple Structure (1940): https://doi.org/10.1007/BF02287873 Сучасний огляд історичних і сучасних моделей інтелекту: https://pmc.ncbi.nlm.nih.gov/articles/PMC9149840/

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Одновимірність шкали (unidimensionality) означає, що набір пунктів можна змістовно й статистично описати як індикатори одного спільного латентного конструкта — прихованої характеристики, яку безпосередньо не спостерігають, але про яку роблять висновок за відповідями на пункти. Для одновимірної шкали саме цей спільний вимір має бути головним джерелом систематичної спільної варіації між пунктами. Якщо дані потребують двох або більше відмінних латентних вимірів, простий загальний бал уже вимагає окремого обґрунтування. Одновимірність не встановлюють за одним коефіцієнтом і не виводять із високої α Кронбаха. Її оцінюють як модельне твердження про внутрішню структуру: за теорією конструкта, змістом пунктів, експлораторним і конфірматорним факторним аналізом, а в моделях IRT або Раша — також через перевірку припущень про один латентний вимір, локальну незалежність і відповідність моделі. Сучасні Standards for Educational and Psychological Testing розглядають внутрішню структуру як джерело доказів для конкретної інтерпретації тестових балів, а не як довічну печатку якості інструмента. Коротка відповідь: що означає «одна шкала — один латентний конструкт» У рефлективній моделі вимірювання припускають, що латентний конструкт впливає на відповіді на окремі пункти. Наприклад, якщо десять пунктів задумано як індикатори одного виміру соціальної тривоги, їхня спільна варіація має значною мірою пояснюватися саме цим виміром. Пункти можуть відрізнятися за складністю, формулюванням і силою зв’язку з фактором, але вони мають працювати як прояви спільної латентної змінної. Одновимірність не означає, що всі пункти майже однакові, що всі кореляції між ними високі або що шкала не має жодної локальної складності. Психологічні конструкти часто багатогранні, а відповіді можуть містити специфічні ефекти формулювання, контентні кластери чи методичні залежності. Ключове питання інше: чи достатньо одного спільного латентного виміру для того способу, яким планують інтерпретувати бал. Для формативних індексів ця логіка може взагалі бути недоречною. Якщо показники не є взаємозамінними проявами одного прихованого джерела, а разом формують індекс, вимога одновимірності та високої внутрішньої узгодженості може бути методологічною помилкою. Оновлена COSMIN guideline прямо відокремлює рефлективні моделі, для яких структурної валідності та внутрішньої узгодженості мають сенс, від формативних конструкцій, де ці властивості оцінюють інакше. Науковий статус одновимірності Одновимірність — не спостережуваний факт на кшталт довжини предмета, а властивість вимірювальної моделі, яку оцінюють за даними і теорією. Той самий набір пунктів може виглядати достатньо одновимірним в одній популяції, але виявляти додаткову структуру в іншій мовній, віковій або клінічній групі. Тому коректніше говорити, що дані підтримують або не підтримують одновимірну інтерпретацію певного бала за певних умов. Методологічна література також показує, що оцінювання вимірності варто будувати на кількох джерелах доказів, а не на одному індексі. Calderón Garrido та співавтори пропонують багатогранний факторно-аналітичний підхід, у якому висновок про вимірність формується з узгодження кількох моделей і властивостей балів. Строга і суттєва одновимірність Строга одновимірність У строгій однофакторній моделі спільні зв’язки між усіма пунктами пояснює один фактор; після врахування цього фактора не має залишатися систематичної латентної структури, яку потрібно моделювати окремо. Така модель є сильною і часто надто простою для реальних психологічних даних. Суттєва одновимірність Суттєва одновимірність (essential unidimensionality) допускає невеликі специфічні виміри, якщо один загальний фактор настільки домінує, що загальний бал лишається змістовно інтерпретованим як показник переважно одного конструкта. Для цього інколи застосовують біфакторні моделі та допоміжні показники на кшталт explained common variance (ECV), omega hierarchical (ωH) і percentage of uncontaminated correlations (PUC). Ці індекси не мають магічного універсального порога. Liu і Yang показали, що корисність ECV, PUC і ωH залежить від структури біфакторної моделі; зокрема PUC може поводитися по-різному в збалансованих і незбалансованих структурах. Тому висновок «ECV вище X — отже шкала одновимірна» без аналізу моделі, змісту специфічних факторів і наслідків для бала є надмірним спрощенням. Біфакторна модель сама по собі теж не робить шкалу одновимірною. Її треба інтерпретувати як модель, що дозволяє окремо оцінити внесок загального та групових факторів. Класична робота Reise, Moore і Haviland показала, як біфакторні моделі можуть допомогти оцінити, наскільки багатовимірні дані все ж підтримують уніфікований загальний бал. Одновимірність, внутрішня узгодженість, надійність і валідність — різні поняття У психометрії ці поняття відповідають на різні запитання. Структурна валідність стосується структури латентного вимірювання. Внутрішня узгодженість описує пов’язаність пунктів у конкретному наборі даних. Надійність стосується точності та відтворюваності балів за визначених умов. Валідність стосується того, наскільки сукупність доказів підтримує певну інтерпретацію та використання балів. Висока α Кронбаха не доводить одновимірність. α залежить від кількості пунктів, їхніх коваріацій і припущень моделі; довгу багатовимірну шкалу можна отримати з високою α. McNeish докладно показує обмеження автоматичного використання α як універсальної характеристики якості, а Sijtsma і Pfadt наголошують, що α слід тлумачити в межах конкретних психометричних завдань. Навіть дуже висока надійність не гарантує одного виміру. Теоретична робота Ellis і Sijtsma демонструє, що надійність може наближатися до 1 зі збільшенням довжини тесту незалежно від вимірності пулу пунктів. Саме тому спочатку треба визначити, що саме утворює шкалу, а вже потім інтерпретувати α, ω Макдональда чи інші коефіцієнти. Навіщо перевіряти одновимірність перед обчисленням загального бала Сумарний або середній бал має сенс лише тоді, коли є обґрунтування, що додані разом пункти відображають змістовно сумісну величину. Якщо половина пунктів вимірює соціальне уникання, а друга половина — соматичне напруження, один загальний бал може змішувати різні профілі. Дві людини з однаковою сумою можуть мати зовсім різні комбінації латентних характеристик. Багатовимірність не робить тест «поганим». Вона може означати, що теорія конструкта багатовимірна і слід інтерпретувати кілька підшкал. Проблема виникає тоді, коли багатовимірні дані подають як один однозначний показник без доказів, що загальний фактор справді підтримує таку інтерпретацію. У рамках COSMIN також корисно розрізняти структурну валідність усього багатопідшкального інструмента і перевірку одновимірності кожної підшкали. Методологічна настанова COSMIN окремо описує факторний аналіз усіх пунктів для відтворення очікуваної структури інструмента та аналіз кожної підшкали, щоб з’ясувати, чи вона сама вимірює один конструкт. Як перевіряють одновимірність: доказова послідовність 1. Спочатку визначають конструкт і модель вимірювання Статистика не може вирішити, що саме тест повинен вимірювати. Перед EFA чи CFA потрібні чітке визначення конструкта, карта змісту, логіка включення пунктів і відповідь на запитання, чи має шкала бути рефлективною. Якщо теорія вже передбачає два незалежні компоненти, вимога одного фактора суперечитиме самому конструкту. Рекомендації з розроблення шкал підкреслюють, що факторний аналіз є лише частиною процесу. Boateng та співавтори описують послідовність від визначення домену конструкта і генерації пунктів до оцінювання вимірності, надійності та валідності. 2. Експлораторний факторний аналіз: скільки латентних факторів потрібно Експлораторний факторний аналіз (EFA) застосовують, коли внутрішня структура ще не задана достатньо жорстко або коли потрібно перевірити, чи дані природно формують один домінантний фактор. EFA оцінює спільну варіацію пунктів, факторні навантаження, перехресні навантаження і можливу кількість латентних факторів. Кількість факторів не варто визначати лише правилом «власне значення > 1». Скрі-графік, паралельний аналіз, теорія конструкта, інтерпретованість і стабільність рішення мають розглядатися разом. Hayton, Allen і Scarpello показали практичну цінність parallel analysis як способу порівнювати емпіричні власні значення з очікуваними у випадкових даних. Якщо EFA стабільно показує два змістовно різні фактори з сильними навантаженнями, висока α не «повертає» шкалі одновимірність. У такій ситуації треба перевірити теорію, пункти, спосіб оцінювання і можливість інтерпретації підшкал. 3. Конфірматорний факторний аналіз: чи витримує дані однофакторна модель Конфірматорний факторний аналіз (CFA) доречний, коли гіпотеза про один фактор сформульована наперед. Дослідник задає однофакторну модель і оцінює факторні навантаження, глобальні індекси відповідності, залишки, локальні джерела невідповідності та зміст потенційних корельованих помилок. CFI, TLI, RMSEA і SRMR корисні, але жоден із них не є самодостатнім детектором одновимірності. Операційні рамки на кшталт COSMIN використовують порогові критерії для стандартизованого оцінювання досліджень, однак у конкретному психометричному аналізі пороги треба читати разом із моделлю, розміром вибірки, типом індикаторів, локальним fit і теоретичним змістом. Добрий глобальний fit не виключає локальних проблем. 4. Однофакторну модель порівнюють із правдоподібними альтернативами Якщо однофакторна модель має прийнятні індекси, це ще не означає, що вона найкраще відображає дані. Можлива корельована двофакторна, ієрархічна, біфакторна або ESEM-модель, яка краще пояснює структуру і має сильніше теоретичне обґрунтування. Модельне порівняння потрібне не для «перемоги» складнішої моделі, а для перевірки, чи один загальний бал не приховує важливої структури. 5. Для порядкових пунктів враховують тип даних Відповіді на пункти Лайкерта є порядковими категоріями. За невеликої кількості категорій, асиметричних розподілів або виражених ефектів нижньої або верхньої межі метод оцінювання може помітно впливати на факторне рішення. Flora і Curran показали переваги робастного weighted least squares для CFA з порядковими даними в низці умов. Тому висновок про вимірність має вказувати, як саме моделювали категоріальні відповіді. 6. В IRT і моделях Раша перевіряють одновимірність разом з іншими припущеннями У багатьох одновимірних IRT- і Rasch-моделях передбачається, що відповіді насамперед визначає один латентний параметр, а після контролю цього параметра пункти є локально незалежними. Одновимірність і локальна незалежність пов’язані, але не тотожні: навіть за сильного загального фактора пари дуже схожих пунктів можуть мати залишкову залежність. Оновлена COSMIN guideline 2.0 для IRT/Rasch окремо оцінює одновимірність, локальну незалежність, монотонність і відповідність моделі. Це корисне нагадування: відповідність одному припущенню не переноситься автоматично на решту. 7. Якщо є специфічні фактори, оцінюють суттєву одновимірність Коли дані мають сильний загальний фактор і слабші специфічні кластери, біфакторний аналіз може допомогти з’ясувати, скільки дисперсії загального бала справді належить загальному фактору. ECV описує частку спільної дисперсії, пов’язаної з загальним фактором; ωH — внесок загального фактора у дисперсію загального бала; PUC — частку кореляцій, не «забруднених» груповими факторами. Їх треба читати разом і в контексті структури, а не як три окремі світлофори. Які ознаки підтримують одновимірну інтерпретацію Сильні докази з’являються тоді, коли кілька незалежних частин аналізу сходяться: теорія передбачає один конструкт; пункти змістово належать до одного домену; EFA не вимагає стабільних окремих факторів; однофакторна CFA-модель має прийнятний глобальний і локальний fit; навантаження змістовно послідовні; залишкові залежності невеликі й пояснювані; альтернативні моделі не показують важливої окремої структури; а загальний бал поводиться відповідно до очікуваної теорії. Докази послаблюються, якщо факторне рішення нестабільне між вибірками, з’являються великі перехресні навантаження, кілька пунктів утворюють змістово відокремлені кластери, однофакторна модель систематично залишає великі залишкові кореляції або підшкали мають самостійну прогностичну й змістову цінність. Що не є доказом одновимірності Висока α Кронбаха не є доказом одновимірності. Висока ω total теж не доводить одного фактора. Середня міжпунктова кореляція не визначає кількість латентних вимірів. Один великий перший eigenvalue є лише сигналом, а не завершеним висновком. Правило eigenvalue > 1 саме по собі є слабкою підставою. «Усі пункти корелюють» теж недостатньо: два корельовані фактори можуть створювати високі кореляції між усім набором. Не є доказом і те, що однофакторна CFA-модель «пройшла» один поріг відповідності моделі. Можна отримати прийнятний окремий індекс і водночас мати проблемні залишки, слабкі навантаження, локальні залежності або змістово важливий другий вимір. Психометричне рішення завжди ширше за одне порогове значення. Одновимірність і структурна валідність Структурна валідність відповідає на ширше запитання: чи відповідає емпірична внутрішня структура тесту теоретичній будові конструкта. Якщо теорія передбачає одну шкалу, доказ структурної валідності включає підтримку одновимірної структури. Якщо теорія передбачає три підшкали, хороша структурної валідності може, навпаки, полягати у відтворенні трьох вимірів. Тому «багатовимірний» не означає «невалідний». Невідповідність виникає, коли фактична структура суперечить тій інтерпретації балів, яку пропонує тест. Саме це розрізнення захищає від помилки, коли будь-яку психологічну шкалу намагаються силоміць звести до одного числа. Одновимірність і вимірювальна інваріантність Однофакторна структура в одній групі не гарантує, що шкала працює однаково в інших групах. Для порівняння середніх або змін у часі потрібна окрема перевірка інваріантності вимірювання. Можливо, той самий один фактор існує і в україномовній, і в іншомовній вибірці, але окремі навантаження чи пороги відповідей відрізняються настільки, що прямі порівняння балів спотворюються. Водночас measurement invariance не є автоматичним доказом повної відсутності bias, так само як відсутність інваріантності не пояснює сама по собі причину відмінностей. Одновимірність і інваріантність — сусідні, але різні рівні доказів. Переклад шкали не переносить одновимірність автоматично Якщо оригінальна версія шкали була одновимірною, переклад українською не успадковує цю властивість за замовчуванням. Формулювання пунктів, культурний контекст, розуміння відповідних категорій і склад вибірки можуть змінити структуру відповідей. Українську версію треба оцінювати у відповідній цільовій популяції. Сам факт перекладу, back-translation або дозволу правовласника не є психометричною валідацією. Якість культурної адаптації, ліцензійний статус і статистичні докази — окремі питання. Типові помилки під час перевірки одновимірності Помилка 1. «α = 0,92, отже шкала одновимірна» α характеризує внутрішню узгодженість за певними припущеннями й може бути високою у багатовимірному тесті. Спочатку перевіряють structure, потім інтерпретують reliability. Помилка 2. «Перший фактор найбільший, отже інших факторів немає» Домінування першого фактора може підтримувати суттєву одновимірність, але не усуває специфічні фактори автоматично. Треба оцінити їхню силу, зміст і вплив на загальний бал. Помилка 3. «CFA має CFI > 0,95 — питання закрите» Один глобальна відповідність index не описує всю модель. Потрібні навантаження, залишки, локальна відповідність, альтернативні моделі, метод оцінювання і теоретична інтерпретація. Помилка 4. «PCA знайшов один компонент — отже є один латентний фактор» Principal component analysis і common factor analysis відповідають на різні модельні запитання. PCA стискає загальну дисперсію спостережуваних змінних у компоненти; факторний аналіз моделює спільну варіацію через латентні фактори. PCA може бути корисним описовим методом, але сам по собі не є повною перевіркою латентної одновимірності. Помилка 5. «Одновимірність доведена назавжди» Вимірювальні властивості залежать від популяції, версії тесту, мови, режиму адміністрування і передбаченого використання. Нові дані можуть вимагати повторної перевірки. Практичний приклад Уявімо 12-пунктову шкалу тривожності. Дослідники отримали α = 0,91 і зробили висновок, що шкала одновимірна. Але EFA стабільно показує два фактори: шість пунктів описують когнітивне занепокоєння, шість — фізіологічне збудження. Корельована двофакторна CFA-модель помітно краще відтворює дані, а окремі підшкали по-різному пов’язані з зовнішніми критеріями. У такій ситуації висока α говорить про сильну загальну пов’язаність набору пунктів, але не обґрунтовує висновок «це один латентний конструкт». Дослідник може залишити дві підшкали, перевірити ієрархічну або біфакторну модель і окремо з’ясувати, чи має загальний бал достатню інтерпретованість. Рішення залежить від мети вимірювання, а не від бажання отримати одне число. Як читати дослідження, яке заявляє одновимірність: короткий чекліст Перше: чи визначено конструкт і чи пояснено, чому він має бути одним виміром. Друге: чи відповідає метод моделі — EFA для дослідження структури, CFA для перевірки заданої гіпотези, IRT/Rasch для відповідних item-level моделей. Третє: чи обґрунтовано кількість факторів, а не просто застосовано один автоматичний критерій. Четверте: чи повідомлено факторні навантаження, перехресні навантаження, залишкові залежності та global/локальна відповідність. П’яте: чи враховано порядкову природу відповідей, пропуски і розподіли. Шосте: чи перевіряли альтернативні правдоподібні моделі. Сьоме: якщо заявлено essential unidimensionality, чи показано внесок загального і специфічних факторів, а не лише fit біфакторної моделі. Восьме: чи дослідження стосується саме тієї популяції, мови й версії шкали, в якій планують використовувати бал. Дев’яте: чи висновок обмежений структурою вимірювання, а не перетворений на твердження про «повну валідність» або клінічну діагностичність. Клінічне і дослідницьке значення Для досліджень одновимірність визначає, чи можна трактувати один сумарний бал як координату на одній латентній шкалі, чи потрібно аналізувати кілька вимірів. Це впливає на оцінювання надійності, IRT/Rasch calibration, regression models, group comparisons, responsiveness і інтерпретацію показників змін. У клінічному контексті одновимірність не перетворює шкалу на діагностичний інструмент. Одновимірний скринінговий бал може бути зручним для виявлення ймовірних випадків або моніторингу, але діагноз потребує клінічного оцінювання, релевантних критеріїв і контексту. Структура шкали не встановлює універсальну межу «розлад є / розладу немає». FAQ Чи доводить висока α Кронбаха одновимірність? Ні. α може бути високою в багатовимірній шкалі, особливо якщо пунктів багато або фактори корелюють. Одновимірність перевіряють методами аналізу структури, а α інтерпретують після того, як зрозуміло, які пункти утворюють спільну шкалу. Що краще для перевірки одновимірності — EFA чи CFA? Залежить від стадії дослідження. EFA корисний, коли структура ще досліджується; CFA — коли однофакторна гіпотеза сформульована наперед і її треба перевірити. У сильній програмі валідації вони можуть бути послідовними етапами на незалежних або належно розділених даних. Чи може багатовимірна шкала мати загальний бал? Може, якщо модель і теорія показують, що загальний фактор достатньо домінує для потрібної інтерпретації. Це треба обґрунтувати; сам факт кореляції підшкал або високої α не є достатнім. Що таке суттєва одновимірність? Це ситуація, коли поряд із домінантним загальним фактором існують слабші специфічні фактори, але загальний бал все ще переважно відображає один латентний конструкт. Її оцінюють сукупністю модельних доказів, часто включно з ECV, ωH, PUC і аналізом bias від використання однофакторної моделі. Чи достатньо одного хорошого CFI або RMSEA? Ні. Потрібні кілька індексів, параметри моделі, залишки, локальна відповідність, альтернативні моделі, теорія і характеристики даних. Порогове число є орієнтиром у конкретній методичній рамці, а не універсальним доказом. Чи означає один компонент PCA один латентний фактор? Не обов’язково. PCA і factor analysis мають різні цілі та моделі. Для твердження про latent construct потрібна модель вимірювання і факторні докази, а не лише стиснення загальної дисперсії в один компонент. Чи зберігається одновимірність після перекладу тесту українською? Не автоматично. Переклад і культурна адаптація можуть змінити спосіб, у який пункти працюють у цільовій популяції. Українська версія потребує власних доказів структури та інших measurement properties. Чи можна за одновимірною шкалою поставити діагноз? Ні. Одновимірність описує структуру вимірювання. Результат скринінгу, бал психологічної риси або показник результату не дорівнюють клінічному діагнозу. Пов’язані статті Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів Структурна валідність: чи відповідає факторна структура тесту теоретичній будові конструкта Внутрішня узгодженість шкали: що вона показує і чому не доводить одновимірність Експлораторний факторний аналіз (EFA): як досліджують приховану структуру психологічної шкали Конфірматорний факторний аналіз (CFA): як перевіряють теоретичну структуру психологічного тесту Альфа Кронбаха: що показує коефіцієнт і чому високий α не гарантує якісний тест Омега Макдональда: коли ω корисніша за альфу Кронбаха Інваріантність вимірювання: чи можна коректно порівнювати тестові бали між групами та в часі Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. Standards for Educational and Psychological Testing (2014). Barbaranelli, C., Lee, C. S., Vellone, E., & Riegel, B. The Problem with Cronbach’s Alpha: Comment on Sijtsma and Van der Ark (2015). Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L. Best Practices for Developing and Validating Scales for Health, Social, and Behavioral Research (2018). Calderón Garrido, C., et al. Multidimensional or essentially unidimensional? A multi-faceted factor-analytic approach for assessing the dimensionality of tests and items (2019). Ellis, J. L., & Sijtsma, K. Reliability Can Approach 1 With Increasing Test Length Regardless of Item Pool Dimensionality (2024). Flora, D. B., & Curran, P. J. An empirical evaluation of alternative methods of estimation for confirmatory factor analysis with ordinal data (2004). Hayton, J. C., Allen, D. G., & Scarpello, V. Factor Retention Decisions in Exploratory Factor Analysis: A Tutorial on Parallel Analysis (2004). Liu, X., & Yang, Y. Assessing Essential Unidimensionality of Scales and Structural Coefficient Bias (2023). McNeish, D. Thanks coefficient alpha, we’ll take it from here (2018). Mokkink, L. B., Elsman, E. B. M., & Terwee, C. B. COSMIN guideline for systematic reviews of patient-reported outcome measures version 2.0 (2024). Reise, S. P., Moore, T. M., & Haviland, M. G. Bifactor models and rotations: exploring the extent to which multidimensional data yield univocal scale scores (2010). Sijtsma, K., & Pfadt, J. Part II: On the Use, the Misuse, and the Very Limited Usefulness of Cronbach’s Alpha (2021).

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Експлораторний факторний аналіз (exploratory factor analysis, EFA) — це сімейство статистичних методів, за допомогою яких дослідник вивчає, чи можна пояснити кореляції між багатьма спостережуваними показниками меншою кількістю прихованих, або латентних, факторів. У психометрії EFA особливо важливий під час розроблення нових шкал, первинного дослідження їхньої внутрішньої структури та перевірки того, чи групуються пункти так, як це змістово очікується. APA PsycTests визначає EFA як аналіз, що досліджує можливу латентну структуру спостережуваних змінних без наперед жорстко заданої факторної моделі. Ключове слово тут — «досліджує». EFA не видає готову істину про те, «скільки насправді існує факторів». Дослідник обирає набір індикаторів, тип кореляційної матриці, метод виділення факторів, правило визначення їх кількості, спосіб обертання та критерії інтерпретації. Кожне з цих рішень може змінити результат. Класичний методологічний огляд Fabrigar та співавторів і пізніший практичний огляд Watkins показують, що якість EFA залежить передусім від обґрунтованості всього аналітичного ланцюга, а не від натискання однієї команди у статистичній програмі. У сучасних українських публікаціях і навчанні найчастіше трапляється форма «експлораторний факторний аналіз»; інколи використовується «розвідувальний факторний аналіз». Для міжнародної однозначності в цій статті використовується скорочення EFA. Важливе розрізнення: EFA не є синонімом аналізу головних компонентів (PCA), а експлораторний підхід не є спрощеною версією конфірматорного факторного аналізу (CFA). Що саме шукає EFA Психологічні властивості на кшталт тривожності, емпатії, самоконтролю або виснаження не спостерігаються безпосередньо. Дослідник бачить відповіді на пункти, результати завдань, поведінкові показники або експертні оцінки й припускає, що частина їхньої спільної варіації пов’язана з одним або кількома латентними вимірами. Докладніше про це розрізнення дивіться у статті «Латентні й спостережувані змінні». У найпростішій факторній моделі кожний спостережуваний показник розглядають як поєднання внесків спільних факторів і унікальної частини. Факторні навантаження показують, наскільки конкретний індикатор пов’язаний із фактором; спільність показує частку його варіації, яку відтворює спільна факторна модель; унікальність охоплює специфічну для індикатора варіацію та помилку. EFA намагається знайти компактну структуру, яка пояснює закономірні взаємозв’язки між показниками. Це має сенс лише тоді, коли дослідницька модель справді припускає латентні причини або спільні виміри. Якщо показники утворюють формативний індекс — наприклад, суму різнорідних життєвих стресорів, які не зобов’язані бути проявами одного прихованого фактора, — вимога красивої факторної структури може бути концептуально хибною. Тому до EFA треба визначити, що саме означає психологічний конструкт і чому вибрані індикатори мають бути його проявами. EFA, PCA і CFA відповідають на різні питання EFA і PCA: фактори — не те саме, що компоненти Аналіз головних компонентів (principal component analysis, PCA) перетворює набір спостережуваних змінних на компоненти, які послідовно пояснюють максимальну частину їхньої загальної дисперсії. PCA є методом зменшення розмірності. Спільний факторний аналіз має іншу модель: він намагається пояснити спільну коваріацію показників латентними факторами й окремо визнає унікальну варіацію. Офіційна таксономія APA PsycTests прямо розділяє EFA і PCA як різні методологічні категорії. PCA може бути корисним, коли мета — стиснути дані, створити компоненти або побудувати компактне представлення великої кількості змінних. Якщо ж дослідник стверджує, що відновлює приховані психологічні конструкти, вибір PCA замість спільної факторної моделі потребує окремого обґрунтування. Формула «ми зробили PCA, отже знайшли латентні фактори» змішує дві різні статистичні задачі. EFA і CFA: відкриття структури та перевірка моделі EFA дає показникам відносно вільно утворювати факторну структуру: дослідник не фіксує наперед повну схему того, який пункт має навантажуватися лише на який фактор. CFA працює інакше. У ньому модель задають до оцінювання: кількість факторів, належність індикаторів, дозволені кореляції, обмеження параметрів. Тому EFA добре підходить для структурного пошуку, а CFA — для перевірки наперед сформульованої вимірювальної гіпотези. Послідовність EFA → CFA часто корисна під час розроблення шкали, але сильне підтвердження потребує нових даних або принаймні незалежної перевірочної підвибірки. Якщо спочатку підігнати EFA до конкретної вибірки, а потім на тих самих відповідях оголосити CFA «незалежним підтвердженням», частина випадкової специфіки вже вбудована в обрану модель. EFA і структурна валідність психологічної шкали У сучасній психометрії внутрішня структура є одним із джерел доказів для валідизаційного аргументу. Standards for Educational and Psychological Testing підкреслюють, що валідність стосується обґрунтованості конкретної інтерпретації тестових балів для певного використання. EFA може підтримати частину цього аргументу, показавши, як індикатори організуються в латентні виміри. Однак EFA не «валідує тест» сам по собі. Правдоподібна факторна структура не доводить якість змісту пунктів, точність прогнозу зовнішнього критерію, справедливість між групами, діагностичну точність, клінічну корисність або безпеку рішень. Саме тому сторінку про EFA треба читати разом із матеріалами про структурну валідність та докази валідності. Коли EFA доречний EFA доречний, коли дослідник має змістову підставу очікувати латентну структуру, але ще не має достатньо сильної наперед заданої моделі; коли створюється нова шкала; коли інструмент переноситься в новий контекст і його внутрішня структура потребує повторного дослідження; коли попередні дані про факторну будову суперечливі; або коли потрібно зрозуміти причини неочікуваних зв’язків між пунктами. EFA менш доречний як ритуальна процедура «на всяк випадок», коли вже існує добре обґрунтована конкретна модель і дослідницьке питання є конфірматорним; коли індикатори за задумом формують індекс, а не відображають латентний конструкт; коли вибірка або дані настільки обмежені, що факторне рішення не може бути стабільним; або коли аналіз використовується лише для того, щоб постфактум знайти структуру, яка виглядає зручно. Як проводять EFA: логіка від даних до факторної моделі 1. Спочатку визначають конструкт і набір індикаторів Статистичний аналіз починається до відкриття програми. Потрібно пояснити, чому саме ці пункти або показники мають входити до спільного аналізу, яку частину конструкта вони покривають і для якої популяції призначена шкала. Погано сформований пул пунктів неможливо «врятувати» складною факторною технікою: EFA лише покаже структуру наявних даних. На ранньому етапі шкала часто навмисно має ширший пул пунктів, ніж фінальна версія. Але вилучення пунктів після EFA має бути змістовно обґрунтованим. Якщо механічно прибирати все, що погіршує просту структуру, можна звузити зміст конструкта й отримати статистично чисту, але концептуально бідну шкалу. 2. Перевіряють якість даних Перед факторизацією аналізують пропуски, розподіли, екстремальні значення, частоти категорій відповідей, кореляції між пунктами та потенційні дублікати. Пункти з майже нульовою варіативністю не можуть добре розрізняти респондентів. Майже тотожні пункти можуть створити локальний кластер через формулювання, а не через психологічний фактор. Пропущені значення не слід автоматично вирішувати повним видаленням усіх неповних випадків. Метод обробки пропусків може впливати на кореляційну матрицю та навіть на рішення про кількість факторів. Симуляційна робота Goretzko показує, що факторне утримання за неповних даних залежить і від критерію, і від способу роботи з пропусками. 3. Обирають кореляційну матрицю EFA фактично працює зі структурою взаємозв’язків між змінними, тому вибір кореляційної матриці принциповий. Для приблизно неперервних показників за придатних умов часто використовують кореляції Пірсона. Для порядкових пунктів із невеликою кількістю категорій — типовий випадок шкал Лайкерта — поліхоричні кореляції можуть краще відображати припущену зв’язність латентних неперервних відповідей. Watkins узагальнює симуляційні й емпіричні результати, за якими перевага поліхоричних кореляцій особливо помітна за малої кількості категорій або асиметричних розподілів. Водночас поліхорична матриця теж не є автоматично правильною: вона спирається на модель прихованих неперервних змінних і може бути нестабільною за малих вибірок, рідкісних категорій або проблемних таблиць частот. 4. Оцінюють, чи є матриця придатною для факторного аналізу Коефіцієнт Кайзера—Маєра—Олкіна (KMO) та тест сферичності Бартлетта часто подають як «дозвіл» на EFA. Насправді це допоміжні діагностики. KMO оцінює, наскільки патерн кореляцій сумісний зі спільною факторизацією через співвідношення звичайних і часткових кореляцій. Тест Бартлетта перевіряє, чи відрізняється кореляційна матриця від одиничної. Значущий тест Бартлетта не гарантує якісної факторної моделі, особливо у великій вибірці, де навіть слабкі кореляції легко стають статистично значущими. KMO не визначає кількість факторів і не встановлює валідність. Сильний preflight дивиться на всю матрицю, спільності, структуру кореляцій, розмір і склад вибірки та зміст індикаторів. 5. Обирають метод виділення факторів У спільному факторному аналізі використовують різні методи оцінювання: максимальну правдоподібність, факторизацію головної осі, мінімальні залишки та інші варіанти. Вибір залежить від типу даних, припущень про розподіл, розміру вибірки та доступного програмного забезпечення. Метод максимальної правдоподібності має переваги для статистичного оцінювання й порівняння моделей за придатних умов, але порушення припущень може вимагати робастніших або альтернативних оцінювачів. Назва «метод головних компонент» у меню тієї самої програми не перетворює PCA на метод виділення спільних факторів. Якщо мета — EFA у власне психометричному сенсі, звіт має прямо назвати обрану common-factor модель і метод оцінювання. 6. Визначають кількість факторів Це одне з найважливіших рішень в EFA. Надто мало факторів зливає різні виміри й породжує складні перехресні навантаження. Надто багато факторів розщеплює структуру на нестабільні фрагменти, іноді створені кількома схожими пунктами або випадковим шумом. Правило Кайзера «залишати власні значення понад 1» історично популярне, але не повинно бути єдиним автоматичним критерієм. Скрі-графік корисний для візуального пошуку перелому, але може бути неоднозначним. Паралельний аналіз порівнює емпіричні власні значення з розподілом значень у випадкових даних; Hayton, Allen і Scarpello описують його як один із найточніших класичних методів утримання факторів. Для порядкових даних деталі паралельного аналізу мають значення. Робота Timmerman і Lorenzo-Seva показала добрі результати common-factor паралельного аналізу на поліхоричних кореляціях у релевантних умовах. Новіші симуляційні дослідження, зокрема Markos і Tsigilis, порівнюють паралельний аналіз з альтернативними методами оцінювання розмірності й демонструють, що жоден критерій не слід відривати від типу даних та моделі. Практично кількість факторів обирають на перетині статистичних критеріїв і теорії: паралельного аналізу, скрі-графіка, альтернативних retention-критеріїв, інтерпретованості, достатньої кількості сильних індикаторів на фактор, відсутності штучних факторів із двох майже однакових пунктів і відтворюваності рішення. 7. Обирають обертання Необернуте факторне рішення часто важко інтерпретувати. Обертання змінює орієнтацію факторних осей так, щоб структура стала простішою для змістового читання, не перетворюючи дані на новий набір спостережень. Є ортогональні обертання, які фіксують нульові кореляції між факторами, і косокутні, які дозволяють факторам корелювати. У психології косокутні обертання на кшталт oblimin або promax часто мають сильнішу змістову логіку, бо психологічні конструкти рідко є строго незалежними. Watkins зазначає, що методологи зазвичай рекомендують дозволяти факторним кореляціям проявитися, якщо немає переконливого теоретичного обґрунтування їхньої незалежності. Varimax може бути доречним, коли ортогональність справді є частиною моделі, але не лише тому, що це стандартне налаштування програми. 8. Інтерпретують факторні навантаження, спільності й перехресні навантаження Факторне навантаження показує силу зв’язку індикатора з фактором у конкретній моделі. Поширені пороги 0,30, 0,40 або 0,50 є евристиками, а не природними межами. Значення має повний патерн: величина головного навантаження, навантаження на інші фактори, спільність, кількість інших індикаторів, зміст пункту, розмір вибірки та стабільність рішення. Перехресне навантаження означає, що пункт помітно пов’язаний більш ніж з одним фактором. Це не завжди «поганий пункт». Воно може відображати реальний змістовий перетин конструктів, двозначне формулювання, загальний методичний фактор або невдалу кількість факторів. Вилучення пункту має ґрунтуватися на змісті та цілі вимірювання, а не лише на бажанні отримати чистішу матрицю. 9. За косокутного обертання розрізняють pattern і structure coefficients Коли фактори корелюють, EFA дає принаймні дві корисні матриці. Pattern coefficients відображають унікальний зв’язок індикатора з фактором з урахуванням інших факторів і подібні за логікою до стандартизованих регресійних коефіцієнтів. Structure coefficients є простими кореляціями між індикаторами й факторами. Вони можуть відрізнятися саме через кореляції між факторами. Звіт, який показує лише одну матрицю без пояснення, яка це матриця, може створити хибне враження про структуру. За суттєво корельованих факторів доречно повідомляти pattern matrix, кореляції факторів і, коли це допомагає інтерпретації, structure matrix. 10. Називають фактори лише після змістового читання Статистичний алгоритм не знає, що таке «соціальна тривога» або «самоефективність». Він оцінює структуру коваріації. Назва фактора — теоретична інтерпретація дослідника. Її треба будувати за змістом індикаторів із найхарактернішими навантаженнями, з урахуванням усієї групи пунктів і теоретичної моделі. Особливо небезпечно давати фактору широку психологічну назву лише через два-три пункти, які випадково згрупувалися. Фактор має бути не тільки математично виділеним, а й змістово когерентним та відтворюваним. 11. Перевіряють стабільність і переходять до підтвердження EFA є початком структурної аргументації, а не її фіналом. Рішення треба перевіряти на інших даних, особливо якщо модель використовуватиметься для підрахунку балів, клінічних або освітніх висновків. Після експлораторного етапу дослідник може сформулювати чітку модель для CFA, перевірити її на незалежній вибірці, а далі досліджувати інваріантність між групами, часом або мовними версіями. Скільки учасників потрібно для EFA Універсальної формули «N = 100», «200 учасників завжди достатньо» або «10 осіб на один пункт» не існує. Стабільність факторного рішення залежить від спільностей, сили навантажень, кількості індикаторів на фактор, кількості факторів, їхньої визначеності, розподілу даних і складності моделі. Симуляційна робота MacCallum, Widaman, Zhang і Hong прямо показала хибність уявлення, що мінімальний розмір вибірки або співвідношення «учасники : змінні» є незмінним для всіх факторних досліджень. За високих спільностей і добре визначених факторів менша вибірка може давати стабільніше рішення, ніж значно більша вибірка за слабких індикаторів і погано визначеної структури. Практичний висновок: розмір вибірки треба обґрунтовувати через очікувану модель та умови даних, а не посиланням на одну магічну пропорцію. Для нової шкали варто планувати не тільки EFA, а й незалежну перевірку структури, тому ресурс вибірки краще розраховувати на весь цикл валідації. EFA для пунктів Лайкерта та інших порядкових даних Пункти з категоріями «ніколи — рідко — інколи — часто — завжди» є порядковими: відстань між сусідніми категоріями не задана як точно рівна. За багатьох категорій і приблизно симетричних розподілів аналіз на кореляціях Пірсона іноді працює прийнятно, але при двох–чотирьох категоріях, сильній асиметрії або виражених стельових й підлогових ефектах різниця між Pearson- і polychoric-підходами може бути істотною. Тому сучасна практика часто використовує поліхоричні кореляції та оцінювання, сумісне з порядковою природою даних. Це не означає, що «поліхорична EFA завжди краща». Треба перевіряти стабільність кореляцій, рідкісні категорії, розмір вибірки, припущення про приховані неперервні відповіді та поведінку обраного оцінювача. Факторне навантаження не є універсальним тестом якості пункту Сильне навантаження говорить, що пункт добре пов’язаний із фактором у конкретному рішенні. Воно не доводить, що пункт добре сформульований, етично прийнятний, культурно нейтральний, діагностично корисний або причинно пов’язаний із конструктом. Так само слабке навантаження може виникати через вузький діапазон відповідей, проблемну вибірку, переклад, неправильну кількість факторів або невідповідний тип кореляцій. Не варто зводити відбір пунктів до алгоритму «залишити все > 0,40, видалити все < 0,40». Психометрична розробка є циклом: теорія → формулювання пунктів → дані → модель → змістова перевірка → нові дані. Рекомендації з розроблення шкал, зокрема Stefana та співавторів, розглядають факторний аналіз як частину ширшого процесу, а не як автоматичний фільтр. Внутрішня узгодженість і EFA — різні питання Високий α Кронбаха не показує, скільки факторів має шкала, і не підтверджує одновимірність. α може бути високим у багатовимірній шкалі, особливо коли пунктів багато або вони частково дублюються. Спочатку треба зрозуміти вимірність, а вже потім осмислено оцінювати внутрішню узгодженість для відповідних шкал або підшкал. Це розрізнення детально пояснюють статті «Внутрішня узгодженість шкали» та «Альфа Кронбаха». EFA відповідає передусім на питання структури; коефіцієнти внутрішньої узгодженості — на інше питання про взаємозв’язок індикаторів і прецизійність композитного бала за певних припущень. Типові помилки під час EFA Перша помилка — називати PCA експлораторним факторним аналізом. Обидві процедури працюють із багатовимірними даними, але мають різні цілі та моделі варіації. Друга — залишати кількість факторів лише за правилом «власне значення > 1». Сучасний аналіз має включати сильніші retention-процедури, насамперед паралельний аналіз, і змістову оцінку. Третя — автоматично використовувати varimax, навіть коли психологічні фактори очікувано корелюють. Ортогональність — це модельне припущення, а не нейтральний формат виведення. Четверта — оголошувати універсальний cutoff для навантаження і механічно видаляти пункти. Пороги корисні як орієнтири, але рішення має враховувати всю структуру й зміст. П’ята — вважати значущий тест Бартлетта доказом «хорошого EFA». Він лише показує, що матриця статистично відрізняється від одиничної за припущеннями тесту. Шоста — думати, що KMO є показником валідності. KMO оцінює придатність структури кореляцій до факторизації, а не те, чи вимірює шкала заявлений психологічний конструкт. Сьома — проводити EFA на одній вибірці, підбирати модель до деталей цих даних і подавати її як остаточно підтверджену. Експлораторне рішення потребує відтворення. Восьма — приховувати альтернативні рішення. Якщо паралельний аналіз, скрі-графік і теорія дають різні підказки, саме ця невизначеність є важливою частиною результату. Дев’ята — не повідомляти тип кореляцій, метод виділення та обертання. Без цих деталей результат неможливо адекватно оцінити або відтворити. Десята — використовувати факторну структуру як діагноз. EFA може допомагати розробляти психологічні шкали, але факторний бал або належність пункту до фактора не є клінічним діагнозом і не створює універсального cutoff «розлад є / розладу немає». Що має бути у якісному звіті EFA Повний звіт має дозволити іншому досліднику зрозуміти, яке саме рішення було отримано і чому. Watkins рекомендує повідомляти не тільки фінальні факторні навантаження, а весь ланцюг ключових аналітичних рішень. Мінімально варто описати: теоретичну підставу для набору змінних; характеристики й розмір вибірки; пропуски та спосіб їх обробки; тип кореляційної матриці; діагностику придатності до факторизації; спільну факторну модель і метод виділення; критерії визначення кількості факторів; метод обертання; правила інтерпретації; повну або достатньо прозору матрицю навантажень; спільності; перехресні навантаження; кореляції факторів за косокутного обертання; альтернативні факторні рішення; критерії вилучення пунктів; і план або результат перевірки структури на нових даних. Якщо використано порядкові дані, треба вказати, чи аналізувалися Pearson-, polychoric- або інші кореляції. Якщо застосовано паралельний аналіз, варто уточнити, до якої моделі він був прив’язаний, як генерувалися випадкові дані та який критерій порівняння використовувався. Формулювання «провели EFA стандартним методом» не є достатнім описом. Як читати EFA у чужій статті Почніть не з таблиці навантажень, а з дослідницького питання. Чи справді автори досліджують латентну структуру? Чи є ці індикатори рефлективними проявами конструкта? Чи обґрунтовано склад вибірки? Чи відповідає тип кореляцій природі даних? Далі подивіться, як обрано кількість факторів. Паралельний аналіз, теорія й стабільність структури дають більше інформації, ніж механічний eigenvalue > 1. Потім перевірте обертання: якщо фактори психологічно пов’язані, але автори примусово зробили їх ортогональними, інтерпретація може бути спрощеною. Оцініть не тільки найбільші навантаження. Чи є фактори з двома слабкими індикаторами? Чи багато перехресних навантажень? Чи мають фактори зрозумілий зміст? Чи видалялися пункти після багаторазових перезапусків аналізу? Чи показано, що фінальна структура відтворюється на інших даних? Нарешті, відокремте статистичну структуру від практичного висновку. EFA може показати, що пункти утворюють кілька стабільних кластерів спільної варіації. Щоб перейти від цього до твердження «ми вимірюємо саме цей конструкт у цій популяції», потрібен ширший валідизаційний аргумент. EFA у культурній і мовній адаптації Переклад психологічної шкали не гарантує, що її факторна структура збережеться. Нове мовне формулювання може змінити семантичні відтінки, частоти відповідей, кореляції між пунктами та роботу окремих індикаторів. Тому EFA може бути корисним на ранньому етапі адаптації, особливо якщо немає переконливих даних, що оригінальна модель переноситься без змін. Водночас EFA не замінює повноцінну культурну адаптацію, не доводить вимірювальну інваріантність і не показує автоматично відсутність bias. Якщо мета — порівнювати групи, мовні версії або країни, потрібні окремі аналізи еквівалентності та інваріантності. Наявність україномовного перекладу сама по собі не є доказом валідованої української версії. Науковий статус і межі EFA EFA — усталений статистичний метод із багаторічною психометричною традицією, широкою методологічною літературою та сучасними розвитками для порядкових, неповних і складних даних. Його базовий статус не є спірним. Спірними або залежними від умов залишаються конкретні аналітичні рішення: оптимальна retention-процедура за певних даних, оцінювач, спосіб обертання, пороги інтерпретації, критерії стабільності та найкращий спосіб роботи з конкретним типом порушень моделі. EFA також не створює єдиної «істинної» назви факторів. Одна й та сама кореляційна структура може допускати різні ротаційні орієнтації та близькі за відповідністю моделі. Тому факторна структура стає науково переконливою через сукупність ознак: теоретичну осмисленість, методологічну прозорість, стабільність, реплікацію та узгодження з іншими видами доказів. Поширені запитання Чи є EFA тим самим, що факторний аналіз EFA є одним із головних типів факторного аналізу. Загальний термін «факторний аналіз» охоплює різні моделі й процедури. EFA досліджує можливу структуру відносно вільно; CFA перевіряє наперед задану модель. Чи можна назвати PCA експлораторним факторним аналізом Ні. PCA і EFA можуть давати зовні схожі таблиці навантажень, але відповідають на різні питання. PCA стискає загальну дисперсію спостережуваних змінних у компоненти; EFA моделює спільну коваріацію через латентні фактори. Скільки людей потрібно для EFA Фіксованого числа немає. Необхідний N залежить від спільностей, сили навантажень, кількості індикаторів на фактор, числа факторів, розподілу даних і стабільності моделі. Правила «5 або 10 учасників на пункт» можуть бути грубим орієнтиром планування, але не доказом достатності. Яке факторне навантаження вважається достатнім Універсального cutoff немає. Значення 0,30–0,50 часто використовують як практичні орієнтири в різних контекстах, але пункт треба оцінювати разом із перехресними навантаженнями, спільністю, змістом, розміром вибірки та стабільністю структури. Чи обов’язково робити KMO і тест Бартлетта Ці діагностики корисні й часто звітуються, але вони не є повною перевіркою придатності даних. Значущий Bartlett і прийнятний KMO не визначають правильну кількість факторів і не доводять структурну валідність. Яке обертання краще — varimax чи oblimin Якщо фактори теоретично можуть корелювати, косокутне обертання на кшталт oblimin або promax зазвичай природніше. Varimax накладає ортогональність і доречний, коли незалежність факторів змістово обґрунтована. Чи можна проводити EFA для шкал Лайкерта Так, але метод має враховувати порядкову природу відповідей, особливо за малої кількості категорій або асиметричних розподілів. У таких умовах часто використовують поліхоричні кореляції та сумісні методи оцінювання. Чи можна після EFA одразу сказати, що тест валідний Ні. EFA дає докази щодо внутрішньої структури. Валідність інтерпретації тестових балів спирається на ширший набір доказів і завжди прив’язана до популяції, контексту та передбаченого використання. Чи треба робити CFA після EFA Якщо після EFA пропонується конкретна вимірювальна модель, її незалежна конфірматорна перевірка є сильним наступним кроком. Найкраще використовувати нову вибірку або заздалегідь відокремлену перевірочну частину даних. Короткий висновок Експлораторний факторний аналіз — це метод дослідження прихованої структури спільної варіації між психологічними індикаторами. Його сила полягає не в автоматичному «відкритті істинних факторів», а в дисциплінованому переході від теорії та даних до перевірюваної гіпотези про вимірність шкали. Сильний EFA розрізняє факторний аналіз і PCA, враховує тип даних, не покладається на один retention-критерій, обґрунтовує обертання, прозоро показує навантаження та перехресні навантаження, не використовує універсальні магічні cutoff і завершується планом незалежної перевірки. Саме так EFA стає частиною доказової психометрії, а не декоративною таблицею в кінці дослідження. Пов’язані статті Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів — базова сторінка про психологічне вимірювання, надійність, валідність, похибку та інтерпретацію тестових балів. Структурна валідність: чи відповідає факторна структура тесту теоретичній будові конструкта — як EFA, CFA, IRT та інші моделі входять у докази внутрішньої структури. Латентні й спостережувані змінні: чим відрізняється психологічний конструкт від його показників — основа для розуміння того, що саме факторний аналіз намагається моделювати. Конструктна валідність: як перевіряють, що тест вимірює саме задуманий психологічний конструкт — ширший контекст доказів про психологічний конструкт. Внутрішня узгодженість шкали: що вона показує і чому не доводить одновимірність — чому коефіцієнти узгодженості не замінюють аналіз вимірності. Факторне навантаження: що воно означає в EFA і CFA та чому немає універсального «хорошого» порога — як читати величину, знак і перехресні навантаження без механічних cutoff. Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. American Psychological Association. (n.d.). APA PsycTests Methodology Field Values. Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L. (2018). Best Practices for Developing and Validating Scales for Health, Social, and Behavioral Research: A Primer. Frontiers in Public Health, 6, 149. Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the Use of Exploratory Factor Analysis in Psychological Research. Psychological Methods, 4(3), 272–299. Goretzko, D. (2022). Factor Retention in Exploratory Factor Analysis With Missing Data. Educational and Psychological Measurement, 82(3), 444–464. Hayton, J. C., Allen, D. G., & Scarpello, V. (2004). Factor Retention Decisions in Exploratory Factor Analysis: A Tutorial on Parallel Analysis. Organizational Research Methods, 7(2), 191–205. MacCallum, R. C., Widaman, K. F., Zhang, S., & Hong, S. (1999). Sample Size in Factor Analysis. Psychological Methods, 4(1), 84–99. Markos, A., & Tsigilis, N. (2024). Dimensionality Assessment in Ordinal Data: A Comparison Between Parallel Analysis and Exploratory Graph Analysis. Frontiers in Psychology, 15, 1359111. Mokkink, L. B., Elsman, E. B. M., & Terwee, C. B. (2024). COSMIN Guideline for Systematic Reviews of Patient-Reported Outcome Measures Version 2.0. Quality of Life Research. Stefana, A., Damiani, S., Granziol, U., Provenzani, U., Solmi, M., Youngstrom, E. A., & Fusar-Poli, P. (2025). Psychological, Psychiatric, and Behavioral Sciences Measurement Scales: Best Practice Guidelines for Their Development and Validation. Frontiers in Psychology, 15, 1494261. Timmerman, M. E., & Lorenzo-Seva, U. (2011). Dimensionality Assessment of Ordered Polytomous Items With Parallel Analysis. Psychological Methods, 16(2), 209–220. Watkins, M. W. (2018). Exploratory Factor Analysis: A Guide to Best Practice. Journal of Black Psychology, 44(3), 219–246.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика STIPO (Structured Interview of Personality Organization) — напівструктуроване клінічне інтерв’ю для оцінювання організації особистості в межах психодинамічної моделі Отто Кернберга. STIPO-R — його переглянута, коротша й сучасніша версія. Інструмент оцінює не окремий симптом і не «тип особистості», а відносно стійкі способи функціонування: інтегрованість ідентичності, якість стосунків, характер захисних механізмів, агресію та моральне функціонування. STIPO-R не є онлайн-тестом для самодіагностики і не замінює повну клінічну оцінку. Це інтерв’ю, яке проводить підготовлений фахівець, використовуючи стандартизовані запитання, уточнювальні проби та систему оцінювання. Офіційний посібник STIPO-R прямо визначає його як інструмент для вимірювання структурних доменів особистісного функціонування та отримання dimensional scores, які можуть бути корисними для клінічного формулювання, планування лікування і досліджень. Найважливіше розрізнення для читача: структурне інтерв’ю Кернберга і STIPO/STIPO-R походять з однієї теоретичної традиції, але це різні інструменти. Перше є більш клінічно гнучким інтерв’ю, в якому багато залежить від професійного судження та аналізу взаємодії «тут і тепер»; STIPO і STIPO-R були створені для більш стандартизованого, відтворюваного оцінювання тих самих базових структурних феноменів. Коротка відповідь: що таке STIPO та STIPO-R STIPO — це Structured Interview of Personality Organization, тобто структуроване або, точніше, напівструктуроване інтерв’ю організації особистості. Його розробила група дослідників і клініцистів, пов’язана з Personality Disorders Institute при Weill Cornell: John F. Clarkin, Eve Caligor, Barry Stern, Otto F. Kernberg та колеги. International Society of Transference-Focused Psychotherapy окремо публікує STIPO, STIPO-R, форми оцінювання та офіційний посібник. STIPO-R — Revised, переглянута версія. Вона була створена, щоб скоротити довший початковий інструмент, прибрати менш корисні пункти та зробити застосування зручнішим у клінічній і дослідницькій роботі. У офіційному описі STIPO-R вказано 55 пунктів і зазначено, що перегляд також змінив структуру доменів: окремий домен явного тестування реальності було прибрано, натомість з’явилася спеціальна оцінка нарцисизму. За змістом STIPO-R є інструментом структурної оцінки. Він допомагає описати, як людина організовує уявлення про себе й інших, наскільки стабільними є її стосунки та самооцінка, які захисні процеси переважають, як проявляється агресія і наскільки інтегрованим є моральне функціонування. Ці дані розглядають у контексті структурної моделі організації особистості Кернберга, а не як автономний набір балів без теоретичного контексту. Звідки з’явився STIPO: від структурного інтерв’ю до стандартизованої оцінки Історично вихідною точкою було клінічне Structural Interview, описане Кернбергом як спосіб оцінювати не лише симптоми, а й рівень організації особистості. У такій бесіді клініцист звертає увагу на ідентичність, захисні процеси, тестування реальності та на те, як ці характеристики проявляються у взаємодії під час інтерв’ю. Цей підхід детально пов’язаний із теорією об’єктних відносин і подальшим розвитком трансфер-фокусованої психотерапії. Сильна сторона Structural Interview — клінічна гнучкість. Інтерв’юер може детально досліджувати суперечності, змінювати фокус, застосовувати уточнення, конфронтацію та інтерпретацію залежно від того, що відбувається в розмові. Водночас саме ця гнучкість ускладнює стандартизацію: різні клініцисти можуть зосередитися на різних аспектах, а якість висновку істотно залежить від досвіду інтерв’юера. Офіційний посібник STIPO-R пояснює, що STIPO/STIPO-R виникли саме як відповідь на цю проблему. Напівструктурований формат вводить стандартні запитання, додаткові проби для нечітких відповідей і правила оцінювання. У результаті клінічне судження зберігається, але процедура стає значно більш відтворюваною й придатною для навчання та психометричних досліджень. У статті Caligor та співавторів про clinician-guided assessment Structural Interview і STIPO розглядаються поруч як два споріднені, але окремі способи оцінки. Обидва спираються на модель Кернберга, проте Structural Interview є більш клінічно відкритим, тоді як STIPO задає чіткішу структуру взаємодії та оцінювання. STIPO і STIPO-R — це не одне й те саме У повсякденних професійних розмовах абревіатури STIPO і STIPO-R іноді використовують майже як взаємозамінні, але для точності їх варто розрізняти. Початковий STIPO був довшим інструментом. У німецькій психометричній роботі 2013 року описано 100-пунктову версію з сімома вимірами: ідентичність, об’єктні відносини, примітивні захисти, копінг/ригідність, агресія, моральні цінності, тестування реальності та перцептивні викривлення. Дослідження Doering та співавторів показало високі міжекспертні показники надійності для цієї версії. STIPO-R був скорочений до 55 пунктів. Офіційний посібник описує п’ять головних доменів: Identity, Object Relations, Defenses, Aggression і Moral Values. Окремо з пунктів, розміщених у різних доменах, формується оцінка Narcissism. У ревізії також було прибрано явне тестування реальності як окрему шкалу. Це важливо: читачеві не слід механічно переносити структуру старого STIPO на STIPO-R. Сучасні психометричні дослідження додатково показують, що емпірична факторна структура може залежати від версії, мови та вибірки. Наприклад, італійське дослідження STIPO-R 2026 року підтримало біфакторну модель із загальним фактором і п’ятьма специфічними доменами, тоді як іспанська валідація 2026 року отримала шестифакторне рішення, в якому примітивні та більш зрілі захисти були розділені. Це не означає, що існують «дві правильні STIPO-R»; це показує, що теоретична структура інструмента й статистична структура даних не завжди збігаються один до одного. Що саме оцінює STIPO-R STIPO-R оцінює не окремі симптоми на кшталт тривоги, безсоння чи панічних атак, а ширші способи функціонування особистості. Такі домени відносно стійкі, але не є незмінними «ярликами». Їх розглядають як клінічні характеристики, що можуть мати різний ступінь вираженості й по-різному проявлятися в роботі, близьких стосунках, саморегуляції, переживанні себе та інших. Ідентичність Домени ідентичності стосуються того, наскільки цілісним, стабільним і диференційованим є переживання себе та значущих інших. Офіційний посібник STIPO-R включає сюди здатність інвестувати в роботу, навчання й дозвілля, відчуття себе та відчуття інших. Інтерв’юер досліджує не «чи знає людина, хто вона», а якість і сталість внутрішнього образу себе, цілей, ролей, самооцінки та репрезентацій інших. У структурній моделі патологія ідентичності може проявлятися суперечливими або різко поляризованими образами себе й інших, нестабільною самооцінкою, труднощами утримувати складний і водночас цілісний образ важливої людини. Окрема стаття ХАБу про дифузну ідентичність розбирає це поняття ширше й відрізняє його від інших моделей розвитку ідентичності. Об’єктні відносини У мові цієї традиції «об’єктні відносини» означають не ставлення до речей, а внутрішньо організовані способи переживати себе у стосунках з іншими. STIPO-R оцінює міжособистісні стосунки, інтимність і сексуальність, а також внутрішню модель відносин. Важливими є здатність до взаємності, стабільність прихильності, переживання залежності й автономії, типові очікування від інших та повторювані конфліктні патерни. Цей домен не можна звести до питання «чи має людина хороші стосунки». Людина може підтримувати соціальні контакти й водночас переживати інших переважно як ідеалізованих або ворожих, швидко втрачати здатність бачити одночасно сильні й слабкі сторони партнера або використовувати стосунки головно для стабілізації крихкого відчуття себе. Захисні механізми STIPO-R оцінює як нижчі, примітивні захисні операції, так і більш зрілі захисти. Йдеться про способи, якими психіка регулює конфліктні переживання, афекти й уявлення про себе та інших. У моделі Кернберга особливе значення мають розщеплення, ідеалізація/знецінення, заперечення та проєктивні процеси, але інструмент також враховує більш інтегровані способи захисту. Важливо, що захисний механізм не є діагнозом. Одна й та сама людина може використовувати різні захисти в різних ситуаціях, а їхнє клінічне значення залежить від частоти, ригідності, контексту та впливу на функціонування. STIPO-R намагається оцінити не наявність окремого механізму, а загальний рівень і організацію захисного функціонування. Агресія Домен агресії охоплює агресію, спрямовану на себе, і агресію, спрямовану на інших. Оцінюють не лише відкриті акти, а й характер регуляції агресивних імпульсів, фантазій, ворожості, саморуйнівних тенденцій та поведінкових проявів. Будь-які висновки в цій сфері потребують клінічного контексту: високий бал у певному домені не дорівнює прогнозу конкретної дії. Якщо під час клінічної оцінки виявляються актуальні суїцидальні наміри, самоушкодження, тяжка імпульсивність або ризик насильства, безпека має пріоритет над структурним формулюванням. STIPO-R може бути частиною ширшої оцінки, але не замінює спеціалізованого оцінювання безпосереднього ризику. Моральні цінності та моральне функціонування Цей домен досліджує здатність переживати провину, брати до уваги наслідки власних дій для інших, дотримуватися соціальних норм і підтримувати внутрішньо інтегровану систему цінностей. У клінічній інтерпретації важливо не перетворювати шкалу на моральний осуд. STIPO-R описує функціонування, а не встановлює, чи є людина «хорошою» або «поганою». Нарцисизм у STIPO-R Перехід до STIPO-R супроводжувався окремою увагою до нарцисичної патології. У посібнику зазначено, що частину пунктів, уже включених до основних доменів, використовують для формування додаткової шкали Narcissism. Це дозволяє систематичніше оцінювати патерни, пов’язані з нестабільною самоповагою, грандіозністю, потребою в підтвердженні, заздрістю, труднощами взаємності та іншими феноменами, які в цій теоретичній традиції мають значення для нарцисичної патології. Шкала нарцисизму STIPO-R не повинна використовуватися як самостійний спосіб встановити нарцисичний розлад особистості. Діагноз потребує окремої клінічної оцінки за відповідною класифікаційною системою. STIPO-R тут виконує іншу функцію: описує структурні особливості та тяжкість функціонування, які можуть бути важливими для клінічного формулювання. Як проходить STIPO-R STIPO-R є напівструктурованим інтерв’ю. Це означає, що клініцист має стандартний набір запитань і правила уточнення, але бесіда не зводиться до механічного зачитування анкети. Якщо відповідь надто загальна, суперечлива або не дає достатньо інформації для оцінювання, інтерв’юер використовує додаткові probes — уточнювальні запитання, передбачені процедурою. Стандартизація потрібна не для того, щоб прибрати клінічне мислення, а щоб зробити шлях до оцінки прозорішим. Двоє підготовлених фахівців повинні мати змогу, працюючи з тим самим матеріалом, прийти до близьких оцінок. Саме тому психометричні дослідження STIPO багато уваги приділяють міжекспертній надійності. Під час інтерв’ю фахівець збирає конкретні приклади з життя людини: як вона переживає себе в роботі чи навчанні, як описує близьких, що відбувається під час конфліктів, як змінюється її ставлення до людей, як вона витримує сором, провину, гнів, залежність, сексуальність, конкуренцію, втрати й фрустрацію. Важливий не лише зміст відповіді, а й її внутрішня узгодженість, конкретність і зв’язок з реальним функціонуванням. Офіційний посібник також допускає використання додаткової клінічної інформації, якщо вона законно й етично доступна в межах конкретної ситуації, наприклад даних від інших фахівців чи близьких. Це підкреслює, що STIPO-R є клінічним інструментом, а не самозаповнюваним опитувальником. Як оцінюються відповіді У STIPO-R кожен пункт має стандартизовану систему оцінювання. Посібник описує item-level ratings 0, 1 або 2. Після завершення інтерв’ю оцінки підсумовують у межах доменів або використовують середнє значення; за потреби їх можна переводити у відсотковий показник для зіставлення доменів різної довжини. Окрім суми окремих пунктів, інтерв’юер може поставити загальну клінічну оцінку кожному домену за п’ятибальною шкалою. Ця друга система дає змогу врахувати клінічне враження, поширеність і тяжкість проблем, а також невербальні та міжособистісні дані, які неможливо повністю звести до механічного підрахунку. Два способи оцінки не конкурують, а доповнюють один одного. Тому STIPO-R не слід інтерпретувати як просту формулу «чим більше балів, тим гірша людина». Бали описують вираженість труднощів у конкретних функціональних доменах і використовуються разом із клінічним контекстом. Важливими є профіль доменів, рівень порушень, суперечності між різними сферами та те, як ці характеристики пов’язані з актуальними проблемами і цілями лікування. Що означає «рівень організації особистості» У моделі Кернберга рівень організації особистості — це спосіб описати глибину й структуру особистісного функціонування, а не просто перелік симптомів. Традиційно розрізняють більш інтегроване нормальне або невротичне функціонування та різні ступені межової організації; у ранніх структурних формулюваннях окремо розглядався і психотичний рівень. Сучасний STIPO-R зосереджений насамперед на диференційованій оцінці особистісного функціонування в спектрі від більш інтегрованого до більш порушеного. Окрема сторінка ХАБу про межову організацію особистості пояснює принципове розрізнення між психодинамічним поняттям borderline personality organization і сучасним діагнозом межового розладу особистості. STIPO-R може допомагати оцінювати структурне функціонування, але сам по собі не перетворює «межовий рівень» на категоріальний діагноз BPD. У посібнику STIPO-R структурні профілі описуються через близькість до прототипів normal/neurotic, high-level borderline, middle-level borderline і low-level borderline organization. Такі категорії використовують як клінічне узагальнення dimensional scores. Вони належать до конкретної психодинамічної моделі і не є офіційними діагностичними кодами DSM чи ICD. Чим STIPO-R відрізняється від структурного інтерв’ю Кернберга Обидва інструменти виросли з однієї моделі, тому між ними багато спільного. Вони оцінюють інтегрованість ідентичності, характер захисних процесів, якість відносин і рівень контакту з реальністю або пов’язані з ним структурні феномени. В обох випадках важливе професійне судження, а інтерв’ю не зводиться до списку симптомів. Різниця полягає в ступені стандартизації. Structural Interview дозволяє клініцисту значно вільніше вибудовувати бесіду, використовувати напруження й суперечності у взаємодії, аналізувати перенесення та контрперенесення. STIPO-R задає стандартні запитання, probes і scoring rules. Це робить його зручнішим для навчання, досліджень і порівняння оцінок між фахівцями. Caligor та співавтори підкреслюють, що це не конкуренти, між якими треба вибрати «правильний». Їхня порівняльна робота описує Structural Interview як більш клінічно орієнтований інструмент, а STIPO — як добре керовану напівструктуровану взаємодію, що вбудовує клінічне судження в стандартизовану процедуру. Чим STIPO-R відрізняється від IPO / IPO-R STIPO/STIPO-R не слід плутати з Inventory of Personality Organization — IPO та його ревізіями. IPO є самозвітним опитувальником: людина сама оцінює твердження про власне функціонування. STIPO-R є інтерв’ю, у якому клініцист ставить запитання, уточнює відповіді, просить конкретні приклади та сам формує оцінку за заданими правилами. Це різні джерела інформації. Самозвіт корисний для швидкого вимірювання суб’єктивно доступних характеристик, але залежить від самоусвідомлення, стилю відповідей і готовності повідомляти про труднощі. Інтерв’ю дає змогу перевіряти загальні формулювання конкретними прикладами та враховувати клінічні суперечності. Водночас інтерв’ю є довшим, потребує підготовки й також не позбавлене впливу професійного судження. STIPO-R, DSM-5-TR та ICD-11: де є перетин, а де його немає Сучасна діагностика особистісної патології дедалі більше використовує dimensional assessment — оцінювання тяжкості порушення особистісного функціонування, а не лише наявності або відсутності категоріального діагнозу. Саме тому STIPO часто порівнюють із Criterion A альтернативної моделі розладів особистості DSM-5 та з dimensional підходами до тяжкості особистісного розладу в ICD-11. Таке зближення не робить STIPO-R офіційним інструментом DSM або ICD і не робить модель Кернберга тотожною цим класифікаціям. Іспанське дослідження STIPO-R 2026 року прямо описує концептуальний зв’язок із Criterion A, але водночас підкреслює, що STIPO-R зберігає ширшу психодинамічну модель, зокрема детальну оцінку захистів, агресії та моральних цінностей. Для практики це означає просте правило: STIPO-R може доповнювати клінічне формулювання і давати структурну карту функціонування, але діагноз за DSM чи ICD встановлюють за критеріями відповідної системи й у межах повної професійної оцінки. Що показують дослідження STIPO Початкові психометричні дані Одна з ключових ранніх робіт — Stern et al. (2010). Автори описали STIPO як напівструктуроване інтерв’ю для dimensional assessment ідентичності, примітивних захистів і тестування реальності. У клінічній вибірці вони отримали прийнятну міжекспертну надійність для основних доменів і закономірні зв’язки між STIPO та іншими показниками особистісної патології. Це була початкова психометрична робота, а не остаточна валідація «всієї теорії Кернберга». Її значення полягає в іншому: складні психодинамічні конструкти вдалося операціоналізувати так, щоб різні оцінювачі могли застосовувати спільну процедуру й отримувати достатньо узгоджені результати. Німецька валідація У німецькому дослідженні 2013 року 100-пунктовий STIPO перевірили у 122 психіатричних пацієнтів. Міжекспертна надійність за різними доменами була високою, а внутрішня узгодженість шкал варіювалася від прийнятної до високої. Результати також показали очікувані зв’язки з зовнішніми критеріями та відмінності між групами пацієнтів. Порівняння з Structural Interview У клініко-методологічній роботі 2018 року автори зіставили Structural Interview і STIPO як два способи clinician-guided assessment. Вони підкреслили добру міжекспертну надійність обох підходів та їхню потенційну корисність для прогнозу, планування лікування і клінічного рішення. Водночас сам формат відрізняється: SI більш відкритий, STIPO більш стандартизований. Дані щодо підлітків У дослідженні 2025 року STIPO застосовували для оцінки особистісного функціонування у підлітків. У дослідженні брали участь клінічні групи та здорові контролі; домени STIPO відрізнялися між групами й корелювали з іншими показниками психопатології та особистісного функціонування. Це підтримує можливість застосування структурної оцінки в підлітковій психіатрії за наявності відповідної кваліфікації та контексту. Дані про підлітків не означають, що дорослий протокол можна бездумно переносити на будь-яку дитину чи підлітка. Вікова діагностика особистості потребує знання розвитку, сімейного й соціального контексту, диференціальної діагностики та особливої уваги до ризику стигматизації. STIPO-R у 2026 році: Італія У італійському дослідженні 2026 року STIPO-R перевірили на 180 психіатричних пацієнтах і 170 учасниках із загальної популяції. Підтримку отримала біфакторна структура: загальний фактор особистісного порушення плюс специфічні домени. Латентні показники розрізняли клінічну й неклінічну групи, а окремі домени допомагали диференціювати пацієнтів із розладами особистості від інших психіатричних пацієнтів. STIPO-R у 2026 році: Іспанія У іспанській валідації 2026 року дослідники працювали з клінічною та community-вибіркою й отримали дані на користь надійності та кількох видів валідності. Підтверджена факторна структура містила шість компонентів: ідентичність, об’єктні відносини, примітивні захисти, більш зрілі захисти, агресію та моральні цінності. Італійське та іспанське дослідження важливі саме разом: вони показують, що STIPO-R має сучасну емпіричну програму перевірки, але одночасно нагадують про необхідність не робити інструмент «абсолютним вимірювачем структури особистості». Моделі факторів, переклади, клінічні контексти й вибірки можуть давати відмінності, які потрібно враховувати. Клінічна корисність Окремою темою стає не лише психометрична валідність, а й реальна клінічна корисність. Дослідження Soroko, Bandel і Musiał 2026 року вивчало досвід психотерапевтів, які використовують STIPO-R. Такий напрям досліджень важливий, бо хороший інструмент має бути не лише статистично надійним, а й практично інтегрованим у формулювання випадку, комунікацію між фахівцями та планування терапії. Сильні сторони STIPO-R Перша сильна сторона — зв’язок із чіткою теоретичною моделлю. STIPO-R не є випадковим набором запитань: кожен домен пов’язаний із концепцією організації особистості. Для клініциста це може полегшувати перехід від окремих фактів біографії та симптомів до цілісного формулювання того, як людина функціонує. Друга сильна сторона — стандартизація. Запитання, probes і scoring rules знижують залежність оцінки від імпровізації конкретного інтерв’юера. Це особливо важливо в дослідженнях, навчанні й командній роботі, де результати повинні бути зрозумілими іншим спеціалістам. Третя — dimensional профіль. Замість одного глобального ярлика можна побачити, що в людини, наприклад, відносно інтегрована професійна ідентичність співіснує з вираженими труднощами в інтимних стосунках, або що проблеми з агресією значно тяжчі за труднощі морального функціонування. Такий профіль часто клінічно корисніший за єдину категорію. Четверта — зв’язок із плануванням психотерапії. У межах підходу Кернберга рівень структурного функціонування впливає на те, наскільки структурованою має бути терапія, як працювати з рамкою, альянсом, конфронтацією та інтерпретацією. Це одна з причин, чому STIPO-R тісно пов’язаний із трансфер-фокусованою психотерапією. Обмеження STIPO-R STIPO-R не є нейтральним щодо теорії. Він навмисно побудований на моделі об’єктних відносин і структурній концепції Кернберга. Це перевага, коли саме ця модель потрібна для клінічного формулювання, але водночас означає, що результати слід інтерпретувати всередині відповідної теоретичної рамки. Інструмент потребує підготовки. Стандартизовані запитання не роблять інтерв’ю автоматичним. Клініцист має розуміти, що стоїть за кожним доменом, уміти просити конкретні приклади, помічати суперечності, оцінювати поширеність патернів і відрізняти структурні характеристики від тимчасової реакції на кризу, депресію, манію, психоз, вживання речовин або гостру травму. Психометричні дані залежать від мови, вибірки й версії. Позитивні результати німецьких, італійських, іспанських та інших досліджень не означають автоматичної валідності будь-якого неофіційного перекладу. Для кожної мовної версії важливі якість перекладу, навчання оцінювачів і окрема емпірична перевірка. STIPO-R також не замінює диференціальну діагностику. Особистісне функціонування може змінюватися під впливом тяжкого афективного епізоду, психотичних симптомів, нейрокогнітивних порушень, посттравматичних станів, залежностей, соматичних хвороб та інших чинників. Структурний профіль має бути лише однією частиною клінічної картини. STIPO-R в Україні Для українського контексту STIPO-R уже не є лише англомовним терміном із підручників. Українська асоціація трансфер-фокусованої психотерапії повідомляє, що повний комплект STIPO-R разом із посібником перекладено українською мовою і введено в практику, а також діє супервізійна група для поглибленого освоєння інструмента. В архіві навчальних програм асоціації окремо зазначено сертифікаційне навчання STIPO-R. Це важливий сигнал для українського професійного поля: інструмент використовується не лише як теоретична згадка, а як предмет спеціалізованого навчання. Водночас наявність українського перекладу й навчання не означає, що STIPO-R є масовим скринінговим тестом для широкої публіки. Його місце — професійна оцінка особистісного функціонування, особливо коли структурне формулювання може впливати на вибір психотерапевтичної стратегії. Кому може бути корисне STIPO-R Передусім STIPO-R призначений для підготовлених клініцистів і дослідників. Він може бути корисним, коли потрібно зрозуміти тяжкість і профіль особистісного функціонування, уточнити клінічне формулювання, спланувати інтенсивність і структуру психотерапії, описати зміни в дослідженні або мати спільну мову для обговорення складного випадку між фахівцями. Для самої людини цінність STIPO-R полягає не в отриманні «рівня» як нового ярлика, а в більш диференційованому розумінні власних труднощів. Добре проведене оцінювання має відповідати на практичні запитання: де саме виникає найбільша нестабільність, що підтримує повторювані конфлікти, які способи захисту заважають інтегрувати суперечливі переживання і який формат допомоги може бути найбільш доречним. Чи можна пройти STIPO-R самостійно онлайн Ні. STIPO-R за своєю конструкцією є інтерв’ю, а не самозаповнюваним тестом. Навіть якщо текст запитань доступний, самостійне проходження не відтворює процедуру: відсутні уточнювальні probes, оцінювання конкретності й узгодженості відповідей, клінічне судження та стандартизоване scoring. Онлайн-формат сам по собі не робить інтерв’ю невалідним, якщо його проводить підготовлений фахівець із дотриманням процедури й професійних стандартів. Ключове питання — не екран чи кабінет, а компетентність інтерв’юера, якість контакту, приватність, достатність інформації й коректне використання інструмента. Чого не варто робити з результатами STIPO-R Не варто використовувати один домен або загальний рівень як пояснення всього життя людини. Структурна оцінка не скасовує темперамент, травматичний досвід, соціальний контекст, нейророзвиткові особливості, соматичне здоров’я, поточні стресори та інші психіатричні стани. Не варто перетворювати терміни «межова організація», «примітивні захисти» чи «нарцисизм» на образливі ярлики. У професійній мові вони мають технічне значення. У непрофесійному середовищі ті самі слова часто набувають морального або стигматизувального змісту, який спотворює клінічний сенс. Не варто самостійно визначати собі діагноз на підставі описів доменів. Людина може впізнавати в собі окремі патерни, але клінічний висновок потребує контексту, диференціальної оцінки та розуміння того, наскільки патерн є стійким, поширеним і функціонально значущим. STIPO-R і психотерапія STIPO-R особливо природно вписується в клінічну логіку TFP, тому що і оцінка, і терапія спираються на споріднену модель особистісної організації. Перед початком лікування структурний профіль може допомогти оцінити ризики для терапевтичного альянсу, потребу в чіткішій рамці, типові способи реагування на фрустрацію та те, як швидко в терапії можуть активуватися поляризовані уявлення про себе і терапевта. Це не означає, що STIPO-R потрібен кожній людині перед будь-якою психотерапією. Для багатьох клінічних запитів достатньо стандартного діагностичного інтерв’ю, валідованих шкал і клінічного формулювання. STIPO-R має найбільшу цінність там, де питання особистісної структури справді змінює розуміння випадку й тактику роботи. Детальніше про сам метод лікування дивіться в матеріалі «Трансфер-фокусована психотерапія (ТФП): як працює, для кого і що показують дослідження». Там STIPO-R розглядається в ширшому контексті діагностичної та терапевтичної логіки TFP. Як співвідносяться STIPO-R і сучасне поняття особистісного функціонування Одна з причин сучасної актуальності STIPO-R — зміна самої діагностичної культури. Розлади особистості дедалі частіше описують не лише через категорії, а й через ступінь порушення self/interpersonal functioning. STIPO історично сформувався раніше за частину сучасних dimensional класифікацій, але працював із близькою проблемою: як систематично оцінити не окремі риси, а загальну організацію особистості. При цьому поняття не слід ототожнювати. «Personality functioning» у сучасних класифікаціях — широка діагностична конструкція, а STIPO-R — конкретний інструмент, створений усередині об’єктно-реляційної моделі. Перетин між ними робить STIPO-R цікавим для сучасної психодіагностики, але не стирає відмінностей між теоретичними системами. FAQ STIPO-R — це тест Кернберга? У популярному викладі так іноді кажуть, але точніше називати STIPO-R напівструктурованим інтерв’ю, створеним групою Clarkin, Caligor, Stern, Kernberg та колег. Воно базується на структурній моделі Кернберга, проте не є одноосібним «тестом Кернберга». Скільки запитань у STIPO-R? Офіційний посібник STIPO-R описує 55 пунктів. Початковий STIPO був довшим; у дослідженнях 100-пунктової версії оцінювали сім доменів. Тому цифри, знайдені в різних джерелах, можуть відрізнятися через те, що йдеться про різні версії інструмента. Скільки часу триває STIPO-R? Тривалість залежить від складності випадку, докладності відповідей та потреби в додаткових probes. STIPO-R створювали як коротшу й ефективнішу версію порівняно з початковим STIPO, але це все одно клінічна бесіда, а не швидкий десятихвилинний скринінг. Фахівець має мати достатньо часу, щоб отримати конкретні приклади й надійно оцінити домени. Чи встановлює STIPO-R діагноз межового розладу особистості? Ні. STIPO-R оцінює організацію та функціонування особистості в конкретній теоретичній моделі. Межова організація особистості й межовий розлад особистості — не синоніми. Діагноз BPD встановлюють за критеріями відповідної класифікації в межах комплексної клінічної оцінки. Чи може STIPO-R виявити нарцисичний розлад особистості? STIPO-R містить додаткову оцінку нарцисичної патології та може дати клінічно важливу інформацію про нарцисичне функціонування. Водночас ця шкала не є самодостатнім діагностичним тестом на NPD. Для діагнозу потрібна ширша оцінка симптомів, функціонування, анамнезу та диференціальних альтернатив. Чим STIPO-R кращий за звичайний опитувальник? Перевага інтерв’ю полягає в можливості уточнювати відповіді, вимагати конкретних прикладів і використовувати професійне судження. Самозвітні шкали швидші й дешевші, але залежать від того, що людина усвідомлює і готова повідомити про себе. У клінічній практиці ці формати можуть доповнювати один одного, а не обов’язково взаємно виключатися. Чи є STIPO-R доказовим інструментом? Для STIPO і STIPO-R існує психометрична база: ранні дослідження міжекспертної надійності та валідності, мовні валідації, сучасні дослідження STIPO-R у клінічних і community-вибірках. Коректніше говорити, що інструмент має емпіричну підтримку для оцінювання особистісного функціонування в межах своєї моделі. Це не означає, що кожне теоретичне твердження об’єктно-реляційної теорії доведене самим фактом валідності інтерв’ю. Чи існує українська версія STIPO-R? Так. Українська асоціація трансфер-фокусованої психотерапії повідомляє про переклад повного комплекту інтерв’ю та посібника українською і про його використання в професійній практиці. Для коректного застосування важливими залишаються навчання, супервізія і дотримання професійних стандартів. Чи можна використовувати STIPO-R для вибору психотерапії? Результати можуть бути одним із джерел для treatment planning, особливо в психодинамічних підходах, де рівень організації особистості впливає на структуру терапії. Водночас вибір лікування не повинен ґрунтуватися лише на одному інтерв’ю: враховують основний запит, діагнози, ризики, мотивацію, попереднє лікування, доступність методів і вподобання пацієнта. Пов’язані статті Структурне інтерв’ю Кернберга: що це, як проходить і чим відрізняється від STIPO — вихідний клінічний метод, з якого виросла стандартизована лінія STIPO. Структурна модель Кернберга: рівні організації особистості, критерії та сучасна оцінка — теоретична рамка, яку STIPO/STIPO-R операціоналізують. Межова організація особистості: що це і чим відрізняється від межового розладу — окреме пояснення структурного поняття borderline organization. Дифузна ідентичність: що це та чим відрізняються моделі Еріксона, Марсії й Кернберга — детальніше про один із центральних структурних феноменів, який оцінює STIPO. Трансфер-фокусована психотерапія (ТФП): як працює, для кого і що показують дослідження — терапевтичний контекст, у якому структурна оцінка має особливе значення. Теорія об’єктних відносин: що це, Кляйн, Фейрберн, Віннікотт і сучасне значення — ширший теоретичний контекст STIPO-R. Отто Кернберг: біографія, організація особистості, ТФП і сучасна оцінка — про автора структурної моделі та її місце в сучасній психодинамічній традиції. Джерела Caligor, E., Stern, B. L., Hamilton, M., et al. (2018). Clinician-Guided Assessment of Personality Using the Structural Interview and the Structured Interview of Personality Organization (STIPO). Journal of Personality Assessment, 100(1), 30–42. Clarkin, J. F., Caligor, E., Stern, B. L., & Kernberg, O. F. (2019; revised 2021). Manual for the Structured Interview of Personality Organization–Revised (STIPO-R). Personality Disorders Institute, Weill Cornell Medical College. Doering, S., Burgmer, M., Heuft, G., et al. (2013). Reliability and validity of the German version of the Structured Interview of Personality Organization (STIPO). BMC Psychiatry, 13, 210. International Society of Transference-Focused Psychotherapy. Diagnostic Instruments: STIPO and STIPO-R. Laczkovics, C., Czernin, K., Bründlmayer, A., et al. (2025). Assessment of personality disorders in adolescents – a clinical validity and utility study of the Structured Interview of Personality Organization (STIPO). Child and Adolescent Psychiatry and Mental Health, 19, 49. Preti, E., Di Sarno, M., Fanti, E., et al. (2026). Rolling in the Deep of Personality: Psychometric Properties of the Structured Interview of Personality Organization–Revised (STIPO-R) in Italy. Journal of Personality Assessment, 108(4), 518–530. Rufat, M. J., Matalí, J. L., Gutiérrez, F., et al. (2026). Psychometric properties of the Spanish Structured Interview of Personality Organization Revised (STIPO-R) in a clinical and community sample. Borderline Personality Disorder and Emotion Dysregulation, 13, 12. Soroko, E., Bandel, J., & Musiał, P. (2026). How Clinical Utility Emerges: Experiences of Psychotherapists Using the Structured Interview of Personality Organization–Revised (STIPO-R). Journal of Personality Assessment. Stern, B. L., Caligor, E., Clarkin, J. F., et al. (2010). Structured Interview of Personality Organization (STIPO): Preliminary Psychometrics in a Clinical Sample. Journal of Personality Assessment, 92(1), 35–44. Українська асоціація трансфер-фокусованої психотерапії. Історія створення Української Асоціації ТФП: переклад і використання STIPO-R в Україні.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Факторний аналіз — це сімейство статистичних методів, які пояснюють закономірності спільної варіації багатьох спостережуваних показників через меншу кількість прихованих, або латентних, факторів. У психології його застосовують, коли дослідник має десятки відповідей, завдань чи рейтингів і хоче з’ясувати, чи можна їхню структуру описати кількома змістовними вимірами: наприклад, тривожністю, самоконтролем, робочою пам’яттю або окремими компонентами складнішого конструкта. Саме тому факторний аналіз є одним із центральних інструментів психометрії. Він пов’язує теоретичний психологічний конструкт із системою спостережуваних індикаторів і допомагає перевіряти, чи має набір пунктів ту внутрішню структуру, яку припускає теорія. У сучасних Standards for Educational and Psychological Testing внутрішня структура розглядається як одне з джерел доказів валідності інтерпретації тестових балів, а не як окремий «сертифікат якості» тесту. Standards for Educational and Psychological Testing прямо вбудовують аналіз внутрішньої структури у ширший валідизаційний аргумент. Ключове розрізнення таке: факторний аналіз працює зі структурою зв’язків між показниками. Він може показати, що групи індикаторів поводяться так, ніби за ними стоять спільні латентні виміри, але статистичний фактор не перетворюється автоматично на психологічну «сутність». Його зміст визначають теорія, формулювання показників, дизайн дослідження, вибірка, модель і сукупність інших доказів. Що таке факторний аналіз У найзагальнішій формі факторна модель припускає, що кожен спостережуваний показник можна описати як поєднання внесків одного або кількох спільних факторів і специфічної частини, яку ці фактори не пояснюють. Умовно це записують так: xᵢ = λᵢ₁F₁ + … + λᵢₘFₘ + εᵢ. Тут xᵢ — спостережуваний показник, F — латентні фактори, λ — факторні навантаження, а ε — специфічна або залишкова частина. Факторний аналіз працює передусім із коваріаціями або кореляціями між змінними. Якщо кілька пунктів стабільно змінюються разом, модель намагається описати цю спільність одним або кількома факторами. Такий підхід історично виріс із робіт Чарльза Спірмена, який у 1904 році аналізував кореляційну структуру розумових здібностей, а подальший розвиток багатофакторних моделей пов’язаний, зокрема, з Луїсом Терстоуном. Першоджерела Спірмена та Терстоуна показують, як від ранньої двофакторної логіки метод перейшов до ширших моделей кількох спільних факторів. Spearman, 1904; Thurstone, 1931. Сучасний факторний аналіз значно ширший за історичні моделі інтелекту. Його використовують у дослідженнях особистості, симптомів, установок, мотивації, благополуччя, когнітивних здібностей, поведінки та багатьох інших психологічних характеристик. Методологічні огляди підкреслюють, що результат залежить від низки рішень: типу факторної моделі, способу оцінювання, кількості факторів, обертання, типу даних і характеристик вибірки. Schmitt, 2011; Goretzko, Pham & Bühner, 2021. Для чого факторний аналіз потрібен у психології Психологія часто вимірює те, що не можна безпосередньо побачити або зчитати одним сенсором. Людина може відповісти на запитання про свої думки, виконати серію завдань або бути оцінена спостерігачем, але самі поняття «тривожність», «екстраверсія» чи «виконавчий контроль» є теоретичними конструкціями. Детальніше цей перехід від поняття до вимірювання розглядає стаття про психологічний конструкт. Факторний аналіз допомагає відповісти на кілька пов’язаних питань. Чи справді набір пунктів групується у передбачені виміри? Чи є шкала приблизно одновимірною або в ній виразно присутні кілька факторів? Чи мають окремі пункти сильний зв’язок зі своїм фактором? Чи з’являються небажані перехресні навантаження? Чи можна обґрунтовано інтерпретувати загальний бал або окремі підшкали? Ці питання безпосередньо стосуються внутрішньої структури вимірювання. Огляд Rios і Wells описує внутрішню структуру як один із п’яти основних типів доказів валідності, передбачених Standards, поряд зі змістом тесту, процесами відповіді, зв’язками з іншими змінними та наслідками використання. Отже, факторний аналіз дає важливу, але локальну частину доказової картини. Rios & Wells, 2014. Латентні конструкції та спостережувані показники Латентна змінна — це змінна, яку модель не спостерігає безпосередньо. Спостережувані змінні — відповіді на пункти, результати завдань, рейтинги, часові показники або інші виміряні величини. У факторній моделі латентний фактор потрібен для пояснення закономірності їхньої спільної варіації. Це розрізнення докладно пояснює стаття «Латентні й спостережувані змінні». Наприклад, дослідник створює шість пунктів про соціальну тривогу. Якщо відповіді на них корелюють, одна можлива модель припускає спільний латентний фактор. Якщо ж частина пунктів стосується страху оцінювання, а інша — тілесної напруги, дані можуть краще узгоджуватися з двома пов’язаними факторами. Факторний аналіз формалізує такі гіпотези, але зміст факторів не народжується з матриці кореляцій сам по собі: назви та інтерпретації повинні спиратися на теорію й зміст індикаторів. Теоретичний статус латентних змінних є окремою методологічною проблемою. Borsboom, Mellenbergh і van Heerden показали, що інтерпретація латентних змінних містить онтологічні та причинні припущення, а модель міжіндивідуальних відмінностей не дає автоматичного права робити висновки про причинні процеси всередині конкретної людини. Borsboom, Mellenbergh & van Heerden, 2003. Тому фактор, виділений у групових даних, слід трактувати як параметр моделі вимірювання, а психологічну реальність конструкта обґрунтовувати ширшим набором доказів. Експлораторний і конфірматорний факторний аналіз Під назвою «факторний аналіз» у психології часто об’єднують дві логіки. Експлораторний факторний аналіз (EFA) використовують, коли дослідник вивчає можливу структуру: скільки факторів доцільно розглядати, які індикатори з ними пов’язані, чи є перехресні навантаження. Конфірматорний факторний аналіз (CFA) застосовують для перевірки заздалегідь сформульованої вимірювальної моделі: скільки факторів очікується, які індикатори належать кожному фактору, які зв’язки дозволені або обмежені. Українське професійне вживання закріплює терміни «експлораторний факторний аналіз» і «конфірматорний факторний аналіз»; у частині текстів трапляються відповідно «розвідувальний» та «підтверджувальний». У цьому ХАБі канонічними назвами є EFA та CFA з формами «експлораторний» і «конфірматорний», оскільки вони точно відповідають сучасній методологічній термінології та реальному українському академічному вжитку. Межа між EFA і CFA пов’язана не з тим, що один метод «добрий», а інший «суворий», а з роллю попередньої моделі. EFA залишає більше структури для дослідження даними; CFA накладає конкретні теоретичні обмеження і перевіряє їх. Методологічні огляди застерігають від механічного вибору процедури й радять узгоджувати її з реальним дослідницьким питанням. Fabrigar et al., 1999; Schmitt, 2011. Факторний аналіз і PCA: споріднені інструменти з різними моделями Аналіз головних компонентів (principal component analysis, PCA) часто з’являється поруч із факторним аналізом, але його мета інша. PCA формує компоненти, що стискають загальну спостережувану варіацію набору змінних. Спільна факторна модель намагається пояснити коваріацію індикаторів латентними факторами та відокремлює спільну частину від специфічної. Для задачі суто зменшення розмірності PCA може бути корисним. Якщо ж дослідницьке питання стосується латентного психологічного конструкта та вимірювальної моделі, PCA не є автоматичною заміною common factor analysis. Класичний методологічний огляд Fabrigar та співавторів і сучасні рекомендації Watkins наголошують на важливості вибирати метод відповідно до мети, а не за звичкою програмного пакета. Fabrigar et al., 1999; Watkins, 2018. Як працює факторна модель Факторне навантаження Факторне навантаження показує, наскільки сильно індикатор пов’язаний із фактором у межах конкретної моделі. Чим більша абсолютна величина навантаження, тим більше спільної інформації індикатора пов’язано з цим фактором за заданими припущеннями. Знак показує напрям зв’язку. Водночас універсальної межі на кшталт «0,40 завжди добре, 0,39 завжди погано» немає: рішення залежить від мети шкали, вибірки, кількості індикаторів, точності оцінки та змісту пункту. Навантаження треба читати разом із довірчими інтервалами або стандартними похибками, структурою інших навантажень і теоретичною роллю індикатора. Статистична значущість сама по собі теж недостатня: у великій вибірці слабкий зв’язок може бути статистично відмінним від нуля, залишаючись малоінформативним для вимірювання. Спільність і специфічна варіація Спільність (communality) описує частку варіації індикатора, яку в межах факторної моделі пояснюють спільні фактори. Решта залишається специфічною для індикатора та включає унікальну варіацію і вимірювальну похибку. Низькі спільності можуть ускладнювати стабільне відновлення структури й збільшувати вимоги до даних. Саме тому правила розміру вибірки, що ігнорують спільності та силу факторів, часто працюють погано. MacCallum et al., 1999. Перехресні навантаження Перехресне навантаження виникає, коли індикатор суттєво пов’язаний із кількома факторами. Воно може сигналізувати про змістову складність пункту, погане формулювання, реальне перекриття конструктів або надто спрощену модель. Автоматичне видалення всіх таких пунктів може зробити шкалу статистично «чистішою», але змістово вузькою. Спочатку потрібно зрозуміти, яку саме психологічну інформацію несе індикатор. Кореляції між факторами У психології латентні виміри часто корелюють. Самоконтроль може бути пов’язаний із плануванням, різні форми тривоги — між собою, а підшкали особистості — з близькими рисами. Тому косокутні обертання в EFA або корельовані фактори в CFA часто є реалістичнішими за примусову ортогональність. Вибір незалежних факторів має бути теоретичним припущенням, а не автоматичним налаштуванням. Головні рішення в експлораторному факторному аналізі EFA не є однією кнопкою. Fabrigar та співавтори, а пізніше Goretzko, Pham і Bühner описують низку рішень, кожне з яких може змінити отриману структуру: підготовку даних, кореляційну матрицю, метод виділення, кількість факторів, обертання та спосіб інтерпретації. Fabrigar et al., 1999; Goretzko, Pham & Bühner, 2021. 1. Вибір матриці зв’язків Для приблизно безперервних показників часто аналізують Pearson-кореляції. Для порядкових категоріальних відповідей, характерних для пунктів типу Лайкерта, можуть бути доречними поліхоричні кореляції та методи, розраховані на ordinal data. Вибір залежить від кількості категорій, їхніх розподілів, розміру вибірки та оцінювача; правило «п’ять категорій завжди можна вважати безперервною змінною» не є універсальним. 2. Вибір кількості факторів Кількість факторів — одне з найважливіших рішень. Якщо залишити замало факторів, різні виміри штучно зливаються; якщо забагато — випадковий шум може отримати змістовні назви. Візуальний scree plot, паралельний аналіз, модельні критерії та теоретична інтерпретованість дають різні види інформації, тому сильне рішення зазвичай спирається на їхнє узгодження. Паралельний аналіз порівнює спостережувані власні значення з тими, які очікуються у випадкових даних. Hayton, Allen і Scarpello описують його як один із найточніших методів утримання факторів у досліджених умовах. Для порядкових політномічних пунктів Timmerman і Lorenzo-Seva показали, що варіант паралельного аналізу на поліхоричних кореляціях може краще відповідати структурі таких даних, ніж механічне використання Pearson-кореляцій. Hayton, Allen & Scarpello, 2004; Timmerman & Lorenzo-Seva, 2011. Критерій Kaiser «eigenvalue > 1» історично поширений, але його не варто використовувати як єдине правило. Сучасні методологічні огляди рекомендують поєднувати емпіричні критерії з теорією, якістю рішення та стабільністю структури. Goretzko, Pham & Bühner, 2021. 3. Метод виділення факторів Методи на кшталт maximum likelihood, principal axis factoring або minimum residual мають різні припущення та статистичні властивості. Вибір залежить від типу даних, розподілу, мети й бажаного способу оцінювання невизначеності. Немає одного extraction method, який автоматично оптимальний для кожної психологічної шкали. 4. Обертання Після виділення факторів EFA часто використовує обертання, щоб отримати структуру, яку легше інтерпретувати. Ортогональне обертання фіксує фактори як некорельовані. Косокутне дозволяє їм корелювати. Оскільки психологічні характеристики часто пов’язані, косокутна модель нерідко змістовно доречніша. Обертання змінює представлення факторного рішення, тому називати одну конкретну ротацію «істинною» без додаткових аргументів не варто. Скільки учасників потрібно для факторного аналізу Універсального мінімального N для факторного аналізу не існує. Так само немає загального правила «10 учасників на пункт», яке гарантує стабільну структуру в будь-якій ситуації. MacCallum, Widaman, Zhang і Hong показали, що потрібний розмір вибірки залежить від спільностей, кількості індикаторів на фактор, сили факторів та інших характеристик моделі. MacCallum et al., 1999. На практиці слабкі навантаження, низькі спільності, складна багатофакторна структура, мало індикаторів на фактор, рідкі категорії відповідей та пропуски зазвичай підвищують вимоги до вибірки. Сильні, добре визначені фактори можуть відновлюватися стабільніше. Найкраща стратегія — планувати вибірку під конкретну модель і потрібну точність, а не під магічне число. Для CFA до цього додаються питання ідентифікації, точності параметрів, потужності для виявлення невідповідності та поведінки глобальних fit-індексів. Тому окрема сторінка про CFA розглядає планування підтверджувальної моделі докладніше. Пункти Лайкерта і порядкові дані Відповіді «ніколи — рідко — іноді — часто — завжди» є порядковими категоріями. Відстань між сусідніми відповідями не обов’язково однакова, хоча в прикладних аналізах такі пункти нерідко наближено трактують як безперервні. Якість цього наближення залежить від числа категорій, асиметрії, розміру вибірки та конкретного методу оцінювання. Для виразно порядкових або сильно асиметричних пунктів факторний аналіз може спиратися на поліхоричні кореляції та категоріальні оцінювачі. У дослідженні Timmerman і Lorenzo-Seva показано, що спосіб побудови паралельного аналізу має значення саме для ordered polytomous items. Timmerman & Lorenzo-Seva, 2011. Це один із прикладів ширшого правила: математична форма даних є частиною вимірювальної моделі, а не технічною дрібницею. Факторна структура і структурна валідність Якщо тест претендує на певну внутрішню будову, факторний аналіз може дати докази щодо структурної валідності: наскільки структура взаємозв’язків між пунктами відповідає передбаченій будові конструкта. У COSMIN структурна валідність виділена як окрема властивість вимірювання, а CFA посідає центральне місце в оцінюванні заздалегідь заданої структури. COSMIN Manual Version 2.0. Водночас добрий факторний результат не вичерпує валідність. Шкала може мати акуратну внутрішню структуру, але недостатньо покривати зміст конструкта, працювати інакше в іншій популяції або не підтримувати потрібне практичне рішення. Standards і сучасна валідизаційна рамка вимагають збирати різні джерела доказів для конкретної інтерпретації та використання балів. Standards; Rios & Wells, 2014. Надійність, внутрішня узгодженість і факторна структура Факторний аналіз відповідає на питання про структуру, а коефіцієнти надійності — про інші властивості балів за конкретних припущень. Висока внутрішня узгодженість не доводить одновимірності. Набір пунктів із кількома корельованими факторами також може мати високе значення α Кронбаха. Тому послідовність «альфа висока — отже один фактор — отже тест валідний» методологічно помилкова. COSMIN прямо розділяє structural validity та internal consistency як різні measurement properties, а оцінювання внутрішньої узгодженості має спиратися на обґрунтовану структуру шкали. COSMIN Manual Version 2.0. Отже, факторний аналіз і показники внутрішньої узгодженості доповнюють один одного, але не замінюють. Що факторний аналіз не доводить Факторне рішення не доводить, що психологічний конструкт існує саме в тому вигляді, у якому його назвав дослідник. Алгоритм працює з математичною структурою даних; змістове тлумачення виникає з поєднання теорії, операціоналізації, вибірки та інших доказів. Високе навантаження не доводить, що пункт «чисто» вимірює тільки один психологічний процес. Воно означає сильний модельний зв’язок із фактором у конкретній структурі. Перехресний зміст, методичні ефекти, подібність формулювань або спільний контекст відповіді можуть створювати додаткову коваріацію. Однофакторне рішення не означає, що кожен індивідуальний випадок має один внутрішній психологічний механізм. Факторний аналіз зазвичай описує структуру міжіндивідуальних відмінностей у вибірці. Borsboom та співавтори окремо підкреслювали, що з таких моделей не випливає автоматичний висновок про процеси на рівні окремої людини. Borsboom et al., 2003. Факторний аналіз також не є діагностичною процедурою. Він не встановлює психічний розлад у конкретної людини й не перетворює бал шкали на клінічний діагноз. Скринінг, assessment і diagnosis мають різні цілі, а діагностичні висновки потребують відповідної клінічної процедури, контексту та доказів для конкретного використання інструмента. Культурна адаптація, мова і вимірювальна еквівалентність Переклад психологічного тесту українською не гарантує, що його факторна структура збережеться. Навіть точний мовний переклад може змінити семантичні відтінки, частоту досвіду, спосіб використання категорій відповіді або психологічний контекст пунктів. Тому адаптація психологічних тестів включає емпіричну перевірку в цільовій популяції. International Test Commission розглядає адаптацію як процес, ширший за переклад, і вимагає накопичувати докази еквівалентності конструкта, методу та пунктів у цільових мовних і культурних контекстах. ITC Guidelines for Translating and Adapting Tests. Тому наявність українського тексту опитувальника сама по собі не є доказом валідованої української версії. Для порівняння груп або мовних версій часто перевіряють вимірювальну інваріантність у межах CFA або споріднених моделей. Навіть підтримана інваріантність відповідає конкретному набору статистичних припущень і не є автоматичним доказом повної відсутності bias чи соціальної несправедливості. Навпаки, локальна неінваріантність є сигналом для змістового та методичного аналізу, а не готовим вироком тесту. Факторні бали: корисні оцінки, а не пряме читання прихованої риси Після оцінювання факторної моделі іноді обчислюють factor scores — оцінки положення окремих учасників на латентних факторах. Важливо пам’ятати, що ці значення є модельно залежними оцінками. У EFA факторні бали можуть бути невизначеними в тому сенсі, що одна й та сама коваріаційна структура не завжди задає єдиний індивідуальний набір латентних значень. Тому factor score не слід подавати як безпосередньо виміряну «кількість тривожності» чи «точний рівень емпатії». Для індивідуальних інтерпретацій потрібні дані про точність, валідність, нормативну базу, цільову популяцію та допустимий спосіб використання. Результат статистичної моделі й практичне рішення щодо людини належать до різних рівнів доказової аргументації. Типові помилки під час факторного аналізу Вибір методу за налаштуванням програми Стандартна кнопка статистичного пакета може запускати PCA, ортогональне обертання або застарілий критерій кількості компонентів. Це не означає, що така комбінація відповідає дослідницькій меті. Метод треба обирати до інтерпретації результату і пояснювати у звіті. Механічний критерій «eigenvalue > 1» Власне значення більше одиниці може бути одним із діагностичних сигналів, але як єдине правило воно здатне як завищувати, так і занижувати кількість факторів. Сучасні рекомендації віддають перевагу більш обґрунтованому поєднанню паралельного аналізу, scree plot, теорії та якості рішення. Goretzko, Pham & Bühner, 2021. Видалення пунктів лише за одним числом Пункт із нижчим навантаженням може покривати важливу ділянку змісту конструкта. Пункт із високим навантаженням може бути надмірно дубльованим або вузьким. Рішення про збереження індикатора повинно поєднувати статистичні властивості зі змістовою валідністю, зрозумілістю, функціонуванням у різних групах і призначенням шкали. Пошук структури і підтвердження на тих самих даних Якщо дослідник багаторазово змінює факторну структуру на одній вибірці, а потім називає остаточну модель «підтвердженою» тими самими даними, невизначеність істотно недооцінюється. Сильніший дизайн розділяє експлораторний та підтверджувальний етапи або принаймні прозоро позначає постфактум-рішення та перевіряє їх на нових даних. Найменування факторів за одним-двома пунктами Назва фактора має відображати зміст усього патерну індикаторів, а не найбільш яскравого формулювання. Два статистично подібні рішення можуть отримати зовсім різні психологічні інтерпретації, якщо автори ігнорують теоретичний контекст. Реплікація структури й передбачувані зв’язки з іншими змінними допомагають перевірити, чи назва фактора має зміст поза конкретною матрицею даних. Ототожнення доброго fit із валідністю У CFA привабливо звести висновок до кількох індексів відповідності. Проте глобальний fit, локальна відповідність, параметри, зміст моделі, альтернативні моделі та зовнішні джерела валідизації відповідають на різні питання. Структурно правдоподібна модель є важливою частиною доказів, але не завершеним доказом коректності всіх інтерпретацій тесту. Як читати факторний аналіз у науковій статті Спочатку з’ясуйте, яке питання ставили автори: досліджували структуру чи перевіряли заздалегідь задану модель. Далі перевірте, який тип даних аналізували, яку кореляційну матрицю та оцінювач використали, як визначали кількість факторів, який спосіб обертання обрали та чи дозволяли факторам корелювати. Ці рішення часто важливіші за красиву фінальну таблицю навантажень. Потім подивіться на факторні навантаження, перехресні навантаження, спільності, кореляції факторів і стабільність рішення. Для CFA додайте глобальні й локальні показники відповідності, стандартні похибки, неприйнятні параметри та спосіб роботи з категоріальними даними й пропусками. Для EFA зверніть увагу, чи кількість факторів визначали сучасними методами, а не одним автоматичним правилом. Нарешті, оцініть реплікацію та зміст. Чи перевіряли структуру на незалежній вибірці? Чи відповідають фактори теорії? Чи зберігається модель у релевантних групах? Чи є інші докази валідності? Watkins наголошує, що EFA має цінність тоді, коли факторне рішення не лише математично прийнятне, а й змістовно інтерпретоване та перевірене. Watkins, 2018. Практичні наслідки для розробки психологічного тесту У розробці нового інструмента факторний аналіз входить у довший цикл. Спочатку визначають конструкт і його змістову область, створюють та рецензують пункти, проводять пілотування, аналізують відповіді, а потім досліджують латентну структуру. Якщо структура ще не встановлена, EFA може допомогти сформувати емпірично правдоподібну модель. Наступний етап — перевірити її CFA на незалежних даних і далі накопичувати інші види валідизаційних доказів. Цей цикл не означає, що кожен тест мусить пройти один і той самий ритуал. Дизайн залежить від intended use, популяції, формату індикаторів, наявної теорії та наслідків рішень. Методологічна якість виникає з узгодженості між питанням, моделлю, даними та інтерпретацією. У клінічних і прикладних контекстах факторна структура допомагає зрозуміти, які бали інструмента можна інтерпретувати, але сама не визначає діагноз, лікування або індивідуальну норму. Для таких рішень потрібні відповідні норми, надійність, похибка вимірювання, валідність для цільової популяції та чітке intended use. Вимірювальна модель задає форму балів; клінічне значення балів потребує окремого обґрунтування. Науковий статус факторного аналізу Факторний аналіз є усталеним класом статистичних методів із понад столітньою історією та великим методологічним корпусом. Його застосування в психометрії добре обґрунтоване, коли дослідницьке питання справді стосується латентної структури або внутрішньої будови вимірювання. Основні принципи — відмінність EFA і CFA, залежність рішення від моделі та даних, важливість обґрунтованого вибору кількості факторів, а також включення внутрішньої структури у ширший валідизаційний аргумент — належать до established evidence. Водночас окремі практичні пороги та алгоритмічні правила залежать від умов і продовжують розвиватися. Розмір вибірки, вибір оцінювача для категоріальних даних, критерії retention та поведінка fit-індексів не зводяться до однієї універсальної таблиці. Тут доречні модельно й контекстно специфічні рішення, а рекомендації слід читати в межах умов, у яких вони були отримані. Goretzko, Pham & Bühner, 2021; Schmitt, 2011. FAQ Чим факторний аналіз відрізняється від кореляційного аналізу? Кореляція описує зв’язок між двома змінними. Факторний аналіз використовує цілу матрицю зв’язків між багатьма індикаторами й намагається пояснити їхню спільну структуру меншою кількістю латентних факторів. Кореляції є вхідною інформацією; факторна модель є структурним поясненням патерну коваріації. Що краще — EFA чи CFA? Вони відповідають на різні питання. EFA доречний, коли структуру досліджують і не хочуть наперед жорстко фіксувати всі навантаження. CFA потрібен, коли є конкретна теоретична модель, яку перевіряють. У розробці шкали ці методи часто виконують послідовні, а не взаємозамінні ролі. Чи можна факторним аналізом довести, що тест валідний? Ні. Факторний аналіз дає докази щодо внутрішньої структури та може підтримувати structural validity, але валідність інтерпретації балів потребує ширшого корпусу доказів: змісту, процесів відповіді, зв’язків з іншими змінними, наслідків використання та відповідності конкретній популяції й меті. Standards. Чи є навантаження 0,40 універсальною межею? Ні. Пороги на кшталт 0,30, 0,40 або 0,50 можуть бути робочими орієнтирами в окремих контекстах, але їх не можна перетворювати на універсальний закон. Важливі точність оцінки, кількість індикаторів, величина перехресних навантажень, мета тесту та зміст пункту. Скільки факторів треба залишити? Кількість факторів визначають за сукупністю доказів. Паралельний аналіз є сильним сучасним інструментом, scree plot дає візуальний сигнал, а теорія та інтерпретованість допомагають оцінити зміст рішення. Одного автоматичного правила достатньо рідко. Hayton, Allen & Scarpello, 2004. Чи можна застосовувати факторний аналіз до пунктів Лайкерта? Так, але потрібно враховувати, що такі відповіді є порядковими. За певних умов їх наближено аналізують як безперервні; в інших умовах краще використовувати поліхоричні кореляції та категоріальні методи оцінювання. Вибір має відповідати числу категорій, розподілам, вибірці та моделі. Чи PCA є факторним аналізом? У прикладній практиці PCA часто стоїть поруч із факторним аналізом, але математична мета інша. PCA стискає загальну варіацію у компоненти, тоді як common factor analysis моделює спільну варіацію через латентні фактори. Для задачі вимірювання психологічного конструкта цю різницю потрібно враховувати. Чи висока α Кронбаха означає один фактор? Ні. Внутрішня узгодженість і факторна структура — різні властивості. Кілька корельованих факторів можуть давати високу α. Одновимірність треба оцінювати через відповідну структурну модель, а не виводити з одного коефіцієнта. Чи може факторний аналіз поставити діагноз? Ні. Факторний аналіз — метод дослідження структури даних і вимірювальних моделей. Він не є клінічним діагностичним інструментом і не визначає наявність або відсутність розладу в окремої людини. Пов’язані статті Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів Психологічний конструкт: що це і як невидимі властивості перетворюють на вимірювані показники Латентні й спостережувані змінні: чим відрізняється психологічний конструкт від його показників Експлораторний факторний аналіз (EFA): як досліджують приховану структуру психологічної шкали Конфірматорний факторний аналіз (CFA): як перевіряють теоретичну структуру психологічного тесту Структурна валідність: чи відповідає факторна структура тесту теоретичній будові конструкта Адаптація і переклад психологічних тестів: чому перекладу недостатньо для валідної української версії Чарльз Спірмен: g-фактор, факторний аналіз, кореляція і внесок у психологію Луїс Терстоун: факторний аналіз, первинні розумові здібності та психометрія Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. Borsboom, D., Mellenbergh, G. J., & van Heerden, J. (2003). The theoretical status of latent variables. Psychological Review, 110(2), 203–219. https://doi.org/10.1037/0033-295X.110.2.203 Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272–299. https://doi.org/10.1037/1082-989X.4.3.272 Goretzko, D., Pham, T. T. H., & Bühner, M. (2021). Exploratory factor analysis: Current use, methodological developments and recommendations for good practice. Current Psychology, 40, 3510–3521. https://doi.org/10.1007/s12144-019-00300-2 Hayton, J. C., Allen, D. G., & Scarpello, V. (2004). Factor retention decisions in exploratory factor analysis: A tutorial on parallel analysis. Organizational Research Methods, 7(2), 191–205. https://doi.org/10.1177/1094428104263675 International Test Commission. (2017). The ITC Guidelines for Translating and Adapting Tests (Second Edition). MacCallum, R. C., Widaman, K. F., Zhang, S., & Hong, S. (1999). Sample size in factor analysis. Psychological Methods, 4(1), 84–99. https://doi.org/10.1037/1082-989X.4.1.84 Mokkink, L. B., Elsman, E. B. M., & Terwee, C. B. (2024). COSMIN guideline for systematic reviews of patient-reported outcome measures version 2.0. Quality of Life Research, 33, 2929–2939. https://doi.org/10.1007/s11136-024-03761-6 Rios, J., & Wells, C. (2014). Validity evidence based on internal structure. Psicothema, 26(1), 108–116. https://doi.org/10.7334/psicothema2013.260 Schmitt, T. A. (2011). Current methodological considerations in exploratory and confirmatory factor analysis. Journal of Psychoeducational Assessment, 29(4), 304–321. https://doi.org/10.1177/0734282911406653 Spearman, C. (1904). “General Intelligence,” objectively determined and measured. The American Journal of Psychology, 15(2), 201–292. https://doi.org/10.2307/1412107 Thurstone, L. L. (1931). Multiple factor analysis. Psychological Review, 38(5), 406–427. https://doi.org/10.1037/h0069792 Timmerman, M. E., & Lorenzo-Seva, U. (2011). Dimensionality assessment of ordered polytomous items with parallel analysis. Psychological Methods, 16(2), 209–220. https://doi.org/10.1037/a0023353 Watkins, M. W. (2018). Exploratory Factor Analysis: A Guide to Best Practice. Journal of Black Psychology, 44(3), 219–246. https://doi.org/10.1177/0095798418771807

Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Аналіз завдань тесту — це перевірка того, як кожне окреме завдання або пункт працює у реальних даних: наскільки часто люди дають певну відповідь, чи розрізняє завдання респондентів із різним рівнем вимірюваної ознаки, як воно пов’язане з рештою шкали, чи не створюють проблеми ключ, кодування, дистрактори або категорії відповіді. У сучасній психометрії це не механічний відбір за одним коефіцієнтом. Мета — зрозуміти поведінку завдання у межах конкретного конструкта, вибірки й призначення тесту та прийняти обґрунтоване рішення: залишити, переписати, перекодувати, перенести до іншої субшкали, додатково дослідити або вилучити. Міжнародна тестова комісія прямо відносить аналіз завдань (item analysis) до контролю якості тестування і рекомендує переглядати його результати до висновків про учасників тесту; ITC Guidelines on Quality Control також нагадують, що аналіз може виявити помилковий ключ, неправильно оброблене реверсивне завдання та інші технічні проблеми. NCME розглядає операційний аналіз завдань (operational item analysis) як невід’ємну частину розроблення тесту в рамках класичної теорії тестів і теорії відповіді на завдання. Коротко: які питання має закрити аналіз завдань Якісний аналіз починається не з питання «чи перевищує коефіцієнт 0,30?», а з послідовності питань. Чи правильно закодовано відповіді? Чи має завдання достатню варіативність у потрібній популяції? Чи його відповідь узгоджується з балом тієї шкали, до якої воно належить? Чи не є зв’язок штучно завищеним через включення самого завдання до сумарного бала? Чи не ховається за середнім показником проблема в окремій групі? Чи зберігається зміст конструкта, якщо пункт вилучити? Ця логіка відповідає сучасному підходу до тестування, за яким якість не зводиться до одного числа. Standards for Educational and Psychological Testing розглядають інтерпретацію тестових балів через сукупність доказів щодо валідності, надійності, справедливості й наслідків використання. Показники завдань є одним шаром цієї аргументації, а не сертифікатом «хорошого тесту». Де аналіз завдань стоїть у розробці психологічного тесту У типовому циклі спочатку визначають психологічний конструкт, виконують його операціоналізацію, створюють ширший початковий банк завдань, проводять когнітивну й експертну перевірку, пілотують матеріал і лише після цього аналізують дані на рівні окремих завдань. Аналіз завдань допомагає перейти від сирого набору формулювань до робочої шкали, але після редагування цикл потрібно повторити на нових даних. У цьому сенсі аналіз завдань є частиною розроблення та контролю вимірювання, а не окремою процедурою «валідації». Clark і Watson (2019) підкреслюють, що розроблення шкали має починатися з чіткого визначення конструкта й достатньо широкого пулу пунктів, а статистичне скорочення не повинно руйнувати змістове охоплення. Stefana та співавт. (2025) так само радять поєднувати difficulty, discrimination, inter-item та item-total показники з факторною структурою й теоретичною відповідністю. Спочатку визначте, який тип завдання ви аналізуєте Одна й та сама назва показника може означати різні речі для тесту здібностей, клінічної шкали самозвіту та рейтингової шкали. У завданні з правильною відповіддю можна безпосередньо обчислити частку правильних відповідей. У пункті особистісного опитувальника немає «правильної» відповіді, тому коректніше говорити про частоту схвалення, розподіл відповідей, середній рівень або параметр розташування item у відповідній моделі. Для шкал із кількома категоріями відповіді важливі не лише середнє й item-total кореляція, а й те, як люди використовують самі категорії. Якщо майже всі обирають одну відповідь, завдання може мати слабку інформаційну цінність у цій вибірці. Докладніше про сам формат відповіді див. у матеріалі про рейтингові шкали. Перед статистикою перевірте ключ, кодування і дані Негативна дискримінативність або дивна item-total кореляція інколи виникає не через психологічну природу завдання, а через технічну помилку. ITC окремо звертає увагу на проблеми ключа та реверсивного кодування. Тому перед інтерпретацією коефіцієнтів потрібно перевірити, чи правильний ключ, чи всі реверсивні пункти перекодовані, чи однаково позначені пропущені відповіді, чи не змінився формат шкали між хвилями збору даних і чи немає помилкового об’єднання різних версій тесту. Для багатошкального опитувальника потрібно також правильно визначити референтний score. Пункт тривожності слід насамперед співвідносити з балом відповідної субшкали, а не з механічною сумою всього опитувальника, якщо загальний бал змішує кілька різних конструктів. Низька кореляція з неправильним total score не є доказом поганого item. Складність завдання: що насправді означає item difficulty Дихотомічні завдання з правильною відповіддю У класичній теорії тестів для дихотомічного завдання найпростіший індекс — p, частка респондентів, які відповіли правильно: p = кількість правильних відповідей / кількість валідних відповідей. Попри назву «складність», високий p означає легше завдання, а низький p — складніше. Тому p = 0,90 описує завдання, яке правильно виконали 90% учасників конкретної вибірки, а не «складність 90%». Цей показник належить до логіки класичної теорії тестів і залежить від вибірки. Те саме завдання може мати іншу частку правильних відповідей у вибірці школярів, студентів профільної програми або фахівців. Отже, p не є незмінною властивістю формулювання. Немає універсально «ідеальної» складності Завдання біля середини шкали часто дають більше варіативності, але правило «усі хороші items мають бути середньої складності» занадто грубе. Тест на широкий діапазон здібностей потребує завдань різної складності. Критеріально-орієнтований тест може навмисно містити багато відносно легких базових завдань. Завдання біля важливого порога рішення можуть мати особливу цінність навіть тоді, коли їхня загальна частка правильних відповідей не «ідеальна» для максимального розкиду балів. Емпіричний зв’язок між difficulty та discrimination залежить від моделі й даних. Sweeney та співавт. (2022) показали, що характер цього зв’язку відрізняється між класичною теорією тестів, 2PL- і 3PL-моделями IRT. Це ще одна причина не перетворювати середню складність на універсальне правило якості. Пункти самозвіту та особистісні шкали У пунктах без правильної відповіді буквальний термін «складність» може вводити в оману. ITC Guidelines on Quality Control згадують для особистісних пунктів показник схильності до згоди (acquiescence) поряд зі складністю та дискримінативністю. На практиці аналізують частоти категорій, середній рівень відповіді, дисперсію, асиметрію, ефекти підлоги й стелі, а в IRT — параметри розташування або пороги категорій. Дискримінативність: чи розрізняє завдання респондентів Дискримінативність описує, наскільки відповідь на item пов’язана з рівнем тієї ознаки або результату, який тест має відображати. У простому тесті здібностей хороше дискримінативне завдання частіше виконують респонденти з вищим рівнем цільової здібності, ніж респонденти з нижчим. У шкалі самозвіту логіка подібна, але «вища відповідь» має зміст лише після правильного напрямку кодування. У класичному аналізі завдань дискримінативність можна описувати різними статистиками. D-index порівнює частку правильних відповідей у групі з високими загальними балами з часткою у групі з низькими балами. Точково-бісеріальна кореляція пов’язує дихотомічний item із кількісним критерієм. Item-rest кореляція співвідносить item із сумою решти релевантних завдань. У IRT дискримінативність може бути параметром нахилу крива характеристик завдання (item characteristic curve). Ці числа пов’язані, але не взаємозамінні. Що означає негативна дискримінативність Стійко негативний зв’язок — сильний сигнал для перевірки, бо він означає, що люди з вищим релевантним загальним балом частіше дають відповідь у напрямку нижчого item score. Спочатку перевіряють ключ і реверсивне кодування. Далі — двозначність формулювання, кілька можливих правильних відповідей, невідповідність змісту шкалі, неправильну субшкалу, особливості вибірки, дуже малу варіативність або групову неоднорідність. Негативний коефіцієнт не дає автоматичного діагнозу пункту. У багатовимірному тесті item може законно вимірювати інший компонент, а в малій вибірці коефіцієнт може бути нестабільним. Рішення приймають після технічної, змістової та структурної перевірки. Item-total і item-rest: головне технічне розрізнення Термін item-total correlation часто використовують для кореляції бала окремого пункту із сумарним балом шкали. Але є принципова деталь: чи входить сам пункт у цей сумарний бал. Якщо входить, виникає перекриття частини й цілого (part-whole overlap) — item корелює із сумою, частиною якої він сам є. Це механічно підвищує коефіцієнт. Ця проблема відома давно. Henrysson (1963) показав, що item-total correlation, коли item включено до total, може бути оманливо завищеною саме через перекриття. Тому для відбору завдань зазвичай змістовніше використовувати corrected item-total correlation, тобто item-rest correlation: кореляцію Xᵢ з T − Xᵢ. У скороченій формі: звичайний item-total відповідає на питання «як item пов’язаний із балом, до якого сам входить?», а item-rest — «як item пов’язаний із результатом за рештою завдань?». Саме друге питання краще відокремлює внесок пункту від математичного самоперекриття. Який коефіцієнт кореляції використовувати Для дихотомічного item і приблизно кількісного rest score часто використовують точково-бісеріальну кореляцію, яка є окремим випадком Pearson r. Для порядкових категорій можуть бути доречні кореляції, моделі або матриці, що враховують категоріальну природу даних; у факторному аналізі часто застосовують поліхоричні кореляції. Вибір коефіцієнта залежить від шкали вимірювання, розподілу, моделі й питання дослідження, а не від звички програмного пакета. Кореляція Спірмена може бути корисною для певних порядкових або монотонних зв’язків, але вона не є універсальною заміною item-rest аналізу. Окремо про її припущення й інтерпретацію див. матеріал «Коефіцієнт кореляції Спірмена». Чому поріг 0,30 не є магічною межею У прикладній літературі часто зустрічається правило, за яким corrected item-total або item-rest correlation нижче приблизно 0,30 вважають приводом для перевірки. Stefana та співавт. подають дуже низьку скориговану item-total кореляцію нижче 0,30 як можливу підставу розглянути вилучення, а не як автоматичний наказ. Огляд емпіричних item indices у Zijlmans та співавт. (2018) показує, що в літературі використовували різні орієнтири — 0,20, 0,30 або 0,40 — і немає одного універсального числового правила для всіх типів тестів. Порогове мислення тут небезпечне. Значення залежить від широти конструкта, довжини шкали, формату item, гетерогенності вибірки, етапу розроблення й того, чи обчислено кореляцію з правильною субшкалою. Пункт із r = 0,29 не стає «поганим» через одну соту, так само як r = 0,31 не робить його автоматично якісним. Коли низька item-rest кореляція справді насторожує Підозра сильніша, якщо низький зв’язок відтворюється в достатній вибірці, пункт має нормальну варіативність, правильно закодований, належить до одновимірної субшкали за теорією і водночас має слабке факторне навантаження, проблемний зміст або дивну поведінку категорій. Кілька незалежних сигналів створюють значно сильнішу підставу для редагування, ніж один cutoff. Коли низька item-rest кореляція може мати змістовне пояснення Пункт може вимірювати важливу рідкісну ознаку, охоплювати унікальну частину конструкта, бути навмисно дуже легким або дуже складним, працювати біля клінічно важливої межі або належати до іншої субшкали. Тоді його видалення може підвищити внутрішню однорідність і водночас звузити змістове охоплення. Саме тому статистичне «очищення» шкали має підпорядковуватися теорії вимірювання. Міжпунктові кореляції (inter-item correlations): корисний сигнал, але не доказ одновимірності Матриця міжпунктових кореляцій показує, які items рухаються разом. Дуже слабкі зв’язки можуть вказувати на іншу ознаку, шум або проблемний пункт. Дуже високі кореляції можуть означати змістову надлишковість: два формулювання майже дублюють одне одного й додають довжину без пропорційного приросту інформації. Водночас висока внутрішня узгодженість не доводить, що шкала одновимірна. Clark і Watson радять не максимізувати внутрішню узгодженість ціною змістової вузькості. COSMIN також розрізняє structural validity та internal consistency як окремі психометричні властивості, для яких потрібні різні дизайни й статистичні аналізи. «Альфа Кронбаха після вилучення завдання» (alpha if item deleted): чому це не алгоритм редагування Стовпчик «альфа Кронбаха після вилучення завдання» (Cronbach’s alpha if item deleted) зручний як діагностичний сигнал: він показує, як зміниться alpha, якщо прибрати конкретний item у цій вибірці. Але видаляти пункт лише тому, що альфа Кронбаха трохи зростає, — слабка стратегія. Альфа Кронбаха залежить від кількості item і середньої кореляції між ними; скорочення або додавання пунктів змінює його математично, а високе значення може співіснувати з дублюванням змісту й багатовимірністю. Тому «альфа Кронбаха зростає після вилучення» означає лише «цей item слабше вписується в поточний патерн коваріацій». Далі потрібно з’ясувати чому. Окремо про надійність психологічного тесту та про зв’язок довжини тесту з надійністю див. також формулу Спірмена—Брауна. Дистракторний аналіз у завданнях з вибором відповіді Для завдання з вибором відповіді недостатньо знати, скільки людей вибрали правильний варіант. Треба подивитися, хто і як вибирає кожен дистрактор. Корисний дистрактор має бути правдоподібним для частини респондентів, які ще не опанували потрібну ознаку або знання, але не повинен систематично приваблювати найсильніших учасників через двозначність чи помилковий ключ. ITC наводить практично важливий приклад: дуже популярний дистрактор інколи виявляється фактично правильною відповіддю, тобто проблема лежить у ключі, а не в учасниках. NCME операційний аналіз завдань (operational item analysis) рекомендує розглядати не лише класичні статистики, а й графіки вибору дистракторів та крива характеристик завдання (item characteristic curve)s. Дистрактор, який майже ніхто не обирає, може бути нефункціональним, але його не слід автоматично замінювати лише для досягнення певного відсотка вибору. Потрібно перевірити зміст, цільову складність, формулювання stem, правдоподібність альтернатив і те, чи відповідає завдання цільовий конструкт. Категорії відповіді у шкалах Лайкерта й інших рейтингових форматах Для політимічного item важливо перевірити частоти кожної категорії, пропуски, розподіл, середнє та дисперсію, а за відповідної моделі — порядок порогів. Якщо категорію майже не використовують, це може означати, що вона погано відрізняється від сусідньої, нечітко описана або просто рідко відповідає реальному рівню ознаки у цій вибірці. Реверсивні формулювання потребують окремої уваги. Вони можуть зменшувати автоматичну згоду, але водночас створювати мовні труднощі та методні ефекти. Якщо після правильного перекодування реверсивний пункт і далі має негативні або аномально слабкі зв’язки, його слід перевірити змістово й структурно, а не «виправляти» ще одним механічним перетворенням. Факторні докази: показники завдань не замінюють аналіз внутрішньої структури Висока item-rest кореляція показує, що пункт рухається разом із рештою шкали, але не доводить, що всі items вимірюють один латентний конструкт. Дві сильно корельовані підшкали можуть створити високі item-total зв’язки навіть у багатовимірній структурі. Тому після первинного item analysis зазвичай перевіряють факторні навантаження, перехресні факторні навантаження (cross-loadings), локальну залежність і модель внутрішньої структури. Це важливо для доказів валідності: item-level статистики допомагають оцінити функціонування пунктів, а докази внутрішньої структури відповідає на інше питання — чи узгоджується спосіб об’єднання item у score з передбачуваною структурою конструкта. Класична теорія тестів та IRT: два рівні item analysis У класичній теорії тестів difficulty, discrimination та item-rest correlation описують поведінку завдання відносно конкретної вибірки й конкретного total score. NCME підкреслює, що операційний аналіз завдань (operational item analysis) може виконуватися як у CTT, так і в IRT, але ці підходи відповідають на питання різними моделями. У В IRT завдання описують через параметри та функції від латентної ознаки: розташування/складність, дискримінативність, іноді нижню асимптоту, інформаційну функцію завдання та fit. У моделі Раша дискримінативність зазвичай фіксується спільною для item, тоді як у 2PL вона оцінюється окремо. Такі параметри не можна механічно ототожнювати з p-value або corrected item-total correlation з CTT. IRT не «скасовує» класичний аналіз. Навіть у сучасному калібруванні прості розподіли, пропуски, ключ, дистрактори й базові кореляції часто першими виявляють очевидні проблеми. Далі модельний аналіз уточнює, де на латентній шкалі item працює, скільки інформації дає і чи відповідає припущенням моделі. Справедливість і DIF: хороший середній показник може приховувати групову проблему Item може мати нормальну складність і високу дискримінативність у загальній вибірці та водночас поводитися по-різному в підгрупах. Саме для цього застосовують аналіз differential item functioning: порівнюють імовірність або патерн відповіді між групами за однакового рівня вимірюваної ознаки. DIF є сигналом для подальшого аналізу, а не автоматичним доказом несправедливості. Потрібно перевірити зміст, мовні й культурні фактори, релевантність групового розрізнення та модель. Докладніше — у статті «Диференційне функціонування завдань (DIF)». Standards розглядають fairness як наскрізну вимогу до тестування, а ITC Guidelines for Translating and Adapting Tests вимагають доказів еквівалентності та придатності адаптованих версій. Український переклад не дорівнює валідованій українській адаптації Для української версії тесту item analysis має проводитися на релевантних українськомовних даних. Сам факт перекладу не переносить автоматично difficulty, discrimination, факторну структуру або норми з іншої мови. Всеукраїнська психодіагностична асоціація публікує українські переклади керівництв ITC з використання, аналізу, перекладу й адаптації тестів; ці стандарти підтримують вимогу перевіряти психометричні властивості в цільовій популяції. IP/licensing і psychometric quality — окремі питання. Методика може бути легально ліцензована й водночас потребувати нових доказів для конкретного використання; навпаки, висока психометрична якість не дає права публікувати захищені items, ключі або secure scoring materials. Для енциклопедичного аналізу достатньо описувати принципи без відтворення захищених стимулів. Вибірка: показники завдань завжди мають контекст Показники завдання є оцінками, а не безпомилковими константами. У невеликій або вузькій вибірці difficulty, discrimination та correlations можуть бути нестабільними; звуження діапазону може штучно знижувати зв’язки. Якщо всі учасники мають дуже високий рівень ознаки, навіть хороший item може показати слабку дискримінативність просто через відсутність варіації. ITC формулює це практично: item analysis доцільно виконувати, коли кількість учасників перевищує мінімум, який залежить від застосованої моделі, і повторювати після змін ключа або вилучення item. Універсального «N = ... достатньо для будь-якого item analysis» немає. Для високих ставок рішення особливо важливо перевіряти на незалежній або наступній вибірці. Рішення про редагування: не одне порогове значення, а три рівні доказів Практичне рішення найкраще будувати на трьох рівнях. Статистичний рівень показує, як item поводиться у даних. Змістовий рівень перевіряє, що саме він запитує і чи потрібен для охоплення конструкта. Модельний рівень оцінює, чи узгоджується пункт із факторною або IRT-структурою та чи однаково працює в релевантних групах. Сильне рішення виникає, коли ці рівні сходяться. Сценарій 1: завдання дуже легке або дуже складне, але добре дискримінує Таке завдання не слід автоматично вилучати. Воно може бути корисним на краю діапазону ознаки, підтримувати змістове покриття або бути важливим для конкретного рішення. Перевірте, чи його складність відповідає цільовій популяції й призначенню тесту. Сценарій 2: середня складність, але слабка дискримінативність Це привід перевірити формулювання, ключ, відповідність конструкту, можливі кілька правильних інтерпретацій, дистрактори, реверсивне кодування та належність до субшкали. Середня difficulty не компенсує відсутність змістовного зв’язку з вимірюваною ознакою. Сценарій 3: негативна item-rest кореляція Спочатку зупиніть автоматичне скоринг-рішення й перевірте техніку: ключ, напрямок балів, missing codes, версію тесту. Якщо все правильно, переходьте до змістового й структурного аналізу. Саме такий пункт може виявити неочевидну помилку раніше, ніж вона потрапить у висновки про людей. Сценарій 4: вилучення завдання підвищує альфа Кронбаха Перевірте, чи item справді суперечить шкалі, чи просто додає унікальний зміст. Якщо він важливий для змістове охоплення конструкта, невеликий приріст alpha не є достатньою підставою для вилучення. Після будь-якого скорочення перегляньте валідність змісту, а не лише новий коефіцієнт. Сценарій 5: загальні показники добрі, але є DIF Не маскуйте групову проблему середнім коефіцієнтом. Проведіть змістовий перегляд: чи групова різниця є релевантна конструкту, чи виникає через мову, культурний контекст, формат або іншу сторонню вимогу. DIF сам по собі ще не визначає bias, але ігнорувати його теж не можна. Мінімальний робочий алгоритм аналізу завдань Перший крок — зафіксувати цільовий конструкт, цільову популяцію, правило підрахунку балів і призначення score. Другий — перевірити дані, ключ, пропуски й реверсивне кодування. Третій — описати розподіл кожного item: частоти, середнє, дисперсію, ефекти підлоги й стелі або p для правильних відповідей. Четвертий — оцінити discrimination та corrected item-total/item-rest. П’ятий — розглянути inter-item зв’язки, дистрактори або категорії відповіді. Шостий крок — зіставити показники завдань із доказами внутрішньої структури: factor loadings, перехресні факторні навантаження (cross-loadings), локальну залежність або відповідність IRT-моделі, якщо це передбачено моделлю. Сьомий — перевірити релевантні групи й fairness/DIF. Восьмий — провести змістову експертизу item, особливо якщо статистика сигналізує проблему. Дев’ятий — задокументувати рішення та його причину. Десятий — після редагування, зміни ключа або вилучення завдань повторити аналіз на новій або оновленій вибірці. Умовний приклад: як читати кілька показників разом Уявімо п’ять дихотомічних завдань у пілотному тесті здібності. Завдання A має p = 0,85 і item-rest r = 0,42: воно легке для цієї вибірки, але добре узгоджується з рештою шкали. Завдання B має p = 0,52 і r = 0,48: типово сильний центральний item. Завдання C має p = 0,38 і r = −0,12: це пріоритет для перевірки ключа, кодування і змісту. Завдання D має p = 0,51 і r = 0,14: середня складність не рятує слабку дискримінацію. Завдання E має p = 0,96 і r = 0,18: воно може бути занадто легким для цієї вибірки, але його доцільність залежить від функції в тесті. Цей приклад навмисно не містить універсальних рішень «видалити/залишити» за цифрою. Для C, D і E потрібні різні запитання. C може бути технічно помилковим. D — концептуально чужим або двозначним. E — корисним базовим завданням, якщо тест має підтверджувати мінімальний рівень знань. Саме така диференціація і є сенсом аналізу завдань. Що аналіз завдань не може довести Висока discrimination не доводить валідність конструкта. Висока item-rest correlation не доводить одновимірність. Відсутність DIF у перевірених групах не доводить абсолютну fairness. Хороша difficulty не доводить клінічну корисність. Підвищення alpha після редагування не доводить, що тест став кращим. І жодна item statistic сама по собі не перетворює скринінговий бал на діагноз. Для психологічного оцінювання score має сенс лише в межах intended use, популяції, норм, похибки вимірювання та доказів валідності. У клінічному контексті окремий item, сумарний бал або cutoff не встановлює діагноз без належної професійної оцінки. Типові помилки інтерпретації Найпоширеніша помилка — оптимізувати шкалу під максимальну внутрішню узгодженість. Друга — використовувати uncorrected item-total і не помічати part-whole inflation. Третя — називати p = 0,80 «складністю 80%» без пояснення, що це 80% правильних відповідей і фактично легкий item. Четверта — переносити один cutoff на всі типи тестів. П’ята — видаляти нестандартний пункт до змістового аналізу. Ще одна помилка — робити відбір завдань на тій самій вибірці й трактувати отримані показники як остаточні. Редагування на основі випадкових особливостей конкретних даних може створити переадаптацію до конкретної вибірки (overfitting). Для відповідальних рішень потрібні повторна перевірка, нові дані або принаймні ясне розмежування exploratory та confirmatory етапів. Що документувати в технічному звіті Технічний звіт має дозволяти відтворити логіку рішення. Варто описати вибірку та intended population, версію тесту, правила кодування, правила роботи з пропущеними даними, розподіли відповідей на завдання, difficulty або endorsement, показники дискримінативності, спосіб обчислення corrected item-total/item-rest, дистракторний або аналіз категорій відповіді, структурні моделі, DIF/fairness перевірки, усі зміни item і повторний аналіз після змін. Принцип тут простий: читач має бачити не лише фінальний список пунктів, а й підстави, через які вони залишилися. Саме така прозорість відповідає логіці AERA/APA/NCME Standards та професійних рекомендацій ITC. FAQ Яке значення складності завдання є хорошим? Універсального значення немає. Для дихотомічного item p показує частку правильних відповідей у конкретній вибірці. Потрібний діапазон залежить від мети тесту, цільової популяції, діапазону здібності й того, де тест має бути найбільш інформативним. Чи треба видаляти item, якщо corrected item-total нижче 0,30? Ні. Значення близько 0,30 часто використовують як евристичний сигнал, але воно не є універсальним нормативом. Перевірте зміст, конструктивну роль, варіативність, вибірку, факторну структуру й інші item statistics. Чим item-total відрізняється від item-rest? У звичайному item-total item може входити до total score, тому кореляція частково завищується через самоперекриття. Item-rest, або corrected item-total, виключає аналізований item із сумарного бала й краще показує його зв’язок із рештою шкали. Чому item може мати негативну дискримінативність? Типові причини — неправильний ключ, неперекодований реверсивний пункт, двозначність, кілька правдоподібних правильних відповідей, невідповідність субшкалі, дуже мала або специфічна вибірка, multidimensionality або групова неоднорідність. Потрібна перевірка причини, а не автоматичне видалення. Чи можна оцінити якість item лише за Cronbach’s alpha? Ні. Alpha є показником внутрішньої узгодженості total score за певних умов, а не універсальною оцінкою якості кожного пункту. Він не замінює аналіз difficulty, discrimination, item-rest, factor structure, validity evidence та fairness. Скільки учасників потрібно для item analysis? Одного універсального мінімуму немає. Потреба залежить від моделі, типу item, кількості параметрів, розподілу відповідей і мети рішення. Для складніших IRT- або DIF-моделей зазвичай потрібні суттєво більші й репрезентативніші вибірки, ніж для первинного описового пілоту. Чи є аналіз завдань доказом валідності тесту? Він є частиною доказової картини, але не замінює змістову валідність, аналіз внутрішньої структури, зв’язки з іншими змінними, процес відповіді та оцінку наслідків використання. Валідність стосується обґрунтованості інтерпретації й використання score, а не одного коефіцієнта item. Пов’язані статті Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів Класична теорія тестів: істинний бал, похибка вимірювання і надійність Внутрішня узгодженість шкали: що вона показує і чому не доводить одновимірність Диференційне функціонування завдань (DIF): коли однаковий рівень конструкта дає різну ймовірність відповіді в різних групах Змістова валідність: чи охоплюють завдання тесту той конструкт, який потрібно виміряти Докази валідності: зміст, внутрішня структура, зв’язки з іншими змінними та процес відповіді Рейтингова шкала: що це, як працює та чим відрізняється від ранжування Психологічний конструкт: що це і як невидимі властивості перетворюють на вимірювані показники Складність завдання в психометрії: що означає item difficulty у тестах здібностей і досягнень — окрема сторінка про P-value у CTT, параметр b у Rasch/IRT, залежність від вибірки та типові помилки інтерпретації. Розробка психологічного тесту: від визначення конструкта до валідності, норм і фінальної інтерпретації Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. Clark, L. A., & Watson, D. (2019). Constructing validity: New developments in creating objective measuring instruments. Psychological Assessment, 31(12), 1412–1427. COSMIN. Conducting a study on measurement properties. Henrysson, S. (1963). Correction of Item-Total Correlations in Item Analysis. Psychometrika, 28(2), 211–218. International Test Commission. (2012). ITC Guidelines on Quality Control in Scoring, Test Analysis, and Reporting of Test Scores. International Test Commission. (2017). The ITC Guidelines for Translating and Adapting Tests (Second Edition). National Council on Measurement in Education. Module 8: Foundations of Operational Item Analysis. Stefana, A., Damiani, S., Granziol, U., Provenzani, U., Solmi, M., & Youngstrom, E. A. (2025). Psychological, psychiatric, and behavioral sciences measurement scales: best practice guidelines for their development and validation. Frontiers in Psychology, 15, 1494261. Sweeney, S. M., Sinharay, S., Johnson, M. S., & Steinhauer, E. W. (2022). An Investigation of the Nature and Consequence of the Relationship between IRT Difficulty and Discrimination. Educational Measurement: Issues and Practice, 41(4), 50–67. Всеукраїнська психодіагностична асоціація. Єдині психодіагностичні стандарти. Zijlmans, E. A. O., Tijmstra, J., van der Ark, L. A., & Sijtsma, K. (2018). Item-Score Reliability in Empirical-Data Sets and Its Relationship With Other Item Indices. Educational and Psychological Measurement, 78(6), 998–1020.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Внутрішня узгодженість показує, наскільки пункти шкали або підшкали пов’язані між собою в конкретній вибірці та за конкретного способу підрахунку балів. Вона є важливою частиною психометричної оцінки, але сама по собі не доводить, що всі пункти вимірюють один латентний конструкт, що шкала валідна, що результат стабільний у часі або що тест придатний для діагностичних рішень. Високий коефіцієнт внутрішньої узгодженості — це один фрагмент доказів про якість вимірювання, а не універсальний сертифікат якості тесту. Найважливіше розрізнення цієї теми формулюється просто: внутрішня узгодженість не дорівнює одновимірності. У COSMIN Reporting Guideline 2.0 внутрішню узгодженість визначають як ступінь взаємопов’язаності пунктів, а одновимірність — як властивість набору пунктів вимірювати один конструкт. Для осмисленого тлумачення коефіцієнтів внутрішньої узгодженості одновимірність шкали або підшкали має бути обґрунтована окремо — наприклад, факторним аналізом або моделями IRT/Rasch. Що таке внутрішня узгодженість Уявімо шкалу з десяти тверджень, створених для вимірювання одного психологічного конструкта. Якщо люди, які дають вищі відповіді на одні релевантні пункти, у середньому також дають вищі відповіді на інші, між пунктами виникає систематична коваріація. Коефіцієнти внутрішньої узгодженості узагальнюють частину цієї спільної варіативності й допомагають оцінити, наскільки осмислено об’єднувати пункти у сумарний або середній бал. Це визначення прив’язане до конкретного балу. Якщо опитувальник має три підшкали, внутрішню узгодженість потрібно оцінювати для тих балів, які реально інтерпретують: окремо для кожної одновимірної підшкали, а для загального бала — лише тоді, коли його структурне обґрунтування дозволяє трактувати такий бал як психометрично осмислений. Один великий коефіцієнт, обчислений для всіх пунктів багатовимірного опитувальника, може приховувати структуру замість того, щоб її підтверджувати. Внутрішня узгодженість також не є незмінною «властивістю тесту», яка одного разу встановлюється назавжди. Коефіцієнт залежить від складу пунктів, способу їх кодування, варіативності відповідей у вибірці, моделі вимірювання, статистичного оцінювача та контексту застосування. Тому значення, отримане в одній популяції, не можна механічно переносити на іншу мову, іншу вікову групу, клінічну вибірку або інший формат адміністрування. Внутрішня узгодженість, надійність і валідність: три різні питання Сучасні стандарти тестування розглядають надійність і валідність як різні, взаємопов’язані компоненти обґрунтування використання результатів. Standards for Educational and Psychological Testing наголошують, що якість тесту оцінюють відносно запропонованих інтерпретацій і способів використання балів. Надійні результати потрібні для валідних висновків, але високої надійності недостатньо, щоб довести валідність. Внутрішня узгодженість відповідає на питання про взаємопов’язаність пунктів одного композитного бала. Тест-ретестова надійність відповідає на питання про стабільність результатів у часі за умов, коли конструкт очікувано стабільний. Міжоцінювальна надійність стосується узгодженості між оцінювачами. Надійність паралельних форм стосується еквівалентності двох версій. Похибка вимірювання описує невизначеність навколо отриманого бала. Ці характеристики не є взаємозамінними: сильна внутрішня узгодженість нічого автоматично не говорить про стабільність через місяць або про згоду двох клініцистів. Валідність ставить інше питання: чи достатньо доказів і теоретичного обґрунтування для саме тієї інтерпретації та мети, з якою використовують результат. Шкала може мати дуже однорідні пункти, які стабільно вимірюють не той конструкт, який заявлено. Саме тому твердження «α = 0,92, отже тест валідний» є логічною помилкою. Чому внутрішня узгодженість не доводить одновимірність Одновимірність означає, що набір пунктів можна змістовно описати через один домінантний латентний конструкт у межах обраної моделі. Внутрішня узгодженість означає лише те, що пункти статистично пов’язані. Пов’язаність може виникати і тоді, коли шкала має два або більше корельованих вимірів. Наприклад, пункти про тривожне очікування і тілесне збудження можуть корелювати, бо обидва компоненти належать до ширшого феномена тривоги, але це ще не доводить, що вони утворюють одну одновимірну шкалу. Це одна з найвідоміших пасток коефіцієнта α. Sijtsma (2009) показав, що α не є тестом внутрішньої структури і не може використовуватися як доказ одновимірності. Високе значення α може зберігатися у багатовимірному наборі пунктів, якщо між вимірами є достатня кореляція або якщо шкала містить багато взаємопов’язаних пунктів. Отже, правильна логіка йде у зворотному напрямку від популярної практики. Спочатку потрібно визначити, який бал інтерпретується і яка структурна модель цьому балу відповідає. Потім перевірити структурну валідність і одновимірність на рівні шкали або підшкали. Лише після цього коефіцієнт внутрішньої узгодженості отримує чітке психометричне значення. Як перевіряють одновимірність окремо Для перевірки структури використовують методи, які моделюють взаємозв’язки між пунктами та латентними змінними. Експлораторний факторний аналіз допомагає дослідити можливу факторну структуру, коли вона ще не визначена достатньо чітко. Конфірматорний факторний аналіз дає змогу перевірити наперед сформульовану модель. IRT- і Rasch-моделі аналізують зв’язок між латентною ознакою та ймовірністю відповіді на конкретний пункт. У кожному випадку важливі не лише один індекс чи формальний cutoff, а узгодженість моделі, навантаження пунктів, залишкові зв’язки, локальна залежність та змістова інтерпретація. COSMIN прямо рекомендує наводити докази одновимірності та відсутності локальної залежності пунктів перед інтерпретацією внутрішньої узгодженості. Для багатовимірних інструментів це правило застосовують до кожної підшкали, а якщо дослідник хоче використовувати загальний бал — окремо обґрунтовують, чому саме загальний бал має прийнятну структурну основу. Детальні вимоги описані в Explanation & Elaboration COSMIN. Важливо також розрізняти «приблизну одновимірність» для практичної інтерпретації композитного бала та ідеалізовану модель, у якій абсолютно вся коваріація пояснюється одним фактором. Реальні психологічні конструкції часто мають складну структуру. Завдання психометрії полягає не в тому, щоб будь-якою ціною примусити дані до одного фактора, а в тому, щоб обрати модель, яка достатньо точно підтримує заявлену інтерпретацію бала. Альфа Кронбаха: що вона справді оцінює Коефіцієнт α Кронбаха є функцією кількості пунктів, дисперсії загального бала та коваріацій між пунктами. Він став надзвичайно популярним, бо легко обчислюється і доступний майже в кожному статистичному пакеті. Однак зручність не перетворює його на універсальний індикатор психометричної якості. Методологічний огляд McNeish (2018) показує, що α часто застосовують без перевірки припущень, хоча його зв’язок із надійністю залежить від моделі вимірювання. Особливо важливе припущення про істотну тау-еквівалентність: грубо кажучи, пункти мають вимірювати спільний конструкт із певною структурою істинних балів. Якщо навантаження суттєво різняться, α може відхилятися від цільової надійності композиту. До того ж α не відокремлює корисну спільну дисперсію від будь-якої систематичної коваріації, яка виникла з інших причин. Схоже формулювання двох пунктів, повторення майже тієї самої думки, спільний контекст, однакове заперечне формулювання або інший методичний ефект можуть штучно підвищити кореляції між пунктами. Тому високе α може бути наслідком локальної залежності чи надмірної схожості пунктів, а не доказом кращого вимірювання конструкта. Чому α зростає зі збільшенням кількості пунктів За однакової середньої міжпунктової кореляції довша шкала зазвичай матиме вище α. Це означає, що два тести з різною кількістю пунктів не варто порівнювати лише за їхнім α, ніби більший коефіцієнт автоматично означає кращу шкалу. Можна підвищити α, додавши багато подібних пунктів, але отримати довший, більш повторюваний і менш ефективний інструмент. Зв’язок між довжиною тесту та очікуваною зміною надійності окремо описує формула Спірмена–Брауна. Вона корисна для планування довжини вимірювання та для методу розщеплення, але не перетворює кількість пунктів на показник валідності або одновимірності. Чи може α бути «занадто високою» Дуже високе α інколи сигналізує, що пункти надмірно дублюють один одного, але немає універсального значення, після якого це твердження стає автоматично істинним. Для вузького однорідного конструкта високий коефіцієнт може бути цілком очікуваним. Для широкого конструкта така сама цифра може означати втрату змістового охоплення через повторювані формулювання. Тому оцінюють не лише коефіцієнт, а й зміст пунктів, міжпунктові кореляції, факторну структуру та мету тестування. Омега Макдональда: корисна альтернатива, але не чарівна заміна Коефіцієнти ω стали популярною альтернативою α, оскільки можуть оцінювати надійність на основі факторної моделі й не вимагають рівності всіх факторних навантажень у тій формі, яка потрібна для тау-еквівалентності. Класичний практичний огляд Dunn, Baguley і Brunsden (2014) рекомендував ширше використовувати ω замість механічного покладання на α. Водночас вислів «омега завжди краща за альфу» теж є спрощенням. Існують різні коефіцієнти ω, і їхнє значення залежить від моделі. ω total оцінює частку дисперсії композитного бала, пов’язану з усіма спільними факторами в заданій моделі. ω hierarchical має іншу мету: у біфакторних або ієрархічних моделях вона може оцінювати частку дисперсії загального бала, яку можна приписати загальному фактору після відокремлення специфічних групових факторів. Ці коефіцієнти відповідають на різні питання. Сучасний огляд Doval, Viladrich і Angulo-Brunet (2023) підкреслює, що вибір між α та різними варіантами ω має ґрунтуватися на характеристиках пунктів і підтвердженій моделі вимірювання. За приблизно одновимірних, конгенеричних вимірювань без екстремальних навантажень обидва коефіцієнти можуть бути інформативними. За складнішої структури потрібен коефіцієнт, який відповідає фактичній моделі, а не автоматична заміна однієї грецької літери іншою. Чому послідовність «модель → коефіцієнт» краща за «коефіцієнт → висновок» Практичний підхід добре сформульований у роботі Viladrich, Angulo-Brunet і Doval (2017): спочатку описати дані й пункти, потім перевірити модель вимірювання, а вже після цього обрати і тлумачити коефіцієнт внутрішньої узгодженості, що відповідає цій моделі. Така послідовність запобігає ситуації, коли дослідник бачить α = 0,88 і лише потім шукає пояснення, чому шкала нібито одновимірна. Ця логіка важлива й для звичайного читача наукової статті. Коефіцієнт без інформації про структуру шкали — це неповний результат. Якщо автори повідомляють лише «α = 0,84» і на цій підставі називають тест надійним та валідним, варто перевірити, чи досліджували вони факторну структуру, яку саме шкалу оцінювали, у якій вибірці, якою була кількість пунктів, чи аналізували локальну залежність і чи відповідає обраний коефіцієнт моделі. Чому правило «α ≥ 0,70» не є універсальним Порогові правила на кшталт «0,70 — прийнятно, 0,80 — добре, 0,90 — відмінно» зручні, але вони не можуть замінити психометричне міркування. Одна й та сама оцінка надійності має різні наслідки залежно від того, чи йдеться про раннє дослідницьке вимірювання на груповому рівні, моніторинг змін у конкретної людини, високоризикове рішення, скринінг або класифікацію. Навіть ідеально застосоване числове правило ігнорує точність самої оцінки. Коефіцієнт, отриманий у невеликій вибірці, має більшу статистичну невизначеність, ніж та сама точкова оцінка у великій вибірці. Тому варто повідомляти довірчий інтервал або іншу оцінку невизначеності, а не лише одне число після знака рівності. І нарешті, поріг не виправляє неправильну модель. α = 0,95 у виразно двовимірній шкалі не стає доказом одновимірності через те, що перевищила будь-який популярний cutoff. Спочатку потрібна модель, потім оцінка її припущень, а вже тоді — числова характеристика внутрішньої узгодженості. Які дані можуть штучно підвищувати або знижувати коефіцієнт Кількість і повторюваність пунктів Більше пунктів за інших рівних умов можуть підвищувати α. Якщо нові пункти майже перефразовують старі, коефіцієнт може виглядати чудово, хоча шкала набуває мало нової інформації. Під час розробки інструмента потрібен баланс між точністю та змістовим охопленням конструкта. Неоднорідність вибірки Коефіцієнти залежать від дисперсій і коваріацій. У вибірці, де люди дуже схожі за вимірюваною ознакою, міжіндивідуальна варіативність обмежена, і оцінка надійності може відрізнятися від тієї, яку отримують у ширшій популяції. Це ще одна причина не переносити коефіцієнти між дослідженнями як постійні паспортні характеристики шкали. Корельовані похибки і локальна залежність Якщо два пункти мають спільний зміст, однакову граматичну конструкцію, посилаються на одну й ту саму конкретну ситуацію або розташовані так, що відповідь на один прямо впливає на інший, між ними може виникати додатковий зв’язок, який не пояснюється цільовим конструктом. Така локальна залежність може завищувати внутрішню узгодженість і водночас свідчити про проблеми моделі. Реверсивні пункти й помилки кодування Негативно сформульовані або реверсивні пункти іноді вводять окремий методичний фактор. Ще простіша проблема — помилка кодування, коли реверсивний пункт не перекодовано перед обчисленням загального бала. Тоді кореляції можуть різко знизитися, а дослідник помилково вирішить, що шкала «ненадійна». Перш ніж робити теоретичні висновки, перевіряють ключ кодування, розподіли відповідей і матрицю міжпунктових зв’язків. Порядкові відповіді Пункти типу Likert формально дають порядкові категорії. У багатьох практичних ситуаціях коефіцієнти обчислюють на основі звичайних кореляцій, але за малої кількості категорій, сильної асиметрії чи виразних стельових та підлогових ефектів вибір кореляційної матриці й оцінювача може помітно впливати на результат. Тут доречно узгоджувати коефіцієнт внутрішньої узгодженості з моделлю для порядкових даних, а не автоматично застосовувати стандартний алгоритм. Внутрішня узгодженість і «α у разі видалення пункту» Таблиця «α, якщо пункт видалити» корисна як діагностичний сигнал, але не як автоматичний алгоритм редагування шкали. Якщо видалення пункту трохи підвищує α, це ще не означає, що пункт поганий. Він може вимірювати важливий аспект конструкта, який не дублюється іншими твердженнями. Механічне видалення всього, що знижує α, здатне перетворити змістовно багатий конструкт на вузький набір повторів. Рішення про пункт має поєднувати щонайменше змістову релевантність, якість формулювання, розподіл відповідей, зв’язок з іншими пунктами, факторне навантаження, локальну залежність і вплив на цільовий бал. Психометрична оптимізація — це не полювання за максимальною цифрою α. Що внутрішня узгодженість не може довести Навіть дуже висока внутрішня узгодженість не доводить валідність конструкта. Вона не показує, чи охоплює шкала весь необхідний зміст, чи пов’язана з зовнішніми змінними так, як передбачає теорія, чи розрізняє близькі конструкти, чи має потрібну прогностичну цінність. Для цього потрібні окремі джерела доказів валідності. Вона не доводить тест-ретестову стабільність. Шкала може бути внутрішньо дуже узгодженою сьогодні, але давати значно інший результат завтра через нестабільність вимірювання, контекст або реальну зміну стану. Вона не оцінює міжоцінювальну згоду, якщо результат залежить від суджень спостерігачів чи клініцистів. Для категоріальних оцінок можуть бути потрібні коефіцієнти на кшталт κ Коена або інші індекси згоди, а для кількісних оцінок — відповідні варіанти ICC. Це інше питання, ніж взаємопов’язаність пунктів анкети. Вона не є прямою оцінкою похибки вимірювання конкретного бала і не показує, чи спостережувана зміна в людини перевищує очікувану похибку. Для цього використовують стандартну похибку вимірювання, мінімальну виявлювану зміну та інші підходи залежно від задачі. Вона не є показником діагностичної чутливості, специфічності, PPV, NPV або клінічної корисності. Коефіцієнт внутрішньої узгодженості не може сам обґрунтувати діагностичний cutoff. Вона також не доводить справедливість тесту між групами. Однакові значення α у двох мовних або демографічних групах не означають автоматично, що пункти функціонують однаково, що відсутній DIF або що вимірювальна інваріантність підтверджена. Внутрішня узгодженість у перекладі та культурній адаптації Поява україномовного перекладу шкали не означає, що її психометричні властивості автоматично збереглися. Переклад може змінити складність формулювань, семантичні відтінки, частоту використання певних слів або спосіб, у який респонденти розрізняють категорії відповіді. Тому для української версії потрібне окреме емпіричне обґрунтування на відповідній популяції. Високе α україномовної версії — корисний результат, але він не замінює перевірку структурної валідності, змістової еквівалентності, потенційної вимірювальної неінваріантності та інших характеристик, важливих для конкретної мети. Особливо обережно слід діяти, коли інструмент планують використовувати для індивідуальних клінічних рішень. Як читати таблицю внутрішньої узгодженості в науковій статті Замість пошуку однієї «хорошої» цифри корисно пройти короткий ланцюжок перевірки. Спочатку з’ясуйте, який саме бал оцінюють: загальний бал чи конкретну підшкалу. Потім перевірте, чи є докази того, що цей набір пунктів має структуру, сумісну з таким балом. Далі подивіться, який коефіцієнт обрано і чому саме він відповідає моделі. Після цього оцініть саму величину коефіцієнта разом із довірчим інтервалом, кількістю пунктів і характеристиками вибірки. Окремо перевірте, чи не роблять автори надмірних висновків. Фраза «шкала продемонструвала прийнятну внутрішню узгодженість у цій вибірці» може бути коректною. Фраза «α > 0,80 доводить, що тест валідний та одновимірний» — вже ні. Якість психометричного висновку визначається не красивою цифрою, а тим, наскільки висновок відповідає тому, що статистика реально здатна показати. Практичний алгоритм для дослідника 1. Визначте конструкт і цільовий бал. До обчислень має бути зрозуміло, що саме означає сумарний або середній результат і чому ці пункти мають складатися разом. 2. Перевірте дані й кодування. Перегляньте пропущені значення, розподіли, реверсивні пункти, категорії відповідей, стельові та підлогові ефекти, можливі технічні помилки. 3. Перевірте структуру. Для нового інструмента або нової популяції використайте належний факторний чи IRT/Rasch-підхід. Для підшкал оцінюйте структуру кожної підшкали. Для загального бала обґрунтуйте саме загальний бал. 4. Оцініть локальну залежність та інші порушення моделі. Сильні залишкові кореляції, повторювані формулювання або методичні фактори можуть спотворювати коефіцієнти. 5. Оберіть коефіцієнт відповідно до моделі. α може бути доречним за відповідних припущень; ω корисна для конгенеричних моделей; у складних ієрархічних чи біфакторних структурах потрібно чітко визначити, який саме варіант ω відповідає питанню. 6. Повідомте невизначеність. Де можливо, наведіть довірчий інтервал і поясніть, якою процедурою його отримано. 7. Інтерпретуйте в межах популяції й мети. Не переносіть коефіцієнт з іншої мовної версії чи зовсім іншої вибірки як готове підтвердження. 8. Не зупиняйтеся на внутрішній узгодженості. Для повної психометричної оцінки потрібні інші докази надійності, валідності, похибки вимірювання, справедливості та придатності до конкретної задачі. Клінічне та прикладне значення У клінічній практиці внутрішня узгодженість корисна для розуміння якості шкали симптомів, але вона не перетворює опитувальник на діагностичну процедуру. Навіть валідований скринінговий інструмент оцінює ймовірність або вираженість певних ознак у межах своєї призначеної популяції. Діагноз потребує клінічної оцінки за відповідними критеріями та з урахуванням ширшого контексту. Так само результат вище певного cutoff не слід читати як універсальну межу «розлад є / розладу немає». Прогностична цінність порога залежить від поширеності стану, характеристик вибірки, чутливості, специфічності та наслідків помилкових рішень. Внутрішня узгодженість не відповідає на ці питання. Типові помилки інтерпретації Помилка 1. «α = 0,90, отже шкала одновимірна». Ні: одновимірність перевіряють окремо структурними моделями. Помилка 2. «α = 0,90, отже тест валідний». Ні: надійність є необхідною частиною доказової бази, але валідність потребує ширшого обґрунтування інтерпретації та використання балів. Помилка 3. «α нижче 0,70 — тест непридатний». Єдиний універсальний поріг не враховує мету, довжину шкали, невизначеність оцінки, структуру та наслідки рішення. Помилка 4. «Омега завжди виправляє проблеми альфи». Ні: ω також залежить від коректності моделі. Неправильно задана факторна структура може дати оманливу оцінку. Помилка 5. «Чим більше пунктів, тим кращий тест». Додавання пунктів може підвищити коефіцієнт, але водночас збільшити надлишковість і навантаження на респондента. Помилка 6. «Одна альфа для всього багатовимірного опитувальника підтверджує всі підшкали». Потрібно оцінювати саме ті бали, які будуть інтерпретуватися. Помилка 7. «Український переклад має таку саму надійність, як оригінал». Психометричні властивості потрібно перевіряти у відповідній мовній та культурній популяції. Помилка 8. «Висока внутрішня узгодженість дозволяє поставити діагноз». Вона не є діагностичною точністю і не замінює клінічну оцінку. FAQ Чи доводить висока альфа Кронбаха одновимірність шкали? Ні. Висока α означає, що за певних умов пункти мають достатньо спільної коваріації, але багатовимірні набори пунктів також можуть мати високу α. Одновимірність перевіряють факторними або IRT/Rasch-моделями, а не величиною α. Що краще — альфа Кронбаха чи омега Макдональда? Питання варто формулювати як «який коефіцієнт відповідає нашій моделі й цільовому балу». ω часто має переваги для конгенеричних пунктів із нерівними навантаженнями, але не є автоматично правильною за будь-якої структури. α може бути інформативною за відповідних припущень. Найважливіше — спочатку перевірити модель і явно вказати, який коефіцієнт та чому використано. Чи достатньо повідомити α = 0,82? Для якісного психометричного звіту — ні. Варто описати шкалу й підшкалу, кількість пунктів, вибірку, структурні докази, спосіб обчислення, за можливості довірчий інтервал і причину вибору саме цього коефіцієнта. Чи потрібно обчислювати внутрішню узгодженість для кожної підшкали? Якщо підшкали мають окремі інтерпретовані бали — так, внутрішню узгодженість оцінюють для кожної відповідної одновимірної підшкали. Загальний коефіцієнт для всіх пунктів не замінює цього аналізу. Чи можна порівнювати α між двома версіями тесту? Можна порівнювати описово, але різниця може відображати не лише якість версій, а й різну дисперсію вибірок, кількість пунктів, структуру, розподіли відповідей та статистичну невизначеність. Для мовних або групових порівнянь потрібні також аналізи вимірювальної інваріантності або DIF, якщо це відповідає задачі. Чи є внутрішня узгодженість достатньою для скринінгового тесту? Ні. Для скринінгу потрібні докази, що інструмент вимірює заявлений конструкт у потрібній популяції та має належну діагностичну або прогностичну точність для конкретного способу використання. Внутрішня узгодженість цього не встановлює. Короткий висновок Внутрішня узгодженість — це характеристика взаємопов’язаності пунктів певного бала, а не універсальна оцінка якості тесту. Її потрібно тлумачити після перевірки структури шкали, у контексті конкретної вибірки, моделі та мети використання. Альфа Кронбаха може бути корисним коефіцієнтом за відповідних припущень; омега Макдональда часто дає гнучкішу модельну оцінку, але теж потребує коректно заданої структури. Найголовніше правило: внутрішня узгодженість не доводить одновимірність, а висока надійність не доводить валідність. Пов’язані статті Формула Спірмена–Брауна: надійність тесту, метод розщеплення та застосування Психологічна оцінка й оцінювання: що це, як проходить і чим відрізняється від тестування Рейтингова шкала: як перетворюють відповіді на психометричні дані Омега Макдональда: що це, коли ω корисніша за альфу Кронбаха і як її тлумачити Надійність психологічного тесту: що це, які бувають види і чому надійність не дорівнює валідності — ширша рамка, у якій внутрішня узгодженість є лише одним із видів доказів надійності. Одновимірність шкали: що означає вимірювання одного латентного конструкта і як це перевіряють Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. de Arruda, G. T., Terwee, C. B., Elsman, E. B. M., Avila, M. A., Gagnier, J. J., & Mokkink, L. B. (2025). Explanation & Elaboration document of the COSMIN Reporting Guideline 2.0 for studies on measurement properties of patient-reported outcome measures. Doval, E., Viladrich, C., & Angulo-Brunet, A. (2023). Coefficient Alpha: The Resistance of a Classic. Psicothema, 35(1), 5–20. Dunn, T. J., Baguley, T., & Brunsden, V. (2014). From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation. British Journal of Psychology, 105(3), 399–412. McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23(3), 412–433. Sijtsma, K. (2009). On the Use, the Misuse, and the Very Limited Usefulness of Cronbach’s Alpha. Psychometrika, 74(1), 107–120. Viladrich, C., Angulo-Brunet, A., & Doval, E. (2017). A journey around alpha and omega to estimate internal consistency reliability. Anales de Psicología, 33(3), 755–782.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Структурна валідність показує, наскільки внутрішня будова психологічного тесту відповідає теоретичній будові конструкта, який тест має вимірювати. Якщо теорія передбачає один латентний вимір, дані повинні бути сумісні з одновимірною моделлю; якщо конструкт має кілька компонентів, очікується відповідна багатовимірна структура. У сучасних Standards for Educational and Psychological Testing внутрішня структура розглядається як одне з джерел доказів валідності для певної інтерпретації та використання тестових балів, а не як довічна властивість інструмента. Практично це означає, що запитання «чи має тест структурну валідність?» треба розгорнути: для якої популяції, якої мовної версії, якої моделі вимірювання, якого способу підрахунку балів і якого передбаченого використання? Одна й та сама шкала може добре відтворювати очікувану структуру в одній вибірці й працювати інакше в іншій. Тому структурна валідність — це система доказів про відповідність емпіричної структури теоретичній моделі, а не печатка «валідно / невалідно». Найчастіше структурну валідність перевіряють експлораторним факторним аналізом, конфірматорним факторним аналізом, а для моделей теорії відповіді на завдання та Раша — через перевірку їхніх припущень і відповідності моделі. COSMIN визначає структурну валідність як ступінь, до якого бали інструмента адекватно відображають вимірність конструкта. Це формулювання добре передає головну ідею: нас цікавить не краса статистичних показників сама по собі, а те, чи підтримує структура даних той спосіб, яким ми хочемо тлумачити шкали й підшкали. Що саме перевіряє структурна валідність Психологічні конструкти — тривога, самоповага, виконавчий контроль, емпатія, депресивна симптоматика, професійне вигорання — часто не спостерігаються безпосередньо. Дослідник спостерігає відповіді на пункти, виконання завдань або оцінки експертів і припускає, що спільна варіація цих показників відображає один чи кілька латентних вимірів. Структурна валідність перевіряє, наскільки ця припущена карта латентних вимірів узгоджується з даними. У факторній моделі пункт має факторне навантаження — показник сили його зв’язку з латентним фактором. Пункти, які теоретично належать до однієї підшкали, мають переважно бути пов’язані з відповідним фактором; пункти різних підшкал не повинні без пояснення утворювати хаотичні перехресні навантаження; кореляції між факторами мають бути змістово правдоподібними; залишкова структура не повинна свідчити, що модель систематично пропускає важливі залежності. Важливо: структурна валідність не вимагає, щоб кожен психологічний тест був одновимірним. Багатовимірна шкала може мати сильну структурну валідність, якщо її теорія передбачає кілька вимірів і дані відтворюють саме цю будову. Навпаки, насильне «стискання» багатовимірного конструкта в один загальний бал може погіршити інтерпретацію, навіть якщо загальний коефіцієнт внутрішньої узгодженості виглядає високим. Структурна валідність у сучасній концепції валідності Історично валідність часто подавали як набір окремих «видів»: змістову, критеріальну, конструктну та інші. Сучасні стандарти тестування трактують валідність ширше: це ступінь, до якого сукупність доказів і теорія підтримують запропоновану інтерпретацію балів для певного використання. Докази щодо внутрішньої структури є одним із компонентів такого аргументу. AERA, APA та NCME прямо пов’язують внутрішню структуру з тим, наскільки взаємозв’язки між пунктами й компонентами тесту відповідають конструкції, на якій ґрунтується інтерпретація балів. Отже, хороша факторна структура сама по собі не доводить «валідність тесту взагалі». Вона підтримує конкретне твердження: внутрішня організація балів узгоджується з очікуваною вимірною моделлю. Для повного валідизаційного аргументу можуть бути потрібні також змістові докази, зв’язки з іншими змінними, аналіз наслідків використання, кроскультурні докази та перевірка справедливості. Структурна валідність, надійність і внутрішня узгодженість — різні речі Структурну валідність особливо часто плутають із надійністю. Надійність психологічного тесту описує прецизійність і відтворюваність балів за визначених умов. Структурна валідність описує відповідність внутрішньої будови тесту теоретичній будові конструкта. Тест може мати стабільні бали, але неправильну факторну структуру; може мати правдоподібну факторну модель, але недостатню точність окремих балів. Високий α Кронбаха не доводить структурну валідність і не доводить одновимірність. Коефіцієнт α може бути високим у багатовимірному наборі пунктів, особливо коли пунктів багато або вони частково дублюють одне одного. Перед осмисленою оцінкою внутрішньої узгодженості треба зрозуміти, які пункти справді утворюють спільну шкалу. Саме тому сучасні рекомендації з розробки шкал розводять аналіз вимірності та оцінювання надійності як різні етапи; це добре показують Boateng та співавтори і новіші рекомендації з розробки психологічних шкал. Коли факторний аналіз доречний Факторний аналіз найбільш природний для рефлективної моделі вимірювання: припускається, що латентний конструкт зумовлює спільну варіацію індикаторів. Наприклад, якщо кілька пунктів є проявами одного латентного виміру соціальної тривоги, вони мають корелювати тому, що залежать від спільної прихованої характеристики. У такій логіці аналіз факторної структури безпосередньо стосується структурної валідності. Для формативних індексів логіка інша: показники разом формують індекс, але не зобов’язані бути проявами одного прихованого джерела. Наприклад, перелік незалежних стресорів може бути корисним сумарним показником навантаження, хоча окремі стресори не мають корелювати. Вимагати високої внутрішньої узгодженості або красивої однофакторної структури від такого індексу означає нав’язувати йому чужу модель вимірювання. Експлораторний факторний аналіз: коли структуру треба відкрити Експлораторний факторний аналіз (EFA) застосовують, коли кількість факторів і схема зв’язків між пунктами ще не задані достатньо жорстко або коли нова шкала перебуває на етапі структурного пошуку. EFA дозволяє оцінити, скільки латентних факторів потрібно для опису спільної варіації пунктів, які пункти навантажуються на кожний фактор і чи є суттєві перехресні навантаження. EFA — не натискання однієї кнопки. Результат залежить від матриці кореляцій, методу виділення факторів, способу визначення їх кількості, обертання, обробки пропусків та рішень щодо проблемних пунктів. Класичний огляд Fabrigar та співавторів показав, що технічні рішення в EFA можуть істотно змінювати висновки. Тому опис «проведено факторний аналіз і отримано три фактори» без методологічних деталей недостатній для оцінки доказів. Скільки факторів залишати Одна з найважчих задач EFA — визначити кількість факторів. Правило «власне значення > 1» не слід використовувати як єдиний автоматичний критерій. Скрі-графік корисний, але його інтерпретація частково суб’єктивна. Паралельний аналіз порівнює емпіричні власні значення з тими, які можна отримати у випадкових даних, і зазвичай дає змістовніший орієнтир. Сучасна методологічна література розглядає вибір кількості факторів як окреме модельне рішення; див. Goretzko. Найкраще рішення ґрунтується не на одному числі, а на поєднанні статистичних критеріїв, теорії конструкта, простоти й інтерпретованості структури, достатньої кількості сильних індикаторів на фактор і стабільності рішення. Якщо паралельний аналіз натякає на чотири фактори, а теорія передбачає два, це не привід автоматично обрати «правильний» результат. Це привід з’ясувати, чи теорія надто проста, чи пункти змішують різні змісти, чи вибірка специфічна, чи метод аналізу невідповідний. Обертання факторів У психології фактори часто корелюють, тому косокутне обертання зазвичай змістово реалістичніше за ортогональне, яке примушує фактори бути некорельованими. Якщо тривога, уникання і негативний афект теоретично пов’язані, заборона кореляції між факторами може створити штучну картину. Вибір обертання має виходити з моделі конструкта, а не з традиції конкретної програми. Факторні навантаження і перехресні навантаження Факторне навантаження показує, наскільки індикатор пов’язаний із фактором у вибраній моделі. Не існує одного універсального числа, після якого пункт стає «валідним». Значення треба читати разом із розміром вибірки, кількістю індикаторів, спільностями, перехресними навантаженнями, змістом пункту й метою шкали. COSMIN у своїх критеріях для систематичних оглядів використовує навантаження ≥0,30 та обмеження на значні перехресні навантаження як частину операційного правила оцінювання EFA/PCA, але це саме рамка оцінювання доказів, а не універсальний природний закон. Конфірматорний факторний аналіз: перевірка наперед заданої моделі Конфірматорний факторний аналіз (CFA) потрібен, коли теоретична структура вже сформульована. Дослідник наперед задає, скільки факторів існує, які пункти мають навантажуватися на кожний фактор, чи можуть фактори корелювати, які параметри фіксуються та які обмеження накладаються на модель. CFA перевіряє, наскільки така модель відтворює спостережувану матрицю коваріацій або кореляцій. Сильна CFA не починається з пошуку способу «отримати хороший CFI». Вона починається з чіткої теорії вимірювання. Якщо шкала нібито має три виміри, має бути змістове пояснення, чому конкретні пункти є індикаторами саме цих факторів, чому фактори пов’язані або незалежні, чи припускаються перехресні навантаження, і який бал планується інтерпретувати після аналізу. χ²: точний тест відповідності Статистика χ² перевіряє гіпотезу про точну відповідність моделі даним за заданими припущеннями. У великих вибірках навіть невеликі відхилення можуть робити χ² статистично значущим, тоді як у малих вибірках тест може мати недостатню чутливість до серйозної невідповідності. Тому структурну валідність не оцінюють за формулою «χ² незначущий — модель добра, значущий — модель погана». CFI і TLI CFI та TLI — порівняльні індекси відповідності: вони показують, наскільки запропонована модель покращує опис даних порівняно з базовою моделлю дуже слабких зв’язків між змінними. Значення ближче до 1 зазвичай свідчать про кращу відповідність, але конкретний поріг залежить від моделі, даних, методу оцінювання та мети аналізу. RMSEA і SRMR RMSEA оцінює приблизну помилку відповідності моделі з урахуванням її складності, а SRMR узагальнює стандартизовані розбіжності між спостережуваними та відтвореними кореляціями або коваріаціями. Вони відповідають на різні питання, тому корисно дивитися на кілька індексів одночасно, а не оголошувати модель підтвердженою за одним сприятливим числом. Чи існують універсальні пороги CFI, TLI, RMSEA і SRMR Відомі орієнтири CFI/TLI близько 0,95, SRMR близько 0,08 та RMSEA близько 0,06 походять насамперед із симуляційної роботи Hu і Bentler для певних моделей і умов. Вони стали популярними, а COSMIN використовує близькі критерії в операційній системі оцінювання структурної валідності. Проте ці числа не слід перетворювати на механічний пропускний пункт. Marsh, Hau і Wen спеціально застерігали від «золотих правил» і некритичного перенесення порогових значень на всі моделі. Індекс відповідності залежить від ступенів свободи, кількості факторів та індикаторів, величини навантажень, розподілів, методу оцінювання, розміру вибірки й типу помилки моделі. Тому висновок «CFI = 0,949, отже тест невалідний» настільки ж слабкий, як «CFI = 0,951, отже тест доведено валідним». Відповідність моделі — це не лише чотири індекси Якісний аналіз структурної валідності розглядає всю модель: факторні навантаження та їх невизначеність; кореляції між факторами; залишки; локальні зони невідповідності; проблемні дисперсії; надто високі факторні кореляції; стійкість результатів; альтернативні теоретично правдоподібні моделі. Глобальні індекси можуть виглядати прийнятно, коли окрема важлива частина моделі працює погано. Наприклад, двофакторна модель може мати добрі CFI і RMSEA, але кореляція між факторами 0,97 ставить практичне питання: чи справді це два розрізнювані виміри? Або модель може мати прийнятний глобальна відповідність, але два ключові пункти систематично навантажуватися на «чужий» фактор. Структурна інтерпретація потребує аналізу таких деталей. Модифікаційні індекси: підказка, а не автоматичний ремонт Модифікаційні індекси показують, де звільнення фіксованого параметра потенційно покращило б відповідність моделі. Вони корисні як діагностика, але небезпечні як алгоритм полювання за кращою відповідністю. Якщо після кожного запуску дозволяти нову кореляцію залишків або перехресне навантаження лише тому, що цього просить програма, модель поступово підлаштовується під випадкові особливості конкретної вибірки. Зміна моделі має мати змістове пояснення. Корельовані залишки можуть бути виправдані, якщо два пункти мають майже однакове формулювання, спільний метод або специфічний контекст, але тоді варто запитати, чи не дублюють вони одне одного. Якщо модифікована модель народилася з даних, її бажано перевірити на новій вибірці або хоча б через заплановану процедуру перехресної перевірки. EFA і CFA на одній вибірці: чому «відкрив і підтвердив» — слабке твердження Якщо дослідник спочатку шукає структуру EFA, а потім на тих самих людях запускає CFA для тієї ж структури, друга процедура не є незалежним підтвердженням. Модель уже була вибрана з урахуванням випадкових особливостей цих даних. Такий CFA може описати, наскільки добре уточнена модель відтворює ту саму вибірку, але не дає сильного доказу відтворюваності. Краща стратегія за достатнього N — розділити вибірку на дослідницьку і перевірочну або, ще сильніше, перевірити CFA у незалежній новій вибірці. У сучасних рекомендаціях з розробки шкал EFA і CFA часто розводять між етапом побудови та етапом оцінювання; це прямо відображено в огляді Stefana та співавторів. Порядкові відповіді Лайкерта і вибір методу оцінювання Багато психологічних шкал використовують відповіді на кшталт «ніколи — рідко — іноді — часто — майже завжди». Такі пункти є порядковими, а не ідеально неперервними. Якщо категорій мало, розподіли асиметричні або є виражені скупчення відповідей біля максимуму або мінімуму шкали, стандартна CFA з припущенням багатовимірної нормальності неперервних показників може давати викривлені оцінки. Flora і Curran у симуляційному дослідженні показали переваги методів, пристосованих до порядкових даних, зокрема робастного зваженого методу найменших квадратів у багатьох розглянутих умовах. У сучасній практиці часто використовують поліхоричні кореляції та робастні оцінювачі для категоріальних індикаторів. Вибір методу має відповідати шкалі відповіді, розподілам і програмній реалізації, а не звичці дослідника. Розмір вибірки: чому правило «10 осіб на пункт» не є законом Для факторного аналізу немає універсального мінімуму N, який однаково працює для всіх тестів. Стабільність факторного рішення залежить від величини навантажень, спільностей, кількості індикаторів на фактор, кількості факторів, їх кореляцій, якості даних, методу оцінювання, пропусків і складності моделі. MacCallum та співавтори показали, що фіксовані правила на кшталт «5 або 10 респондентів на змінну» можуть бути дуже оманливими. Це не означає, що розмір вибірки неважливий. Навпаки: малий N підвищує нестабільність навантажень, кореляцій факторів і індексів відповідності, особливо у слабко визначених або складних моделях. Замість магічного співвідношення бажано обґрунтувати вибірку через очікувану структуру, попередні навантаження, кількість параметрів, точність оцінок і, коли можливо, симуляцію або аналіз потужності для конкретної моделі. PCA і факторний аналіз — не одне й те саме Аналіз головних компонент (PCA) і спільний факторний аналіз можуть давати схожі картини в деяких даних, але мають різну логіку. PCA стискає загальну дисперсію спостережуваних змінних у компоненти; факторна модель намагається пояснити спільну варіацію латентними факторами й відокремити унікальну та помилкову варіацію. Якщо наукове питання стосується латентної будови психологічного конструкта, факторна модель зазвичай концептуально пряміша. Тому фраза «PCA виявив три компоненти» не повинна автоматично перетворюватися на «доведено три латентні психологічні фактори». Fabrigar та співавтори детально розбирають відмінності та наслідки вибору методу. COSMIN допускає EFA/PCA у своїй операційній рубриці оцінювання досліджень, але це не стирає концептуальної різниці між редукцією даних і латентною моделлю. KMO і тест Бартлетта не є доказом структурної валідності Коефіцієнт Кайзера—Маєра—Олкіна (KMO) та тест сферичності Бартлетта часто подають у психометричних статтях перед EFA. KMO допомагає оцінити, чи має кореляційна структура достатньо спільної варіації для факторизації; тест Бартлетта перевіряє, чи відрізняється кореляційна матриця від одиничної. Вони можуть підтримувати рішення про доцільність факторного аналізу, але не відповідають на питання, чи правильна факторна структура. Статистично значущий тест Бартлетта у великій вибірці дуже легко отримати навіть за слабких кореляцій. Високий KMO також не показує, скільки факторів має бути, чи відповідають вони теорії та чи можна підсумовувати всі пункти в один бал. Отже, KMO і тест Бартлетта — передумовні діагностики, а не сертифікат валідності. Одновимірність: потрібна не кожному тесту, але критична для певних балів Одновимірність означає, що один домінантний латентний вимір достатньо пояснює залежності між індикаторами для передбаченого способу вимірювання. Вона особливо важлива, коли всі пункти планують складати в один загальний бал або коли застосовують моделі IRT і Раша, що припускають один основний вимір. Проте психологічні конструкти часто ієрархічні. Наприклад, загальний конструкт може мати кілька пов’язаних підвимірів. У такому разі можуть розглядатися корельовані фактори першого порядку, фактор вищого порядку або біфакторна модель. Вибір має бути теоретично мотивованим. Факт, що складніша модель дає кращу відповідність, ще не означає, що загальний бал психометрично виправданий. Біфакторні й ієрархічні моделі: не машинка для виправлення відповідності Біфакторна модель дозволяє кожному пункту навантажуватися на загальний фактор і водночас на специфічний груповий фактор. Вона може бути корисною, коли теорія передбачає одночасно загальну та доменно-специфічну варіацію. Але через високу гнучкість така модель нерідко покращує глобальну відповідність навіть тоді, коли її параметри нестабільні або специфічні фактори слабко визначені. Перед висновком про «сильний загальний фактор» варто дивитися не лише на CFI/RMSEA, а й на величину й патерн навантажень, надійність загального та специфічних факторів, інтерпретованість і відтворюваність структури. Ієрархічна модель відповідає іншій теоретичній гіпотезі: фактори першого порядку пояснюються фактором вищого порядку. Ці моделі не є взаємозамінними косметичними способами покращити відповідність. Структурна валідність у IRT і моделях Раша У теорії відповіді на завдання (IRT) та моделях Раша структурна валідність пов’язана не лише з числом факторів. Треба перевіряти щонайменше вимірність, локальну незалежність і, залежно від моделі, монотонність та загальну відповідність моделі. Локальна незалежність означає, що після врахування латентної ознаки відповіді на пункти не повинні залишатися надмірно залежними через спільне формулювання, контекст або інший прихований чинник. У COSMIN Manual 2.0 для оцінювання доказів за IRT і моделями Раша структурної валідності окремо наведено критерії для одновимірності, локальної незалежності, монотонності та відповідність моделі. Це корисно як систематизована рамка, але конкретне дослідження має також описати тип моделі IRT або Раша, метод оцінювання, спосіб перевірки припущень і правила виключення пунктів; такі вимоги наголошує й COSMIN Reporting Guideline 2.0. Структурна валідність і інваріантність вимірювання Модель може добре описувати загальну вибірку й водночас працювати по-різному в групах. Наприклад, однакова назва факторів може приховувати різні навантаження пунктів у чоловіків і жінок, молодших і старших людей або в різних мовних групах. Для коректного порівняння груп потрібно окремо перевіряти інваріантність вимірювання. Putnick і Bornstein описують послідовність конфігуральної, метричної, скалярної та, за потреби, строгої інваріантності. Конфігуральна інваріантність стосується подібності самої конфігурації факторів; метрична — навантажень; скалярна — інтерцептів або порогів. Отже, структурна валідність є необхідним підґрунтям для багатьох групових порівнянь, але інваріантність вимірювання — окреме питання. Інваріантність вимірювання не означає автоматичної відсутності упередження, так само як її порушення не доводить дискримінаційності тесту. Це статистичний сигнал про те, що параметри вимірювання відрізняються. Причину треба досліджувати: переклад, культурна релевантність, різне розуміння формулювань, реальна неоднорідність конструкта, методичний ефект або диференційне функціонування окремих пунктів. Переклад тесту не гарантує збереження факторної структури Навіть якісний прямий і зворотний переклад не є доказом того, що україномовна версія має ту саму вимірну модель, що й оригінал. Зміна формулювання може змінити складність пункту, емоційний відтінок, соціальну бажаність або зв’язок із латентним фактором. Культурний контекст також може змінити спосіб, яким люди організують відповіді. Тому для української адаптації слід окремо перевіряти структурну валідність у релевантній українській вибірці, а для порівнянь з оригінальною або іншими мовними версіями — інваріантність та інші аспекти кроскультурної валідності. «Є український переклад» і «є валідована українська версія» — різні твердження. Структурна валідність і спосіб підрахунку балів Факторна структура має прямі наслідки для підрахунку балів. Якщо шкала стабільно має три розрізнювані фактори, механічне складання всіх пунктів у один загальний бал може змішувати різні психологічні виміри. Якщо дані підтримують загальний фактор разом із підфакторами, треба окремо обґрунтувати, чи достатньо надійний і змістовний загальний бал, чи краще інтерпретувати підшкали. Це особливо важливо в клінічних і скринінгових інструментах. Структурна валідність не перетворює сумарний бал на діагноз і не визначає автоматично порогове значення. Діагностична точність, чутливість, специфічність, позитивна й негативна прогностична цінність, клінічна корисність і пороги — інші властивості, які потребують окремих досліджень. Що робити, якщо CFA показує погану відповідність Погана відповідність — не технічна аварія, яку треба будь-якою ціною «полагодити». Вона може означати, що теорія конструкта неповна, деякі пункти вимірюють інші змісти, є методичний фактор, кількість факторів задана неправильно, категоріальні дані проаналізовані невідповідним оцінювачем, у вибірці змішані різні підгрупи або модель занадто жорстко забороняє реальні перехресні навантаження. Розумний порядок дій: перевірити якість даних і кодування; переглянути описові характеристики пунктів; переконатися, що оцінювач відповідає типу даних; дослідити навантаження та залишки; повернутися до змісту проблемних пунктів; порівняти заздалегідь правдоподібні альтернативні моделі; позначити будь-які зміни після перегляду даних як дослідницькі; перевірити модифіковану модель на нових даних. Типові помилки під час оцінювання структурної валідності Перша помилка — оголосити високий α Кронбаха доказом одного фактора. Друга — вважати значущий тест Бартлетта доказом валідності. Третя — прирівняти PCA до підтвердженої латентної моделі. Четверта — обрати кількість факторів лише за правилом «власне значення > 1». П’ята — використати ортогональне обертання тільки тому, що воно стоїть у програмі за замовчуванням. Шоста помилка — оцінити CFA за одним індексом відповідності. Сьома — читати поріг 0,95 або 0,06 як абсолютну межу істини. Восьма — додавати кореляції залишків за модифікаційними індексами без теорії. Дев’ята — провести EFA і «підтвердити» його CFA на тих самих даних. Десята — ігнорувати порядкову природу відповідей і застосувати оцінювач, який погано відповідає даним. Одинадцята помилка — користуватися магічним правилом розміру вибірки замість обґрунтування стабільності конкретної моделі. Дванадцята — видаляти кожний пункт із навантаженням нижче довільного порога, не оцінюючи змістову втрату. Тринадцята — вважати, що модель з найкращою відповідністю автоматично має найкращий психологічний сенс. Чотирнадцята — припускати, що структура оригінальної мовної версії автоматично переноситься на переклад. Практичний алгоритм оцінювання структурної валідності 1. Зафіксуйте теоретичну модель до аналізу Опишіть конструкт, очікувану кількість вимірів, зв’язки між ними та спосіб підрахунку балів. Для CFA бажано визначити модель до перегляду індексів відповідності. Якщо структура невідома або шкала нова, прямо позначте EFA як дослідницький етап. 2. Перевірте, чи відповідає модель природі індикаторів З’ясуйте, чи пункти є рефлективними індикаторами латентного конструкта, чи це формативний індекс або чекліст різнорідних подій. У другому випадку вимога однорідної факторної структури може бути методологічно хибною. 3. Оцініть якість даних Перевірте пропуски, частоти категорій, асиметрію, екстремальні скупчення відповідей біля максимуму або мінімуму шкали, помилки кодування, дублікати, інверсні пункти та нестабільні категорії відповіді. Частина «факторних проблем» насправді є проблемами підготовки даних. 4. Оберіть аналіз і оцінювач Для дослідницького пошуку — обґрунтований EFA; для перевірки заздалегідь визначеної структури — CFA; для IRT і моделей Раша — відповідна модель і перевірка її припущень. Для порядкових пунктів розгляньте методи, що коректно працюють із категоріальними даними. Не обирайте метод лише тому, що він найпростіший у конкретній програмі. 5. Визначте кількість факторів кількома джерелами інформації Поєднуйте теорію, паралельний аналіз, графік осипу, стабільність і інтерпретованість факторів. Не покладайтеся виключно на правило «власне значення > 1». Якщо методи суперечать один одному, покажіть цю невизначеність замість вибіркового звітування лише зручного критерію. 6. Читайте локальні параметри, а не лише глобальну відповідність Оцініть навантаження, перехресні навантаження, кореляції факторів, залишки, проблемні пункти та незвичні параметри. У CFA перевірте кілька індексів відповідності і довірчі інтервали там, де вони доступні. У моделях IRT і Раша — локальну незалежність, монотонність і відповідність пунктів та моделі. 7. Пов’яжіть модель зі способом інтерпретації балів Поясніть, які бали підтримує структура: один загальний, кілька підшкал, ієрархічну систему або інший спосіб підрахунку. Якщо модель не підтримує запланований загальний бал, не приховуйте це за високою надійністю. 8. Перевірте відтворюваність Модель, отримана на одній вибірці, є початком, а не завершенням доказів. За можливості перевірте її в незалежній вибірці, у релевантних групах, у потрібній мовній версії та в умовах, де тест реально використовуватиметься. Як читати результат дослідження структурної валідності Сильний звіт дозволяє відповісти щонайменше на дев’ять питань: яка теоретична модель; хто увійшов у вибірку; який тип пунктів; який аналіз; який оцінювач; як визначали число факторів; які навантаження і проблемні пункти; як оцінювали відповідність; чи перевіряли модель незалежно. Якщо більшість цієї інформації відсутня, висновок «структурну валідність підтверджено» треба читати обережно. COSMIN Reporting Guideline рекомендує для факторного аналізу описувати тип аналізу, метод оцінювання, критерії відповідності моделі і правила збереження або виключення пунктів, а для IRT і моделей Раша — також способи перевірки вимірності, локальної незалежності та монотонності. Така прозорість важливіша за декоративний список коефіцієнтів. Структурна валідність у клінічній і дослідницькій практиці Для дослідника структурна валідність визначає, що саме можна робити з балами: чи допустимий загальний показник, чи потрібні окремі підшкали, чи можна порівнювати групи та чи відтворюється теоретична модель. Помилка на цьому рівні поширюється далі на кореляції, регресії, медіації, групові порівняння та оцінку ефектів. Для клініциста або практичного психолога головне питання простіше: чи має бал, який я бачу, психометрично обґрунтовану структуру саме в релевантній популяції? Навіть хороша факторна структура не дозволяє ставити діагноз за одним балом. Структурна валідність не замінює клінічної оцінки, норм, оцінки надійності, діагностичної точності, історії людини та професійного судження. Для користувача адаптованого тесту важливо перевірити не тільки наявність перекладу, а й публікацію психометричних даних саме для цієї версії. Якщо українська версія просто відтворює текст оригіналу, але її факторна структура не досліджувалася, структурна валідність для української інтерпретації залишається непідтвердженою. Науковий статус і межі висновку Структурна валідність є усталеною складовою сучасної психометричної оцінки. Факторний аналіз, CFA, IRT і моделі Раша мають розвинену методологічну базу, а міжнародні стандарти прямо включають внутрішню структуру до валідизаційного аргументу. Водночас немає універсального алгоритму, який за одним набором порогових значень автоматично вирішує, «правильний» тест чи ні. Невизначеність виникає через модельну природу психометрії. Різні теоретично правдоподібні моделі можуть описувати ті самі дані; показники відповідності залежать від умов; факторна структура може змінюватися між популяціями; модифікації моделі можуть відтворювати випадковий шум. Сильний висновок спирається на теорію, прозорий аналіз, кілька видів діагностики та реплікацію. Поширені запитання Чи означає високий α Кронбаха, що шкала одновимірна? Ні. α Кронбаха оцінює аспект внутрішньої узгодженості за певними припущеннями, але не встановлює кількість факторів. Багатовимірний набір пунктів може мати високий α. Одновимірність перевіряють моделями внутрішньої структури. Чи може багатовимірний тест мати хорошу структурну валідність? Так. Якщо теорія передбачає кілька вимірів і дані підтримують відповідну структуру, багатовимірність є очікуваним результатом. Структурна валідність означає відповідність теоретичній будові, а не обов’язкову однофакторність. Що краще: EFA чи CFA? Вони відповідають на різні етапи питання. EFA корисний, коли структуру досліджують; CFA — коли перевіряють наперед сформульовану модель. Для нової шкали часто логічний послідовний шлях EFA → незалежна CFA, але конкретний дизайн залежить від теорії та наявних доказів. Який CFI або RMSEA вважається хорошим? Орієнтири близько CFI/TLI ≥0,95, RMSEA ≤0,06, SRMR ≤0,08 часто цитують із Hu і Bentler та використовують у деяких методологічних рамках, зокрема COSMIN. Це не універсальні межі істини. Оцінюйте кілька індексів, параметри моделі, дані, метод оцінювання, складність і теоретичний сенс. Чи достатньо KMO і тесту Бартлетта? Ні. Вони допомагають оцінити придатність кореляційної матриці до факторизації, але не показують, чи правильна кількість факторів і чи відповідає структура теорії. Чи можна підтвердити структуру CFA на тій самій вибірці після EFA? Можна описати відповідність моделі на тих самих даних, але називати це незалежним підтвердженням слабко. Для сильнішого доказу потрібна перевірочна підвибірка або нова вибірка. Чи доводить хороша факторна структура, що поріг клінічно правильний? Ні. Структурна валідність і діагностична точність — різні властивості. Порогове значення потребує окремої перевірки щодо зовнішнього критерію, базової частоти стану, наслідків хибнопозитивних і хибнонегативних рішень та передбаченого використання. Чи достатньо перекласти тест українською і повторити оригінальну модель? Ні. Переклад — лише частина адаптації. Українська версія потребує власних доказів структурної валідності в релевантній вибірці, а для порівнянь між мовами або групами — окремої перевірки інваріантності та інших аспектів кроскультурної валідності. Короткий висновок Структурна валідність відповідає на принципове питання психометрії: чи організовані відповіді на тест так, як передбачає теорія конструкта. Її не можна звести до α Кронбаха, одного факторного навантаження або магічного CFI. Сильний доказ поєднує теоретично визначену модель, адекватний тип факторного або аналізу IRT або Раша, правильний оцінювач, локальні й глобальні діагностики, обґрунтований розмір вибірки та перевірку відтворюваності. У практичному читанні будь-якого психологічного тесту корисно запитати: який саме бал ми хочемо інтерпретувати, яку структуру він припускає і де показано, що ця структура працює для потрібної популяції та мовної версії? Це питання захищає від однієї з найпоширеніших психометричних помилок — від упевненого тлумачення числа, внутрішня будова якого ще не обґрунтована. Пов’язані статті Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів — базова сторінка про психологічне вимірювання, якість тестів, надійність, валідність і похибку. Надійність психологічного тесту: що це, які бувають види і чому надійність не дорівнює валідності — окремий розбір відтворюваності балів, видів надійності та меж коефіцієнта α. Конструктна валідність: як перевіряють, що тест вимірює саме задуманий психологічний конструкт — ширший контекст перевірки відповідності психологічному конструкту. Одновимірність шкали: що означає вимірювання одного латентного конструкта і як це перевіряють Розробка психологічного тесту: від визначення конструкта до валідності, норм і фінальної інтерпретації Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L. (2018). Best Practices for Developing and Validating Scales for Health, Social, and Behavioral Research: A Primer. Frontiers in Public Health, 6, 149. de Arruda, G. T., Terwee, C. B., Elsman, E. B. M., Avila, M. A., Gagnier, J. J., Mokkink, L. B., & PROM Reporting Group. (2025). Explanation & Elaboration document of the COSMIN Reporting Guideline 2.0 for studies on measurement properties of patient-reported outcome measures. Quality of Life Research, 34(7), 1891–1899. Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the Use of Exploratory Factor Analysis in Psychological Research. Psychological Methods, 4(3), 272–299. Flora, D. B., & Curran, P. J. (2004). An Empirical Evaluation of Alternative Methods of Estimation for Confirmatory Factor Analysis With Ordinal Data. Psychological Methods, 9(4), 466–491. Goretzko, D. (2022). Factor Retention in Exploratory Factor Analysis With Missing Data. Educational and Psychological Measurement, 82(3), 444–464. Hu, L.-T., & Bentler, P. M. (1999). Cutoff Criteria for Fit Indexes in Covariance Structure Analysis: Conventional Criteria Versus New Alternatives. Structural Equation Modeling, 6(1), 1–55. MacCallum, R. C., Widaman, K. F., Zhang, S., & Hong, S. (1999). Sample Size in Factor Analysis. Psychological Methods, 4(1), 84–99. Marsh, H. W., Hau, K.-T., & Wen, Z. (2004). In Search of Golden Rules: Comment on Hypothesis-Testing Approaches to Setting Cutoff Values for Fit Indexes and Dangers in Overgeneralizing Hu and Bentler’s (1999) Findings. Structural Equation Modeling, 11(3), 320–341. Mokkink, L. B., Elsman, E. B. M., & Terwee, C. B. (2024). COSMIN guideline for systematic reviews of patient-reported outcome measures version 2.0. Quality of Life Research. Putnick, D. L., & Bornstein, M. H. (2016). Measurement Invariance Conventions and Reporting: The State of the Art and Future Directions for Psychological Research. Developmental Review, 41, 71–90. Stefana, A., Damiani, S., Granziol, U., Provenzani, U., Solmi, M., Youngstrom, E. A., & Fusar-Poli, P. (2025). Psychological, Psychiatric, and Behavioral Sciences Measurement Scales: Best Practice Guidelines for Their Development and Validation. Frontiers in Psychology, 15, 1494261.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Складність завдання, або item difficulty, — це характеристика того, наскільки легко чи складно певній групі людей дати передбачену відповідь на окремий елемент тесту або де на латентній шкалі розташоване це завдання. Ключове слово тут — «модель». У класичній теорії тестів складність дихотомічного завдання найчастіше описують часткою правильних відповідей p: що вище p, то легшим виявилося завдання в конкретній вибірці. У Rasch та інших моделях IRT параметр складності b є координатою на латентній шкалі: що вище b, то вищий рівень здібності потрібен для тієї самої модельної ймовірності відповіді. Через цю різницю одна й та сама фраза «складність item» може позначати різні статистичні об’єкти. Саме тому значення 0,70 у класичному item analysis не можна механічно порівнювати з b = 0,70 логіта в IRT. Standards for Educational and Psychological Testing вимагають інтерпретувати характеристики завдань у межах визначеної моделі, популяції, способу підрахунку та цільового використання тесту. Складність є частиною доказів про функціонування завдання, а не універсальним штампом «якісний / неякісний item». Коротка відповідь Для тестів здібностей і досягнень найпоширеніше класичне визначення просте: p = кількість правильних відповідей / кількість валідних відповідей на завдання. Якщо p = 0,72, це означає, що 72% відповідей у конкретній аналізованій групі були правильними. За цією конвенцією високе p означає легше завдання, низьке p — складніше. У моделі Раша логіка інша: складність b і здібність θ виражені на одній латентній шкалі. У дихотомічній Rasch-моделі, коли θ = b, модельна ймовірність правильної відповіді дорівнює 0,50. Параметр b = 1 логіт означає завдання, зміщене вище за завдання з b = 0 на цій шкалі, а не «100% складності». У політомічних завданнях, рейтингових шкалах і опитувальниках поняття ще ширше: замість одного показника «правильно / неправильно» можуть оцінюватися пороги між категоріями, location або severity parameters. Тому перед інтерпретацією будь-якого числа потрібно з’ясувати, який саме формат item, яка модель і що в ній названо difficulty. Чому термін «складність» легко переплутати В українській практиці оцінювання термін «складність тестового завдання» часто вживають для P-value, що фактично є показником успішності виконання. Наприклад, офіційний звіт Українського центру оцінювання якості освіти визначає складність тестового завдання (P-value) як відношення набраних усіма учасниками балів до максимально можливої кількості балів. У тому самому звіті значення понад 80% класифікують як «дуже легке» завдання, а 20% і менше — як «дуже складне». Отже, назва «індекс складності» може бути семантично підступною: у класичній конвенції p число зростає тоді, коли завдання стає легшим для вибірки. В англомовній літературі це іноді називають item facility або item easiness. Інші автори для буквальної «трудності» використовують q = 1 − p, де більше число вже означає важче завдання. Додаток Ради Європи з класичної теорії тестів прямо звертає увагу на цю неоднозначність: p часто визначають як частку правильних відповідей, але в окремих джерелах difficulty виражають через 1 − p. Обидві конвенції математично прозорі, якщо автор чітко вказав формулу і напрям шкали. Найгірший варіант — опублікувати «індекс складності 0,80» без пояснення, чи це p, чи 1 − p. P-value у психометрії не дорівнює p-value у перевірці статистичних гіпотез Позначення P-value або p для складності завдання не має значення статистичного p-value з тесту нульової гіпотези. У item analysis p — це описова пропорція або нормована частка набраних балів. Статистичний p-value відповідає на інше питання і має іншу математичну природу. Змішування цих двох значень — поширена термінологічна помилка. Складність у класичній теорії тестів Дихотомічне завдання: базова формула Для завдання, яке оцінюють 0 = неправильно і 1 = правильно, класичний індекс p зазвичай обчислюють як p = Nправильних / Nвалідних. Наприклад, якщо із 400 учасників 260 відповіли правильно і всі 400 відповідей увійшли до аналізу, p = 260 / 400 = 0,65. У цій групі завдання мало 65% успішності виконання. Огляд класичної теорії тестів та IRT формулює це саме так: для дихотомічних items P-value відображає частку кандидатів, які відповіли правильно; нижчі значення вказують на складніші завдання, вищі — на легші. Це опис емпіричного виконання конкретної групи, а не абсолютна фізична властивість запитання. Завдання з частковим балом Якщо завдання може приносити 0, 1, 2 або більше балів, просту частку правильних відповідей потрібно замінити показником, який відповідає схемі scoring. Один із варіантів — відношення фактично набраної всіма учасниками суми балів до максимально можливої суми. Тоді індекс також лежить від 0 до 1 або від 0% до 100%, але означає вже частку доступного балу, а не частку людей із повністю правильною відповіддю. Саме так сформульовано P-value в методичних матеріалах УЦОЯО: знаменник — максимальна кількість балів, яку всі учасники могли б отримати за це завдання. Ця формула добре працює для освітніх завдань із визначеним максимумом, однак її не слід автоматично переносити на будь-яку психологічну шкалу з категоріями відповідей. Складність залежить від вибірки Scheuneman і Steinhaus підкреслювали принципову річ: традиційна item difficulty є статистичним поняттям, визначеним через виконання завдання людьми, а не лише через «внутрішні» властивості самого item. Та сама задача може мати p = 0,85 у сильній підготовленій групі і p = 0,40 у групі з нижчим рівнем відповідної здібності. Обидва числа можуть бути коректними. Тому вислів «це завдання має складність 0,42» неповний без опису вибірки, умов проведення і способу scoring. У класичній теорії тестів показник p є sample-dependent. Якщо складність порівнюють між роками, мовними версіями, формами тесту або групами, потрібно відрізняти реальну зміну item functioning від зміни складу учасників. Оцінка має статистичну невизначеність Спостережене p — вибіркова оцінка. За малого N воно може помітно коливатися випадково. Для важливих рішень доцільно повідомляти розмір вибірки, правила роботи з пропусками і, за потреби, інтервал невизначеності. Псевдоточність на кшталт p = 0,673 при кількох десятках респондентів не робить оцінку стабільною. Особливо обережно слід читати крайні значення. Якщо майже всі відповіли правильно або майже всі помилилися, спостережена частка може бути дуже чутливою до кількох відповідей, а можливості оцінити зв’язок item із загальним рівнем здібності в цій вибірці звужуються. Чи існує універсально «правильна» складність Ні. Для окремих програм оцінювання можуть існувати робочі категорії, але вони не є універсальними законами психометрії. У звітах УЦОЯО, наприклад, діапазон 40–59% названо оптимальним для конкретної системи аналізу, а сусідні діапазони — легкими або складними. Це операційна класифікація, корисна в її контексті, а не стандарт, який треба механічно застосовувати до всіх тестів. Чому p = 0,50 часто вважають привабливим Для дихотомічної змінної дисперсія дорівнює p(1 − p) і максимальна при p = 0,50. Тому завдання середньої емпіричної складності часто створює найбільшу варіативність відповідей у конкретній вибірці. Огляд Cappelleri, Lundy і Hays пояснює цю логіку в контексті item evaluation. Проте максимальна варіативність відповіді ще не означає максимальну цінність item для будь-якої мети. Коли дуже легкі й дуже складні завдання потрібні Якщо тест має точно розрізняти високі рівні здібності, йому потрібні завдання, які не стають занадто легкими для сильних учасників. Якщо головна задача — перевірити базове мінімальне засвоєння, навмисно легкі items можуть бути змістово необхідними. Для адаптивного тестування потрібен банк завдань, що покриває широкий діапазон латентної шкали. У критеріально орієнтованих тестах розподіл складності часто проектують навколо важливого порогу рішення. У нормоорієнтованих тестах може бути важливим ширше розсіювання. Тому питання «який p найкращий?» без intended use поставлене занадто вузько. Спершу визначають, для якого рішення створено тест і де на шкалі потрібна точність. Що впливає на емпіричну складність завдання Складність виникає у взаємодії вимог завдання й характеристик респондента. На неї впливають не лише знання або здібність, яку тест планує виміряти, а й читабельність, обсяг робочої пам’яті, мовна складність, знайомість із форматом, часові обмеження, спосіб подання, якість інструкції та стратегія відповіді. Теоретична рамка ETS описує difficulty як функцію вимог task, здібностей та інших атрибутів, які людина використовує для правильної відповіді. Це важливо для validity argument: якщо item стає складним через побічну мовну заплутаність замість цільової математичної операції, він може вимірювати не те, що планувалося. Мова, формулювання і культурний контекст Переклад може змінити синтаксичне навантаження, частотність слів, культурну знайомість прикладу або очевидність дистракторів. Тому однаковий зміст не гарантує однакової емпіричної складності. Наявність українського перекладу також не є доказом валідованої української адаптації інструмента. Час і швидкість виконання У speeded test низьке p наприкінці форми може відображати не лише складність змісту, а й дефіцит часу. Якщо частина учасників систематично не доходить до останніх items, позиційний ефект і швидкість виконання стають альтернативними поясненнями. Такі завдання не варто тлумачити як просто «дуже складні» без аналізу часу й пропусків. Ключ, scoring і технічні помилки Раптово аномально низьке p може виникнути через помилковий ключ, неправильне реверсивне кодування, невраховані кілька правильних відповідей або збій у передачі балів. Перед психологічною інтерпретацією item statistics потрібно перевірити технічний pipeline. Multiple choice: дистрактори і вгадування У завданні з варіантами відповіді спостережене p залежить не лише від знання правильної відповіді. Воно може зростати через випадкове вгадування, тестову кмітливість, граматичні підказки, надто слабкі дистрактори або нерівномірну привабливість варіантів. Тому аналіз складності варто поєднувати з аналізом вибору дистракторів. Дистрактор, який майже ніхто не обирає, може не виконувати своєї функції. Дистрактор, який приваблює сильних учасників частіше за слабких, може сигналізувати двозначність або проблемний ключ. Саме тому число p потрібно читати разом із розподілом відповідей і дискримінативністю. У трьохпараметричній IRT-моделі вводять параметр нижньої асимптоти c, пов’язаний із ненульовою ймовірністю правильної відповіді на низьких рівнях здібності. Огляд базових IRT-моделей ETS пояснює різницю між одно-, дво- і трьохпараметричними моделями. Це ще одна причина, чому observed p і IRT b не є взаємозамінними. Складність і дискримінативність — різні властивості Складність відповідає на питання, наскільки часто або на якому рівні здібності виникає передбачена відповідь. Дискримінативність завдання описує, наскільки відповіді змінюються разом із рівнем цільової ознаки. Завдання може бути середньої складності й майже не дискримінувати, якщо воно двозначне, неправильно ключоване або стосується іншого конструкта. Так само дуже складний item не є автоматично сильним item. Якщо його правильно виконують випадкові учасники або він потребує побічного знання, низький p лише описує рідкість правильної відповіді. Він не доводить, що завдання добре розрізняє саме за цільовою здібністю. Sweeney та співавтори показали, що емпіричний зв’язок між difficulty та discrimination змінюється залежно від теоретичної рамки й набору даних: у CTT, 2PL і 3PL він може мати різний напрям і величину. Тому не слід виводити дискримінативність із одного показника складності. У практичному аналізі завдань тесту складність, дискримінативність, item-rest correlations, розподіл дистракторів і групове функціонування розглядають як взаємодоповнювальні діагностичні сигнали, а не як взаємозамінні метрики. Складність у моделі Раша У найпростішій дихотомічній Rasch-моделі ймовірність правильної відповіді визначається різницею між здібністю людини θ і складністю item b: P(X = 1 | θ, b) = 1 / [1 + exp(−(θ − b))]. Tennant і Küçükdeveci описують цю логістичну залежність як ядро моделі. Якщо θ = b, різниця дорівнює нулю, а ймовірність правильної відповіді — 0,50. Якщо θ на один логіт нижче за b, ймовірність приблизно 0,27; якщо на один логіт вище — приблизно 0,73. Тут складність є координатою item на латентній шкалі, а не часткою правильних відповідей. Що означає вищий b Вищий b означає, що та сама модельна ймовірність відповіді досягається при вищому рівні θ. Наприклад, item з b = 1,2 розташований вище на шкалі, ніж item з b = −0,5. Але різницю 1,7 логіта не можна перекласти як «на 170% складніше». Логіт — одиниця логарифмічного відношення шансів на латентній шкалі. Rasch difficulty має сенс лише всередині моделі та шкали Параметр b не існує окремо від калібрування. Його значення залежить від того, як зафіксована нульова точка і масштаб латентної шкали, яким методом оцінювали параметри та чи відповідають дані вимогам моделі. Для порівняння item parameters між формами потрібне коректне linking/equating або спільна калібрація. Що змінюється у 2PL і 3PL IRT Nguyen та співавтори описують IRT як сімейство моделей, а не одну формулу. У 2PL окрім difficulty b кожен item має власну discrimination a. Параметр a визначає крутизну item characteristic curve, тоді як b визначає її горизонтальне розташування. За стандартної 2PL без нижньої асимптоти b відповідає θ, де ймовірність правильної відповіді дорівнює 0,50. У 3PL додається c — нижня асимптота. Формула має вигляд P(θ) = c + (1 − c) / [1 + exp(−a(θ − b))]. Тоді при θ = b ймовірність дорівнює (1 + c) / 2, а не 0,50, якщо c > 0. Отже, популярна фраза «b — це здібність, де P = 0,50» коректна для Rasch/1PL і стандартної 2PL, але потребує уточнення для 3PL. Це важливе методологічне розрізнення. Одна назва difficulty parameter не гарантує однакову геометричну інтерпретацію у всіх моделях. Перед читанням таблиці параметрів треба знати, яка модель оцінена і яка її параметризація. IRT не робить складність автоматично незалежною від вибірки Одна з переваг IRT — можливість отримувати параметри item, які за достатньої відповідності моделі мають бути стабільнішими щодо зміни розподілу здібності, ніж сире класичне p. Але ця invariance є модельно зумовленою властивістю, а не магічною гарантією. Огляд Michaelides показує, що item parameter invariance передбачає належний model fit і сильні припущення, зокрема щодо одновимірності; параметри можуть дрейфувати через контекст, формулювання, позицію завдання, зміни програми або інші порушення. Тому b теж має стандартну похибку і потребує перевірки стабільності. Якщо дані багатовимірні, items локально залежні або модель не описує реальні response processes, оцінки b можуть змінюватися між групами й формами. У такій ситуації фраза «IRT очистила difficulty від вибірки» вводить в оману. DIF, групові відмінності і справедливість Якщо дві групи мають різне сире p, цього недостатньо, щоб оголосити item упередженим. Групи можуть реально відрізнятися за рівнем цільової здібності. Диференційне функціонування завдання ставить інше питання: чи мають групи різну ймовірність відповіді після контролю рівня вимірюваного конструкта. Диференційне функціонування завдань (DIF) є статистичним сигналом, який потребує змістової інтерпретації. DIF не є автоматичним доказом несправедливості, так само як відсутність DIF не доводить повну fairness. Потрібно оцінювати величину ефекту, контекст, language/cultural adaptation і наслідки рішення. Для багатомовних або кроскультурних версій порівняння difficulty корисне як діагностичний крок, але переклад ≠ валідована адаптація. Якщо українська версія item стала суттєво легшою або складнішою, це може вказувати на зміну wording, cultural familiarity або response process; причину потрібно досліджувати, а не вгадувати за одним числом. Політомічні завдання: замість одного числа можуть бути пороги Для item із категоріями 0–1–2–3 або шкал типу «ніколи — іноді — часто — майже завжди» один показник difficulty часто занадто грубий. Kim і Wilson розрізняють overall item location і step difficulty parameters у політомічних IRT-моделях. Кожен поріг описує перехід між сусідніми категоріями або іншу модельно визначену межу. У graded response model, як пояснює огляд Cappelleri та співавторів, difficulty/severity parameters можуть відповідати рівням латентної ознаки, де ймовірність відповісти нижче певної категорії дорівнює ймовірності відповісти на цій або вищій категорії. Отже, один item може мати кілька threshold parameters. Шкала Лайкерта не є екзаменаційним питанням Для твердження «Мені важко заснути» відповідь «часто» не є правильною, а «ніколи» — неправильною. Тут терміни location, severity або threshold зазвичай точніші за «складність». Якщо дослідник все ж дихотомізує відповіді, він створює нову змінну і має обґрунтувати межу; звичайне p як «частка правильних» до такого item не застосовується. У клінічних і symptom scales параметр item severity не є діагнозом і не перетворює окрему відповідь на клінічний висновок. Скринінговий score, latent trait estimate і діагностичне рішення належать до різних рівнів оцінювання. Складність, надійність і валідність Item з бажаним p не стає валідним автоматично. Валідність стосується обґрунтованості інтерпретацій і використання балів; reliability — точності та відтворюваності вимірювання. Difficulty описує лише один аспект функціонування завдання. Статистично «ідеальний» item може бути змістово зайвим, а змістово критичний item може бути дуже легким. Саме тому змістова валідність має оцінювати репрезентативність, релевантність і повноту домену. Оптимізація тесту лише за p та item-total correlations здатна звузити зміст до того, що найкраще поводиться у конкретній вибірці. Так само надійність не можна максимізувати нескінченним видаленням легких або складних items. Надійність конкретного score залежить від варіації респондентів, довжини тесту, структури помилок і цільової популяції. Difficulty лише взаємодіє з цими чинниками. Як аналізувати item difficulty на практиці 1. Визначити intended use і цільову популяцію Спочатку формулюють, для кого створено тест, який конструкт він вимірює і яке рішення підтримує. Difficulty, що корисна для відбору найсильніших абітурієнтів, може бути невдалою для скринінгу базового рівня навички. Без intended population число p позбавлене головного контексту. 2. Перевірити scoring, ключ і пропуски До статистичного аналізу перевіряють правильний ключ, реверсивне кодування, часткові бали, правила щодо пропущених відповідей та технічні перетворення. Знаменник p має бути визначений явно: усі учасники, лише ті, хто відповів, чи інша заздалегідь задана група. 3. Обчислити описову складність Для дихотомічного item обчислюють p; для partial-credit — доречний нормований середній бал або інший показник, що відповідає scoring model. Разом із числом повідомляють N і, коли це важливо, невизначеність оцінки. 4. Подивитися на категорії та дистрактори Одне p не показує, чому люди помилялися. Розподіл варіантів відповіді допомагає побачити нефункціональні дистрактори, підказки, неоднозначність і технічні аномалії. Для політомічних шкал аналогічно аналізують використання категорій та порогів. 5. Читати difficulty разом із discrimination Перевіряють дискримінативність, item-rest statistics та інші показники, придатні для формату даних. Легкість або складність не замінює інформацію про те, чи відповіді узгоджуються з цільовою ознакою. 6. Якщо застосовується IRT — оцінити model fit Перед інтерпретацією b або threshold parameters перевіряють припущення й fit обраної моделі. Для Rasch/IRT це може включати одновимірність, локальну незалежність, item fit, category functioning та інші діагностики, релевантні конкретній моделі. 7. Перевірити групове функціонування Якщо тест використовується в різних мовних, гендерних, вікових, освітніх або інших релевантних групах, аналізують не лише сирі p, а й DIF або інші відповідні методи measurement invariance. Це допомагає відрізнити різницю у trait distribution від різниці у функціонуванні самого item. 8. Перевірити стабільність на нових даних Рішення про редагування або вилучення item не варто будувати на одній випадковій вибірці, особливо якщо N малий або item працює біля порогу. Крос-валідація, нова форма, інша когорта або повторна калібрація показують, чи зберігається висновок. 9. Поєднати статистику зі змістовою експертизою Остаточне рішення має враховувати конструкт, змістовий blueprint, вимоги справедливості, доступність, цільове рішення та захищеність тестових матеріалів. Психометричний індекс є аргументом у рішенні, а не автоматичним правилом видалення. Як правильно звітувати складність завдань У звіті варто назвати теоретичну рамку: CTT, Rasch, 2PL, 3PL, graded response model, partial credit model або іншу. Далі описують формат item, scoring, формулу difficulty, напрям шкали і правила роботи з missing responses. Якщо в таблиці використано p, читач повинен одразу розуміти, чи високе значення означає легкість. Для CTT повідомляють N і склад вибірки, p або нормований score, бажано uncertainty для ключових рішень. Для IRT повідомляють модель, спосіб калібрування, b/threshold estimates та їх стандартні похибки, fit diagnostics, спосіб фіксації латентної шкали і, якщо порівнюються форми, linking/equating procedure. Standards for Educational and Psychological Testing наголошують на документуванні характеристик вибірки, статистичної моделі, процедур screening та evidence щодо item functioning. Така прозорість важливіша за красивий ярлик «оптимальна складність». Типові помилки інтерпретації Помилка 1. «p = 0,80 означає дуже складне завдання» У найпоширенішій класичній конвенції навпаки: p = 0,80 означає, що 80% проаналізованих відповідей правильні, тобто завдання було легким для цієї групи. Якщо автор використовує q = 1 − p як індекс буквальної трудності, це повинно бути написано прямо. Помилка 2. «p = 0,50 — універсальний стандарт якості» Значення 0,50 максимізує дисперсію дихотомічної відповіді, але не визначає змістову цінність item і не враховує intended use. Тест може навмисно містити items значно легші або складніші. Помилка 3. «Складніший item краще вимірює здібність» Ні. Складність і вимірювальна якість не синоніми. Надзвичайно складне завдання може бути неінформативним для більшості цільової популяції, а просте може бути критично важливим для базового порогу або coverage construct. Помилка 4. «Difficulty і discrimination — одне й те саме» Difficulty описує розташування або частоту успішної відповіді; discrimination — зміну response probability разом із рівнем ознаки. Ці характеристики можуть бути пов’язані, але мають різні визначення і не повинні підміняти одна одну. Помилка 5. «Класичне p можна порівнювати між будь-якими вибірками» Порівнювати можна лише з урахуванням складу групи й умов. Різні p не доводять, що item «змінився»: могла змінитися здібність вибірки. Для строгого порівняння потрібна відповідна design/model strategy. Помилка 6. «IRT b — це просто трансформоване p» Ні. b оцінюється всередині латентної моделі й має іншу інтерпретацію. Його зв’язок з observed p залежить від розподілу θ, discrimination, guessing, моделі, fit та інших умов. Помилка 7. «IRT гарантує інваріантність» Parameter invariance є очікуваною властивістю за адекватної моделі й коректного калібрування. Model misfit, multidimensionality, local dependence, DIF, context effects і parameter drift можуть порушувати практичну стабільність оцінок. Помилка 8. «Однакова difficulty після перекладу доводить еквівалентність» Ні. Подібні числа не доводять semantic equivalence, construct equivalence або fairness. Так само різні числа не є автоматичним доказом bias. Потрібні змістова перевірка, cultural adaptation і відповідні групові моделі. Помилка 9. «Складність symptom item визначає діагноз» Ні. Навіть якщо клінічний item має IRT severity parameter, це лише характеристика функціонування завдання у моделі. Окрема відповідь, окремий threshold або сумарний screening score не є самостійним діагнозом. Одна назва — три різні числа Уявімо одне дихотомічне завдання. У класичному аналізі p = 0,72 означає: 72% валідних відповідей у цій вибірці були правильними. Якщо той самий автор вирішив називати буквальну трудність q = 1 − p, він отримає q = 0,28. Це два комплементарні описи тієї самої observed proportion, але напрям шкали протилежний. Після IRT-калібрування той самий item може мати, наприклад, b = 0,80 на обраній логітній шкалі. Число 0,80 тепер не означає 80% і не дорівнює p. Воно означає location item відносно θ у конкретній параметризації моделі. Саме тому таблиця без назви моделі, формули й напряму шкали є недостатньою. Коректний звіт робить різницю між p, 1 − p і b машинно та людськи однозначною. Практичні наслідки для тестів здібностей і досягнень Під час конструювання тесту не намагаються зробити всі items «середніми». Набір завдань має покривати змістовий blueprint і той діапазон здібності, де тест повинен бути точним. Якщо всі завдання легкі, виникає ceiling effect; якщо всі складні — floor effect. Ширший або цілеспрямовано зміщений діапазон difficulty може бути правильним рішенням залежно від мети. Для item bank і computer adaptive testing каліброване b особливо важливе: алгоритм добирає завдання відповідно до поточної оцінки θ і потрібної інформації. Тут observed p з однієї вибірки не замінює IRT calibration. Для звичайного фіксованого тесту difficulty також потрібна, але рішення про item слід приймати разом із аналізом завдань, дискримінативністю, змістовим coverage, reliability evidence, валідністю і fairness. Scientific status: що в цій темі є усталеним, а що залежить від моделі Усталено: у CTT для дихотомічних achievement/ability items p як частка правильних відповідей є стандартною описовою характеристикою, і її значення залежить від аналізованої групи. Так само усталено, що difficulty та discrimination — різні психометричні властивості. Усталено: у Rasch/IRT difficulty описується модельними item parameters або category thresholds, а їх інтерпретація визначається конкретною моделлю та параметризацією. Твердження про invariance є умовним щодо model fit і design. Залежить від контексту: категорії «дуже легке», «оптимальне», «дуже складне», цільовий діапазон p та правила редагування. Такі пороги є operational rules конкретної програми, а не природними межами психометричної реальності. Залежить від evidence: чи потрібно вилучати item, чи змінювати wording, чи зберігати його заради content coverage. Це рішення не виводиться з одного числа і має бути задокументоване. FAQ Що таке item difficulty простими словами? Це показник того, наскільки легко або складно люди відповідають на item, або модельна координата, що показує, де завдання розташоване на латентній шкалі. Точне значення залежить від CTT, Rasch/IRT та формату item. Що означає P-value = 0,70 для тестового завдання? У звичайній CTT-конвенції це означає, що 70% валідних відповідей у проаналізованій групі були правильними або, для нормованого partial-credit показника, набрано 70% максимально можливого балу. Це радше легше, а не складніше завдання. Чому високий p означає легше завдання? Тому що p визначають як частку успішних відповідей. Чим більше людей відповіли правильно, тим більше p. Якщо автор хоче, щоб більше число означало більшу трудність, він може використати 1 − p, але має чітко це зазначити. Чи є p = 0,50 найкращою складністю? Не універсально. Воно максимізує дисперсію дихотомічної відповіді, але оптимальна difficulty залежить від мети тесту, cut score, цільової популяції, content blueprint і потрібного діапазону точності. Чим p відрізняється від IRT параметра b? p — observed proportion у конкретній вибірці. b — параметр location завдання на латентній шкалі в заданій IRT-моделі. Вони пов’язані через response model і distribution θ, але не є одним числом у різних одиницях. Що означає b = 0 у Rasch-моделі? Це означає, що item розташований у нульовій точці обраної латентної шкали. Людина з θ = 0 має для такого дихотомічного item модельну ймовірність правильної відповіді 0,50. Нуль не означає «відсутність складності». Чи можна порівнювати p між різними роками або групами? Можна описово, але різницю слід інтерпретувати з урахуванням різного складу вибірок, умов, змісту форми та можливого DIF. Самої різниці p недостатньо, щоб стверджувати, що item став простішим або упередженим. Як оцінюють difficulty для шкали Лайкерта? Залежно від моделі використовують category thresholds, item location або severity parameters. Частка «правильних» відповідей зазвичай непридатна, бо категорії Лайкерта не є правильними та неправильними. Чи треба видаляти дуже легке або дуже складне завдання? Не автоматично. Спочатку перевіряють intended use, змістову необхідність, discrimination, scoring, дистрактори, sample composition, floor/ceiling effects, DIF і модельний fit. Крайня difficulty може бути запланованою. Чим difficulty відрізняється від discrimination? Difficulty описує частоту успішної відповіді або location item; discrimination описує, наскільки response probability змінюється разом із рівнем цільової ознаки. Середньо складний item може дискримінувати слабо, а складний — добре або погано. Чи можна за difficulty окремого item робити клінічний висновок? Ні. Item difficulty або severity є властивістю функціонування завдання в даних чи моделі. Діагностика потребує валідованого assessment process, відповідної популяції, норм, клінічної інформації та професійної інтерпретації. Пов’язані статті Аналіз завдань тесту: складність, дискримінативність, кореляції item-total і рішення про редагування — ширша процедура item analysis, у якій difficulty є лише одним із показників. Дискримінативність завдання: як item відрізняє респондентів з різним рівнем вимірюваної ознаки — окремо про discrimination index, point-biserial, item-rest і IRT-параметр a. Модель Раша: як вона пов’язує складність завдання, здібність і ймовірність відповіді — детально про θ, b, логіти, fit і Rasch measurement. Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів — загальна рамка психологічного вимірювання. Класична теорія тестів: істинний бал, похибка вимірювання і надійність — контекст для класичних item statistics і залежності від вибірки. Диференційне функціонування завдань (DIF): коли однаковий рівень конструкта дає різну ймовірність відповіді в різних групах — групове функціонування та fairness. Змістова валідність: чи охоплюють завдання тесту той конструкт, який потрібно виміряти — чому статистично зручна difficulty не замінює змістову репрезентативність. Психологічний тест: що це, з чого складається і за якими ознаками оцінюють його якість — базова сторінка про стандартизоване тестування. Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. Cappelleri, J. C., Lundy, J. J., & Hays, R. D. (2014). Overview of Classical Test Theory and Item Response Theory for Quantitative Assessment of Items in Developing Patient-Reported Outcome Measures. Clinical Therapeutics, 36(5), 648–662. Council of Europe. (2004). Reference Supplement to the Preliminary Pilot Version of the Manual for Relating Language Examinations to the Common European Framework of Reference for Languages. De Champlain, A. F. (2010). A primer on classical test theory and item response theory for assessments in medical education. Medical Education, 44(1), 109–117. Guo, H., Lu, R., Johnson, M. S., & McCaffrey, D. F. (2022). Alternative Methods for Item Parameter Estimation: From CTT to IRT. ETS Research Report RR-22-12. Kim, J., & Wilson, M. (2020). Polytomous Item Explanatory Item Response Theory Models. Educational and Psychological Measurement, 80(4), 670–693. Michaelides, M. P. (2010). A Review of the Effects on IRT Item Parameter Estimates with a Focus on Misbehaving Common Items in Test Equating. Frontiers in Psychology, 1, 167. Nguyen, T. H., Han, H.-R., Kim, M. T., & Chan, K. S. (2014). An Introduction to Item Response Theory for Patient-Reported Outcome Measurement. The Patient, 7(1), 23–35. Scheuneman, J. D., & Steinhaus, K. S. (1987). A Theoretical Framework for the Study of Item Difficulty and Discrimination. ETS Research Report RR-87-44. Sweeney, S. M., Sinharay, S., Johnson, M. S., & Steinhauer, E. W. (2022). An Investigation of the Nature and Consequence of the Relationship between IRT Difficulty and Discrimination. Educational Measurement: Issues and Practice, 41(4), 50–67. Tennant, A., & Küçükdeveci, A. A. (2023). Application of the Rasch measurement model in rehabilitation research and practice: early developments, current practice, and future challenges. Frontiers in Rehabilitation Sciences, 4, 1208670. Український центр оцінювання якості освіти. (2024). Офіційний звіт: психометричні характеристики завдань ЄВІ 2024, том 2.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Пілотне дослідження психологічного тесту — це випробування попередньої версії методики на представниках майбутньої цільової популяції до того, як розробник переходить до дорогої й масштабної психометричної перевірки, остаточного закріплення процедури та, за потреби, нормування. Пілот допомагає побачити, чи люди розуміють інструкції та завдання так, як задумано, чи працюють формати відповідей, час, порядок подання, технічний інтерфейс і правила підрахунку, а також які завдання поводяться підозріло й потребують перегляду. У Standards for Educational and Psychological Testing пілотне й польове випробування розглядаються як частина розробки, що має виявляти проблеми змісту, формату та процедури до операційного використання тесту. Пілот не є сертифікатом якості й сам по собі не робить тест «валідним», «надійним» або «стандартизованим». Він створює ранні докази й, головне, дає підстави змінити інструмент, поки це ще можна зробити без руйнування великого дослідження. Систематичний огляд рекомендацій щодо перегляду психологічних тестів описує пілотування як окрему фазу перед подальшою стандартизацією: польове випробування дає зворотний зв’язок про зміст і процедури, а кількісне пілотування — дані для аналізу завдань та їх добору. Cronje, Watson і Stroud, 2022. Що таке пілотне дослідження психологічного тесту У психометрії словом «пілот» називають контрольоване випробування ще не остаточної версії тесту. Його предметом є не лише набір запитань. Перевіряють увесь ланцюг вимірювання: формулювання інструкцій; зрозумілість стимулів і варіантів відповіді; час; послідовність; спосіб адміністрування; технічну реалізацію; пропуски; правила кодування; підрахунок; поведінку окремих завдань; реакції учасників; можливі бар’єри для різних груп. Standards прямо вказують, що пілотні й польові вибірки мають включати людей з передбачуваної популяції та релевантних підгруп, а аналіз має бути здатним виявити властивості дизайну, змісту або формату, які спотворюють заплановані інтерпретації результатів. Терміни «пілотне дослідження», «пілотне тестування» і «пілотажне тестування» в літературі часто перекриваються. «Польове тестування» іноді використовують для ширшого випробування ближчої до фінальної форми в реалістичних умовах, з достатніми даними для статистичного аналізу завдань. Межа між цими назвами залежить від галузі й проєкту, тому важливіше явно описати мету, версію інструмента, вибірку, процедуру й рішення, які прийматимуться за результатами. Науковий статус пілоту: етап розробки, а не доказ «готовності» тесту Пілотування є усталеною частиною сучасної розробки вимірювальних інструментів. У методологічному огляді Boateng та співавторів pre-testing включено до фази розробки шкали після формування й оцінювання пулу завдань: когнітивні інтерв’ю та польове попереднє тестування використовують, щоб зменшити нерозуміння, когнітивне навантаження й пов’язану з формулюванням похибку вимірювання. Для patient-reported outcome measures COSMIN Manual окремо оцінює якість пілотного дослідження зрозумілості інструкцій, завдань, варіантів відповіді та періоду пригадування у представників цільової популяції. Ці джерела мають різну сферу застосування. AERA/APA/NCME Standards стосуються освітнього й психологічного тестування загалом. Boateng та співавтори дають методологічний primer для шкал у health, social і behavioral research. COSMIN спеціалізується передусім на інструментах результатів, які повідомляють самі пацієнти, тому його критерії не слід механічно переносити на кожен когнітивний, освітній чи професійний тест. Спільний принцип, однак, стабільний: попередню форму перевіряють на людях, для яких її створено, а виявлені проблеми виправляють до фінального етапу. Чому «перед валідацією» не означає «до будь-яких доказів валідності» Валідація не починається в один день після завершення пілоту. Докази на користь запланованої інтерпретації балів накопичуються від самого початку: теоретичне визначення конструкта, покриття змісту, експертний аналіз, відповіді цільових користувачів під час когнітивних інтерв’ю, внутрішня структура, зв’язки з іншими змінними, наслідки використання. Тому практична формула «пілот перед валідацією» означає: пілот перед великомасштабною психометричною перевіркою й перед висновками про достатність доказів для конкретного використання. Пілот може дати ранні validity evidence, наприклад показати, чи респонденти розуміють питання відповідно до задуманої конструкції. Але зрозумілість і face validity не є доказом повної construct validity. Так само красиві кореляції на невеликій зручній вибірці не перетворюють чернетку на готовий тест. Детально про логіку сучасної валідності — у статті «Валідність психологічного тесту». Де пілот стоїть у циклі розробки тесту Типова розробка рухається ітеративно. Спочатку визначають конструкт, ціль вимірювання, популяцію, контекст і заплановане використання балів. Потім створюють або відбирають завдання, перевіряють охоплення змісту й формулювання, проводять когнітивне попереднє тестування або ранній пілот, редагують форму, збирають ширші польові дані, виконують аналіз завдань і структури, оцінюють надійність та інші джерела похибки, збирають різні докази валідності, уточнюють стандартну процедуру, а якщо інтерпретація потребує порівняння з референтною популяцією — створюють норми. Після суттєвих змін цикл може повертатися до нового пілоту. Це означає, що «пілот → стандартизація → валідація» не є жорсткою одноразовою лінією. Частина процедур стандартизується вже для пілоту, щоб дані мали сенс; частина доказів валідності збирається ще до пілоту; після пілоту інструмент може бути змінений, і тоді нова версія потребує повторних доказів. Корисніше мислити не календарними ярликами, а версіями інструмента та питаннями, на які кожен етап має відповісти. Що саме перевіряють під час пілотного дослідження Інструкції. Учасник має зрозуміти, що саме від нього очікують, як обирати відповідь, чи можна пропускати завдання, як змінювати відповідь, що робити в нетиповій ситуації. Неясна інструкція створює систематичну сторонню варіативність: люди можуть відрізнятися балами через різне розуміння процедури, а не через цільовий конструкт. Зміст і формулювання завдань. Пілот виявляє двозначність, надто складну лексику, заперечення, небажані підказки, культурно специфічні припущення, питання, на які частина популяції фактично не може відповісти, та варіанти відповіді, що не покривають реальні ситуації. Когнітивне інтерв’ю дозволяє побачити не лише обрану відповідь, а й процес її розуміння та формування. Формат і навігацію. Для паперової форми перевіряють макет, нумерацію, місце для відповідей, розриви сторінок. Для цифрової — адаптацію до екранів, кнопки, переходи, збереження, випадкову втрату відповіді, відновлення сесії, сумісність із допоміжними технологіями. ITC Guidelines for Translating and Adapting Tests окремо звертають увагу на нові формати завдань і комп’ютерне адміністрування: незнайомство з платформою може змінити результат. Час і навантаження. Фіксують реальний час виконання, розкид часу, втому, різкі прискорення наприкінці, відмови, частоту пропусків. Якщо тест має часові обмеження, пілот допомагає перевірити, чи ліміт відповідає задуму конструкта. Якщо швидкість не є частиною того, що вимірюють, надто жорсткий час може створити construct-irrelevant variance. Адміністрування й scoring. Перевіряють, чи різні адміністратори однаково застосовують інструкції, правила підказок, припинення, кодування відкритих відповідей і підрахунок. Для оцінюваних відповідей потрібні зрозумілі рубрики та навчання оцінювачів; для автоматичного scoring — технічна перевірка логіки, крайніх випадків і пропущених даних. Поведінку завдань. На достатній для конкретного аналізу вибірці оцінюють розподіли відповідей, частоту пропусків, надмірні floor/ceiling effects, складність, дискримінативність, item-total зв’язки, роботу дистракторів, локальні залежності та інші характеристики, релевантні моделі тесту. Такі оцінки на пілоті є попередніми й залежать від вибірки. Детальніше — «Аналіз завдань тесту». Які дані збирають: якісні та кількісні Якісні дані відповідають на питання «чому це не працює?». Когнітивні інтерв’ю, think-aloud, уточнювальні запитання, спостереження адміністратора та відкритий зворотний зв’язок дозволяють розрізнити різні причини однакового статистичного сигналу. Наприклад, високий відсоток пропусків може бути наслідком незрозумілої інструкції, технічного збою, чутливого змісту або того, що варіанти відповіді не підходять частині респондентів. Кількісні дані відповідають на питання «наскільки часто й де це відбувається?». Вони включають пропуски, час, частоти категорій, характеристики завдань, попередні оцінки коефіцієнтів надійності та, за належного дизайну й розміру вибірки, аналіз структури. Standards наголошують на ролі і якісних, і кількісних свідчень під час розробки. Один тип даних не замінює інший. Вибірка пілоту: кого включати Перший принцип — відповідність intended population. Якщо тест створюють для українських підлітків 14–17 років, пілот лише серед студентів-психологів відповідає іншому питанню. Якщо інструмент має працювати для різних освітніх, мовних, вікових або клінічних підгруп, раннє тестування має навмисно шукати місця, де форма працює по-різному. Standards прямо рекомендують включати релевантні підгрупи у попередні дослідження, особливо коли особливості дизайну, мови чи формату можуть впливати на інтерпретацію. Представленість у пілоті не означає, що маленька вибірка має математично відтворити всю структуру населення. Для когнітивних інтерв’ю важливіше охопити різні способи взаємодії з питанням і знайти проблемні випадки. Для кількісної оцінки параметрів завдань, факторної структури, DIF або норм потрібна інша логіка вибірки й значно більше інформації. Скільки людей потрібно для пілотного дослідження Універсального числа немає. Вимога до вибірки випливає з мети. Для кількох раундів когнітивних інтерв’ю потрібна вибірка, здатна виявити основні проблеми розуміння; Boateng та співавтори як практичний орієнтир для такого вузького завдання наводять 5–15 інтерв’ю в раунді, але це не універсальний психометричний стандарт. Для стабільного аналізу параметрів завдань, факторних моделей, IRT, DIF, test-retest або підгруп потрібні окремі обґрунтування, що залежать від моделі, кількості параметрів, розподілів, очікуваних ефектів і запланованої точності. Тому правило «для пілоту достатньо 30 людей» є слабким. Тридцять спостережень можуть бути корисними для певної операційної перевірки й водночас бути явно недостатніми для оцінки складної факторної моделі. Навіть приклад «приблизно 100», наведений ITC для item analysis адаптованого тесту, поданий як modest sample example в конкретному контексті, а не як універсальна межа. Розмір вибірки потрібно обґрунтовувати через запланований аналіз. Що аналізують у пілотних даних Спочатку дивляться на цілісність даних: частку пропусків, неочікувані патерни відповідей, технічні помилки, дублікати, незавершені сесії, час виконання. Потім — на розподіли відповідей по кожному завданню. Для категоріальних відповідей важливо, чи реально використовуються всі категорії; для тестів досягнень — чи завдання не є тривіально легкими або недосяжно складними для передбачуваної групи; для множинного вибору — чи працюють дистрактори. Далі оцінюють зв’язок завдань із відповідною шкалою або тестом та шукають завдання, які поводяться неочікувано. Низька item-total кореляція може бути сигналом проблеми, але не автоматичною причиною видалення. Завдання може охоплювати важливу частину конструкта, мати інший рівень складності або виявляти багатовимірність. Рішення має поєднувати статистику зі змістовою моделлю. Якщо пілотна вибірка й дизайн справді дозволяють, можна проводити попередній факторний аналіз або інші модельні перевірки. Результат трактують як exploratory evidence. Дуже нестабільна модель на малій вибірці не повинна визначати фінальну структуру лише тому, що програмне забезпечення видало факторні навантаження. Пілот і надійність На пілоті можна отримати попередні оцінки надійності, але потрібно називати саме той вид надійності, який оцінюється. Internal consistency, test-retest reliability, inter-rater reliability і parallel-forms reliability відповідають на різні питання. Один коефіцієнт не замінює інші, якщо вони релевантні intended use. Cronbach’s alpha не є універсальним індексом «якості тесту». Він залежить від кількості завдань, їх коваріації та припущень моделі; високе α не доводить одновимірність і не доводить валідність. Видаляти завдання лише для підвищення α небезпечно: можна звузити зміст конструкта й отримати статистично однорідну, але концептуально бідну шкалу. Розгорнуте пояснення — «Надійність психологічного тесту». Пілот і валідність Пілот особливо сильний там, де можна безпосередньо перевірити response processes: як люди прочитали слово, яку ситуацію уявили, чому обрали категорію, що означає для них період «за останні два тижні». Такі дані можуть показати невідповідність між задумом розробника й реальною когнітивною операцією респондента. COSMIN для PROMs прямо виділяє comprehensibility як центральну мету пілоту. Проте пілот не закриває всю валідність. Після редагування форми потрібні докази, що структура балів узгоджується з теорією, зв’язки з іншими змінними відповідають гіпотезам, інтерпретації працюють у intended population, а використання тесту має обґрунтовані межі. Валідність належить не назві інструмента як вічна властивість, а інтерпретації балів для конкретної мети й контексту. Пілот і стандартизація Пілот допомагає створити процедуру, яку потім можна стандартизувати. Якщо під час пробного запуску адміністратори постійно змушені імпровізувати, учасники питають, що означають інструкції, або два способи показу стимулу дають різні результати, фінальний протокол ще не готовий. На цьому етапі правила саме треба змінювати. Після переходу до стандартизованого використання логіка інша: інструкції, часові межі, порядок подання, scoring, допустимі відхилення й документування мають бути чітко задані. Інакше бал змішує цільовий конструкт зі способом проведення. Детальніше про цей рівень — «Стандартизація психологічного тесту». Пілот і нормування Пілотна вибірка зазвичай не є нормативною вибіркою. Вона може бути навмисно невеликою, різноманітною або зручною для пошуку проблем, тоді як норми мають описувати визначену референтну популяцію за заздалегідь обґрунтованим дизайном. Перцентил 80 у випадковій пілотній групі не стає «80-м перцентилем для населення України». Якщо тест передбачає нормативну інтерпретацію, після стабілізації форми потрібне окреме нормування. Норми залежать від популяції, часу, способу добору та версії тесту. Зміна змісту після збирання нормативних даних може зробити попередні норми непридатними. Детальніше — «Норми психологічного тесту». Пілот і аналіз завдань Пілотні дані — природний матеріал для першого item analysis. Але мета не полягає в механічному «очищенні» шкали від усього, що має неідеальні показники. Кожне рішення має відповідати конструктивній карті тесту: що саме вимірює завдання, яку частину змісту воно покриває, чи не є статистична проблема наслідком мови, ключа, способу кодування, неоднорідності вибірки або технічної помилки. Після істотного переписування, зміни ключа, видалення великої частини завдань або зміни формату пілотні параметри описують стару версію. Нова форма потребує нового циклу перевірки. Це одна з причин вести чітке versioning: «форма 0.8» і «форма 0.9» можуть бути схожими текстово, але психометрично це різні об’єкти. Пілот перекладеного або культурно адаптованого тесту Переклад — лише один крок адаптації. International Test Commission рекомендує до великих досліджень надійності, валідності й нормування зібрати пілотні дані адаптованої версії для аналізу завдань, попередньої оцінки надійності та маломасштабних досліджень валідності, щоб потрібні зміни можна було внести завчасно. У перекладеній формі пілот має шукати не тільки граматичні помилки. Потрібно перевірити семантичну еквівалентність, природність української, зрозумілість варіантів відповіді, культурні припущення, нові джерела складності, знайомість із форматом і спосіб адміністрування. Наявність українського тексту не є доказом валідованої української адаптації. Детальніше — «Адаптація і переклад психологічних тестів». Fairness, підгрупи, DIF та measurement invariance Пілот — рання точка, де можна побачити бар’єри для окремих груп: незрозумілу лексику, вимоги до цифрової грамотності, культурно специфічні приклади, проблеми доступності, неприйнятний спосіб відповіді. Якщо тест має застосовуватися для різних груп, ці групи потрібно враховувати ще до фінальної форми, а не після того, як тест уже закріплено. Статистичні питання fairness потребують достатніх даних. Differential item functioning означає, що за однакового рівня латентної ознаки групи мають різну ймовірність певної відповіді; DIF є сигналом для дослідження, а не автоматичним доказом несправедливості завдання. Measurement invariance підтримує порівнюваність вимірювання за моделлю, але сама по собі не гарантує відсутності всіх видів bias. Малий пілот часто здатен лише сформувати гіпотези для майбутньої перевірки. Пілот, measurement error і зміни балів Один пілотний бал не є точною характеристикою людини. Будь-яке вимірювання містить похибку, а на етапі пілоту форма інструмента ще нестабільна. Якщо завдання або scoring змінюються, різниця між двома версіями може відображати зміну самого інструмента, а не real change у людині. Тому SEM як standard error of measurement не слід плутати зі standard error of the mean; MDC описує мінімальну зміну, що перевищує певний рівень очікуваної похибки, тоді як MIC/MID стосується важливості зміни. Reliable Change Index відповідає ще на інше статистичне питання. Пілотне дослідження може допомогти спланувати такі оцінки, але не дає права автоматично називати будь-яку різницю балів клінічно або особистісно значущою. Чому пілотний тест не можна використовувати як приховану діагностику Чернеткова методика, яку ще змінюють, не повинна ставати основою діагнозу, лікування, відбору, освітнього рішення або іншого високоставкового висновку без відповідних доказів для цього використання. Screening, case-finding, assessment, diagnosis, monitoring та outcome measurement — різні функції. Скринінговий результат може показувати потребу в подальшій оцінці, але не є діагнозом. Пілотний cutoff також не є універсальною межею «розлад є / розладу немає». Навіть для завершеного діагностичного інструмента sensitivity і specificity не дорівнюють PPV і NPV: прогностичні значення залежать від поширеності або base rate у конкретній популяції. ROC/AUC описує дискримінацію за певних умов, але не дорівнює клінічній корисності. Порогові значення мають бути пов’язані з intended population, наслідками помилкових рішень і незалежними критеріями. Пілот цифрового, дистанційного або адаптивного тесту Для цифрової методики пілотується не лише психологічний зміст, а й система доставки. Варто перевіряти різні пристрої та розміри екрана, браузери, швидкість з’єднання, логіку переходів, випадкові повторні натискання, збереження незавершеної сесії, таймери, доступність, відображення довгих варіантів відповіді, роботу клавіатури й допоміжних технологій. Технічний збій у психологічному тесті може стати джерелом measurement error так само, як невдала інструкція. Якщо тест адаптивний або має алгоритмічний scoring, пілот має включати перевірку маршрутів і крайніх випадків. Потрібно знати, що відбувається за нетипових патернів, пропусків, мінімальних і максимальних балів, та чи відтворюється результат за тією самою логікою. Валідність математичного алгоритму не випливає з факту, що код працює без помилки. Типові помилки під час пілотування Перша помилка — шукати магічний розмір вибірки. Друга — використовувати лише зручну однорідну групу, хоча тест призначений для ширшої популяції. Третя — збирати тільки числа й не питати, як учасники зрозуміли складні завдання. Четверта — видаляти завдання за одним коефіцієнтом без змістової аргументації. П’ята — багаторазово підлаштовувати форму під одну маленьку вибірку й потім оцінювати її «успіх» на тих самих даних. Шоста помилка — трактувати високе α як доказ валідності. Сьома — виконувати складний factor analysis або DIF-аналіз на даних, які не дають потрібної точності. Восьма — створювати остаточні норми зі зручної пілотної групи. Дев’ята — оголошувати переклад валідованою адаптацією. Десята — застосовувати пілотні cutoff у практиці так, ніби вони вже підтверджені для клінічних або відбіркових рішень. Окремий етичний та правовий ризик — публікація захищених тестових матеріалів. Пілотування не дає права поширювати proprietary items, answer keys, secure scoring rules або неліцензовані копії. Інтелектуальна власність і психометрична якість — різні питання: тест може бути ліцензований, але слабко досліджений для певної популяції; або науково цікавий інструмент може мати обмеження на відтворення. Як документувати пілотне дослідження Добра документація має дозволяти зрозуміти, що саме було випробувано й чому після цього змінилася форма. Варто зафіксувати номер версії; конструкт і intended use; опис цільової популяції; спосіб набору; критерії включення; кількість учасників і причини вибору такого обсягу; контекст і режим адміністрування; інструкції; час; технічне середовище; qualitative procedures; заздалегідь визначені кількісні показники; правила прийняття рішень; усі відхилення від протоколу. Для кожної суттєвої зміни корисно залишити audit trail: проблема → доказ → рішення → нове формулювання або правило → потреба в повторній перевірці. Така таблиця важливіша за декоративну фразу «методика була апробована», бо показує, що саме дізналися з пілоту і як це змінило тест. Коли пілот можна вважати достатнім для переходу до наступного етапу Пілот завершують не тоді, коли отримано бажаний коефіцієнт, а коли його запитання мають достатні відповіді для наступного рішення. Критичні інструкції й формати зрозумілі; технічні й процедурні помилки усунені; немає невирішених системних проблем із пропусками або категоріями відповіді; підозрілі завдання розглянуті; зміни задокументовані; версія тесту стабілізована настільки, щоб збирати ширші дані. Якщо після пілоту переписано інструкцію, змінено спосіб відповіді, додано чи видалено багато завдань або змінено scoring, це вже нова версія. Для критичних змін доцільний ще один коротший пілот. Ітерація — нормальна властивість розробки вимірювального інструмента, а не ознака провалу. Практичний алгоритм пілотного дослідження 1. Зафіксуйте конструкт, intended population, intended use та версію тесту. Формулювання «перевірити, чи тест хороший» замініть на конкретні питання: зрозумілість інструкцій, працездатність формату, діапазон часу, поведінка завдань, технічні помилки, ранні ознаки проблем із надійністю або структурою. 2. Визначте ризики до збору даних. Які слова можуть бути двозначними? Які групи можуть зіткнутися з бар’єром? Які технічні сценарії критичні? Які завдання можуть бути надто легкими, складними або чутливими? 3. Доберіть учасників відповідно до питань пілоту. Для когнітивного pre-test потрібні люди, здатні представляти різні релевантні способи розуміння. Для кількісного item analysis потрібна вибірка, достатня саме для запланованих оцінок. Не підміняйте target population тією групою, яку найпростіше запросити. 4. Поєднайте qualitative і quantitative evidence. Записуйте, де люди зупиняються, що перепитують, як пояснюють вибір відповіді; одночасно аналізуйте пропуски, час, розподіли й характеристики завдань. 5. Визначте decision rules до перегляду результатів. Наприклад: систематично незрозуміла інструкція переписується; технічна помилка блокує перехід до основного збору; завдання з проблемною статистикою обов’язково проходить змістовий review, а не видаляється автоматично. 6. Внесіть зміни й ведіть версії. Зберігайте стару й нову форму, дату, причину зміни та відповідний evidence. Це дозволяє не змішувати дані з різних версій. 7. Повторіть пілот для критичних змін. Не припускайте, що переписане завдання автоматично вирішило проблему. Нова редакція потребує нової перевірки, якщо зміна може впливати на розуміння або scoring. 8. Лише після стабілізації переходьте до ширшої психометричної програми: item analysis, моделі структури, reliability/precision, validity evidence, fairness, стандартизована процедура, норми або критерії — залежно від того, для чого створено тест. Як пілот пов’язаний із якістю психологічного вимірювання Психометрична якість не складається з одного числа. Надійність показує відтворюваність або точність у релевантному сенсі; валідність стосується обґрунтованості інтерпретацій та використання балів; стандартизація контролює процедуру; норми задають референтну систему, якщо вона потрібна; fairness вимагає перевіряти, чи вимірювання працює прийнятно для передбачуваних груп. Пілот з’єднує ці компоненти на стадії, коли інструмент ще можна виправити. Саме тому пілотування варто розглядати як механізм керування ризиком вимірювання. Воно переносить частину помилок із дорогого основного дослідження в дешевший і керований етап розробки. Це не гарантує, що всі проблеми знайдено, але суттєво підвищує шанс, що наступні статистичні оцінки описуватимуть справді задуману форму, а не випадкові недоліки чернетки. Пілотне дослідження в українському контексті В Україні професійний контекст психодіагностики також розрізняє конструювання методики, надійність, валідність, норми, процедуру проведення та інтерпретацію. Всеукраїнська психодіагностична асоціація публікує українські психодіагностичні стандарти й орієнтується на міжнародні стандарти тестування. Для розробника української версії це означає практичну вимогу: не зупинятися на перекладі або локальній «апробації», а документувати повний ланцюг доказів для української популяції та конкретного intended use. Термінологічно для наукового опису найпрозоріше вказувати «пілотне дослідження» або «пілотне тестування» й одразу пояснювати його завдання. Слово «апробація» в українських академічних текстах уживається, але може означати і пробне застосування, і ширший комплекс перевірок. У психометричній документації краще називати конкретні процедури: когнітивні інтерв’ю, пілотне адміністрування, item analysis, reliability study, validity study, norming. Питання і відповіді Чим пілотне дослідження відрізняється від валідації? Пілот перевіряє працездатність попередньої форми та дає ранні докази для її редагування. Валідація — ширша програма аргументації щодо інтерпретації й використання балів. Пілот може бути одним із джерел validity evidence, особливо щодо response processes і зрозумілості, але не замінює всю валідацію. Чи достатньо 20 або 30 учасників? Таке число може бути достатнім для окремої вузької мети й недостатнім для іншої. Для пошуку проблем розуміння важливі повторні якісні інтерв’ю з релевантними учасниками. Для факторної моделі, IRT, DIF, точних коефіцієнтів або підгрупових порівнянь потрібне окреме обґрунтування вибірки. Універсального «мінімуму для пілоту» немає. Чи можна рахувати Cronbach’s alpha на пілоті? Можна як попередню характеристику internal consistency, якщо це відповідає структурі шкали й даним. Але α не є загальним тестом якості, не доводить одновимірність і не доводить валідність. Рішення про зміни завдань не слід приймати лише заради підвищення α. Чи можна робити факторний аналіз на пілоті? Можна, якщо вибірка, кількість завдань, модель і якість даних дають достатню інформацію. У малому операційному пілоті факторний аналіз часто нестабільний і має лише exploratory status. Для фінальних висновків потрібна психометрично обґрунтована вибірка й, бажано, перевірка структури на незалежних даних. Чи можна використати ту саму вибірку для пілоту й фінальної перевірки? Якщо пілотні результати використовувалися для зміни завдань, структури або scoring, ті самі дані вже вплинули на дизайн і створюють оптимістичне оцінювання. Для ключової confirmatory перевірки сильніший дизайн використовує нові або незалежні дані. Для окремих задач можливі інші схеми, але їх потрібно прозоро описувати. Чи потрібен окремий пілот онлайн-тесту? Так, якщо цифровий режим є частиною intended use. Потрібно перевірити інтерфейс, пристрої, таймінг, збереження, доступність, технічні помилки й те, чи новий спосіб адміністрування не змінює психологічне значення завдань. Чи потрібен пілот перекладеної української версії? Так. Переклад не доводить еквівалентність вимірювання. ITC Guidelines прямо рекомендують пілотні дані адаптованого тесту до масштабних reliability, validity та norming studies. Після пілоту все одно потрібні релевантні психометричні докази для української версії. Чи можна встановлювати cutoff після пілоту? Пілот може допомогти побачити розподіл балів і спланувати майбутній аналіз, але поріг для screening, diagnosis або іншого рішення потребує окремого обґрунтування на відповідній популяції, зовнішнього критерію, оцінки sensitivity/specificity та наслідків помилок. Cutoff не є природною межею, яка автоматично з’являється з гістограми. Чи може пілот замінити стандартизацію? Ні. Пілот допомагає відшліфувати процедуру; стандартизація закріплює достатньо однозначні правила проведення й scoring для операційного використання. Якщо пілот показав, що процедуру треба змінити, саме це й слід зробити до її фінального закріплення. Що робити, якщо після пілоту змінилося лише кілька слів? Оцініть, чи могли ці слова змінити зміст, складність або спосіб відповіді. Косметична правка пунктуації може не вимагати повного повторення всього циклу, а зміна ключового терміна в клінічно або культурно чутливому завданні може вимагати нової перевірки зрозумілості. Рішення залежить від потенційного впливу зміни, а не від кількості відредагованих символів. Пов’язані статті Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів Психологічний тест: що це, з чого складається і за якими ознаками оцінюють його якість Аналіз завдань тесту: складність, дискримінативність, кореляції item-total і рішення про редагування Надійність психологічного тесту: що це, які бувають види і чому надійність не дорівнює валідності Валідність психологічного тесту: що це і які докази потрібні для інтерпретації результатів Стандартизація психологічного тесту: єдина процедура, інструкції, підрахунок і умови проведення Норми психологічного тесту: як створюють референтні значення і чому вони залежать від популяції Адаптація і переклад психологічних тестів: чому перекладу недостатньо для валідної української версії Розробка психологічного тесту: від визначення конструкта до валідності, норм і фінальної інтерпретації Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L. (2018). Best Practices for Developing and Validating Scales for Health, Social, and Behavioral Research: A Primer. Frontiers in Public Health, 6, 149. COSMIN. (2024). COSMIN Manual for Systematic Reviews of PROMs, Version 2.0. Cronje, J. H., Watson, M. B., & Stroud, L.-A. (2022). Guidelines for the Revision and Use of Revised Psychological Tests: A Systematic Review Study. Europe’s Journal of Psychology, 18(3), 293–301. International Test Commission. (2017). The ITC Guidelines for Translating and Adapting Tests (Second Edition). Всеукраїнська психодіагностична асоціація. Єдині психодіагностичні стандарти.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Факторне навантаження (factor loading) — це параметр факторної моделі, який описує зв’язок спостережуваного показника з латентним фактором. У психометрії воно допомагає відповісти на практичне запитання: наскільки конкретний пункт, завдання або індикатор пов’язаний із прихованим виміром, який модель намагається описати. Але саме число навантаження не є оцінкою «якості тесту» і не має універсальної межі, після якої пункт автоматично стає добрим, а нижче якої — поганим. У експлораторному факторному аналізі (EFA) навантаження є частиною дослідження можливої структури: усі або майже всі індикатори можуть мати зв’язки з кількома факторами, а результат залежить від методу виділення та обертання. У конфірматорному факторному аналізі (CFA) навантаження оцінюються всередині наперед заданої моделі. Тому число 0,45 в EFA і число 0,45 в CFA не слід читати механічно як одну й ту саму «оцінку якості». Сучасні Standards for Educational and Psychological Testing розглядають внутрішню структуру як одне з джерел доказів валідності для конкретної інтерпретації та використання балів. COSMIN так само оцінює структурну валідність на рівні факторної моделі, а не за одним ізольованим коефіцієнтом. Отже, факторне навантаження має сенс лише разом із теорією конструкта, якістю даних, моделлю, вибіркою та призначенням інструменту. Що саме показує факторне навантаження У найпростішій однофакторній моделі спостережуваний показник можна уявити як поєднання спільної частини, пов’язаної з фактором, і залишкової частини. Навантаження позначає силу та напрям зв’язку індикатора з фактором. Чим більша абсолютна величина навантаження, тим сильніше модель пов’язує цей індикатор із відповідним латентним виміром — за інших однакових умов. Латентний фактор при цьому не спостерігається безпосередньо. Ми бачимо відповіді на пункти, результати завдань або інші показники й моделюємо спільну структуру їхніх зв’язків. Саме це розрізнення між латентними та спостережуваними змінними є основою для правильного розуміння навантажень. Навантаження не треба ототожнювати з причинним ефектом. Навіть коли діаграма CFA малює стрілку від фактора до індикатора, статистична модель сама по собі не доводить, що латентний фактор буквально «спричиняє» відповідь на пункт. Причинна інтерпретація потребує окремих теоретичних та емпіричних підстав. Стандартизоване і нестандартизоване навантаження Нестандартизоване навантаження виражене в масштабі конкретної моделі й залежить від того, як задано одиницю латентного фактора. Воно потрібне для оцінювання параметрів, стандартних похибок, довірчих інтервалів і формальних обмежень моделі, але його величину не завжди зручно порівнювати між індикаторами з різними шкалами. Стандартизоване навантаження переводить зв’язок у безрозмірний масштаб. У простій однофакторній моделі зі стандартизованими змінними значення 0,70 можна читати як сильний позитивний зв’язок індикатора з фактором. За відповідних припущень квадрат такого навантаження, 0,49, пов’язаний із часткою дисперсії індикатора, яку пояснює фактор. Це зручне правило має межі. У моделях із кількома корельованими факторами, перехресними навантаженнями або обертанням не можна механічно квадратувати будь-який коефіцієнт із таблиці й називати результат «відсотком дисперсії, поясненої фактором». Особливо обережно треба читати EFA з косокутним обертанням, де pattern matrix і structure matrix відображають різні види зв’язку. Знак навантаження: плюс і мінус Позитивне навантаження означає, що більші значення фактора пов’язані з більшими значеннями індикатора. Негативне навантаження означає протилежний напрям: зі зростанням фактора очікуване значення індикатора зменшується. Для зворотно сформульованих або реверсивно кодованих пунктів знак може бути цілком очікуваним. Водночас напрям осі латентного фактора частково умовний: усі навантаження одного фактора можна помножити на −1, змінивши орієнтацію фактора, і сутність моделі не зміниться. Тому сам по собі «мінус» не є дефектом. Набагато важливіше, чи узгоджується патерн знаків із кодуванням пунктів, теорією та іншими параметрами моделі. Неочікуваний знак одного пункту серед багатьох очікуваних знаків може вказувати на помилку кодування, специфічний зміст або невдалу специфікацію. Факторне навантаження в EFA Мета EFA — дослідити можливу латентну структуру без жорсткого попереднього закріплення кожного індикатора за одним фактором. Класичний методологічний огляд Fabrigar та співавторів наголошує, що результат EFA залежить від цілого ланцюга рішень: кореляційної матриці, методу виділення, кількості факторів, обертання та способу інтерпретації. Тому таблиця навантажень є результатом конкретної аналітичної конфігурації, а не незмінною властивістю пунктів. У EFA індикатор може мати помітне навантаження на один фактор і водночас ненульові навантаження на інші. Це називають перехресним навантаженням (cross-loading). Воно не завжди є «помилкою»: психологічні пункти часто торкаються кількох близьких змістових аспектів. Проблема виникає тоді, коли патерн навантажень робить фактори нечіткими, суперечить теорії, нестабільний у повторних вибірках або свідчить про те, що проста структура погано описує дані. За косокутного обертання, яке дозволяє факторам корелювати, програмне забезпечення може показувати pattern matrix і structure matrix. UCLA Statistical Methods and Data Analytics пояснює: pattern coefficients є аналогами часткових стандартизованих регресійних коефіцієнтів, тоді як structure coefficients є простими кореляціями індикаторів із факторами. Коли фактори корелюють, ці матриці можуть помітно відрізнятися. Тому фраза «навантаження дорівнює 0,52» без назви матриці іноді є методологічно неповною. За ортогонального обертання фактори задають некорельованими, тому різниця між pattern і structure зникає. У психологічних даних корельовані конструкти дуже поширені, тож автоматичний вибір ортогонального обертання лише заради простішої таблиці може спотворювати змістову структуру. Факторне навантаження в CFA У CFA дослідник задає вимірювальну модель наперед: визначає, які індикатори мають навантажуватися на які фактори, які зв’язки фіксуються на нулі, чи корелюють фактори та які додаткові параметри дозволено оцінювати. Навантаження тут треба читати як один із локальних параметрів усередині цієї конкретної моделі. Велике стандартизоване навантаження не рятує модель, яка в цілому погано описує коваріаційну структуру. І навпаки, прийнятні глобальні індекси відповідності не гарантують, що кожен локальний параметр має змістовно розумну величину. CFA потребує одночасної перевірки глобального fit, навантажень, залишкових дисперсій, факторних кореляцій, локальних залишків, модифікаційних індексів і теоретичної правдоподібності. Статистична значущість навантаження відповідає вузькому питанню: чи сумісні дані з нульовим значенням цього параметра за заданої моделі. За великої вибірки навіть невелике навантаження може бути статистично значущим. Тому p-value не перетворює малий коефіцієнт на практично сильний і не є доказом валідності шкали. Корисніше дивитися на оцінку, стандартну похибку або довірчий інтервал, стабільність і зміст. Чому не існує універсального «хорошого» порога У підручниках, статтях і програмних посібниках часто трапляються евристики на кшталт 0,30, 0,40 або 0,50. Огляд сучасних рекомендацій зі створення шкал Stefana та співавторів показує, що в літературі справді співіснують різні запропоновані межі. Сам факт множинності цих меж уже підказує головне: це практичні правила для певних задач, а не природна константа психометрії. Поріг 0,40 може бути корисним як попередній робочий орієнтир у конкретному дослідженні, якщо його обґрунтовано наперед. Він не означає, що 0,399 є «неприйнятним», а 0,401 — «валідним». Безперервний параметр не стає якісно іншим через одну тисячну. Жорстке бінарне рішення маскує невизначеність оцінки та теоретичний контекст. Стабільність факторного рішення залежить від величин навантажень, спільностей, кількості індикаторів, складності моделі та розміру вибірки. Класична робота MacCallum та співавторів показала, що навіть вимоги до розміру вибірки у факторному аналізі не мають інваріантного універсального правила. Симуляційне дослідження Wolf та співавторів так само продемонструвало широкий діапазон потреб у вибірці для SEM залежно від параметрів моделі, зокрема від величини навантажень. На інтерпретацію також впливають число та кореляції факторів, кількість індикаторів на фактор, перехресні навантаження, нормальність або категоріальність даних, метод оцінювання та помилки специфікації. Симуляції Auerswald і Moshagen показують, що поведінка процедур факторного аналізу змінюється залежно від таких умов, а жодне окреме правило не є найкращим у всіх моделях. Як читати 0,30, 0,40, 0,50 і 0,70 без магічного мислення Значення близько 0,30 іноді використовують як мінімальний рівень, нижче якого зв’язок вважають надто малим для практичної інтерпретації в конкретній шкалі. Значення близько 0,40 або 0,50 часто застосовують як суворіші правила утримання пунктів. Значення близько 0,70 у простій стандартизованій однофакторній моделі означає, що квадрат навантаження становить приблизно 0,49, тобто фактор пов’язаний майже з половиною дисперсії індикатора за відповідних припущень. Усі ці числа треба читати як контекстні орієнтири, а не як універсальні категорії «погано — добре — відмінно». Для вузького, чітко визначеного конструкта можна очікувати вищі навантаження, ніж для широкого конструкта, який навмисно охоплює різнорідні змістові прояви. Пункт із помірним навантаженням може бути важливим для змістового охоплення конструкта. Якщо видаляти все, що не максимізує однорідність, шкала ризикує стати статистично «акуратною», але концептуально збідненою. Чи можна просто видалити пункт із низьким навантаженням Низьке навантаження є приводом для діагностики, а не автоматичною командою delete. Спершу треба перевірити, чи пункт справді належить до конструкта за змістом, чи правильно його закодовано, чи немає проблем із перекладом або формулюванням, чи достатньо варіації відповідей, чи відповідає тип кореляцій і оцінювач типу даних, чи не утворює пункт другорядний фактор або специфічний методичний ефект. Далі слід оцінити, що станеться зі змістовою валідністю після видалення. Якщо пункт репрезентує важливий аспект конструкта, який інші пункти не охоплюють, його видалення лише заради збільшення середніх навантажень може погіршити вимірювання. Рішення має спиратися на сукупність статистичних і змістових доказів. Особливо небезпечно багаторазово видаляти пункти на одній вибірці доти, доки модель не стане «гарною», а потім подавати фінальну структуру як наперед передбачену. Така процедура капіталізує випадковість конкретної вибірки. Модифіковану структуру варто перевіряти на нових даних або принаймні прозоро позначати її як постфактум розроблену. Перехресні навантаження: коли один пункт пов’язаний із кількома факторами Cross-loading означає, що один індикатор має ненульові навантаження більш ніж на один фактор. У EFA це нормальна частина досліджуваної матриці. У класичній independent-cluster CFA перехресні навантаження часто фіксують на нулі, але це є сильним припущенням, а не емпіричною гарантією. Не існує універсальної різниці на кшталт «основне навантаження має бути щонайменше на 0,20 більшим за друге», яка б працювала для всіх конструкцій. Така різниця може бути заздалегідь визначеним робочим правилом у конкретному протоколі. Інтерпретація все одно залежить від теорії, факторних кореляцій, надійності оцінок, повторюваності патерну та того, чи очікується багатовимірний зміст пункту. Малі, але систематичні перехресні навантаження можуть бути важливими. Якщо CFA примусово встановлює їх у нуль, частина спільної варіації може перейти в завищені факторні кореляції або інші параметри. Тому суперечність між EFA та надто «чистою» CFA-моделлю треба досліджувати, а не приховувати. Навантаження і спільність — різні речі Спільність (communality) описує частку дисперсії індикатора, яку спільно пояснює набір факторів у факторній моделі. В однофакторній стандартизованій моделі спільність тісно пов’язана з квадратом навантаження. У багатофакторній моделі, особливо з корельованими факторами, спільність не слід ототожнювати з квадратом одного найбільшого навантаження. Саме тому пункт може мати помірні зв’язки з кількома факторами й водночас суттєву спільну дисперсію. Або навпаки: одне помітне навантаження не гарантує, що вся модель добре пояснює індикатор. Для EFA треба читати навантаження разом зі спільностями та патерном усієї матриці. Навантаження і коефіцієнт кореляції — не завжди одне й те саме У простих ортогональних розв’язках стандартизоване навантаження часто близьке за інтерпретацією до кореляції індикатора з фактором. Але в косокутній EFA pattern coefficient і structure coefficient відрізняються саме тому, що фактори корелюють. У CFA стандартизовані навантаження також залежать від конкретної параметризації та типу стандартизації. Тому в методах дослідження треба вказувати, що саме наведено в таблиці: unstandardized estimate, standardized loading, pattern matrix, structure matrix чи інший параметр. Таблиця без цієї інформації ускладнює відтворення й правильне читання результату. Навантаження, кореляція «пункт — загальний бал» і дискримінація пункту Факторне навантаження не є тим самим, що corrected item-total correlation. Кореляція «пункт — загальний бал» залежить від способу формування загального бала та від інших пунктів шкали. Навантаження оцінюється всередині латентної моделі й має іншу статистичну основу. Навантаження також не є автоматично тим самим, що параметр дискримінації в item response theory. Між моделями можуть існувати математичні зв’язки, але параметри залежать від обраної IRT-моделі, шкалювання латентної змінної та функції зв’язку. Переносити пороги з CFA на IRT-дискримінацію без перетворення не можна. Дані Лайкерта, порядкові категорії та оцінювач Пункти психологічних опитувальників часто мають порядкові відповіді: наприклад, від «ніколи» до «майже завжди». Якщо такі категорії обробляють як неперервні за умов, де це погано виправдано, оцінки навантажень і стандартних похибок можуть змінюватися. Дослідження Flora і Curran показало важливість методів, адаптованих до порядкових даних, зокрема підходів на основі поліхоричних кореляцій і робастного weighted least squares. Тому один і той самий пункт може отримати різні числові навантаження залежно від того, чи модель оцінено як неперервну ML-модель, чи як категоріальну модель із WLSMV/DWLS-подібним оцінюванням. Це ще одна причина, чому універсальний поріг, відірваний від оцінювача й типу даних, є надто грубим правилом. Навантаження і невизначеність оцінки Факторне навантаження в публікації — це оцінка параметра за конкретною вибіркою, а не точне відоме число популяції. Воно має вибіркову невизначеність. Два дослідження можуть отримати 0,42 і 0,51 для того самого пункту через відмінності вибірок, розмірів N, складу популяції, моделі або випадкову похибку. Саме тому MacCallum та співавтори пов’язували відновлення факторної структури з комунальностями та визначеністю факторів, а Wolf та співавтори показали у SEM, що потрібний розмір вибірки залежить від конфігурації параметрів. З практичного погляду корисно повідомляти стандартні похибки або довірчі інтервали, коли це дозволяє метод оцінювання, і перевіряти стабільність моделі в незалежних даних. Дуже високі навантаження теж не є автоматичною перемогою Інтуїтивно здається, що чим ближче навантаження до 1, тим краще. Для окремого добре підібраного індикатора велике навантаження справді може бути бажаним. Але якщо майже всі пункти мають екстремально високі навантаження і дуже подібний зміст, це може означати надмірну семантичну повторюваність: шкала кілька разів запитує майже те саме й звужує охоплення конструкта. Окремий випадок — стандартизоване навантаження понад 1 або від’ємна залишкова дисперсія. Це може бути Heywood case, тобто ознака неприйнятного або проблемного розв’язку. Сучасний методологічний аналіз Heywood cases показує, що вони можуть проявлятися як спільність понад 1, від’ємна залишкова дисперсія або екстремальні параметри залежно від параметризації. Такий результат треба діагностувати, а не хвалити як «навантаження понад 100%». Докладний розбір Heywood cases для факторних та IRT-моделей доступний у відкритій методологічній роботі Wang та співавторів. Серед можливих причин розглядають невдалу специфікацію, особливості вибірки, майже нульову залишкову дисперсію та проблеми оцінювання. Факторне навантаження не дорівнює валідності Навіть дуже високі й стабільні навантаження є доказом лише щодо певної частини внутрішньої структури. Структурна валідність оцінює, наскільки структура балів відповідає теоретичній будові конструкта, але валідність у ширшому сенсі потребує також доказів щодо змісту, процесу відповіді, зв’язків з іншими змінними та наслідків використання. Саме такий багатоджерельний підхід закладено в Standards. COSMIN також розводить структурну валідність, внутрішню узгодженість, міжкультурну валідність/інваріантність, надійність, похибку вимірювання, критеріальну валідність і responsiveness як різні властивості або групи доказів. Одне навантаження не може замінити цю систему. Факторне навантаження не дорівнює надійності Навантаження впливають на те, як індикатори представляють латентний фактор, але не є самостійним коефіцієнтом надійності. Високі навантаження можуть сприяти високій модельній надійності, проте висновок про надійність потребує відповідної моделі та показника. Так само Cronbach’s alpha не можна використовувати як підтвердження того, що кожен пункт має достатнє навантаження або що шкала одновимірна. Для конгенеричних моделей, де навантаження різні, модельні коефіцієнти надійності на кшталт omega часто краще відповідають структурі, ніж припущення про однакові внески пунктів. Але й omega не є заміною аналізу структури: спочатку треба мати змістовно й статистично обґрунтовану модель. Факторні навантаження і культурна адаптація Після перекладу тесту українською високі навантаження в одній вибірці не доводять, що адаптація завершена. Переклад може змінити семантичну складність, розподіл відповідей, локальні залежності та відношення пунктів до конструкта. Потрібні докази для цільової мовної й культурної популяції. У міжгрупових моделях рівність навантажень входить до перевірки метричної measurement invariance. Але навіть успішна інваріантність не означає автоматичної відсутності всіх форм bias або справедливості тесту. Fairness потребує ширшого аналізу призначення, наслідків, доступності, групових відмінностей і потенційного differential item functioning. Що робити досліднику замість механічного порога Перед аналізом сформулюйте, що саме означатиме достатньо виразний зв’язок індикатора з фактором для вашого конструкта й призначення. Якщо використовуєте числовий поріг, назвіть його евристикою та поясніть походження. Не підміняйте цим рішенням змістову експертизу. В EFA оцінюйте всю матрицю: основні й перехресні навантаження, спільності, факторні кореляції, метод обертання, число факторів і стабільність рішення. У CFA розглядайте стандартизовані й нестандартизовані параметри, стандартні похибки, залишкові дисперсії, глобальний і локальний fit, факторні кореляції та можливі ознаки misspecification. Під час розроблення або адаптації шкали корисно спиратися на послідовність рішень, а не на один cutoff. Watkins описує EFA як процес із багатьма взаємозалежними рішеннями; COSMIN оцінює якість структурної валідності на рівні адекватності методів і результатів; Standards вимагають пов’язувати будь-які психометричні докази з конкретною інтерпретацією та використанням балів. Як правильно звітувати факторні навантаження Для EFA вкажіть вибірку, тип даних, кореляційну матрицю, метод виділення, спосіб визначення кількості факторів, обертання, чи дозволено кореляції факторів, яку саме матрицю навантажень наведено, правило відображення малих коефіцієнтів і спосіб роботи з cross-loadings. Не приховуйте коефіцієнти лише тому, що вони нижчі за зручний поріг, якщо це змінює зміст висновку. Для CFA вкажіть специфікацію моделі, оцінювач, обґрунтування роботи з порядковими даними, спосіб ідентифікації, нестандартизовані та/або стандартизовані навантаження, їхню невизначеність, факторні кореляції, залишкові дисперсії та основні індекси відповідності. Якщо модель змінювали після перегляду modification indices, це слід описати прямо. У статті або звіті не варто писати просто «усі навантаження були прийнятними». Краще показати діапазон, таблицю параметрів, правило інтерпретації та винятки. Читач має бачити дані, з яких зроблено висновок. Типові помилки інтерпретації Помилка 1: «0,40 — універсальна межа». Насправді це одна з поширених евристик, придатність якої залежить від задачі. Помилка 2: «чим вище, тим завжди краще». Дуже високі навантаження можуть співіснувати з надмірною редундантністю, вузьким змістом або improper solution. Помилка 3: «значуще навантаження = хороший пункт». Статистична значущість залежить від стандартної похибки та N і не оцінює змістову важливість. Помилка 4: «низьке навантаження треба негайно видалити». Спершу потрібна діагностика змісту, кодування, даних, моделі й наслідків для content validity. Помилка 5: «навантаження — це кореляція». Таке спрощення іноді працює у простих ортогональних ситуаціях, але ламається для косокутних EFA-рішень і різних стандартизацій CFA. Помилка 6: «добрі навантаження доводять валідність тесту». Вони дають лише частину доказів щодо внутрішньої структури. Помилка 7: «однаковий cutoff можна переносити між неперервними, порядковими, бінарними даними й різними оцінювачами». Параметри залежать від моделі та шкалювання. Приклади читання навантажень Приклад 1. У простій стандартизованій однофакторній CFA пункт має навантаження 0,70, а розв’язок є коректним. За стандартних умов квадрат 0,70 дорівнює 0,49, тому фактор пов’язаний приблизно з 49% дисперсії цього індикатора. Це не означає «49% валідності тесту». Приклад 2. В EFA після косокутного обертання пункт має pattern loading 0,55 на фактор A і 0,32 на фактор B. Рішення залежить від змісту обох факторів, factor correlations, структури інших пунктів і того, чи є така багатовимірність теоретично очікуваною. Сам факт 0,32 не наказує видалити пункт. Приклад 3. У CFA пункт має стандартизоване навантаження 0,35 з p < 0,001 у вибірці N = 3000. Низький p-value показує, що параметр статистично відрізняється від нуля за моделлю, але не робить зв’язок великим. Потрібно оцінити зміст, довірчий інтервал і роль пункту в усьому інструменті. Приклад 4. Стандартизоване навантаження оцінено як 1,07, а залишкова дисперсія стала від’ємною. Це не «суперпункт», а сигнал про Heywood case або іншу проблему розв’язку, яку треба дослідити. Факторне навантаження в клінічному та прикладному використанні Факторне навантаження не є діагностичним cutoff. Воно не показує, чи «є» в людини депресія, тривожний розлад, СДУГ або інший стан. Навантаження описує параметр вимірювальної моделі на рівні індикаторів і факторів; клінічна діагностика потребує зовсім іншої процедури та джерел інформації. Так само не можна брати пункт із високим навантаженням і використовувати його як самостійний скринінговий тест без окремих даних про його діагностичну точність. Sensitivity, specificity, PPV, NPV та ROC/AUC відповідають іншим питанням і залежать, зокрема, від intended population та base rate. Короткий висновок Факторне навантаження — один із найважливіших параметрів факторної моделі, але його сила саме в контексті. Воно показує, як індикатор пов’язаний із латентним фактором у конкретній моделі, за конкретних даних і конкретного способу оцінювання. Найкраще питання звучить не «який loading хороший?», а «чи є ця величина, знак і патерн навантажень теоретично осмисленими, статистично стабільними та достатніми для тієї інтерпретації балів, яку ми хочемо робити?». Відповідь потребує всієї факторної структури, а не магічної цифри. FAQ Яке факторне навантаження вважається хорошим? Універсальної межі немає. Значення 0,30, 0,40 або 0,50 часто використовують як робочі евристики, але рішення залежить від конструкта, моделі, типу даних, вибірки, перехресних навантажень, змісту пункту та мети вимірювання. Чи достатньо навантаження 0,50? Іноді 0,50 може бути цілком переконливим, а іноді — недостатнім для конкретної задачі. Потрібно оцінювати весь патерн параметрів і теоретичну роль індикатора, а не лише порівнювати одне число з cutoff. Чи треба видаляти пункт із навантаженням нижче 0,40? Ні, не автоматично. Спершу перевіряють змістову важливість, кодування, розподіл відповідей, можливі cross-loadings, спільність, тип оцінювача, якість моделі й наслідки видалення для охоплення конструкта. Чи можна порівнювати навантаження в EFA і CFA напряму? Обережно. EFA і CFA мають різну логіку специфікації, а в EFA результат додатково залежить від обертання. Перед порівнянням треба знати, чи стандартизовані коефіцієнти, яка матриця наведена та які обмеження має модель. Що означає негативне факторне навантаження? Воно означає протилежний напрям зв’язку індикатора з фактором. Це може бути очікувано для зворотно сформульованого змісту або орієнтації фактора. Неочікуваний знак потребує перевірки кодування й моделі. Чи може стандартизоване навантаження бути більшим за 1? Таке значення може з’явитися в оціненій моделі, але часто воно супроводжує Heywood case — наприклад, від’ємну залишкову дисперсію — і сигналізує про problem solution, яку треба діагностувати. Чим факторне навантаження відрізняється від спільності? Навантаження описує зв’язок індикатора з конкретним фактором. Спільність описує частку дисперсії індикатора, пов’язану з усім набором спільних факторів. У багатофакторних моделях це не одне й те саме. Чи доводить велике факторне навантаження валідність тесту? Ні. Воно може підтримувати певний аспект внутрішньої структури, але валідність потребує сукупності доказів для конкретної інтерпретації та використання балів. Чи є статистично значуще навантаження практично важливим? Не обов’язково. p-value відповідає питанню про сумісність параметра з нульовим значенням за моделлю. Практична величина зв’язку, стабільність і змістова значущість оцінюються окремо. Пов’язані статті Експлораторний факторний аналіз (EFA): як досліджують приховану структуру психологічної шкали Конфірматорний факторний аналіз (CFA): як перевіряють теоретичну структуру психологічного тесту Структурна валідність: чи відповідає факторна структура тесту теоретичній будові конструкта Латентні й спостережувані змінні: як психометрія вимірює те, чого не видно безпосередньо Психометрія: як психологія вимірює властивості, здібності та стани Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. Офіційна сторінка Auerswald, M., & Moshagen, M. (2019). How to determine the number of factors to retain in exploratory factor analysis: A comparison of extraction methods under realistic conditions. Psychological Methods, 24(4), 468–491. https://doi.org/10.1037/met0000200 Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., & Strahan, E. J. (1999). Evaluating the use of exploratory factor analysis in psychological research. Psychological Methods, 4(3), 272–299. https://doi.org/10.1037/1082-989X.4.3.272 Flora, D. B., & Curran, P. J. (2004). An empirical evaluation of alternative methods of estimation for confirmatory factor analysis with ordinal data. Psychological Methods, 9(4), 466–491. https://doi.org/10.1037/1082-989X.9.4.466 MacCallum, R. C., Widaman, K. F., Zhang, S., & Hong, S. (1999). Sample size in factor analysis. Psychological Methods, 4(1), 84–99. https://doi.org/10.1037/1082-989X.4.1.84 Mokkink, L. B., Elsman, E., & Terwee, C. B. (2024). COSMIN guideline for systematic reviews of Patient-Reported Outcome Measures version 2.0. Quality of Life Research. https://doi.org/10.1007/s11136-024-03761-6 Stefana, A., Damiani, S., Granziol, U., Provenzani, U., Solmi, M., Youngstrom, E. A., & Fusar-Poli, P. (2025). Psychological, psychiatric, and behavioral sciences measurement scales: best practice guidelines for their development and validation. Frontiers in Psychology, 15, 1494261. https://doi.org/10.3389/fpsyg.2024.1494261 UCLA Statistical Methods and Data Analytics. A Practical Introduction to Factor Analysis: Exploratory Factor Analysis. Методичний матеріал Wang, S., et al. (2023). Heywood Cases in Unidimensional Factor Models and Item Response Models for Binary Data. PubMed Central Watkins, M. W. (2018). Exploratory Factor Analysis: A Guide to Best Practice. Journal of Black Psychology, 44(3), 219–246. https://doi.org/10.1177/0095798418771807 Wolf, E. J., Harrington, K. M., Clark, S. L., & Miller, M. W. (2013). Sample Size Requirements for Structural Equation Models: An Evaluation of Power, Bias, and Solution Propriety. Educational and Psychological Measurement, 73(6), 913–934. https://doi.org/10.1177/0013164413495237

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Дискримінативність завдання, або item discrimination, — це здатність окремого завдання тесту розрізняти людей із різним рівнем тієї ознаки, яку має вимірювати тест. У найпростішому випадку добре спрямоване завдання дає вищі бали або правильні відповіді частіше людям із вищим рівнем вимірюваної ознаки і рідше — людям із нижчим рівнем. У психометрії це одна з центральних характеристик функціонування item, але її сенс залежить від моделі вимірювання, способу підрахунку балів, вибірки та мети тесту. Standards for Educational and Psychological Testing прямо вимагають, щоб під час оцінювання психометричних властивостей завдань було задокументовано модель — класичну теорію тестів, IRT або іншу, — описано вибірку достатнього розміру й різноманітності та пояснено процедури скринінгу таких характеристик, як складність, дискримінативність і диференційне функціонування завдань. Отже, дискримінативність не існує як універсальна «оцінка якості item», відірвана від даних і моделі. У класичній теорії тестів дискримінативність часто оцінюють через різницю між верхньою і нижньою групами, точково-бісеріальну кореляцію, бісеріальну кореляцію або кореляцію завдання із сумарним балом. У IRT близьку, але не тотожну роль виконує параметр дискримінації a: він описує крутизну зміни ймовірності відповіді вздовж латентної шкали. ETS окремо підкреслює, що оцінювання дискримінативності має різні реалізації у CTT та IRT і що зв’язок між відповідними показниками потребує моделювання, а не механічного прирівнювання. У цій статті слово «завдання» охоплює не лише екзаменаційне запитання з правильною відповіддю. Item може бути твердженням опитувальника, пунктом шкали, стимулом, поведінковим індикатором або іншим елементом, з якого формується тестовий бал. Саме тому «висока дискримінативність» означає різні речі для тесту знань, шкали депресивних симптомів, особистісного опитувальника чи рейтингової шкали. Що саме означає дискримінативність завдання Дискримінативність відповідає на локальне запитання: наскільки відповідь на конкретний item узгоджується з розташуванням респондента на вимірюваному континуумі. Для завдання «правильно / неправильно» очікується, що ймовірність правильної відповіді зростатиме разом із рівнем відповідної здібності або знання. Для шкали з упорядкованими категоріями очікується, що вибір вищих категорій систематично змінюватиметься разом із латентною ознакою відповідно до напряму кодування. Це визначення має важливу умову: критерій, із яким порівнюють item, повинен справді представляти цільову ознаку. Якщо сумарний бал змішує кілька різних конструкцій, сильна або слабка кореляція окремого завдання з цим балом може відображати багатовимірність, а не «добру» чи «погану» якість формулювання. Тому item analysis потрібно читати разом із внутрішньою структурою тесту та конструктною валідністю. Дискримінативність також не є синонімом складності. Завдання може бути дуже легким і при цьому мало розрізняти людей, бо майже всі дають однакову відповідь. Воно може бути складним, але добре розрізняти респондентів у певній ділянці континууму. А може бути середньої складності та все одно працювати слабко через двозначність, неправильне кодування або невідповідність конструкта. Дискримінативність у класичній теорії тестів У класичній теорії тестів статистика завдання прив’язана до конкретної вибірки та конкретної форми тесту. Це принципово для інтерпретації: той самий item може демонструвати іншу дискримінативність у вузькій високоздібній вибірці, у загальній популяції або в групі, для якої завдання має підлоговий чи стельовий ефект. Індекс D: різниця між верхньою і нижньою групами Один із найстаріших і найінтуїтивніших показників — upper–lower discrimination index, або D-індекс. Для дихотомічного завдання його можна записати як D = pᵁ − pᴸ, де pᵁ — частка правильних відповідей у групі з високим загальним результатом, а pᴸ — частка правильних відповідей у групі з низьким результатом. Значення близьке до +1 означає дуже сильне розрізнення в очікуваному напрямі; близьке до 0 — майже відсутнє розрізнення; від’ємне — результат, який потребує перевірки. Історично часто брали верхні й нижні 27% розподілу. Це зручна класична евристика, а не природна межа психометрії. D використовує лише частину даних і залежить від того, як визначено групи, тому його не варто подавати як єдиний показник якості item. Сучасний огляд ETS з аналізу завдань розглядає дискримінативність поряд з іншими статистик завдань у ширшій системі аналізу тесту. Точково-бісеріальна і бісеріальна кореляції Для дихотомічних item поширена точково-бісеріальна кореляція між балом за завданням 0/1 і неперервним тестовим критерієм. Бісеріальна кореляція базується на додатковому припущенні про латентну неперервність дихотомізованої змінної. Lei і Wu у своєму описі класичного item analysis перелічують D-індекс, point-biserial і biserial як різні індекси дискримінації для дихотомічних завдань, а item-total correlation — як один із підходів для політомних item. Ці коефіцієнти не слід змішувати в одну шкалу з універсальними порогами. Вони мають різні статистичні припущення, а величина кореляції залежить від варіативності item, варіативності сумарного бала, довжини тесту, складу вибірки й структури конструкта. Item-total і corrected item-total: проблема частини та цілого Звичайна item-total кореляція може містити аналізоване завдання всередині сумарного бала, з яким його корелюють. Тоді item є частиною обох змінних, і зв’язок частково посилюється математично. Тому в практичному аналізі часто корисніша corrected item-total, або item-rest correlation: бал item корелюють із сумою решти завдань. Zijlmans та співавтори визначають item-rest correlation саме як кореляцію бала конкретного item із сумарним балом інших item. Вони також показують, що в літературі трапляються різні евристичні мінімальні значення — 0,20, 0,30 або 0,40 — і немає одного універсального числа, яке автоматично вирішує долю завдання. Corrected item-total особливо корисна для одновимірних або чітко визначених субшкал. Якщо тест має кілька факторів, item потрібно співвідносити насамперед із тією субшкалою, до якої він належить. Низька кореляція із загальним балом може бути закономірною, якщо загальний бал об’єднує різні змістові домени. Дискримінативність у IRT: параметр a У теорії відповіді на завдання дискримінативність моделюють інакше. У двопараметричній логістичній моделі 2PL для кожного item оцінюють параметр розташування або складності та параметр дискримінації a. Чим більший a, тим крутіше змінюється ймовірність відповіді поблизу відповідної ділянки латентної шкали, тобто item тонше розрізняє людей із близькими рівнями ознаки саме там. Огляд Nguyen та співавторів чітко розрізняє моделі: у Rasch-моделі дискримінація вважається однаковою для всіх item, у 2PL окремо оцінюють розташування і дискримінацію кожного item, а в 3PL додають параметр псевдовгадування. Для політомних відповідей існують моделі, у яких дискримінація може змінюватися між item, і моделі з обмеженням рівної дискримінації. Звідси випливає ключове правило: IRT-параметр a не дорівнює D-індексу, point-biserial чи corrected item-total. Вони можуть бути пов’язані, але належать до різних моделей і шкал. Guo та співавтори спеціально досліджували зв’язок між бісеріальною кореляцією та IRT-параметром дискримінації, що саме по собі показує: перетворення одного показника на інший є модельною задачею, а не тотожністю. Навіть усередині IRT величина a залежить від параметризації, масштабу θ, моделі, припущень і якості fit. Тому фраза «a = 1,5 — це добре» без назви моделі, метрики, вибірки і діапазону θ є неповною. Дискримінація і інформація За інших рівних умов крутіший item у 2PL зазвичай дає більше інформації поблизу своєї ділянки розташування. Однак інформаційна функція залежить не лише від a: важливі також місце item на латентній шкалі, формат відповіді, інші параметри моделі та те, де саме потрібно отримати точне вимірювання. Тому високу дискримінацію не слід відривати від відповідності діапазону тесту. Локальна залежність може викривити a IRT зазвичай спирається на припущення локальної незалежності після врахування латентної ознаки. Якщо два item додатково взаємодіють — наприклад, мають спільний стимул або один фактично підказує інший, — оцінка дискримінації може спотворюватися. Tuerlinckx і De Boeck показали на теоретичних і симуляційних моделях, що ігнорування позитивної item-взаємодії може завищувати оцінений параметр дискримінації у 2PL, а негативної — занижувати. Що означають позитивна, нульова і негативна дискримінативність Позитивна дискримінативність Позитивне значення означає, що item змінюється в очікуваному напрямі разом із тестовою або латентною ознакою. Для тесту знань це зазвичай означає, що респонденти з вищим рівнем знань частіше відповідають правильно. Для правильно закодованої шкали рис чи симптомів — що вищий рівень ознаки пов’язаний із вищим очікуваним балом item. Величина позитивного показника потребує контексту. Слабка позитивна кореляція може бути нормальною для дуже широкого багатовимірного тесту або для item, який навмисно покриває периферійну, але змістово необхідну грань конструкта. Сильна кореляція може бути бажаною, але інколи сигналізує надмірну змістову подібність із сусідніми item. Дискримінативність близька до нуля Значення близьке до нуля означає, що в цій вибірці і за цим критерієм відповіді на item майже не пов’язані з рівнем, який представляє тестовий бал або латентна модель. Причинами можуть бути дуже мала варіативність відповідей, невідповідність item цільовому конструкту, випадкове вгадування, нечітке формулювання, надто неоднорідний зміст тесту, вузький діапазон здібності або недостатня статистична точність. Негативна дискримінативність Від’ємне значення означає, що item поводиться протилежно до очікуваного напряму: люди з вищим загальним рівнем частіше дають відповідь, яка отримує нижчий бал, або навпаки. Це важливий діагностичний сигнал, але ще не пояснення причини. Перед видаленням item потрібно перевірити ключ або ключ оцінювання, реверсивне кодування, помилки імпорту даних, формулювання, кілька можливих правильних відповідей, роботу дистракторів, належність до правильної субшкали, мовне розуміння, часові обмеження, локальну залежність, групову неоднорідність і розмір вибірки. У тестах знань негативний point-biserial нерідко виявляє неправильний ключ або неоднозначний item; в опитувальниках частою причиною буває невраховане реверсивне кодування. Чому немає універсального порога «хорошої дискримінативності» Числа 0,20, 0,30 або 0,40 часто зустрічаються в навчальних матеріалах і прикладних статтях. Їх можна використовувати як локальні правила скринінгу, якщо заздалегідь пояснено метод і мету, але вони не є універсальними психометричними межами. Порогове значення не може мати однаковий зміст для D-індексу, corrected item-total і IRT a. На величину показника впливають довжина тесту, діапазон ознаки у вибірці, частка відповідей у кожній категорії, багатовимірність, формат item, спосіб підрахунку балів, локальна залежність, модель і вибіркова похибка. Саме тому Стандарти AERA / APA / NCME вимагають документувати модель, вибірку та процедуру оцінювання властивості завдань, а не зводять аналіз до єдиного числового порога. Практично це означає: порогове значення може бути підставою для перегляду, але не автоматичним вироком. Item із показником нижче локального порога потрібно дослідити; item із показником вище порога все одно потрібно перевірити на зміст, структуру, справедливість і придатність до цільового використання. Зв’язок між складністю і дискримінативністю У класичній статистиці дуже легкі або дуже складні дихотомічні завдання мають малу варіативність відповідей, а це обмежує можливу кореляцію з тестовим балом. Тому низька observed discrimination інколи відображає не дефект формулювання, а невідповідність складності завдання діапазону конкретної вибірки. Зв’язок не зводиться до правила «середня складність завжди дає найкращу дискримінацію». Sweeney, Sinharay, Johnson і Steinhauer показали, що емпіричний зв’язок між difficulty та discrimination змінюється між CTT, 2PL і 3PL та між наборами даних. Отже, інтерпретувати ці параметри потрібно всередині обраної моделі. Змістова мета теж важлива. Для тесту, який має точно працювати біля певного порогового бала, потрібні item, інформативні саме в цій зоні. Для широкої шкали може бути корисним набір item, що охоплює різні рівні ознаки, а не максимізує один глобальний коефіцієнт. Висока дискримінативність не робить item автоматично «якісним» Статистика може бути високою з небажаних причин. Два майже однакові item можуть сильно корелювати з тим самим сумарним балом, але додавати мало нового змісту. Item може дуже точно відображати вузький фактор і водночас звужувати заявлений конструкт. Спільний стимул або локальна залежність можуть штучно підвищувати параметр. Нарешті, item може добре розрізняти групу за construct-irrelevant характеристикою. Тому статистичний відбір потрібно узгоджувати зі змістовою валідністю. Якщо послідовно видаляти всі item з нижчими кореляціями лише заради максимальної однорідності, шкала може втратити важливі аспекти конструкта. Висока внутрішня гомогенність і висока дискримінативність не замінюють доказу того, що зміст тесту репрезентує заявлену область. Друга проблема — оптимізація на тій самій вибірці. Якщо item обирають переважно за емпіричними зв’язками, частина ефекту може бути випадковою. Стандарт 4.11 у Standards for Educational and Psychological Testing рекомендує перехресну валідацію, коли item або тести відбирають переважно за емпіричними відношеннями, щоб перевірити стабільність результату на незалежних даних. Дискримінативність, DIF і справедливість — це різні питання Item discrimination питає, наскільки item розрізняє рівні ознаки. Диференційне функціонування завдань (DIF) питає інше: чи мають люди з однаковим рівнем цільової ознаки різну ймовірність відповіді залежно від належності до групи. Тому item може мати високу загальну дискримінативність і водночас демонструвати DIF. DIF також не є автоматичним доказом несправедливості або упередженості. Він є статистичним сигналом групової неоднорідності функціонування item, який потребує змістового й контекстуального пояснення. І навпаки, відсутність очевидного DIF в одній вибірці не доводить універсальну справедливість тесту для всіх мовних, культурних і демографічних груп. Інваріантність вимірювання, DIF, дискримінативність завдання і справедливість пов’язані, але не взаємозамінні. Висока дискримінативність не гарантує інваріантність; DIF не означає автоматично несправедливість; інваріантність у конкретній моделі не звільняє від перевірки змісту, доступності та цільового використання. Дискримінативність не дорівнює надійності або валідності Добре функціонуючі item можуть підтримувати точність тестового бала, але item discrimination не є окремим доказом того, що весь тест надійний. Надійність психологічного тесту стосується точності та відтворюваності оцінок у визначеній процедурі вимірювання. Кореляція окремого item із рештою шкали — лише один локальний фрагмент цієї картини. Так само дискримінативність не встановлює валідність. Вона може дати інформацію про внутрішню структуру і функціонування item, але не доводить, що тест справді підтримує заявлену інтерпретацію балів для конкретного використання. Для цього потрібні ширші докази: зміст, структура, процес відповіді, зв’язки з іншими змінними, наслідки й інші релевантні джерела. Не слід також «покращувати» тест шляхом нескінченного видалення item, які знижують alpha. Внутрішня узгодженість є окремою властивістю, а Cronbach’s alpha не є універсальним показником якості тесту. Максимізація alpha може винагороджувати повторюваність і звужувати зміст. Як аналізувати дискримінативність на практиці 1. Спочатку визначити конструкт і цільового використання До розрахунків потрібно зафіксувати, що саме вимірює шкала, для кого вона призначена і як інтерпретуватимуть бал. Без цього навіть математично точний коефіцієнт не має однозначного змісту. Item може бути релевантним для однієї субшкали й нерелевантним для іншої. 2. Перевірити scoring і напрям кодування Спершу перевіряють ключі правильних відповідей, пропуски, реверсивні item, ваги й перетворення категорій. Негативна дискримінативність після помилки кодування не є психометричною властивістю item — це помилка даних. 3. Подивитися на розподіл відповідей Перед кореляціями корисно оцінити частоти категорій, пропуски, floor/ceiling, частку правильних відповідей або середній бал item. Item без варіативності фізично не може сильно корелювати з іншими показниками. 4. Використовувати показник, який відповідає формату item і моделі Для дихотомічних завдань у CTT можуть бути доречними D, point-biserial або biserial; для шкал — corrected item-total/item-rest, item-factor relations та інші показники. Для IRT оцінюють параметри й fit конкретної моделі. Lei і Wu нагадують, що навіть у класичному item analysis набір статистик залежить від формату завдання. 5. Не читати item ізольовано від шкали Потрібно перевірити, до якого фактора належить item, чи не має він крос-навантажень, чи немає локальної залежності, чи збігається статистичний результат із теоретичною роллю item. Низька corrected item-total у багатовимірному інструменті може бути очікуваною, якщо загальний total не є коректним одновимірним критерієм. 6. Перевірити стабільність на іншій вибірці Відбір завдань на тих самих даних, де обчислено коефіцієнти, підсилює ризик підлаштування під випадкові особливості вибірки. Для важливих інструментів потрібні незалежна валідаційна вибірка, повторне польове тестування або інша форма перехресної валідації. 7. Дослідити групове функціонування Якщо тест використовують у кількох групах, загальної дискримінативності недостатньо. Потрібно досліджувати DIF або інші релевантні моделі інваріантності, а зміст item переглядати з урахуванням мови, культури, доступності й потенційної construct-irrelevant variance. 8. Приймати рішення на перетині статистики і змісту Результат item analysis має приводити не до механічного «залишити / видалити», а до діагностичного рішення: залишити без змін, перевірити ключ, переписати, перенести до іншої субшкали, протестувати на новій вибірці, дослідити DIF, змінити scoring або вилучити. Аналіз завдань тесту саме тому є ширшим процесом, ніж один коефіцієнт дискримінативності. Як правильно звітувати дискримінативність Мінімальний прозорий звіт повинен вказувати: формат item; спосіб підрахунку балів; модель аналізу; вибірку та її релевантні характеристики; точне визначення коефіцієнта; чи виключено item із сумарного бала; спосіб формування верхньої і нижньої груп, якщо використано D; програмне забезпечення; невизначеність або стандартні похибки, якщо вони доступні; критерії перегляду; рішення щодо item та його змістове обґрунтування. Наприклад, повідомлення «дискримінативність = 0,34» є недостатнім. Потрібно уточнити, чи це point-biserial, corrected item-rest, D-індекс або IRT a. Для D слід описати, які частки розподілу утворили групи. Для IRT — модель, параметризацію, шкалу θ, метод оцінювання, відповідність моделі даним і стандартну похибку. Відтворюваність важлива ще й тому, що одна й та сама назва «discrimination» приховує різні математичні об’єкти. Guo та співавтори порівнювали бісеріальну кореляцію й IRT discrimination parameter саме як різні оцінювачі, а не як взаємозамінні записи одного числа. Типові помилки інтерпретації Помилка 1: «0,30 — універсальна межа». Ні. Це поширена евристика для частини кореляційних статистик завдань, а її доречність залежить від тесту, вибірки, мети і показника. Помилка 2: «чим більше, тим завжди краще». Надзвичайно висока узгодженість може бути наслідком змістової надлишковості або локальної залежності, а не додаткової вимірювальної цінності. Помилка 3: «низька дискримінативність означає поганий текст item». Причина може бути в невдалому формулюванні, але також у надто легкому/складному item, вузькому діапазоні ознаки, багатовимірності, невідповідному total score, малій вибірці або свідомій змістовій ролі завдання. Помилка 4: «негативний коефіцієнт одразу означає видалення». Спочатку перевіряють ключ, реверсивне кодування, структуру, дані й зміст. Автоматичне видалення може приховати технічну помилку або важливу багатовимірність. Помилка 5: «item discrimination = discriminant validity». Це різні поняття. Дискримінативність item стосується того, як завдання розрізняє рівні ознаки; discriminant validity стосується доказів того, що конструкт емпірично відрізняється від сусідніх конструкцій. Помилка 6: «item discrimination = DIF». Загальна дискримінативність не порівнює групи за однакового рівня θ; DIF саме ставить це умовне групове питання. Помилка 7: «висока дискримінативність доводить валідність». Вона є локальною властивістю функціонування item у певній моделі й вибірці, а валідність стосується обґрунтованості інтерпретацій і використань тестових балів. Психодіагностика, скринінг і клінічне використання У психодіагностиці висока item discrimination не перетворює окреме запитання на діагностичний маркер. Скринінг, case-finding, клінічне assessment, diagnosis, monitoring і outcome measurement мають різні цілі. Якість item потрібно оцінювати всередині валідованого інструмента, для intended population і цільового використання. Дискримінативність також не дорівнює діагностичній sensitivity або specificity. Параметр a в IRT не є чутливістю тесту до клінічного стану; point-biserial не є PPV або NPV; D-індекс не визначає клінічний cutoff. Для діагностичних рішень потрібні окремі дані про reference standard, prevalence/base rate, ROC-характеристики, predictive values, наслідки помилок і клінічну корисність. Один score, один symptom або один screening result не встановлює діагноз. Навіть психометрично сильний інструмент має застосовуватися в межах тієї популяції, мови, культурної адаптації та процедури, для яких є достатні докази. Короткий алгоритм рішення щодо item Якщо дискримінативність низька або негативна, перевірка йде в такому порядку: дані й підрахунок балів → розподіл відповідей → відповідність субшкалі → формулювання і зміст → складність/відповідність діапазону → вимірність/локальна залежність → групове функціонування → повторна оцінка на незалежних даних. Така послідовність зменшує ризик видалити змістово важливий item через один нестабільний коефіцієнт. Якщо дискримінативність висока, перевірка не завершується. Потрібно впевнитися, що item не дублює сусідні, не отримує перевагу через спільний стимул, не звужує конструкт, не демонструє DIF і справді покращує точність у потрібній ділянці шкали. FAQ Що означає висока дискримінативність завдання? Вона означає, що відповіді на item помітно змінюються разом із рівнем цільової ознаки у вибірці та моделі, які аналізують. Точне значення залежить від показника: D, point-biserial, item-rest або IRT a не мають спільної універсальної шкали. Чи є 0,30 універсальною межею хорошої дискримінативності? Ні. 0,30 — поширена евристика для деяких кореляційних статистик завдань. У науковому звіті потрібно назвати конкретний показник, вибірку, модель, мету тесту й обґрунтування критерію. Чому дискримінативність може бути негативною? Серед причин — неправильний ключ, невраховане реверсивне кодування, неоднозначний item, невідповідність субшкалі, багатовимірність, локальна залежність, групова неоднорідність, мала вибірка або статистичний шум. Негативне значення є приводом для діагностики причини. Чим item-total відрізняється від item-rest? Item-total може корелювати item із сумою, до якої входить той самий item, створюючи part–whole overlap. Item-rest виключає аналізоване завдання із сумарного критерію і тому зазвичай є чистішою оцінкою зв’язку item із рештою шкали. Чи можна порівнювати point-biserial з IRT параметром a? Їх можна досліджувати як пов’язані показники, але не прирівнювати. Point-biserial є класичною кореляційною статистикою, а a — параметром конкретної IRT-моделі, залежним від її параметризації та шкали θ. Чим дискримінативність відрізняється від DIF? Дискримінативність описує зв’язок item із рівнем ознаки. DIF перевіряє, чи відрізняється функціонування item між групами після контролю рівня цієї ознаки. Висока дискримінативність не виключає DIF. Чи треба видаляти item з низькою дискримінативністю? Автоматично — ні. Спочатку перевіряють підрахунок балів, зміст, складність, субшкалу, варіативність, структуру, групове функціонування і стабільність оцінки. Іноді редагування або перенесення item є кращим рішенням, а іноді низька дискримінативність закономірна для змістово необхідного елемента. Чи може занадто висока дискримінативність бути проблемою? Так, у певних ситуаціях. Вона може супроводжувати змістову надлишковість, локальну залежність або занадто вузьке охоплення конструкта. Високе число потрібно оцінювати разом із охопленням змісту, вимірністю і моделлю. Пов’язані статті Аналіз завдань тесту: складність, дискримінативність, кореляції item-total і рішення про редагування — ширша процедура item analysis, у якій дискримінативність є одним із діагностичних показників. Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів — загальна рамка психологічного вимірювання. Класична теорія тестів: істинний бал, похибка вимірювання і надійність — основа для інтерпретації класичних статистик завдань. Внутрішня узгодженість шкали: що вона показує і чому не доводить одновимірність — чому item correlations не можна зводити до alpha. Надійність психологічного тесту: що це, які бувають види і чому надійність не дорівнює валідності — точність тестових балів і різні джерела похибки. Конструктна валідність: як перевіряють, що тест вимірює саме задуманий психологічний конструкт — ширший validity argument, у якому item functioning є лише частиною доказів. Змістова валідність: чи охоплюють завдання тесту той конструкт, який потрібно виміряти — чому статистично сильний item ще має бути змістово релевантним. Диференційне функціонування завдань (DIF): коли однаковий рівень конструкта дає різну ймовірність відповіді в різних групах — окреме питання групового функціонування та справедливості. Психологічний тест: що це, з чого складається і за якими ознаками оцінюють його якість — загальна сторінка про стандартизований психологічний тест. Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. Guo, H., Lu, R., Johnson, M. S., & McCaffrey, D. F. (2022). Alternative Methods for Item Parameter Estimation: From CTT to IRT. ETS Research Report, RR-22-12. Lei, P.-W., & Wu, Q. (2007). CTTITEM: SAS macro and SPSS syntax for classical item analysis. Behavior Research Methods, 39(3), 527–530. Moses, T. P. (2017). A Review of Developments and Applications in Item Analysis. In R. E. Bennett & M. von Davier (Eds.), Advancing Human Assessment (pp. 19–46). Springer. Nguyen, T. H., Han, H.-R., Kim, M. T., & Chan, K. S. (2014). An Introduction to Item Response Theory for Patient-Reported Outcome Measurement. The Patient, 7(1), 23–35. Sweeney, S. M., Sinharay, S., Johnson, M. S., & Steinhauer, E. W. (2022). An Investigation of the Nature and Consequence of the Relationship between IRT Difficulty and Discrimination. Educational Measurement: Issues and Practice, 41(4), 50–67. Tuerlinckx, F., & De Boeck, P. (2001). The effect of ignoring item interactions on the estimated discrimination parameters in item response theory. Psychological Methods, 6(2), 181–195. Zijlmans, E. A. O., Tijmstra, J., van der Ark, L. A., & Sijtsma, K. (2018). Item-Score Reliability in Empirical-Data Sets and Its Relationship With Other Item Indices. Educational and Psychological Measurement, 78(6), 998–1020.

Український психологічний ХАБ · Вперше опубліковано: 15 липня 2023 · Оновлено: 23 вересня 2026 · Редакційна політика Психологічний тест — це стандартизований інструмент психологічного вимірювання: він задає, що саме потрібно виконати або на що відповісти, як проводиться процедура, як відповіді перетворюються на бали та які висновки з цих балів допустимі. Американська психологічна асоціація визначає психологічні, або психометричні, тести як стандартизовані інструменти для вимірювання поведінки чи психічних характеристик — від когнітивних здібностей і рис особистості до інтересів, цінностей та емоційного функціонування. Якість тесту не визначається красивим дизайном, складними формулами або тим, що після проходження він видає число. Якісний інструмент має чітку мету, описану популяцію, стандартизовану процедуру, обґрунтовану систему підрахунку, дані про надійність, валідність, похибку вимірювання, норми або інший спосіб інтерпретації, а також правила справедливого й етичного використання. Для одного тесту ці докази можуть бути сильними в певній популяції та слабкими або відсутніми в іншій. Ця сторінка дає загальну карту: з чого складається психологічний тест, як утворюється результат і за якими ознаками оцінюють його якість. Окремі вузли теми докладніше розкриті у статтях про психометрію, психологічне тестування, психологічний конструкт, стандартизацію, надійність та валідність. Коротко: що має бути в якісного психологічного тесту Визначений конструкт і мета вимірювання: зрозуміло, що саме тест має оцінювати і для чого. Описана цільова популяція: вік, мова, контекст, клінічний або неклінічний статус та інші характеристики, від яких залежить інтерпретація. Стандартизована процедура: однакові інструкції, умови проведення, спосіб підрахунку та правила роботи з результатом. Психометричні докази: надійність, похибка вимірювання, валідність і, коли це доречно, чутливість до змін. Норми, критерії або інша система інтерпретації, що відповідає конкретному intended use. Перевірена мовна й культурна адаптація, якщо тест переноситься в іншу мовну або культурну групу. Правила етичного використання, конфіденційності, кваліфікації користувача та захисту тестових матеріалів. У Standards for Educational and Psychological Testing AERA, APA та NCME валідність, надійність/точність, справедливість і належне використання розглядаються як центральні вимоги до тестування. Європейська EFPA Test Review Model 2025 так само оцінює не лише психометричні показники, а й матеріали тесту, норми, валідність, надійність, рівність і різноманітність, цифрові звіти та загальну придатність інструмента. З чого складається психологічний тест Тест — це не просто набір запитань. Повноцінний інструмент утворює систему, у якій пов’язані теоретичне визначення вимірюваної властивості, завдання, процедура проведення, алгоритм підрахунку й правила інтерпретації. Якщо одна з цих ланок невизначена, число в кінці тесту може виглядати точним, але його психологічний зміст залишається слабко обґрунтованим. 1. Конструкт і мета Спочатку визначають, яку психологічну властивість, стан, здатність або поведінкову характеристику потрібно виміряти. Такий теоретично заданий об’єкт називають психологічним конструктом. Самооцінка, робоча пам’ять, тривожність, екстраверсія чи вербальне міркування — різні конструкти, і один загальний бал не може автоматично означати їх усі. Разом із конструктом визначають intended use — для чого результат буде використано. Один інструмент може бути придатним для наукового дослідження, але не для індивідуального клінічного рішення; інший може добре відстежувати зміни в групі, але мати недостатню точність для висновків про одну людину. Якість завжди оцінюють щодо конкретної інтерпретації та конкретної мети. 2. Завдання, запитання або стимули Тест містить спостережувані завдання: твердження самооцінки, питання, задачі на виконання, стимули, поведінкові проби або інші стандартизовані елементи. Їх відбирають так, щоб вони репрезентували потрібний зміст і не додавали систематично сторонніх вимог, які спотворюють результат. Наприклад, тест пам’яті з надмірно складною мовою може частково вимірювати мовну компетентність замість того, що заявлено в назві. 3. Стандартизована процедура Інструкція, порядок пред’явлення, часові обмеження, допустимі підказки, спосіб фіксації відповіді та правила оцінювання мають бути визначені наперед. Саме це є одним із сенсів стандартизації психологічного тесту. Якщо різні люди проходять нібито той самий тест у принципово різних умовах, порівнюваність їхніх балів слабшає. 4. Система підрахунку Відповіді перетворюють на сирий бал за встановленим правилом. Іноді це проста сума відповідей, іноді — зважена система, модель теорії відповіді на завдання, профіль кількох шкал або складніший алгоритм. Сам алгоритм не надає тесту валідності: він лише визначає, як із відповідей утворюється числовий показник. 5. Норми, критерії та правила інтерпретації Сирий бал часто мало що означає без системи порівняння. У norm-referenced тестах його зіставляють із нормативною групою; в criterion-referenced підходах — із визначеним критерієм або рівнем виконання. Можливі також стандартизовані бали, процентилі, профілі шкал та інші перетворення. Важливо знати, для якої популяції й коли створено норми: норма не є універсальною властивістю людства. Які бувають психологічні тести Класифікувати тести можна за тим, що вони вимірюють, хто надає інформацію, якою є форма відповіді та для якої мети інструмент створено. Межі між категоріями не завжди жорсткі, але вони допомагають зрозуміти, чому різні тести потребують різних доказів якості. Когнітивні тести оцінюють, наприклад, загальні або специфічні здібності, пам’ять, увагу, швидкість опрацювання інформації чи виконавчі функції. Особистісні опитувальники вимірюють риси, диспозиції або типові патерни самозвіту; вони не є «читанням особистості» як цілого. Шкали симптомів і станів оцінюють вираженість певних переживань або проявів; частина з них використовується для скринінгу або моніторингу. Тести досягнень і здібностей оцінюють сформовані знання, навички або потенціал виконання певних завдань. Спостережувальні та рейтингові інструменти можуть заповнювати фахівці, батьки, вчителі, партнери або інші інформанти. Performance-based процедури спираються не лише на самоопис, а й на виконання стандартизованих завдань. Окремим форматом є рейтингова шкала: вона задає впорядковані категорії відповіді, але сама наявність шкали від 1 до 5 ще не робить анкету психометрично перевіреним психологічним тестом. Тест, шкала, опитувальник, чекліст і скринінг — це не одне й те саме У повсякденній мові ці назви часто змішують. У методології важливіше не слово на обкладинці, а функція інструмента, правила його застосування та доказова база. Опитувальник може бути повноцінним стандартизованим тестом, а може бути просто набором питань для збору інформації. Шкала може бути одним компонентом великого тесту або самостійним інструментом. Чекліст часто фіксує наявність ознак і не обов’язково утворює валідований психометричний бал. Скринінговий інструмент створюють для первинного виявлення людей, яким може бути потрібне подальше оцінювання. Його позитивний результат означає підвищену ймовірність або необхідність додаткової перевірки, а не автоматичний діагноз. Для скринінгу особливо важливі характеристики діагностичної точності, порогове значення, базова частота стану в популяції та наслідки хибнопозитивних і хибнонегативних результатів. Психологічний тест і психологічне оцінювання Тестування є частиною ширшого процесу. APA розрізняє formal testing і psychological assessment: оцінювання може поєднувати стандартизовані тести з інтерв’ю, спостереженням, анамнестичними даними, медичними чи освітніми документами та іншими джерелами інформації. Тому один тестовий бал не є еквівалентом повної психологічної оцінки. Питання «що показав тест?» і «який висновок можна зробити про людину в цій ситуації?» мають різний масштаб. Друге питання потребує інтеграції даних, контексту й професійного судження. Докладніше сам процес — підготовка, інструкція, проходження, підрахунок, інтерпретація та зворотний зв’язок — розглянуто у матеріалі про психологічне тестування. Як відповіді перетворюються на результат У найпростішому випадку кожна відповідь отримує певне числове значення, після чого значення підсумовують або усереднюють. Але навіть проста сума передбачає низку рішень: які завдання входять до шкали, чи є реверсивні пункти, як працювати з пропусками, чи всі завдання мають однакову вагу, чи допустима інтерпретація загального бала та які межі точності має цей бал. У складніших тестах використовують кілька підшкал, стандартизовані перетворення, латентні моделі, вікові норми або алгоритми адаптивного тестування. Число після обчислення все одно залишається моделлю спостереження. Воно не є безпосереднім «виміром психіки» в тому самому сенсі, у якому лінійка вимірює довжину. Психометрія працює саме з цим переходом: від поведінки та відповідей до обґрунтованого числового представлення конструкта, а потім — до меж того, що з цього представлення можна висновувати. За якими ознаками оцінюють якість психологічного тесту Сучасна оцінка тесту є багатовимірною. EFPA Test Review Model 2025 включає опис тесту, якість матеріалів, норми, надійність, валідність, питання рівності, різноманітності та інклюзії, а також якість автоматизованих звітів. COSMIN у сфері outcome measurement окремо розрізняє reliability, measurement error, validity і responsiveness. Це корисне нагадування: одного коефіцієнта «якості» не існує. Змістова відповідність: чи охоплюють завдання той зміст, який має вимірюватися. Структурна обґрунтованість: чи відповідає внутрішня структура тесту заявленій моделі. Надійність: наскільки результати стабільні або узгоджені за відповідних умов повторення. Похибка вимірювання: якою є невизначеність конкретного бала або зміни бала. Валідність: наскільки сукупність доказів підтримує конкретну інтерпретацію й використання результатів. Норми та інтерпретованість: чи можна зрозуміти місце результату щодо релевантної групи або критеріїв. Справедливість: чи не створює процедура необґрунтованих переваг або перешкод для певних груп. Практична придатність: час, формат, доступність, кваліфікаційні вимоги, цифрова безпека й наслідки рішень. Надійність: наскільки результат відтворюваний Надійність описує точність вимірювання та відтворюваність результату за умов, у яких вимірювана властивість вважається незмінною. Докладний розбір є у статті «Надійність психологічного тесту». Внутрішня узгодженість, test-retest reliability, inter-rater reliability і reliability паралельних форм відповідають на різні питання. Висока внутрішня узгодженість не доводить стабільності результату в часі; стабільність у часі не гарантує узгодженості між оцінювачами. Саме тому фраза «надійність тесту = 0,90» без назви коефіцієнта, дизайну дослідження й популяції має обмежену інформативність. Cronbach’s alpha також не є універсальним сертифікатом якості. Його значення залежить від кількості завдань, їхньої взаємної кореляції та припущень моделі. Для різних структур можуть бути доречні omega, ICC, kappa або інші показники. Коефіцієнт потрібно вибирати під джерело похибки та тип даних, а не навпаки. Похибка вимірювання: чому бал не є абсолютно точним Будь-яке психологічне вимірювання має невизначеність. На результат можуть впливати випадкові коливання уваги, формулювання завдань, умови проходження, оцінювач, час повторного тестування та інші фактори. Похибка вимірювання не означає, що тест «поганий»; важливо знати її величину й враховувати під час інтерпретації. Якщо людина отримала 48 балів одного разу і 51 бал через два тижні, різниця у три бали сама по собі не доводить реальної психологічної зміни. Потрібно знати точність інструмента, стандартну похибку вимірювання, мінімальну детектовану зміну та дизайн, для якого ці показники оцінювалися. Measurement error і meaningful change — різні питання. У COSMIN Manual reliability і measurement error розглядаються як окремі характеристики. Це принципово: коефіцієнт відносної надійності та абсолютний масштаб помилки описують різні аспекти точності. Валідність: чи підтримують дані саме той висновок, який ми робимо Валідність стосується обґрунтованості інтерпретації та використання тестових балів. Вона не є постійною наклейкою «цей тест валідний». Докладніше це розібрано в окремій статті «Валідність психологічного тесту». Сучасні AERA/APA/NCME Standards будують validity argument із різних джерел evidence: змісту тесту, процесів відповіді, внутрішньої структури, зв’язків з іншими змінними та наслідків використання. Окремий красивий коефіцієнт кореляції не замінює цього аргументу. Face validity — те, чи «схожий» тест на переконливий для респондента або спостерігача, — може бути корисною характеристикою сприйняття інструмента, але не є доказом того, що він справді вимірює заявлений конструкт. Так само висока надійність не доводить валідність: інструмент може дуже стабільно вимірювати не те, що заявлено. Стандартизація і норми Стандартизація забезпечує відтворюваність процедури, а норми допомагають інтерпретувати результат щодо релевантної групи. Детальніше про процедуру — у статті «Стандартизація психологічного тесту». Нормативна вибірка має бути достатньо описаною й відповідати тому, з ким порівнюють конкретну людину. Вікові, мовні, освітні, клінічні та культурні відмінності можуть змінювати розподіл результатів. Тому норми, отримані десятиліття тому в іншій країні, не можна автоматично переносити на сучасну українську популяцію. Процентиль також не є «відсотком правильних відповідей». 80-й процентиль означає позицію щодо нормативного розподілу: результат не нижчий приблизно ніж у 80% відповідної групи, за правилами конкретного тесту. T-score — це стандартизований тестовий бал і не має стосунку до t-статистики в перевірці гіпотез. Мова, культура і справедливість тесту Перекласти тест — недостатньо. ITC Guidelines for Translating and Adapting Tests розглядають адаптацію як багатокроковий процес: потрібно врахувати конструктивну еквівалентність, мовні й культурні відмінності, якість перекладу, дизайн емпіричної перевірки, статистичні порівняння та правила інтерпретації. Отже, напис «українська версія» ще не доводить, що інструмент пройшов валідовану українську адаптацію. Потрібно перевірити, хто адаптував методику, на якій вибірці, якою процедурою, чи досліджувалася її структура, надійність, валідність, інваріантність або DIF, і чи створено релевантні норми, якщо вони потрібні. Measurement invariance допомагає оцінити, чи має шкала порівнювану структуру в різних групах. DIF показує, чи поводиться конкретне завдання по-різному для осіб із однаковим рівнем латентної властивості, але різною груповою належністю. Жоден із цих результатів не є автоматичним вироком «тест упереджений» або «тест абсолютно справедливий»: fairness потребує ширшого аргументу, що враховує контекст і наслідки використання. Скринінг не дорівнює діагнозу Багато коротких анкет, які в інтернеті називають «тестом на депресію», «тестом на тривожність» або «тестом на ADHD», за своєю роллю є скринінговими шкалами. Вони можуть допомогти виявити підвищений рівень симптомів або визначити, кому варто провести детальніше оцінювання. Вони не встановлюють діагноз самостійно. Порогове значення не є універсальною біологічною межею між «є розлад» і «немає розладу». Його характеристики залежать від популяції, референтного стандарту, мети тестування й компромісу між пропущеними випадками та хибними спрацюваннями. Sensitivity і specificity описують властивості класифікації щодо референтного стандарту, тоді як PPV і NPV залежать також від поширеності або базової ймовірності стану. ROC/AUC може бути корисним для оцінки дискримінаційної здатності, але не описує всю клінічну користь. Для реального рішення важливі наслідки помилок, ресурси для подальшої діагностики, користь втручання, прийнятність процедури та індивідуальний контекст. Як оцінити психологічний тест онлайн Онлайн-формат сам по собі не робить тест ані науковим, ані ненауковим. Важливо, що саме перенесено в цифрове середовище, чи збережено стандартизовані умови, як перевірено психометричні властивості, хто має доступ до даних і що відбувається з результатом. Є повна назва методики, автор або команда розробників і зрозуміле походження тесту. Описано, що саме тест вимірює та для якої популяції призначений. Наведено наукові публікації або технічну документацію про reliability, validity, norms та інші релевантні властивості. Пояснено, як інтерпретувати результат і чого з нього висновувати не можна. Для перекладеної версії є дані саме про мовну й культурну адаптацію, а не лише факт перекладу. Немає обіцянки поставити психіатричний або психологічний діагноз за одним балом. Є зрозуміла політика приватності та пояснення, що відбувається з відповідями. Правовий статус тесту не маскується: відкритий інструмент, ліцензія, дозвіл або власницький тест чітко розрізняються. Ознаки слабкого тесту: невідоме походження, відсутність опису вибірки й норм, «100% точність», діагноз із кількох питань, псевдоточні відсотки без пояснення, посилання лише на популярні статті, змішування різних конструктів в один ярлик, а також копіювання захищених професійних методик без дозволу. Як читати результат психологічного тесту Почніть не з числа, а з назви конструкта й мети інструмента. Запитайте: що саме вимірюється, за який період, хто є нормативною групою, якою є точність і які інтерпретації підтримує evidence. Після цього вже має сенс дивитися на сирий або стандартизований бал. Результат слід читати як оцінку з невизначеністю, а не як абсолютну характеристику людини. Межі довірчого інтервалу або показники measurement error можуть бути практично важливішими за різницю в один-два бали. Категорія «високий/середній/низький» також залежить від правил конкретної методики. Порівнюючи два результати в часі, потрібно відрізняти статистично надійну зміну від зміни, яка є клінічно або особисто важливою. Перша відповідає на питання, чи перевищила різниця очікувану похибку; друга — чи має вона значення для функціонування або цілей людини. Не переносіть інтерпретацію за межі тесту. Високий бал за однією рисою не описує «тип особистості» повністю; підвищений скринінговий бал не є діагнозом; результат когнітивного тесту не пояснює автоматично причину труднощів. Кому можна довіряти проведення та інтерпретацію Міжнародні ITC Guidelines on Test Use наголошують на компетентному виборі тесту, належному проведенні, оцінюванні, інтерпретації та комунікації результатів. Кваліфікаційні вимоги залежать від конкретної методики, контексту та національних правил. Для простого відкритого дослідницького опитувальника може бути достатньо прозорої інструкції й обережної самоінтерпретації. Для складних когнітивних, нейропсихологічних, клінічних, освітніх або високоставкових тестів потрібні спеціальна підготовка, контроль умов і професійна інтеграція результатів. В Україні орієнтиром професійного середовища є Всеукраїнська психодіагностична асоціація, яка публікує Єдині психодіагностичні стандарти та веде Реєстр тестових методик України. Наявність методики в реєстрі або у провайдера не скасовує потреби перевіряти конкретні psychometric evidence, популяцію, версію й intended use. Авторські права, ліцензії та безпека тестів Психометрична якість і правовий статус — різні питання. Тест може мати сильні наукові характеристики, але бути власницьким і вимагати ліцензії; інший може бути відкритим, але мати слабку доказову базу. Відкритий доступ не дорівнює валідності, а платна ліцензія не є доказом наукової якості. Публікація захищених завдань, ключів відповідей або secure scoring materials може зруйнувати валідність майбутніх результатів і порушувати умови використання. APA у матеріалах про безпеку тестів прямо пов’язує захист тестового змісту з цілісністю й валідністю балів для intended use. Тому енциклопедичний матеріал має пояснювати структуру, наукові властивості й межі тесту без відтворення закритих пунктів, стимульних матеріалів або ключів. Для практичного онлайн-інструмента потрібен окремий licence gate і окрема перевірка психометричної придатності конкретної версії. Приклади: один термін «тест», різні завдання Шкали інтелекту Векслера містять стандартизовані завдання й дають профіль когнітивного функціонування. Їхня інтерпретація залежить від конкретної версії, вікових норм, умов проведення та професійної кваліфікації. Шкала самооцінки Розенберга (RSES) є коротким self-report інструментом для глобальної самооцінки. Навіть коли підрахунок простий, наукове тлумачення потребує розуміння конструкта, версії, мовної адаптації та того, що бал не є діагнозом. Особистісні опитувальники на кшталт Big Five вимірюють кілька відносно широких рис. Вони не повинні перетворюватися на вигадані «типи» лише заради зручної картинки. У практиці ХАБу Mini-IPIP подається як п’ять окремих шкал із прозорим локальним підрахунком і без заяв про українські норми, яких для конкретної реалізації не встановлено. Спробувати прозорий тест рис особистості Mini-IPIP на 20 питань показує п’ять окремих шкал Big Five, рахує результат локально у браузері та не перетворює профіль на вигаданий «тип особистості». Це приклад того, як онлайн-інструмент може явно показувати свої межі. Поширені помилки інтерпретації «У тесту високий alpha, отже він валідний». Ні: internal consistency і validity — різні властивості. «Я отримав 70-й процентиль, отже відповів правильно на 70%». Ні: percentile описує позицію щодо нормативної групи. «T-score — це t-test». Ні: T-score є стандартизованим балом, t-statistic належить до статистичного тестування гіпотез. «Переклад зробив тест українським». Ні: переклад є лише частиною культурної адаптації та validation. «Cutoff означає діагноз». Ні: поріг задає правило класифікації для конкретного intended use і популяції. «Високий AUC означає клінічну користь». Не автоматично: потрібні наслідки рішень, базові ймовірності та реальний контекст. «Два бали відрізняються — отже людина змінилася». Не обов’язково: різниця може лежати в межах measurement error. «Тест описує мене назавжди». Ні: він оцінює визначений конструкт за певних умов, а не всю особистість як незмінну сутність. Часті запитання про психологічні тести Який психологічний тест найточніший? Універсального найточнішого тесту немає. Потрібно знати, який конструкт і для якої мети вимірюється, у якій популяції перевірено інструмент, якими є reliability, validity, measurement error, норми й практичні наслідки використання. Тест може бути дуже сильним для однієї задачі й непридатним для іншої. Чим психологічний тест відрізняється від анкети? Анкета — це форма збору відповідей. Вона стає психометричним інструментом лише тоді, коли має визначений конструкт, стандартизовані правила, систему підрахунку та емпіричні докази для заявленої інтерпретації. Будь-який Google Form із запитаннями не є психологічним тестом. Чи можна довіряти безкоштовним тестам онлайн? Ціна не визначає наукову якість. Важливі походження методики, прозорість підрахунку, дослідження reliability і validity, норми або критерії, адаптація, межі інтерпретації, приватність і правовий статус. Безкоштовний відкритий інструмент із хорошою документацією може бути кращим за дорогий тест без доказів. Чи може тест поставити діагноз? Один тестовий результат не слід використовувати як самодостатній діагноз. У клінічному контексті тест може бути одним із джерел даних разом з інтерв’ю, історією, спостереженням, медичною інформацією та іншими релевантними даними. Скринінг, assessment і diagnosis — різні рівні роботи з інформацією. Що важливіше: надійність чи валідність? Потрібні обидві. Низька надійність обмежує точність висновків; висока надійність сама по собі не доводить, що тест вимірює потрібний конструкт або придатний для конкретного рішення. Reliability є необхідною частиною аргументу, але не його завершенням. Чи можна пройти тест кілька разів? Це залежить від інструмента. Деякі шкали спеціально призначені для моніторингу змін; для інших повторення створює practice effects або порушує незалежність вимірювань. Інтервал і правила повторного тестування беруть із документації конкретної методики. Чи є результат тесту описом особистості назавжди? Ні. Тестовий бал описує певний конструкт у конкретних умовах і в конкретний період. Частина характеристик відносно стабільна, частина чутлива до стану й контексту. Навіть широкий особистісний профіль не дорівнює всій людині. Як зрозуміти, що українська версія тесту валідована? Шукайте публікацію або технічний звіт про саме українську версію: хто виконав адаптацію, яку вибірку досліджували, як перевіряли переклад і культурну еквівалентність, структуру, reliability, validity, invariance/DIF і норми. Сам факт наявності українського тексту не є доказом validation. Пов’язані статті Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів Психологічне тестування: що це, як проводиться і які обмеження має результат тесту Психологічний конструкт: що це і як невидимі властивості перетворюють на вимірювані показники Психологічна оцінка й оцінювання: що це, як проходить і чим відрізняється від тестування Стандартизація психологічного тесту: єдина процедура, інструкції, підрахунок і умови проведення Надійність психологічного тесту: що це, які бувають види і чому надійність не дорівнює валідності Валідність психологічного тесту: що це і які докази потрібні для інтерпретації результатів Рейтингова шкала: що це, як працює та чим відрізняється від ранжування Джерела AERA / APA / NCME. Standards for Educational and Psychological Testing. 2014. American Psychological Association. Guidelines for Psychological Assessment and Evaluation. 2020. American Psychological Association. Understanding psychological testing and assessment. 2022. American Psychological Association. Testing, assessment, and measurement. American Psychological Association. FAQ: Maintaining test security in the age of technology. 2026. COSMIN. Conducting a systematic review of measurement properties: Manual, Version 2.0. 2026. COSMIN. Measurement instruments and measurement properties resources. European Federation of Psychologists’ Associations. EFPA Test Review Model, Version 2025. International Test Commission. ITC Guidelines on Test Use. Version 1.2. 2013. International Test Commission. ITC Guidelines for Translating and Adapting Tests. Second Edition. 2017. Всеукраїнська психодіагностична асоціація. Єдині психодіагностичні стандарти. Всеукраїнська психодіагностична асоціація. Реєстр тестових методик України.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Похибка вимірювання в психології — це частина розбіжності між отриманим балом і тим значенням, яке ми хотіли б приписати людині за певною, чітко визначеною процедурою вимірювання. У класичній теорії тестів спостережуваний бал розглядають як поєднання істинного бала для цієї процедури та випадкової похибки. Сучасні професійні стандарти водночас наголошують, що джерел похибки може бути багато, а їхній склад залежить від того, які повторення вимірювання ми вважаємо допустимими і для якого саме висновку використовуємо результат. Standards for Educational and Psychological Testing Практичний висновок простий: один тестовий бал не є абсолютно точною копією психологічної характеристики. Він є результатом конкретної процедури, проведеної в конкретний момент, із конкретним набором завдань, умов, правил оцінювання та можливих джерел варіативності. Саме тому професійна інтерпретація питає не лише «скільки балів отримано», а й «з якою точністю цей бал виміряно, для якої популяції, за яких умов і для якого рішення». У цій статті термін «похибка вимірювання» використовується в психометричному значенні. Це не те саме, що побутова «помилка людини» у відповіді на завдання. Неправильна відповідь може бути цілком валідною частиною вимірюваної поведінки, тоді як похибка стосується невизначеності та небажаної варіативності самого вимірювання. Чому один бал не є абсолютно точним Психологічний конструкт — наприклад, тривожність, робоча пам’ять, екстраверсія або вираженість певного симптому — зазвичай не спостерігається безпосередньо так, як можна побачити довжину лінійки. Його оцінюють через відповіді, виконання завдань, поведінкові індикатори, судження оцінювачів або інші спостережувані дані. Перехід від конструкта до числа завжди відбувається через вимірювальну процедуру. Навіть коли конструкт у людини фактично не змінився, повторний результат може трохи відрізнятися. Людина може бути більш утомленою, уважнішою, краще зрозуміти інструкцію, зіткнутися з іншою вибіркою завдань; оцінювач може бути суворішим; умови можуть відрізнятися. AERA, APA та NCME прямо розглядають мотивацію, увагу, тестові умови, форми тесту, завдання й оцінювачів як можливі джерела варіативності, які треба співвідносити з визначенням конкретної процедури вимірювання. Тому число на бланку або в застосунку слід розуміти як оцінку з певною точністю. У добре розробленому інструменті цю точність можна досліджувати й кількісно описувати. У слабко задокументованому тесті невизначеність нікуди не зникає — ми просто знаємо про неї менше. Класична модель: X = T + E Найвідоміша вихідна модель класичної теорії тестів записується як X = T + E. Тут X — спостережуваний бал, T — істинний бал для визначеної тестової процедури, а E — похибка. NCME визначає classical test theory як підхід, у якому індивідуальний спостережуваний бал є сумою істинного компонента та незалежного випадкового компонента похибки. «Істинний бал» у цій моделі не означає метафізично точне знання про особистість. У професійних Standards він концептуалізується як гіпотетичне середнє значення результатів нескінченної кількості повторень тієї самої визначеної процедури вимірювання. Отже, істинний бал завжди прив’язаний до того, що саме вважається повторенням процедури. Це важливе обмеження. Якщо ми дозволяємо змінювати набір завдань, але фіксуємо час і спосіб адміністрування, одна частина варіативності потрапляє в похибку. Якщо нас цікавить узагальнення на різних оцінювачів, оцінювач також стає джерелом похибки. Якщо ж конкретний оцінювач є невід’ємною частиною визначеної процедури, логіка змінюється. Похибка не існує поза питанням, яке ми ставимо до бала. Випадкова похибка і систематична похибка У широкому метрологічному й клініко-вимірювальному сенсі корисно розрізняти випадкову та систематичну похибку. Випадкова похибка змінює результати непередбачувано від повторення до повторення. Систематична похибка або систематичне зміщення діє більш послідовно: наприклад, певний спосіб оцінювання стабільно завищує результати або певна мовна версія створює додаткову складність для конкретної групи. Тут існує важлива різниця між методологічними традиціями. COSMIN використовує широке визначення measurement error як систематичної та випадкової похибки бала, яка не пояснюється справжніми змінами вимірюваного конструкта. Натомість AERA/APA/NCME Standards у розділі про reliability/precision концептуально відділяють випадкові похибки від систематичних: типові систематичні зміщення загалом не включаються до standard error of measurement і розглядаються передусім як construct-irrelevant чинники, що загрожують валідності. Тому фраза «систематична похибка знижує надійність» не є універсально правильною. Стабільне зміщення може залишати ранговий порядок людей дуже послідовним і давати високий коефіцієнт надійності, але водночас вести до неправильних інтерпретацій. Саме це показує, чому надійність і валідність не можна зливати в один показник якості. Що зазвичай породжує випадкову похибку До випадкової варіативності можуть належати тимчасові коливання уваги, мотивації й зосередженості; випадкова відмінність набору завдань; дрібні зміни умов тестування; непередбачувана частина відмінностей між оцінювачами; випадкові помилки введення або підрахунку, якщо вони не мають стабільного напряму. Важливо не називати будь-який такий чинник похибкою автоматично: його статус залежить від того, що саме тест має вимірювати. Наприклад, коливання стану тривоги між ранком і вечором є похибкою, якщо тест заявлений як вимір стабільної риси й час доби не повинен впливати на висновок. Для інструмента, який навмисно вимірює поточний стан, та сама зміна може бути частиною справжнього сигналу. Межа між «сигналом» і «похибкою» визначається конструктом та intended use, а не назвою фактора. Що зазвичай породжує систематичну похибку Систематичне зміщення виникає, коли небажаний фактор діє в певному напрямку. Прикладами можуть бути стабільно поблажливий або суворий оцінювач, некоректний ключ, незбалансована тестова форма, інструкція, яка систематично вводить частину респондентів в оману, культурно або мовно невідповідні завдання, або алгоритм підрахунку, що послідовно викривляє результат. У рейтинговому оцінюванні конкретним прикладом є ефект поблажливості: оцінювач систематично виставляє надмірно високі оцінки. Такий ефект може бути дуже стабільним. Стабільність сама по собі не робить оцінювання правильним. Похибка вимірювання і справжня зміна — різні речі Якщо результат сьогодні відрізняється від результату місяць тому, сам факт різниці ще не відповідає на питання, що сталося. Частина відмінності може походити від похибки; частина — від реальної зміни конструкта; частина — від практики, навчання, лікування, розвитку, зміни контексту або інших процесів, які для конкретного задуму можуть бути сигналом, а не похибкою. Standards прямо зазначають, що зміни, пов’язані зі справжньою зміною вимірюваного конструкта — наприклад, навчанням або дозріванням між двома вимірюваннями, — не слід зараховувати до похибки. У дослідженнях test-retest тому критичною є умова, що учасники мають бути достатньо стабільними щодо властивості, яку оцінюють. Це особливо важливо в клінічному моніторингу. Показник «змінився на 4 бали» не означає автоматично ані «стан точно змінився», ані «зміна клінічно важлива». Спочатку треба оцінити, чи перевищує різниця очікувану похибку вимірювання; окремо — чи має вона клінічне або особистісне значення. Надійність і похибка вимірювання: пов’язані, але не тотожні Сучасна COSMIN-рамка дуже чітко розводить ці поняття. Mokkink і Eekhout пояснюють measurement error як абсолютну точність повторних вимірювань у стабільної людини, тобто внутрішньоіндивідуальну варіативність. Reliability натомість описує здатність інструмента розрізняти людей і залежить одночасно від похибки та від того, наскільки різняться самі люди в досліджуваній вибірці. Звідси випливає на перший погляд парадоксальна ситуація: одна й та сама абсолютна похибка може співіснувати з різними коефіцієнтами надійності у вибірках із різною міжіндивідуальною варіативністю. Якщо люди дуже схожі між собою, навіть помірна похибка суттєво заважає їх розрізняти; якщо відмінності між людьми великі, той самий абсолютний шум займає меншу частку загальної варіативності. Отже, коефіцієнт надійності відповідає на відносне питання про відтворюваність і розрізнення, а стандартна похибка вимірювання — на питання про абсолютну невизначеність у одиницях шкали. Для інтерпретації конкретного індивідуального бала часто потрібні обидва типи інформації. Внутрішня узгодженість не дорівнює всій надійності Якщо шкала має високу внутрішню узгодженість, це означає лише певну послідовність відповідей між її пунктами за конкретних модельних умов. Це не доводить часової стабільності, не показує узгодженість між оцінювачами й не гарантує, що паралельна форма дасть той самий результат. Тест-ретест, міжоцінювальна надійність, надійність паралельних форм і внутрішня узгодженість відповідають на різні питання про різні джерела варіативності. Так само коефіцієнт α Кронбаха не є універсальним індикатором «якості тесту». Sijtsma показав обмеженість α як загального індексу надійності та внутрішньої структури, а McNeish узагальнив проблеми, що виникають через нереалістичні припущення й автоматичне використання α. Високе α не доводить валідності, одномірності, test-retest stability або малої систематичної похибки. Практична звичка «α вище .70 — тест хороший» спрощує багатовимірну проблему до одного числа. Для похибки вимірювання важливо знати, які саме повторення процедури моделювалися, які джерела варіативності були включені та чи відповідають вони реальному використанню тесту. Стандартна похибка вимірювання SEM: як число стає діапазоном Standard error of measurement, або SEM, узагальнює очікувану величину випадкової похибки в одиницях тієї самої шкали, якою подано бал. NCME визначає SEM як стандартне відхилення спостережуваних балів конкретної людини за повторних адмініструвань тесту або паралельних форм за однакових умов; оскільки нескінченні повторення практично неможливі, SEM зазвичай оцінюють з групових даних. У простій класичній моделі часто використовується співвідношення SEM = SD × √(1 − r), де SD — стандартне відхилення балів у відповідній популяції, а r — релевантна оцінка надійності. Harvill описує SEM як спосіб виражати невизначеність індивідуального результату зрозумілою мовою шкали. Ця формула має припущення і не перетворює SEM на універсальну константу тесту. Якщо точність змінюється вздовж шкали, один середній SEM може приховувати важливі відмінності. Саме тому Standards рекомендують, коли це можливо й доречно, повідомляти conditional SEM на різних рівнях бала, особливо поблизу cut scores, де невелика похибка здатна змінити класифікаційне рішення. SEM також не слід плутати зі standard error of the mean — стандартною похибкою середнього. Назви скорочуються однаково, але статистичні об’єкти різні. Standard error of measurement описує точність індивідуального вимірювання; standard error of the mean описує вибіркову невизначеність оцінки групового середнього. Інтервал навколо бала — корисніший за ілюзію точності Один зі способів комунікувати вимірювальну невизначеність — подавати бал разом із відповідним інтервалом, побудованим на основі SEM або іншої моделі точності. Standards прямо вказують, що SEM може використовуватися для побудови інтервалів навколо reported scores і після вибору процедури часто інформативніший для користувача, ніж один коефіцієнт reliability. Інтервал не означає, що «справжній результат десь випадково блукає всередині цих меж» у побутовому сенсі. Його значення залежить від моделі, способу оцінювання SEM, припущень про розподіл похибок і того, чи йдеться про очікувані повторні бали, істинний бал або іншу параметричну величину. Технічний посібник тесту має пояснювати, який саме інтервал рекомендовано і як його тлумачити. Для практики головна перевага інтервалу полягає в тому, що він стримує надмірну точність. Результати 48 і 50 не обов’язково описують психологічно різних людей, а бал 49 не є якісно іншою реальністю лише тому, що cut score встановлено на 50. Коли порівнюють два бали: MDC, RCI і важливість зміни Похибка одного вимірювання і похибка різниці між двома вимірюваннями — не одне й те саме. Коли оцінюють change score, невизначеність присутня в обох точках. У COSMIN-традиції для continuous outcomes використовують, зокрема, SEM, smallest detectable change/difference та limits of agreement; COSMIN Risk of Bias tool розглядає ці підходи як методи оцінювання measurement error за відповідних дизайнів. Мінімально виявлювана зміна (MDC/SDC) відповідає на питання, наскільки великою має бути різниця, щоб вона за заданих припущень перевищувала очікувану випадкову похибку. Це технічний поріг виявлюваності, а не поріг корисності, одужання чи особистої значущості. Індекс надійної зміни RCI також перевіряє, чи є індивідуальна різниця більшою, ніж очікується від похибки. Оригінальна робота Jacobson і Truax розрізняла статистично надійну зміну та критерій клінічно значущої зміни. Тому RCI ≠ clinically important change, а статистично надійна зміна не автоматично є важливою для конкретної людини. MIC або MID ставить інше питання: яка зміна достатньо важлива з погляду пацієнта, клінічного контексту або іншого визначеного критерію. Через це MDC ≠ MIC/MID. Один поріг характеризує виявлюваність понад похибку, інший — важливість. Для інтерпретації результатів інколи потрібні обидва. Теорія генералізованості: похибка має кілька джерел Класична модель X = T + E дуже корисна, але згортає всі небажані джерела варіативності в один компонент E. Теорія генералізованості розгортає цю проблему. Brennan описує generalizability theory як концептуальну та статистичну рамку, що дає змогу розділяти множинні джерела похибки у вимірювальній процедурі. Наприклад, у складному оцінюванні окремо можуть моделюватися люди, завдання, оцінювачі, сесії та їхні взаємодії. Тоді питання «наскільки надійний тест?» перетворюється на точніше: яка частина варіативності походить від завдань, яка — від оцінювачів, яка — від моменту вимірювання, а яка — від реальних відмінностей між людьми? Це має практичний наслідок: спосіб зменшити похибку залежить від її джерела. Якщо домінує sampling of items, допоможе інша кількість або добір завдань. Якщо домінує rater variance — стандартизація критеріїв, навчання або більше оцінювачів. Якщо проблема в часовій нестабільності — збільшення кількості пунктів не вирішить її. IRT і умовна точність: похибка може бути різною в різних частинах шкали У моделях Item Response Theory точність може розглядатися умовно відносно рівня латентної ознаки. Це важливо, бо тест не обов’язково вимірює однаково точно в центрі й на краях шкали. Огляд застосувань IRT у клінічному оцінюванні підкреслює, що використання одного SEM для всіх рівнів може бути оманливим, коли measurement error систематично змінюється вздовж шкали. Thomas та співавтори Звідси випливає корисне правило: фраза «похибка тесту становить 3 бали» має сенс лише тоді, коли технічна модель справді дозволяє трактувати її як приблизно сталу в релевантному діапазоні. Якщо точність умовна, потрібна інформація саме для того рівня бала, на якому приймається рішення. Систематична похибка, fairness і культурна адаптація Психологічне вимірювання відбувається в мовному та культурному контексті. Систематичне зміщення може виникати, якщо завдання містять construct-irrelevant мовні бар’єри, норми не відповідають популяції, переклад змінює значення пунктів або формат по-різному функціонує в групах. У такому випадку високий коефіцієнт внутрішньої узгодженості не рятує інтерпретацію. International Test Commission розглядає адаптацію тесту як ширший процес, ніж буквальний переклад: потрібні докази, що конструкт, мова, формат, адміністрування, шкали та інтерпретації працюють у цільовій популяції. Наявність українського тексту опитувальника сама по собі не є доказом валідованої української адаптації. Measurement invariance і differential item functioning допомагають перевіряти деякі аспекти порівнюваності, але їх також не слід перетворювати на магічний сертифікат fairness. Виявлений DIF потребує змістової інтерпретації; відсутність окремого статистичного сигналу не доводить автоматично, що тест вільний від усіх видів bias. Похибка вимірювання у клінічній практиці У клінічному контексті один screening score є частиною оцінювання, а не діагнозом. Навіть добре валідований скринінговий інструмент має measurement error, залежить від intended population і не замінює клінічну оцінку. Більший або менший бал може змінити ймовірність певного висновку, але не створює універсальної межі «розлад є / розладу немає». Це одна з причин, чому психологічне оцінювання спирається не на один score, а на інтеграцію тестових результатів, історії, спостережень, контексту та інших релевантних даних. ITC Guidelines on Test Use рекомендують враховувати reliability, error of measurement, валідність, відповідні норми, контекст і характеристики людини та уникати надмірного узагальнення одного тесту на риси, яких він не вимірює. Особливо обережно слід трактувати результати біля cut score. Якщо індивідуальний бал лежить поруч із порогом і SEM достатньо великий, жорстка класифікація за одним числом може бути нестабільною. Професійні Standards тому вимагають уваги до точності саме поблизу класифікаційних порогів. Похибка вимірювання у психологічних дослідженнях Measurement error впливає не лише на індивідуальні рішення. Вона може послаблювати асоціації, погіршувати статистичну потужність, ускладнювати відтворюваність і спотворювати оцінювання ефектів. Якщо дослідник не описує, що саме вимірював, якою версією інструмента, у якій популяції та з якими доказами якості вимірювання, читачеві важко оцінити надійність висновків. Flake і Fried назвали непрозорі або слабко обґрунтовані рішення щодо вимірювання questionable measurement practices. Їхній центральний висновок для дослідницької культури простий: якість статистичного аналізу не компенсує невизначеність того, що і як було виміряно. Тому «велика вибірка» не усуває measurement error індивідуального score. Збільшення n зменшує sampling error групових статистик, але не робить окрему психометричну процедуру автоматично точнішою для конкретної людини. Це ще одна причина не плутати SEM як standard error of measurement із standard error of the mean. Як зменшують похибку вимірювання Зменшення похибки починається не з одного коефіцієнта, а з дизайну процедури. Потрібно визначити конструкт, intended use, популяцію, допустимі варіації процедури та джерела, які повинні вважатися похибкою. Після цього обирають дизайн дослідження, здатний ці джерела оцінити. Стандартизація адміністрування зменшує небажану варіативність умов: однакові інструкції, часові обмеження, середовище, правила допомоги, підрахунок і документація. Для оцінювальних шкал потрібні чіткі критерії, навчання оцінювачів і перевірка узгодженості. Для repeated measures — продуманий інтервал і контроль справжньої зміни конструкта. Збільшення кількості якісних пунктів може за певних умов покращувати точність композитного бала, але не є універсальним лікуванням. Формула Спірмена–Брауна показує зв’язок довжини тесту з reliability за відповідних припущень. Вона не виправляє систематичне зміщення, культурну невідповідність, неправильний scoring rule або невдале визначення конструкта. Так само не допомагає механічне дублювання майже однакових пунктів заради високого α. Воно може підвищити внутрішню узгодженість і водночас звузити змістовне покриття конструкта. Якісний тест оптимізує не один показник, а всю аргументацію щодо інтерпретації результатів. Як оцінювати похибку конкретного тесту Почніть із технічної документації, а не з рекламного опису. Має бути зрозуміло, яка версія тесту використовується, для якої популяції вона розроблена, як формувався score, які джерела measurement error вивчалися, які reliability estimates отримані, чи наводиться SEM або conditional SEM і які є дані про валідність для intended use. Далі перевірте відповідність вашій ситуації. Коефіцієнт із вибірки університетських студентів не є автоматичним доказом точності для дітей, людей старшого віку або клінічної популяції. Надійність і похибка можуть змінюватися між популяціями, мовними версіями, рівнями бала, форматами адміністрування та контекстами. Окремо перевіряйте правовий статус інструмента. Ліцензія або дозвіл на використання і психометрична якість — різні питання. Наявність легального доступу не доводить валідності для вашої популяції; добра наукова репутація тесту не означає, що його захищені завдання, ключі чи scoring materials можна вільно копіювати. Типові помилки інтерпретації Перша помилка — трактувати отриманий score як точне значення конструкта. Друге число після коми не створює точності, якої немає у вимірюванні. Якщо тест має ненульову похибку, цифрова деталізація інтерфейсу не робить висновок точнішим. Друга помилка — вважати, що висока reliability автоматично означає validity. Надійний інструмент може стабільно вимірювати не те, що потрібно, або бути систематично зміщеним. Reliability обмежує можливу якість інтерпретації, але не замінює validity evidence. Третя помилка — використовувати α Кронбаха як універсальний сертифікат. α не є test-retest reliability, inter-rater reliability, parallel-forms reliability, доказом одномірності або доказом відсутності measurement bias. Четверта помилка — називати будь-яку зміну результату похибкою. Якщо сам конструкт змінився, різниця може бути справжнім сигналом. Водночас сама величина різниці ще не доводить real change: її потрібно співвідносити з measurement error. П’ята помилка — прирівнювати detectable change до important change. MDC або RCI відповідають на статистичне питання про перевищення похибки; MIC/MID або інші критерії важливості відповідають на змістове чи клінічне питання. Шоста помилка — вважати переклад тесту валідованою адаптацією. Переклад є лише частиною процесу. Для порівнюваних інтерпретацій потрібні докази щодо змісту, структури, reliability, validity, norms і міжгрупової/міжмовної порівнюваності. Похибка залежить від того, яке рішення ми хочемо прийняти Один і той самий тест може бути достатньо точним для групового дослідження і недостатньо точним для рішення з істотними наслідками для конкретної людини. Standards формулюють цей принцип прямо: evidence of reliability/precision має відповідати кожному intended score use, популяції та психометричній моделі, а для рішень із серйознішими наслідками потрібен вищий рівень точності. Так само relative interpretation і absolute interpretation можуть вимагати різних компонентів error variance. Для ранжування людей важливо, чи зберігається їхній відносний порядок. Для рішення «перевищив критерій / не перевищив» важливі також джерела, які однаково зсувають усі бали, бо абсолютний рівень має значення. Тому «надійність» без зазначення intended interpretation є неповною характеристикою. Як читати один психологічний бал відповідально Спочатку з’ясуйте, що саме вимірює шкала і для чого дозволено використовувати score. Потім подивіться на norms або reference population, reliability evidence, SEM/conditional precision, validity evidence і дані для відповідної мови та популяції. Лише після цього переходьте до індивідуальної інтерпретації. Якщо результат отримано за допомогою рейтингової шкали, додатково важливо знати, хто оцінював, за якими критеріями і чи досліджували rater effects. Якщо результат є сумою пунктів self-report, важливі структура шкали, response processes, часовий інтервал і стабільність конструкта. Для performance tests — sampling of tasks, time limits, practice та scoring. І нарешті, не робіть діагностичного висновку з одного score. Скринінг, case-finding, assessment, diagnosis, monitoring і outcome measurement — різні задачі. Те саме число може мати різну роль залежно від мети, base rate, клінічного контексту та інших даних. Короткий приклад Уявімо шкалу від 0 до 40. Людина отримала 22 бали, а через два тижні — 25. Без інформації про measurement error легко сказати: «показник зріс на три бали». Це арифметично правильно, але психометрично недостатньо. Якщо очікувана похибка різниці приблизно такого самого масштабу, дані не дозволяють упевнено відокремити real change від noise. Якщо різниця суттєво перевищує error threshold, можна говорити про статистично надійнішу зміну — але ще окремо треба вирішити, чи є вона важливою. Тепер уявімо, що шкала систематично завищує результати певної мовної групи на кілька балів через невдалу адаптацію. Повторні результати можуть бути дуже стабільними, SEM — невеликим, а inference — упередженим. Це ілюструє головне розрізнення всієї теми: precision не дорівнює validity. FAQ Чи означає похибка вимірювання, що психологічним тестам не можна довіряти? Ні. Похибка є властивістю вимірювання, яку якісна психометрія намагається оцінити, пояснити й зменшити. Надійний тест не має нульової похибки; він має достатню точність для визначеного використання, а його документація дозволяє зрозуміти межі цієї точності. Чи може один і той самий тест мати різну похибку для різних людей? Так. У деяких моделях точність залежить від рівня конструкта, а також може відрізнятися між підгрупами або умовами. Conditional SEM та IRT-based standard errors якраз потрібні для ситуацій, де один усереднений показник точності недостатній. Чи є низька надійність те саме, що велика похибка? Вони пов’язані, але не тотожні. Reliability є відносним показником і залежить від співвідношення між істинними відмінностями людей та error variance. Measurement error описує абсолютну точність у шкальних одиницях або іншій відповідній метриці. Чи усуває висока α Кронбаха похибку вимірювання? Ні. α стосується певного аспекту коваріації пунктів за однієї адміністрації й має власні припущення. Він не оцінює всі джерела похибки й не замінює test-retest, inter-rater, SEM, validity evidence або аналіз fairness. Чим SEM відрізняється від standard error of the mean? Standard error of measurement описує невизначеність індивідуального тестового бала через measurement error. Standard error of the mean описує sampling uncertainty вибіркового середнього. Однакова абревіатура SEM часто створює плутанину, тому в психометричному тексті слід завжди розшифровувати термін. Як зрозуміти, чи зміна між двома тестуваннями реальна? Потрібні дані про точність repeated measurement і метод, що враховує error of difference — наприклад, MDC/SDC або RCI за відповідних припущень. Просте віднімання двох балів показує observed change, але не доводить, що ця зміна перевищує measurement error. Чи означає RCI, що зміна клінічно важлива? Ні. RCI показує, чи перевищує індивідуальна зміна очікувану випадкову похибку за конкретною моделлю. Клінічна або особистісна важливість потребує окремого критерію. Reliable change і important change — різні твердження. Чи є систематична похибка частиною SEM? Зазвичай SEM у класичній reliability/precision традиції описує випадкову похибку. AERA/APA/NCME Standards прямо відокремлюють systematic errors, які частіше розглядаються як загроза validity. У ширших рамках, зокрема COSMIN, термін measurement error може охоплювати систематичні та випадкові компоненти. Тому завжди треба дивитися на визначення конкретної методики. Чи робить український переклад тест придатним для українців? Сам переклад — ні. Потрібні дані про адаптацію та психометричні властивості у цільовій популяції. Мовна коректність, культурна релевантність, структура, reliability, validity, norms і міжгрупова порівнюваність — окремі елементи доказової адаптації. Чи можна зменшити похибку, просто додавши більше запитань? Іноді більша кількість якісних і релевантних пунктів підвищує reliability, але це залежить від моделі та джерела похибки. Додаткові пункти не виправляють systematic bias, невірний конструкт, погану адаптацію, rater severity або часову нестабільність. Пов’язані статті Психологічна оцінка й оцінювання: що це, як проходить і чим відрізняється від тестування — ширший контекст, у якому тестовий бал інтегрується з іншими джерелами даних. Формула Спірмена–Брауна: надійність тесту, метод розщеплення та застосування — про зв’язок довжини тесту з reliability за класичною моделлю та межі цього підходу. Рейтингова шкала: що це, як працює та чим відрізняється від ранжування — про тип вимірювального формату, де особливо важливі критерії оцінювання та rater effects. Ефект поблажливості: чому оцінювачі завищують бали — конкретний приклад систематичного зміщення в рейтинговому оцінюванні. Сирий і стандартизований бал: як результат тесту перетворюють на показник, який можна порівнювати з нормами — про те, як похибка зберігається під час переходу від сирого до стандартизованого бала. Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. Brennan, R. L. (1992). Generalizability Theory. Educational Measurement: Issues and Practice, 11(4), 27–34. Flake, J. K., & Fried, E. I. (2020). Measurement Schmeasurement: Questionable Measurement Practices and How to Avoid Them. Advances in Methods and Practices in Psychological Science, 3(4), 456–465. Harvill, L. M. (1991). Standard Error of Measurement. Educational Measurement: Issues and Practice, 10(2), 33–41. International Test Commission. (2013). ITC Guidelines on Test Use (Version 1.2). International Test Commission. (2017). The ITC Guidelines for Translating and Adapting Tests (Second Edition). Jacobson, N. S., & Truax, P. (1991). Clinical significance: A statistical approach to defining meaningful change in psychotherapy research. Journal of Consulting and Clinical Psychology, 59(1), 12–19. McNeish, D. (2018). Thanks coefficient alpha, we’ll take it from here. Psychological Methods, 23(3), 412–433. Mokkink, L. B., & Eekhout, I. (2026). The measurement properties reliability and measurement error explained – a COSMIN perspective. Journal of Clinical Epidemiology, 190, 112058. Mokkink, L. B., et al. (2020). COSMIN Risk of Bias tool to assess the quality of studies on reliability or measurement error of outcome measurement instruments: a Delphi study. BMC Medical Research Methodology, 20, 293. National Council on Measurement in Education. Glossary of Important Assessment and Measurement Terms. Sijtsma, K. (2009). On the Use, the Misuse, and the Very Limited Usefulness of Cronbach’s Alpha. Psychometrika, 74(1), 107–120. Thomas, M. L. (2019). Advances in Applications of Item Response Theory to Clinical Assessment. Psychological Assessment, 31(12), 1442–1455.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика z-бал — це стандартний бал, який показує, на скільки стандартних відхилень конкретний результат розташований вище або нижче середнього значення у визначеній референтній групі. Якщо z = 0, результат дорівнює середньому; z = +1 означає одне стандартне відхилення вище середнього; z = −1 — одне стандартне відхилення нижче. Саме так z-бал переводить сирий результат у спільну відносну шкалу. APA Dictionary of Psychology визначає z score як стандартизований результат перетворення сирих даних до шкали із середнім 0 і стандартним відхиленням 1. У психометрії z-бал корисний тоді, коли потрібно зрозуміти не просто кількість набраних пунктів, а місце результату серед результатів певної популяції або нормативної вибірки. Він є способом перетворення шкали, а не доказом якості тесту. Сам по собі z-бал не повідомляє, чи тест надійний, валідний, справедливий, культурно адаптований або придатний для діагнозу. Коротко: що означає z-бал Знак z показує напрямок відхилення від середнього, а абсолютна величина — відстань у стандартних відхиленнях. Позитивний z-бал означає, що результат вищий за середнє референтної групи; негативний — нижчий; нульовий — дорівнює середньому. У цьому значенні «вище» і «нижче» описують положення на шкалі, а не «краще» і «гірше». Для шкали депресивних симптомів вищий бал може означати більшу вираженість симптомів, а для тесту пам’яті — кращу продуктивність. Напрям змісту задає сам інструмент. Важливо також, що z-бал завжди відносний до конкретного середнього і конкретного стандартного відхилення. Без відповіді на питання «серед кого?» число z втрачає значну частину свого сенсу. Формула z-бала Для окремого результату базова формула має вигляд: z = (X − M) / SD. Тут X — індивідуальний сирий бал, M — середнє значення референтної групи, SD — стандартне відхилення в цій групі. Якщо використовують параметри всієї популяції, ту саму ідею часто записують як z = (X − μ) / σ, де μ — середнє популяції, а σ — її стандартне відхилення. Для опису вибіркових даних використовують вибіркові M і SD. NIST подає ту саму основну операцію: від значення віднімають середнє і ділять різницю на стандартне відхилення. Якщо стандартне відхилення дорівнює нулю, z-бал обчислити неможливо: усі значення однакові, а ділення на нуль не визначене. Приклад розрахунку Уявімо психологічну шкалу, де в нормативній групі середнє становить 40 балів, а стандартне відхилення — 8. Людина отримала 52 бали. Тоді z = (52 − 40) / 8 = 1,5. Це означає, що її результат розташований на 1,5 стандартного відхилення вище середнього цієї нормативної групи. Якщо інша людина отримала 32 бали, z = (32 − 40) / 8 = −1. Її результат розташований на одне стандартне відхилення нижче середнього. Обидва висновки стосуються лише положення на шкалі відносно обраної референтної групи. Що відбувається під час z-перетворення z-перетворення змінює початок і одиницю шкали. Віднімання середнього переносить центр розподілу в 0, а ділення на стандартне відхилення робить стандартне відхилення нової шкали рівним 1. Це класична властивість z-перетворення, описана, зокрема, у довідковій статті Madsen (2010). Перетворення є лінійним. Воно зберігає порядок результатів: якщо один сирий бал був вищим за інший, його z-бал також буде вищим. Воно не створює нової психологічної інформації і не виправляє слабкий інструмент. Змінюється спосіб вираження результату. Після перетворення z-бал не має початкової одиниці тесту. Його читають в одиницях стандартного відхилення. Саме тому результати з різних шкал можна привести до спільної математичної системи відліку, якщо таке порівняння змістовно виправдане. Andrade (2021) показує, як z-бали використовують для зіставлення результатів, що спочатку подані в різних одиницях. z-бал не робить розподіл нормальним Одна з найпоширеніших помилок — вважати, що після перетворення на z-бали будь-який розподіл стає нормальним. Це хибно. z-перетворення центрує шкалу і змінює її масштаб, але зберігає форму розподілу. Якщо вихідні дані були асиметричними, мультимодальними або мали важкі хвости, такими вони залишаться і після стандартування. Нормальний розподіл стає важливим у наступному кроці: коли z-бал хочуть перетворити на теоретичну ймовірність або процентиль за таблицею стандартного нормального розподілу. Тоді припущення про форму розподілу вже має значення. z-бал і процентиль: це різні показники z-бал вимірює відстань від середнього в стандартних відхиленнях. Процентиль показує положення людини за часткою результатів у референтному розподілі. Тому процентиль не є «відсотком правильних відповідей», а z-бал не є процентилем. Якщо нормальна модель є доречною, можна отримати знайомі приблизні відповідності: z = 0 відповідає 50-му процентилю; z = +1 — приблизно 84-му; z = −1 — приблизно 16-му; z = +2 — приблизно 97,7-му; z = −2 — приблизно 2,3-му. Але це відповідності стандартної нормальної моделі. Для реально асиметричного або дискретного розподілу емпіричний процентиль може відрізнятися. Тому в практичному тестуванні краще користуватися таблицями й нормами конкретного інструменту, а не механічно переводити будь-який z-бал у процентиль за нормальною кривою. Навіщо z-бал потрібен у психометрії Психометричний сирий бал часто має обмежену самостійну інтерпретацію. Наприклад, 27 пунктів на одній шкалі й 43 на іншій не можна осмислено порівняти лише за величиною чисел. Стандартний бал розміщує результат у системі координат референтного розподілу. APA Dictionary of Psychology описує стандартизований бал як результат перетворення, що дає змогу порівнювати показники незалежно від початкової шкали. У нормативному тестуванні z-бал може бути проміжним кроком між сирим результатом і зручнішою шкалою звіту. Наприклад, T-бал часто визначають як T = 50 + 10z. Тоді z = 0 перетворюється на T = 50, z = +1 — на T = 60, а z = −1 — на T = 40. Математична інформація про відносне положення при цьому не змінюється. У професійному тестуванні норми мають бути прив’язані до визначеної популяції. NCME визначає нормативну інтерпретацію як порівняння результату з результатами заданої референтної популяції. Огляд Національних академій США також наголошує, що стандартизовані тести використовують нормативні дані з визначеної популяції, а T-, Z-бали, процентилі та інші перетворені шкали допомагають порівнювати індивідуальний результат з цією популяцією. Overview of Psychological Testing Референтна група визначає сенс z-бала Один і той самий сирий бал може мати різні z-бали в різних нормативних групах. Якщо середнє та стандартне відхилення змінюються, змінюється і відносне положення людини. Саме тому професійний звіт має уточнювати, за якими нормами виконано перетворення: для якого віку, освітньої групи, мовної версії, країни, клінічної чи загальної популяції, якщо такі групи передбачені методикою. Це не технічна дрібниця. Standards for Educational and Psychological Testing розглядають інтерпретацію балів як аргумент, що має відповідати заявленому використанню тесту. Нормативне порівняння має сенс лише тоді, коли референтні дані релевантні людині та рішенню, для якого використовується результат. У матеріалах Національних академій підкреслюється, що застосування тесту до людей, для яких нормативна група не була призначена або репрезентативна, може спричинити неточні результати й помилкові інтерпретації. National Academies / NCBI z-бал, стандартизація тесту і стандартизація бала — не одне й те саме Слово «стандартизація» має кілька близьких значень. z-перетворення — це математичне стандартування бала. Стандартизація психологічного тесту в ширшому сенсі стосується однакових правил проведення, інструкцій, умов, підрахунку та нормативної процедури. Те, що число перетворено на z-шкалу, ще не означає, що сам тест пройшов належну стандартизацію. Саме тому гарно оформлений z-бал не компенсує недотримання процедури. Якщо тест проводили інакше, ніж під час створення норм, порівняння з нормативним розподілом може втратити обґрунтованість. z-бал не дорівнює надійності, валідності або точності z-бал описує відносне положення результату. Надійність психологічного тесту описує узгодженість або стабільність балів у визначеній моделі повторення. Похибка вимірювання описує невизначеність результату. Валідність стосується того, наскільки докази й теорія підтримують конкретну інтерпретацію та використання бала. Отже, результат z = 2,1 може бути точно обчислений математично й водночас спиратися на тест з недостатньою надійністю, невідповідними нормами або слабкими доказами валідності. Стандартний бал не є сертифікатом психометричної якості. Також стандартне відхилення SD у знаменнику формули z не слід плутати зі стандартною похибкою вимірювання (SEM). SD описує розкид результатів у групі, тоді як SEM оцінює невизначеність індивідуального виміряного бала в одиницях шкали. Коли z-бал може вводити в оману Середнє і стандартне відхилення є особливо інформативними для відносно симетричних розподілів без екстремального впливу викидів. Якщо шкала сильно асиметрична, має виражений ефект підлоги або стелі, містить небагато можливих значень чи дуже чутлива до викидів, однакова відстань у SD може бути психологічно несиметричною в різних частинах розподілу. Викиди можуть змінювати і середнє, і стандартне відхилення, а отже — z-бали всіх спостережень. NIST окремо застерігає від механічного використання правил на кшталт «|z| > 3 означає викид» без урахування моделі, розміру вибірки та природи даних. У тестовій практиці це означає: інтерпретація має спиратися на технічну документацію конкретного інструменту. Якщо автори тесту використовують нелінійне перетворення, вікові норми, емпіричні процентилі або моделі теорії відповіді на завдання, самостійне обчислення простого z-бала може не відтворювати офіційний тестовий результат. Чи можна порівнювати z-бали з різних тестів Математично z-бали з різних шкал подані в однакових одиницях стандартного відхилення. Це робить їх зручними для порівняння відносного положення. Але змістовна порівнюваність потребує більше, ніж однакова формула. Якщо один тест вимірює тривожність, а інший робочу пам’ять, z = +1 на обох шкалах означає лише однакову відстань від відповідних середніх. Це не означає, що конструк­ти однакові, що один бал «еквівалентний» іншому в психологічному сенсі або що їх можна без додаткового обґрунтування додати в один індекс. Навіть для споріднених тестів треба перевіряти напрям шкали, нормативні групи, точність, валідність і мету композиції. Andrade (2021) показує можливість створення композитів після стандартизації, але така математична можливість не замінює теоретичного обґрунтування самого композитного показника. z-бал у клінічній і психодіагностичній практиці У клінічних шкалах z-бал може показувати, наскільки результат людини відрізняється від середнього певної референтної групи. Це корисна описова інформація, але вона не є діагнозом. z = +2 не означає автоматично «розлад є», а z = 0 не означає «розладу немає». Діагностичні рішення потребують валідованих критеріїв і процедури оцінювання, а скринінгові пороги залежать від призначення інструменту, популяції, поширеності стану, чутливості, специфічності та наслідків помилкових рішень. Універсального клінічного порога z не існує. Для індивідуальної інтерпретації важливо також враховувати інтерпретованість результатів психологічного вимірювання: що саме означає бал для конкретного використання, які референтні значення релевантні, якою є похибка й чи має зміна практичне або клінічне значення. Мова, культура і справедливість Якщо тест перекладено іншою мовою, просте застосування старого середнього та стандартного відхилення не доводить еквівалентності нової версії. Переклад і валідована культурна адаптація — різні речі. International Test Commission вимагає емпіричного підтвердження порівнюваності, надійності, валідності та правил інтерпретації адаптованих тестів. Тому український переклад тесту сам по собі не створює українських норм. Якщо немає належно дослідженої української нормативної вибірки або доказів порівнюваності, z-бал, розрахований за іноземними нормами, слід тлумачити з відповідним обмеженням. Науковий статус z-бала Математичне визначення z-бала є усталеним і неконтроверсійним: це лінійне стандартування відносно середнього та стандартного відхилення. Усталеною є й властивість перетвореної шкали мати середнє 0 і стандартне відхилення 1, якщо перетворення застосовано до всього набору даних з тими самими параметрами. Водночас психометрична інтерпретація конкретного z-бала завжди контекстна. Вона залежить від того, звідки взято середнє та SD, чи репрезентативна референтна група, чи стандартизовано процедуру, чи достатня точність вимірювання і чи підтримують докази заплановане використання результату. Як правильно читати z-бал у звіті Спочатку встановіть, що саме вимірює шкала і в якому напрямку зростає показник. Потім перевірте, з якою нормативною або референтною групою порівнюється результат. Далі прочитайте знак z, його абсолютну величину та, за потреби, офіційний процентиль або інший перетворений бал з керівництва тесту. Після цього відокремте відносне положення від якості вимірювання: перевірте надійність, похибку, валідність і обмеження норм. Лише тоді переходьте від числа до психологічного висновку. Така послідовність захищає від найпоширенішої помилки — сприймати стандартний бал як готовий діагноз або як точний опис людини. Типові помилки інтерпретації Негативний z-бал не є «негативним результатом» у клінічному чи оцінному сенсі; це лише значення нижче середнього на заданій шкалі. Високий абсолютний z-бал не доводить патологію. z-бал не є відсотком правильних відповідей. Перетворення на z-шкалу не робить ненормальний розподіл нормальним. І два однакові z-бали з різних тестів не стають психологічно тотожними лише через однакове число. Ще одна помилка — забути, що параметри групи є частиною результату. z = +1 відносно загальної популяції та z = +1 відносно спеціалізованої клінічної вибірки можуть описувати зовсім різні психологічні ситуації. FAQ Чи може z-бал бути більшим за 3 або меншим за −3? Так. Формула не має межі ±3. Такі значення означають велику відстань від середнього у вибраних одиницях SD. Їхня правдоподібність та інтерпретація залежать від розподілу, розміру вибірки, можливих викидів і самого тесту. Чи є z = 0 «нормальним» результатом? z = 0 означає рівність середньому референтної групи. Слово «нормальний» тут краще уникати, бо середнє не є автоматично клінічно бажаним, здоровим або нормативно правильним значенням. Чи поганий негативний z-бал? Ні. Він лише означає результат нижче середнього. На шкалі симптомів нижчий результат може бути сприятливішим, а на шкалі здібностей — навпаки. Потрібно знати напрям конкретної шкали. Чи можна з z-бала отримати процентиль? Так, але спосіб залежить від розподілу. Для нормально розподіленої змінної можна використати стандартну нормальну функцію розподілу. Для реальних тестових даних точнішим часто є емпіричний процентиль або офіційна таблиця норм. Чи потрібно, щоб дані були нормально розподілені для обчислення z? Ні. z-бал можна обчислити для будь-якого числового набору з ненульовим SD. Нормальність стає важливою, коли з z хочуть робити висновки про теоретичні частки, ймовірності або процентилі за нормальною моделлю. Чи можна поставити діагноз за z-балом? Ні. z-бал є способом подання відносного положення результату. Діагноз потребує клінічного оцінювання та валідованої діагностичної процедури. Окремий score або скринінговий результат не є діагнозом. Чим z-бал відрізняється від T-бала? T-бал зазвичай є лінійним перетворенням z-бала: T = 50 + 10z. Він має середнє 50 і стандартне відхилення 10. Це зручніший формат без від’ємних значень у більшості звичайного діапазону, але відносне положення зберігається. z-бал і z-статистика — це одне й те саме? Не завжди. У психометричному описі z-бал зазвичай означає стандартний бал окремого результату відносно середнього та SD. У статистичному тестуванні z-статистика може мати інший знаменник, наприклад стандартну похибку оцінки, і використовуватися для перевірки гіпотези. Формули схожі за логікою стандартування, але об’єкти інтерпретації різні. Чому z-бал може змінитися, якщо сирий бал залишився тим самим? Тому що z залежить від середнього та стандартного відхилення референтної групи. Нові норми, інша вікова група або інша популяція можуть дати інший z для того самого сирого результату. Пов’язані статті Інтерпретованість результатів психологічного вимірювання: як надати зміст балу і зміні бала Похибка вимірювання в психології: чому один бал не є абсолютно точним Надійність психологічного тесту: що це і чому вона не дорівнює валідності Стандартна похибка вимірювання (SEM): як оцінити невизначеність індивідуального бала T-бал у психологічних тестах: як перетворюють z-бали і що означають результати Сирий і стандартизований бал: як результат тесту перетворюють на показник, який можна порівнювати з нормами — базова сторінка про перехід від первинного результату до стандартної шкали, зокрема z-бала. Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. American Psychological Association. (2023). z score — APA Dictionary of Psychology. American Psychological Association. standardized score — APA Dictionary of Psychology. Andrade, C. (2021). Z Scores, Standard Scores, and Composite Test Scores Explained. Indian Journal of Psychological Medicine, 43(6), 555–557. Institute of Medicine. (2015). Overview of Psychological Testing. In Psychological Testing in the Service of Disability Determination. National Academies Press. International Test Commission. (2017). The ITC Guidelines for Translating and Adapting Tests (Second Edition). International Journal of Testing, 18(2), 101–134. Madsen, J. W. (2010). Z-Score. In The Corsini Encyclopedia of Psychology. National Council on Measurement in Education. Glossary of Important Assessment and Measurement Terms. National Institute of Standards and Technology. Z Score. Dataplot Reference Manual. National Institute of Standards and Technology. Detection of Outliers. Engineering Statistics Handbook.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Сирий бал — це результат, який безпосередньо отримують після підрахунку відповідей або інших елементів тесту за правилами скорингу. Він може бути кількістю правильних відповідей, сумою балів за пунктами, зваженою сумою або іншою комбінацією показників. Стандартизований або стандартний бал — це похідний показник, у якому первинний результат перетворено на визначену шкалу, щоб зробити його інтерпретацію зрозумілішою і, коли це виправдано, порівняти позицію людини з референтною групою. Глосарій NCME Саме перетворення не створює нової психологічної інформації з нічого. Воно змінює спосіб подання результату. У професійних Standards for Educational and Psychological Testing окремо розглядаються сирі бали, шкальні бали, норми, зв’язування шкал і порогові значення. Стандарти підкреслюють, що шкала має підтримувати передбачену інтерпретацію, а норми повинні бути прив’язані до чітко описаної популяції. Standards for Educational and Psychological Testing У цій статті «стандартизований бал» використовується як практична пара до «сирого бала» для опису перетвореного результату. Водночас у статистиці термін standardized score нерідко вживають у вужчому значенні — для z-подібного перетворення через середнє і стандартне відхилення. У тестових посібниках також трапляються терміни standard score, scale score, scaled score, T-score, stanine, sten і percentile rank. Вони не є взаємозамінними: зміст конкретного числа визначає документація саме того інструмента, з яким працює користувач. APA Dictionary: standardized score Що таке сирий бал Сирий бал, або первинний бал, є числовим результатом до переведення на іншу шкалу. Для тесту знань це може бути кількість правильно виконаних завдань. Для опитувальника — сума кодованих відповідей. Для шкали з реверсивними пунктами спочатку виконують потрібне перекодування, а потім підсумовують значення. Для деяких інструментів застосовують ваги, правила пропущених відповідей або складніший алгоритм. Тому сирий бал не обов’язково дорівнює «кількості правильних відповідей». Саме таке ширше визначення дає NCME: raw score часто є кількістю правильних відповідей, але загальніше — сумою чи іншою комбінацією балів за окремими завданнями. NCME Glossary Сирий бал має сенс лише разом із правилами, за якими його отримано. Значення 18 нічого не говорить саме по собі, доки невідомо, чи можливий діапазон 0–20, 0–80 або 10–50; чи вищі бали означають більшу вираженість конструкта; чи є пропущені пункти; чи застосовувалися ваги; чи всі завдання входять до однієї шкали. Тому перший крок інтерпретації — встановити, що саме було підраховано. Для цього потрібен офіційний посібник або технічна документація інструмента, а не випадкова таблиця конверсії з інтернету. В українській професійній мові вживаються і «сирий бал», і «первинний бал». Наприклад, Всеукраїнська психодіагностична асоціація описує норми як таблиці, що дають змогу переводити первинні бали у стандартні, а в українських освітніх програмах із психометрії прямо використовуються словосполучення «сирий бал», «стандартизація тестових балів» і «норми». У цій статті основним є термін «сирий бал», а «первинний бал» використовується як зрозумілий синонім. ВПА: Норми Від відповідей до сирого бала: скоринг не дорівнює стандартизації Скоринг — це перетворення відповідей, виконаних завдань або оцінок спостерігача на тестовий результат за заздалегідь установленими правилами. Стандартизація бала відбувається після цього, коли вже отриманий результат переводять на іншу шкалу або співвідносять із нормативним розподілом. Це різні операції. Реверсивне кодування пунктів, сумування підшкал, облік пропущених відповідей і застосування ваг належать до правил скорингу; обчислення z-бала, T-бала чи іншої шкальної оцінки — до подальшого перетворення результату. У сучасній психометрії ця послідовність не завжди буквально виглядає як «відповіді → сума → стандартизований бал». У моделях теорії відповіді на завдання (IRT) оцінка латентної характеристики може розраховуватися безпосередньо з патерну відповідей, а потім переводитися на зручну звітну шкалу. AERA, APA та NCME прямо зазначають, що початковим результатом може бути raw score у класичній теорії тестів або IRT score у модельному підході, після чого інтерпретацію часто полегшує перехід до scale score. Standards for Educational and Psychological Testing Отже, поняття «сирий бал» найбільш буквально працює там, де тест має явний первинний підрахунок. Для інших інструментів коректніше говорити про початкову оцінку параметра і звітну шкалу. В обох випадках принцип однаковий: число отримує зміст не від самої математичної операції, а від моделі вимірювання, правил тесту та доказів, які підтримують конкретну інтерпретацію. Що таке стандартизований або стандартний бал У вузькому статистичному сенсі стандартизований бал показує, на скільки стандартних відхилень спостереження віддалене від середнього значення певного розподілу. Найвідоміша форма — z-бал. Американська психологічна асоціація визначає standardized score як значення, отримане з сирого бала після віднімання середнього та ділення на стандартне відхилення, і наводить z- та T-бали серед типів стандартизованих оцінок. APA Dictionary: standardized score У ширшій тестологічній практиці результат після перетворення часто називають шкальним балом або standard/scale score. NCME визначає scale score як бал, отриманий шляхом перетворення сирих балів, зазвичай для полегшення інтерпретації. Така шкала може бути лінійною, нормалізованою, пов’язаною з IRT, створеною для порівняння форм тесту або сконструйованою під конкретну систему звітування. NCME Glossary Тому слово «стандартизований» не слід читати як обіцянку, що всі перетворені бали мають однакову математичну природу. У конкретному тесті треба перевірити, як саме була створена шкала: яка референтна популяція використана, чи перетворення лінійне, чи застосована нормалізація, який центр і розкид задано, як поводяться крайні значення, чи є окремі норми для вікових або інших груп і які інтерпретації дозволяє посібник. Навіщо взагалі перетворювати сирий бал Головна проблема сирого бала — його залежність від конкретної форми тесту. Результат 28 може бути дуже високим у шкалі 0–30 і низьким у шкалі 0–100. Навіть у межах одного тесту різні підшкали можуть мати різну кількість пунктів і різні діапазони. Перетворення на спільну шкалу робить числове представлення зручнішим для інтерпретації та звітування. Друга задача — показати відносне положення результату в референтній популяції. Якщо ми знаємо, що середній сирий бал у нормативній групі дорівнює 24, а стандартне відхилення — 4, то сирий бал 32 можна описати як два стандартні відхилення вище середнього для цієї групи. Саме тут виникає z-бал. Якщо той самий відносний результат перетворити на T-шкалу із середнім 50 і стандартним відхиленням 10, він дорівнюватиме T = 70. Третя задача — уникнути плутанини між різними первинними шкалами. Професійні Standards зазначають, що scale scores можуть допомагати показати, як результат співвідноситься з результатами інших тестованих, підтримувати порівнюваність різних форм одного тесту та зменшувати плутанину між різними видами балів. Водночас саме слово «scale score» не гарантує порівнюваності: якщо йдеться про різні форми або різні тести, потрібні спеціальні процедури зв’язування чи еквівалентування і докази того, що таке порівняння коректне. Standards for Educational and Psychological Testing Норми: з ким саме порівнюють результат Норма в психометрії — це не абстрактне уявлення про «нормальну людину». Це статистична інформація про розподіл тестових балів у визначеній групі, яка має представляти референтну популяцію. NCME визначає norms як статистики або табличні дані, що описують розподіл балів для однієї чи кількох specified groups, а reference population — як популяцію, представлену цими нормами. Вона може бути визначена за віком, класом навчання, клінічним статусом або іншими характеристиками. NCME Glossary Це означає, що стандартизований бал завжди має прихований додаток: «відносно кого?». Один і той самий сирий бал може мати різне відносне значення в різних нормативних групах. Якщо для підлітків певного віку середній результат нижчий, ніж для дорослих, однакова первинна сума може перетворитися на різні z- або T-бали. Це не математичний дефект, а наслідок різних точок відліку — за умови, що використання окремих норм справді обґрунтоване. AERA, APA та NCME вимагають, щоб норми посилалися на чітко описані популяції, а звіти про нормування містили специфікацію популяції, процедури вибірки, участь, ваги, дати тестування та описову статистику. Стандарти також наголошують на потребі оновлювати норми, коли старі вже не підтримують точну й доречну інтерпретацію. Standards for Educational and Psychological Testing Отже, фраза «T-бал 60» без назви тесту, версії, нормативної групи і правил інтерпретації є неповною. Вона повідомляє форму шкали, але не весь зміст результату. Для професійного висновку потрібно знати, для якої популяції створені норми і чи належить до неї конкретна людина. Як сирий бал перетворюють на стандартизований: простий приклад Уявімо навчальний приклад, який не належить до жодного реального психологічного тесту. Є шкала з можливим сирим результатом від 0 до 40. У референтній групі середній бал M = 24, стандартне відхилення SD = 4. Людина отримала X = 32. Для z-перетворення використовуємо формулу z = (X − M) / SD. Отримаємо z = (32 − 24) / 4 = 2. Це означає: результат лежить на два стандартні відхилення вище середнього саме в цьому референтному розподілі. Той самий z-бал можна лінійно перевести в T-шкалу: T = 50 + 10z. Для z = 2 отримаємо T = 70. Відносне положення не змінилося: ми лише замінили шкалу з центром 0 і стандартним відхиленням 1 на шкалу з центром 50 і стандартним відхиленням 10. APA визначає T score саме як стандартизований бал у розподілі із середнім 50 і стандартним відхиленням 10. APA Dictionary: T score Тепер змінимо лише референтну групу. Припустімо, в іншій нормативній популяції M = 30 і SD = 5. Той самий сирий бал 32 дає z = 0,4 і T = 54. Людина не «стала іншою» через формулу; змінилася точка порівняння. Саме тому норми є частиною інтерпретації, а не декоративним додатком до тесту. Цей приклад демонструє ще одну важливу річ: стандартизований бал не є абсолютною властивістю людини. Це результат певної процедури вимірювання, певної шкали та певної системи порівняння. Його треба читати як «результат на цій шкалі, отриманий цим інструментом і співвіднесений із цією референтною інформацією». z-бал: відстань від середнього у стандартних відхиленнях z-бал має середнє 0 і стандартне відхилення 1, якщо його обчислено для того самого набору даних за звичайною формулою стандартизації. z = 0 означає значення на рівні середнього, z = +1 — на одне стандартне відхилення вище, z = −1 — на одне стандартне відхилення нижче. APA наводить z score як стандартизований бал, що переводить набір даних у шкалу із середнім 0 і стандартним відхиленням 1. APA Dictionary: z score Обчислення z-бала саме по собі не вимагає нормального розподілу. Нормальність стає важливою, коли з z-бала роблять імовірнісні або процентильні висновки за теоретичною нормальною кривою. Якщо емпіричний розподіл сильно асиметричний, має важкі хвости, стелю або підлогу, твердження «z = 1 відповідає приблизно такому-то процентилю» може бути неточним. У такій ситуації слід використовувати правила конкретного тесту або емпіричний розподіл, а не механічно підставляти нормальну таблицю. Також z-бал не повідомляє, чи є різниця клінічно важливою, чи надійною, чи діагностичною. Він описує позицію на шкалі відносно середнього та стандартного відхилення. Усі подальші висновки потребують окремих доказів. T-бал: та сама відносна позиція на зручнішій шкалі T-бал у класичному вигляді є лінійним перетворенням z-бала з центром 50 і стандартним відхиленням 10. Таку шкалу зручно використовувати, бо більшість типових результатів стають додатними числами без великої кількості десяткових знаків. За цією конвенцією z = 0 відповідає T = 50, z = +1 — T = 60, z = −1 — T = 40. APA Dictionary: T score T-бал треба відрізняти від t-статистики Стьюдента. Літера T в обох термінах не робить їх одним і тим самим показником. T-score — шкала подання індивідуального або тестового результату; t-statistic — статистика для перевірки гіпотез або побудови інтервалів у відповідних моделях. У клінічних тестах конкретні діапазони T-балів можуть мати спеціальні підписи, але ці межі є властивістю конкретного інструмента, а не універсальним законом усіх T-шкал. Процентильний ранг: інший тип перетворення Процентильний ранг відповідає на інше питання: який відсоток балів у визначеному розподілі лежить нижче певного результату. NCME визначає percentile rank як відсоток балів у заданому розподілі, що нижчі за конкретний бал. Тому 90-й процентиль означає приблизно, що результат вищий за результати 90% референтного розподілу; це не означає 90% правильних відповідей. NCME Glossary Процентилі зручні для комунікації, але мають іншу геометрію шкали. Різниця між 50-м і 60-м процентилем не обов’язково відповідає тій самій різниці у вимірюваній характеристиці, що й різниця між 80-м і 90-м. У центрі розподілу процентильні ранги можуть змінюватися швидше, а на краях — інакше. Тому процентиль не слід трактувати як інтервальну шкалу з рівними відстанями. Докладно цю тему розкрито в статті «Процентиль у психологічному тесті: що означає 50-й, 90-й або інший процентиль». Тут важливо зафіксувати головне розрізнення: percentile rank ≠ percent correct, а процентильне перетворення ≠ лінійний z-бал. Лінійні й нелінійні перетворення Лінійне перетворення має форму Y = a + bX. Якщо b додатне, порядок людей за результатом не змінюється: вищий X залишається вищим Y. z-перетворення та класичне T-перетворення є лінійними. Вони змінюють центр і одиницю шкали, але не змінюють форму розподілу та відносний порядок результатів. Нелінійне перетворення може змінювати відстані між сусідніми результатами. Процентильний ранг є типовим прикладом: однакова різниця сирих балів у різних частинах розподілу може відповідати дуже різним змінам процентиля. Нормалізовані стандартні бали можуть спочатку прив’язувати емпіричний процентиль до позиції на теоретичному нормальному розподілі. Це вже інша процедура, ніж просте z = (X − M) / SD. Практичне правило: не вгадуйте вид перетворення за назвою шкали. Якщо в посібнику написано «стандартний бал», треба знайти, як саме його обчислено. Для одних тестів це пряме лінійне перетворення, для інших — таблиця емпіричних норм, нормалізація, IRT-шкала або інша модель. Стандартизований бал, шкальний бал, нормалізація, scaling і equating — не одне й те саме Scaling — створення шкали, на якій результати повідомляють та інтерпретують. Standardization у статистичному сенсі — перетворення відносно середнього та стандартного відхилення. Normalization — процедура, що може змінювати форму розподілу, наприклад зіставляючи ранги з нормальною кривою. Equating — спеціальний процес, покликаний зробити результати альтернативних форм тесту взаємозамінними. Linking — ширше поняття для встановлення зв’язку між шкалами. Standards for Educational and Psychological Testing Ці терміни часто змішують, тому що всі вони пов’язані з перетворенням чисел. Але їхні цілі різні. Просте переведення двох тестів у z-бали не доводить, що вони вимірюють те саме, що їхні одиниці мають однаковий психологічний зміст або що результати взаємозамінні. Для порівняння різних форм і різних інструментів потрібні відповідні психометричні дослідження. Нормативна інтерпретація і критеріальна інтерпретація Нормативна інтерпретація відповідає на питання «де розташований результат людини порівняно з визначеною референтною популяцією?». Критеріальна інтерпретація відповідає на питання «чи відповідає результат певному описаному рівню, умінню, критерію або порогу?». Це два різні способи надати балу зміст. Стандартизований бал часто використовується в нормативній логіці, але не обмежується нею. AERA, APA та NCME прямо зазначають, що і raw scores, і scale scores можуть бути призначені для criterion-referenced interpretations, якщо обґрунтовано зміст та межі такої інтерпретації. Отже, не можна автоматично вважати, що будь-який стандартний бал є «нормативним», а будь-який сирий — «критеріальним». Standards for Educational and Psychological Testing Що змінює перетворення бала — і чого воно не змінює Перетворення може зробити шкалу зручнішою, надати їй зрозумілий центр і розкид, показати відносну позицію в нормативній групі та підтримати стандартне звітування. Воно може допомогти порівнювати підшкали, якщо саме для цього створено спільну метрику. Воно може зменшити ризик того, що користувач сплутає бали з різними первинними діапазонами. Перетворення не збільшує автоматично надійність. Якщо первинний результат містить значну випадкову похибку, лінійне переведення на T-шкалу перенесе цю невизначеність у нові одиниці. Коефіцієнт надійності не стає кращим лише тому, що 18 балів перетворили на 57. Детальніше про те, що означає надійність і чому її не можна зводити до одного універсального коефіцієнта, дивіться в окремій статті «Надійність психологічного тесту». Перетворення не створює валідність. Якщо немає достатніх доказів, що бал підтримує певну інтерпретацію та використання, красивий стандартний формат цього не виправляє. Шкала 50 ± 10 може виглядати професійно, але сама форма числа не є доказом того, що тест вимірює заявлений конструкт або придатний для конкретного рішення. Перетворення також не усуває систематичну похибку, культурну невідповідність, нерепрезентативні норми або дефекти процедури. Воно змінює представлення результату, а не якість даних, з яких цей результат отримано. Стандартизований бал і похибка вимірювання Кожен психологічний бал має певну точність. Якщо тест дає результат 60 на T-шкалі, це не означає, що психологічна характеристика людини «точно дорівнює 60». Спостережуваний результат залежить від процедури та містить невизначеність. Standard error of measurement, умовні похибки та інші показники точності потрібні для оцінки того, наскільки стабільно можна локалізувати результат на шкалі. Standards for Educational and Psychological Testing Якщо шкалу лінійно змінюють, похибка також змінює одиниці. Наприклад, коли z-шкалу перетворюють на T-шкалу множенням на 10, стандартна похибка в одиницях z також множиться на 10. Тому більші числа на новій шкалі не означають меншої чи більшої точності — змінилися лише одиниці. Важливо також розрізняти standard error of measurement і standard error of the mean. Перше стосується невизначеності індивідуального вимірювання в психометричному контексті, друге — невизначеності оцінки середнього в статистичній вибірці. Докладно про випадкову й систематичну похибку, SEM та інтервали навколо бала читайте в статті «Похибка вимірювання в психології». Чому стандартний бал не є діагнозом Високий або низький стандартизований бал описує положення результату на певній шкалі. Він не встановлює діагноз сам по собі. Навіть якщо клінічний інструмент використовує T-бали, процентилі або порогові значення, їхнє значення залежить від intended use, популяції, чутливості, специфічності, базової частоти стану, контексту оцінювання та інших джерел інформації. Скринінг, case-finding, психологічне оцінювання і діагностика — різні задачі. APA Guidelines for Psychological Assessment and Evaluation APA в етичних вимогах до використання оцінювальних інструментів наголошує, що методики мають застосовуватися для цілей і популяцій, для яких є відповідні дані про їхню придатність, а за відсутності таких даних потрібно чітко описувати обмеження інтерпретації. APA Ethical Principles, Standard 9.02 Тому формула «T ≥ 65 = розлад» не може бути універсальним правилом для всіх психологічних шкал. У конкретному інструменті певна межа може мати емпірично обґрунтоване значення, але це значення належить конкретній методиці, популяції і способу використання. Воно не переноситься автоматично на інші тести. Один і той самий стандартний бал у різних тестах може означати різне Два тести можуть обидва звітувати T = 60, але вимірювати різні конструкти, мати різні нормативні групи, різну точність і різний напрямок шкали. В одному тесті вищий бал може означати більшу вираженість ресурсу, в іншому — більше симптомів. Формально числа однакові, психологічно — це різні результати. Навіть якщо два тести вимірюють близькі конструкти, проста стандартизація не робить їх еквівалентними. Standards відрізняють scaling від score linking і equating. Щоб заявити, що бали з двох форм або двох інструментів можна використовувати на спільній шкалі, потрібна спеціальна методологія і докази порівнюваності. Standards for Educational and Psychological Testing Чи можна порівнювати бали різних людей Так, але лише в межах інтерпретації, яку підтримує тест. Якщо дві людини проходили ту саму валідовану версію інструмента за однаковими правилами і для них доречна та сама система норм, їхні шкальні бали можна порівнювати у передбаченому тестом сенсі. Це не означає, що різниця в один бал обов’язково психологічно значуща або перевищує похибку вимірювання. Коли люди належать до різних мовних, культурних або демографічних груп, питання складніше. Окремі групові норми інколи виправдані, але їх застосування має бути психометрично й етично обґрунтованим. Сам факт, що тест має окремі таблиці для груп, не доводить автоматично справедливість такого поділу. Мовна й культурна адаптація: переклад не переносить норми автоматично Якщо тест перекладено українською, з цього не випливає, що норми оригінальної версії стали українськими нормами. International Test Commission прямо вказує: норми, докази надійності та валідності вихідної мовної версії не переносяться автоматично на адаптацію для іншої культури й мови. Для адаптованої версії потрібні емпіричні докази в intended populations; якщо використовуються оригінальні норми, треба показати, що це статистично й справедливо. ITC Guidelines for Translating and Adapting Tests, 2nd ed. ITC також розрізняє переклад і адаптацію. Переклад стосується перенесення мовного змісту, тоді як адаптація включає перевірку конструкта, еквівалентності, адміністративних умов, психометричних характеристик і способу інтерпретації. Тому наявність українського тексту опитувальника — лише одна частина роботи. International Test Commission Українська практика має власну професійну інфраструктуру. Всеукраїнська психодіагностична асоціація публікує психодіагностичні стандарти та окремо виділяє вимоги до норм, процедури проведення, обробки й інтерпретації результатів. Це важлива локальна рамка для користувачів тестів, але конкретну придатність кожної методики все одно треба перевіряти за її документацією. Єдині психодіагностичні стандарти ВПА Порівняння між мовами і культурами потребує більше, ніж однакової шкали Якщо українська та англійська версії тесту обидві видають, наприклад, T-бали, це ще не робить результати безпосередньо порівнюваними. ITC рекомендує порівнювати бали між популяціями лише тоді, коли встановлено потрібний рівень інваріантності на шкалі звітування, а для зв’язування мовних версій використовувати відповідний дизайн і аналіз. ITC Guidelines for Translating and Adapting Tests, 2nd ed. Measurement invariance не означає автоматичної відсутності будь-якого bias, а DIF не є автоматичним доказом несправедливості тесту. Це окремі психометричні питання. Для цієї статті важливий принцип: однаковий числовий формат не є достатнім доказом того, що результати мають однаковий психологічний зміст у різних групах. Чи можна інтерпретувати сирий бал без перетворення Іноді так. Якщо сирий бал має прямо обґрунтований зміст для intended use, його можна інтерпретувати без переходу на нормативну шкалу. Standards прямо передбачають таку ситуацію: коли raw scores призначені для безпосередньої інтерпретації, їхній зміст, intended interpretations і limitations мають бути описані та обґрунтовані так само, як для scale scores. Standards for Educational and Psychological Testing Прикладом може бути тест знань, де за належного дизайну частка правильних відповідей має зміст щодо чітко визначеної області завдань, або інструмент із критеріальним порогом, для якого обґрунтовано саме первинний рахунок. Але навіть у таких випадках «сирий» не означає «самоочевидний»: потрібні правила, докази і контекст. Стандартний бал не завжди робить інтерпретацію простішою Перетворена шкала може полегшувати професійне звітування й одночасно бути незрозумілою читачеві. T = 63 часто менш інтуїтивний, ніж фраза «результат приблизно на 1,3 стандартного відхилення вище середнього референтної групи». Хороший звіт пояснює і число, і систему координат, у якій воно має сенс. Окрема проблема — надмірна точність. Якщо таблиця видає T = 61,7, це не означає, що тест здатен розрізняти людей з точністю до десятої бала. Кількість десяткових знаків повинна відповідати точності вимірювання і правилам звітування. Псевдоточність може створювати враження більшої впевненості, ніж дозволяють дані. Саме тому інтерпретація результату є окремим шаром психометричної роботи. Про те, як балу або зміні бала надають зміст, чим референтні значення відрізняються від meaningful thresholds і чому статистична різниця не тотожна практичній важливості, читайте в матеріалі «Інтерпретованість результатів психологічного вимірювання». Стандартизований бал при повторному вимірюванні Коли тест повторюють у тієї самої людини, зміна стандартного бала може виникати з двох різних причин: змінився сирий результат або змінилася система, відносно якої цей результат стандартизують. Якщо для обох моментів використано ті самі фіксовані норми, зміна відображає зміну позиції на тій самій шкалі. Якщо ж норми залежать від віку і людина переходить в іншу вікову групу, стандартний бал може залишитися схожим навіть при зміні сирого результату — або навпаки. Це особливо важливо для розвитку дітей і підлітків. Віково-нормований бал може відповідати питанню «як дитина виглядає порівняно з ровесниками свого віку», тоді як сирий бал — питанню «скільки завдань або індикаторів вона виконала/набрала». Для оцінки розвитку ці два питання не тотожні. Ще одна помилка — вважати будь-яку зміну стандартного бала «реальною зміною». Для цього треба враховувати похибку вимірювання, надійність, practice effects, регресію до середнього, умови повторного тестування та мету інструмента. RCI, MDC і клінічно важлива зміна — різні поняття, які не можна замінити простим порівнянням двох чисел. Сирий бал, стандартний бал і психологічний конструкт Психологічний тест не вимірює абстрактний конструкт безпосередньо. Він створює спостережувані дані, з яких за моделлю роблять висновок про латентну характеристику. Сирий бал — один із можливих способів агрегувати ці дані; стандартизований бал — спосіб подати або інтерпретувати отриману оцінку на визначеній шкалі. Тому відстань між «людина відповіла так» і «у людини такий-то рівень конструкта» проходить через кілька логічних кроків: визначення конструкта, операціоналізацію, дизайн завдань, скоринг, модель вимірювання, оцінку надійності/точності, валідизацію інтерпретації та, за потреби, норми. Перетворення бала — лише один із цих кроків. Докладніше про саму логіку конструкта дивіться в статті «Психологічний конструкт». Найпоширеніші помилки під час тлумачення Перша помилка — читати сирий бал як абсолютний рівень. «30 балів» без діапазону, ключа, напрямку шкали й норм майже нічого не означає. Друга — вважати стандартний бал відсотком правильних відповідей. T = 70 — не «70%». Третя — плутати процентиль і відсоток правильних відповідей: 90-й процентиль описує відносну позицію, а не частку виконаних завдань. Четверта помилка — універсалізувати T-шкалу. У багатьох системах середнє T = 50 і SD = 10, але конкретна інтерпретація діапазонів залежить від тесту. П’ята — плутати T-score з t-statistic. Шоста — припускати, що z = 2 автоматично означає «патологію» або «обдарованість». z описує статистичну позицію, а психологічний ярлик потребує окремого обґрунтування. Сьома помилка — використовувати норми для іншої популяції без доказів. Восьма — переносити норми з іншої мовної версії після простого перекладу. Дев’ята — вважати, що стандартизація виправляє слабку валідність або надійність. Десята — порівнювати стандартизовані бали двох різних тестів лише тому, що вони мають однаковий центр і стандартне відхилення. Одинадцята помилка — ігнорувати напрямок шкали. У деяких тестах високий бал означає більшу вираженість проблеми, в інших — кращу функцію або ресурс. Дванадцята — використовувати старі норми без перевірки актуальності. AERA, APA та NCME прямо вимагають підтримувати норми достатньо актуальними для точних і доречних інтерпретацій. Standards for Educational and Psychological Testing Як правильно читати результат тесту: практичний алгоритм Крок 1. З’ясуйте, що саме вимірює шкала і для якої мети створено тест. Крок 2. Перевірте версію, мову, вікову або іншу intended population. Крок 3. Встановіть правила скорингу: як із відповідей утворюється сирий бал або модельна оцінка. Крок 4. Знайдіть опис шкали звітування: z, T, percentile, sten, stanine, IRT scale score чи інша система. Крок 5. Перевірте, яка референтна популяція стоїть за нормами, коли збирали нормативні дані і наскільки група релевантна конкретній людині. Крок 6. З’ясуйте, чи є окремі норми за віком, статтю, клінічним статусом або іншими ознаками та чим обґрунтовано їх використання. Крок 7. Перевірте показники надійності/точності та інформацію про похибку вимірювання. Крок 8. Читайте standardized/scale score лише в межах дозволеної інтерпретації. Крок 9. Не перетворюйте нормативну позицію на діагноз без відповідної діагностичної процедури. Крок 10. Якщо результат впливає на важливе клінічне, освітнє або професійне рішення, використовуйте тест як частину ширшого оцінювання і спирайтеся на кваліфіковану інтерпретацію. Про різницю між тестом як інструментом і процедурою тестування дивіться «Психологічне тестування». Коли таблиці перетворення не можна переносити між версіями тесту Таблиця «сирий бал → стандартний бал» належить конкретній версії інструмента і конкретній системі норм. Якщо тест переглянули, змінили кількість завдань, змінили ключ, адаптували мову або перевели на іншу форму адміністрування, старі конверсії можуть втратити коректність. Standards вимагають повідомляти користувачів про зміни специфікацій, коригування шкали та ступінь порівнюваності результатів старої й нової версій. Standards for Educational and Psychological Testing Це одна з причин, чому не слід копіювати таблиці з неофіційних сайтів, старих методичок або чужих перекладів. Навіть якщо числа виглядають правдоподібно, без provenance неможливо впевнено встановити, до якої версії тесту, популяції та процедури вони належать. Окремо існує питання авторського права та ліцензування тестових матеріалів: психометрична якість і право на використання — різні речі. Коли стандартні бали особливо корисні Стандартні бали особливо корисні, коли потрібно описати відносну позицію на одній і тій самій нормативній шкалі; зіставити підшкали, для яких спеціально створено спільну метрику; звітувати результати різних форм тесту після належного equating; відстежувати результат на стабільній шкалі; уникнути плутанини через різні сирі діапазони; або комунікувати складну модельну оцінку у зрозумілішій формі. Їхня сила — у стандартизованій системі координат, а не в магічній властивості числа. Якщо система координат добре задокументована, бал стає більш інтерпретованим. Якщо норми слабкі, популяція невідповідна або призначення шкали незрозуміле, перетворення може лише надати невизначеному результату вигляд точності. FAQ Чим сирий бал відрізняється від стандартного бала? Сирий бал безпосередньо утворюється з відповідей або виконання завдань за правилами скорингу. Стандартний або шкальний бал є результатом подальшого перетворення на визначену шкалу. Перетворення може використовувати середнє і стандартне відхилення, нормативну таблицю, процентилі, IRT-модель або інший алгоритм. Чи є сирий бал тим самим, що відсоток правильних відповідей? Не обов’язково. У деяких тестах сирий бал справді дорівнює кількості правильних відповідей, а відсоток можна обчислити з цієї кількості. В опитувальниках сирий бал часто є сумою категорій відповідей, а в інших інструментах застосовують ваги або складніший скоринг. NCME Glossary Чи стандартний бал завжди має середнє 50? Ні. Середнє 50 і стандартне відхилення 10 — класична конвенція T-бала. z-бал має центр 0 і стандартне відхилення 1. Інші шкали можуть мати інші центри та одиниці. Назву і параметри треба брати з посібника конкретного тесту. Що означає z = 0? У звичайному z-перетворенні це означає результат на рівні середнього значення референтного розподілу. Це не означає «нульова вираженість» психологічної характеристики. APA Dictionary: z score Що означає T = 50? У класичній T-шкалі це центр розподілу, тобто значення, що відповідає z = 0. Але психологічний зміст T = 50 залежить від того, який тест, яка шкала і яка нормативна група стоять за числом. APA Dictionary: T score Чи 90-й процентиль означає 90% правильних відповідей? Ні. Процентильний ранг описує місце результату в розподілі: приблизно 90% балів у референтній групі лежать нижче нього. Відсоток правильних відповідей описує частку правильно виконаних завдань. Це різні показники. NCME Glossary Чи можна порівняти T-бали двох різних тестів? Математично вони можуть мати однаковий формат, але змістовно порівнювати їх можна лише тоді, коли є підстави вважати, що тести вимірюють порівнювані величини, а шкали належно пов’язані. Однакові 50 ± 10 не створюють психометричної еквівалентності. Чи стандартний бал точніший за сирий? Сам факт перетворення не підвищує точність. Якщо це лінійне перетворення, інформація і похибка просто виражаються в інших одиницях. Точність залежить від вимірювальної процедури, надійності та джерел похибки, а не від того, наскільки «професійно» виглядає шкала. Чому однаковий сирий бал може дати різні стандартні бали? Тому що використовуються різні норми або різні правила перетворення. Наприклад, вікові групи можуть мати різні середні та стандартні відхилення. У такому разі одна й та сама первинна сума означає різну позицію відносно відповідної референтної групи. Чи можна використовувати норми англомовної версії для українського перекладу? Лише якщо є емпіричні докази, що таке використання статистично доречне й справедливе. ITC прямо зазначає, що норми, надійність і валідність вихідної версії не переносяться на адаптовану версію автоматично. ITC Guidelines for Translating and Adapting Tests, 2nd ed. Чи високий стандартний бал означає проблему? Не універсально. Напрямок шкали і зміст високих значень залежать від конструкта. В одному тесті високий бал може означати більшу вираженість симптому, в іншому — сильнішу навичку або ресурс. Навіть для симптомної шкали високий бал не дорівнює діагнозу без відповідної клінічної оцінки. Що робити, якщо в тесті немає опису норм і перетворення? Не вигадувати власну інтерпретацію. Якщо немає технічної документації, незрозуміло, що означає шкала, для кого вона створена і з якою точністю працює. Такий дефіцит інформації є обмеженням тесту або його доступної документації, а не проблемою, яку можна виправити самостійним множенням бала на коефіцієнт. Пов’язані статті Процентиль у психологічному тесті: що означає 50-й, 90-й або інший процентиль — як читати процентильний ранг, нормативну групу та різницю між процентилем і відсотком правильних відповідей. Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів — загальна рамка психологічного вимірювання, надійності, валідності та якості тестів. Психологічний конструкт: що це і як невидимі властивості перетворюють на вимірювані показники — про зв’язок між латентною характеристикою, спостережуваними індикаторами та тестовим балом. Психологічне тестування: що це, як проводиться і які обмеження має результат тесту — про процедуру проведення тесту, скоринг і межі висновків. Похибка вимірювання в психології: випадкова, систематична і чому один бал не є абсолютно точним — про невизначеність результату, SEM і те, чому перетворена шкала не усуває похибку. Інтерпретованість результатів психологічного вимірювання: як надати зміст балу і зміні бала — про те, як число стає змістовною інтерпретацією та які межі має така інтерпретація. Надійність психологічного тесту: що це, які бувають види і чому надійність не дорівнює валідності — про стабільність і точність балів, які не поліпшуються автоматично після стандартизації. Норми психологічного тесту: як створюють референтні значення і чому вони залежать від популяції — про референтні популяції, нормативні вибірки, актуальність норм і межі порівняння. Стандартизація психологічного тесту: єдина процедура, інструкції, підрахунок і умови проведення — про стандартизовані умови тестування і відмінність стандартизації процедури від перетворення бала. z-бал: що це, як показує відхилення від середнього і як використовується в психометрії — окрема сторінка про z-перетворення, середнє, стандартне відхилення та межі інтерпретації. T-бал у психологічних тестах: як перетворюють z-бали і що означають результати — окрема сторінка про T-шкалу, її перетворення та типові помилки тлумачення. Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. American Psychological Association. (2017). Ethical Principles of Psychologists and Code of Conduct, Standard 9.02: Use of Assessments. American Psychological Association. (2018). Standardized score. APA Dictionary of Psychology. American Psychological Association. (2018). T score. APA Dictionary of Psychology. American Psychological Association. (2020). APA Guidelines for Psychological Assessment and Evaluation. American Psychological Association. (2023). z score. APA Dictionary of Psychology. International Test Commission. (2017). The ITC Guidelines for Translating and Adapting Tests (Second Edition). National Council on Measurement in Education. Glossary. Всеукраїнська психодіагностична асоціація. Єдині психодіагностичні стандарти. Всеукраїнська психодіагностична асоціація. Норми. Глосарій.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Змістова валідність — це обґрунтованість того, що зміст психологічного тесту, шкали, опитувальника або іншого інструмента справді представляє той конструкт, який планують вимірювати, для визначеної популяції та конкретного використання. Йдеться не лише про окремі запитання. До змісту належать також інструкції, стимули, сценарії, формати відповіді, часові рамки, спосіб виконання та інші елементи, від яких залежить, що фактично означатиме тестовий бал. Standards for Educational and Psychological Testing розглядають докази, засновані на змісті тесту, як одне з джерел обґрунтування запропонованої інтерпретації балів. Для інструментів вимірювання результатів методологія COSMIN формулює три центральні питання: чи є зміст релевантним, чи охоплює він усі важливі аспекти конструкта і чи розуміють його респонденти так, як задумано. Огляд COSMIN 2025 року називає ці компоненти relevance, comprehensiveness і comprehensibility та підкреслює роль якісних методів — зокрема інтерв’ю, фокус-груп і Delphi-процедур — у встановленні змістової валідності. В українській фаховій мові трапляються дві назви: «змістова валідність» і «контентна валідність». У цій статті використовується «змістова валідність» як основний термін, а content validity — як англійський відповідник. Обидві назви стосуються одного фундаментального питання: чи є зміст інструмента достатнім і доречним представленням того, про що надалі робитимуть висновок за його балами. Що таке змістова валідність у сучасній психометрії Історично змістову валідність часто описували як окремий «тип валідності» поруч із критеріальною або конструктною. Сучасна рамка точніша: валідність стосується обґрунтованості інтерпретацій і використань тестових балів, а зміст тесту є одним із джерел доказів для цього аргументу. Тому фраза «тест має змістову валідність» без уточнення конструкта, популяції, контексту та intended use є надто загальною. У глосарії NCME content-related validity evidence визначено як докази, засновані на змісті тесту, що підтримують заплановану інтерпретацію результатів для певної мети. Це може включати відповідність змісту реальній діяльності, репрезентативність вибірки завдань із ширшої змістової області та інші зв’язки між тестовим матеріалом і доменом, про який роблять висновок. Для психологічних шкал це принципово. Якщо шкала заявляє, що вимірює складний конструкт, але містить завдання лише про одну його вузьку грань, високий бал не може автоматично представляти весь конструкт. Якщо ж завдання систематично вимагають умінь або знань, які не належать до конструкта, результат може відбивати сторонні чинники. Три запитання: релевантність, повнота охоплення і зрозумілість Релевантність: чи кожний елемент справді стосується потрібного конструкта Релевантність означає, що завдання, твердження, інструкції, варіанти відповіді та умови виконання відповідають визначеному конструкту, цільовій популяції та контексту використання. Завдання може бути граматично бездоганним і статистично «працювати», але залишатися змістово недоречним, якщо воно вимірює іншу властивість або вимагає досвіду, якого значна частина цільової групи не має. Наприклад, якщо інструмент має вимірювати здатність планувати повсякденні справи, завдання, що фактично перевіряє знання специфічної професійної термінології, додає до бала сторонній компонент. У термінах сучасного вимірювання це може створювати construct-irrelevant variance — варіативність, спричинену чинниками поза цільовим конструктом. NCME окремо визначає construct-irrelevant variance як варіативність балів від сторонніх факторів, що спотворюють значення результату. Повнота охоплення: чи не випала важлива частина конструкта Повнота охоплення означає, що інструмент не пропускає ключові аспекти конструкта. Добір лише «хороших» окремих завдань не гарантує повноти. Можна отримати набір дуже релевантних пунктів, який усе одно систематично ігнорує одну або кілька важливих граней. Такий дефіцит описують як construct underrepresentation — недостатнє представлення конструкта. Глосарій NCME пояснює це як ситуацію, коли тест не охоплює важливих аспектів задуманої змістової області, через що бал представляє конструкт лише частково. Саме тому змістову валідність оцінюють на рівні окремих завдань і всього інструмента. Зрозумілість: чи читає респондент завдання так, як задумав розробник Зрозумілість стосується не максимального спрощення мови, а відповідності між задумом і фактичним розумінням. Двозначне слово, невдалий часовий інтервал, перевантажена конструкція речення, незнайомий приклад або нечітка інструкція можуть змінити процес відповіді навіть тоді, коли експертам формулювання здається очевидним. У методології COSMIN зрозумілість є окремим компонентом змістової валідності. COSMIN Manual Version 2.0 рекомендує оцінювати релевантність, повноту й зрозумілість окремо, щоб не приховувати сильні та слабкі сторони інструмента одним загальним висновком. Змістова валідність починається з чіткого визначення конструкта Перш ніж оцінювати завдання, потрібно визначити, що саме має вимірювати тест. Без цього експертне оцінювання перетворюється на голосування про те, чи «подобається» формулювання. Змістове рішення потребує карти конструкта: його меж, граней, типових проявів, відмінностей від близьких понять, очікуваного рівня узагальнення і того, що свідомо не входить до вимірюваної області. У ХАБі окремо розібрано, що таке психологічний конструкт і як невидиму психологічну властивість пов’язують зі спостережуваними показниками. Для змістової валідності це вихідна точка: спочатку задають конструкт, а вже потім питають, чи достатньо добре набір завдань його представляє. Наступний крок — операціоналізація: перехід від теоретичного поняття до конкретних спостережуваних ознак, завдань, шкал або процедур. Змістова валідність перевіряє якість цього переходу на рівні змісту. Якщо операціональне визначення звужує або підмінює конструкт, статистичне вдосконалення шкали пізніше не поверне автоматично втрачений зміст. Корисний технічний інструмент — специфікація тесту або матриця змісту. У ній кожну грань конструкта пов’язують із запланованою кількістю завдань, форматом відповіді, рівнем складності, контекстом і, за потреби, вагою в підсумковому балі. Така матриця робить видимим те, що легко пропустити при читанні пунктів по одному: надмірне представлення однієї грані та відсутність іншої. Що саме належить до «змісту» тесту Зміст — ширше поняття, ніж текст окремого запитання. Залежно від інструмента до нього можуть належати формулювання завдань, стимули, зображення, сценарії, поведінкові описи, інструкції, варіанти відповіді, шкала відповіді, часовий період, спосіб виконання, обмеження часу, приклади, правила переходу між завданнями й те, що пропонується робити спостерігачеві або клініцисту. Для опитувальника самозвіту важливо, чи охоплюють твердження досвід, доступний цільовій групі, і чи однаково респонденти розуміють ключові слова. Для performance-based інструмента питання зміщується до того, чи є виконувані завдання репрезентативними для цільової здатності. FDA у схемі розроблення clinical outcome assessments ставить визначення concept of interest і context of use перед формуванням інструмента та оцінюванням його змістової валідності. Для шкал із періодом пригадування змістом стає також сам recall period. «За останні 24 години», «за останній тиждень» і «зазвичай» створюють різні когнітивні задачі. Для шкал із градаціями частоти або інтенсивності важливо, чи варіанти відповіді покривають реальний діапазон досвіду й чи межі між категоріями зрозумілі. Змістовий аналіз стосується і правил підрахунку настільки, наскільки вони визначають, які частини змісту реально впливають на бал. Якщо декларативно тест охоплює п’ять граней, але алгоритм підрахунку майже весь підсумковий бал формує з двох, сама наявність пунктів інших граней не гарантує репрезентативності підсумкового показника. Як оцінюють змістову валідність під час розроблення тесту 1. Визначають конструкт, популяцію і контекст використання Один і той самий термін може мати різний зміст у різних дослідницьких або практичних завданнях. Тому до написання завдань фіксують концептуальне визначення, цільову популяцію, передбачуване рішення або висновок, формат застосування та межі узагальнення. Зміна популяції чи мети може вимагати нових доказів змістової валідності. 2. Виявляють змістову область і ключові грані Джерелами можуть бути теорія, систематичні огляди, якісні дослідження, професійні стандарти, спостереження, аналіз діяльності та, коли йдеться про людський досвід, інтерв’ю з представниками цільової групи. Для PROMs Patrick та співавтори підкреслюють документування внеску цільової популяції в генерацію пунктів і перевірку того, чи охоплено значущі для неї аспекти. 3. Створюють набір завдань ширший за фінальну версію На ранньому етапі доцільно мати достатній набір кандидатів, прив’язаних до карти конструкта, а не одразу скорочувати шкалу до мінімуму. Скорочення лише за статистичними критеріями може підвищити внутрішню узгодженість і водночас погіршити змістове охоплення, якщо зникають концептуально важливі, але менш однорідні прояви. 4. Залучають фахівців із релевантною предметною компетентністю Експерти оцінюють, чи відповідає кожний елемент конструкту, чи не містить він зайвих вимог, наскільки він репрезентативний для своєї грані та чи достатньо весь інструмент охоплює домен. У якісному звіті пояснюють, хто саме був експертом і чому його компетентність релевантна; сам титул або науковий ступінь не робить оцінку автоматично змістово обґрунтованою. Класичні психометричні роботи запропонували структуровані процедури експертного оцінювання. Lawshe описав content validity ratio (CVR) для суджень про необхідність пунктів; Lynn — процедури визначення й кількісного узагальнення content validity. Сьогодні ці індекси доречно розглядати як допоміжні засоби документування експертних суджень, а не як заміну змістового аргументу. 5. Залучають представників цільової групи Експерт знає теорію, але не може повністю замінити людину, для якої створено інструмент. Представники цільової групи допомагають виявити пропущений досвід, незрозумілі слова, неприродні категорії відповіді, припущення розробника, що не працюють у реальному житті, і теми, які професійна мова описує інакше, ніж сама людина. Це особливо важливо для patient-reported та інших self-report інструментів. У COSMIN Delphi-study методи розроблення PROM і дослідження змістової валідності оцінювалися окремо; консенсус охопив релевантність пунктів, варіантів відповіді, recall period, повноту й зрозумілість. Для інших типів психологічних тестів роль респондентів може відрізнятися, але перевірка фактичної взаємодії цільової групи з матеріалом залишається принциповою. 6. Проводять когнітивні інтерв’ю та пілотування Когнітивне інтерв’ю не просто запитує «чи все зрозуміло?». Дослідник з’ясовує, як людина тлумачить ключові слова, який досвід пригадує, як обирає відповідь, де вагається і що вважає неоднозначним. ISPOR Task Force присвятив окремий звіт оцінюванню розуміння респондентами під час встановлення content validity нових PRO-інструментів. Для регуляторних clinical outcome assessments FDA guidance також надає ваги внеску цільової популяції та якісним даним, включно з когнітивними інтерв’ю, коли зміст інструмента має підтримувати конкретне клінічне використання. Цей регуляторний контекст не переноситься механічно на всі психологічні тести, але добре ілюструє загальний принцип: змістову відповідність потрібно документувати, а не припускати. 7. Ітеративно переглядають інструмент і зберігають слід рішень Оцінювання змісту — не одна експертна нарада наприкінці. Після інтерв’ю або рейтингу частину завдань переписують, додають або вилучають, а потім повторно перевіряють розуміння і покриття. Mokkink та співавтори, 2025 описують послідовність, у якій визначення й перевірка змісту є ітеративними: за потреби цикл повторюється після внесення змін. Для прозорості варто зберігати версії інструмента, карту «грань → завдання», причини змін, характеристики експертів і учасників, інструкції для оцінювання, кількісні індекси, якісні коментарі та пояснення фінальних рішень. Сильний звіт дозволяє сторонньому читачеві відтворити логіку переходу від визначення конструкта до фінального набору змісту. Експерти і цільова група відповідають на різні питання Експертна оцінка найсильніша там, де потрібно співвіднести завдання з теорією, професійною моделлю, навчальною програмою, робочою діяльністю або формальним описом домену. Цільова група найкраще показує, чи є зміст упізнаваним, зрозумілим і доречним для її контексту та чи не пропущені значущі аспекти досвіду. Тому «десять експертів погодилися» і «сто респондентів сказали, що все зрозуміло» не є взаємозамінними доказами. Перше не гарантує, що реальні респонденти тлумачать завдання як задумано; друге не гарантує, що набір охоплює теоретичні межі конструкта. Склад панелі залежить від типу інструмента. Для тесту професійної компетентності потрібні люди, які знають зміст роботи й вимоги до неї. Для клінічного self-report інструмента важливі і клінічні фахівці, і люди з релевантним досвідом. Для дитячої шкали можуть знадобитися вікові та мовні перевірки, а іноді окремий внесок дитини, батьків і фахівців, якщо вони є різними джерелами інформації. Кількість учасників сама по собі не визначає якість змістової валідації. Потрібно обґрунтувати, чому саме ці люди можуть судити про конкретний аспект змісту, як збирали їхні судження і як вони вплинули на рішення щодо інструмента. Які методи використовують Специфікація тесту і картування завдань Матриця специфікації задає змістові грані й очікуване представлення кожної з них. Потім кожне завдання зіставляють із цією картою. Такий підхід добре виявляє пропуски, надлишкове дублювання та дисбаланс між частинами конструкта ще до статистичного аналізу відповідей. Фокус-групи й напівструктуровані інтерв’ю Вони корисні для elicitation — виявлення того, які аспекти досвіду або поведінки справді належать до цільового конструкта в заданому контексті. Сильний дизайн не обмежується питанням «що ви думаєте про ці пункти?», а перевіряє, що ще має бути виміряно і чи не нав’язує розробник людям власну категоризацію. Когнітивні інтерв’ю Їхня мета — дослідити процес розуміння і відповіді. Вони допомагають відрізнити проблему змісту від проблеми формулювання: іноді пункт концептуально потрібний, але слова, приклад або формат відповіді ведуть респондента до іншої інтерпретації. Delphi-процедури Delphi дає змогу кільком раундам незалежних суджень і зворотного зв’язку поступово уточнювати критерії та формувати консенсус. Метод корисний для складних доменів, але консенсус не дорівнює істині: якість результату залежить від складу панелі, формулювання питань, правил завершення і прозорості процесу. Кількісні рейтинги релевантності Експерти або представники цільової групи можуть оцінювати релевантність, зрозумілість чи інші характеристики за шкалою, після чого дослідник узагальнює частку позитивних оцінок або спеціальні індекси. Такі числа корисні для порівняння пунктів і документування рішень, але вони не замінюють пояснення того, що саме було оцінено і чому. CVI: індекс змістової валідності Content Validity Index (CVI) зазвичай узагальнює, яка частка експертів оцінила пункт як достатньо релевантний за заданим правилом. На рівні окремого пункту часто використовують I-CVI, а на рівні всієї шкали — один із варіантів S-CVI. Важливо завжди вказувати точну процедуру, бо одна абревіатура CVI може приховувати різні способи агрегації. У методичному огляді Polit, Beck і Owen підкреслили переваги CVI як зрозумілого показника експертного консенсусу, але також його обмеження: звичайний CVI не коригує випадкову згоду. Автори запропонували пов’язувати I-CVI з модифікованою κ і обговорили часто цитований орієнтир I-CVI 0,78 або вище для панелей від трьох експертів. Цей орієнтир не є універсальним законом якості тесту. Значення CVI залежить від кількості експертів, шкали рейтингу, порога для «релевантного», незалежності суджень, компетентності панелі й того, чи оцінювали лише релевантність, чи також повноту і зрозумілість. Один високий S-CVI може приховати критичний пропуск цілої грані конструкта. CVR: коефіцієнт Лоше Content Validity Ratio (CVR) Лоше створено для іншої задачі: експерти класифікують кожний елемент як необхідний, корисний, але не необхідний, або не потрібний. Класична формула CVR = (ne − N/2) / (N/2), де ne — кількість експертів, які назвали пункт необхідним, а N — загальна кількість експертів. Значення змінюється від −1 до +1. У первинній роботі Lawshe, 1975 CVR був способом кількісно узагальнити судження про необхідність елементів. Пізніше Wilson, Pan і Schumsky перерахували критичні значення для різних розмірів панелі. Тому механічне застосування старої таблиці або одного універсального порога без урахування N є помилкою. CVI і CVR відповідають на різні питання й не мають автоматично замінювати одне одного. CVI найчастіше відображає оцінки релевантності; CVR — судження про необхідність. Обидва показники залишаються залежними від того, хто оцінює, що саме і за якою концептуальною картою. Чому число не може «довести» змістову валідність Змістова валідність має суттєвий якісний компонент. Якщо конструкт визначено нечітко, панель оцінює не той домен або ключова грань взагалі відсутня серед кандидатів, математичне узагальнення експертних рейтингів не виправляє початкову проблему. Число може стисло описати судження, але не створює зміст, якого не було в дизайні. Саме тому сучасні підходи поєднують декілька джерел: теоретичне визначення, специфікацію змісту, процедуру генерації завдань, експертні судження, внесок цільової групи, когнітивне тестування, пілотування й прозоре документування змін. COSMIN побудував оцінювання content validity як сукупність стандартів розроблення, окремих досліджень змісту і підсумкового синтезу доказів. Що змістова валідність не доводить Вона не дорівнює очевидній валідності Очевидна валідність (face validity) відповідає радше на питання, чи виглядає тест доречним і правдоподібним для користувача або спостерігача. Це може бути корисно для прийнятності інструмента, але сама зовнішня очевидність не доводить, що зміст репрезентує конструкт повно й без сторонніх домішок. Вона не доводиться коефіцієнтом альфа Cronbach’s alpha описує певний аспект внутрішньої узгодженості за конкретних припущень. Висока α не відповідає на запитання, чи всі потрібні грані конструкта представлені в тесті. Дуже однорідний набір близьких за змістом завдань може мати високу внутрішню узгодженість і водночас вузько охоплювати конструкт. Тому надійність психологічного тесту і змістова валідність — різні властивості та різні питання. Вона не замінює структурну або конструктну перевірку Експерт може переконливо обґрунтувати, чому завдання належать до теоретичних граней, але це ще не показує, що емпірична структура відповідей відповідає моделі. Для цього потрібні інші джерела доказів — аналіз внутрішньої структури, зв’язків з іншими змінними, процесів відповіді та інші процедури, доречні для конкретного використання. Вона не є діагностичною точністю Змістова валідність не повідомляє, наскільки добре тест розрізняє людей із певним клінічним станом і без нього. Sensitivity, specificity, PPV, NPV і ROC/AUC належать до іншого кола питань. Навіть дуже добре побудований зміст не перетворює скринінговий бал на діагноз. Вона не визначає похибку окремого бала Зміст може бути добре обґрунтований, а індивідуальний результат усе одно міститиме невизначеність. Похибка вимірювання стосується точності конкретного бала та джерел випадкової й систематичної помилки; це не те саме, що питання про репрезентативність змісту. Вона не гарантує інтерпретованість Навіть коли зміст відповідає конструкту, користувачеві ще потрібно знати, що означає отриманий бал або зміна бала. Інтерпретованість результатів психологічного вимірювання охоплює норми, референтні значення, пороги, невизначеність і практичний зміст результату. Це окремий шар роботи з вимірюванням. Змістова валідність і культурна адаптація Переклад тесту не є доказом того, що його зміст валідний для нової мовної та культурної групи. Слова можуть бути перекладені точно, але ситуації, соціальні ролі, приклади, частота певного досвіду, культурні норми або спосіб використання шкали відповідей можуть змінити релевантність і розуміння завдань. У ITC Guidelines for Translating and Adapting Tests адаптація розглядається як процес, що має враховувати мовні, психологічні та культурні відмінності цільових популяцій і залучати фахівців із відповідною комбінованою компетентністю. Це сильніша вимога, ніж буквальний переклад. Для української адаптації потрібно окремо показати, що українські формулювання відтворюють задуманий зміст, зрозумілі цільовій групі, охоплюють ті самі або належно адаптовані грані та не вносять нових культурно специфічних вимог. Наявність «української версії» без описаної процедури адаптації, вибірки, когнітивного тестування й психометричних даних не означає валідовану українську адаптацію. Після змістової адаптації зазвичай потрібні й інші докази — структурна валідність, надійність, інваріантність або DIF, залежно від завдання. Measurement invariance не означає автоматичної відсутності bias, а DIF не є сам по собі доказом несправедливості: ці результати потрібно інтерпретувати разом зі змістом і контекстом. Змістова валідність, справедливість і доступність Погано підібраний зміст може створювати систематичну перевагу або перешкоду для частини респондентів. Якщо завдання для вимірювання цільового конструкта потребує непотрібно складної мови, специфічного культурного знання, моторної навички або сенсорної здатності, бал може відбивати не лише цільову властивість. Це не означає, що будь-яка групова різниця є bias. Потрібно встановити, чи стороння вимога справді не належить до конструкта і чи вона змінює інтерпретацію балів для відповідної групи. Аналіз справедливості починається з чіткого визначення конструкта: без нього неможливо вирішити, яка вимога релевантна, а яка стороння. Контентна експертиза доповнює статистичні процедури. DIF може вказати, що завдання поводиться по-різному в групах за однакового рівня латентної ознаки, але причину потрібно досліджувати змістово. І навпаки, змістова підозра на bias може бути підставою для подальшого статистичного тестування. Змістова валідність у клінічних і скринінгових інструментах У клінічних шкалах особливо важливо розрізняти symptom, trait, risk factor, screening, case-finding, assessment, diagnosis, monitoring і outcome measurement. Те, що шкала добре охоплює зміст певних симптомів, не означає, що її сумарний бал є діагностичним рішенням або що певний cutoff універсально відділяє «розлад є» від «розладу немає». Для клінічного використання потрібні докази, специфічні до intended population і intended use: надійність, валідність інтерпретацій, точність класифікації, базова частота стану, наслідки помилкових рішень та інші характеристики. Змістова валідність створює необхідну основу, але не замінює ці етапи. Це також пояснює, чому результат скринінгу не є діагнозом. Скринінговий інструмент може мати доречний і добре перевірений зміст, але остаточна клінічна оцінка спирається на ширший контекст, функціонування, тривалість симптомів, диференційну оцінку та професійне рішення. Умовний приклад: як виявляють неповне охоплення конструкта Уявімо, що дослідники створюють шкалу «керування повсякденним часом». Вони визначили три грані: планування, пріоритизація і коригування плану після непередбачуваних змін. На першому етапі автори написали 24 твердження. Експерти помітили, що 18 із 24 тверджень фактично стосуються складання плану, чотири — пріоритизації і лише два — адаптації до змін. Майже кожне твердження окремо виглядає доречним. Проте інструмент як ціле недопредставляє третю грань. Це проблема повноти, яку не можна побачити з одного середнього рейтингу релевантності. Під час когнітивних інтерв’ю учасники додатково повідомили, що слово «ефективно» у кількох твердженнях вони тлумачать по-різному: частина як «швидко», частина як «без стресу», частина як «встигнути все». Отже, з’явилася проблема зрозумілості, хоча експертам формулювання здавалося однозначним. Після перегляду автори додають завдання про коригування плану, уточнюють мову, повторюють когнітивні інтерв’ю й оновлюють матрицю змісту. Лише після цього переходять до польового дослідження, факторної структури, надійності й інших психометричних властивостей. Приклад показує головну логіку: змістова валідність не питає лише, чи «правильні» окремі пункти. Вона питає, чи вся система змісту достатньо й зрозуміло представляє той конструкт, про який надалі говоритиме тестовий бал. Типові помилки під час оцінювання змістової валідності 1. Починати з готових завдань без явного визначення конструкта. У такому разі експерти оцінюють набір текстів, але не можуть перевірити його відносно стабільної змістової карти. 2. Запрошувати тільки експертів і не перевіряти цільову групу там, де саме її досвід є джерелом змісту. Для self-report інструментів це особливо ризиковано. 3. Зводити всю оцінку до CVI або CVR. Індекс може бути корисним, але не показує автоматично, чи пропущена ціла грань, чи правильно люди розуміють формулювання і чи коректно визначено сам домен. 4. Вважати високий Cronbach’s alpha підтвердженням змістової валідності. Внутрішня узгодженість і змістове охоплення відповідають на різні питання. 5. Видаляти завдання лише тому, що вони погіршують статистичний показник, не перевіряючи їхню концептуальну функцію. Так можна отримати компактну й однорідну, але змістово збіднену шкалу. 6. Плутати зрозумілість із «простотою». Складний термін може бути необхідним для фахового тесту, якщо він належить до цільового конструкта і цільова популяція має його знати. Критерій — не мінімальна складність, а відсутність сторонніх вимог і відповідність intended use. 7. Вважати переклад готовою адаптацією. Культурна й мовна адаптація потребує окремих доказів змісту та, як правило, подальших психометричних досліджень. 8. Робити висновок про весь тест із одного зручного середнього показника. Добрий звіт зберігає окрему інформацію про релевантність, повноту, зрозумілість і ключові проблеми конкретних граней. Як читати дослідження змістової валідності Передусім знайдіть чітке визначення конструкта. Якщо автори не пояснюють його межі, подальші експертні числа важко інтерпретувати. Перевірте, для кого створено інструмент. Вік, мова, культурний контекст, клінічний статус, освіта, професійна роль і спосіб застосування можуть змінювати релевантність та зрозумілість змісту. Подивіться, хто генерував завдання і на яких джерелах. Теоретична модель, література, якісні інтерв’ю та аналіз реальної діяльності дають різні типи внеску; найсильніша схема пояснює, як вони були поєднані. Оцініть склад експертів і цільової групи, а не лише їхню кількість. Потрібно знати, яку компетентність представляла кожна група і яке питання вона оцінювала. Шукайте якісні дані про проблемні формулювання та пропущений зміст. Таблиця CVI без опису коментарів, критеріїв рішень і фактичних змін дає значно менше інформації. Перевірте, чи розділено рівень пункту і рівень шкали. Усі пункти можуть мати прийнятні рейтинги, а домен усе одно бути неповним через неправильні пропорції або відсутню грань. Подивіться, чи повторювали перевірку після значного переписування. Суттєво змінене завдання — фактично новий стимул, і старі дані про його зрозумілість не обов’язково описують нову версію. Нарешті, не вимагайте від змістової валідності того, чого вона не оцінює. Після сильного content-validity етапу залишаються питання структури, надійності, похибки, зв’язків з іншими змінними, справедливості, інваріантності, інтерпретації балів і, для класифікаційних задач, діагностичної точності. Змістова валідність як частина повного циклу психометрії У психометрії якість тесту формується ланцюгом взаємопов’язаних рішень. Визначення конструкта задає, що має бути виміряно; операціоналізація переводить це в спостережувані показники; змістова валідність перевіряє, чи достатньо добре ці показники представляють конструкт; подальші аналізи досліджують, як система працює емпірично. Те, що психологічний конструкт часто є латентною змінною, пояснює особливу роль змісту: ми не спостерігаємо латентну властивість безпосередньо, а робимо висновок про неї через відповіді, поведінку або інші показники. Якщо сам набір показників концептуально зміщений, статистична модель лише точніше опише зміщений набір. Отже, сильна змістова валідність — не декоративний вступ до «справжньої статистики». Це фундамент того, щоб статистичний аналіз узагалі працював із матеріалом, який має належний психологічний зміст. Питання та відповіді Чи достатньо експертної оцінки для змістової валідності? Зазвичай ні, якщо інструмент вимірює досвід, який має повідомляти сама цільова група. Експерти потрібні для зв’язку з теорією та доменом; респонденти — для перевірки релевантності їхньому досвіду, зрозумілості й виявлення пропусків. Для різних типів тестів баланс цих джерел відрізняється. Скільки експертів потрібно? Універсального числа немає. Розмір панелі залежить від методу, складності домену, різноманітності потрібної компетентності та способу кількісного аналізу. Якщо використовують CVR або CVI, кількість експертів впливає на інтерпретацію індексів; тому N і правила рішення мають бути задані й обґрунтовані. Чи можна встановити змістову валідність лише статистично? Ні. Статистика може узагальнити рейтинги експертів або респондентів, але питання «чи представляє зміст конструкт?» вимагає змістового визначення, якісних суджень і документованого зв’язку між доменом та елементами інструмента. Чи є CVI = 0,80 доказом, що тест валідний? Ні. Навіть якщо конкретна методика використовує такий поріг, він стосується визначеного способу агрегування суджень і не доводить загальну валідність тесту. Потрібно знати, хто оцінював, що оцінював, як задано конструкт, чи охоплено всі грані й які інші джерела доказів доступні. Чи можна мати хорошу змістову валідність і низьку надійність? Так. Інструмент може концептуально добре охоплювати домен, але давати нестабільні або неточні результати. І навпаки, дуже надійний інструмент може стабільно вимірювати лише вузький або не той зміст. Надійність і валідність взаємопов’язані, але не взаємозамінні. Чи дорівнює змістова валідність face validity? Ні. Face validity описує поверхове враження, що тест «схожий» на доречний. Змістова валідність потребує систематичного зіставлення змісту з конструктом, популяцією та використанням і перевірки релевантності, повноти та зрозумілості. Чи може перекладений тест мати добру змістову валідність? Так, але переклад має бути частиною культурної адаптації, а не єдиною процедурою. Потрібно перевірити релевантність, повноту й зрозумілість у новій популяції та зібрати інші потрібні психометричні докази для запланованого використання. Чи означає хороша змістова валідність, що cutoff правильний? Ні. Порогове значення потребує окремого емпіричного обґрунтування для визначеної задачі й популяції. Змістова валідність відповідає на питання про представлення конструкта, а не про оптимальну межу класифікації. Чи можна опублікувати всі завдання тесту, щоб читач сам оцінив зміст? Лише якщо права й режим безпеки це дозволяють. Для proprietary або secure tests не слід публікувати захищені завдання, ключі відповідей чи матеріали підрахунку. Змістову валідність можна прозоро описувати через карту конструкта, процедури, характеристики вибірок і результати оцінювання без розкриття захищеного тестового матеріалу. Короткий практичний висновок Щоб оцінити змістову валідність, поставте чотири послідовні запитання. По-перше, що саме визначено як конструкт і де його межі? По-друге, чи кожний елемент справді потрібний для цього конструкта в цій популяції та меті? По-третє, чи не пропущені ключові грані? По-четверте, чи розуміють люди матеріал так, як задумано? Якщо відповідь на будь-яке з цих питань слабка, один коефіцієнт не врятує інтерпретацію. Сильна змістова валідність виникає з узгодження теорії, карти змісту, експертної компетентності, досвіду цільової групи, якісного тестування формулювань, кількісних індикаторів там, де вони доречні, та прозорого документування рішень. Пов’язані статті Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів — загальна карта психологічного вимірювання, надійності, валідності та інтерпретації. Психологічний конструкт: що це і як невидимі властивості перетворюють на вимірювані показники — про те, що саме стоїть за тестовим балом і чому чітке визначення конструкта передує валідації. Операціоналізація в психології: як абстрактне поняття перетворюють на змінну, шкалу або тест — міст між теоретичним поняттям і конкретними показниками. Латентні й спостережувані змінні: чим відрізняється психологічний конструкт від його показників — про зв’язок невидимої властивості з відповідями, поведінкою та іншими спостережуваними даними. Надійність психологічного тесту: що це, які бувають види і чому надійність не дорівнює валідності — окремо про стабільність, узгодженість і точність результатів. Похибка вимірювання в психології: випадкова, систематична і чому один бал не є абсолютно точним — про невизначеність конкретного результату та відмінність похибки від змістової відповідності. Інтерпретованість результатів психологічного вимірювання: як надати зміст балу і зміні бала — про те, як перейти від числового результату до обґрунтованого практичного змісту. Докази валідності: зміст, внутрішня структура, зв’язки з іншими змінними та процес відповіді Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. Food and Drug Administration. (2009). Patient-Reported Outcome Measures: Use in Medical Product Development to Support Labeling Claims. Haynes, S. N., Richard, D. C. S., & Kubany, E. S. (1995). Content validity in psychological assessment: A functional approach to concepts and methods. Psychological Assessment, 7(3), 238–247. International Test Commission. (2017). The ITC Guidelines for Translating and Adapting Tests (Second Edition). Lawshe, C. H. (1975). A quantitative approach to content validity. Personnel Psychology, 28(4), 563–575. Lynn, M. R. (1986). Determination and quantification of content validity. Nursing Research, 35(6), 382–385. Mokkink, L. B., Elsman, E., & Terwee, C. B. (2024). COSMIN Manual, Version 2.0. Mokkink, L. B., Herbelet, S., Tuinman, P. R., & Terwee, C. B. (2025). Content validity: judging the relevance, comprehensiveness, and comprehensibility of an outcome measurement instrument — a COSMIN perspective. Journal of Clinical Epidemiology, 185, 111879. National Council on Measurement in Education. (n.d.). NCME Assessment Glossary. Patrick, D. L., Burke, L. B., Gwaltney, C. J., Leidy, N. K., Martin, M. L., Molsen, E., & Ring, L. (2011a). Content validity — Part 1: eliciting concepts for a new PRO instrument. Value in Health, 14(8), 967–977. Patrick, D. L., Burke, L. B., Gwaltney, C. J., Leidy, N. K., Martin, M. L., Molsen, E., & Ring, L. (2011b). Content validity — Part 2: assessing respondent understanding. Value in Health, 14(8), 978–988. Polit, D. F., Beck, C. T., & Owen, S. V. (2007). Is the CVI an acceptable indicator of content validity? Appraisal and recommendations. Research in Nursing & Health, 30(4), 459–467. Terwee, C. B., Prinsen, C. A. C., Chiarotto, A., Westerman, M. J., Patrick, D. L., Alonso, J., Bouter, L. M., de Vet, H. C. W., & Mokkink, L. B. (2018). COSMIN methodology for evaluating the content validity of patient-reported outcome measures: a Delphi study. Quality of Life Research, 27(5), 1159–1170. Wilson, F. R., Pan, W., & Schumsky, D. A. (2012). Recalculation of the critical values for Lawshe’s content validity ratio. Measurement and Evaluation in Counseling and Development, 45(3), 197–210.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Докази валідності — це сукупність теоретичних і емпіричних підстав, які показують, наскільки обґрунтовано інтерпретувати тестові бали певним чином і використовувати їх для конкретної мети. У сучасній психометрії валідність стосується не абстрактної властивості «хорошого тесту», а аргументу про значення балів, висновки з них і допустимість запланованого використання. Саме таку рамку закріплюють Standards for Educational and Psychological Testing, спільно розроблені AERA, APA та NCME. Це змінює звичне питання. Замість «цей тест валідний чи ні?» науково точніше запитувати: для якої інтерпретації балів, у якій популяції, якою мовою, за якої процедури, для якого рішення і з якою силою доказів ця інтерпретація підтримується? Аргументний підхід Майкла Кейна формулює цю логіку особливо чітко: валідують запропоновані інтерпретації та способи використання тестових балів, а не тест як незмінний об’єкт. Станом на вересень 2026 року опублікована редакція Standards 2014 року залишається чинною базовою рамкою, а AERA, APA і NCME ведуть її перегляд. APA продовжує посилатися на редакцію 2014 року та публікує інформацію про процес ревізії. Нижче використано сучасну п’ятиджерельну модель доказів, доповнену пізнішими методологічними роботами. Коротко: з чого складається аргумент валідності Повний аргумент валідності не будується на одному коефіцієнті, одній кореляції або одному факторному аналізі. Він збирає взаємодоповнювальні докази про те, чи відповідає зміст тесту заявленому конструкту, чи респонденти й оцінювачі виконують завдання так, як передбачає модель, чи внутрішня структура балів узгоджується з теорією, чи зв’язки з іншими змінними мають очікуваний характер і чи наслідки використання тесту узгоджуються з обґрунтованою інтерпретацією. Sireci і Padilla описують п’ять джерел доказів: зміст тесту, процеси відповіді, внутрішню структуру, зв’язки з іншими змінними та наслідки тестування. Ці джерела не є п’ятьма взаємозамінними «типами валідності». Вони є різними класами доказів, що підтримують або послаблюють єдиний аргумент щодо інтерпретації та використання балів. Чому сучасна валідність не зводиться до «типів валідності» У старішій навчальній традиції часто говорять про змістову, критеріальну та конструктну валідність як про окремі види. Ця мова досі поширена в українських підручниках, глосаріях і пошуковій видачі. Вона корисна як історичний словник, але сучасна теорія валідності є інтегративною. Семюел Мессік показав, що розділення валідності на ізольовані типи фрагментує доказову логіку; натомість зміст, зовнішні критерії, структура й наслідки мають інтегруватися в єдине обґрунтування значення тестових балів. Тому вислів «конструктна валідність» сьогодні має два вживання. У вузькому старішому сенсі ним можуть називати певний набір кореляцій або факторних результатів. У ширшому сучасному сенсі валідність узагалі є перевіркою інтерпретації конструкта через сукупність доказів. У цій статті терміни на кшталт «змістова валідність» або «критеріальна валідність» використовуються там, де вони справді допомагають читачеві, але не як незалежні печатки якості. Що саме валідують: бал, інтерпретацію, висновок і використання Тестова відповідь сама по собі ще не є психологічним висновком. Між відповіддю та рішенням є кілька кроків: правила підрахунку створюють бал; бал інтерпретують як показник конструкта; інтерпретацію узагальнюють на ширший клас поведінки або станів; іноді на її основі прогнозують зовнішній результат чи ухвалюють рішення. Kane пропонує робити ці переходи явними, формулювати припущення для кожного з них і перевіряти саме найуразливіші припущення. Через це одна й та сама шкала може мати достатні докази для одного використання і недостатні для іншого. Наприклад, короткий самоопитувальник може бути придатним для групового дослідження середнього рівня симптомів, але не мати достатньої точності для індивідуального клінічного рішення біля порогового значення. Докази переносяться лише настільки, наскільки збігаються конструкт, популяція, мова, процедура, шкала балів і ціль використання. П’ять основних джерел доказів валідності 1. Докази на основі змісту тесту Докази на основі змісту відповідають на питання, чи представляють завдання, твердження, стимули, варіанти відповіді та правила оцінювання ту область, про яку ми хочемо робити висновок. Sireci і Faulkner-Bond описують цей напрям як перевірку відповідності змісту оцінювання конкретній меті тестування. Для психологічної шкали це починається не з обчислення коефіцієнта, а з визначення конструкта. Потрібно окреслити його межі, компоненти, рівні прояву, контексти й те, що до конструкта не належить. Далі перевіряють, чи достатньо репрезентативно інструмент охоплює цю область. Якщо шкала заявляє вимірювання широкого конструкта, але запитує лише про один вузький аспект, виникає недостатнє представлення конструкта. Якщо відповіді суттєво залежать від нерелевантної навички, мовної складності або випадкової особливості формату, виникає варіативність, не пов’язана з вимірюваним конструктом. Для інструментів результатів, про які повідомляють пацієнти (patient-reported outcome measures, PROMs), COSMIN деталізує змістову валідність через релевантність, повноту охоплення та зрозумілість. У сучасному методологічному огляді Mokkink та співавтори підкреслюють, що зміст має відповідати конкретному конструкту, цільовій популяції та контексту використання. COSMIN є спеціалізованою рамкою для outcome measurement, особливо в охороні здоров’я, тому вона доповнює, а не замінює загальні AERA/APA/NCME Standards. Експертне оцінювання корисне, але експертна згода не є магічним доказом усього конструкта. Важливі теоретична специфікація, прозорий відбір експертів, участь представників цільової популяції там, де це доречно, перевірка зрозумілості й документування того, як зауваження вплинули на інструмент. COSMIN-методологія Terwee та співавторів показує, як якісні методи, когнітивні інтерв’ю та структуроване експертне оцінювання доповнюють кількісні показники. Очевидна валідність не дорівнює доказу конструкта Очевидна валідність, або face validity, описує, наскільки інструмент на вигляд здається доречним користувачам чи експертам. Це може впливати на прийнятність тесту, мотивацію, довіру до процедури й спосіб відповіді. Проте враження, що питання «схожі на тривожність» або «виглядають професійно», саме по собі не доводить, що отриманий бал відображає тривожність, має потрібну структуру або прогнозує релевантні результати. 2. Докази на основі процесу відповіді Процес відповіді стосується того, що реально відбувається між пред’явленням завдання і зареєстрованою відповіддю. Якщо інструмент передбачає певний когнітивний, перцептивний, мовний або оцінювальний процес, потрібно перевірити, чи саме цей процес породжує відповідь. Padilla і Benítez розглядають процеси відповіді як окреме джерело доказів валідності та особливо підкреслюють можливості когнітивного інтерв’ювання. Для самоопитувальника дослідник може перевіряти, як люди розуміють формулювання, який період часу беруть до уваги, як обирають між категоріями відповіді, чи однаково трактують заперечення, метафори та частотні шкали. Для тесту здібностей можна аналізувати стратегії розв’язання. Для експертного рейтингування важливі навчання оцінювачів, їхнє розуміння рубрик, використання критеріїв і можливі систематичні відхилення. Методи включають когнітивні інтерв’ю, think-aloud, спостереження, аналіз часу відповіді, патернів пропусків, змін відповідей, процесу оцінювання та цифрових логів, якщо такі дані етично й технічно доступні. Ключове питання однакове: чи відповідає фактичний процес тому механізму, який передбачає інтерпретація бала. Це джерело особливо важливе під час перекладу й культурної адаптації. Дві мовні версії можуть мати формально правильний переклад і водночас запускати різні способи розуміння завдання. Саме тому лінгвістична еквівалентність є початком перевірки, а не її завершенням. 3. Докази на основі внутрішньої структури Внутрішня структура перевіряє, чи відповідають взаємозв’язки між завданнями, субшкалами, факторами або параметрами тесту теоретичній моделі. Rios і Wells відносять до цього блоку аналіз розмірності, інваріантності вимірювання та релевантних показників надійності. Якщо теорія передбачає одну латентну ознаку, а дані стабільно вказують на кілька різних вимірів, сумарний бал може змішувати різні явища. Якщо шкала задумана як багатовимірна, оцінюють, чи відтворюється саме передбачена структура і чи виправдане обчислення загального бала. Тут можуть використовуватися розвідувальний і підтверджувальний факторний аналіз (EFA/CFA), моделі теорії відповіді на завдання (IRT) чи Раша (Rasch), аналіз локальної залежності та інші моделі залежно від типу даних і вимірювальної теорії. Жоден індекс відповідності моделі (fit) не повинен читатися як автоматична печатка валідності. Модель оцінюють за сукупністю статистичних показників, теоретичною осмисленістю, стабільністю параметрів, альтернативними моделями, якістю даних і відповідністю способу підрахунку бала. Модифікації post hoc без незалежної перевірки легко створюють модель, що добре описує конкретну вибірку, але гірше узагальнюється. Внутрішня узгодженість і надійність — частина картини, а не валідність Висока внутрішня узгодженість не означає, що шкала вимірює заявлений конструкт. Дуже подібні або дубльовані питання можуть давати високий коефіцієнт α навіть за вузького змістового охоплення. Cook і Beckman формулюють принцип прямо: надійні бали є необхідною, але недостатньою умовою валідної інтерпретації. У межах ХАБу окремо розглянуто надійність психологічного тесту. Важливо не змішувати внутрішню узгодженість (internal consistency), тест-ретест надійність, міжоцінювальну надійність та надійність паралельних форм: вони відповідають на різні запитання про відтворюваність і похибку. Жоден із них окремо не встановлює валідність. Інваріантність вимірювання, DIF і групові порівняння Якщо тест використовують для порівняння груп або часових точок, потрібно перевірити, чи має вимірювальна модель зіставне значення. Putnick і Bornstein описують конфігуральну, метричну, скалярну та інші рівні інваріантності як послідовні перевірки припущень, необхідних для різних видів порівняння. У культурно різноманітному оцінюванні інваріантність допомагає виявляти, чи однаково працює структура в групах, але інваріантність не є автоматичним доказом повної відсутності упередження (bias) або повної справедливості (fairness). Огляд Han, Colarelli і Weed підкреслює зв’язок інваріантності з коректністю міжгрупових порівнянь, тоді як справедливість потребує також змістового, процесуального й контекстуального аналізу. Диференційне функціонування завдань, або DIF, означає, що за однакового рівня латентної ознаки ймовірність певної відповіді відрізняється між групами. DIF є сигналом для подальшого аналізу, а не автоматичним доказом несправедливості. Потрібно з’ясувати причину: мовну, культурну, змістову, технічну, статистичну або справді нерелевантну вимірюваному конструкту. 4. Докази на основі зв’язків з іншими змінними Цей блок перевіряє, чи поводяться тестові бали у зовнішній мережі зв’язків так, як передбачає теорія. Strauss і Smith наголошують, що конструктна валідація одночасно тестує і міру, і теоретичні передбачення щодо її зв’язків з іншими конструктами. Конвергентні докази очікують достатнього зв’язку з мірами того самого або близького конструкта. Дискримінантні докази очікують слабших зв’язків із теоретично відмінними конструктами. Критеріальні відношення перевіряють зв’язок із зовнішнім критерієм; прогностичні — із майбутнім результатом; конкурентні — з критерієм, виміряним приблизно одночасно. Відомі групи можуть порівнюватися, якщо теорія заздалегідь передбачає напрям і величину відмінностей. Сама статистична значущість кореляції не є достатнім доказом. При великій вибірці дуже малий зв’язок може мати низьке p-value, але майже не підтримувати суттєву інтерпретацію. Потрібні величина ефекту, довірчий інтервал, якість зовнішнього критерію, незалежність вимірювань, попередньо сформульовані гіпотези та відповідність отриманого патерну теорії. Так само висока кореляція з іншим тестом не доводить істинність обох інструментів: вони можуть поділяти однакові методичні похибки, формат відповіді, соціальну бажаність або змістові перекоси. Валідність посилюється, коли мережа передбачень є різноманітною, теоретично специфічною і включає потенційно спростувальні перевірки, а не лише пошук очікуваних позитивних кореляцій. Критерій має бути валідним для своєї ролі Критеріальна перевірка сильна настільки, наскільки сильний сам критерій. Якщо новий скринер порівнюють з іншим коротким скринером, це не те саме, що порівняння з незалежним діагностичним оцінюванням за чіткою процедурою. Якщо тест прогнозує успішність, потрібно визначити, як вимірюється успішність, які змішувальні чинники (confounders) впливають на неї та чи відповідає прогноз саме заявленому використанню. 5. Докази на основі наслідків тестування Наслідки використання стають частиною валідаційного аналізу, коли тестовим балам надають практичне значення: приймають рішення, запускають втручання, відбирають людей, змінюють освітню практику або обґрунтовують політику. Lane показує, що для систем, у яких рішення мають серйозні наслідки потрібно оцінювати як очікувані, так і неочікувані наслідки та пов’язувати їх із теорією дії. Негативний наслідок сам по собі ще не локалізує проблему валідності. Небажаний соціальний результат може виникати через неправильне правило рішення, нерівний доступ до підготовки, невідповідну інтерпретацію, варіативність, не пов’язану з вимірюваним конструктом або зовнішні умови. Валідація має встановити, який саме ланцюг від бала до рішення породжує наслідок. Аргументний підхід Kane допомагає зберігати це розрізнення: відхилення певного способу використання не обов’язково руйнує базову інтерпретацію бала, а валідна базова інтерпретація не автоматично робить валідним будь-яке рішення, яке на її основі ухвалили. Як п’ять джерел працюють разом Джерела доказів не мають універсальної ваги. Для тесту знань змістова репрезентативність може бути центральною; для клінічної шкали симптомів особливо важливими можуть бути зміст, внутрішня структура, зв’язки з незалежним клінічним оцінюванням і здатність інструмента працювати у визначеній популяції; для міжкультурного порівняння критичною стає еквівалентність змісту, процесу відповіді та вимірювальної моделі. Сильний аргумент не означає механічно зібрати «по одному дослідженню на кожне джерело». Потрібно спочатку сформулювати інтерпретацію та використання, потім визначити припущення, без яких ця інтерпретація не працює, і збирати докази саме там, де помилка найбільше змінить висновок. Для рішень із серйозними наслідками потрібна сильніша й ширша доказова база, ніж для низькоризикового описового використання. Валідність — накопичувальний аргумент, а не одноразова процедура Валідація не закінчується в момент першої публікації шкали. Змінюються популяції, мови, формати адміністрування, цифрові платформи, правила підрахунку, клінічні критерії та способи використання. Нові дані можуть посилити, звузити або спростувати попередню інтерпретацію. Тому формулювання «тест валідовано» має сенс лише разом із описом того, що саме, де, для кого і яким способом перевірено. Реплікація структури на незалежній вибірці, перевірка прогнозів у новому контексті, аналіз інваріантності, накопичення даних про похибку й повторна оцінка змісту після істотної модифікації інструмента — це продовження валідації, а не факультативні прикраси. Валідність залежить від популяції, мови та контексту Психологічний конструкт може мати подібне теоретичне ядро в різних групах, але конкретні індикатори, мовні формулювання, норми, базові частоти, прийнятність запитань і процеси відповіді можуть відрізнятися. Тому доказів з однієї країни, мови або вікової групи недостатньо для автоматичного перенесення всіх інтерпретацій. Переклад не дорівнює валідованій культурній адаптації Міжнародна тестова комісія розглядає адаптацію як ширший процес, ніж переклад. ITC Guidelines for Translating and Adapting Tests вимагають враховувати конструктну, мовну й культурну еквівалентність, якість перекладу, процедури адміністрування, характеристики вибірки та психометричні докази в цільовій версії. Наявність українського тексту опитувальника означає лише наявність українського тексту. Для твердження про валідовану українську адаптацію потрібна документована процедура адаптації та емпірична перевірка інтерпретації балів саме в релевантній українськомовній або іншій чітко визначеній популяції. Якість ліцензування й інтелектуальна власність оцінюються окремо від психометричної якості. Справедливість, інваріантність і упередження Справедливість тестування не зводиться до однакових інструкцій для всіх. Якщо групи по-різному розуміють пункти, стикаються з нерелевантними мовними бар’єрами або одна й та сама числова шкала не має зіставного значення, формально однакова процедура може підтримувати різні інтерпретації. Справедливість (fairness) аналізують через зміст, доступність, процес відповіді, DIF, інваріантність, норми, правила рішень і наслідки. Статистичний тест не замінює змістове судження. Порушення інваріантності треба інтерпретувати в межах моделі, якості даних і цілі порівняння. Виявлений DIF потребує предметного аналізу. Відсутність статистично помітного DIF не гарантує, що всі культурні або процедурні джерела несправедливості усунуто. Надійність, похибка вимірювання і валідність Надійність відповідає на питання про відтворюваність і частку похибки в балах; валідність — про обґрунтованість значення та використання цих балів. Надійність психологічного тесту є окремим canonical intent, оскільки стабільність вимірювання і правильність інтерпретації не є одним і тим самим. Ненадійний бал обмежує будь-які складні висновки, але висока надійність не виправляє неправильний конструкт. Стабільність не гарантує правильності того, що саме вимірюється. У психометрії це особливо важливо, бо конструкт латентний, а помилка може виникати не лише як випадковий шум, а й систематично через зміст, формат, оцінювання або контекст. Стандартна похибка вимірювання, довірчі інтервали, test-retest reliability та інші показники потрібні для оцінки точності. Вони не перетворюються на докази валідності лише через те, що є статистичними. Похибку вимірювання (measurement error) треба відрізняти від реальної зміни; стандартну похибку вимірювання (SEM) — від стандартної похибки середнього; мінімально виявлювану зміну (MDC) — від мінімально важливої зміни (MIC/MID); індекс надійної зміни (RCI) — від клінічно або особисто важливої зміни. Що не є достатнім доказом валідності Високе α Кронбаха не є доказом валідності. Альфа описує певну властивість набору балів за конкретних припущень; вона не показує, що пункти охоплюють потрібний конструкт, що шкала одновимірна, що відповіді формуються передбаченим способом або що бал корисний для заявленого рішення. Одна «значуща» кореляція не є доказом валідності. Потрібна теоретично передбачена мережа зв’язків, а не пошук будь-якого коефіцієнта з p < 0,05. Статистична значущість не дорівнює практичній чи клінічній важливості. Хороша відповідність CFA-моделі даним не є доказом усієї валідності. Він підтримує певну структурну гіпотезу, якщо модель адекватно задана й аналіз коректний, але нічого сам по собі не говорить про зміст, процес відповіді, зовнішні зв’язки або наслідки використання. Face validity не є доказом construct validity. Зрозумілий і правдоподібний тест може вимірювати не те, що заявлено; тест із неочевидними завданнями іноді, навпаки, має сильну теоретичну й емпіричну основу. Переклад не є доказом культурної адаптації. Інваріантність вимірювання (measurement invariance) не є автоматичним доказом відсутності упередження (bias). DIF не є автоматичним доказом несправедливості. ROC/AUC не є клінічною корисністю. Чутливість і специфічність не є PPV і NPV, а позитивна прогностична цінність залежить, зокрема, від поширеності стану в популяції. Скринінг, діагностика, виявлення випадків і моніторинг У клінічному контексті призначення інструмента є частиною валідності. Скринінгова шкала може бути створена для виявлення людей, яким варто пройти подальше оцінювання. Виявлення випадків (case-finding) може мати інший поріг і іншу ціну помилок. Діагностичне оцінювання інтегрує ширший набір даних. Моніторинг потребує доказів чутливості до змін і точності індивідуальної динаміки. Тому пороговий бал (cutoff) не є універсальною межею «розлад є / розладу немає». Його корисність залежить від популяції, базової частоти, цілі, наслідків хибнопозитивних і хибнонегативних рішень та незалежності референтного стандарту. Навіть дуже хороша AUC не відповідає автоматично на питання, чи покращує застосування тесту рішення й результати в конкретній практиці. Один бал, один симптом або один результат скринінгу не встановлює клінічний діагноз. Для діагностики потрібні відповідні критерії, клінічний контекст, функціонування, анамнез, диференційна оцінка й інші релевантні дані. Валідність скринера для його призначення не перетворює його на самодостатню діагностичну процедуру. Як читати статтю про валідацію психологічного тесту Починайте з заяви про призначення. Який саме конструкт вимірюють? Для кого? Якою мовою? У якому контексті? Який бал інтерпретують? Яке рішення або висновок планують робити? Якщо це нечітко, подальші коефіцієнти важко оцінити, бо невідомо, яку саме тезу вони мають підтримувати. Далі шукайте доказову карту. Чи описано походження змісту й участь цільової популяції? Чи перевіряли процес відповіді? Чи відповідає внутрішня структура способу підрахунку балів? Чи оцінено релевантний вид надійності й похибку? Чи перевірено заздалегідь сформульовані зовнішні зв’язки? Чи релевантні вибірка, норми та мова? Чи розглянуто справедливість (fairness) і наслідки, якщо рішення має серйозні наслідки для людини? Потім оцініть силу, а не лише наявність доказів. Розмір і склад вибірки, невизначеність оцінок, пропущені дані, незалежність критеріїв, ризик надмірного підлаштування моделі (overfitting), реплікація на нових даних, прозорість модифікацій і потенційні конфлікти інтересів визначають, наскільки переконливим є аргумент. Формулювання «validity was established» у висновку статті не замінює аналізу того, що саме було встановлено. Докази можуть підтримувати і спростовувати інтерпретацію Валідація — це не процедура збору лише позитивних результатів. Якщо структура не відтворюється, очікувані зв’язки відсутні, групи по-різному розуміють ключові пункти або наслідки рішення суперечать механізму, ці дані мають входити до аргументу. Сильна наука не приховує суперечливі джерела, а звужує інтерпретацію до того рівня, який реально підтримується. Саме тому валідність є градуальною й умовною. Доказова база може бути сильною для одного висновку, змішаною для іншого і недостатньою для третього. У науковому описі корисно говорити про силу й межі доказів, а не намагатися присвоїти інструменту безумовний статус «валідний». Валідність у дослідженні та валідність у практичному рішенні У дослідженні головним ризиком може бути помилка в теоретичному висновку: шкала, що неточно представляє конструкт, спотворює кореляції, групові відмінності й моделі. У практиці до цього додається ризик для конкретної людини: неправильна класифікація, непотрібне направлення, пропущена проблема, хибне відчуття певності або неадекватне рішення. Тому використання для рішень із серйозними наслідками потребує не лише сильнішої психометрії, а й чітких правил інтерпретації, меж компетентності користувача, захисту даних, контролю умов адміністрування та механізмів перегляду рішення. Психометричний доказ підтримує висновок; він не скасовує професійне судження й етичну відповідальність. Докази валідності для нової або адаптованої шкали: практична логіка Початковий етап — визначити конструкт і передбачене використання настільки точно, щоб можна було сформулювати потенційно спростувальні передбачення. Потім створюють або адаптують зміст, перевіряють його репрезентативність і зрозумілість, аналізують процес відповіді, тестують модель внутрішньої структури, оцінюють надійність і похибку, перевіряють зовнішні зв’язки та, за потреби, справедливість і наслідки. Порядок не завжди лінійний. Когнітивні інтерв’ю можуть змусити змінити пункти; після зміни потрібно повторно перевірити структуру. Факторний аналіз може показати, що частина змісту не працює як передбачалося; це повертає дослідника до теорії конструкта. Валідація є ітеративним циклом між моделлю, даними та використанням. Науковий статус і межі поняття Сучасне розуміння валідності добре закріплене в професійних стандартах і методологічній літературі. AERA/APA/NCME Standards є авторитетною загальною рамкою для освітнього й психологічного тестування; COSMIN розробляє спеціалізовані стандарти для властивостей інструментів вимірювання результатів (outcome measurement instruments); ITC — для міжнародного тестування та адаптації. Водночас немає універсального рецепта, за яким кожному тесту потрібно зібрати однакові коефіцієнти й отримати однакові пороги. Релевантність доказу визначається твердженням: тим, що саме стверджується про бал і його використання. Звідси випливає головний принцип сучасної валідації: метод обирають під припущення, яке потрібно перевірити, а не припущення під наявний метод. Типові помилки інтерпретації Помилка «тест пройшов валідацію один раз» ігнорує залежність доказів від популяції, мови й сценарію використання. Помилка «α понад 0,70 — отже шкала валідна» змішує внутрішню узгодженість з валідністю. Помилка «факторний аналіз підтвердив конструкт» перебільшує роль одного джерела. Помилка «корелює з відомою шкалою — отже вимірює те саме» ігнорує спільний метод і якість критерію. Помилка «український переклад існує — отже українська версія валідована» змішує переклад з адаптацією. Помилка «інваріантність встановлена — отже упередження (bias) немає» плутає статистичну еквівалентність окремих параметрів із ширшим поняттям справедливості (fairness). Помилка «скринінговий пороговий бал (cutoff) встановлює діагноз» перетворює ймовірнісний інструмент на категоричне клінічне рішення. FAQ Що таке докази валідності простими словами? Це дані й теоретичні аргументи, які показують, чому конкретний тестовий бал можна тлумачити певним чином і використовувати для визначеної мети. Сильний аргумент збирає кілька незалежних джерел доказів і враховує альтернативні пояснення. Чи є змістова, критеріальна та конструктна валідність окремими видами? Це поширена історична термінологія, яка й далі використовується. У сучасній уніфікованій рамці доцільніше говорити про єдину валідність інтерпретації та різні джерела доказів: зміст, процес відповіді, внутрішню структуру, зв’язки з іншими змінними та наслідки використання. Чи може тест бути надійним, але мати слабкі докази валідності? Так. Тест може давати дуже стабільні бали й водночас систематично вимірювати не той конструкт, недостатньо охоплювати його зміст або бути непридатним для конкретного рішення. Надійність обмежує точність, але не встановлює значення бала. Чи доводить високий Cronbach’s alpha валідність? Ні. α Кронбаха належить до показників внутрішньої узгодженості й має власні припущення. Він не доводить одновимірність, змістову репрезентативність, інтерпретацію конструкта, зовнішню точність або клінічну корисність. Чи достатньо підтвердити факторну структуру? Ні. Факторна модель може підтримати доказ на основі внутрішньої структури. Повний аргумент потребує інших релевантних джерел: змісту, процесу відповіді, зовнішніх зв’язків, надійності й похибки, а для певних застосувань — fairness та наслідків. Чи є валідованою шкала, якщо її просто переклали українською? Ні. Переклад — лише один етап. Потрібні дані про культурно-мовну відповідність і психометричні властивості української версії в релевантній популяції. Іноді потрібні нові норми, аналіз інваріантності або перевірка диференційного функціонування завдань. Чи потрібно повторно перевіряти валідність у кожній новій популяції? Не завжди потрібно повторювати весь процес з нуля, але потрібно обґрунтувати переносимість доказів. Що більше нова популяція, мова, формат або сценарій використання відрізняються від вихідних, то менше підстав автоматично переносити старий аргумент і то більше потрібні нові дані. Чи може один тестовий бал встановити психологічний або психіатричний діагноз? Один бал є джерелом інформації. Скринінговий або психометричний результат не замінює повного клінічного оцінювання, якщо діагноз потребує ширших критеріїв, анамнезу, функціонування, диференційної оцінки та професійної інтеграції даних. Пов’язані статті Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів Надійність психологічного тесту: що це, які бувають види і чому надійність не дорівнює валідності Психологічний конструкт: що це і як невидимі властивості перетворюють на вимірювані показники Операціоналізація в психології: як абстрактне поняття перетворюють на змінну, шкалу або тест Психологічне тестування: що це, як проводиться і які обмеження має результат тесту Класична теорія тестів: істинний бал, похибка вимірювання і надійність Конструктна валідність: як перевіряють, що тест вимірює саме задуманий психологічний конструкт Змістова валідність: чи охоплюють завдання тесту той конструкт, який потрібно виміряти Критеріальна валідність: як результати тесту співвідносять із зовнішнім критерієм Валідність психологічного тесту: що це і які докази потрібні для інтерпретації результатів Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. Cook, D. A., & Beckman, T. J. (2006). Current Concepts in Validity and Reliability for Psychometric Instruments: Theory and Application. The American Journal of Medicine, 119(2), 166.e7–166.e16. Han, K., Colarelli, S. M., & Weed, N. C. (2019). Methodological and statistical advances in the consideration of cultural diversity in assessment: A critical review of group classification and measurement invariance testing. Psychological Assessment, 31(12), 1481–1496. International Test Commission. (2017). The ITC Guidelines for Translating and Adapting Tests (Second Edition). Kane, M. T. (2013). Validating the Interpretations and Uses of Test Scores. Journal of Educational Measurement, 50(1), 1–73. Lane, S. (2014). Validity evidence based on testing consequences. Psicothema, 26(1), 127–135. Messick, S. J. (1995). Validity of Psychological Assessment: Validation of Inferences From Persons’ Responses and Performances as Scientific Inquiry Into Score Meaning. American Psychologist, 50(9), 741–749. Mokkink, L. B., et al. (2025). Content validity: judging the relevance, comprehensiveness, and comprehensibility of an outcome measurement instrument — a COSMIN perspective. Journal of Clinical Epidemiology, 111879. Padilla, J.-L., & Benítez, I. (2014). Validity evidence based on response processes. Psicothema, 26(1), 136–144. Putnick, D. L., & Bornstein, M. H. (2016). Measurement Invariance Conventions and Reporting: The State of the Art and Future Directions for Psychological Research. Developmental Review, 41, 71–90. Rios, J., & Wells, C. (2014). Validity evidence based on internal structure. Psicothema, 26(1), 108–116. Sireci, S., & Faulkner-Bond, M. (2014). Validity evidence based on test content. Psicothema, 26(1), 100–107. Sireci, S., & Padilla, J.-L. (2014). Validating assessments: Introduction to the Special Section. Psicothema, 26(1), 97–99. Strauss, M. E., & Smith, G. T. (2009). Construct Validity: Advances in Theory and Methodology. Annual Review of Clinical Psychology, 5, 1–25. Terwee, C. B., Prinsen, C. A. C., Chiarotto, A., et al. (2018). COSMIN methodology for evaluating the content validity of patient-reported outcome measures: a Delphi study. Quality of Life Research, 27, 1159–1170.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Критеріальна валідність описує докази, отримані з того, наскільки результати психологічного тесту або шкали пов’язані із зовнішнім критерієм, важливим для заявленого використання результатів. У сучасній психометрії йдеться не про постійний ярлик «тест валідний», а про обґрунтованість конкретної інтерпретації та використання балів. Саме так валідність розглядають Standards for Educational and Psychological Testing та аргументативний підхід до валідизації, детально сформульований Майклом Кейном. Найпростіший приклад: якщо тест претендує на прогнозування майбутньої успішності навчання, зовнішнім критерієм може бути подальша академічна успішність. Якщо інструмент використовується для оцінювання професійної придатності, критерієм може бути незалежно виміряна ефективність роботи. У клінічному контексті критерієм або референтним стандартом може бути результат ширшого діагностичного оцінювання. У кожному випадку якість висновку залежить не лише від зв’язку між двома числами, а й від якості самого критерію, дизайну дослідження, популяції, статистичної моделі та intended use — призначення тесту. Коротка відповідь Критеріальна валідність — це доказ того, що результати тесту систематично співвідносяться із зовнішнім показником, який має змістове значення для того, що тест повинен описувати, розрізняти або прогнозувати. Такий доказ може бути одночасним, коли тест і критерій оцінюють приблизно в один період, або прогностичним, коли тест використовують для передбачення майбутнього критерію. Важлива умова: зовнішній критерій має бути справді доречним. Висока кореляція зі слабким, упередженим або нерелевантним критерієм не перетворюється на сильну валідність. Так само відсутність великої кореляції не обов’язково означає, що тест марний: зв’язок може послаблюватися через похибку вимірювання, обмеження діапазону, невідповідну вибірку, нестабільний критерій або невдалу статистичну модель. Що таке критеріальна валідність У традиційній термінології criterion-related validity часто описували як окремий «вид валідності». Сучасні стандарти змістили акцент: взаємозв’язок із критерієм є одним із джерел доказів валідності для певного тлумачення та використання score. AERA, APA та NCME прямо вимагають, щоб у дослідженнях такого типу повідомляли придатність і технічну якість критерію, його надійність, репрезентацію цільового конструкта та можливу сторонню варіативність. В українській професійній термінології вживається форма «критеріальна валідність». Всеукраїнська психодіагностична асоціація подає її як загальне поняття, що охоплює прогностичну та конкурентну валідність. У старіших джерелах можна зустріти «критерійна валідність» або «поточна валідність»; у цій статті основними термінами є «критеріальна», «конкурентна» та «прогностична валідність». Критеріальна валідність не належить тесту раз і назавжди Фраза «цей тест має критеріальну валідність» є надто грубою, якщо не зазначено, для якої популяції, якого критерію та якого рішення це показано. Один і той самий інструмент може добре прогнозувати один результат і слабко — інший; мати сильні докази у студентській вибірці та недостатні — у клінічній; працювати для групових досліджень і бути недостатньо точним для індивідуального високоризикового рішення. У сучасній психометрії валідизація є накопичувальним аргументом. Критеріальні зв’язки доповнюють, а не замінюють докази змісту, внутрішньої структури, зв’язків з іншими змінними, наслідків використання та теоретичної узгодженості. Що таке зовнішній критерій Зовнішній критерій — це показник поза самим тестом, із яким порівнюють його результати, щоб перевірити практично або теоретично значущий зв’язок. Критерій може бути неперервним, наприклад середній бал навчання або кількість виконаних завдань, категоріальним, наприклад наявність чи відсутність стану за незалежним референтним стандартом, порядковим, часовим або складеним із кількох компонентів. Слово «зовнішній» не означає «ідеальний». Критерій також вимірюється з похибкою, може залежати від контексту, містити випадковий шум, систематичне упередження або лише частково відображати потрібний результат. Тому дослідження критеріальної валідності одночасно є дослідженням якості самого критерію. Яким має бути хороший критерій Доречність. Критерій повинен відповідати заявленому рішенню. Якщо тест заявлено як предиктор навчальної успішності, критерій має відображати реальну й релевантну успішність, а не випадковий сурогат. Якщо інструмент використовується для моніторингу функціонування, критерій має бути пов’язаний саме з функціонуванням, а не лише з близьким за змістом самоописом. Надійність. Нестабільний критерій створює додаткову похибку й зазвичай послаблює спостережуваний зв’язок. Це одна з причин, чому коефіцієнт кореляції не можна тлумачити без даних про точність обох вимірювань. Незалежність. Якщо оцінювач знає результат тесту й несвідомо використовує його під час виставлення критеріальної оцінки, зв’язок може бути штучно завищений. У діагностичних дослідженнях аналогічна проблема виникає, коли index test входить до референтного стандарту або впливає на нього. Відповідність популяції. Критерій, який має певний зміст в одній системі освіти, професії, культурі чи клінічній практиці, може мати інше значення в іншій. Валідність не переноситься автоматично між мовами, країнами, віковими групами та умовами використання. Дефіцит і контамінація критерію У психометрії праці особливо чітко описані дві проблеми. Criterion deficiency, або дефіцит критерію, виникає, коли вимірюваний критерій пропускає важливу частину реального результату. Criterion contamination, або контамінація критерію, виникає, коли в критерій потрапляють сторонні чинники, які не належать до цільового результату. Ці поняття систематизовані, зокрема, у матеріалах SIOP про теорію та розроблення критеріїв. Наприклад, оцінювати якість роботи психолога лише кількістю проведених консультацій — дефіцитно, бо критерій не охоплює якість допомоги, етичність і результати. Оцінювати її тільки суб’єктивним рейтингом керівника, який значною мірою залежить від особистої симпатії, — потенційно контаміновано. У такому випадку кореляція тесту з рейтингом може відображати не заявлений конструкт, а сторонні соціальні фактори. Конкурентна і прогностична валідність Конкурентна валідність описує зв’язок результату тесту з критерієм, виміряним приблизно в той самий період. Вона корисна, коли потрібно з’ясувати, чи пов’язаний новий або коротший інструмент із уже наявним незалежним показником поточного стану. Часова близькість не робить критерій автоматично сильним: його природу та якість все одно потрібно обґрунтувати. Прогностична валідність описує здатність результату тесту передбачати майбутній критерій: подальшу успішність навчання, ефективність роботи, ризик певної події або інший outcome. Тут особливо важливі часовий порядок, стабільність умов, attrition — вибуття учасників, зміна базової частоти події та незалежна перевірка прогностичної моделі. Різниця між конкурентним і прогностичним дизайном стосується часу та призначення, а не двох незалежних концепцій валідності. Обидва є способами отримати evidence про відношення тестових балів до зовнішніх критеріїв. Як оцінюють критеріальну валідність Правильне дослідження починається з питання, а не з коефіцієнта. Потрібно визначити, яку саме інтерпретацію або рішення має підтримати тест, хто є цільовою популяцією, що вважатиметься критерієм, коли його вимірюють, які джерела похибки можливі та яка статистична модель відповідає формату даних. 1. Формулюють intended use і критерій Спочатку задають практичне твердження: наприклад, «результат X допомагає прогнозувати результат Y у популяції Z протягом шести місяців». Така формула одразу показує, що потрібно перевірити: X, Y, Z, часовий інтервал, спосіб вимірювання та силу/невизначеність прогностичного зв’язку. Без цього статистична асоціація легко перетворюється на число без ясного значення. 2. Перевіряють якість критерію Згідно зі Стандартом 1.17 AERA/APA/NCME, коли валідність обґрунтовується зв’язком із критерієм, слід описати його придатність, технічну якість, надійність, те, наскільки він репрезентує intended construct, а також сторонні джерела варіативності. Якщо критерій сам є слабким, точність тесту неможливо оцінити коректно. 3. Обирають статистичний метод за типом критерію Для двох неперервних показників часто аналізують кореляцію, але цього може бути недостатньо. Якщо питання звучить як «якого рівня критерію очікувати за конкретного тестового бала?», потрібна регресійна модель або умовний розподіл критерію для різних score. Для категоріального критерію застосовують моделі, придатні до категоріальних outcome, наприклад логістичну регресію, а не механічно перетворюють усе на звичайну кореляцію. Це прямо відображено у Стандарті 1.18: для тверджень про прогнозування рівня критерію за score регресійний аналіз часто корисніший за одну кореляцію, а для категоріальних критеріїв потрібні відповідні статистичні процедури. 4. Оцінюють величину ефекту і невизначеність Коефіцієнт без довірчого інтервалу створює хибне відчуття точності. Стандарт 1.20 рекомендує повідомляти міру величини відношення разом із показником невизначеності, наприклад стандартною похибкою або довірчим інтервалом. Для практичного рішення важливі і величина ефекту, і межі правдоподібних значень. 5. Перевіряють форму зв’язку Одна кореляція стискає відношення до одного числа. Вона не показує нелінійність, неоднорідність дисперсії, різні патерни в підгрупах, ceiling/floor effects або ділянки, де прогноз стає особливо неточним. Графік даних, аналіз залишків і перевірка припущень моделі часто дають більше інформації, ніж формальна значущість коефіцієнта. 6. Враховують обмеження діапазону Якщо в дослідження потрапила лише вузька частина популяції, зв’язок може виглядати слабшим або інакшим. Класичний приклад — валідизація вступного тесту тільки серед уже зарахованих студентів: найнижчі результати відсутні, бо ці люди не потрапили до вибірки. Це restriction of range. Корекції можливі лише за обґрунтованих припущень і повинні бути прозоро описані. AERA/APA/NCME Стандарт 1.21 вимагає, щоб при корекції зв’язку через обмеження діапазону або attenuation повідомляли і скориговані, і нескориговані результати та процедуру корекції. 7. Перевіряють модель на нових даних Якщо ваги кількох тестів або предикторів підібрано емпірично на одній вибірці, модель може підлаштуватися під випадковий шум. Стандарт 1.19 вимагає крос-валідації, коли емпіричні ваги отримано на основі даних. Практичний сенс простий: модель повинна працювати не лише там, де її побудували. Кореляція з критерієм: що вона показує і чого не показує Кореляція показує силу та напрямок статистичного зв’язку між двома змінними за певних припущень. Вона може бути корисною частиною критеріальної валідизації, але не є автоматичним доказом точного прогнозу, причинності, справедливості або клінічної корисності. Кореляція r = 0,40 не означає, що тест «правильний на 40%». Квадрат кореляції r² іноді описують як частку спільної варіативності у простій лінійній ситуації, але й це не є відсотком правильних індивідуальних рішень. Для прикладних рішень важливі помилка прогнозу, базова частота outcome, пороги, наслідки хибних рішень і те, чи додає тест інформацію понад уже доступні предиктори. Статистично значуща кореляція також не гарантує практичної важливості. За великої вибірки дуже малий ефект може мати мале p-значення. І навпаки, перспективний за величиною ефект у невеликій вибірці може бути оцінений неточно. Тому критеріальну валідність читають через effect size, довірчий інтервал, дизайн і контекст використання. Чи існує універсальний «хороший» коефіцієнт Універсального порога на кшталт «r ≥ 0,50 означає валідний тест» немає. Прийнятність зв’язку визначається призначенням, якістю критерію, надійністю обох вимірювань, базовою частотою події, альтернативними предикторами, ціною помилок і тим, наскільки точні рішення потрібні. Для високоризикових індивідуальних рішень вимоги до evidence вищі, ніж для описового дослідження групових закономірностей. У деяких спеціалізованих системах оцінювання measurement properties є власні operational thresholds. Наприклад, COSMIN створений насамперед для patient-reported outcome measures і використовує доменно-специфічні правила. Такі пороги не слід механічно переносити на всі психологічні тести, професійний відбір, освітнє тестування або діагностичні рішення. «Золотий стандарт» — найскладніше місце критеріальної валідності Ідея критеріальної валідності найпростіша, коли існує незалежний і високоякісний критерій, близький до «золотого стандарту». У психології це часто недосяжно: багато конструктів латентні, а доступні інструменти є різними способами вимірювання того самого теоретичного поняття, а не безпомилковими стандартами істини. COSMIN-класифікація добре демонструє цю проблему в сфері health-related PROM. Mokkink та співавтори зазначають, що для багатьох patient-reported outcomes справжнього gold standard не існує. Тому зв’язок нової шкали з іншою широко вживаною шкалою може бути доказом конструктної або конвергентної валідності, а не критеріальної валідності в строгому сенсі. Інший психологічний тест не завжди є зовнішнім критерієм Якщо нову шкалу депресивних симптомів порівнюють з іншою шкалою депресивних симптомів, це ще не робить другу шкалу золотим стандартом. Обидва інструменти можуть мати власну похибку, різне змістове охоплення та спільні методичні упередження самооцінювання. У такому дизайні правильніше говорити про зв’язки з іншими мірами і про конвергентні докази, якщо немає обґрунтування, чому один інструмент справді є критерієм. Це розрізнення важливе для наукової мови. «Наш тест корелює з відомим опитувальником» і «наш тест валідовано проти зовнішнього критерію» — не однакові твердження. Друге вимагає сильнішого аргументу щодо статусу критерію. Критеріальна валідність і діагностична точність Коли тест або скринінг використовують для розрізнення станів за категоріальним референтним стандартом, виникає окрема мова diagnostic accuracy. Тут аналізують чутливість, специфічність, позитивну й негативну прогностичну цінність, likelihood ratios, ROC-криву та AUC. Це пов’язана, але не тотожна критеріальній валідності область. Методологію таких досліджень систематизують Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy та STARD 2015. Обидві рамки наголошують на якості референтного стандарту, репрезентативній вибірці, уникненні систематичних похибок і повному описі потоку учасників та порогів. Чутливість і специфічність не дорівнюють PPV і NPV Чутливість описує частку позитивних за референтним стандартом випадків, які тест правильно позначив як позитивні. Специфічність — частку негативних випадків, правильно позначених як негативні. PPV і NPV відповідають на інше питання: наскільки ймовірно, що людина справді належить до відповідної категорії за певного результату тесту. Прогностичні цінності сильно залежать від поширеності стану та базової частоти у конкретній популяції. ROC/AUC не дорівнює клінічній корисності AUC узагальнює здатність показника розрізняти дві категорії за різних порогів, але не повідомляє, чи є конкретний cutoff оптимальним для певної практики, які наслідки хибнопозитивних і хибнонегативних рішень та чи змінює тест допомогу людині. Для глибшого розуміння цієї логіки див. також теорію виявлення сигналу. Скринінг не є діагнозом Навіть добре валідований скринінговий cutoff не є універсальною межею «розлад є / розладу немає». Скринінг має виявляти людей, яким може бути потрібне подальше оцінювання. Діагноз спирається на ширший клінічний процес: критерії, інтерв’ю, анамнез, функціонування, диференційну оцінку та інші релевантні дані. Один score є джерелом інформації, а не самостійним діагнозом. Надійність, похибка вимірювання і критеріальна валідність Надійність і валідність відповідають на різні питання. Надійність психологічного тесту описує стабільність або точність вимірювання щодо конкретного джерела похибки; критеріальна валідність — обґрунтованість зв’язку score із зовнішнім критерієм для певної інтерпретації та використання. Низька надійність тесту або критерію зазвичай обмежує максимальний спостережуваний зв’язок. Через це іноді застосовують correction for attenuation. Але скоригований коефіцієнт є модельною оцінкою за певних припущень, а не «справжньою валідністю». Саме тому сучасні стандарти вимагають показувати і скориговані, і сирі результати, а також метод корекції. У класичній теорії тестів спостережуваний бал розглядають як поєднання істинної компоненти та похибки. Ця рамка допомагає зрозуміти, чому слабка точність вимірювання обох сторін зв’язку впливає на критерійні коефіцієнти, але не замінює окремий аналіз валідності. Обмеження діапазону, відбір і селекційне упередження Критеріальна валідність особливо чутлива до того, хто потрапив у вибірку. Якщо організація досліджує тест лише серед кандидатів, які вже пройшли попередній відбір, розподіл балів і outcome стає вужчим. Якщо клінічне дослідження включає лише очевидно тяжкі випадки та дуже здоровий контроль, діагностична точність може бути завищена порівняно з реальною практикою, де трапляються суміжні, легкі й неоднозначні стани. Тому сильне дослідження описує eligibility criteria, спосіб набору, частку вибулих, відсутні дані та те, наскільки досліджувана вибірка схожа на популяцію, в якій тест реально використовуватиметься. Репрезентативність тут має безпосереднє значення для перенесення результатів. Крос-валідація і ризик overfitting Коли дослідник підбирає формулу прогнозу на тих самих даних, де потім оцінює її якість, результат може бути оптимістичним. Особливо це стосується багатьох предикторів, малих вибірок, автоматичного відбору змінних або тонкого налаштування cutoff. Крос-валідація, окрема validation sample або зовнішня реплікація показують, чи зберігається результат поза training data. Висока критеріальна асоціація в одній вибірці — початок доказу, а не кінець. Для високоставкових рішень важливо бачити повторюваність результату в незалежних вибірках, у різних умовах і, якщо це частина intended use, у релевантних підгрупах. Справедливість, групи і можливий bias Загальна кореляція тесту з критерієм у всій вибірці не доводить, що тест однаково працює для різних груп. Можуть відрізнятися intercept, slope, calibration, похибка прогнозу або значення самого критерію. Для рішень, що впливають на освіту, роботу чи доступ до допомоги, ці питання є частиною валідизації та fairness. AERA/APA/NCME Стандарт 1.17 окремо вказує на потребу розглядати bias критерію для ідентифікованих груп. Це важливе нагадування: несправедливим може бути не лише тест, а й критерій, з яким його порівнюють. Measurement invariance і differential item functioning можуть бути важливими для порівнянь між групами, але вони не є синонімами критеріальної валідності. Інваріантність не гарантує автоматичної відсутності bias, а DIF сам по собі ще не доводить несправедливості тесту. Fairness потребує ширшого аналізу конструкта, процедури, прогнозу та наслідків. Мова, переклад і культурна адаптація Переклад тесту українською не доводить, що його критеріальна валідність збережена. International Test Commission розглядає адаптацію як ширший процес, що включає мовну, культурну, психометричну й процедурну еквівалентність. Після адаптації потрібно окремо перевіряти, чи відношення score до релевантних критеріїв зберігається в цільовій популяції. Адаптувати інколи потрібно і критерій. Наприклад, «успішність» або «функціонування» можуть операціоналізуватися по-різному в різних системах. Якщо критерій змінює зміст, старий validity coefficient не переноситься автоматично, навіть коли сам тест перекладено якісно. Чим критеріальна валідність відрізняється від інших понять Від надійності: надійність стосується точності й відтворюваності вимірювання, а критеріальна валідність — зовнішнього відношення score до критерію. Висока надійність є важливою передумовою точного вимірювання, але не доводить, що тест пов’язаний із потрібним outcome. Від конструктної валідності: конструктна валідність охоплює широку мережу теоретично очікуваних зв’язків і структуру доказів щодо того, що означає score. Зв’язок із зовнішнім критерієм може бути частиною цієї ширшої мережі, але не вичерпує її. Від конвергентної валідності: конвергентні докази показують очікувані зв’язки з іншими мірами близьких конструктів. Інший опитувальник не стає автоматично критерієм лише тому, що він відоміший. Від content validity: змістова валідність стосується того, наскільки зміст пунктів репрезентує потрібний construct domain. Тест може мати добре сформовані пункти, але слабко прогнозувати зовнішній результат; і навпаки, практичний предиктор може корелювати з outcome без достатньо ясного теоретичного змісту. Від діагностичної точності: diagnostic accuracy аналізує класифікацію відносно референтного стандарту й використовує специфічні метрики. Вона є спорідненим випадком criterion-based evidence, але має власну методологію, ризики bias і правила інтерпретації. Від causal evidence: навіть сильний прогностичний зв’язок не доводить, що вимірюваний конструкт спричиняє outcome. Тест може бути корисним предиктором через спільні причини, кореляційні структури або проксі-змінні. Валідність прогнозу й причинне пояснення — різні задачі. Три практичні приклади Приклад 1. Вступний тест і подальше навчання Університет хоче з’ясувати, чи допомагає вступний тест прогнозувати успішність на першому курсі. Тест є predictor, майбутня академічна успішність — criterion. Дослідники мають вирішити, як саме вимірювати успішність, врахувати різницю між програмами, можливе restriction of range через сам відбір і перевірити модель на новій когорті. Одна кореляція між тестом і GPA — лише частина аргументу. Приклад 2. Професійний відбір Організація використовує когнітивний тест для прогнозування ефективності працівника. Якщо критерій — рейтинг керівника, потрібно знати його надійність, критерії оцінювання й можливий bias. Якщо рейтинг залежить від того самого керівника, який знає тестові результати, виникає ризик контамінації. Якщо «ефективність» включає кілька важливих компонентів, один рейтинг може бути дефіцитним. Приклад 3. Скринінговий опитувальник Короткий опитувальник перевіряють відносно незалежного структурованого клінічного оцінювання. Тут важливі не лише загальна кореляція, а й чутливість, специфічність, PPV/NPV, обраний cutoff, базова частота стану, спектр тяжкості, blinding і якість референтного стандарту. Навіть за добрих показників скринінг не замінює діагностичне оцінювання. Як читати дослідження критеріальної валідності: практичний чекліст 1. Яке саме твердження перевіряють? Чи йдеться про опис поточного стану, прогноз, класифікацію або практичне рішення? 2. Який критерій використано? Чому він релевантний, хто його вимірював і наскільки він надійний? 3. Чи є критерій незалежним від тесту? Чи могли результати тесту вплинути на оцінювача або референтний стандарт? 4. Чи відповідає вибірка реальній популяції використання? Чи є spectrum bias, restriction of range, селекція або значне вибуття? 5. Чи відповідає статистична модель типу outcome? Для неперервного критерію можуть бути потрібні регресія та error of prediction; для категоріального — методи класифікації/логістичні моделі та diagnostic accuracy metrics. 6. Чи показано величину ефекту та довірчий інтервал? Одного p-value недостатньо. 7. Чи перевірено нелінійність, підгрупи та припущення моделі? Один загальний coefficient може приховувати важливі відмінності. 8. Якщо модель створена на цих самих даних, чи була крос-валідація або незалежна validation sample? 9. Чи враховано практичну ціну помилок? Для скринінгу, відбору або triage хибнопозитивні й хибнонегативні рішення мають різні наслідки. 10. Чи не роблять із criterion evidence ширший висновок, ніж дозволяє дизайн: наприклад про причинність, діагноз, універсальність між культурами або загальну «якість тесту»? Типові помилки інтерпретації «Є значуща кореляція — тест валідний». Значущість показує сумісність даних із певною нульовою моделлю за припущень, а не практичну достатність доказу. Потрібні effect size, uncertainty, якість критерію, population match та intended use. «Кореляція з відомим тестом — це критеріальна валідність». Не обов’язково. Якщо відомий тест не є обґрунтованим зовнішнім критерієм або gold standard, це радше evidence based on relations to another measure — часто конвергентне чи конструктне. «Висока AUC доводить клінічну корисність». Ні. AUC не враховує конкретні наслідки рішень, prevalence, ресурси, шкоду хибної класифікації та вигоду від наступних дій. «Cutoff 10 означає, що з 10 балів починається розлад». Cutoff — operational decision threshold, валідність якого залежить від популяції, референтного стандарту та intended purpose. Він не перетворює скринінг на діагноз. «Після перекладу коефіцієнт лишається тим самим». Дані з іншої мови або культури не є автоматичним evidence для нової адаптації. Потрібна локальна перевірка вимірювання й зовнішніх зв’язків. «Корекція на attenuation показує справжню валідність». Корекція оцінює, яким міг би бути зв’язок за моделлю без частини measurement error; результат залежить від припущень та надійності оцінок. Він не замінює емпіричний нескоригований зв’язок. «Один coefficient придатний для всіх груп». Загальний результат може приховувати різні slopes, intercepts, base rates або error patterns. Для важливих рішень потрібно перевіряти релевантні групи та fairness. Практичне значення для психолога, дослідника і читача Для психолога критеріальна валідність допомагає зрозуміти, чи має score практично підтверджений зв’язок із тим зовнішнім результатом, для якого тест справді використовується. Це захищає від ситуації, коли інструмент виглядає науково через красиві коефіцієнти, але не має evidence для конкретного рішення. Для дослідника головний урок полягає в тому, що criterion selection є частиною теорії вимірювання. Поганий критерій не можна «виправити» складнішою статистикою. Навпаки, чіткий intended use, сильний criterion, прозорий дизайн, uncertainty та незалежна перевірка часто важливіші за пошук максимально великого коефіцієнта. Для читача або користувача тесту найкорисніше запитання звучить так: «З чим саме цей результат був порівняний і що це дає право робити?» Якщо відповідь нечітка, твердження про критеріальну валідність потребує обережнішого читання. FAQ Критеріальна валідність — це те саме, що прогностична валідність? Ні. Прогностична валідність є одним із варіантів criterion-related evidence: тестовий результат використовують для прогнозу майбутнього критерію. Конкурентна валідність оцінює зв’язок із критерієм, виміряним приблизно одночасно. Який коефіцієнт критеріальної валідності вважають хорошим? Універсального порога немає. Інтерпретація залежить від призначення тесту, якості та надійності критерію, популяції, базової частоти outcome, альтернативних предикторів, невизначеності й наслідків помилкових рішень. Чи достатньо кореляції з іншим психологічним тестом? Не завжди. Якщо інший тест не є обґрунтованим зовнішнім критерієм або gold standard, така кореляція частіше є доказом конвергентної чи ширшої конструктної валідності. Чи може зовнішній критерій бути ненадійним? Так. Критерії теж мають похибку, нестабільність і можливий bias. Низька надійність критерію ускладнює оцінку зв’язку та зазвичай послаблює спостережувану асоціацію. Чи доводить критеріальна валідність причинність? Ні. Вона показує емпіричний зв’язок або прогностичну здатність щодо критерію. Причинний висновок потребує окремого дизайну та припущень. Чи є чутливість і специфічність показниками критеріальної валідності? Це показники діагностичної або класифікаційної точності відносно референтного стандарту. Вони можуть бути частиною criterion-based evidence, але мають окрему методологію й не замінюють загальний валідизаційний аргумент. Чи означає високий AUC, що тест корисний у клініці? Не автоматично. AUC характеризує discrimination за різних порогів, але не враховує prevalence, наслідки хибних рішень, ресурси, користь подальших дій та реальну clinical utility. Чи переноситься критеріальна валідність після перекладу тесту українською? Автоматично — ні. Переклад потребує культурної адаптації та локальної перевірки psychometric properties, зокрема зв’язку результатів із релевантними критеріями в цільовій українській популяції. Пов’язані статті Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів Надійність психологічного тесту: що це, які бувають види і чому надійність не дорівнює валідності Класична теорія тестів: істинний бал, похибка вимірювання і надійність Теорія виявлення сигналу: як рішення про стимул залежать від чутливості та критерію Прогностична валідність: наскільки тест передбачає майбутній критерій і чому прогноз не є долею Конкурентна валідність: як тест порівнюють із критерієм, виміряним у той самий час Докази валідності: зміст, внутрішня структура, зв’язки з іншими змінними та процес відповіді Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. American Psychological Association. (n.d.). PsycTests Methodology Field Values. Cohen, J. F., Korevaar, D. A., Altman, D. G., et al. (2016). STARD 2015 guidelines for reporting diagnostic accuracy studies: explanation and elaboration. BMJ Open, 6, e012799. Deeks, J. J., Bossuyt, P. M., Leeflang, M. M., & Takwoingi, Y. (Eds.). (2023). Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy, Version 2.0. International Test Commission. (2017). The ITC Guidelines for Translating and Adapting Tests (Second Edition). Kane, M. T. (2013). Validating the Interpretations and Uses of Test Scores. Journal of Educational Measurement, 50(1), 1–73. Mokkink, L. B., Terwee, C. B., Knol, D. L., et al. (2010). The COSMIN checklist for evaluating the methodological quality of studies on measurement properties: A clarification of its content. BMC Medical Research Methodology, 10, 22. Society for Industrial and Organizational Psychology. (2018). Criterion Theory and Development. Всеукраїнська психодіагностична асоціація. (n.d.). Критеріальна валідність.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Коротка відповідь Якщо у психологічному тесті вказано 90-й процентиль, це зазвичай означає, що ваш результат має процентильний ранг близько 90: у відповідній нормативній групі приблизно 90% людей отримали нижчий результат або результат не вищий за ваш — точне правило залежить від способу обробки однакових балів. 50-й процентиль розташований біля середини нормативного розподілу. Процентиль показує відносне місце результату серед результатів інших людей, а не частку правильних відповідей, не «відсоток здібності» і не ймовірність діагнозу. У строгій психометричній термінології варто розрізняти два поняття. NCME Assessment Glossary визначає percentile як бал, нижче якого розташований заданий відсоток результатів у певній популяції, а percentile rank — як відсоток результатів у заданому розподілі, що лежать нижче певного бала. У практичних звітах слово «процентиль» часто вживають скорочено саме для процентильного рангу; далі ми щоразу уточнюємо, про яке значення йдеться. В українській професійній мові вживаються форми «процентиль» і «процентильний ранг». Таку термінологію використовують і в офіційних українських матеріалах: Науково-методичний центр вищої та фахової передвищої освіти пояснює процентильний ранг як відносний показник, який розраховується всередині конкретного іспиту та не переноситься автоматично на інший іспит. Що саме показує процентиль Процентиль перетворює результат на відповідь до запитання: «Де цей бал розташований у розподілі результатів певної групи порівняння?» Саме група порівняння робить процентиль осмисленим. Якщо тест має норми для дорослих певного віку, процентиль описує ваше місце відносно цієї нормативної вибірки або популяції. Якщо використано дитячі норми, клінічну вибірку чи іншу країну, числовий ранг може змінитися навіть за того самого сирого бала. Ширший контекст психометричного вимірювання, норм, надійності та валідності див. у статті «Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів». Це нормо-орієнтована інтерпретація. NCME визначає norm-referenced score interpretation як інтерпретацію результату через порівняння з розподілом у визначеній референтній популяції. Тому запис «P90» без назви тесту, версії та нормативної групи є неповним: число описує не властивість людини «саму по собі», а її відносне положення в конкретній системі норм. Саме цим процентиль відрізняється від сирого бала. Сирий бал — це безпосередній результат підрахунку за правилами тесту: наприклад, сума відповідей, кількість правильних завдань або інша первинна комбінація пунктів. Процентильний ранг виникає лише після зіставлення цього бала з нормативним розподілом. Зв’язок між первинним результатом, стандартизованою шкалою й нормами докладніше пояснено в статті «Сирий і стандартизований бал». Що означають 50-й, 90-й та інші процентили 50-й процентиль 50-й процентиль відповідає центральній позиції розподілу: у класичному статистичному розумінні 50-й процентиль є медіаною. Для процентильного рангу конкретного дискретного тестового бала точне значення біля 50 залежить від того, як методика обробляє однакові результати та інтерполяцію. Практично це означає: результат розташований приблизно посередині нормативної групи. 50-й процентиль не означає, що людина «має 50% інтелекту», «виконала тест на 50%» або обов’язково отримала середнє арифметичне значення шкали. Медіана й середнє збігаються лише за певних властивостей розподілу. Крім того, середина відносного розподілу нічого не говорить про те, наскільки близько цей результат до клінічного чи іншого порога, якщо такий поріг взагалі валідований. 90-й процентиль 90-й процентильний ранг означає високе відносне положення: приблизно дев’ять із десяти результатів у референтному розподілі лежать нижче вашого або не перевищують його — залежно від конвенції підрахунку. Це не «90% правильних відповідей». Людина може мати 70% правильних відповідей і водночас опинитися на 90-му процентилі, якщо завдання були складними для нормативної групи. В іншому тесті 90% правильних відповідей можуть відповідати значно нижчому процентилю, якщо більшість учасників виконала майже всі завдання. Важливо також знати напрям шкали. На тесті здібностей вищий процентиль може означати вищий результат за вимірюваною здібністю. На симптомній шкалі вищий процентиль може означати більшу вираженість симптомів. Сам процентиль не має універсального значення «краще» чи «гірше». 10-й, 25-й, 75-й, 95-й і 99-й процентили 10-й процентиль означає, що результат перебуває нижче більшості нормативної групи; 25-й — нижче приблизно трьох чвертей; 75-й — вище приблизно трьох чвертей; 95-й і 99-й описують дуже високе відносне положення. Ці словесні пояснення стосуються лише рангу. Вони не встановлюють самі по собі ані «низьку норму», ані «патологію», ані особливу обдарованість: такі висновки потребують валідованої інтерпретації конкретного тесту. Процентиль не дорівнює відсотку правильних відповідей Найпоширеніша помилка — читати 90-й процентиль як «90% правильних відповідей». Відсоток правильних відповідей є абсолютним показником виконання певного набору завдань: скільки завдань людина виконала правильно з усіх доступних. Процентильний ранг є відносним показником: як цей результат розташований серед результатів референтної групи. Уявімо два тести по 100 завдань. У першому ви дали 80 правильних відповідей, а більшість нормативної групи набрала від 90 до 100. Ваш відсоток правильних відповідей — 80%, але процентиль може бути невисоким. У другому ви також маєте 80 правильних відповідей, однак більшість набрала від 50 до 70. Ті самі 80% можуть відповідати дуже високому процентильному рангу. Один показник описує виконання завдань, другий — позицію серед людей. Саме тому процентильний ранг не можна відновити лише з відсотка правильних відповідей без нормативних даних. Потрібно знати розподіл балів референтної групи та правила конкретної методики. Як сирий бал перетворюють на процентильний ранг Спочатку тест дає сирий бал. Далі розробник або користувач, який має валідні нормативні дані, визначає, яке місце цей бал займає в упорядкованому розподілі. Якщо з 1000 людей у нормативній вибірці переважна більшість отримала нижчі значення, ваш процентильний ранг буде високим; якщо нижчих результатів небагато — низьким. Для дискретних тестів виникає питання однакових балів. Якщо десятки людей мають той самий сирий результат, треба вирішити, чи рахувати їх повністю нижче, повністю вище або розміщувати посередині групи однакових балів. Існує кілька формул і конвенцій. Crawford, Garthwaite & Slick (2009) показують, що різні визначення процентиля можуть давати помітно різні результати, особливо в невеликих нормативних вибірках і на краях розподілу. Тому універсальну формулу не слід підставляти замість правил тесту. Одна поширена midrank-конвенція зараховує всі нижчі результати та половину результатів, рівних вашому, а потім ділить на розмір нормативної вибірки. Це корисна інтуїція, але технічним джерелом завжди має бути керівництво конкретної методики. Якщо два звіти використовують різні правила обробки однакових балів, їхні процентили можуть трохи відрізнятися без будь-якої зміни в самій людині. Нормативна група: без неї процентиль втрачає зміст Процентиль — це завжди «процентиль відносно кого?». Стандарти AERA, APA та NCME розглядають норми, валідність, надійність, справедливість і правила інтерпретації як частини належного використання тестів. APA також пояснює norm-referenced testing як порівняння людини з релевантною групою, наприклад з людьми подібного віку або класу. Референтна популяція може визначатися віком, класом навчання, клінічним статусом, мовою, країною чи іншими характеристиками, якщо для такого розподілу є наукове обґрунтування. «Схожа група» не означає довільний набір людей. Норми мають походити з вибірки, яка адекватно представляє популяцію, для якої тест планують інтерпретувати. Уявімо когнітивний тест, де 60 сирих балів відповідають 85-му процентилю серед 12-річних і 55-му серед 16-річних. Сирий бал не змінився; змінилася система порівняння. Тому переносити процентиль з однієї вікової таблиці на іншу некоректно. Так само не можна автоматично порівнювати P80 одного тесту з P80 іншого як однаковий «рівень здібності». Процентили можуть мати однаковий ранг у різних розподілах, але вимірювати різні конструкти, використовувати різні норми, мати різну точність і різні правила побудови шкали. Чому процентили не є рівними інтервалами На шкалі процентильних рангів різниця в 10 пунктів не має сталої психометричної величини. Перехід з 40-го до 50-го процентиля і перехід з 90-го до 100-го не є однаковими змінами конструкта. Процентиль описує накопичену частку розподілу, тому його одиниці стискаються та розтягуються залежно від того, де саме ми перебуваємо в розподілі. Огляд de Beurs, Boehnke & Fried (2022) прямо підкреслює, що percentile ranks не є рівновіддаленими інтервалами й краще трактуються як порядкова міра відносного положення. Автори показують, що T-бали та процентили виконують різні комунікативні й психометричні функції. Це важливо для графіків і змін у часі. Не варто відкладати 1-й, 10-й, 20-й, 30-й … 99-й процентили на осі так, ніби всі проміжки між ними мають однакову величину. Дослідження Bowman (2002) показало, що навіть студенти, знайомі з психологічним оцінюванням, систематично помилялися, коли читали процентильні ранги як лінійну шкалу. Процентиль, z-бал і T-бал: що між ними спільного Процентиль відповідає на запитання про відносний ранг. z-бал відповідає на інше запитання: на скільки стандартних відхилень результат віддалений від середнього у відповідній стандартизованій шкалі. T-бал — лінійне перетворення стандартного бала; у класичній T-шкалі середнє дорівнює 50, а стандартне відхилення — 10. T-score у цьому контексті не має стосунку до t-статистики Стьюдента. Якщо розподіл справді нормальний або шкалу спеціально нормалізовано, можна навести приблизні відповідності: z = 0 — близько P50; z = +1 — близько P84; z = +1,28 — близько P90; z = +1,64 — близько P95; z = +2 — близько P97,7. Зі знаком «мінус» маємо симетричні нижні процентили. Ці відповідності є властивістю нормального розподілу, а не універсальним законом будь-якого психологічного тесту. У реальних шкалах сирі бали можуть бути асиметричними, обмеженими підлогою чи стелею, дискретними або спеціально перетвореними. Тому перераховувати процентиль у z або T «за пам’яттю» варто лише тоді, коли методика справді визначає таке перетворення. Похибка вимірювання і невизначеність процентиля Тестовий результат не має нескінченної точності. Частина варіації пов’язана з похибкою вимірювання: станом людини, випадковістю завдань, умовами проведення та іншими джерелами. У класичній теорії тестів стандартна похибка вимірювання — SEM, standard error of measurement — описує очікувану мінливість спостережуваного бала навколо рівня, який намагається оцінити тест. SEM не є standard error of the mean — стандартною похибкою середнього. Термінологічні визначення reliability/precision та standard error of measurement наведені в NCME Assessment Glossary. Коли тестове керівництво надає довірчий інтервал для бала, його не варто стискати до одного «точного» процентиля. Наприклад, якщо правдоподібний діапазон стандартного бала охоплює кілька значень, відповідний діапазон процентильних рангів також може бути широким, особливо біля центру розподілу. Є й друге джерело невизначеності — самі норми. Нормативна таблиця зазвичай побудована не на всій популяції, а на вибірці. Crawford, Garthwaite & Slick наголошують, що оцінений процентиль має вибіркову невизначеність і пропонують подавати інтервальні оцінки, а не створювати ілюзію абсолютної точності. Особливо це важливо для рідкісних крайніх результатів і невеликих нормативних вибірок. Чи можна за процентилями оцінювати зміну з часом Процентиль може бути корисним для комунікації відносного положення, але він не є найкращою шкалою для арифметики змін. Перехід від P40 до P60 не еквівалентний переходу від P70 до P90. Віднімати процентили й трактувати різницю як однакову кількість психологічної зміни некоректно. Для моніторингу важливіше знати, що саме вимірює шкала, чи має вона достатню test-retest reliability і responsiveness, який SEM або інший показник точності доступний, чи є мінімальна детектована зміна або інший обґрунтований критерій. Реальна статистична зміна також не дорівнює клінічно або особисто важливій зміні. Сам факт переходу через певний процентиль не встановлює клінічної значущості. Якщо нормативна група вікова, процентиль із часом може змінитися навіть за відносно стабільного сирого показника, бо людина переходить до іншої вікової норми. Це ще одна причина зберігати в документації не лише процентиль, а й первинний або стандартизований бал, версію тесту та нормативну таблицю. Процентиль у клінічних і скринінгових шкалах Високий процентиль симптомної шкали означає, що результат вищий, ніж у більшості обраної референтної групи. Він не означає 90% імовірності розладу, не є PPV і не встановлює діагноз. Для діагностичного висновку потрібні окремі дані про валідність, клінічний контекст, критерії розладу та професійне оцінювання. APA розрізняє психологічне тестування і ширше психологічне оцінювання: професійна оцінка може поєднувати тести, інтерв’ю, спостереження, документи та інші релевантні джерела. Український психологічний ХАБ детально пояснює цю різницю в статтях «Психологічні тести: що це, як працюють і як оцінювати результати» та «Психологічна оцінка й оцінювання». Так само cutoff не треба плутати з процентилем. Пороговий бал може бути встановлений через зовнішній критерій, клінічне рішення, ROC-аналіз, нормативне правило або іншу процедуру. Навіть якщо cutoff приблизно відповідає певному процентилю, цей процентиль не стає універсальною межею «є / немає розладу» для інших популяцій. Мова, культура та справедливість інтерпретації Наявність перекладу тесту українською не доводить, що для нього існують валідовані українські норми. Переклад, культурна адаптація, психометрична перевірка й побудова норм — окремі етапи. International Test Commission у своїх настановах з перекладу й адаптації тестів розглядає культурний контекст, технічну адаптацію, процедури проведення та інтерпретацію балів як частини єдиного процесу. Якщо тест створено в іншій країні, пряме застосування чужих процентильних таблиць може бути виправданим лише тоді, коли є докази придатності такої інтерпретації для конкретної групи. Мовні, освітні, соціокультурні й демографічні відмінності здатні змінювати розподіл результатів. Тому процентиль без перевіреної референтної популяції створює точне на вигляд число з невизначеним змістом. Справедливість також не можна вивести з одного факту однакових процентилів між групами. Потрібно розуміти, чи вимірює інструмент той самий конструкт, чи не змінюється функціонування завдань, чи доречні норми та чи не виникають систематичні помилки інтерпретації. Процентиль є способом подання результату, а не автоматичним доказом відсутності bias. Приклад: як читати процентиль у психологічному звіті Припустімо, у звіті написано: «Сумарний бал 32, 90-й процентиль за нормами для дорослих 18–29 років». Перше, що можна сказати: 32 — первинний або сумарний бал у цій шкалі; P90 описує його відносне положення в зазначеній нормативній групі. Якщо вищий бал означає більшу вираженість конструкта, людина має вищий показник, ніж більшість цієї групи. Друге: треба перевірити, хто саме входив до норм. «Дорослі 18–29 років» може означати репрезентативну популяційну вибірку, студентів, користувачів онлайн-сервісу або клінічну групу — і це принципово різні порівняння. NCME окремо відрізняє reference population від user norms, коли описова статистика походить із групи користувачів, що не представляє чітко визначену популяцію. Третє: треба прочитати напрям шкали та межі інтерпретації. P90 у шкалі самооцінки може означати відносно високу самооцінку, а P90 у симптомній шкалі — відносно високу симптомну вираженість. Наприклад, українська сторінка RSES використовує процентилі саме для порівняння сумарного бала з опублікованими віковими нормативними даними; сам процентиль при цьому не є «відсотком самооцінки». Четверте: якщо від результату залежить важливе рішення, потрібно дивитися на валідність, надійність, похибку, можливий довірчий інтервал і призначення тесту. чинні Standards for Educational and Psychological Testing задають саме таку логіку: значення має не тест «взагалі», а обґрунтованість конкретної інтерпретації та використання його балів. Типові помилки в тлумаченні процентилів «90-й процентиль = 90% правильних відповідей». Це змішування відносного рангу й абсолютного виконання. Потрібні нормативні дані. «P50 = середній бал тесту». P50 пов’язаний із медіаною розподілу, а не обов’язково із середнім арифметичним чи половиною максимальної кількості балів. «Різниця між P40 і P50 така сама, як між P80 і P90». Процентили не є рівноінтервальною шкалою. «P90 завжди добре». Значення напряму залежить від конструкта: у симптомній шкалі високий ранг може означати більшу вираженість небажаних симптомів. «P95 означає 95% імовірності діагнозу». Процентиль не є діагностичною ймовірністю, sensitivity, specificity, PPV чи NPV. «Один і той самий процентиль можна порівнювати між будь-якими тестами». Ні: тести можуть мати різні конструкти, норми, точність і способи шкалювання. «Перекладена шкала автоматично має валідні українські процентили». Ні: переклад і нормативна культурна адаптація — різні процедури. «Процентиль — точне місце людини в популяції». Насправді це оцінка, що залежить від вимірювальної похибки та якості нормативної вибірки. Як самостійно перевірити процентиль у своєму результаті Почніть із назви й версії тесту. Далі знайдіть, який саме показник названо процентилем: percentile чи percentile rank. Подивіться, з якою нормативною групою вас порівнюють, чи відповідає вона вашому віку, мові та контексту, і чи є ця група справжньою референтною популяцією, а не випадковими користувачами сервісу. Після цього перевірте напрям шкали: що означає високий бал. Прочитайте, чи надано стандартний бал, довірчий інтервал, SEM або інші показники точності. Якщо є cutoff, з’ясуйте, як його встановлено і для якої мети. Якщо тест використовується для клінічних, освітніх, кадрових або юридично значущих рішень, інтерпретація має спиратися на технічну документацію, а не лише на красиву процентильну шкалу. Окремо перевірте ліцензування та походження інструмента. Відкрита доступність опитувальника не доводить психометричної якості, а висока психометрична якість не означає, що тест дозволено вільно копіювати. Якість вимірювання та права на тест — різні питання. Процентилі й інші типи шкал Психологічні результати можуть подаватися як сирі бали, стандартизовані бали, T-бали, z-бали, стенайни, станайни, процентильні ранги або спеціальні шкали конкретного інструмента. Це різні системи представлення, і жодна не є універсально «кращою» для всіх задач. Процентиль особливо зручний для пояснення відносного місця, але менш зручний для арифметики різниць. Не слід також плутати процентиль із рейтинговою шкалою. Рейтингова шкала описує спосіб відповіді або оцінювання за впорядкованими категоріями чи числовими позиціями. Процентильний ранг — це спосіб інтерпретації отриманого результату відносно розподілу. FAQ Що означає 90-й процентиль у тесті? Це означає високе відносне положення результату: приблизно 90% результатів у відповідній нормативній групі нижчі за нього або не перевищують його, залежно від правила обробки однакових балів. Це не 90% правильних відповідей. Що означає 50-й процентиль? Це позиція біля середини нормативного розподілу. У статистичному значенні 50-й процентиль є медіаною. Він не означає половину максимальної кількості балів. Чим процентиль відрізняється від процентильного рангу? Строго кажучи, percentile — це бал, нижче якого лежить певний відсоток розподілу, а percentile rank — відсоток результатів, нижчих за конкретний бал. У практичних звітах ці слова часто скорочено змішують. Чи 90-й процентиль означає, що я кращий за 90% людей? Лише якщо напрям і зміст шкали дозволяють слово «кращий». Технічно коректніше сказати, що ваш бал вищий за більшість результатів у визначеній нормативній групі. На симптомній шкалі високий бал може означати більше симптомів. Чи можна порівняти P90 в одному тесті з P90 в іншому? Як однаковий ранг — так, але не як однакову величину психологічної характеристики. Тести можуть вимірювати різні конструкти, використовувати різні норми й мати різну точність. Чи процентиль показує діагноз? Ні. Процентиль описує відносне положення бала. Діагноз потребує клінічних критеріїв, відповідної процедури оцінювання та інших джерел інформації. Чому мій процентиль змінився, хоча сирий бал майже той самий? Можуть змінитися нормативна група, вікова таблиця, версія тесту або правила перетворення. Крім того, невеликі зміни сирого бала іноді відповідають більшим змінам процентильного рангу біля центру розподілу. Чи можна усереднювати процентили? Зазвичай ні як звичайні рівноінтервальні числа. Процентильні ранги мають нерівні інтервали; для аналізу змін і середніх доцільніше використовувати шкалу, для якої такі операції психометрично обґрунтовані. Чи український переклад тесту гарантує українські норми? Ні. Переклад, культурна адаптація, перевірка валідності та надійності й побудова українських норм — окремі етапи. Чи 99-й процентиль означає точне місце 1 із 100? Ні. Це оцінка відносного положення в нормативному розподілі. Для крайніх значень особливо важливі розмір і репрезентативність нормативної вибірки, правила обробки однакових балів та інтервальна невизначеність. Пов’язані статті Сирий і стандартизований бал: як результат тесту перетворюють на показник, який можна порівнювати з нормами — про шлях від первинного результату до стандартизованої шкали, z-, T-балів, норм і процентильного рангу. Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів — головна стаття кластера про психологічне вимірювання, надійність, валідність, похибку, норми та справедливість тестування. Психологічні тести: що це, як працюють і як оцінювати результати — базова сторінка про стандартизацію, норми, надійність, валідність і межі тестових висновків. Психологічна оцінка й оцінювання: що це, як проходить і чим відрізняється від тестування — про ширший процес, у якому тестовий бал є лише одним із джерел даних. Шкала самооцінки Розенберга (RSES): тест онлайн і пояснення результату — практичний приклад використання українських вікових процентильних норм. Рейтингова шкала: що це, як працює та чим відрізняється від ранжування — допомагає не змішувати формат відповіді в тесті з процентильним способом інтерпретації результату. Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. American Psychological Association. (2022). Understanding psychological testing and assessment. Bowman, M. L. (2002). The perfidy of percentiles. Archives of Clinical Neuropsychology, 17(3), 295–303. Crawford, J. R., Garthwaite, P. H., & Slick, D. J. (2009). On percentile norms in neuropsychology: proposed reporting standards and methods for quantifying the uncertainty over the percentile ranks of test scores. The Clinical Neuropsychologist, 23(7), 1173–1195. de Beurs, E., Boehnke, J. R., & Fried, E. I. (2022). Common measures or common metrics? A plea to harmonize measurement results. Clinical Psychology & Psychotherapy, 29(5), 1755–1767. International Test Commission. (2018). ITC Guidelines for Translating and Adapting Tests (Second Edition). International Journal of Testing, 18(2), 101–134. National Council on Measurement in Education. (n.d.). NCME Assessment Glossary. Науково-методичний центр вищої та фахової передвищої освіти. (n.d.). Єдиний державний кваліфікаційний іспит: інформація для здобувачів.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика T-бал, або T-score, — це стандартизований бал, шкала якого має середнє 50 і стандартне відхилення 10. У класичному лінійному перетворенні він пов’язаний із z-балом формулою T = 50 + 10z. Тому T = 50 відповідає середньому значенню референтної групи, T = 60 — одному стандартному відхиленню вище середнього, T = 40 — одному стандартному відхиленню нижче. Так T-score визначає APA Dictionary of Psychology. Головне: T-бал описує положення результату на стандартизованій шкалі. Він не є діагнозом, не має універсальної межі «норма/патологія» і не означає відсоток правильних відповідей. Сенс конкретного T-бала залежить від того, що вимірює тест, яка референтна або нормативна група використана, як побудовано шкалу, якою є похибка вимірювання і для якого рішення тест призначений. Сучасні Standards for Educational and Psychological Testing розглядають інтерпретацію бала як частину ширшої системи доказів щодо тесту та його використання. Що таке T-бал у психометрії T-бал — один із типів стандартних показників у психометрії. Стандартизація переводить результат із початкової шкали в шкалу, де положення людини можна описати відносно певного розподілу або референтної групи. APA Dictionary відносить T-бали та z-бали до стандартизованих показників, а Всеукраїнська психодіагностична асоціація в українській професійній термінології прямо називає Z бали, Т бали та стени серед стандартних показників. Глосарій Всеукраїнської психодіагностичної асоціації підкреслює практичний сенс такої трансформації: стандартні показники дають інформацію про відносне положення результату та роблять можливим осмислене порівняння з показниками референтної вибірки. Науковий статус T-бала T-score є усталеною психометричною метрикою. Його математичне визначення просте, але інтерпретація завжди залежить від моделі вимірювання та даних, на яких шкалу побудовано. Огляд de Beurs, Boehnke і Fried показує стандартне співвідношення T = 10z + 50 та обговорює T-бали як спільну метрику для комунікації результатів у клінічному вимірюванні. Публікація в Clinical Psychology & Psychotherapy Лінійне перетворення в T-бал не створює нової психометричної якості. Якщо вихідний показник ненадійний, має слабкі докази валідності або непридатні норми, зміна числової шкали цього не виправить. T-score змінює одиниці представлення результату; він не доводить, що тест вимірює потрібний конструкт, і не усуває похибку. Навіщо z-бал перетворюють у T-бал z-бал має середнє 0 і стандартне відхилення 1. Це математично зручно, але приблизно половина результатів нижче середнього матиме від’ємні значення, а практична інтерпретація часто потребує десяткових дробів. T-шкала переносить ту саму відносну позицію на зручнішу шкалу: середнє стає 50, а одне стандартне відхилення — 10 пунктів. z = 0 відповідає T = 50. z = +1 відповідає T = 60. z = −1 відповідає T = 40. z = +2 відповідає T = 70. z = −2 відповідає T = 30. Це лише зміна метрики. За лінійного перетворення порядок людей у розподілі не змінюється, а форма самого розподілу зберігається. Якщо сирі або z-результати були асиметричними, звичайне лінійне T-перетворення не зробить їх нормально розподіленими. Сучасні рекомендації щодо нормованих показників окремо розрізняють лінійне стандартизування та нелінійне нормалізування. GRoNC: Guidelines for Reporting on Norm-Referenced and Criterion-Referenced Scores Формула T-бала: як перетворити z-бал Для класичного лінійного T-score використовується формула: T = 50 + 10z. Зворотне перетворення: z = (T − 50) / 10. Приклад 1: z = +1,2 T = 50 + 10 × 1,2 = 62. Отже, T = 62 означає, що результат розташований на 1,2 стандартного відхилення вище середнього референтної шкали. Приклад 2: z = −0,7 T = 50 + 10 × (−0,7) = 43. Отже, T = 43 відповідає положенню на 0,7 стандартного відхилення нижче середнього. Приклад 3: T = 65 z = (65 − 50) / 10 = 1,5. Тобто T = 65 відповідає 1,5 стандартного відхилення вище середнього референтної шкали. Швидке читання шкали T T = 20 → z = −3. T = 30 → z = −2. T = 40 → z = −1. T = 50 → z = 0. T = 60 → z = +1. T = 70 → z = +2. T = 80 → z = +3. Діапазон 20–80 часто показують як практичний інтервал приблизно ±3 стандартних відхилення, але це не фізична межа T-шкали. HealthMeasures прямо зазначає, що реальний можливий діапазон залежить від конкретного інструмента: деякі шкали можуть давати T-бали нижче 20 або вище 80. Що означають T = 40, 50, 60, 70 У стандартній T-метриці числа легко перекладаються у відстань від середнього. Але ця відстань сама по собі не визначає психологічного змісту. T = 50: середнє значення референтної шкали. T = 40: одне стандартне відхилення нижче середнього. T = 60: одне стандартне відхилення вище середнього. T = 30: два стандартні відхилення нижче середнього. T = 70: два стандартні відхилення вище середнього. Для шкали фізичного функціонування вищий T-бал може означати краще функціонування, а для шкали болю, тривоги чи втоми — більшу вираженість проблеми. У системі PROMIS діє загальне правило: вищий T-score означає більше того конструкта, який вимірюється; чи є це бажаним або небажаним, визначає сам конструкт. HealthMeasures: Interpret Scores Тому фраза «T = 65 — це погано» без назви шкали, напряму оцінювання і референтної групи є змістово неповною. T-бал і нормативна група: відносно кого обчислено результат T-score завжди потребує референтної точки. Число 50 має сенс лише тому, що конкретна система визначила, який розподіл, норму або калібрувальну популяцію прийнято за центр шкали. В одних тестах це загальна популяція, в інших — вікова група, клінічна вибірка, професійна група або інша нормативна база. Два однакові T-бали з двох різних тестів можуть мати різний зміст, якщо вони вимірюють різні конструкти або спираються на різні референтні групи. Навіть для одного конструкта T = 60 відносно загальної популяції та T = 60 відносно клінічної вибірки не є автоматично взаємозамінними. Саме тому при психологічному тестуванні необхідно знати не тільки число, а й назву шкали, версію методики, нормативну базу, правила підрахунку та призначення інструмента. APA в етичному стандарті 9.06 вимагає враховувати мету оцінювання, характеристики тесту, а також особисті, мовні, культурні та ситуаційні чинники, здатні зменшити точність інтерпретації. APA Ethics Code T-бал і процентиль — різні способи описати положення T-бал задає відстань від середнього в одиницях стандартного відхилення. Процентиль описує частку референтного розподілу, що лежить на певному рівні або нижче нього. Процентиль не дорівнює відсотку правильних відповідей. Якщо T-метрика відповідає стандартному нормальному розподілу, можна приблизно зіставити орієнтири: T = 30 ≈ 2,3-й процентиль; T = 40 ≈ 15,9-й; T = 50 = 50-й; T = 60 ≈ 84,1-й; T = 70 ≈ 97,7-й. Такі відповідності наводить HealthMeasures. Ці шкали нелінійні одна відносно одної. Різниця в 10 T-пунктів завжди дорівнює одному стандартному відхиленню на лінійній T-метриці, але не дорівнює 10 процентильним пунктам. Поблизу середнього невелика зміна z або T охоплює більше процентильних позицій, ніж така сама зміна в хвостах нормального розподілу. Лінійний T-score, нормалізований T-score та IRT-метрика Формула T = 50 + 10z описує класичне лінійне перетворення. У реальних тестах зустрічаються й інші процедури, тому назва «T-бал» ще не гарантує, що сирий результат можна самостійно вставити в одну формулу. Лінійний T-score Спочатку отримують z-бал відносно заданого середнього та стандартного відхилення, потім застосовують T = 50 + 10z. Таке перетворення зберігає ранжування і форму розподілу. Нормалізований T-score За асиметричних розподілів розробник може спочатку перетворювати ранги або кумулятивні частоти так, щоб отримати наближену нормальну форму, а вже потім виражати результат на T-метриці. Це нелінійна процедура: однакова різниця в сирих балах не обов’язково перетворюється на однакову різницю в T-балах. Дослідження de Beurs, Giltay і Carlier на SQ-48 показує практичну проблему асиметричних симптомних шкал і розглядає нормалізовані T-бали як окреме рішення. Community Norms for the Symptom Questionnaire (SQ-48) IRT-калібрований T-score У сучасних системах на основі теорії відповідей на завдання (IRT) оцінка латентного параметра може бути отримана з параметрів пунктів, а потім виражена на T-метриці. У PROMIS короткі форми та комп’ютеризовані адаптивні тести дають T-score з середнім 50 і стандартним відхиленням 10, однак розрахунок конкретного індивідуального результату може виконуватися через калібровану модель і спеціалізоване програмне забезпечення. HealthMeasures: Calculate Scores Практичне правило просте: якщо в керівництві до тесту є таблиця перетворення, нормативна таблиця, IRT-алгоритм або офіційний калькулятор, слід користуватися ним. Самостійне обчислення T з сирого бала через середнє й SD іншої вибірки може створити іншу шкалу, ніж та, яку валідизував розробник. Чи можна перетворити сирий бал безпосередньо у T-бал Математично для лінійної шкали це можна зробити у два кроки: z = (X − M) / SD, потім T = 50 + 10z. Підставивши першу формулу в другу, отримаємо T = 50 + 10 × (X − M) / SD. Але ключове питання — звідки взято M і SD. Це мають бути саме ті параметри референтного розподілу, які передбачає конкретний тест і конкретна таблиця норм. Не можна без обґрунтування брати середнє та стандартне відхилення маленької локальної вибірки й називати отримані значення офіційними T-балами методики. Крім того, якщо офіційне шкалювання є нормалізованим або IRT-каліброваним, проста лінійна формула для сирого бала не відтворить офіційний результат. GRoNC рекомендує прозоро описувати, як саме побудовано стандартизовані та нормовані показники, щоб користувач міг оцінити значення норм і правил перетворення. T-бал не робить тест надійнішим або валіднішим Одна з поширених помилок — сприймати стандартизований вигляд числа як ознаку наукової якості. T-score може бути розрахований і для слабкої шкали. Якість висновку визначають докази щодо самого вимірювання: конструкта, структури, надійності, валідності, норм, похибки, справедливості та відповідності конкретному використанню. Тому психологічний тест з T-балами не стає автоматично кращим за тест із сирими балами. Стандартизована метрика полегшує інтерпретацію, але не замінює психометричної перевірки. Похибка вимірювання: T = 60 не означає «рівно 60» Будь-який індивідуальний тестовий результат має невизначеність. T-бал слід розглядати як оцінку, точність якої залежить від властивостей інструмента й моделі. Якщо методика надає стандартну похибку вимірювання, стандартну похибку оцінки або довірчий інтервал, ці дані допомагають показати діапазон правдоподібних значень. У IRT-системах на кшталт PROMIS разом із T-score може надаватися Standard Error (SE) індивідуальної оцінки. Це не «стандартна похибка середнього» вибірки. У класичній теорії тестів окремо використовується поняття standard error of measurement. Детальніше про джерела невизначеності та різницю між спостережуваним результатом і точністю вимірювання дивіться у статті «Похибка вимірювання в психології». HealthMeasures демонструє інтерпретацію T-score разом зі стандартною похибкою та довірчим інтервалом, підкреслюючи, що одиничний бал не є абсолютно точковим знанням про людину. HealthMeasures: Interpret Scores Зміна T-бала з часом: різниця не дорівнює автоматично реальній або важливій зміні Якщо показник змінився з T = 62 до T = 57, арифметична різниця становить −5 T-пунктів, або −0,5 стандартного відхилення на цій метриці. Але з цього ще не випливає, що зміна перевищила похибку вимірювання або є клінічно, функціонально чи особисто важливою. Для висновку про зміну потрібні характеристики конкретної методики: надійність повторного вимірювання, похибка, інколи minimal detectable change, responsiveness, minimal important change або інші критерії. Один і той самий ΔT може мати різний зміст у різних шкалах і популяціях. Це один із центральних принципів інтерпретованості результатів психологічного вимірювання: числова різниця повинна бути пов’язана з доказами про те, що саме означає зміна і якої величини зміна є відтворюваною та змістовною. T-бал і cutoff: чому немає універсальної межі У деяких клінічних шкалах певні T-діапазони позначають як «підвищені», «клінічно значущі», «помірні» або «виражені». Такі межі належать конкретній методиці, версії, популяції та цілі використання. Вони не переносяться автоматично на інший тест. Наприклад, у частині шкал PROMIS існують доменно-специфічні категорії тяжкості, але HealthMeasures прямо зазначає, що cut points відрізняються між вимірюваннями та інколи між версіями одного вимірювання. Тому T = 65 не означає універсального «клінічного порога», а T = 70 не є автоматичним доказом розладу. Для психологічної оцінки важливі мета обстеження, критерії, анамнез, функціонування, інші джерела інформації та професійна інтерпретація. Скринінговий або тестовий бал є одним джерелом даних, а не самостійним діагнозом. T-бал і культурна та мовна адаптація Стандартизація має сенс лише тоді, коли референтна база й правила інтерпретації відповідають популяції та використанню. Переклад тесту українською мовою не створює автоматично українських норм і не доводить валідованої культурної адаптації. Якщо T-бали розраховані за нормами іншої країни, іншої мовної групи, іншого віку або іншої клінічної популяції, необхідно перевірити, чи підтримує наукова документація таке застосування. APA Ethics Code прямо вимагає враховувати мовні, культурні, особисті та ситуаційні відмінності, здатні знизити точність інтерпретації. Наявність однакової T-метрики також не доводить measurement invariance і не гарантує відсутності bias. Інваріантність, диференційне функціонування пунктів, справедливість і якість норм — окремі питання, які потребують власних доказів. Чим T-бал відрізняється від інших показників T-бал і z-бал Обидва є стандартизованими показниками відносного положення. z має середнє 0 і SD = 1; T має середнє 50 і SD = 10. Для класичної лінійної метрики вони взаємно перетворюються без втрати інформації: T = 50 + 10z. T-бал і процентиль T описує відстань від середнього на стандартній метриці; процентиль — кумулятивне відносне положення. Процентилі не є рівноінтервальною шкалою: різниця між 50-м і 60-м процентилем не еквівалентна різниці між 90-м і 100-м. T-бал і «стандартний бал» «Стандартний бал» — ширше поняття. T-score є одним із його форматів поряд із z-балами, стенами, стенайнами, IQ-подібними шкалами та іншими перетвореними метриками. Конкретні середнє й стандартне відхилення треба читати в документації до тесту. T-бал і t-статистика Стьюдента Це різні поняття, попри схоже позначення. T-score у психометрії — шкала стандартизованого індивідуального результату з типовими параметрами M = 50 і SD = 10. t-статистика в статистичному висновуванні — тестова статистика, пов’язана з розподілом Стьюдента та ступенями свободи. NIST описує Student’s t distribution як окремий статистичний розподіл. T = 60 у психологічному звіті не означає t = 60 у t-тесті. Чи можна порівнювати T-бали різних тестів Однакова числова шкала полегшує читання, але не створює автоматичної еквівалентності. Для змістового порівняння потрібно знати, чи вимірюють інструменти той самий або зіставний конструкт, чи використовують сумісні референтні групи, чи мають узгоджену орієнтацію шкали та чи існує обґрунтоване linking або common-metric перетворення. de Beurs, Boehnke і Fried пропонують T-score як корисну спільну метрику для гармонізації результатів, але сама ідея common metric передбачає явну процедуру приведення та відповідний референтний розподіл. Common measures or common metrics? Тому T = 60 за шкалою депресивних симптомів і T = 60 за шкалою робочої пам’яті означають однакову стандартизовану відстань від відповідних центрів лише за визначених умов; психологічний зміст цих результатів зовсім різний. Типові помилки в інтерпретації T-балів Сприймати T = 50 як «50% правильних відповідей». T-score не є відсотком правильності. Вважати T = 60 універсально «високим ризиком». Це лише +1 SD на відповідній метриці; клінічний сенс задає інструмент. Вважати T = 70 діагнозом. Навіть високий стандартизований бал не замінює клінічної оцінки. Порівнювати T-бали з різних тестів без перевірки конструкта, норм і шкалювання. Обчислювати T з сирого бала за випадковим середнім і SD замість офіційних норм тесту. Припускати, що лінійне T-перетворення робить розподіл нормальним. Ігнорувати напрям шкали: вищий T може означати більше функціонування або більше симптомів. Ігнорувати похибку й довірчий інтервал та трактувати один пункт різниці як точну психологічну відмінність. Переносити cutoff з однієї методики на іншу. Вважати український переклад достатнім доказом валідованої української адаптації. Плутати T-score з t-статистикою Стьюдента. Як правильно читати T-бал у психологічному звіті Знайдіть точну назву тесту, шкали та версії. Перевірте, що саме вимірює шкала і в який бік спрямований бал. З’ясуйте, яка референтна або нормативна група відповідає M = 50 і SD = 10. Перевірте спосіб шкалювання: лінійний T-score, нормалізований T-score, IRT-калібрована оцінка або інша процедура. Переведіть число у стандартні відхилення: z = (T − 50) / 10. Якщо потрібно, зіставте з процентилем лише за моделлю, яка це дозволяє. Перевірте стандартну похибку, довірчий інтервал або іншу інформацію про точність. Читайте cutoff тільки в керівництві саме до цієї методики та для потрібної популяції. Не робіть діагностичного висновку за одним T-балом. Для повторних вимірювань окремо перевірте, чи різниця перевищує похибку і чи має доведену практичну або клінічну значущість. Такий порядок відповідає загальному принципу доказового психологічного оцінювання: інтерпретація починається не з числа, а з питання, що саме це число може обґрунтовано означати. Коротка шпаргалка Формула: T = 50 + 10z. Зворотна формула: z = (T − 50) / 10. Середнє T-шкали: 50. Стандартне відхилення: 10. 10 T-пунктів = 1 SD на класичній лінійній T-метриці. T = 60 = +1 SD; T = 40 = −1 SD. T = 70 = +2 SD; T = 30 = −2 SD. 20–80 — типовий, але не обов’язковий можливий діапазон. Вищий T означає більше вимірюваного конструкта, а не автоматично «краще» чи «гірше». T-бал не є t-статистикою Стьюдента. T-бал не є діагнозом. FAQ Що означає T = 50 у психологічному тесті? T = 50 є центром стандартної T-метрики і відповідає z = 0. Зазвичай це середнє значення референтної або калібрувальної групи, але потрібно перевірити документацію конкретного тесту. Що означає T = 60? На стандартній T-шкалі T = 60 дорівнює z = +1, тобто одному стандартному відхиленню вище середнього. Психологічний зміст залежить від того, що вимірює шкала. Що означає T = 70? T = 70 відповідає z = +2. За нормального референтного розподілу це приблизно 97,7-й кумулятивний процентиль. Це не універсальний клінічний cutoff і не діагноз. Як перетворити z-бал у T-бал? Для класичного лінійного T-score помножте z на 10 і додайте 50: T = 50 + 10z. Наприклад, z = 0,8 дає T = 58. Як перетворити T-бал назад у z-бал? Відніміть 50 і поділіть на 10: z = (T − 50) / 10. Наприклад, T = 35 дає z = −1,5. Чи T = 65 означає психологічний розлад? Ні. У деяких конкретних інструментах 65 може входити до інтерпретаційного діапазону, визначеного розробником, але універсального правила для всіх тестів немає. Діагноз не встановлюють за одним стандартизованим балом. Чи T-бал — це t-критерій Стьюдента? Ні. T-score є психометричною шкалою стандартизованого результату. t-статистика Стьюдента є статистикою перевірки гіпотез або побудови інтервалів і пов’язана зі ступенями свободи. Чи може T-бал бути більшим за 80 або меншим за 20? Так. 20–80 відповідає приблизно діапазону ±3 SD і часто використовується для наочного подання, але фактичний діапазон залежить від тесту, моделі та набору можливих відповідей. Чи можна порівнювати T = 60 у двох різних тестах? Лише з чіткими застереженнями. Однакове число не гарантує однакової психологічної величини. Потрібно перевірити конструкт, напрям шкали, референтні групи, спосіб калібрування і наявність обґрунтованого linking між інструментами. Чи достатньо українського перекладу тесту, щоб правильно тлумачити T-бали в Україні? Ні. Переклад і валідована культурно-мовна адаптація — різні речі. Для локальної інтерпретації потрібні релевантні докази щодо версії інструмента, структури, надійності, валідності та, коли це необхідно, норм або еквівалентності шкали. Пов’язані статті Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів Психологічне тестування: що це, як проводиться і які обмеження має результат тесту Психологічні тести: що це, як працюють і як оцінювати результати Психологічна оцінка й оцінювання: що це, як проходить і чим відрізняється від тестування Інтерпретованість результатів психологічного вимірювання: як надати зміст балу і зміні бала Похибка вимірювання в психології: випадкова, систематична і чому один бал не є абсолютно точним z-бал: що це, як показує відхилення від середнього і як використовується в психометрії Сирий і стандартизований бал: як результат тесту перетворюють на показник, який можна порівнювати з нормами Норми психологічного тесту: як створюють референтні значення і чому вони залежать від популяції Процентиль у психологічному тесті: що означає 50-й, 90-й або інший процентиль Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. American Psychological Association. (2018). standardized score. APA Dictionary of Psychology. American Psychological Association. (2018). T score. APA Dictionary of Psychology. American Psychological Association. Ethical Principles of Psychologists and Code of Conduct, Standards 9.05–9.06. de Beurs, E., Boehnke, J. R., & Fried, E. I. (2022). Common measures or common metrics? A plea to harmonize measurement results. Clinical Psychology & Psychotherapy, 29(5), 1755–1767. de Beurs, E., Giltay, E. J., & Carlier, I. V. (2025). Community Norms for the Symptom Questionnaire (SQ-48): Normalised T-Scores and Percentile Rank Order Scores. Clinical Psychology & Psychotherapy, 32(2), e70056. HealthMeasures. (2026). Calculate Scores. HealthMeasures. (2026). Interpret Scores. HealthMeasures. (2026). Score Cut Points. Timmerman, M. E., De Bildt, A., & Urban, J. (2026). The GRoNC: Guidelines for Reporting on Norm-Referenced and Criterion-Referenced Scores. Assessment, 33(6), 954–972. Всеукраїнська психодіагностична асоціація. Стандартний показник.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Кількісний результат психологічного вимірювання сам по собі ще не пояснює, що саме він означає для конкретної людини, групи або рішення. Інтерпретованість — це рівень, на якому число отримує зрозумілий зміст: до якого конструкту належить бал, з чим його можна порівнювати, наскільки точним є вимірювання, чи виходить зміна за межі похибки і чи має вона практичне, особисте або клінічне значення. У COSMIN Manual інтерпретованість визначено як ступінь, до якого кількісним балам або змінам балів можна надати якісного, клінічного чи загальнозрозумілого змісту. Це окремий шар психологічного вимірювання. Надійність відповідає на питання про узгодженість і точність балів, валідність — про обґрунтованість конкретної інтерпретації та використання бала, похибка вимірювання — про невизначеність конкретного результату, а інтерпретованість — про те, як перетворити результат на осмислене твердження. AERA/APA/NCME Standards for Educational and Psychological Testing пов’язують валідність саме з доказами та теорією, які підтримують запропоновану інтерпретацію балів для визначеного використання; отже, одна й та сама цифра не має універсального значення поза контекстом. У цій статті йдеться про інтерпретацію одиничних балів і змін балів у психологічних тестах, шкалах, опитувальниках та інших стандартизованих інструментах. Коли приклади стосуються клінічних інструментів вимірювання результатів (outcome measures, PROMs), це зазначено окремо: методологія COSMIN безпосередньо розроблена для інструментів вимірювання результатів і не повинна механічно переноситися на будь-який психодіагностичний тест без урахування його призначення. Що таке інтерпретованість результатів психологічного вимірювання Інтерпретованість результату — це можливість відповісти не лише «скільки балів отримано?», а «що ці бали означають у визначеному вимірювальному контексті?». За COSMIN до інтерпретованості одиничного бала можуть належати референтні значення, порогові значення, розподіл балів і відомості про ефекти підлоги та стелі; для зміни бала важливими стають, зокрема, мінімально важлива зміна або різниця. COSMIN прямо відокремлює інтерпретованість від властивостей вимірювання: це важливий аспект вибору та використання інструмента, але сам по собі він не є показником його психометричної якості. У консенсусній таксономії Mokkink та співавторів властивості вимірювання описуються окремо; інтерпретованість потрібна вже після того, як ми маємо бал і хочемо надати йому зміст. Це розрізнення захищає від поширеної помилки: інструмент може мати добру надійність і валідні підстави для певного використання, але його результат залишатиметься важким для практичного тлумачення, якщо немає доречних норм, референтних значень, зрозумілої шкали, оцінки невизначеності або емпірично обґрунтованих порогів. І навпаки, красиві категорії «низький — середній — високий» не компенсують слабкої надійності чи недостатньої валідності. Чому число ще не є психологічним висновком Психологічний бал виникає всередині конкретної вимірювальної системи. Він залежить від того, який конструкт визначено, як він операціоналізований, які завдання або твердження входять до інструмента, як здійснюється підрахунок, на якій шкалі подається результат, для якої популяції зібрано норми і яке використання передбачене розробниками. Тому «35 балів» без назви інструмента, шкали, діапазону, нормативної рамки та мети не є самодостатнім психологічним фактом. У глосарії NCME raw score визначено як первинний бал, що утворюється із суми або іншої комбінації відповідей; norm-referenced interpretation — як інтерпретацію через порівняння з розподілом результатів у визначеній референтній популяції; criterion-referenced interpretation — як інтерпретацію відносно визначеного критерію. Це різні способи надання змісту одному числу, а не взаємозамінні етикетки. Первинний бал, стандартний бал, процентиль і категорія — різні форми подання Первинний бал може бути просто сумою відповідей. Стандартний бал перетворює результат за правилами певної шкали. Процентильний ранг показує позицію результату в розподілі референтної групи. Категорія на кшталт «помірний рівень» або «підвищений ризик» виникає лише тоді, коли для неї задано і обґрунтовано правило класифікації. Перехід від одного формату до іншого змінює форму інтерпретації, але не створює нової інформації про людину сам по собі. За NCME процентиль — це позиція у розподілі визначеної популяції. Тому 80-й процентиль не означає «80% правильних відповідей» і не означає «80% вираженості риси». Він означає, що результат розташований відносно розподілу референтної групи відповідно до правил конкретного тесту. Так само T-показник (T-score) є стандартною шкалою і не має стосунку до t-статистики з параметричного статистичного тесту. Однакова літера в назві не робить ці величини тотожними. Інтерпретувати T-показник можна лише знаючи метрику конкретного інструмента, його нормативну вибірку й напрям шкали. Референтна рамка: з ким або з чим порівнюється бал Норми — це не «правильний рівень» психологічної ознаки. За визначенням NCME це статистичний опис розподілу тестових балів у визначеній референтній популяції. Отже, нормативна інтерпретація завжди має приховане питання: «порівняно з ким?». Вік, мова, освіта, клінічний статус, культурне середовище, країна, спосіб набору вибірки та час збирання норм можуть змінювати доречність порівняння. Норми, створені для однієї популяції, не перетворюються автоматично на норми для іншої. Локальна вибірка користувачів онлайн-сервісу також не стає репрезентативною нормою лише через великий обсяг. Для психологічної практики це особливо важливо. APA наголошує, що інструменти мають застосовуватися для популяцій і цілей, для яких є належні докази, а під час інтерпретації слід враховувати ситуаційні, особистісні, мовні та культурні фактори, здатні впливати на результат. Інтерпретованість не дорівнює надійності, валідності чи чутливості до змін Надійність, валідність, похибка вимірювання, responsiveness і інтерпретованість відповідають на різні запитання. Змішування цих понять створює хибне відчуття, що один коефіцієнт може повністю описати якість і сенс тестового результату. Надійність стосується відтворюваності або точності балів за відповідного дизайну. Вона може оцінюватися як внутрішня узгодженість, тест-ретест надійність, міжоцінювальна надійність, надійність паралельних форм та іншими способами. Високий коефіцієнт надійності ще не пояснює, що означає конкретний бал для конкретного рішення. Валідність стосується обґрунтованості інтерпретацій і використань балів. AERA/APA/NCME формулюють валідність як ступінь, до якого накопичені докази та теорія підтримують певну інтерпретацію балів для конкретного використання. Тому тест не є «валідним взагалі»: валідність стосується висновку, який ми робимо з балів у заданому контексті. Чутливість до змін (responsiveness) у термінології COSMIN — це здатність інструмента валідно виявляти зміну конструкта з часом. Це не те саме, що діагностична чутливість і не те саме, що мінімально важлива зміна. COSMIN Manual окремо підкреслює, що мінімально важлива зміна належить до інтерпретації зміни бала, а не є мірою responsiveness. Як інтерпретувати один психологічний бал Коректна інтерпретація одиничного бала складається з кількох послідовних кроків. Вони не перетворюють результат на діагноз; вони встановлюють, який зміст узагалі можна приписати отриманому числу. Перший крок — назвати конструкт і конкретну шкалу. Треба знати, що саме вимірюється: симптоми, риса, функціонування, навичка, здатність, ставлення, поведінкова тенденція чи інший конструкт. Якщо багатошкальний інструмент має кілька субшкал, загальний бал і бал субшкали не слід тлумачити як одне й те саме. Другий крок — визначити напрям шкали. У різних інструментах вищий бал може означати більшу вираженість проблеми, кращий рівень функціонування, більшу здатність або просто інше положення на латентному континуумі. Напрям ніколи не варто вгадувати з назви. Третій крок — встановити метрику: первинний це бал, стандартний показник, T-показник, z-показник, процентиль, стен, категорія або інша трансформація. Від цього залежить, яке порівняння має сенс. Четвертий крок — знайти доречну референтну рамку. Для нормативного тесту це може бути вікова чи інша нормативна група; для критеріального інструмента — поріг або діапазон, пов’язаний із визначеним критерієм; для інструмента вимірювання результатів — референтні значення, вихідний рівень і контекст спостереження. П’ятий крок — оцінити невизначеність. Одиничний спостережуваний бал не є абсолютно точним. Якщо доступна стандартна похибка вимірювання або інша оцінка точності, її слід включати до тлумачення, особливо коли рішення залежить від невеликої різниці. Шостий крок — перевірити, чи підтримує доказова база саме ту інтерпретацію, яку планується зробити. Наприклад, доказ того, що шкала розрізняє групи в дослідженні, не означає автоматично, що один бал може встановити діагноз конкретній людині. Похибка вимірювання: чому один бал має невизначеність Вимірювання завжди містить похибку. COSMIN визначає похибку вимірювання як систематичну й випадкову похибку індивідуального бала, яка не пов’язана зі справжньою зміною вимірюваного конструкта. Для безперервних шкал до параметрів похибки належать, зокрема, стандартна похибка вимірювання (standard error of measurement, SEM), найменша виявлювана зміна (smallest detectable change, SDC) і межі узгодженості (limits of agreement). SEM — стандартна похибка вимірювання, а не стандартна похибка середнього Стандартна похибка вимірювання (SEM) описує типову невизначеність індивідуального тестового бала в одиницях самої шкали. У глосарії NCME SEM визначена як стандартне відхилення спостережуваних балів людини за повторних еквівалентних вимірювань за однакових умов; на практиці її зазвичай оцінюють із групових даних. SEM не слід плутати зі стандартною похибкою середнього (standard error of the mean), яка характеризує невизначеність вибіркового середнього як оцінки параметра популяції. Обидві величини можуть скорочуватися як SE/SEM у різних текстах, але відповідають на різні запитання. Для інтерпретації індивідуального тестового бала потрібна саме вимірювальна невизначеність відповідної шкали. У практичному звіті інтервальна інтерпретація часто чесніша за надмірно точне твердження про одну цифру. Формула інтервалу залежить від моделі, метрики та припущень інструмента; не слід автоматично множити SEM на 1,96 без перевірки того, яку саме величину надає тестовий посібник і для якої мети вона розрахована. Як інтерпретувати зміну бала Якщо результат виміряно двічі, проста різниця X₂ − X₁ є спостережуваною зміною. Вона показує, наскільки змінився зареєстрований бал, але ще не відповідає на два окремі запитання: чи перевищує зміна очікувану похибку вимірювання і чи має ця зміна важливе значення. Це центральне розрізнення для інструмента вимірювання результатівment. У дослідженні Terwee та співавторів похибка вимірювання через SEM зіставляється з minimal important change (MIC), щоб оцінити, чи здатний інструмент відрізняти важливі зміни від шуму вимірювання. «Помітна для інструмента» і «важлива для людини» — різні характеристики. MDC/SDC: чи більша зміна за похибку MDC (minimal detectable change) і SDC (smallest detectable change) — терміни, якими в різних традиціях позначають поріг зміни, що має перевищити очікувану вимірювальну варіабельність за заданого рівня впевненості. У COSMIN частіше використовується SDC. Це поріг виявлюваності зміни, а не поріг її життєвої або клінічної важливості. За поширеної моделі з однаковою похибкою двох вимірювань 95% SDC для індивіда часто обчислюють як 1,96 × √2 × SEM. Проте конкретний розрахунок має відповідати дизайну дослідження, джерелам похибки, способу оцінювання SEM та рекомендаціям для конкретного інструмента. Якщо спостережувана зміна менша за SDC/MDC, дані не дають достатньої підстави впевнено відокремити її від вимірювальної похибки за відповідною моделлю. Якщо вона більша — це аргумент, що зміна перевищує очікуваний шум. Це ще не доводить, що зміна важлива для людини або змінює клінічне рішення. RCI: чи є зміна статистично надійною для конкретної людини Індекс надійної зміни (Reliable Change Index, RCI) у класичній роботі Jacobson і Truax створений для оцінювання того, чи може величина зміни індивіда бути пояснена ненадійністю вимірювання. У загальній формі RCI — це спостережувана зміна, поділена на стандартну похибку різниці. RCI відповідає на статистичне питання про надійність зміни за прийнятої моделі. Він не є автоматичним доказом клінічно значущого відновлення, особисто важливої зміни або досягнення функціональної мети. У початковій схемі Jacobson–Truax reliable change і clinical significance були двома окремими компонентами оцінки результату. MIC/MID: чи має зміна важливе значення Minimal important change (MIC) описує найменшу зміну всередині людини, яку в заданому контексті вважають важливою. Термін minimal important difference (MID) часто використовується в близькому значенні, але термінологія між дисциплінами та дослідженнями не цілком однакова. COSMIN рекомендує окремо збирати дані про MIC/MID як інформацію для інтерпретації зміни балаs. MIC/MID не є магічною сталою тесту. Оцінка може залежати від популяції, вихідної тяжкості, напряму зміни, часу спостереження, вибраного якірного критерію та способу обчислення. Devji та співавтори запропонували критерії довіри до оцінок MID, заснованих на якірному критерії, серед яких релевантність якірного критерію для людини, достатній зв’язок якірного критерію з інструментом вимірювання результатів, точність оцінки та обґрунтований вибір порогу. Тому MDC/SDC ≠ MIC/MID. Перше стосується здатності відокремити зміну від похибки; друге — важливості зміни. Ідеальна для моніторингу ситуація виникає тоді, коли інструмент здатний надійно виявити зміни меншого масштабу, ніж ті, які є важливими. Якщо похибка вимірювання більша за MIC, важлива для людини зміна може залишатися невідрізненою від шуму вимірювання. Чотири різні висновки про одну зміну Для однієї й тієї самої зміни бала можливі щонайменше чотири різні рівні висновку. Перший: бал змінився арифметично. Другий: зміна перевищила оцінену похибку вимірювання. Третій: зміна відповідає емпірично обґрунтованому порогу важливості. Четвертий: зміна має конкретне клінічне, функціональне або особисте значення з урахуванням цілей, контексту та інших даних. Перехід між цими рівнями потребує додаткових доказів. Наприклад, зменшення симптомного бала на 4 пункти може бути більшим за SDC, але меншим за MIC; тоді зміна, ймовірно, виходить за межі вимірювальної похибки, проте немає підстав називати її мінімально важливою за обраним критерієм. Інший результат може перевищити MIC, але якщо MIC менша за похибку конкретного інструмента, індивідуальна інтерпретація потребує особливої обережності. Статистична значущість не визначає важливість зміни У груповому дослідженні середня зміна може бути статистично значущою, навіть якщо вона мала за практичним змістом; і навпаки, важлива зміна може не досягти традиційного p-порогу в малому або неточному дослідженні. ASA statement on p-values прямо зазначає, що p-value або статистична значущість не вимірюють розмір ефекту чи важливість результату. Це означає, що p-value ≠ ймовірність істинності гіпотези, statistical significance ≠ clinical significance, а групова статистична значущість ≠ надійна зміна конкретної людини. Для інтерпретації потрібні величина ефекту, невизначеність, психометрична якість вимірювання, контекст і критерії важливості. Ефекти підлоги та стелі Ефект підлоги виникає, коли значна частина цільової групи накопичується біля мінімально можливого результату; ефект стелі — біля максимального. COSMIN розглядає частку респондентів із найнижчим або найвищим можливим балом як одну з характеристик, що допомагають інтерпретувати одиничні результати. Практична проблема полягає у втраті роздільної здатності. Якщо людина вже перебуває біля верхньої межі шкали, подальше реальне покращення може майже не змінювати бал; біля нижньої межі аналогічно може маскуватися погіршення. Тому ефекти підлоги та стелі здатні обмежувати інформативність зміни бала і порівняння людей у крайніх ділянках шкали. Старі психометричні критерії іноді використовували фіксовані відсоткові пороги для позначення проблем ефектів підлоги та стелі, зокрема у відомій роботі Terwee та співавторів 2007 року. Такі пороги є методичними конвенціями, а не універсальними природними межами. Сучасна інтерпретація має враховувати мету інструмента, розподіл цільової популяції, потрібну точність і наслідки втрати інформації. Порогові значення та категорії: коли поріг має зміст Cut score — це визначена точка на шкалі, за якою результати інтерпретують або використовують по-різному. NCME визначає cut score саме як операційний поріг для відмінного звітування, інтерпретації або дії. Сам факт існування порогу не робить його універсальною межею між «нормою» і «патологією». Порогове значення може бути створене через нормативний розподіл, експертну процедуру встановлення порогів, зв’язок із зовнішнім критерієм, ROC-аналіз, підхід на основі якірного критерію або іншу процедуру. Кожен метод відповідає конкретній меті й має власні джерела невизначеності. Поріг, оптимізований для скринінгу в одній популяції, не слід механічно переносити на іншу популяцію з іншою поширеністю стану чи іншими наслідками помилкових рішень. Для психічного здоров’я особливо важливо розрізняти скринінг, виявлення ймовірних випадків, оцінювання та діагностику. Скринінговий бал може вказувати на підвищену ймовірність або потребу в подальшому оцінюванні. Він не встановлює діагноз сам по собі. Діагностичне рішення спирається на визначені критерії, клінічну оцінку, контекст і, за потреби, інші джерела інформації. Чутливість, специфічність, PPV/NPV і AUC не замінюють клінічного змісту Коли поріг використовується для класифікації, sensitivity і specificity описують поведінку правила класифікації відносно певного критерію. Positive predictive value і negative predictive value відповідають на інші питання й залежать, серед іншого, від поширеності стану в популяції. Тому sensitivity/specificity ≠ PPV/NPV. ROC/AUC узагальнює здатність показника розрізняти групи відносно критерію в досліджуваному наборі даних, але AUC не повідомляє, чи є тест корисним у конкретному клінічному процесі, яка ціна хибнопозитивних і хибнонегативних рішень, чи доступне ефективне подальше оцінювання і чи підтримує доказова база саме запропоноване використання. ROC/AUC ≠ клінічна корисність. Культурна й мовна адаптація: переклад не створює валідованої версії Переклад тексту тесту — лише частина адаптації. International Test Commission Guidelines for Translating and Adapting Tests розрізняють переклад (translation) і ширший процес адаптації (adaptation), який включає аналіз конструкта, процедури перекладу, емпіричну перевірку еквівалентності, докази надійності й валідності, правила адміністрування, шкали балів, інтерпретацію і документацію. В Україні Всеукраїнська психодіагностична асоціація публікує перекладені керівництва ITC і окремо веде реєстр тестових методик. Наявність україномовного тексту опитувальника в інтернеті не є доказом того, що існує валідована українська адаптація, належні українські норми або законне право на відтворення матеріалів. Інтелектуальна власність, ліцензування і психометрична якість — різні осі. Інструмент може бути психометрично сильним, але захищеним авторським правом і вимагати ліцензії; легально доступний переклад може мати недостатню доказову базу; вільний для використання інструмент також потребує валідності, надійності та доречної інтерпретації. Інваріантність вимірювання, DIF і справедливість тестування Для порівняння груп мовна або культурна адаптація потребує емпіричних доказів еквівалентності. ITC рекомендує порівнювати бали між популяціями лише тоді, коли для шкали встановлено достатній рівень інваріантності/еквівалентності для такого порівняння. Інваріантність вимірювання допомагає перевірити, чи функціонує вимірювальна модель порівнювано в групах. Але інваріантність ≠ автоматичне доведення повної відсутності упередження або повної справедливості використання тесту. Справедливість тестування включає ширші питання доступності, наслідків, контексту, можливостей групи продемонструвати конструкт і обґрунтованості рішень. Диференційне функціонування завдань (DIF) показує, що окреме завдання функціонує по-різному для груп за однакового рівня вимірюваної характеристики. DIF є сигналом для змістовного й методологічного аналізу, а не автоматичним доказом несправедливості. Причина може бути конструктивно релевантною, артефактною або культурно зумовленою; потрібен подальший аналіз. Типові помилки інтерпретації «Високий бал означає діагноз». Бал має значення лише в межах валідованого використання. Скринінговий поріг не перетворює опитувальник на самодостатній діагностичний інструмент. «80-й процентиль означає 80% правильних відповідей». Процентильний ранг описує позицію відносно референтного розподілу, а не частку правильних відповідей і не відсоток «наявності» психологічної риси. «Якщо бал змінився, людина реально змінилася». Невелика різниця може лежати в межах похибку вимірювання. Для індивідуальної зміни потрібні дані про SEM, SDC/MDC або інша відповідна модель невизначеності. «Якщо зміна перевищила MDC, вона важлива». MDC/SDC стосується виявлюваності зміни понад похибку. Важливість оцінюється іншими критеріями, наприклад MIC/MID, функціональними результатами, цілями людини або клінічним контекстом. «RCI довів клінічне одужання». RCI оцінює статистичну надійність зміни за моделлю. У класичній схемі clinical significance потребує додаткового критерію й не зводиться до RCI. «Поріг 10 балів працює для всіх». Порогове значення залежить від версії інструмента, популяції, мети, референтного стандарту, базової частоти стану та наслідків класифікації. Універсалізація локального порогу створює помилкову точність. «Український переклад означає українську валідацію». Переклад і культурна адаптація — різні процеси. Валідована адаптація потребує документованих процедур і емпіричних доказів. «Ефект стелі означає, що тест поганий». Це властивість взаємодії інструмента з конкретною популяцією й ціллю. Та сама шкала може мати прийнятну роздільну здатність в одній групі та виражений ceiling effect в іншій. Практичний алгоритм: як надати зміст балу 1. Назвіть інструмент, версію і шкалу. Інтерпретація без точної версії небезпечна, оскільки різні версії можуть мати інший склад, діапазон, норми й пороги. 2. Визначте конструкт і призначення. Що вимірюється і для чого: опис, скринінг, відбір, моніторинг, вимірювання результатів, дослідження чи інше рішення? 3. Встановіть форму бала. Первинний, стандартизований, T-показник, z-показник, процентиль, стен або категорія потребують різних правил читання. 4. Перевірте напрям і діапазон. З’ясуйте, що означає вищий і нижчий бал, а також чи не перебуває результат поблизу меж шкали. 5. Знайдіть референтну рамку. Використовуйте норми або критерії для тієї популяції та мети, для яких вони створені. 6. Додайте невизначеність. Якщо рішення залежить від невеликої різниці, оцініть SEM, довірчий інтервал або інший рекомендований для інструмента показник точності. 7. Для повторного вимірювання відокремте три питання: чи є арифметична зміна, чи перевищує вона похибку вимірювання, чи є вона важливою. 8. Перевірте валідність саме вашого висновку. Дані про надійність або факторну структуру не замінюють доказів для конкретної інтерпретації та використання. 9. Врахуйте мову, культуру й популяцію. Переконайтеся, що версія інструмента має належну адаптацію, а порівняння груп психометрично обґрунтоване. 10. Не перетворюйте число на діагноз. Бал — одне джерело інформації всередині ширшого психологічного або клінічного оцінювання. Як читати зміну бала: коротка логіка Спочатку обчислюється або отримується зміна бала. Далі він порівнюється з оцінкою похибки: якщо зміна не перевищує відповідний SDC/MDC або не задовольняє критерію надійної зміни, її важко відокремити від вимірювального шуму. Після цього, окремо, зміна порівнюється з MIC/MID або іншими критеріями значущості для людини, функціонування чи рішення. Ця послідовність запобігає двом протилежним помилкам. Перша — називати будь-яку зміну бала «реальним покращенням». Друга — ігнорувати важливу для людини зміну лише тому, що груповий аналіз не дав малого p-value. Індивідуальна measurement uncertainty, практична важливість і статистичний груповий висновок — різні рівні аналізу. Гіпотетичний приклад без прив’язки до конкретного тесту Припустімо, шкала має діапазон 0–40, де вищий бал означає більшу вираженість симптомів. Людина отримала 24 бали на першому вимірюванні і 19 — на повторному. Спостережувана зміна становить −5 балів. Якщо для відповідної популяції та процедури SDC дорівнює 3 балам, зміна на 5 балів перевищує цей поріг і, за цією моделлю, навряд чи пояснюється лише похибкою вимірювання. Якщо MIC для тієї самої популяції й контексту дорівнює 7 балам, зміна ще не досягає порогу мінімально важливої зміни. Правильний висновок: зареєстрована зміна перевищує очікувану похибку, але не досягає обраного порогу важливості. Якщо при цьому 19 балів розташовані вище скринінгового порогового значення, це також не означає, що людина «має розлад». Потрібно знати призначення порогового значення, чутливість і специфічність, популяцію валідації та ширший клінічний контекст. Число може бути підставою для подальшої оцінки, але не автоматичним діагнозом. Що має бути в хорошому звіті про результат Звіт має дозволяти читачеві відтворити логіку інтерпретації. Корисно вказувати назву і версію інструмента, вимірюваний конструкт, дату й умови оцінювання, отриманий бал, тип шкали, референтну групу або критерій, релевантну невизначеність вимірювання, правила інтерпретації порогового значення, а для повторних вимірювань — спосіб визначення надійної та важливої зміни. Категоричні ярлики без числового контексту можуть приховувати невизначеність. Якщо, наприклад, людина розташована безпосередньо біля порогового значення, доцільно пояснити, що класифікація чутлива до похибки вимірювання і контексту, а не подавати межу як абсолютний природний розрив. Що це означає для психолога, дослідника і читача Для психолога інтерпретованість означає дисципліну висновку: повідомляти саме той зміст, який підтримується доказами для конкретної версії інструмента, популяції та мети. Результат тесту слід інтегрувати з іншими даними оцінювання, а не використовувати як автономний ярлик. Для дослідника інтерпретованість означає, що психометрична стаття має повідомляти не лише коефіцієнти надійності й дані про валідність, а й інформацію, яка допомагає зрозуміти бали шкали у практиці: розподіли, референтні значення, похибку вимірювання, ефекти підлоги та стелі, обґрунтовані порогові значення і інтерпретацію змін. Для читача або учасника тестування найкорисніше питання звучить так: «На підставі яких норм, похибки, порогів і доказів цей бал отримав саме таке словесне значення?» Якщо на це немає відповіді, інтерпретація є слабшою за саму цифру. Часті запитання Що таке інтерпретованість психологічного бала? Це ступінь, до якого кількісному результату можна надати зрозумілий зміст у конкретному контексті. Для одного бала це можуть бути норми, референтні значення, категорії або пороги; для зміни — похибку вимірювання, SDC/MDC, RCI, MIC/MID та інші критерії. Чи означає високий бал, що проблема серйозна? Лише якщо для конкретної шкали вищі значення дійсно означають більшу вираженість проблеми і така інтерпретація обґрунтована для відповідної популяції та використання. В інших інструментах високий бал може означати краще функціонування або іншу характеристику. Чи можна інтерпретувати бал без норм? Так, якщо інструмент має іншу обґрунтовану референтну рамку, наприклад criterion-referenced interpretation або валідовані клінічні/функціональні пороги. Але без норм не можна робити нормативне твердження на кшталт «вище, ніж у 80% популяції». Чим процентиль відрізняється від відсотка правильних відповідей? Процентильний ранг описує позицію результату в розподілі референтної групи. Відсоток правильних відповідей описує частку правильно виконаних завдань. Це різні величини. Чим SEM відрізняється від стандартної похибки середнього? SEM у психометричному контексті — стандартна похибка вимірювання (standard error of measurement), оцінка невизначеності індивідуального бала. Стандартна похибка середнього (standard error of the mean) характеризує невизначеність вибіркового середнього. Вони не взаємозамінні. Чим MDC/SDC відрізняється від MIC/MID? MDC/SDC показує, який розмір зміни потрібен, щоб вийти за межі очікуваної похибку вимірювання за певною моделлю. MIC/MID стосується мінімальної зміни або різниці, яку вважають важливою. Виявлюваність і важливість — різні властивості. Чи є RCI показником клінічно важливої зміни? RCI оцінює статистичну надійність індивідуальної зміни відносно похибку вимірювання. Клінічна або особиста важливість потребує окремого критерію. Чи є порогове значення межею між «здоровий» і «хворий»? Не обов’язково. Порогове значення є правилом класифікації, створеним для конкретної мети й популяції. У скринінгу він часто позначає рівень, за якого доцільне подальше оцінювання, а не остаточний діагноз. Що означають ефекти підлоги та стелі? Це накопичення результатів біля мінімуму або максимуму шкали. Воно може зменшувати здатність інструмента розрізняти людей або виявляти подальші зміни в цій ділянці. Чи можна використовувати український переклад іноземного тесту? Для професійної інтерпретації потрібні не лише перекладені слова, а документована культурна адаптація, належні психометричні докази для української версії, доречні норми або критерії та законні умови використання. Чи достатньо одного психологічного тесту для діагнозу? Один бал, симптом або результат скринінгу не є самодостатньою підставою для діагнозу. Діагностичне оцінювання враховує критерії розладу, клінічний контекст, функціонування, диференційну оцінку та інші релевантні дані. Пов’язані статті Психологічна оцінка й оцінювання: що це, як проходить і чим відрізняється від тестування Рейтингова шкала: що це, як працює та чим відрізняється від ранжування Сирий і стандартизований бал: як результат тесту перетворюють на показник, який можна порівнювати з нормами — про перехід від первинного результату до стандартної шкали, z-, T-балів і нормативного порівняння. Джерела American Educational Research Association, American Psychological Association & National Council on Measurement in Education. Standards for Educational and Psychological Testing (2014). American Psychological Association. (2020). Guidelines for Psychological Assessment and Evaluation. Devji, T., et al. (2020). Evaluating the credibility of anchor based estimates of minimal important differences for patient reported outcomes. BMJ, 369, m1714. International Test Commission. (2017). ITC Guidelines for Translating and Adapting Tests (Second Edition). Jacobson, N. S., & Truax, P. (1991). Clinical significance: A statistical approach to defining meaningful change in psychotherapy research. Journal of Consulting and Clinical Psychology, 59(1), 12–19. Mokkink, L. B., et al. (2010). The COSMIN study reached international consensus on taxonomy, terminology, and definitions of measurement properties for health-related patient-reported outcomes. Journal of Clinical Epidemiology, 63(7), 737–745. Mokkink, L. B., Elsman, E., & Terwee, C. B. (2024). COSMIN Manual for Systematic Reviews of PROMs, Version 2.0. National Council on Measurement in Education. NCME Assessment Glossary. Terwee, C. B., et al. (2007). Quality criteria were proposed for measurement properties of health status questionnaires. Journal of Clinical Epidemiology, 60(1), 34–42. Terwee, C. B., et al. (2009). Linking measurement error to minimal important change of patient-reported outcomes. Journal of Clinical Epidemiology, 62(10), 1062–1067. Wasserstein, R. L., & Lazar, N. A. (2016). The ASA Statement on p-Values: Context, Process, and Purpose. The American Statistician, 70(2), 129–133. Всеукраїнська психодіагностична асоціація. Єдині психодіагностичні стандарти та українські переклади керівництв International Test Commission.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Інваріантність вимірювання, або вимірювальна інваріантність (measurement invariance), відповідає на практичне запитання: чи означає один і той самий тестовий бал або один і той самий рівень латентного психологічного конструкта те саме для різних груп людей і в різні моменти часу. Якщо спосіб вимірювання змінюється разом із мовою, культурою, віком, статтю, контекстом або самим перебігом дослідження, видима різниця між балами може частково відображати зміну роботи інструмента, а не зміну самого конструкта. У сучасній психометрії перевірка інваріантності є одним із головних способів відокремити ці два джерела відмінностей. У найпоширенішій факторно-аналітичній рамці перевіряють, чи зберігаються між групами або хвилями вимірювання структура факторів, факторні навантаження, інтерсепти або пороги відповідей і, за потреби, залишкові дисперсії. Цю логіку систематизують класична психометрична література та сучасні огляди Meredith (1993), Vandenberg і Lance (2000) та Putnick і Bornstein (2016). Ключове правило: інваріантність вимірювання не є доказом того, що групи однакові. Навпаки, вона потрібна саме для того, щоб змістовні групові або часові відмінності можна було відрізнити від відмінностей у роботі вимірювальної моделі. Люди з різних груп можуть мати різні середні рівні тривоги, добробуту чи іншого конструкта, але якщо інструмент функціонує еквівалентно, ці відмінності отримують значно яснішу психометричну інтерпретацію. Що таке інваріантність вимірювання Інваріантність вимірювання — це ступінь, до якого вимірювальна модель зберігає релевантні параметри незмінними в тих групах, контекстах або моментах часу, які дослідник хоче порівнювати. У формулюванні COSMIN люди з різних груп, які мають однаковий рівень латентної ознаки, мають отримувати однакові очікувані бали або однакові ймовірності вибору відповідної категорії відповіді. Це визначення добре показує суть: порівнюють не сирі групові середні самі по собі, а зв’язок між прихованим конструктом і його спостережуваними індикаторами. Наприклад, опитувальник депресивної симптоматики може містити твердження про сон, енергію, провину та втрату інтересу. Якщо за однакового латентного рівня депресивної симптоматики певний пункт систематично отримує вищі відповіді в одній мовній групі, ніж в іншій, це вказує, що принаймні частина вимірювальної моделі працює по-різному. Причиною може бути переклад, культурна семантика, різні патерни відповіді, контекст застосування або реальна відмінність у тому, як конструкт проявляється. Тому інваріантність — це властивість не «тесту назавжди», а конкретного вимірювання в конкретному порівнянні. Інструмент може демонструвати достатню інваріантність між двома віковими групами й водночас не демонструвати її між мовними версіями; може бути стабільним у короткому test-retest дизайні й змінювати вимірювальну модель після інтенсивного втручання. Докази завжди прив’язані до популяції, контексту, моделі та мети використання. Чому без інваріантності порівняння може бути хибним Коли дослідник порівнює середні бали двох груп, він часто неявно припускає, що шкала має одну й ту саму одиницю та один і той самий нуль в обох групах. Якщо ця передумова порушена, різниця в середніх може складатися з двох компонентів: реальної відмінності конструкта та відмінності функціонування інструмента. Звичайний t-тест або ANOVA на сумарних балах сам по собі не відокремлює ці компоненти. Те саме стосується змін у часі. Якщо після психотерапії, навчання, травматичної події або вікового переходу люди починають інакше розуміти окремі пункти, змінюється не лише рівень конструкта, а й спосіб його вимірювання. У поздовжніх моделях ця проблема є принциповою: Widaman, Ferrer і Conger (2010) показують, чому перевірка факторної інваріантності потрібна, щоб інтерпретувати зміни латентного конструкта в часі. Це не означає, що будь-яке відхилення від повної інваріантності робить дані марними. Сучасна методологія розглядає неінваріантність як інформацію, яку слід локалізувати, пояснити і включити в аналіз. Sterner, Pargent і Goretzko (2026) наголошують, що в деяких поздовжніх або інтервенційних сценаріях зміна вимірювальної моделі може бути теоретично очікуваною й сама по собі становити змістовний результат. Від конструкта до балу: де саме виникає проблема Психологічний конструкт — тривога, екстраверсія, самоконтроль, добробут, когнітивна здатність — часто є латентною змінною: його не спостерігають безпосередньо. Спостерігають відповіді на пункти, поведінкові показники або результати завдань. Детально це розрізнення пояснює стаття «Латентні й спостережувані змінні». У факторній моделі кожен індикатор пов’язаний із латентним фактором. Факторне навантаження описує, наскільки сильно індикатор змінюється разом із фактором; інтерсепт для неперервного індикатора задає очікуваний рівень індикатора за визначеного нульового рівня фактора; для порядкових відповідей ключову роль відіграють пороги, які визначають переходи між категоріями. Залишкова дисперсія відображає варіацію індикатора, не пояснену фактором у цій моделі. Якщо ці параметри систематично відрізняються між групами, одна й та сама латентна ознака може породжувати різні спостережувані відповіді. Саме тому порівняння сирих балів не можна автоматично вважати порівнянням самого конструкта. Інваріантність створює модельну основу для того, щоб говорити, які саме порівняння підтримуються даними. Основні рівні інваріантності Найпоширеніша процедура в багатогруповому конфірматорному факторному аналізі (multi-group CFA, MGCFA) є послідовною. Дослідник починає з менш обмеженої моделі й крок за кроком додає рівності параметрів між групами. У літературі назви рівнів можуть трохи відрізнятися, але базова послідовність «конфігуральна → метрична → скалярна → строга» залишається стандартною рамкою Putnick і Bornstein (2016). Конфігуральна інваріантність Конфігуральна інваріантність означає, що в порівнюваних групах підтримується однакова базова факторна конфігурація: ті самі індикатори пов’язані з тими самими факторами, а загальна структура моделі є зіставною. Параметри при цьому ще не зобов’язані мати однакові числові значення. Це найнижчий рівень у типовій ієрархії. Він відповідає на питання, чи взагалі має сенс говорити про подібну конструкцію вимірювання. Конфігуральна інваріантність сама по собі не надає достатньої підстави порівнювати середні бали або латентні середні. Вона показує спільну форму моделі, але ще не спільну одиницю вимірювання. Метрична, або слабка, інваріантність Метрична інваріантність додає рівність факторних навантажень між групами. Якщо однакове збільшення латентного конструкта пов’язане з однаковою зміною індикаторів, фактор отримує порівнювану одиницю вимірювання. Це важливо для порівняння зв’язків латентного конструкта з іншими змінними, факторних коваріацій і регресійних відношень за умови, що решта структурних припущень також виконана. Метрична інваріантність не встановлює спільного початку шкали. Тому висновок «метрична інваріантність підтверджена — можна порівнювати середні» є типовою помилкою. Для порівняння латентних середніх у стандартній неперервній CFA зазвичай переходять до скалярного рівня. Скалярна, або сильна, інваріантність Скалярна інваріантність для неперервних індикаторів зазвичай означає рівність факторних навантажень та інтерсептів. Якщо навантаження задають спільну одиницю, то рівні інтерсепти створюють спільну точку відліку. Саме цей рівень у стандартній MGCFA зазвичай розглядають як модельну основу для порівняння латентних середніх між групами. Скалярна інваріантність не означає, що середні самі по собі мають бути однаковими. Навпаки, після встановлення достатньої скалярної інваріантності групові відмінності латентних середніх можуть бути предметом змістовного аналізу. Рівність параметрів вимірювання і рівність рівнів конструкта — різні гіпотези. Строга, або залишкова, інваріантність Строга інваріантність додатково накладає рівність залишкових дисперсій індикаторів. Вона означає сильнішу еквівалентність: не лише зв’язок індикаторів із фактором і їхня точка відліку, а й частина варіативності, не пояснена фактором, є зіставною. Такий рівень особливо корисний, коли інтерпретація стосується спостережуваних балів, похибок або дуже сильних тверджень про еквівалентність вимірювання. Строга інваріантність не є універсальною передумовою кожного порівняння латентних середніх. У прикладній психології часто достатньою ціллю для латентних середніх вважають скалярну інваріантність, тоді як строгий рівень дає додаткові гарантії. Потрібний рівень визначається конкретним мета висновку — тим, що саме дослідник хоче порівнювати. Порядкові категорії: пороги замість простого копіювання неперервної схеми Лайкертівські пункти з кількома впорядкованими категоріями часто моделюють як порядкові, а не неперервні змінні. У такій моделі замість звичайних інтерсептів центральну роль відіграють пороги між категоріями відповіді. Тому «скалярний» етап для CFA для порядкових даних не можна механічно описувати лише як рівність інтерсептів: конкретні обмеження залежать від параметризації, оцінювача та програмного забезпечення. Сучасні рекомендації COSMIN вимагають прозоро повідомляти, які саме параметри були обмежені, який тип даних і оцінювач використано та які критерії застосовано. Назва рівня без опису моделі недостатня для відтворюваної психометричної інтерпретації. Що можна порівнювати на різних рівнях Практичний сенс ієрархії полягає не в отриманні ярлика «тест інваріантний», а в межах допустимої інтерпретації. Конфігуральна інваріантність підтримує твердження про подібну факторну організацію. Метрична додає підстави порівнювати одиницю латентної шкали й певні зв’язки конструкта з іншими змінними. Скалярна додає спільну точку відліку та, за коректної моделі, відкриває можливість порівняння латентних середніх. Строга посилює еквівалентність на рівні залишкової варіації. Ця логіка не є дозволом автоматично порівнювати будь-які сумарні бали. Сума пунктів — спостережуваний показник, а MGCFA формулює твердження про латентну модель. Чим сильніше практичне рішення прив’язане до абсолютного бала, порогу або індивідуальної класифікації, тим важливіше окремо перевіряти надійність, похибку вимірювання, валідність інтерпретації, норми та справедливість. Загальна картина психометричної якості викладена у статті «Психометрія». Інваріантність є одним елементом доказової системи, а не заміною надійності, валідності чи належного дизайну дослідження. Як перевіряють інваріантність у MGCFA 1. Спочатку перевіряють саму вимірювальну модель Інваріантність не рятує погано специфіковану модель. Спочатку потрібна теоретично осмислена й емпірично прийнятна факторна структура. Якщо модель погано описує дані вже в окремих групах, подальше накладання рівностей лише маскує базову проблему. Доцільно перевірити структуру, проблемні пункти, розподіли, пропущені дані, категорії відповідей і відповідність оцінювача типу даних. 2. Визначають групи або часові точки до аналізу Групування повинно випливати з дослідницького питання та призначене використання. Перевіряти інваріантність «за всім, що є в таблиці» без теоретичної мети створює множинність тестів і підвищує ризик випадкових знахідок. Водночас не слід ігнорувати групи, для яких реально плануються порівняння або рішення: мовні версії, країни, вікові категорії, клінічні й неклінічні вибірки, стать/гендер у релевантному контексті, або повторні хвилі. 3. Оцінюють конфігуральну модель У конфігуральній моделі підтримується спільна схема факторів, але більшість параметрів оцінюється окремо для груп. Дослідник перевіряє, чи модель має прийнятний глобальний і локальний fit, чи немає очевидної неправильної специфікації та чи одна й та сама факторна логіка взагалі правдоподібна. 4. Послідовно додають обмеження Далі параметри прирівнюють у заздалегідь визначеній послідовності: навантаження, потім інтерсепти або пороги, далі — за потреби — залишкові дисперсії. Після кожного кроку оцінюють, наскільки погіршується відповідність моделі даним і де саме виникає неінваріантність. Така послідовність історично сформувалася в літературі про факторну інваріантність Meredith (1993) та Vandenberg і Lance (2000). 5. Дивляться не на один індекс fit χ²-тест різниці моделей може бути корисним, але він чутливий до обсягу вибірки й інших умов. Тому дослідники часто доповнюють його змінами CFI, RMSEA, SRMR та іншими показниками, розглядають локальні параметри й модифікаційні індекси. Chen (2007) за допомогою симуляцій досліджувала чутливість індексів до порушень інваріантності та запропонувала широко цитовані орієнтири. Однак ΔCFI≈0,01 чи ΔRMSEA≈0,015 не є природними законами психометрії. Це евристики, отримані за певних симуляційних умов; їхня поведінка залежить від розміру вибірки, кількості груп, складності моделі, сили навантажень, типу порушення та оцінювача. Рішення має спиратися на сукупність глобального fit, зміни fit, локальної діагностики, величини неінваріантності та змістовної теорії. 6. Описують точну модель, а не лише фінальний ярлик Звіт «скалярна інваріантність підтверджена» без деталей слабко відтворюваний. Потрібно повідомити групи й розміри вибірок, модель, тип індикаторів, оцінювач, спосіб роботи з пропущеними даними, ідентифікацію, послідовність обмежень, індекси fit, критерії рішення, звільнені параметри та будь-які зумовлені даними модифікації. Саме такого рівня прозорості вимагають сучасні методологічні рамки COSMIN і tutorial Luong і Flake (2023). Часткова інваріантність: коли не всі параметри однакові У реальних даних повна рівність кожного навантаження чи інтерсепта часто виявляється надто жорсткою. Концепція partial measurement invariance дозволяє залишити більшість необхідних обмежень, але звільнити окремі параметри, для яких є переконливі статистичні та змістовні підстави. Класичний методологічний виклад цього підходу дали Byrne, Shavelson і Muthén (1989). Часткова інваріантність не означає «прибрати стільки обмежень, поки fit стане красивим». Кожне звільнення параметра змінює припущення про те, що саме є порівнюваним. Потрібно показати, який пункт або параметр неінваріантний, наскільки велика відмінність, чи має вона теоретичне пояснення та чи змінює змістовний висновок. Бажано проводити аналіз чутливості: чи зберігається висновок за різних правдоподібних специфікацій. Особливо небезпечна практика — модифікувати модель до потрібного результату й потім подавати її як первинно заплановану. Якщо часткова інваріантність отримана після exploratory diagnostics, це треба прямо зазначити. Відтворюваність сильніша за декоративний статус «повної інваріантності». Наближена інваріантність та alignment для багатьох груп Коли порівнюють багато країн, мовних груп або великий набір хвиль, вимога точної рівності кожного параметра може ставати малореалістичною. Однією з альтернатив є alignment optimization, що оцінює групові факторні середні та дисперсії, допускаючи певну неінваріантність параметрів без стандартної послідовності жорстких рівностей. Метод запропонували Asparouhov і Muthén (2014). Alignment не скасовує проблему вимірювання й не є автоматично кращим за MGCFA. Він змінює модельні припущення та спосіб оцінювання неінваріантності. Для прозорого використання потрібно пояснити, чому обрано цей метод, як оцінено частку та локалізацію неінваріантних параметрів і наскільки стабільні групові висновки. Огляд і практичне планування CFA та alignment подають Luong і Flake (2023). Інваріантність у часі: чи вимірює шкала той самий конструкт через місяць або рік Поздовжня інваріантність вимірювання (longitudinal measurement invariance) перевіряє еквівалентність вимірювальної моделі між повторними вимірюваннями. Її логіка принципово відрізняється від тест-ретестова надійність. Тест-ретестова надійність запитує, наскільки стабільно впорядковуються люди або наскільки узгоджені результати при повторенні; інваріантність запитує, чи зберігся сам механізм зв’язку між латентним конструктом та індикаторами. Висока кореляція між двома хвилями не доводить інваріантності. Для оцінки реальної зміни важливо відокремлювати її від похибки вимірювання та від зміни вимірювальної моделі. Людина може реально змінитися, інструмент може мати випадкову похибку, а значення пунктів або спосіб відповіді може змінитися з часом — це три різні процеси. У класичному поздовжньому підході сильніші рівні факторної інваріантності забезпечують основу для інтерпретації латентної зміни Widaman, Ferrer і Conger (2010). Водночас сучасна причинно-теоретична перспектива нагадує, що після втручання або в процесі розвитку неінваріантність може бути змістовною. Якщо психотерапія змінює не лише тяжкість симптомів, а й спосіб, у який людина розпізнає та описує їх, зміна параметрів може бути частиною ефекту, а не просто «поломкою тесту» Sterner, Pargent і Goretzko (2026). Міжгрупова інваріантність: мова, культура, вік, стать і контекст Міжгрупова інваріантність може перевірятися за мовою, країною, культурним контекстом, віком, статтю/гендером, освітою, клінічним статусом, способом адміністрування або іншою змінною, якщо саме між цими групами планується порівняння. Важливо не перетворювати групову ознаку на пояснення: знайдена неінваріантність говорить, що параметр відрізняється, але причина цієї відмінності потребує окремого аналізу. Можливі джерела включають різну семантику перекладу, культурну релевантність змісту, стилі відповіді, неоднакове знайомство з форматом тесту, різні умови проведення, нерівну доступність, вікові зміни проявів конструкта, відмінності у складі вибірок або справжню зміну взаємозв’язку між конструктом та індикатором. Статистичний тест інваріантності локалізує проблему; він не встановлює її причину. Українська адаптація: переклад не дорівнює психометричній еквівалентності Наявність українського перекладу шкали не є доказом валідованої української адаптації. International Test Commission розглядає адаптацію як багатоступеневий процес: від дозволу й аналізу конструкта та культурної релевантності до перекладу, перевірки, пілотування, емпіричного підтвердження еквівалентності, шкалювання та документування. Measurement invariance може бути важливою частиною емпіричного підтвердження, але не замінює весь процес. Навіть якщо українська та оригінальна версії демонструють прийнятну інваріантність, окремо залишаються питання змістової валідності, надійності, похибки, норм, інтерпретованості, цільова популяція та призначене використання. Так само відсутність повної інваріантності не доводить, що переклад «поганий»: потрібно визначити, які саме пункти чи параметри відрізняються і чому. Українська психологічна література вже містить приклади такого аналізу. Олефір, Боснюк і Малофейкіна (2021) під час валідизації української версії SPANE перевіряли її факторну структуру та інваріантність за віком і статтю. Це хороший приклад того, як твердження про українську версію має спиратися на прямі дані саме української вибірки, а не на психометричні коефіцієнти іншомовного оригіналу. У ширшому українському контексті Савельєв і Тишкевич (2026) застосували багатогруповий CFA для перевірки інваріантності в дослідженні соціальних змін в українському суспільстві за кількома часовими зрізами. Приклад показує, що ця методологія потрібна не лише для перекладів тестів, а й для будь-яких порівнянь, де висновок про зміну залежить від стабільності вимірювання. Інваріантність, DIF і справедливість тестування — це різні поняття Measurement invariance і differential item functioning (DIF) споріднені, але не тотожні. Факторна інваріантність зазвичай оцінює параметри багатопунктової латентної моделі між групами. DIF перевіряє, чи має конкретний пункт різну ймовірність відповіді або різні item parameters у групах за однакового рівня вимірюваної ознаки. Ці підходи можуть доповнювати один одного; COSMIN окремо описує MGCFA та IRT/regression DIF як способи вивчення cross-cultural validity/measurement invariance. DIF не дорівнює автоматичному доказу несправедливості. Офіційний матеріал National Center for Education Statistics прямо розрізняє DIF і bias: статистичний сигнал потребує змістовного аналізу, чи пов’язана відмінність із нерелевантною до конструкта груповою характеристикою. Пункт може демонструвати DIF з причини, яка є частиною самого цільовий конструкт, або через справді нерелевантний бар’єр — ці ситуації мають різне значення. Так само інваріантність не дорівнює автоматичній відсутності bias. Справедливість тестування значно ширша. AERA/APA/NCME Standards охоплюють валідність інтерпретацій для всіх цільові групи тестованих осіб, рівне ставлення під час тестування, доступність, мінімізацію construct-irrelevant variance, належні accommodations і запобігання некоректним висновкам. Статистична інваріантність є одним доказом усередині цієї системи. Інваріантність не дорівнює валідності Можна отримати красиву інваріантну факторну модель для шкали, яка систематично вимірює не той конструкт, який заявлено. Інваріантність відповідає на питання про еквівалентність вимірювальної функції між групами або часом; валідність — на ширше питання, наскільки теорія й докази підтримують конкретну інтерпретацію та використання балів. Ці питання перетинаються, але не замінюють одне одного. Так само висока надійність не доводить інваріантності. Шкала може бути внутрішньо узгодженою в кожній групі й водночас мати різні навантаження або інтерсепти. Надійність, валідність, похибка, інваріантність і fairness повинні розглядатися як різні компоненти доказової аргументації. Що робити, якщо інваріантність не підтверджена Перший крок — не оголошувати тест «невалідним» і не переходити одразу до видалення пунктів. Потрібно локалізувати порушення: які навантаження, інтерсепти, пороги або залишкові параметри відрізняються; у яких групах; якою є величина відмінності; чи стабільний результат за альтернативної правдоподібної специфікації. Другий крок — шукати змістовне пояснення. Чи є пункт мовно неоднозначним? Чи описує досвід, менш доступний одній групі? Чи змінилася культурна норма? Чи працює стиль відповіді? Чи відрізнялася процедура адміністрування? Чи відбувся реальний developmental shift або зсув відповіді (response shift) після втручання? Без такого аналізу статистичний параметр мало говорить про механізм. Третій крок — обрати модельну відповідь: часткова інваріантність; окреме моделювання DIF; alignment або інший наближений підхід для багатьох груп; перегляд пункту; нова адаптація; окремі норми; відмова від певного типу порівняння; або аналіз чутливості. Рішення залежить від призначене використання та того, наскільки неінваріантність змінює змістовний висновок. Четвертий крок — прозоро обмежити висновок. Якщо метрична інваріантність підтримується, а скалярна — ні, можна мати підстави для частини порівнянь зв’язків, але не для простого твердження про різницю латентних середніх. Якщо інваріантність підтримується лише в частині груп, це треба прямо відобразити в результатах, а не усереднювати проблему в один загальний статус. Типові причини неінваріантності Мовна причина: формально точний переклад змінює прагматику або інтенсивність формулювання. Наприклад, слова «часто», «майже завжди», «турбує» чи «виснажує» можуть мати різні повсякденні межі в різних мовних спільнотах. Культурна причина: одна поведінка може бути різною мірою нормативною, доступною або соціально бажаною. Пункт тоді не просто перекладається іншою мовою, а входить в іншу мережу практик і очікувань. Розвиткова причина: одна латентна риса може проявлятися по-різному в дитинстві, підлітковому та дорослому віці. Формально однакові пункти можуть змінювати свою діагностичну або факторну роль. Методична причина: різні режими адміністрування, онлайн проти паперу, різний порядок пунктів, наявність інтерв’юера, зміна інструкції, адаптивне тестування або технічні бар’єри можуть створювати construct-irrelevant differences. Психологічна причина: стилі відповіді, соціальна бажаність, схильність погоджуватися, уникати крайніх категорій або по-різному використовувати шкалу відповідей можуть впливати на параметри без зміни цільового конструкта. Теоретична причина: конструкт справді може мати різну структуру або прояв у різних групах. У такому разі неінваріантність є результатом про психологію, а не технічною перешкодою, яку треба будь-якою ціною усунути. Як планувати дослідження інваріантності До збору даних визначте, які порівняння є центральними: середні між країнами, зміна до/після втручання, вікові відмінності, стабільність української адаптації чи інша мета. Рівень інваріантності, який має практичне значення, випливає саме з цього питання. Заздалегідь опишіть вимірювальну модель та тип індикаторів. Для порядкових пунктів визначте належний метод оцінювання і параметризацію. Якщо є підстави очікувати локальну неінваріантність, сформулюйте, як вона буде діагностуватися та які sensitivity analyses будуть проведені. Плануйте достатню інформацію в кожній групі, але не використовуйте магічне універсальне «n = 200». Необхідний обсяг вибірки залежить від кількості факторів та індикаторів, сили навантажень, кількості категорій, розподілів, пропущених даних, числа груп, оцінювача і розміру порушень, які потрібно виявити. Обґрунтування статистичної потужності й точності має бути прив’язане до конкретної моделі. У протоколі або пререєстрації зафіксуйте послідовність моделей, основні критерії fit, допоміжні критерії рішення, роботу з множинністю та правила для дослідницьких модифікацій. Це зменшує ризик того, що інваріантність буде «досягнута» через безконтрольне підлаштування. Після аналізу повідомте не лише остаточний рівень, а й параметри, що порушили рівність, величину відмінностей і вплив на кінцеві висновки. Luong і Flake (2023) особливо наголошують на прозорому плануванні та звітуванні, оскільки різні аналітичні рішення можуть вести до різних висновків про інваріантність. Приклад: порівняння тривоги між двома мовними групами Уявімо шкалу тривоги з десяти пунктів, яку заповнюють україномовна та англомовна групи. Конфігуральна модель підтримує один фактор в обох групах. Це показує подібну структуру, але не дає права одразу порівнювати середні. Якщо факторні навантаження можна прирівняти без суттєвого погіршення моделі, метричний рівень підтримує спільну одиницю латентного фактора. Якщо далі підтримується рівність релевантних інтерсептів або порогів, з’являється підстава для порівняння латентних середніх за цією моделлю. Якщо один пункт про «внутрішнє тремтіння» має інший інтерсепт, дослідник не повинен автоматично видаляти його. Спершу треба перевірити переклад, семантику, локальний розмір ефекту, DIF та вплив на групову різницю. Якщо решта ключових параметрів інваріантні, часткова скалярна модель може бути обґрунтованою; якщо неінваріантність поширена, твердження про різницю середніх потребує значно більшої обережності або іншої моделі. Приклад: зміна симптомів до і після лікування Припустімо, шкалу симптомів заповнюють до психотерапії та після неї. Сумарний бал знизився. Це ще не доводить, що зниження повністю відображає зміну цільового конструкта: частина різниці може бути похибкою, регресія до середнього, зміною способу відповіді або зміною значення окремих симптомів. Поздовжня інваріантність перевіряє, чи ті самі індикатори мають зіставний зв’язок із латентним фактором у двох хвилях. Якщо скалярна/порогова інваріантність достатня, інтерпретація латентної зміни стає сильнішою. Якщо параметри змінюються, потрібно визначити, чи це методична проблема, зсув відповіді (response shift) або змістовний наслідок втручання. У клінічному контексті measurement invariance не замінює аналіз надійної або клінічно важливої зміни. Статистично порівнюваний латентний конструкт, зміна, що перевищує похибку, і зміна, яка є клінічно чи особисто важливою, — три різні питання. Клінічні та YMYL-обмеження Інваріантність не перетворює скринінговий бал на діагноз. Навіть добре інваріантна шкала може бути створена для скринінгу або моніторингу, а не для встановлення розладу. Клінічний діагноз залежить від діагностичних критеріїв, анамнезу, функціонування, диференційної оцінки та інших джерел інформації. Загальні правила використання тестів і меж результату пояснює стаття «Психологічне тестування». Порогове значення також не стає універсальною межею «розлад є / розладу немає» лише через підтверджену інваріантність. Для порогових рішень потрібні окремі докази діагностичної точності, цільова популяція, поширеності та базової частоти, наслідків помилкових позитивних і негативних результатів та клінічної корисності. Якщо шкала не має валідованої української адаптації, не можна переносити на українського користувача норми, порогове значення або інтерпретаційні правила лише тому, що текст перекладено. Інваріантність між відповідними групами може бути частиною доказів, але не замінює українські психометричні дані. Типові помилки інтерпретації Помилка 1. «Групи мають однакові середні, отже вимірювання інваріантне». Рівність середніх нічого не доводить про рівність навантажень, інтерсептів, порогів чи залишкових параметрів. Помилка 2. «Групи мають різні середні, отже тест упереджений». Реальна психологічна відмінність між групами сумісна з повною інваріантністю. Bias потребує окремого доказу. Помилка 3. «Метрична інваріантність підтверджена, тому порівнюємо середні». Для стандартного порівняння латентних середніх потрібна достатня скалярна або відповідна порогова інваріантність. Помилка 4. «ΔCFI менше 0,01 — питання закрите». Порогові орієнтири є евристичними; їх потрібно читати разом з іншими індексами, локальними параметрами, розміри ефектів і теорією. Помилка 5. «Неінваріантний пункт треба видалити». Спочатку потрібно зрозуміти джерело відмінності та наслідки для призначене використання. Іноді пункт містить важливу теоретичну інформацію. Помилка 6. «Partial invariance означає, що можна звільняти параметри до прийнятного fit». Часткова інваріантність потребує обґрунтованих локальних рішень і прозорого звітування. Помилка 7. «Інваріантність доводить fairness». Fairness включає значно більше: доступність, умови тестування, конструктивно нерелевантні бар’єри, валідність використання та наслідки. Помилка 8. «DIF автоматично доводить несправедливість». DIF є статистичним сигналом диференційного функціонування пункту; висновок про несправедливості потребує змістовного судження про релевантність джерела відмінності. Помилка 9. «Український переклад = українська валідована версія». Переклад є етапом адаптації, а не доказом психометричної еквівалентності. Помилка 10. «Інваріантність — це характеристика тесту раз і назавжди». Вона завжди стосується певних груп, моментів часу, контекстів, моделей та мета висновкуs. Короткий алгоритм для дослідника 1. Сформулюйте, що саме ви хочете порівнювати: структуру, зв’язки, латентні середні, спостережувані бали або зміну в часі. 2. Визначте релевантні групи або часові точки та обґрунтуйте, чому вони входять у порівняння. 3. Перевірте теоретично обґрунтовану вимірювальну модель і відповідність метод оцінювання типу даних. 4. Проведіть послідовні тести конфігуральної, метричної, скалярної/порогової та, якщо потрібно, строгої інваріантності. 5. Використовуйте кілька джерел діагностики fit; не перетворюйте один порогове значення на універсальний закон. 6. Якщо рівність порушена, локалізуйте параметри, оцініть величину, шукайте змістовну причину й проведіть sensitivity analysis. 7. Розгляньте partial invariance, DIF/IRT, alignment або інший підхід лише тоді, коли він відповідає дослідницькому питанню. 8. Обмежте висновок тим рівнем порівнянності, який реально підтримує модель, і прозоро задокументуйте всі зміни. FAQ Чи можна порівнювати середні після підтвердження лише метричної інваріантності? Зазвичай ні, якщо йдеться про латентні середні в стандартній неперервній CFA. Метрична інваріантність встановлює рівність навантажень і спільну одиницю, але не спільну точку відліку. Для латентних середніх зазвичай потрібна достатня скалярна інваріантність; для порядкових індикаторів — відповідні обмеження порогів і навантажень згідно з обраною параметризацією. Чи означає скалярна інваріантність, що тест справедливий? Ні. Вона підтримує певний тип групового порівняння в конкретній моделі. Fairness додатково охоплює доступність, валідність використання, умови тестування, construct-irrelevant variance, accommodations, наслідки рішень та інші джерела нерівності. Що робити, якщо неінваріантними є лише один-два пункти? Оцініть величину й причину відмінності, а потім перевірте обґрунтовану часткову інваріантність або item-level DIF. Важливо показати, чи змінюється головний висновок після звільнення цих параметрів. Сам факт одного неінваріантного пункту не визначає автоматично долю всієї шкали. Чи є ΔCFI = 0,01 універсальним критерієм? Ні. Це широко вживаний евристичний орієнтир із симуляційної літератури, а не універсальна константа. Його треба оцінювати разом із RMSEA, SRMR, χ², локальними параметрами, моделлю, розміром вибірки та змістовне значення. Чи може тест бути інваріантним, але невалідним? Так. Інструмент може однаково вимірювати щось у двох групах, але це «щось» може не відповідати заявленому конструкту або призначене використання. Інваріантність є одним видом доказів і не замінює повної валідизації. Чи можна перевіряти інваріантність між чоловіками та жінками, віковими групами або країнами? Так, якщо саме ці групи є частиною дослідницького питання або призначене використання. Проте групова категорія сама по собі не пояснює знайдену неінваріантність. Причина може бути культурною, мовною, методичною, розвитковою або пов’язаною з іншим фактором. Чи потрібна інваріантність для порівняння результатів до і після психотерапії? Якщо мета — інтерпретувати зміну одного й того самого латентного конструкта, поздовжня інваріантність є важливою частиною доказів. Водночас після втручання можливий зсув відповіді (response shift): люди можуть інакше розуміти симптоми або шкалу. Таку неінваріантність треба вивчати, а не приховувати. Чи доводить відсутність DIF, що весь тест інваріантний? Ні. DIF-аналіз і факторна інваріантність дають пов’язані, але не тотожні види інформації. Відсутність виявленого DIF за одним методом не доводить рівність усіх параметрів багатофакторної моделі, так само як MGCFA не замінює детальної item-level діагностики. Чи можна порівнювати сумарні бали, якщо строгий рівень не підтверджено? Відповідь залежить від моделі та мети. Скалярна інваріантність часто є достатньою для порівняння латентних середніх, але сумарний спостережуваний бал має додаткові припущення про ваги, похибку й еквівалентність індикаторів. Для високоризикових рішень краще прямо аналізувати придатність саме того бала, який буде використано. Чи є інваріантність доказом, що український переклад тесту валідовано? Ні. Вона може бути важливою частиною cross-cultural validity, але валідована українська адаптація потребує ширшої системи доказів: змістової й мовної еквівалентності, структури, надійності, валідності, похибки, норм або інших інтерпретаційних даних для релевантної української популяції. Про мовну, культурну й психометричну процедуру див. «Адаптація і переклад психологічних тестів». Пов’язані статті Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів Латентні й спостережувані змінні: чим відрізняється психологічний конструкт від його показників Надійність психологічного тесту: що це, які бувають види і чому надійність не дорівнює валідності Похибка вимірювання в психології: випадкова, систематична і чому один бал не є абсолютно точним Психологічне тестування: що це, як проводиться і які обмеження має результат тесту Адаптація і переклад психологічних тестів: чому перекладу недостатньо для валідної української версії Кроскультурна валідність: чи вимірює адаптований тест той самий конструкт у різних мовах і культурах Справедливість психологічного тестування: bias, доступність, групові порівняння і межі інтерпретації Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. Asparouhov, T., & Muthén, B. (2014). Multiple-group factor analysis alignment. Structural Equation Modeling, 21(4), 495–508. Byrne, B. M., Shavelson, R. J., & Muthén, B. (1989). Testing for the equivalence of factor covariance and mean structures: The issue of partial measurement invariance. Psychological Bulletin, 105(3), 456–466. Chen, F. F. (2007). Sensitivity of goodness of fit indexes to lack of measurement invariance. Structural Equation Modeling, 14(3), 464–504. COSMIN. (2024). COSMIN Manual, Version 2.0. International Test Commission. (2018). ITC Guidelines for Translating and Adapting Tests (Second Edition). International Journal of Testing, 18(2), 101–134. Luong, R., & Flake, J. K. (2023). Measurement invariance testing using confirmatory factor analysis and alignment optimization: A tutorial for transparent analysis planning and reporting. Psychological Methods, 28(4), 905–924. Meredith, W. (1993). Measurement invariance, factor analysis and factorial invariance. Psychometrika, 58(4), 525–543. National Center for Education Statistics. (2008). NAEP Analysis and Scaling — Differential Item Functioning. Олефір, В. О., Боснюк, В. Ф., & Малофейкіна, К. О. (2021). Валідизація і вимірювальна інваріантність української версії шкали позитивних і негативних переживань (SPANE). Вісник Харківського національного університету імені В. Н. Каразіна. Серія «Психологія», 71, 34–42. Putnick, D. L., & Bornstein, M. H. (2016). Measurement invariance conventions and reporting: The state of the art and future directions for psychological research. Developmental Review, 41, 71–90. Савельєв, Ю., & Тишкевич, Д. (2026). Інваріантність вимірювання у дослідженнях соціальних змін в українському суспільстві. Соціологія: теорія, методи, маркетинг, 2026(1), 66–78. Sterner, P., Pargent, F., & Goretzko, D. (2026). Don’t let MI be misunderstood: A causal view on measurement invariance. Current Research in Ecological and Social Psychology, 10, 100261. Vandenberg, R. J., & Lance, C. E. (2000). A review and synthesis of the measurement invariance literature: Suggestions, practices, and recommendations for organizational research. Organizational Research Methods, 3(1), 4–71. Widaman, K. F., Ferrer, E., & Conger, R. D. (2010). Factorial invariance within longitudinal structural equation models: Measuring the same construct across time. Child Development Perspectives, 4(1), 10–18.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Справедливість психологічного тестування — це вимога, щоб тест, процедура його проведення, підрахунок балів, інтерпретація та рішення на основі результатів давали обґрунтовані можливості для оцінювання людей із релевантних груп і не створювали систематичного викривлення через чинники, які не належать до вимірюваного конструкта. У сучасній психометрії fairness не зводиться до одного коефіцієнта, однакових середніх балів або формально однакових умов для всіх. Standards for Educational and Psychological Testing розглядають справедливість і доступність як фундаментальні питання тестування та пов’язують їх з доречним використанням тестів і валідними інтерпретаціями результатів для всіх осіб, яких тестують. Це означає, що питання «чи справедливий тест?» завжди потребує уточнення: для кого, для якого призначення, у якій мові й культурі, за яких умов проведення, з якими нормами, яким способом підрахунку та яким рішенням після отримання бала. Один і той самий інструмент може мати достатні докази для певної популяції та мети й водночас не мати їх для іншої. У цій статті термін bias використовується в психометричному значенні — як систематичне зміщення або упередженість вимірювання, інтерпретації чи рішення. Його не слід плутати з когнітивним упередженням людини. Так само статистична різниця між групами сама по собі не є доказом bias, а відсутність різниці не доводить справедливість тесту. Коротка відповідь Справедливе психологічне тестування вимагає узгодженості щонайменше чотирьох рівнів: що саме тест має вимірювати; чи мають різні люди реальний доступ до демонстрації цього конструкта; чи функціонують завдання і шкала порівнювано в релевантних групах; чи є інтерпретація та рішення на основі балів обґрунтованими для конкретного використання. Це аналітична рамка для практики, а не окремий «індекс fairness». Тому перевірка справедливості включає теорію конструкта, стандартизацію, доступність, мовну та культурну адаптацію, якість норм, надійність і валідність, інваріантність вимірювання, DIF, аналіз помилок класифікації та наслідків використання. APA Guidelines for Psychological Assessment and Evaluation прямо наголошують, що валідність, надійність і нормативні дані інструмента, створеного для певної популяції, не можна автоматично переносити на інші культурні або мовні групи без відповідної перевірки. Що таке справедливість психологічного тестування Справедливість стосується не тільки самого набору запитань. Тестування є системою: мета → конструкт → завдання → умови проведення → відповіді → підрахунок → бал → інтерпретація → рішення. Несправедливість може виникнути на будь-якій ланці. Наприклад, добре написані завдання не компенсують невідповідні норми, а статистично інваріантна шкала не виправляє ситуацію, коли частина людей фізично не може взаємодіяти з інтерфейсом. У психометрії якість оцінюють не за зовнішньою переконливістю тесту, а за сукупністю доказів щодо конкретних інтерпретацій і використань. Справедливість є частиною цієї доказової архітектури: вона вимагає показати, що нерелевантні для конструкта характеристики не створюють систематичної переваги або перешкоди. Формальна однаковість процедури й справедливість не тотожні. Однакові умови корисні, коли вони усувають випадкові відмінності в адмініструванні. Проте якщо стандартна процедура містить бар’єр, що не належить до конструкта, спеціальні умови можуть підвищити валідність інтерпретації, а не зруйнувати її. Так само справедливість не означає обов’язково однакові результати для всіх груп. Якщо групи реально відрізняються за вимірюваною характеристикою, справедливий інструмент може відобразити цю різницю. Центральне питання полягає в тому, чи відображає бал саме заявлений конструкт, а не домішку мови, формату, доступу, культурної незнайомості або іншої нерелевантної вимоги. Fairness, bias і валідність: три пов’язані, але різні поняття Fairness Fairness — найширше поняття. Воно охоплює доступність, відсутність нерелевантних бар’єрів, порівнюваність вимірювання, якість норм, доречність інтерпретацій, умови застосування та справедливість рішень. NCME зазначає, що окремий розділ про fairness у Standards 2014 було створено саме для ширшого охоплення доступності та валідної інтерпретації балів для всіх осіб. Bias Bias — систематичне зміщення, пов’язане з групою або іншою характеристикою, яке робить певну інтерпретацію чи рішення менш обґрунтованими. Bias може бути на рівні окремого завдання, шкали, прогнозу, норм або процедури. Виявлення bias потребує порівняння не лише сирих середніх, а того, як тест працює за однакового рівня релевантного конструкта або щодо зовнішнього критерію. Валідність Валідність стосується того, наскільки докази й теорія підтримують інтерпретації тестових балів для запропонованого використання. Справедливість і валідність переплітаються: якщо нерелевантний груповий чинник систематично змінює бал, це створює загрозу валідності. Водночас валідність не є довічною «властивістю тесту взагалі»; докази мають відповідати популяції, контексту та рішенню. Надійність Надійність описує точність або відтворюваність балів за визначених умов, але не доводить справедливість. Тест може давати дуже стабільні результати і водночас систематично вимірювати додатковий нерелевантний чинник в одній групі. Саме тому надійність ≠ валідність, а висока надійність ≠ автоматична fairness. Справедливість завжди залежить від intended use Один інструмент може використовуватися для дослідження середніх у популяції, скринінгу, клінічного моніторингу, добору персоналу, освітнього рішення або опису індивідуального профілю. Ці використання створюють різні вимоги до доказів. Те, що прийнятно для групового дослідження, може бути недостатнім для індивідуального високоризикового рішення. Наприклад, невелика систематична різниця між версіями шкали може майже не впливати на опис тенденції у великій вибірці, але бути суттєвою біля порога, за яким людину відносять до категорії. Тому fairness не оцінюють без урахування ціни помилкових позитивних і помилкових негативних рішень. International Guidelines on Test Use Міжнародної тестової комісії розглядають компетентне використання тестів як ланцюг від вибору інструмента до проведення, підрахунку, інтерпретації та комунікації результатів. Для fairness це принципово: навіть психометрично сильний тест можна використати невідповідно, якщо ігнорувати призначення, популяцію чи межі інтерпретації. Доступність: коли однакові умови можуть бути несправедливими Доступність означає, що людина має реальну можливість продемонструвати релевантний конструкт без зайвих бар’єрів. Бар’єром може бути сенсорне обмеження, моторна особливість, недоступний цифровий інтерфейс, формат відповіді, мовна складність, яка не є частиною конструкта, або умови середовища. NCME у матеріалі про testing accommodations підкреслює, що спеціальні умови можуть бути необхідними для справедливої оцінки, коли без них результат міститиме construct-irrelevant variance — варіативність, зумовлену не цільовою характеристикою. Водночас невідповідне пристосування може створити нове нерелевантне джерело варіативності й також погіршити валідність. Отже, додатковий час, аудіоподання, допоміжна технологія, окреме приміщення або інша зміна процедури не є автоматично ані «перевагою», ані «порушенням стандартизації». Потрібно з’ясувати, чи усуває зміна нерелевантний бар’єр і чи не змінює сам конструкт, який тест має вимірювати. Target skill і access skill Практичне розрізнення — цільова здатність і здатність доступу. Якщо тест оцінює математичне міркування, складність керування мишею може бути нерелевантною. Якщо ж тест оцінює швидкість письмового читання, аудіоподання вже може змінити сам об’єкт вимірювання. Справедливе пристосування визначається не його «однаковістю для всіх», а відповідністю конструкта. Документація має фіксувати, які умови застосовано, чому вони вважаються релевантними і як вони впливають на інтерпретацію. Якщо еквівалентність балів за різних форматів не досліджена, це потрібно називати обмеженням, а не приховувати за стандартним числовим результатом. Мовна й культурна справедливість Мова тесту може впливати на розуміння інструкцій, семантику пунктів, знайомість із відповідними ситуаціями та стратегії відповіді. Культура може змінювати не тільки словник, а й те, як проявляється конструкт, які поведінкові індикатори є типовими, як люди використовують шкалу відповідей і яке значення мають окремі твердження. APA Guidelines застерігають від автоматичного перенесення норм, валідності й надійності інструментів між культурно різними популяціями. ITC Guidelines for Translating and Adapting Tests розглядають адаптацію як процес, що включає конструктну, мовну, культурну й емпіричну перевірку, а не лише заміну слів іншою мовою. Тому український переклад тесту ≠ валідована українська адаптація. Наявність перекладу показує тільки наявність текстової версії. Для доказової адаптації потрібні дані щодо змістової відповідності, зрозумілості, структури, надійності, валідності, можливого DIF або інваріантності та, якщо інтерпретація нормативна, релевантних норм. Всеукраїнська психодіагностична асоціація публікує українською керівництва ITC щодо використання тестів, перекладу й адаптації та оцінювання лінгвістично і культурно відмінних популяцій. Це важливий локальний професійний контекст, але психометричні докази все одно мають бути специфічними для конкретного інструмента й популяції. Мітка «culture-fair» або «культурно нейтральний» у назві інструмента також не є доказом відсутності культурного впливу. Навіть невербальне завдання може залежати від освіти, знайомства з форматом, стратегії виконання або контексту використання. Норми і референтна група: з ким насправді порівнюють результат Нормативний бал має сенс тільки щодо нормативної вибірки, з якою його порівнюють. Вік, освіта, мова, країна, культурне середовище, клінічний статус і час збору норм можуть бути релевантними залежно від тесту. Норма однієї популяції не стає універсальною лише тому, що подана у вигляді процентиля або T-бала. Справедливість нормативної інтерпретації потребує відповіді на три питання: кого представляла нормативна вибірка; наскільки ця вибірка відповідає людині або групі, для якої робиться висновок; чи не застаріли норми через зміни популяції, освіти, практики або умов тестування. Процентиль не означає відсоток правильних відповідей. Він описує відносне положення в конкретному нормативному розподілі. Отже, навіть коректно обчислений процентиль може бути погано інтерпретованим, якщо референтна група не відповідає intended population. Для індивідуального висновку важлива не тільки належність до широкої демографічної категорії. Потрібно враховувати характеристики, які реально впливають на інтерпретацію конкретного тесту. Надмірне дроблення норм теж має ціну: дуже малі підгрупи дають нестабільні референтні оцінки. Інваріантність вимірювання: чи означає бал те саме в різних групах Інваріантність вимірювання перевіряє, чи можна розглядати вимірювальну модель як достатньо еквівалентну між групами або в часі. Putnick і Bornstein описують її як ключову умову осмислених міжгрупових і часових порівнянь, але водночас наголошують, що практики перевірки та критерії рішень продовжують розвиватися. У факторних моделях часто розрізняють конфігуральну, метричну та скалярну інваріантність. Ці рівні не є універсальними «сертифікатами якості» для будь-якого тесту; вони відповідають конкретній моделі й конкретному типу порівняння. Конфігуральна інваріантність Конфігуральна інваріантність означає, що в групах підтримується одна й та сама загальна факторна конфігурація: приблизно той самий набір факторів і зв’язків між пунктами та факторами. Це базовий рівень структурної порівнюваності. Метрична інваріантність Метрична інваріантність у типовій CFA-рамці додає рівність факторних навантажень. Вона особливо важлива, коли порівнюють зв’язки конструкта з іншими змінними або регресійні коефіцієнти між групами. Скалярна інваріантність Скалярна інваріантність зазвичай додає рівність інтерцептів для неперервних індикаторів або відповідних порогів для категоріальних. У стандартній латентно-факторній логіці це ключовий рівень для порівняння латентних середніх. Реальна практика може використовувати часткову інваріантність або інші моделі, але такі рішення потребують прозорого обґрунтування. Інваріантність не дорівнює автоматичній відсутності bias Критичний огляд Han, Colarelli і Weed показує центральність measurement invariance для культурно різноманітного оцінювання. Проте інваріантність відповідає лише на частину питання fairness. Тест може демонструвати інваріантну структуру й водночас мати проблеми з доступністю, нормами, адмініструванням, вибором конструкта або наслідками рішень. Зворотне також важливе: часткова неінваріантність не є автоматичним доказом етичної несправедливості. Вона сигналізує, що певні параметри або значення балів можуть відрізнятися між групами й потребують змістового та статистичного розгляду. DIF: коли завдання працює по-різному за однакового рівня конструкта Диференційне функціонування завдань (differential item functioning, DIF) виникає, коли особи з різних груп, але з однаковим рівнем релевантної латентної характеристики або зіставним рівнем на відповідному matching criterion, мають різну ймовірність або інший патерн відповіді на конкретне завдання. DIF принципово відрізняється від простого факту, що одна група частіше відповідає правильно або частіше обирає певну категорію. Якщо групи мають різний рівень самого конструкта, різні частоти відповідей можуть бути очікуваними. DIF намагається відокремити групову належність від рівня того, що тест має вимірювати. Огляд процедур ETS Rebecca Zwick називає DIF-аналіз ключовим компонентом оцінювання fairness і валідності тестів. Сучасний систематичний огляд Chen, Aryadoust і Zhang показує, що в практиці застосовують різні сімейства методів: Rasch-підходи, Mantel–Haenszel, IRT, логістичну регресію, SIBTEST та інші методи. Вибір процедури залежить від моделі, типу пунктів, розміру вибірок і дослідницького питання. Uniform і nonuniform DIF У спрощеному вигляді uniform DIF означає стабільну перевагу однієї групи на пункті в діапазоні рівнів конструкта, тоді як nonuniform DIF означає, що напрям або величина групової різниці змінюється залежно від рівня конструкта. Це статистичне розрізнення допомагає локалізувати проблему, але ще не пояснює її причину. DIF ≠ автоматичний доказ несправедливості Пункт, позначений як DIF, є кандидатом для подальшого розслідування. Причиною може бути нерелевантна мовна складність, культурно специфічний контекст, різний навчальний досвід, неоднакове розуміння формулювання або справжня багатовимірність конструкта. Статистичний прапорець не встановлює, яка саме причина діє. DIF ≠ item bias. Щоб перейти від статистичного DIF до висновку про bias, потрібні змістовий аналіз, теорія конструкта, дані про процес відповіді та контекст використання. У деяких випадках групова різниця на пункті є релевантною частиною конструкта, а в інших — стороннім бар’єром. Так само відсутність виявленого DIF не доводить повну справедливість тесту. Аналіз має статистичну потужність і припущення; можливі проблеми на рівні загального тесту, норм, адміністрації або рішень. Декілька DIF-ефектів можуть взаємно компенсуватися в сумарному балі. Тому психометрично коректна формула така: DIF є доказом диференційного функціонування, який потребує інтерпретації; bias є висновком про систематичну нерелевантну упередженість; fairness є ширшим висновком про всю систему тестування та використання. Групові відмінності в балах: що вони означають і чого не доводять Різниця середніх між групами — описова властивість даних. Вона може виникати через реальну різницю в конструкті, різний досвід, освіту, середовище, добір до вибірки, соціальні умови, похибку, нерелевантні бар’єри або поєднання чинників. Саме число не визначає причину. Тому твердження «групи відрізняються, отже тест упереджений» методологічно некоректне. ETS у матеріалі про test bias окремо застерігає від ототожнення групових відмінностей у тестових балах із доказом bias. Протилежна помилка — вважати однакові середні доказом fairness. Два середні можуть збігатися, навіть якщо окремі пункти функціонують по-різному, похибки мають різну структуру або протилежні зміщення взаємно компенсуються. Порівняння груп потребує перевірки того, що конструкт вимірюється достатньо порівнювано; що шкала й адміністрація не створюють нерелевантних групових бар’єрів; що норми та інтерпретація відповідають популяції; і що статистична невизначеність дозволяє зробити заявлений висновок. Груповий середній результат також не переноситься на окрему людину. Навіть стабільна середня різниця між великими групами не дозволяє визначити індивідуальний рівень конструкта без фактичних даних цієї людини. Стандартизація і справедливість: баланс однаковості та доступу Стандартизація потрібна, щоб різниця в балах не була наслідком випадкових змін інструкцій, часу, підрахунку або поведінки адміністратора. Але стандартизована процедура є засобом контролю, а не самоціллю. Якщо вона вносить construct-irrelevant barrier, сліпа однаковість може погіршити валідність. Справедливе рішення про зміну стандартної процедури має спиратися на призначення тесту, характеристику бар’єра, можливий вплив на конструкт, наявні емпіричні дані та документацію. Для високоризикових рішень потрібен особливо сильний доказ того, що модифікація не перетворює тест на інший інструмент. У цифровому тестуванні до цього додаються пристрій, швидкість з’єднання, розмір екрана, доступність клавіатури, підтримка assistive technology, дизайн інтерфейсу та цифрова грамотність. Якщо ці характеристики не є частиною конструкта, вони можуть створювати сторонню варіативність. Справедливість порогів і класифікацій Cutoff перетворює неперервний або порядковий результат на категорію. Це підвищує практичну вагу невеликих відмінностей: два дуже близькі бали можуть опинитися по різні боки порога. Тому fairness класифікації залежить не тільки від шкали, а й від обґрунтування самого порога. Поріг має бути пов’язаний із intended use, критерієм або рішенням, а не сприйматися як природна межа, що існує незалежно від контексту. Потрібно враховувати похибку вимірювання, базову частоту стану або події, ціну помилкових рішень і, за потреби, характеристики класифікації в релевантних підгрупах. Один cutoff не стає універсальним через популярність. Якщо його валідовано в одній популяції, це не доводить еквівалентність у іншій мові, країні, віковій групі або клінічному контексті. Sensitivity, specificity, PPV і NPV Для скринінгових і діагностично орієнтованих інструментів fairness може вимагати аналізу того, чи відрізняються чутливість і специфічність між групами. Але навіть однакові sensitivity і specificity не гарантують однаковий PPV або NPV, тому що прогностичні значення залежать від поширеності або базової частоти стану в конкретній популяції. Методологію показників діагностичної точності та їх інтерпретації систематизує Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy. ROC/AUC описує дискримінаційну здатність у визначеному наборі даних, але не дорівнює клінічній корисності, не встановлює оптимальний cutoff для всіх контекстів і не є самостійним показником fairness. Скринінг, оцінювання і діагноз: YMYL-межа Психологічне тестування дає стандартизовану інформацію, але один бал або один screening result не встановлює клінічний діагноз. Діагностичне рішення спирається на ширший процес оцінювання, критерії, анамнез, функціонування, контекст та інші релевантні джерела даних. Це важливо для fairness: однаковий скринінговий бал у різних людей може мати різний контекст і різну прогностичну інтерпретацію. Популяційна поширеність, мова, адаптація шкали, коморбідність, спосіб звернення та інші чинники можуть змінювати значення результату. Тому cutoff слід описувати як операційне правило для визначеного використання, а не як універсальну межу «розлад є / розладу немає». Така обережність не послаблює тестування; вона зберігає точність його наукового статусу. Як проводять аудит справедливості тесту 1. Визначають конструкт і intended population Спочатку формулюють, що саме вимірюється, для якої популяції й для якого рішення. Без цього неможливо відрізнити релевантну складність від нерелевантного бар’єра. Той самий мовний компонент може бути потрібною частиною тесту читання і сторонньою вимогою в тесті просторового мислення. 2. Перевіряють зміст і процес відповіді Експертний review, cognitive interviewing і дослідження response processes допомагають виявити неоднозначні формулювання, культурні припущення, різне розуміння інструкцій і стратегії, які не відповідають задуму конструкта. 3. Перевіряють доступність і стандартизацію Оцінюють формат, інтерфейс, час, середовище, сенсорні та моторні вимоги, потребу в accommodations, підготовку адміністратора і стабільність правил підрахунку. Відхилення від стандартної процедури документують. 4. Оцінюють психометричну якість у релевантних групах Надійність, похибка, структура й валідність можуть відрізнятися між групами. Немає правила, за яким один глобальний коефіцієнт автоматично поширюється на всі підгрупи. Особливо це важливо, якщо тест застосовують до популяції, мало представленої у вихідній валідації. 5. Перевіряють інваріантність і DIF Для міжгрупових порівнянь використовують методи, відповідні моделі вимірювання: багатогруповий CFA, IRT/Rasch, Mantel–Haenszel, логістичну регресію та інші. Метод, критерії й рішення потрібно описувати прозоро; статистичний сигнал доповнюють змістовим аналізом. 6. Перевіряють норми та правила інтерпретації Нормативна вибірка має бути релевантною до intended population, а правила переведення сирих балів у стандартизовані — документованими. Для інтерпретації результатів психологічного вимірювання важливо також показати, що саме означає бал і яку невизначеність він має. 7. Аналізують рішення, а не тільки бали Якщо бал використовується для відбору, скринінгу або іншої класифікації, оцінюють false positive/false negative, зв’язок із зовнішнім критерієм, калібрування, базові частоти та наслідки помилок у релевантних групах. 8. Перевіряють етичну й процедурну рамку Fairness пов’язана з компетентністю користувача, конфіденційністю, інформуванням, правами особи, безпекою тестових матеріалів і коректним повідомленням результатів. Ці питання докладніше розглянуті в статті «Етичне використання психологічних тестів». Типові помилки інтерпретації «Середні бали однакові — отже тест справедливий» Однакові середні не виключають DIF, різної похибки, різної структури шкали або протилежних зміщень, що компенсуються. Fairness потребує аналізу механізму вимірювання, а не лише фінальної середньої. «Групи відрізняються — отже тест упереджений» Групова різниця може відображати реальну різницю в конструкті або контексті. Щоб говорити про bias, потрібно показати систематичний нерелевантний вплив, а не тільки статистичну різницю. «Є DIF — пункт несправедливий» DIF вказує на диференційне функціонування після matching за конструктом. Він потребує змістового пояснення. DIF ≠ автоматичне item bias і ≠ автоматичне рішення видалити пункт. «DIF немає — тест повністю справедливий» DIF аналізує окремий аспект функціонування завдань. Він не перевіряє сам по собі доступність, репрезентативність норм, компетентність користувача, адекватність cutoff, наслідки рішення або інші види bias. «Measurement invariance доводить відсутність bias» Інваріантність підтримує порівнюваність вимірювальної моделі. Вона не перетворює fairness на вирішене питання. Доступність, культурна адаптація, норми, рішення й intended use залишаються окремими рівнями доказів. «Однакові умови завжди справедливіші» Коли стандартна умова створює нерелевантний бар’єр, доречне accommodation може підвищити валідність. Коли зміна торкається самої цільової здатності, вона може змінити конструкт. Рішення залежить від того, що саме вимірюється. «Переклад українською означає валідовану українську версію» Переклад ≠ адаптація. Валідована українська версія потребує емпіричних доказів у відповідній популяції. Відсутність таких даних слід прямо зазначати. «Один cutoff однаково працює в усіх популяціях» Cutoff є правилом рішення, створеним для конкретного використання. Його характеристики можуть змінюватися за популяції, базової частоти, способу набору вибірки, мови та клінічного контексту. Що особливо важливо для українського контексту Українські дослідники й практики часто працюють із перекладеними міжнародними шкалами, локальними адаптаціями та інструментами, для яких кількість українських нормативних даних відрізняється. Тому в публічному описі тесту потрібно чітко розділяти: існує переклад; існує дослідження української версії; існує валідована адаптація для визначеної популяції; існують українські норми. Це різні твердження. Україномовна наукова література вже використовує поняття «інваріантність вимірювання» та перевіряє її в адаптаціях психологічних шкал. Проте доказ інваріантності для однієї шкали й конкретних груп не переноситься на інші інструменти. Для людей, які проходять тестування в умовах війни, міграції, зміни мовного середовища або різкого соціального зсуву, особливо важливо не переносити старі норми й інтерпретації механічно. Сам факт суспільної зміни не робить тест невалідним, але підвищує потребу перевірити актуальність популяції, норм і контексту. Практичні висновки для психолога, дослідника і читача Для психолога fairness означає вибрати інструмент із доказами для релевантної популяції, провести його у придатних умовах, врахувати необхідні accommodations, інтерпретувати бал у межах доказів і не перетворювати один результат на тотальний висновок про людину. Для дослідника fairness означає планувати групові порівняння до аналізу даних: визначати групи й підстави їх порівняння, забезпечувати достатні вибірки, перевіряти measurement invariance або DIF відповідно до моделі, аналізувати чутливість висновків і прозоро повідомляти обмеження. Для розробника тесту fairness означає працювати з нею з початку розроблення, а не після виявлення проблем: репрезентативно визначати конструкт, залучати різні групи до review, перевіряти доступність, збирати дані про функціонування пунктів і документувати призначення. Для читача або людини, яка отримала тестовий результат, найважливіше запитання — не «чи є тест хорошим узагалі?», а «що саме цей бал дозволяє сказати про мене в цьому контексті?». Відповідь має включати популяцію, норми, похибку, обмеження та мету використання. Справедливість психологічного тестування — не додаткова етична прикраса після статистики. Це частина доказовості самого вимірювання: хто може бути коректно виміряний, за яких умов, яким способом і з якими межами висновку. FAQ Чи означає справедливий тест однакові умови для всіх? Не завжди. Стандартизація потрібна для порівнюваності, але доречні accommodations можуть бути необхідними, щоб усунути нерелевантний бар’єр. Критерій — збереження цільового конструкта й валідної інтерпретації. Чи доводить різниця середніх балів bias тесту? Ні. Різниця може мати багато причин. Bias потребує доказу систематичного нерелевантного зміщення, а не самого факту групової різниці. Що таке DIF простими словами? DIF означає, що конкретне завдання поводиться по-різному в групах навіть після врахування рівня того конструкта, який тест має вимірювати. Це сигнал для подальшого аналізу, а не автоматичний вирок пункту. Якщо DIF не знайдено, тест справедливий? Це хороший фрагмент доказів, але не повний висновок. Потрібно також оцінити інваріантність, доступність, норми, адаптацію, адміністрацію, правила рішень та інші джерела bias. Чи достатньо measurement invariance для порівняння груп? Вона є ключовою умовою порівнянності в багатьох моделях, але рівень потрібної інваріантності залежить від типу порівняння й моделі. Крім того, psychometric comparability не охоплює всю fairness. Чи може перекладений тест бути справедливим без українських норм? У деяких дослідницьких задачах норми можуть взагалі не бути потрібними, але для нормативної індивідуальної інтерпретації відсутність релевантних норм є суттєвим обмеженням. Переклад сам по собі не доводить адаптації. Чи можна змінювати час або формат тесту? Можна, якщо це обґрунтоване accommodation і збережено інтерпретацію конструкта. Якщо зміна торкається цільової здатності, результат може перестати бути порівнюваним зі стандартною версією. Чи має один cutoff працювати однаково для всіх? Таке припущення потребує доказів. Характеристики cutoff можуть змінюватися між популяціями; для класифікацій важливо аналізувати похибку, sensitivity/specificity, базові частоти й наслідки рішень. Чи можна поставити діагноз за одним тестовим балом? Один бал або screening result є джерелом інформації, а не самодостатнім клінічним діагнозом. Діагноз спирається на ширше клінічне оцінювання та релевантні критерії. Пов’язані статті Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів Психологічне тестування: що це, як проводиться і які обмеження має результат тесту Інтерпретованість результатів психологічного вимірювання: як надати зміст балу і зміні бала Етичне використання психологічних тестів: кваліфікація, конфіденційність, права та безпека матеріалів Інваріантність вимірювання: чи можна коректно порівнювати тестові бали між групами та в часі Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. American Psychological Association. (2020). APA Guidelines for Psychological Assessment and Evaluation. Beller, M. (2005). Test Bias. ETS Research Memorandum RM-04-09. Chen, X., Aryadoust, V., & Zhang, W. (2025). A systematic review of differential item functioning in second language assessment. Language Testing, 42(2). COSMIN. (2024). COSMIN Manual, Version 2.0. Deeks, J. J., Bossuyt, P. M., Leeflang, M. M., & Takwoingi, Y. (Eds.). (2023). Cochrane Handbook for Systematic Reviews of Diagnostic Test Accuracy, Version 2.0. Han, K., Colarelli, S. M., & Weed, N. C. (2019). Methodological and statistical advances in the consideration of cultural diversity in assessment: A critical review of group classification and measurement invariance testing. Psychological Assessment, 31(12), 1481–1496. International Test Commission. (2001). International Guidelines on Test Use. International Journal of Testing, 1(2), 93–114. International Test Commission. (2018). The ITC Guidelines for Translating and Adapting Tests (Second Edition). International Test Commission. (2019). ITC Guidelines for the Large-Scale Assessment of Linguistically and Culturally Diverse Populations. International Journal of Testing, 19(4), 301–336. National Council on Measurement in Education. Educational Measurement, Fifth Edition. National Council on Measurement in Education. Testing Accommodations for Students with Disabilities. Putnick, D. L., & Bornstein, M. H. (2016). Measurement Invariance Conventions and Reporting: The State of the Art and Future Directions for Psychological Research. Developmental Review, 41, 71–90. Всеукраїнська психодіагностична асоціація. Єдині психодіагностичні стандарти. Zwick, R. J. (2012). A Review of ETS Differential Item Functioning Assessment Procedures: Flagging Rules, Minimum Sample Size Requirements, and Criterion Refinement. ETS Research Report RR-12-08.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Перекласти психологічний тест українською — означає змінити його мовну форму. Адаптувати тест для української мови й конкретної української популяції — означає перевірити значно більше: чи зберігся вимірюваний конструкт, чи однаково зрозумілі інструкції та пункти, чи не змінилися процеси відповіді, чи працює структура шкали, якою є надійність, чи підтримують дані заплановане тлумачення балів, чи придатні норми та порогові значення. Саме таке ширше розуміння закріплюють рекомендації International Test Commission (ITC): переклад є лише частиною адаптації, а не її синонімом. Тому напис «український переклад» сам по собі нічого не повідомляє про психометричну якість. Навіть бездоганна граматика не доводить, що нова версія вимірює те саме, з тією самою точністю і з придатним для заявленої мети тлумаченням результатів. У сучасній психометрії якість версії визначають сукупністю теоретичних, якісних та кількісних доказів, а не фактом перекладу або одним коефіцієнтом. У цій статті вислів «валідна українська версія» використано як зручне скорочення. Технічно точніше говорити про докази, що підтримують певне тлумачення тестових балів і певне використання інструмента в окресленій популяції. Standards for Educational and Psychological Testing розглядають валідність саме через аргументацію та джерела доказів, пов’язані зі змістом тесту, процесами відповіді, внутрішньою структурою, зв’язками з іншими змінними та наслідками тестування. Коротка відповідь: чому перекладу недостатньо Мова є частиною вимірювального інструмента. Заміна англійського, польського, німецького чи іншого формулювання українським може змінити складність пункту, емоційний відтінок, частотність слова, соціальну прийнятність відповіді, неоднозначність, культурну доречність прикладу і навіть те, яку операцію виконує людина, відповідаючи. Тому завдання адаптації — не зробити текст «схожим на оригінал», а зберегти або заново обґрунтувати вимірювальне значення версії. ITC прямо розрізняє translation і adaptation: адаптація охоплює рішення про еквівалентність конструкта, вибір перекладачів, дизайн прямого та зворотного перекладу, необхідні зміни формату й умов, перевірку еквівалентності, емпіричні дослідження надійності та валідності, роботу з нормами, інтерпретацією і документацією. Повний документ ITC містить 18 рекомендацій у шести блоках — від передумов до документації. Сучасні огляди підтверджують практичну важливість цієї різниці. Haynes, Matsui і Kaholokula (2026) показують, що культурно імпортований психологічний інструмент потребує змістової перевірки в новому контексті; у переглянутих ними публікаціях повний набір рекомендованих процедур був радше винятком. Огляд Shahbazi та співавторів (2025) виявив десятки описаних методів перекладу й адаптації та не знайшов єдиного універсального «золотого протоколу», але підтримав структурований багатокроковий процес із експертним переглядом і когнітивним тестуванням. Переклад, адаптація, психометрична перевірка і валідність — це різні речі У публікаціях можна зустріти слова «переклад», «адаптація», «кроскультурна адаптація», «психометрична адаптація», «валідація» або «валідизація». Вони нерідко вживаються як взаємозамінні, хоча описують різні операції. Для читача найкорисніше тримати чотири рівні окремо. Переклад — перенесення мовного змісту з вихідної мови в цільову. Він може включати один або кілька прямих перекладів, узгодження і зворотний переклад. Культурна адаптація — перевірка того, чи поняття, ситуації, інструкції, способи відповіді та контекст доречні для цільової культури й популяції, а за потреби — обґрунтована модифікація. Психометрична перевірка — емпірична оцінка структури, надійності, похибки, різних джерел доказів валідності, а за відповідного дизайну — інваріантності вимірювання, DIF, норм, порогів або чутливості до змін. Валідність — не штамп «пройдено». Це ступінь, у якому сукупність доказів і теорія підтримують конкретне тлумачення балів для конкретної мети та популяції. Саме тому словосполучення «тест валідований українською» варто читати як початок перевірки, а не як фінальну відповідь. Потрібно з’ясувати: ким, для кого, у якому контексті, з яким перекладом, на якій вибірці, для якого використання, якими методами і з якими результатами проведено адаптацію. Що може змінитися, коли тест переходить в іншу мову і культуру Конструкт і його зміст Найперше питання виникає ще до перекладу: чи має вимірюваний конструкт достатньо близький зміст у вихідній і цільовій популяціях. Один і той самий термін може охоплювати різні поведінкові прояви або мати різну соціальну вагу. Якщо зміст конструкта зміщується, буквальна точність перекладу не врятує вимірювання. Для опитувальників здоров’я і самозвіту COSMIN особливо наголошує на релевантності, повноті та зрозумілості змісту. Методологія Terwee та співавторів показує, чому якісна робота з представниками цільової групи та експертами є окремим джерелом доказів, а не декоративним етапом перед статистикою. COSMIN стосується насамперед інструментів вимірювання результатів, про які повідомляє сам пацієнт (patient-reported outcome measures, PROMs), тому його критерії не слід механічно переносити на будь-який психологічний тест. Семантика і природність формулювань Слова можуть бути словниково правильними й водночас неприродними. В українській версії важливі звичність конструкцій, рівень читабельності, граматичний вид, часові форми, заперечення, займенники, інтенсивність прислівників на кшталт «часто» або «майже завжди», а також відповідність віку й освіті респондентів. Калька здатна створити зайве когнітивне навантаження або підказати іншу відповідь. Процес відповіді Дві версії пункту можуть мати подібний словниковий зміст, але запускати різні процеси відповіді. Людина має зрозуміти запитання, пригадати релевантний досвід, сформувати судження і зіставити його з варіантами відповіді. Якщо переклад змінює хоча б одну з цих ланок, бал може змінитися без реальної зміни вимірюваної характеристики. Тому інтерв’ю з респондентами, когнітивні інтерв’ю та пілотне тестування є методами перевірки того, як люди фактично читають і розуміють пункти. ITC рекомендує залучати представників локальної культури й мови до оцінювання версії та використовувати невеликі пробні дослідження до великого психометричного етапу. Формат, інструкції і спосіб проведення Адаптація стосується не лише тексту пунктів. Змінюються інструкції, приклади, одиниці виміру, порядок і візуальне розміщення відповідей, часові межі, формат папір/екран, поведінка інтерв’юера, доступність для людей із різними потребами. Якщо процедура відрізняється, частина різниці в балах може належати методу проведення, а не психологічному конструкту. Шкала балів, норми і порогові значення Навіть коли пункти перекладено добре, значення бала не переноситься автоматично. ITC вимагає окремих доказів для норм, надійності та валідності адаптованої версії і прямо застерігає, що дані вихідної версії не переходять на нову мову та культуру автоматично. Використання вихідних норм потребує статистичного й змістового обґрунтування; інакше потрібні норми для цільової версії. Що означає «валідна українська версія» Коректна українська версія — це версія, для якої відомі її призначення, цільова популяція, процедура адаптації та межі доказів. Вона може бути достатньо обґрунтованою для одного використання й недостатньо обґрунтованою для іншого. Наприклад, даних може вистачати для групового дослідження студентів, але не для індивідуального клінічного рішення щодо дорослої людини; або версія може бути придатна для моніторингу симптомів, але не для скринінгового порогу. Це центральний принцип сучасного тестування: психометрична властивість належить не абстрактному «тесту назавжди», а конкретним балам, версії, популяції, умовам і способу використання. AERA, APA і NCME пов’язують оцінювання якості з аргументом про тлумачення та використання результатів, а не з одиничним числом. Те, що тест «виглядає доречним» для психолога або респондента, іноді називають face validity. Така зовнішня правдоподібність може бути корисною для прийнятності, але вона не є доказом конструктної валідності. Подібно, високий коефіцієнт внутрішньої узгодженості не доводить, що шкала вимірює заявлений конструкт. Як адаптують психологічний тест: робоча послідовність Немає одного протоколу, який однаково підходить для клінічного опитувальника, тесту здібностей, шкали ставлень, рейтингу спостерігача і навчального тесту. Огляд 19 оглядів Shahbazi та співавторів підтверджує значну методичну варіативність. Водночас ITC, класичні рекомендації з кроскультурної адаптації та сучасні методологічні роботи сходяться в тому, що процес має бути багатокроковим, прозорим і пов’язаним із цільовим використанням. 1. Визначити мету, популяцію і право на адаптацію До першого перекладеного речення команда має зафіксувати, для чого потрібна версія: дослідження, скринінг, індивідуальне оцінювання, відбір, моніторинг змін, порівняння груп чи інше. Так само потрібно описати вік, мову, культурне середовище, освіту, клінічний статус та інші характеристики цільової популяції, що можуть впливати на вимірювання. Окремо перевіряють інтелектуальні права. Перша передумова ITC — отримати необхідний дозвіл власника прав до адаптації. Наявність дозволу не доводить психометричну якість, а висока психометрична якість не скасовує авторського права чи ліцензійних умов. 2. Перевірити концептуальну доречність Команда має відповісти, чи є конструкт релевантним у новій популяції і чи охоплюють вихідні пункти потрібний зміст. Тут аналізують не лише словники, а й культурні сценарії, соціальні ролі, типові способи вираження переживань, доступність поведінкових прикладів і ризик того, що пункт вимірюватиме щось інше. Для психологічних інструментів, імпортованих між культурами, Haynes та співавтори (2026) ставлять змістову валідність у центр адаптації: якщо поведінки, емоції або ставлення в новому контексті представлені невдало, подальша статистика не усуває початкової змістової проблеми. 3. Сформувати компетентну багатомовну команду Один перекладач рідко може одночасно гарантувати мовну природність, знання психологічного конструкта, психометричну точність і культурну доречність. Тому дизайн часто передбачає кількох перекладачів, експертів зі змісту, психометриста і представників цільової мови/культури. Роль кожного учасника та спосіб розв’язання розбіжностей варто документувати. 4. Виконати прямі переклади й узгодження Один із поширених підходів — незалежні прямі переклади з подальшим узгодженням. Мета узгодження полягає не у виборі «середнього» формулювання, а в тому, щоб для кожного проблемного місця зберегти функцію пункту: зміст, рівень інтенсивності, часову рамку, умову, форму відповіді й природність українського вислову. Класична праця Beaton та співавторів (2000) і рекомендації Wild та співавторів (2005) описують багатокрокові схеми для самозвітних інструментів. Вони корисні як методологічні орієнтири, але конкретний дизайн має відповідати типу тесту, його меті та сучасним вимогам. 5. Використати зворотний переклад як перевірку, а не як сертифікат Зворотний переклад — це переклад узгодженої української версії назад у вихідну мову перекладачем, який не спирається на оригінал. Він може виявити втрату змісту, додане значення або надто вільне перефразування. Однак збіг двох мовних версій ще не показує, як пункт розуміє український респондент і чи працює він психометрично. Це добре видно в емпіричній практиці. Krogsgaard та співавтори (2021) у великому огляді перекладів PROM повідомили, що прямий–зворотний переклад використовувався майже повсюдно, тоді як когнітивні інтерв’ю та сучасна перевірка еквівалентності застосовувалися значно рідше. Поширеність процедури не робить її достатньою. 6. Провести експертний змістовий перегляд Експерти перевіряють, чи кожен пункт залишається релевантним конструкту, чи охоплення конструкта достатнє, чи немає культурно неприйнятних або двозначних формулювань, чи не змінився рівень складності і чи відповідають варіанти відповіді змісту запитання. Важливо фіксувати не лише рішення, а й аргументи за ними. 7. Перевірити розуміння на представниках цільової групи Когнітивне інтерв’ю питає не «чи подобається вам переклад», а як саме людина зрозуміла пункт, що пригадувала, коли відповідала, що для неї означали ключові слова і як вона вибрала категорію відповіді. Це дає дані про процес відповіді, які неможливо замінити експертним читанням. Для самозвітних інструментів COSMIN-методологія змістової валідності розглядає зрозумілість разом із релевантністю та повнотою. Для інших типів тестів логіка якісної перевірки зберігається, але конкретні методи мають відповідати природі завдань і респондентів. 8. Провести пілотне дослідження Пілотна вибірка дозволяє побачити розподіли відповідей, пропуски, ефекти підлоги й стелі, проблемні категорії відповіді, дуже легкі або дуже складні завдання, підозрілу дискримінацію пунктів і технічні проблеми процедури. ITC рекомендує збирати пілотні дані до великих досліджень надійності, валідності та нормування, щоб мати можливість виправити виявлені дефекти. 9. Перевірити психометричну структуру і надійність Якщо тест має передбачувану факторну структуру, адаптована версія потребує її перевірки відповідним методом. Результат залежить від моделі, шкали відповідей, розміру й складу вибірки, тому немає одного універсального аналізу. Надійність також оцінюють відповідно до типу рішення: внутрішню узгодженість, стабільність у часі, міжоцінювальну узгодженість або еквівалентність паралельних форм — лише там, де це релевантно. Надійність не дорівнює валідності. Детальніше про види та межі коефіцієнтів див. у статті «Надійність психологічного тесту». Високий α Кронбаха не підтверджує автоматично одновимірність, стабільність у часі, точність індивідуального бала або правильність інтерпретації конструкта. 10. Зібрати докази валідності для запланованого використання Після перекладу не існує одного тесту «на валідність». Потрібен набір доказів, доречний меті. Standards AERA/APA/NCME організовують його навколо змісту, процесів відповіді, внутрішньої структури, зв’язків з іншими змінними та наслідків використання. Які саме аналізи мають найбільшу вагу, залежить від інструмента. 11. Якщо потрібні порівняння — перевірити міжгрупову еквівалентність Якщо українські бали планують безпосередньо порівнювати з балами іншої мовної версії, вимога стає сильнішою. Необхідно досліджувати, чи однаково працює вимірювальна модель і чи не мають окремі пункти диференційного функціонування. ITC прямо рекомендує статистичні докази конструктної, методичної та еквівалентності на рівні окремих пунктів для відповідних популяцій. 12. Обґрунтувати норми, пороги і правила інтерпретації На цьому етапі вирішують, чи можна використовувати вихідні норми, чи потрібне українське нормування; чи зберігається шкала; чи однаково працюють порогові значення; чи потрібне калібрування. Для скринінгових інструментів окремо перевіряють діагностичну точність у релевантній популяції. Порогове значення не є універсальною межею «є/немає розладу». 13. Документувати версію і межі її використання Адаптація завершується не лише файлом із перекладом, а документацією: джерело й версія оригіналу, право на адаптацію, склад команди, процедури перекладу, рішення щодо змін, якісні дослідження, вибірки, психометричні аналізи, норми, правила підрахунку, обмеження та дата версії. Без цього користувач не може зрозуміти, яку саме українську форму він застосовує. Які психометричні властивості треба перевіряти Перелік залежить від конструкта, типу інструмента і мети. Не кожному тесту потрібні всі можливі коефіцієнти. Принцип інший: кожна властивість має відповідати висновку, який планують робити за балом. Змістова валідність Питання: чи пункти справді релевантні заявленому конструкту, чи охоплюють його достатньо повно і чи зрозумілі цільовим респондентам. Для адаптованої версії це критично, бо переклад може зберегти слова і втратити локальну релевантність. Haynes та співавтори наголошують, що без культурної адаптації й змістової перевірки інші психометричні показники можуть створювати оманливе відчуття якості. Структурна валідність Питання: чи відповідає структура відповідей теоретичній структурі шкали. Для багатовимірних опитувальників це може бути факторний аналіз; для моделей теорії відповіді на завдання — інша модель. Збіг одного глобального коефіцієнта з оригіналом не замінює аналізу структури. Надійність Внутрішня узгодженість описує взаємозв’язок пунктів за певних припущень. Test–retest reliability оцінює стабільність балів у часі, коли сам конструкт має залишатися стабільним. Inter-rater reliability потрібна, коли результат залежить від оцінювачів. Parallel-forms reliability стосується еквівалентних форм. Ці властивості не взаємозамінні. Похибка вимірювання Навіть надійний тест має невизначеність окремого бала. Для моніторингу змін потрібно знати, яка різниця може виникнути через похибку. Психометричне SEM — standard error of measurement — не слід плутати зі standard error of the mean. Так само мінімально виявлювана зміна не дорівнює мінімально важливій зміні. Зв’язки з іншими змінними Очікувані кореляції, відмінності між релевантними групами, прогностичні зв’язки або співвідношення з критеріями можуть підтримувати валідність, якщо вони випливають із теорії та дизайну. Сам факт статистично значущої кореляції не доводить, що тест вимірює потрібний конструкт, а p-value не є ймовірністю істинності гіпотези. Кроскультурна валідність, інваріантність і DIF Для порівняння мовних або культурних груп важливо перевіряти, чи не змінюється вимірювальна модель. Han, Colarelli і Weed (2019) розглядають інваріантність як ключову передумову осмислених міжгрупових порівнянь. У практиці часто аналізують конфігуральну, метричну й скалярну інваріантність; для окремих пунктів застосовують аналіз DIF. Водночас інваріантність вимірювання не є автоматичним доказом повної відсутності систематичного упередження або справедливості тесту. Вона відповідає на конкретні модельні питання за певних припущень. Справедливість ширша й охоплює зміст, доступність, процедуру, наслідки й контекст використання. Так само знайдений DIF — сигнал про різну роботу пункту за умовно однакового рівня латентної характеристики, а не автоматичний вирок «цей тест несправедливий». Потрібно оцінити величину, напрям, джерело та вплив DIF на бал і рішення. Докладніше про перевірку еквівалентності між мовами й культурами див. у статті «Кроскультурна валідність». Чутливість до змін Якщо шкалу використовують для моніторингу стану або результату втручання, важливо, чи вона здатна виявляти зміни конструкта в часі. У COSMIN це responsiveness — окрема вимірювальна властивість для інструментів вимірювання результатів. Вона не тотожна діагностичній чутливості скринінгового тесту. Норми: чому вихідна нормативна вибірка не стає українською після перекладу Норма описує розподіл балів у визначеній референтній групі. Якщо ця група походить з іншої країни, часу, вікового складу, системи освіти або клінічного контексту, її показники не перетворюються на українські через переклад інструкції. ITC окремо вимагає доказів справедливості й статистичної доречності перед використанням норм вихідної версії з адаптованою. Це особливо важливо для процентилів, T-балів та інших стандартизованих показників. 80-й процентиль означає відносне місце в певній нормативній групі, а не «80% правильних відповідей». T-бал є стандартизованою шкалою і не має стосунку до t-статистики. Якщо змінюється нормативна група, може змінитися й інтерпретація того самого сирого бала. Норми мають відповідати цільовій популяції. Для дитячого тесту можуть бути потрібні вікові діапазони; для клінічного інструмента — окреме обґрунтування клінічної та неклінічної вибірок; для тесту здібностей — увага до освіти, мови навчання й умов проведення. Репрезентативність не зводиться до великого N: важливо, кого саме представляє вибірка. Порогові значення: переклад не переносить cutoff У скринінгових шкалах cutoff часто сприймають як природну межу між «є» і «немає» розладу. Насправді поріг є правилом класифікації, яке працює в конкретній популяції, відносно конкретного еталонного стандарту та за певної ціни помилок. Переклад формулювань може змінити розподіл балів; відмінності популяції можуть змінити базову частоту; клінічна система може змінити наслідки хибнопозитивних і хибнонегативних результатів. Чутливість і специфічність не дорівнюють позитивній та негативній прогностичній цінності. PPV і NPV залежать, зокрема, від поширеності стану в популяції. ROC-крива й AUC характеризують дискримінацію за певного дизайну, але не доводять клінічну корисність тесту. Один скринінговий бал не встановлює діагноз: діагностика потребує ширшого психологічного оцінювання і відповідних клінічних критеріїв. Інваріантність вимірювання: коли вона потрібна Якщо мета української версії — просто вимірювати конструкт в українській популяції, дослідження має насамперед підтримати її власне використання. Якщо ж планують порівнювати середні бали української групи з групою іншої мови або об’єднувати дані, питання еквівалентності стає центральним. ITC прямо зауважує: вимоги до доказів залежать від призначення тесту. Окремо про рівні й практичну інтерпретацію див. «Інваріантність вимірювання». Конфігуральна інваріантність перевіряє, чи подібна загальна факторна конфігурація. Метрична — чи можна вважати навантаження достатньо порівнюваними. Скалярна — чи дозволяє модель осмислено порівнювати латентні середні за відповідних умов. Строга інваріантність додає сильніші обмеження щодо залишкової варіації. Реальні дослідження можуть мати часткову інваріантність; рішення має спиратися на модель, мету, величину відхилень і теоретичну інтерпретацію, а не на магічний один cutoff fit-індексу. Для показників, про які повідомляє сам пацієнт (patient-reported outcomes), сучасний COSMIN manual розглядає кроскультурну валідність / інваріантність вимірювання (cross-cultural validity/measurement invariance) як окрему властивість і допускає аналіз через багатогрупові факторні моделі або DIF. Це корисний спеціалізована методологічна рамка, але він не замінює загальні стандарти психологічного тестування для інструментів іншого типу. DIF: різне функціонування пункту ще не дорівнює несправедливості Диференційне функціонування пунктів означає, що люди з однаковим рівнем вимірюваної латентної характеристики, але з різних груп, мають різну ймовірність певної відповіді на конкретний пункт. Для мовних версій це може вказувати на перекладацьку проблему, культурну специфіку, різне розуміння або іншу форму нееквівалентності. Проте DIF потребує змістової діагностики. Малий статистичний ефект може майже не впливати на сумарний бал; іноді різна робота пункту відображає реальну групову специфіку, пов’язану з самим конструктом; іноді кілька DIF-пунктів компенсують або, навпаки, накопичують ефект. Krogsgaard та співавтори наочно показали, що для частини перекладених шкал DIF може робити пряме об’єднання балів проблемним, тоді як для інших підшкал корекція або об’єднання можливі. Українська версія: що саме має бути доведено Українська мова і «населення України» — не одна психометрична змінна. Версія може бути українськомовною, але дослідженою лише на студентах; може бути адаптованою для дорослих цивільних, але не для підлітків; може працювати в онлайн-самозвіті, але не мати даних для інтерв’ю; може мати добру структуру, але ще не мати норм. Тому назва «українська версія» має супроводжуватися описом вибірки та призначення. Українська професійна практика вже має приклади саме такого багатокрокового підходу. У дослідженні українськомовної адаптації B-IPF автори описали прямий і зворотний переклади, експертну оцінку та окрему психометричну перевірку на двох вибірках. При цьому вони прямо зазначили потребу подальшого розширення вибірки та формування тестових норм. Це хороший приклад важливої наукової логіки: навіть позитивні результати не роблять доказову базу безмежною. Всеукраїнська психодіагностична асоціація публікує українські переклади рекомендацій ITC і вказує на міжнародні стандарти адаптації та використання тестів. Для конкретного інструмента, однак, необхідно читати не лише загальний стандарт, а й саме дослідження української версії, документацію правовласника та її межі використання. Надійність української версії: один α не вирішує питання У статтях про адаптацію часто найпомітнішим результатом стає α Кронбаха. Це зручний коефіцієнт, але він описує лише певний аспект взаємозв’язку пунктів за конкретних умов і припущень. Його значення залежить від кількості пунктів, кореляцій між ними, вибірки та моделі. Високе α може співіснувати з багатовимірністю, дублюванням пунктів або слабкою змістовою валідністю. Тому фраза «α = 0,90, отже українська версія валідна» є методологічною помилкою. Надійність ≠ валідність; внутрішня узгодженість (internal consistency) ≠ стабільність у часі (test–retest reliability) ≠ міжоцінювальна надійність (inter-rater reliability) ≠ надійність паралельних форм (parallel-forms reliability). Який саме показник потрібен, визначає використання тесту, а не звичка дослідника. Валідність не означає буквальну ідентичність з оригіналом Адаптація не завжди має прагнути до буквального копіювання. Якщо вихідний приклад, ідіома або ситуація в українському контексті незрозумілі, буквальність може зменшити еквівалентність. Іноді функціонально еквівалентна зміна формулювання точніше зберігає психологічний зміст, ніж дослівність. Такі зміни мають бути обґрунтовані, перевірені й задокументовані. Водночас «культурна адаптація» не дає дозволу довільно переписувати тест. Модифікація може змінити конструкт, складність або шкалу, а для захищеного правами інструмента ще й порушити ліцензію. Межа між потрібною адаптацією й створенням фактично нового інструмента визначається змістом змін, правами та емпіричними доказами. Авторське право, ліцензія і психометрична якість — окремі питання Психометрично добра версія може бути використана неправомірно, якщо порушено авторські права. І навпаки, офіційний дозвіл правовласника не гарантує, що саме українська версія має достатню надійність, валідність або норми. Це дві незалежні осі перевірки. Правовий статус відповідає на питання: чи можна перекладати, адаптувати, відтворювати, публікувати, адмініструвати й поширювати матеріали. Психометричний статус відповідає на питання: які дані підтримують точність і заплановане тлумачення балів у цільовій популяції. Редакційний або технічний статус відповідає на питання: яка саме версія використовується, чи збігаються правила підрахунку балів, чи збережено інструкції та формат. З цієї причини відкритий доступ до PDF або випадкова копія тесту в інтернеті не є доказом ні дозволу, ні якості. Український психологічний ХАБ не публікує захищені тестові пункти, ключі відповідей, закриті матеріали для підрахунку балів або неліцензовані копії захищених правами інструментів. Докладніше — у матеріалі «Етичне використання психологічних тестів». Як читати дослідження «української валідації»: практичний чекліст Публікація може називатися «адаптація», «валідація» або «психометрична оцінка», але назва не визначає її методологічну повноту. Нижче — питання, які допомагають оцінити, що насправді було зроблено. Чи названо точну вихідну версію інструмента, автора/правовласника і право на адаптацію? Чи описано заплановане використання: що саме має робити українська версія і які рішення підтримувати? Чи визначено цільову популяцію: вік, мова, контекст, клінічний статус, освіта та інші релевантні характеристики? Чи перевірено, що конструкт і зміст пунктів релевантні українському контексту? Чи описано перекладачів, їхню компетентність і процедуру узгодження? Чи проводили експертний перегляд і роботу з представниками цільової групи, а не лише з авторами дослідження? Чи були когнітивні інтерв’ю, попереднє тестування або інша перевірка того, як респонденти розуміють пункти? Чи описано вибірку психометричного дослідження і чи відповідає вона заявленому використанню? Чи перевірено структуру інструмента, якщо структурне припущення є частиною правил підрахунку балів? Чи оцінено релевантні види надійності, а не лише α Кронбаха? Чи наведено докази валідності, узгоджені із запланованим використанням, а не лише одну кореляцію? Якщо порівнюють мовні/культурні групи, чи перевіряли інваріантність або DIF? Якщо використовують норми або cutoff, чи обґрунтовано їх для цільової популяції? Чи описано обмеження, пропуски доказів і сферу, за межі якої результати не слід переносити? Чи можна однозначно відтворити, яку саме українську версію й правила підрахунку використано? Типові помилки інтерпретації «Є український текст — отже є українська валідована версія». Переклад є лише частиною адаптації. «Зворотний переклад збігся — отже все доведено». Зворотний переклад перевіряє частину мовної еквівалентності, але не замінює змістового перегляду, когнітивного тестування і психометричних даних. «α Кронбаха високий — отже тест валідний». Надійність і валідність відповідають на різні питання. «Факторна модель має прийнятні показники відповідності — отже систематичного упередження немає». Відповідність структурної моделі не охоплює автоматично всі аспекти справедливості й змістової еквівалентності. «Інваріантність вимірювання встановлена — отже тест повністю справедливий». Інваріантність є важливою модельною перевіркою, а справедливість тестування — ширше поняття. «Є DIF — отже пункт несправедливий і його треба видалити». DIF потребує оцінки величини, змісту, джерела й впливу. «Можна взяти американські норми, бо шкала та сама». Норми вихідної версії потребують окремого обґрунтування для адаптованої. «Cutoff 10 працює в оригіналі, тому 10 є універсальним діагностичним порогом». Поріг залежить від популяції, критерію, базової частоти і призначення; скринінг не дорівнює діагнозу. «Офіційний переклад автоматично психометрично якісний». Правовий дозвіл і психометричні докази є різними питаннями. «Будь-яка культурна зміна покращує тест». Зміни мають зберігати або обґрунтовано уточнювати вимірювальну функцію і потребують емпіричної перевірки. Практичні висновки для психолога Перед використанням адаптованого інструмента варто знати не лише його назву, а й точну версію, цільову популяцію та доказову базу. Якщо у документації є лише переклад і внутрішня узгодженість, це вузька доказова база. Для індивідуальних рішень особливо важливі точність бала, релевантні нормативні або критеріальні дані, обмеження та відповідність запланованому використанню. Результат тесту є одним джерелом інформації в ширшому психологічному оцінюванні. Його не слід перетворювати на діагноз без потрібного клінічного процесу, а невизначеність вимірювання не слід приховувати за точним числом. Практичні висновки для дослідника Найсильніший дизайн починається з чіткого визначення конструкта та запланованого використання, а не з пошуку перекладача. Протокол адаптації варто визначити до збору основних даних; рішення й зміни — документувати; якісний етап — планувати разом із кількісним; вибір аналізів — пов’язувати з моделлю вимірювання; відсутні властивості — прямо називати відсутніми, а не підміняти іншими коефіцієнтами. Для інструментів вимірювання результатів, про які повідомляє сам пацієнт (patient-reported outcome measures, PROMs) корисним спеціалізованою методологічною рамкою є COSMIN. Оновлена COSMIN guideline version 2.0 допомагає систематично оцінювати докази щодо вимірювальних властивостей PROMs. Для загальних психологічних та освітніх тестів базовою рамкою залишаються Standards AERA/APA/NCME та ITC. Практичні висновки для читача Якщо ви бачите онлайн-тест «українською», запитайте про джерело. Чи названо авторів і версію? Чи є посилання на дослідження адаптації? Чи описано, на кому тест перевіряли? Чи є норми? Чи заявлена мета збігається з вашою ситуацією? Чи це скринінг, оцінювання, моніторинг або розважальний тест? Психологічні тести мають сенс лише разом із правилами їх інтерпретації. Коли переклад може бути корисним ще до повної адаптації У дослідженні іноді виникає етап, коли переклад потрібен для когнітивного інтерв’ю, експертної оцінки або пілоту до завершення психометричної програми. Такий матеріал може бути корисним як дослідницька версія, якщо статус прозоро позначено. Проблема виникає, коли попередній переклад подають як готовий валідований тест і за його балами роблять висновки, для яких доказів ще немає. Тому науково коректні формулювання мають значення: «переклад для пілотного дослідження», «попередня українська версія», «адаптована версія з первинною психометричною оцінкою», «версія з підтвердженими такими-то властивостями». Такі назви повідомляють читачеві рівень доказовості замість створення враження завершеності. Чи завжди потрібна нова українська нормативна вибірка Не кожен інструмент є нормативно орієнтованим (norm-referenced), тому універсальна вимога «завжди створювати українські норми» була б неправильною. Якщо інструмент інтерпретується за критерієм, моделлю або іншим правилом, центральним може бути інше обґрунтування. Але якщо висновок залежить від того, як людина розташована відносно нормативної групи, доречність цієї групи стає частиною валідного тлумачення. ITC дозволяє використання вихідних норм лише за наявності доказів статистичної доречності та справедливості. В інших випадках потрібне нормування адаптованої версії. Це важливіше, ніж механічне правило про певну мінімальну кількість учасників: розмір вибірки планують під точність норм, стратифікацію, модель і заплановане використання. Чи має українська адаптація бути тотожною для всіх українців Українська популяція неоднорідна за віком, регіоном, освітою, мовним досвідом, станом здоров’я та умовами життя. Це не означає, що для кожної підгрупи потрібен окремий тест. Це означає, що межі генералізації мають бути емпіричними. Якщо версію вивчали лише на вузькій групі, висновки про всю країну потребують додаткових даних. Так само двомовність або використання кількох мов не можна трактувати як просту технічну перешкоду. Мовний досвід може взаємодіяти зі складністю формулювань і контекстом тестування. Якщо це релевантно для запланованого використання, його потрібно описувати й, за можливості, враховувати в дизайні. Науковий статус рекомендацій: що є усталеним, а що залежить від методу Усталена частина сучасної методології полягає в тому, що переклад не дорівнює адаптації; нова мовно-культурна версія потребує власних доказів; цільова популяція та заплановане використання мають бути визначені; зміст, процес відповіді, структура, релевантна надійність і правила інтерпретації оцінюються окремо; норми та пороги не переносять автоматично; права на тест і психометрична якість є різними питаннями. Варіативною є конкретна послідовність перекладацьких кроків, кількість перекладачів, роль зворотного перекладу, статистична модель, критерії відповідності і мінімальний обсяг вибірки. Тут рішення залежать від типу інструмента, формату даних, мети й ресурсів. Огляд оглядів 2025 року саме тому не знаходить одного універсального еталонного протоколу, хоча структуровані багатокрокові підходи мають значно сильніше обґрунтування, ніж «переклали — порахували α». Часті запитання Якщо тест переклав професійний перекладач, цього достатньо? Ні. Професійний переклад може бути дуже якісним мовно, але він не встановлює концептуальну, культурну й психометричну еквівалентність. Потрібні щонайменше перевірка змісту та розуміння в цільовій групі, а для реального використання — релевантні психометричні докази. Чи обов’язковий зворотний переклад? Він є поширеним способом контролю перекладу, але не є універсальним доказом якості й не замінює інші процедури. ITC допускає різні дизайни перекладу. Вибір має бути аргументованим; важливіше, щоб команда перевіряла функціональну еквівалентність змісту й процесів відповіді, а не формально виконувала один ритуал. Чи достатньо α Кронбаха понад 0,70? Ні. Значення α не є універсальною межею якості тесту. Воно не доводить одновимірність, стабільність у часі, міжоцінювальну надійність, відсутність похибки або валідність. Інтерпретація залежить від структури шкали, призначення й рівня рішення. Якщо факторна структура української версії така сама, чи можна брати оригінальні норми? Не автоматично. Подібна структура підтримує один аспект еквівалентності, але норми описують розподіл балів у конкретній референтній популяції. ITC вимагає окремого обґрунтування, якщо оригінальні норми переносять на адаптовану версію. Український переклад і українська адаптація — це одне? Ні. Український переклад описує мову тексту. Українська адаптація має описувати цільову популяцію, культурну доречність, процедуру й психометричні докази. Версія може бути перекладена українською, але ще не мати достатніх даних для заявленого використання. Чи означає інваріантність вимірювання, що систематичного упередження немає? Ні. Інваріантність дає важливі докази щодо порівнюваності вимірювальної моделі між групами. Але систематичне упередження і справедливість охоплюють також зміст, доступність, процедури, наслідки, контекст рішень та інші джерела систематичної нерівності. Чи означає DIF, що пункт треба видалити? Не завжди. DIF є підставою для змістового й статистичного розслідування. Потрібно визначити його величину, причину, вплив на сумарний бал і заплановане використання. Іноді пункт справді потребує зміни або вилучення; іноді різниця мала або змістовно пояснювана. Чи можна використовувати оригінальний cutoff для української версії? Лише за наявності відповідних доказів для цільової популяції та способу використання. Порогові значення залежать від критерію, розподілу балів, поширеності стану й наслідків помилок. Для клінічного скринінгу один cutoff не є діагнозом. Як зрозуміти, яку українську версію тесту я маю? Перевірте назву й редакцію оригіналу, авторів адаптації, рік, джерело публікації, дозвіл/ліцензію, текст інструкції, правила підрахунку балів і посилання на психометричне дослідження. Якщо походження файлу неможливо простежити, версію не слід вважати встановленою лише через українську мову. Чи можна за одним балом українського тесту поставити діагноз? Ні. Бал може бути індикатором симптому, оцінкою риси, результатом скринінгу, показником моніторингу або частиною оцінювання — залежно від інструмента. Діагноз є ширшим клінічним висновком і не випливає автоматично з одного бала чи порогового значення. Про відмінність тестування й оцінювання див. «Психологічне тестування». Пов’язані статті Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів Психологічні тести: що це, як працюють і як оцінювати результати Психологічна оцінка й оцінювання: що це, як проходить і чим відрізняється від тестування Надійність психологічного тесту: що це, які бувають види і чому надійність не дорівнює валідності Психологічне тестування: що це, як проводиться і які обмеження має результат тесту Етичне використання психологічних тестів: кваліфікація, конфіденційність, права та безпека матеріалів Кроскультурна валідність: чи вимірює адаптований тест той самий конструкт у різних мовах і культурах Інваріантність вимірювання: чи можна коректно порівнювати тестові бали між групами та в часі Джерела Aleksina, N., Gerasymenko, O., Lavrynenko, D., Savchenko, O., & Zarubin, I. (2024). The Brief Inventory of Psychosocial Functioning (B-IPF): Ukrainian-language adaptation and psychometric evaluation. Bulletin of Taras Shevchenko National University of Kyiv. Psychology, 2(20), 19–26. American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. Beaton, D. E., Bombardier, C., Guillemin, F., & Ferraz, M. B. (2000). Guidelines for the process of cross-cultural adaptation of self-report measures. Spine, 25(24), 3186–3191. Han, K., Colarelli, S. M., & Weed, N. C. (2019). Methodological and statistical advances in the consideration of cultural diversity in assessment: A critical review of group classification and measurement invariance testing. Psychological Assessment, 31(12), 1481–1496. Haynes, S. N., Matsui, M., & Kaholokula, J. K. (2026). Content validation and cultural adaptation are necessary to interpret evidence from psychological assessment instruments imported across cultures. Current Opinion in Psychology, 70, 102307. International Test Commission. (2017). The ITC Guidelines for Translating and Adapting Tests (Second edition), Version 2.4. Krogsgaard, M. R., Brodersen, J., Christensen, K. B., Siersma, V., Jensen, J., Hansen, C. F., Engebretsen, L., Visnes, H., Forssblad, M., & Comins, J. D. (2021). How to translate and locally adapt a PROM: Assessment of cross-cultural differential item functioning. Scandinavian Journal of Medicine & Science in Sports, 31(5), 999–1008. Mokkink, L. B., Elsman, E. B. M., & Terwee, C. B. (2024). COSMIN guideline for systematic reviews of patient-reported outcome measures version 2.0. Quality of Life Research, 33, 2929–2939. Prince, M. (2008). Measurement validity in cross-cultural comparative research. Epidemiologia e Psichiatria Sociale, 17(3), 211–220. Shahbazi, M., Alizadeh Zarei, M., Hassani Mehraban, A., Karamali Esmaili, S., & Shahbazi, F. (2025). An umbrella review of various methods for translating and culturally adapting self-reported health instruments. Journal of Evaluation in Clinical Practice, 31(8), e70287. Terwee, C. B., Prinsen, C. A. C., Chiarotto, A., Westerman, M. J., Patrick, D. L., Alonso, J., Bouter, L. M., de Vet, H. C. W., & Mokkink, L. B. (2018). COSMIN methodology for evaluating the content validity of patient-reported outcome measures: a Delphi study. Quality of Life Research, 27(5), 1159–1170. Всеукраїнська психодіагностична асоціація. Єдині психодіагностичні стандарти: українські переклади рекомендацій International Test Commission. Wild, D., Grove, A., Martin, M., Eremenco, S., McElroy, S., Verjee-Lorenz, A., & Erikson, P. (2005). Principles of Good Practice for the Translation and Cultural Adaptation Process for Patient-Reported Outcomes Measures. Value in Health, 8(2), 94–104.

Автор: Український психологічний ХАБ · Опубліковано: 23 вересня 2026 · Редакційна політика Кроскультурна валідність показує, чи зберігає психологічний інструмент зміст і вимірювальну функцію, коли його переносять між мовами, культурами або іншими групами. Практичне питання просте: якщо дві людини мають однаковий рівень вимірюваного конструкта, чи означають їхні відповіді й отримані бали те саме незалежно від того, якою мовою вони проходять тест і до якої культурної групи належать? COSMIN визначає cross-cultural validity / measurement invariance через еквівалентність функціонування пунктів адаптованої та оригінальної версій, а International Test Commission вимагає емпіричних доказів еквівалентності конструкта, методу й окремих завдань для всіх популяцій, у яких тест планують застосовувати. Сам переклад, навіть дуже якісний, цього не доводить. Переклад може зберегти словникове значення фрази, але змінити її психологічний зміст, звичність, соціальну бажаність, складність, емоційний відтінок або спосіб використання шкали відповідей. Саме тому ITC розрізняє переклад і адаптацію: переклад є лише частиною ширшого процесу, який включає перевірку того, чи взагалі той самий конструкт можна коректно вимірювати в новій мовній і культурній популяції. У психометрії кроскультурна валідність не є штампом «тест валідний у всіх культурах». Це сукупність доказів для конкретних версій інструмента, конкретних груп, способу адміністрування та конкретної інтерпретації балів. Вона може бути достатньою для одного виду порівняння і недостатньою для іншого. Що таке кроскультурна валідність У широкому психометричному сенсі кроскультурна валідність — це доказова підстава вважати, що інтерпретація результатів тесту зберігає потрібний зміст у різних мовних або культурних групах. Центральна ідея полягає не в буквальній однаковості слів, а в еквівалентності вимірювання. У методології COSMIN термін має більш спеціальне значення: це ступінь, до якого функціонування пунктів перекладеного або культурно адаптованого інструмента адекватно відображає функціонування пунктів оригінальної версії. Там кроскультурна валідність безпосередньо пов’язана з інваріантністю вимірювання та DIF — differential item functioning. Сучасні Standards for Educational and Psychological Testing трактують валідність як обґрунтованість інтерпретацій і використання тестових балів на основі накопичених доказів. Тому кроскультурне порівняння не слід мислити як окремий сертифікат якості, який назавжди прикріплюється до тесту. Потрібно показати, що саме запланований висновок — наприклад, порівняння середніх рівнів тривожності між українськомовною та англомовною вибірками — підтримується даними. Кроскультурна валідність і кроскультурна адаптація — різні етапи Кроскультурна адаптація описує процес перенесення інструмента: оцінювання релевантності конструкта, переклад, узгодження формулювань, експертний перегляд, перевірку зрозумілості, пілотування та інші процедури. Кроскультурна валідність стосується доказів того, що після такого перенесення інструмент справді працює належним чином. Повний процес перенесення інструмента українською розібрано в матеріалі «Адаптація і переклад психологічних тестів». Класичні рекомендації Beaton та співавторів описують прямий переклад, синтез, зворотний переклад, експертний комітет і претестування як компоненти адаптації. Водночас огляд Epstein, Santo і Guillemin показав, що між численними настановами немає повного консенсусу щодо єдиного обов’язкового алгоритму, а емпірична перевага окремих процедур, зокрема зворотного перекладу, не завжди доведена. Отже, якість адаптації оцінюють за тим, наскільки процедура виявляє й усуває загрози еквівалентності, а не за механічним виконанням одного ритуалу. Що саме може змінитися після перекладу або перенесення тесту Один і той самий пункт може діяти по-різному через кілька незалежних механізмів. Це важливо, бо статистична нееквівалентність не завжди означає поганий переклад, а хороший переклад не гарантує статистичної еквівалентності. Зміст самого конструкта Перший рівень — концептуальний. Чи має конструкт достатньо схожий зміст у порівнюваних культурах? Наприклад, соціальна підтримка, автономія, сором, сімейна відповідальність або психологічний дистрес можуть мати спільне ядро, але різні нормативні прояви. ITC радить ще до адаптації оцінити, чи достатньо перекриваються визначення конструкта та зміст пунктів у цільових популяціях. Семантика і прагматика пунктів Слова можуть мати формальні відповідники, але різну частоту вживання, емоційний тон, ввічливість або соціальний підтекст. Ідіоми, приклади повсякденного життя, часові формулювання й назви соціальних ролей особливо вразливі до такого зсуву. Пункт може залишитися граматично правильним і водночас почати вимірювати іншу суміш конструкта, мовної складності та культурного досвіду. Формат відповіді та стилі реагування Групи можуть відрізнятися за схильністю обирати крайні або середні категорії, погоджуватися з твердженнями, уникати соціально небажаних відповідей чи по-різному трактувати частотні слова на кшталт «часто» і «інколи». Такі відмінності здатні впливати на розподіл відповідей навіть тоді, коли латентний психологічний конструкт однаковий. Контекст і процедура тестування Режим адміністрування, пристрій, присутність фахівця, грамотність, доступність цифрового інтерфейсу, часове обмеження та інструкція можуть взаємодіяти з мовою чи культурною групою. Тому кроскультурна оцінка стосується не лише тексту пунктів, а всієї процедури тестування. Переклад не дорівнює валідованій адаптації Фраза «українська версія існує» повідомляє лише про наявність тексту українською. Вона не доводить, що українська версія вимірює той самий конструкт, має ту саму структуру, достатню надійність, прийнятну похибку вимірювання або коректні норми для української популяції. ITC прямо зазначає, що норми, докази валідності та надійності оригінальної версії автоматично не переносяться на адаптацію. Для нової мовної або культурної версії потрібні власні емпіричні дані, а використання оригінальних норм потребує окремого обґрунтування. Це особливо важливо для клінічних і скринінгових інструментів. Те саме числове порогове значення (cutoff) може мати іншу чутливість, специфічність, позитивну або негативну прогностичну цінність у новій популяції. Кроскультурна валідність не робить порогове значення універсальним, а скринінговий результат не стає діагнозом. Як перевіряють кроскультурну валідність Немає одного коефіцієнта «кроскультурної валідності». Сильна оцінка поєднує змістові, якісні та кількісні докази. Конкретний набір методів залежить від типу тесту, моделі вимірювання, формату відповідей, цільової популяції та запланованого використання. 1. Перевіряють, чи має конструкт порівнюваний зміст До статистики потрібно відповісти на змістове питання: чи є конструкт релевантним у кожній групі і чи покривають пункти однакову область змісту. Для цього використовують експертні оцінки, аналіз літератури, фокус-групи, когнітивні інтерв’ю та інтерв’ю з представниками цільової популяції. ITC вважає таку перевірку основою валідних міжкультурних порівнянь. 2. Оцінюють зрозумілість і культурну релевантність пунктів Після перекладу перевіряють не тільки лінгвістичну точність, а й те, як люди реально розуміють питання і варіанти відповіді. Когнітивне інтерв’ю може показати, що слово формально перекладене правильно, але викликає іншу інтерпретацію, ніж у джерельній версії. 3. Перевіряють структуру шкали в кожній групі Якщо тест має передбачувану факторну структуру, її перевіряють у кожній групі. Порівнювати параметри між групами має сенс лише тоді, коли базова модель адекватно описує дані. Для багатовимірної шкали важливо, щоб ті самі пункти відображали ті самі фактори, а не лише щоб загальний коефіцієнт внутрішньої узгодженості був високим. 4. Тестують інваріантність вимірювання Найпоширеніший підхід для факторних моделей — багатогруповий конфірматорний факторний аналіз. Putnick і Bornstein описують послідовність конфігураційної, метричної, скалярної та, за потреби, строгої інваріантності. Назви й деталі обмежень залежать від типу даних і моделі, особливо для порядкових категорій, але логіка залишається тією самою: поступово перевіряють, які параметри можна вважати еквівалентними між групами. Докладний розбір рівнів, меж порівняння та поздовжньої перевірки див. у статті «Інваріантність вимірювання». 5. Аналізують диференційне функціонування завдань (DIF) DIF виникає, коли люди з однаковим рівнем латентного конструкта, але з різних груп, мають різну ймовірність певної відповіді на конкретний пункт. Таке визначення використовується і в ITC, і в сучасних оглядах DIF, зокрема у Jones. Аналіз може виконуватися в межах IRT, логістичної регресії, Mantel–Haenszel та інших моделей. 6. Перевіряють інші психометричні властивості в цільовій популяції Кроскультурна еквівалентність не замінює перевірку надійності, похибки, зв’язків з іншими змінними, критеріальної або прогностичної валідності, якщо вони потрібні для конкретного використання. Можлива ситуація, коли структура є інваріантною, але надійність у певній групі недостатня; або навпаки — високі коефіцієнти надійності співіснують із нееквівалентним функціонуванням окремих пунктів. 7. Перевіряють норми, шкалювання і правила інтерпретації Навіть за прийнятної інваріантності норми однієї країни або мовної групи не стають автоматично нормами іншої. Якщо висновок залежить від процентиля, T-бала, стандартного бала або порогового значення (cutoff), потрібно окремо перевірити репрезентативність нормативної вибірки та правомірність перенесення шкали. Інваріантність вимірювання: що означають основні рівні Інваріантність вимірювання — статистична рамка для перевірки того, чи працює модель вимірювання однаково в різних групах або в різні моменти часу. Вона не доводить культурну тотожність людей і не вимагає, щоб середні рівні конструкта були однаковими. Навпаки, її мета — відокремити можливі реальні групові відмінності від відмінностей, створених самим інструментом. Конфігураційна інваріантність Конфігураційна інваріантність означає, що базова структура конструкта підтримується в групах: наприклад, ті самі пункти пов’язані з тими самими латентними факторами. Це мінімальна структурна передумова для подальшого порівняння параметрів. Метрична інваріантність Метрична, або слабка (weak), інваріантність передбачає еквівалентність факторних навантажень. У спрощеному тлумаченні вона підтримує думку, що одиниця латентного конструкта має порівнюваний зв’язок з індикаторами в різних групах. Це важливо для порівняння зв’язків конструкта з іншими змінними. Метричної інваріантності самої по собі недостатньо для некритичного порівняння середніх. Скалярна інваріантність Скалярна, або сильна (strong), інваріантність додає рівність інтерцептів для неперервних індикаторів або релевантних порогів для категоріальних даних. За відповідної моделі вона створює основу для порівняння латентних середніх між групами, тому саме цей рівень особливо важливий, коли дослідник заявляє, що одна група «має більше» або «має менше» певної психологічної характеристики. Строга інваріантність Строга, або залишкова (residual), інваріантність додає обмеження на залишкові дисперсії. Це сильніша вимога, ніж зазвичай потрібно лише для порівняння латентних середніх. Її доцільність залежить від аналітичної мети. Сам факт, що дослідження не досягло строгої інваріантності, не означає автоматично, що будь-яке міжгрупове порівняння стає беззмістовним. Часткова інваріантність На практиці повна рівність усіх параметрів трапляється не завжди. Часткова інваріантність означає, що частину обмежень знімають для параметрів, які помітно відрізняються між групами. Такий підхід може бути обґрунтованим, але потребує прозорого опису, змістового пояснення, достатньої кількості інваріантних індикаторів і бажаної реплікації. Часткова інваріантність не є універсальним способом «врятувати» будь-яку модель. Важливо не перетворювати рекомендовані пороги зміни CFI, RMSEA або інших індексів на механічні закони. Огляд Putnick і Bornstein показує різноманітність практик і підкреслює необхідність повідомляти кілька показників придатності моделі, розміри груп, обробку пропущених даних та логіку модельних порівнянь. Висновок про інваріантність залежить від моделі, якості даних і дослідницької мети. DIF: коли конкретний пункт працює по-різному Інваріантність факторної моделі аналізує еквівалентність на рівні системи параметрів, а DIF фокусується на окремих пунктах. Якщо дві людини мають однаковий рівень вимірюваної риси, але належність до групи змінює ймовірність певної відповіді, пункт демонструє DIF. Розрізняють рівномірний DIF, коли перевага однієї групи відносно іншої приблизно стабільна вздовж рівнів конструкта, і нерівномірний DIF, коли величина або напрям відмінності змінюється залежно від рівня конструкта. Конкретне статистичне визначення залежить від застосованої моделі. DIF не дорівнює доказу несправедливості DIF — сигнал для розслідування, а не готовий моральний або клінічний висновок. Пункт може демонструвати DIF через переклад, культурну нерелевантність, різний досвід, справжню специфіку прояву конструкта, особливості вибірки або модельну помилку. Jones підкреслює, що DIF здатен спотворювати оцінювання групових відмінностей, але причину виявленого ефекту потрібно встановлювати окремо. Саме тому психометричне правило має дві частини: DIF не є автоматичним доказом зміщення (bias), а відсутність статистично виявленого DIF не є автоматичним доказом повної справедливості тесту. Справедливість тестування (fairness) охоплює ширший контекст — доступність, процедури, наслідки використання, репрезентативність, можливість підготовки та релевантність інтерпретації. Чому однаковий Cronbach’s alpha нічого не доводить про кроскультурну еквівалентність Поширена помилка — показати, що в українській та оригінальній версіях α Кронбаха становить, наприклад, 0,84 і 0,86, а потім оголосити версії еквівалентними. Внутрішня узгодженість відповідає на інше питання: наскільки взаємопов’язані пункти за певної моделі та вибірки. Вона не показує, що факторні навантаження, інтерцепти, пороги або функціонування окремих пунктів однакові між групами. Дві версії можуть мати майже однакову внутрішню узгодженість і водночас по-різному ранжувати людей або створювати систематичне зміщення на окремих пунктах. Тому надійність психологічного тесту і кроскультурна валідність є різними характеристиками доказової бази. Кроскультурна валідність і структурна валідність Структурна валідність запитує, чи відповідають отримані бали передбачуваній вимірності конструкта. Кроскультурна валідність додає друге питання: чи ця структура та її параметри достатньо еквівалентні між версіями або групами. Тому підтвердження двофакторної моделі лише в українській вибірці ще не доводить кроскультурної еквівалентності з оригінальною версією. Для такого висновку потрібні дані принаймні двох релевантних груп або інший дизайн, який прямо перевіряє еквівалентність. Українська адаптація: що має бути в сильному дослідженні Для української версії тесту сильний доказовий пакет починається не з фрази «перекладено українською», а з прозорого опису всієї траєкторії адаптації. Дослідник має пояснити, хто перекладав, як вирішували неоднозначності, як перевіряли зміст і зрозумілість, хто входив до експертної групи, як відбирали учасників і для якої саме української популяції призначений інструмент. Далі потрібна психометрична перевірка, релевантна до заявленого використання: факторна структура, інваріантність або DIF за наявності порівняльного питання, надійність, похибка, зв’язки з іншими змінними, а для норм чи порогових значень — окремі дані, що підтримують саме ці інтерпретації. Українська наукова практика вже використовує термін «вимірювальна інваріантність». Наприклад, Олефір, Боснюк і Малофейкіна досліджували українську версію SPANE та оцінювали факторну структуру й інваріантність за віком і статтю. Такий приклад важливий як демонстрація підходу: сама наявність української версії відокремлюється від емпіричної перевірки її психометричних властивостей. Чи обов’язково порівнювати українську версію з оригінальною вибіркою Якщо дослідницьке твердження стосується саме еквівалентності української та оригінальної мовної версії, потрібен дизайн, який дозволяє прямо оцінити цю еквівалентність. Якщо ж мета — використовувати українську шкалу лише всередині однієї української популяції без міжкультурних порівнянь, головний доказовий акцент може бути іншим: змістова й структурна валідність, надійність, похибка, зв’язки з іншими змінними та релевантні норми. Проте походження інструмента з іншої мови все одно вимагає документованої адаптації. Реальний культурний ефект і похибка вимірювання — не одне й те саме Якщо середній бал відрізняється між країнами, це ще не показує, чому він відрізняється. Можливі щонайменше три класи пояснень: реальна відмінність у рівні конструкта, відмінність у тому, як конструкт проявляється або інтерпретується, та артефакт інструмента чи процедури. Саме інваріантність і DIF допомагають оцінити третю можливість. Вони не усувають усі змішані фактори й не роблять порівняння причинним. Вони лише дають підстави вважати, що певний клас відмінностей не створений самим вимірювальним механізмом. Так само похибка вимірювання і культурне зміщення не є синонімами. Випадкова похибка зменшує точність індивідуального бала. Систематичне групове зміщення може змінювати порівняння між групами. Обидва явища важливі, але потребують різних моделей і висновків. Що можна порівнювати за різних рівнів інваріантності Найбезпечніше правило — пов’язувати кожний висновок з тим рівнем еквівалентності, який справді підтриманий даними. Конфігураційна інваріантність показує спільну базову структуру. Метрична підтримує порівнюваність навантажень і зазвичай потрібна для зіставлення зв’язків конструкта з іншими змінними. Скалярна або відповідна їй порогова інваріантність потрібна для обґрунтованого порівняння латентних середніх. Строга інваріантність додає ще жорсткішу рівність залишкових компонентів. ITC формулює практичне правило прямо: порівнювати бали між популяціями слід лише тоді, коли встановлений рівень інваріантності відповідає шкалі та способу, у якому ці бали порівнюються. Для сирих сумарних балів ситуація може бути складнішою, ніж для латентних середніх у CFA. Сумарний бал сам по собі не звільняє від припущень моделі. Якщо мета — індивідуальне рішення з високими наслідками, групове порівняння або клінічне порогове значення, потрібна окрема оцінка того, чи саме такий спосіб використання підтримується доказами. Кроскультурна валідність, скринінг і діагностика Психологічна шкала може бути кроскультурно еквівалентною як вимірювальний інструмент і водночас не бути достатньою для клінічного діагнозу. Інваріантність не перетворює самозвіт на діагностичне інтерв’ю, а валідоване порогове значення не скасовує потреби враховувати клінічні критерії, контекст, функціонування та інші джерела інформації. У психологічному тестуванні потрібно розрізняти скринінг, виявлення можливих випадків (case-finding), оцінювання, діагностику, моніторинг та вимірювання результатів (outcome measurement). Кроскультурна валідність відповідає на питання про порівнюваність вимірювання; клінічна корисність і діагностична точність — окремі питання. Типові помилки інтерпретації 1. «Тест перекладено, отже він валідований». Переклад створює мовну версію. Валідована адаптація потребує доказів. 2. «Однаковий α Кронбаха доводить еквівалентність». Внутрішня узгодженість не перевіряє інваріантність факторних параметрів або DIF. 3. «Однакова факторна структура означає, що можна порівнювати середні». Спільної конфігурації недостатньо; для порівняння латентних середніх зазвичай потрібна скалярна або відповідна порогова інваріантність. 4. «DIF доводить дискримінацію або несправедливість». DIF виявляє диференційне функціонування пункту. Причину й практичні наслідки оцінюють окремо. 5. «Відсутність DIF доводить повну справедливість тестування». Справедливість тестування ширша за статистику на рівні окремих пунктів й включає доступ, процедуру, інтерпретацію та наслідки. 6. «Оригінальні норми можна залишити, якщо переклад хороший». ITC вимагає емпіричного обґрунтування перенесення норм; за його відсутності потрібні норми для адаптованої версії. 7. «Статистично значущий тест різниці моделей автоматично доводить неінваріантність». Висновок має враховувати розмір вибірки, якість базової моделі, альтернативні індекси придатності та величину практично важливої зміни. 8. «Якщо повної інваріантності немає, тест марний». Часткова інваріантність або альтернативні моделі іноді дозволяють обґрунтовані висновки, але їхні межі потрібно описувати явно. 9. «Кроскультурна валідність доводить універсальність конструкта». Дані підтримують висновки для досліджених груп, мов, умов і моделей. Переносити їх на всі культури без нових доказів не можна. Як читати статтю про «валідацію української версії» Добра публікація має дозволяти читачеві відновити логіку доказів. Варто перевірити, чи чітко описано цільову популяцію і призначення шкали; чи отримано дозвіл правовласника, коли це потрібно; хто виконував переклад та культурну адаптацію; чи проводили експертну оцінку й перевірку зрозумілості на представниках цільової групи; чи наведено характеристики вибірки й обґрунтовано її розмір. Далі потрібно подивитися, чи перевірено структуру інструмента, чи досліджено інваріантність або DIF, якщо автори заявляють міжгрупову чи міжмовну еквівалентність, чи оцінено релевантні види надійності та похибки, чи є докази зв’язків з іншими змінними, і чи відповідають норми та порогові значення саме тій популяції, у якій їх планують застосовувати. Корисне контрольне питання: який саме висновок підтримує кожний аналіз? CFA підтримує структуру; інваріантність — порівнюваність певних параметрів; DIF — еквівалентність на рівні окремих пунктів; надійність — точність ранжування або відтворюваність за певних умов; локальні норми — інтерпретацію відносно конкретної референтної групи. Жоден із цих елементів не замінює всі інші. Приклад: адаптація шкали тривожності українською Уявімо англомовну шкалу з десяти пунктів, яку планують застосовувати українською. Спочатку команда перевіряє, чи відповідає теоретичне визначення тривожності цільовому контексту і чи всі ситуації, згадані в пунктах, релевантні для українських респондентів. Далі створюють і переглядають переклад, тестують зрозумілість формулювань і варіантів відповіді та проводять пілот. Після цього в достатніх вибірках перевіряють, чи відтворюється передбачувана факторна структура. Якщо планується пряме порівняння української та англомовної груп, тестують інваріантність. Пункти з потенційним DIF переглядають змістово: можливо, проблема в ідіомі, соціальному контексті, неоднаковій звичності ситуації або в реальній культурній специфіці прояву тривожності. Якщо шкала досягає потрібного рівня інваріантності, це підтримує конкретні порівняння. Якщо ні, команда може переглянути окремі пункти, дослідити часткову інваріантність, змінити спосіб шкалювання або обмежити заявлені висновки. Найсильніший результат — не фраза «тест пройшов валідацію», а чітка карта того, які інтерпретації балів підтримуються, для кого і за яких умов. Приклади з міжнародних і українських досліджень Міжкультурна еквівалентність часто виявляється частковою, а не абсолютною. Наприклад, Bibi та співавтори досліджували DASS-21 у Пакистані та Німеччині й отримали часткову метричну/скалярну інваріантність для окремих підшкал, що вимагало обережності з прямими міжкраїнними порівняннями. Такий результат не означає «провал» інструмента; він уточнює межі допустимих висновків. В українському контексті дослідження SPANE демонструє іншу важливу практику: автори не обмежилися перекладом, а перевіряли факторну структуру, конвергентні та дискримінантні характеристики і вимірювальну інваріантність. Це і є логіка сучасної психометрії — адаптація завершується не текстом, а доказами. Коли окрема перевірка кроскультурної валідності особливо потрібна Вона критично важлива, коли дослідник порівнює країни, мовні групи, етнічні або культурні групи; коли тест перекладають і хочуть зберегти спільну шкалу; коли нормативи або порогові значення переносять із іншої популяції; коли той самий інструмент застосовують у багатомовній системі; коли результати впливають на відбір, клінічне рішення, освіту або інші високозначущі рішення. Інваріантність також може перевірятися між віковими або гендерними групами та в часі. COSMIN використовує поняття measurement invariance ширше за суто мовні порівняння, а longitudinal measurement invariance дає змогу перевіряти, чи однакова вимірювальна модель зберігається при повторних вимірюваннях. Межі кроскультурної валідності По-перше, інваріантність є властивістю моделі відносно даних, а не метафізичним доказом того, що психологічний конструкт «однаковий у культурах». Різні моделі можуть акцентувати різні аспекти еквівалентності. По-друге, результати залежать від вибірки. Якщо групи суттєво відрізняються за віком, освітою, клінічним статусом, способом рекрутингу або іншими релевантними характеристиками, культурну чи мовну причину відмінностей важче відокремити. COSMIN прямо рекомендує оцінювати, чи є порівнювані вибірки подібними за релевантними характеристиками, окрім групової змінної, яку досліджують. По-третє, статистична еквівалентність не гарантує клінічної корисності, етичної прийнятності або відсутності всіх форм зміщення (bias). Високоякісне тестування поєднує психометричні дані з аналізом призначення, контексту, наслідків і прав людей, яких оцінюють. Практичний висновок Кроскультурна валідність відповідає не на питання «чи правильно перекладені слова?», а на питання «чи зберігає тест вимірювальний сенс після перенесення між мовами й культурами?». Сильна адаптація починається з концептуальної та мовної роботи, але завершується емпіричною перевіркою. Для обґрунтованого міжкультурного використання потрібні дані про зміст конструкта, зрозумілість пунктів, структурну валідність, потрібний рівень інваріантності, DIF, релевантні види надійності й похибки, а за необхідності — локальні норми та окрема оцінка порогового значення. Переклад не дорівнює адаптації; адаптація не дорівнює доведеній еквівалентності; інваріантність не дорівнює автоматичній відсутності зміщення (bias). Поширені запитання Чи достатньо зворотного перекладу, щоб довести кроскультурну валідність? Ні. Зворотний переклад може бути корисним інструментом контролю, але він не перевіряє, як адаптована версія реально функціонує в цільовій популяції. Огляд Epstein та співавторів показав відсутність повного консенсусу щодо процедур адаптації; емпірична валідизація залишається окремим етапом. Що важливіше: інваріантність чи DIF? Вони відповідають на споріднені питання на різних рівнях і часто доповнюють одне одного. Багатогрупова CFA перевіряє еквівалентність параметрів факторної моделі; DIF фокусується на функціонуванні конкретних пунктів за однакового рівня латентної риси. Який рівень інваріантності потрібен для порівняння середніх? Для порівняння латентних середніх у стандартній CFA-рамці зазвичай потрібна скалярна інваріантність — рівність навантажень та інтерцептів; для порядкових пунктів ключову роль відіграють відповідні пороги. Точні вимоги залежать від моделі, тому універсальне правило не слід відривати від способу оцінювання. Чи означає відсутність повної інваріантності, що тест не можна використовувати? Ні. Можливе використання всередині окремої групи, часткова інваріантність або обмеження конкретних міжгрупових висновків. Рішення залежить від того, які параметри неінваріантні, наскільки великий ефект і для чого саме потрібен тест. Чи доводить DIF, що пункт упереджений? Ні. DIF показує різне функціонування пункту після контролю рівня конструкта. Щоб вважати це зміщенням (bias), потрібно змістово й методологічно з’ясувати причину та наслідки відмінності. Чи можна використовувати оригінальні норми для українського перекладу? Лише за наявності доказів, що таке перенесення статистично та змістово обґрунтоване. ITC прямо вказує, що оригінальні норми не переходять на адаптовану версію автоматично. Чи потрібна кроскультурна валідність, якщо тест використовують тільки українською? Якщо не плануються міжмовні або міжкультурні порівняння, повний порівняльний дизайн може не бути центральним. Проте українська версія все одно потребує належної адаптації та власних доказів валідності й надійності для цільової популяції. Якщо ж заявляється, що вона еквівалентна оригіналу, це твердження потребує прямої перевірки. Чи може тест бути надійним, але кроскультурно нееквівалентним? Так. Висока надійність усередині кожної групи не гарантує, що пункти мають однакові навантаження, інтерцепти, пороги або ймовірності відповіді між групами. Чи означає кроскультурна валідність, що одне порогове значення підходить усім країнам? Ні. Порогове значення (cutoff) пов’язане не лише з моделлю вимірювання, а й із критерієм, метою використання, популяцією та поширеністю стану. Поріг для скринінгу або клінічного рішення потребує локальних доказів діагностичної точності та корисності. Пов’язані статті Психометрія: що це, що вона вимірює і як оцінюють якість психологічних тестів Надійність психологічного тесту: що це, які бувають види і чому надійність не дорівнює валідності Похибка вимірювання в психології: випадкова, систематична і чому один бал не є абсолютно точним Психологічне тестування: що це, як проводиться і які обмеження має результат тесту Адаптація і переклад психологічних тестів: чому перекладу недостатньо для валідної української версії Джерела American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for Educational and Psychological Testing. Beaton, D. E., Bombardier, C., Guillemin, F., & Ferraz, M. B. (2000). Guidelines for the process of cross-cultural adaptation of self-report measures. Spine, 25(24), 3186–3191. Bibi, A., Lin, M., Zhang, X. C., & Margraf, J. (2020). Psychometric properties and measurement invariance of Depression, Anxiety and Stress Scales (DASS-21) across cultures. International Journal of Psychology, 55(6), 916–925. COSMIN. (2024). COSMIN guideline for systematic reviews of Patient-Reported Outcome Measures, Version 2.0. Epstein, J., Santo, R. M., & Guillemin, F. (2015). A review of guidelines for cross-cultural adaptation of questionnaires could not bring out a consensus. Journal of Clinical Epidemiology, 68(4), 435–441. International Test Commission. (2017). The ITC Guidelines for Translating and Adapting Tests (Second Edition). Jones, R. N. (2019). Differential item functioning and its relevance to epidemiology. Current Epidemiology Reports, 6, 174–183. Олефір, В. О., Боснюк, В. Ф., & Малофейкіна, К. О. (2021). Валідизація і вимірювальна інваріантність української версії шкали позитивних і негативних переживань (SPANE). Вісник Харківського національного університету імені В. Н. Каразіна. Серія «Психологія», 71, 34–42. Putnick, D. L., & Bornstein, M. H. (2016). Measurement Invariance Conventions and Reporting: The State of the Art and Future Directions for Psychological Research. Developmental Review, 41, 71–90. Wild, D., Grove, A., Martin, M., Eremenco, S., McElroy, S., Verjee-Lorenz, A., & Erikson, P. (2005). Principles of Good Practice for the Translation and Cultural Adaptation Process for Patient-Reported Outcomes Measures. Value in Health, 8(2), 94–104.