Структурированные аналитические методы для анализа разведданных - Richards J. Heuer Jr.

версии ACH были разработаны различными исследовательскими центрами и академическими институтами. Одна из заслуживающих внимания версий под названием "Структурированный анализ конкурирующих гипотез", разработанная для обучения в колледже Мерсихерст, опирается на ACH, требуя более глубокого анализа на некоторых этапах.

Последнее достижение в технологии ACH называется Te@mACH®, разработанное под руководством Рэнди Ферсона для Globalitica, LLC, в 2010 году. Он обладает почти всеми функциями инструмента PARC ACH, но разработан как инструмент для совместной работы. Он позволяет аналитикам в нескольких местах одновременно работать над одной и той же проблемой. Они могут выдвигать гипотезы и вносить данные в матрицу из разных мест, но они должны договориться работать на основе одного и того же набора гипотез и одного и того же набора релевантной информации. Программное обеспечение позволяет им в электронном чате обсуждать оценки и предположения друг друга, сравнивать свой анализ с анализом своих коллег и узнавать, каков консенсус группы в отношении общего решения проблемы.

Te@mACH® - это инструмент для внутриведомственного или межведомственного взаимодействия, обеспечивающий работу всех аналитиков на основе одной и той же базы данных доказательств, аргументов и предположений, а также возможность для каждого члена команды высказать свое мнение о том, как эта информация связана с вероятностью каждой гипотезы. Аналитики могут использовать этот инструмент как синхронно, так и асинхронно. В него добавлены другие полезные функции, такие как метод опроса для ввода данных, защищающий от предвзятости, возможность записи ключевых предположений и требований к сбору данных, а также функция фильтрации, позволяющая аналитикам сравнивать и сопоставлять то, как каждый человек оценил соответствующую информацию.5

Метод

Удерживать в рабочей памяти три-пять-семь гипотез и отмечать, как каждый элемент информации вписывается в каждую гипотезу, не под силу большинству людей. Для этого требуется гораздо больше умственных способностей, чем для обычной практики поиска доказательств в поддержку одной гипотезы, которая уже считается наиболее вероятным ответом. Однако ACH можно осуществить с помощью следующего девятишагового процесса:

1. Определите гипотезы, которые необходимо рассмотреть. Гипотезы должны быть взаимоисключающими, то есть если одна гипотеза истинна, то все остальные должны быть ложными. Список гипотез должен включать все разумные возможности. Включите гипотезу обмана, если это уместно. Для каждой гипотезы разработайте краткий сценарий или "историю", объясняющую, как она может оказаться правдой.

2. Составьте список значимой информации, которая для ACH означает все, что имеет отношение к оценке гипотез - включая доказательства, предположения и отсутствие того, что можно было бы ожидать увидеть, если бы гипотеза была верна. Важно включать как предположения, так и фактические данные, потому что матрица должна быть точным отражением мышления аналитика по данной теме. Если в основе мышления аналитика лежат предположения, а не неопровержимые факты, это должно стать очевидным, чтобы предположения можно было оспорить. Классическим примером отсутствия доказательств является история Шерлока Холмса о собаке, лающей по ночам. То, что собака не лаяла, было убедительным доказательством того, что виновником был не посторонний, а внутренний человек, который был известен собаке.

3. Создайте матрицу, в которой все гипотезы расположены сверху, а все элементы релевантной информации - слева. Пример см. на Рисунок 7.3a . Проанализируйте каждый входной сигнал, задав вопрос: "Соответствует ли этот входной сигнал гипотезе, не соответствует ли он гипотезе, или он неприменим или не имеет отношения к делу?" Это можно сделать, заполняя каждую ячейку матрицы построчно или используя метод опроса, при котором аналитик случайным образом выбирает ячейку в матрице для оценки (см. Рисунок 7.3b для примера). Если гипотеза согласуется, поставьте "C" в соответствующую ячейку матрицы; если она не согласуется, поставьте "I"; если она неприменима к данной гипотезе, поставьте "NA". Если конкретное доказательство, аргумент или предположение особенно убедительно, поставьте два "С"; если оно сильно опровергает гипотезу, поставьте два "И".

Когда вы спрашиваете, согласуются или не согласуются исходные данные с определенной гипотезой, обычно отвечают: "Все зависит от... . . ." Это означает, что оценка гипотезы будет основана на предположении, от которого "зависит" оценка. Вам следует записывать все такие предположения. Заполнив матрицу, найдите в этих предположениях какую-либо закономерность - например, одно и то же предположение, сделанное при ранжировании нескольких элементов информации. После того как соответствующая информация будет отсортирована на предмет диагностичности, отметьте, сколько из высоко диагностичных оценок несоответствия основаны на предположениях. Подумайте, насколько вы должны быть уверены в этих предположениях, а затем соответствующим образом скорректируйте уверенность в оценках несоответствия ACH.

Рисунок 7.3a Создание матрицы ACH

4. Проанализируйте, в чем аналитики расходятся в своих оценках, и решите, нужны ли корректировки в рейтингах (см. Рисунок 7.3c ). Часто различия в оценке аналитиками конкретного элемента информации можно проследить по разным предположениям о гипотезах при составлении рейтингов.

5. Уточните матрицу, пересмотрев гипотезы. Имеет ли смысл объединить две гипотезы в одну или добавить новую гипотезу, которая не рассматривалась вначале? Если добавляется новая гипотеза, вернитесь назад и оцените всю релевантную информацию для этой гипотезы. В любой момент можно добавить дополнительную релевантную информацию.

6. Сделайте предварительные выводы об относительной вероятности каждой гипотезы, основывая свои выводы на анализе диагностичности каждого элемента релевантной информации. Программное обеспечение помогает аналитику, суммируя количество оценок несоответствия для каждой гипотезы и выставляя балл несоответствия для каждой гипотезы. Затем программа ранжирует гипотезы от гипотез с наименьшим количеством баллов несоответствия до гипотез с наибольшим количеством баллов несоответствия. Гипотеза с наименьшим баллом несоответствия предварительно считается наиболее вероятной. Гипотеза с наибольшим количеством несоответствий обычно является наименее вероятной.

Рисунок 7.3b Кодирование релевантной информации в ACH

Баллы несоответствия - это широкие обобщения, а не точные расчеты. ACH призвана помочь аналитику вынести оценочное суждение, но не делать это за него. Этот процесс, скорее всего, будет приводить к правильным оценкам чаще, чем менее систематические или строгие подходы, но система баллов не отменяет необходимости использования аналитиками собственного здравого смысла. В разделе "Потенциальные проблемы" ниже приводится несколько случаев, когда аналитикам необходимо отменить баллы за несоответствие.

Рисунок 7.3c Оценка уровней разногласий в ACH

7. Проанализируйте чувствительность вашего предварительного заключения к изменению интерпретации нескольких критических элементов релевантной информации, которые программа автоматически перемещает в верхнюю часть матрицы. Подумайте о последствиях для вашего анализа, если один или несколько из этих критических элементов релевантной информации окажутся неверными, обманчивыми или подвергнутся иной интерпретации. Если иной интерпретации будет достаточно, чтобы изменить ваше заключение, вернитесь назад и сделайте все возможное, чтобы перепроверить