Нейросетевой анализ интеллектуальных показателей младших подростков

Тип работы:
Реферат
Предмет:
Психология


Узнать стоимость

Детальная информация о работе

Выдержка из работы

УДК 004.8. 032. 26:159. 922.7. 016.2 ББК З97: Ю983. 402
Н.П. ДАНИЛОВА, Е.В. СЛАВУТСКАЯ, Л.А. СЛАВУТСКИЙ
НЕЙРОСЕТЕВОЙ АНАЛИЗ ИНТЕЛЛЕКТУАЛЬНЫХ ПОКАЗАТЕЛЕЙ МЛАДШИХ ПОДРОСТКОВ
Ключевые слова: искусственные нейронные сети, обработка и анализ данных, вербальный и невербальный интеллект, личностные черты, младшие подростки.
Работа выполнена на стыке информатики и психологии. Предлагается использование аппарата искусственных нейронных сетей для анализа данных психодиагностики. Формирование взаимосвязей между вербальным и невербальным интеллектом младших подростков зависит от эмоционально-волевых и коммуникативных качеств детей. Предлагаемый в работе нейросетевой анализ данных позволяет выявить новые закономерности и оценить существенно нелинейные связи между психологическими показателями. Такие взаимосвязи с трудом поддаются анализу традиционными статистическими методами.
N.P. DANILOVA, E.V. SLAVUTSKAYA, LA. SLAVUTSKIY NEURAL NETWORK ANALYSIS OF THE PREADOLESCENT’S INTELLIGENT PARAMETERS Key words: artificial neural networks, data processing and analysis, verbal and nonverbal intelligence, personality traits, pre adolescents
Work is done at the interface of computer science and psychology. To analyze the psychodiagnostic data the artificial neural networks are used. The formation of the relationships between of the pre adolescent’s verbal and non-verbal intelligence essentially depends on the emotional, volitional and communicative traits. The neural network analysis can reveal new patterns and evaluate the significant nonlinear relationships between psychological characteristics. Such relationships are difficult to analyze by traditional statistical methods.
Искусственные нейронные сети (ИНС) в последние десятилетия находят все более широкое применение в задачах идентификации, прогнозирования, классификации данных, в том числе — статистических [3, 7, 8]. При этом широкого распространения в экспериментальной психологии нейронные сети (НС) пока не получили [1, 2]. Главная причина этого — неопределенность в процессе обучения НС и сложность в интерпретации полученных результатов. Для компьютерной обработки данных психодиагностики повсеместно используются традиционные статистические методы, такие как корреляционный, факторный анализ и т. д. [2] Нейросетевые алгоритмы, в отличие от традиционных, позволяют работать с ограниченной, неполной выборкой данных [7, 10]. При этом размерность данных не имеет решающего значения. Предлагаемый алгоритм обеспечивает наглядность и максимальную определенность в процессе обучения и использования НС, что крайне важно для психологов, не обладающих профессиональной математической подготовкой.
Построенная в работе НС имеет последовательную структуру, когда выход первого слоя служит входом второго слоя и т. д. Предполагаемое количество слоев — не более 3. В отличие от аппарата корреляционного и факторного анализа, такая архитектура может воспроизводить нелинейные зависимости между входными и выходными данными сети. Каждый слой сети имеет свою матрицу весов, которая состоит из весовых функций нейронов. Количество нейронов в первом слое соответствует количеству исходных психологических признаков, и на вход каждого нейрона в первом слое последовательно подаются численные значения соответствующих результатов тестирования по этому признаку. Количество выходов сети соответствует количеству индивидуальных характеристик испытуемых, взятых за основу анализа.
При оценке нелинейных взаимосвязей между психологическими признаками выходным параметром сети являются значения одного из признаков (например, коэффициента интеллекта IQ). В этом случае результатом обработки данных будут зависимости
(вычислительные модели) IQ от значений остальных данных тестирования. Такие зависимости могут быть получены для каждого респондента [5]. Аппарат ИНС впервые применяется для селективной оценки взаимосвязей психологических характеристик младших подростков. Этот возрастной период является одним из самых сложных и слабо изученных с психологической точки зрения. Он соответствует переходу учащихся из начальной школы в среднее ее звено, является преддверием пубертатного кризиса и началом коренных психофизиологических изменений [4]. Значимость и взаимосвязи психологических признаков в этот переходный период быстро меняются, что позволяет адекватно проверить устойчивость новых алгоритмов обработки данных психодиагностики, оценить сильно нелинейные связи между психологическими признаками.
В качестве базового для анализа используются результаты диагностики развития интеллектуальной сферы (коэффициент IQ) детей с помощью культурнонезависимого интеллектуального теста Р. Б. Кеттелла. Динамика развития психологических характеристик личности учащихся исследуется с помощью 12-факторного опросника Р. Б. Кеттелла и Р. В. Коана CPQ (Childrens Personality Questionnaire) для детей 8−12 лет. Опросник предназначен для определения личностных особенностей школьников и содержит 12 шкал для измерения степени выраженности черт личности, которые Р. Б. Кеттелл называет конституциональными [9].
Для обработки и анализа использовались данные психодиагностики N = 85 школьников пятых классов общеобразовательной школы, обучающихся по стандартным программам. Обработка проводилась по всей выборке, а также по трем группам учащихся с разным уровнем развития интеллекта (IQ): IQ & lt- 94 (29 школьников), 94 & lt- IQ & lt- 107 (27 школьников), IQ & gt- 107 (29 школьников). В табл. 1 приведены коэффициенты корреляции IQ с личностными чертами.
Как следует из табл. 1, коэффициенты R корреляции IQ с личностными качествами оказываются достаточно низкими, т. е. данные традиционного корреляционного анализа не позволяют достоверно оценить то, какие личностные черты наиболее связаны с интеллектуальными показателями. Кроме того, низкий уровень R может говорить о том, что связь IQ с личностными чертами оказывается существенно нелинейной [5].
Таблица 1
Г руппы Коэффициенты корреляции качеств личности с IQ
A B C D E F G H I O Q3 Q4
Все 0,01 0,11 -0,14 0,06 0,13 0,09 0,02 0,01 0,23 0,13 0,05 0,06
IQ & lt- 94 0,13 0,19 0,09 -0,15 -0,07 -0,09 0,18 0,27 0,28 -0,36 0,41 -0,22
IQ& lt- 107 0,12 -0,08 0,08 0,21 0,02 0,13 -0,15 -0,23 0,15 0,11 -0,19 0,27
IQ & gt- 107 -0,32 -0,13 0,06 -0,09 0,13 0,19 -0,27 0,13 -0,01 0,10 -0,10 0,33
Примечание. Интерпретация личностных качеств в 12-факторном опроснике Р. Б. Кеттелла и Р. В. Коана (CPQ): А — общительность-замкнутость- В — абстрактное-конкретное мышление- С — эмоциональная стабильность-неустойчивость- Б — возбудимость-уравновешенность- Е — независимость-покорность- ^ - беспечность-озабоченность- О — высокая-низкая дисциплинированность- Н — смелость-робость- I — мягкость-твердость- О — тревожность-спокойствие- 23 — высокий-низкий самоконтроль- Q4 — напряженность-расслабленность. Полужирным шрифтом выделены коэффициенты корреляции с уровнем значимостир & lt- 0,05
На рис. 1 показаны гистограммы распределения учащихся по уровню ^ (а) и структура использованной нейронной сети (б).
Для реализации нейросетевого алгоритма использовалась аналитическая платформа Бе^йог (разработчик — ООО «Аналитические технологии» — ВаБеОгоир ЬаЬ, г. Рязань, www. basegroup. ru). Обучение сети проводилось по всей указанной выше выборке -85 человек и потребовало порядка 300 циклов (эпох). После этого строились зависимости (вычислительные модели) 12(Х), где X — личностные черты каждого респондента.
Основное внимание было уделено связи ^ с вербальным интеллектом В (12-факторный опросник Р.Б. Кеттелла). Как следует из табл. 1, статистически зна-
чимая корреляционная связь между этими показателями отсутствует. На рис. 2 показаны построенные при помощи НС вычислительные модели 12(В) для учащихся с разным уровнем развития интеллекта.
а б
Рис. 1. Распределение учащихся по уровню Щ (а) и структура нейронной сети (б)
При этом на рис. 2 кроме зависимости 12(В) отдельных детей (кривые 2−4), приведены характерные вычислительные модели 12(В) для учащихся со среднестатистическими личностными качествами (сплошные кривые 1). Как видно из рис. 2, такие зависимости носят монотонно возрастающий нелинейный характер, что не противоречит общепринятым психологическим данным. Важным является и тот факт, что диапазон изменения ^ в этих зависимостях соответствует разбросу ^ в пределах исследуемой группы младших подростков.
130
125
120
115
110
105
100
95
90
85
80
130
125
120
115
110
105
100
95
90
85
80
ю
_1_В
1 2 3 4 5 6 7
б
Рис. 2. Вычислительные модели 12(В) для учащихся с разным уровнем развития интеллекта: а — Щ & gt- 107- б — 94 & lt- Щ & lt-107- в — Щ & lt- 94
а
в
Для отдельных детей зависимости 12(В) носят самый разнообразный характер. В ряде случаев связь вербального и невербального интеллекта может быть отрицательной (уменьшение ^ с ростом В)
Следовательно, связь вербального и невербального интеллекта по результатам нейросетевого анализа носит сильнонелинейный характер и зависит от остальных личностных черт учащихся.
Для численной оценки взаимосвязи вербального и невербального интеллекта каждого отдельного учащегося может быть использован диапазон Д изменения 12(В) (см. рис. 2). В табл. 2 приведены значения коэффициента корреляции Я между Д и значением личностных черт для всей выборки из 85 респондентов. Как видно из табл. 2, величина Д, характеризующая 12(В), оказывается статистически связанной с некоторыми личностными чертами. Среди этих черт есть коммуникативные (А, Е), волевые (О, 23) и эмоциональные (24). Наиболее высокий коэффициент корреляции Я = 0,48 между Д и Е (незавимость — покорность в общении) имеет уровень значимости для двухстороннего критерия р & lt- 0,0005. На практике это означает наличие устойчивой связи с очень высокой степенью достоверности. Это позволяет утверждать, что соотношение между вербальным и невербальным интеллектом наиболее тесно связано именно с этой (Е) личностной чертой школьника.
Таблица 2
Выборка Коэффициенты ко рреляции качеств личности с Д
A B C D E F G H I O ДО Q4
85 шк. 0,21 -0,05 0,15 0,05 0,48 0,17 -0,27 0,09 -0,03 0,04 -0,20 0,23
Примечание. Полужирным шрифтом выделены коэффициенты корреляции с уровнем значимости р & lt- 0,05.
Таким образом, использование нейросетевого анализа наряду с традиционными статистическими методами позволяет проводить селективную оценку данных психодиагностики для каждого респондента, а также оценить нелинейные связи между психологическими показателями [5, 6]. Для психологов представляется актуальным то, что нейросетевые алгоритмы позволяют в динамике (с учетом быстрого развития и изменения психологических показателей детей в этом возрасте) проводить анализ и строить вычислительные модели взаимосвязей между различными психологическими и личностными характеристиками.
Авторы выражают признательность профессору В. С. Абрукову за помощь в выборе программного обеспечения и обработке данных.
Литература
1. Арзамасцев А. А., Зенкова Н. А. Моделирование в психологии на основе искусственных нейронных сетей. Тамбов: ИМФИ ТГУ им. Г. Р. Державина, 2003.
2. Воробьев А. В. Обзор применения математических методов при проведении психологических исследований // Психологические исследования: электрон. науч. журн. 2010. № 2(10).
3. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия-Телеком, 2001.
4. Поливанова К. Н. Психология возрастных кризисов: учеб. пособие для студ. высш. пед. учеб. заведений. М.: ИЦ «Академия», 2000.
5. Славутская Е. В., Абруков В. С., Славутский Л. А. Интеллектуальный анализ данных психодиагностики школьников предподросткового возраста // Вестник Чувашского университета. 2012. № 3. С. 226−231.
6. Славутская Е. В., Славутский Л. А. Использование искусственных нейронных сетей для анализа гендерных различий младших подростков // Психологические исследования: электрон. науч. журн. 2012. Т. 5, № 23. С. 4. URL: http: //www. psystudy. ru/index. php/num/2012v5n23/684-slavutskaya23. html.
7. Хайкин С. Нейронные сети: полный курс: 2-е изд.: пер. с англ. М.: Вильямс, 2006.
8. Baxt W.G. Complexity, chaos and human physiology: the justification for non-linear neural computational analysis // Cancer Lett. 1994. Vol. 77, № 2−3. P. 85−93.
9. CattellR.B. Advanced in Cattelian Personality Theory. Handbook of Personality. Theory and Research. N.Y.: The Guilford Press, 1990.
10. Dorrer M.G., Gorban A.N., Kopytov A.G. Zenkin V.I. Psychological intuition of neural networks // Proceedings of the World Congress on Neural Networks'95. Washington, 1995. Juli. P. 193−196.
ДАНИЛОВА НАТАЛЬЯ ПАВЛОВНА — магистрант кафедры управления и информатики в технических системах, Чувашский государственный университет, Чебоксары, Россия (natusia. dan@rambler. ru).
DANILOVA NATALIA PAVLOVNA — master of Management and Informatics in Technical Systems Chair, Chuvash State University, Cheboksary.
СЛАВУТСКАЯ ЕЛЕНА ВЛАДИМИРОВНА — кандидат психологических наук, доцент кафедры психологии и социальной педагогики, Чувашский государственный педагогический университет, Чебоксары, Россия (slavutskayaev@gmail. com).
SLAVUTSKAYA eLeNA VLADIMIROVNA — candidate of psychological sciences, associated professor of Psychology and Social Pedagogic Chair, Chuvash State Pedagogical University, Russia, Cheboksary.
СЛАВУТСКИЙ ЛЕОНИД АНАТОЛЬЕВИЧ — доктор физико-математических наук, профессор, кафедра управления и информатики в технических системах, Чувашский государственный университет, Чебоксары, Россия (las_co@mail. ru)
SLAVUTSKIY LEONID ANATOLYEVICH — doctor of physics and mathematical sciences, professor of Management and Informatics in technical systems Chair, Chuvash State University, Russia, Cheboksary.
УДК 65. 011. 56 ББК 32. 97
Т.В. ЗАМКОВА, А.В. РЕШЕТНИКОВ, Н.А. ГАЛАНИНА
СПОСОБЫ ВЗАИМОДЕЙСТВИЯ АГЕНТОВ В АГЕНТНО-ОРИЕНТИРОВАННОЙ СИСТЕМЕ УПРАВЛЕНИЯ ВУЗОМ
Ключевые слова: программные агенты, агентно-ориентированные технологии, автоматизированные системы управления, диаграмма последовательности, управление вузом, многоагентная система.
Статья посвящена особенностям взаимодействия агентов в многоагентной системе управления вузом. На основе диаграмм последовательности взаимодействия объектов рассмотрены схемы взаимодействий агента с пользователем и агента с агентом.
T V. ZAMKOVA, A.V. RESHETNIKOV, N.A. GALANINA WAYS OF INTERACTING AGENTS IN THE AGENT-ORIENTED SYSTEM OF UNIVERSITY MANAGEMENT Key words: software agents, agent-oriented technology, automated control systems, a sequence diagram, university management, multiagent systems.
The article is devoted to the peculiarities of the interaction of agents in multi-agent system of university management. Based on sequence diagrams interaction of objects considered scheme of interactions with the user agent and the agent with the agent.
В сложных системах, к которым относится система управления вузом, могут возникать проблемы по координации взаимодействия отдельных подсистем. Для их решения могут быть использованы агентно-ориентированные технологии. В соответствии с методологией агентно-ориентированной парадигмы сложные задачи решаются не централизованно, а путем разбиения задачи на составляющие части, выполняемые агентами. При этом система становится многоагентной. Ранее нами была предложена структура агента в автоматизированной системе управления вузом, являющаяся однотипной и состоящая из блоков диспетчера, координатора и анализатора [1]. В данной статье рассмотрены особенности взаимодействий агента с пользователем и агента с другими агентами.
Рассмотрим схему взаимодействия агента с пользователем. После успешной авторизации в системе управления вузом пользователь попадает в личный кабинет. Личный

ПоказатьСвернуть
Заполнить форму текущей работой