Возрастные различия когнитивных искажений: кластерный анализ молодёжной выборки

Введение. Когнитивные искажения — это устойчивые ошибки мышления, оказывающие влияние на восприятие, поведение и принятие решений. Их изучение в возрастной динамике важно для понимания психологических особенностей восприятия и формирования предубеждений.

Цель исследования — определить возрастные профили когнитивных искажений в студенческой выборке 16–30 лет методом кластерного анализа. Основная задача заключалась в применении кластерного анализа к результатам анкетирования, чтобы установить устойчивые паттерны мышления и предвзятости у респондентов разного возраста.

Материалы и методы. В онлайн-опросе приняли участие 320 добровольцев (женщины — 71%, мужчины — 29%). Средний возраст группы — 19,8 ± 4,7 года. Авторская анкета «CQM» включала 24 утверждения, отражающие 8 ключевых искажений; внутренняя согласованность всей шкалы — α = 0,83. После стандартизации показателей профили группировали методом k-means++ (критерий «локоть»; оптимальное k = 3; silhouette = 0,41). Межкластерные различия проверяли с применением критерия χ² и однофакторного ANOVA; двусторонний уровень значимости 0,05.

Результаты. Выделены три профиля. Кластер 0 «младший»: n = 105; 32,8% (95% ДИ 27,7–38,3); медиана возраста 18 лет; низкая тревожность, высокая толерантность к неопределённости. Кластер 1 «старший студенческий»: n = 134; 41,9% (95% ДИ 36,3–47,8); медиана 23,7 года; выраженный пессимизм. Кластер 2 «промежуточный»: n = 81; 25,3% (95% ДИ 20,8–30,5); медиана 21 год.

Ограничения исследования. Исследование не учитывало социально-экономический статус респондентов и носило перекрёстный характер, без учёта динамики изменений с возрастом.

Заключение. Кластерный анализ демонстрирует существование трёх устойчивых возрастных профилей когнитивных искажений в молодёжной выборке. Полученная типология может быть учтена при разработке образовательных программ по критическому мышлению и профилактике предубеждений.

Соблюдение этических стандартов. Исследование одобрено Этической комиссией ГБУ НИИОЗММ ДЗМ (протокол № 02-01_ЭК_2025 от 11.02.2025). Все участники дали информированное добровольное письменное согласие на участие в исследовании.

Финансирование. Исследование не имело спонсорской поддержки.

Конфликт интересов. Автор декларирует отсутствие явных и потенциальных конфликтов интересов в связи с публикацией данной статьи.

Поступила: 26.03.2025 / Принята к печати: 24.06.2025 / Опубликована: 31.10.2025

1. Tversky A., Kahneman D. Judgment under uncertainty: heuristics and biases. Science. 1974; 185(4157): 1124–31. https://doi.org/10.1126/science.185.4157.1124

2. Haselton M.G., Nettle D. The paranoid optimist: an integrative evolutionary model of cognitive biases. Pers. Soc. Psychol. Rev. 2006; 10(1): 47–66. https://doi.org/10.1207/s15327957pspr1001_3

3. Lieder F., Griffiths T.L. Resource-rational analysis: Understanding human cognition as the optimal use of limited computational resources. Behav. Brain Sci. 2019; 43: e1. https://doi.org/10.1017/S0140525X1900061X

4. De Baets S., Vanderheyden K. Individual differences in the susceptibility to forecasting biases. Appl. Cogn. Psychol. 2021; 35(4): 1106–14. https://doi.org/10.1002/acp.3831

5. Виниченко Т.Н., Ковалева М.А., Горелов В.В. Разработка подхода к кластеризации студентов по уровню их творческого потенциала. Международный журнал гуманитарных и естественных наук. 2022; (12-2): 102–8. https://doi.org/10.24412/2500-1000-2022-12-2-102-108 https://elibrary.ru/uljygl

6. Moreno-Jiménez B., Bustos R., Matallana A., Miralles T. La evaluación del burnout. Problemas y alternativas. El CBB como evaluación de los elementos del proceso. Rev. Psicol. Trabajo Organ. 1997; 13(2): 185–207. (in Spanish)

7. Попов Г.И., Конюхов В.Г., Маркарян В.С. Яшкина Е.Н. Статистическая обработка данных. М.; 2015: 107–12. https://elibrary.ru/vmeyax

8. Репина С.И. Проверка качества кластеров с помощью силуэтного анализа. Экономика и социум. 2024; (9): 958–75. https://doi.org/10.5281/zenodo.13918451 https://elibrary.ru/gznugm

9. Абдуллаева Н.Н., Касимов А.А., Цой К.Л. Феноменология функциональных когнитивных нарушений. Oriental renaissance: Innovative, educational, natural and social sciences. 2023; (3): 871–80.

10. Bruine de Bruin W., Parker A.M., Fischhoff B. Decision-making competence: More than intelligence? Cur. Dir. Psychol. Sci. 2020; 29(2): 186–92. https://doi.org/10.1177/0963721420901592

11. Яковлева Ю.А., Вахнин Н.А., Новикова Е.С., Мысова В.В. Индикаторы оценки физического и социально-психологического здоровья студенческой молодежи. Теория и практика физической культуры. 2023; (3): 55–7. https://elibrary.ru/gwaupe

12. Чижкова М.Б. Особенности нарушения здорового поведения у студентов медицинского университета разных лет обучения. Мир науки. Педагогика и психология. 2020; 8(1): 58. https://elibrary.ru/lwwxwb

13. Квон Г.М., Вакс В.Б., Поздеева О.Г. Использование шкалы Лайкерта при исследовании мотивационных факторов обучающихся. Научно-методический электронный журнал «Концепт». 2018; (11): 84–96. https://doi.org/10.24411/2304-120X-2018-11086 https://elibrary.ru/yombrr