ИНТЕЛЛЕКТУЛЬНЫЙ  АНАЛИЗ  ДАННЫХ  ПРИ  ПРОВЕДЕНИИ  ИССЛЕДОВАНИЙ  В  ПСИХОЛОГИИ

Дылыкова  Аюна  Жимбеевна

студент  2  курса  магистратуры,  кафедра  программирования  НИ  ТГУ,

РФ,  г.  Томск

E-mail: 

Головчинер  Михаил  Наумович

научный  руководитель,  канд.  техн.  наук,  доцент  НИ  ТГУ, 
РФ,  г.  Томск

Введение

Нейронные  сети  –  это  математическая  модель  и  её  реализация,  построенная  по  принципу  функционирования  биологических  нейронных  сетей.  На  данный  момент  они  широко  применяются  в  самых  различных  областях  –  бизнесе,  медицине,  психодиагностике,  технике,  геологии,  физике.  Это  обусловлено  тем,  что  они  позволяют  автоматизировать  процесс  принятия  решений  для  различных  предметных  областей,  требующих  знаний  специалистов,  и  при  этом  эти  решения  не  уступают  выводам  экспертов.

В  предлагаемой  работе  делается  попытка  применения  аппарата  нейронных  сетей  для  решения  задач  классификации  личности  по  психологическим  признакам.

Постановка  задачи

Изучить  возможность  применения  аппарата  нейронных  сетей  для  решения  задач  психодиагностики.

На  основании  результатов  тестирования  по  методике  Лири  определения  психодиагностических  черт  личности  ставится  задача  с  использованием  нейронной  сети  типа  персептрон:  определить  существование  возможной  комбинации  психодиагностических  черт,  определяющих  разбиение  группы  тестируемых  классы.

Содержание  методики  и  структура  теста  Лири

Тест  содержит  128  оценочных  суждений,  из  которых  в  каждом  из  8  типов  отношений  образуются  16  пунктов,  упорядоченных  по  восходящей  интенсивности.  Лири  выделил  следующие  типы  отношения  к  окружающим  (в  скобках  указаны  названия  в  модификации  Л.Н.  Собчик)  [1]:

1.  Авторитарный  (автократически-властвующий).

2.  Эгоистичный  (эксплуатирующее-состязательный).

3.  Агрессивный  (прямолинейно-агрессивный).

4.  Подозрительный  (скептически-недоверчивый).

5.  Подчиняемый  (скромно-застенчивый).

6.  Зависимый  (зависимо-послушный).

7.  Дружелюбный  (конвенционально-сотрудничающий).

8.  Альтруистический  (ответственно-великодушный).

Конфигурация  нейронной  сети

Используется  нейронная  сеть  типа  «персептрон».  Согласно  терминологии,  в  общем  случае  персептроны  могут  быть  классифицированы  как  искусственные  нейронные  сети:

1.  с  одним  или  несколькими  скрытыми  слоями;

2.  с  прямым  распространением  сигнала;

3.  с  сигмоидальной  функцией  активации:

,

где  С  >  0  –  коэффициент  ширины  сигмоиды  по  оси  абсцисс  [3].

Для  исследования  выбрана  многослойная  сеть  с  последовательными  связями,  состоящая  из  трех  слоев  нейронов:  один  сенсорный  слой,  промежуточный  (скрытый)  слой  и  один  выходной  слой.  Обучение  персептрона  со  скрытыми  слоями  проводилось  по  алгоритму  обратного  распространения  ошибки.

Количество  нейронов  в  слоях  определяется  на  этапе  создания  сети:

1.  Сенсорный  слой  содержит  количество  нейронов  равное  количеству  ответов  респондентов  по  выбранной  комбинации  характеристик. 

2.  Скрытый  слой  содержит  количество  нейронов  равное  половине  числа  нейронов  первого  слоя.

3.  Выходной  слой  содержит  количество  нейронов  равное  количеству  статей,  по  которым  разделены  респонденты.

На  рис.  1  представлена  структура  построенной  нейронной  сети:

Рисунок  1.  Структура  нейронной  сети

Решение  задачи  включает  три  этапа:  подготовка  входных  данных,  создание,  обучение  сети  и  её  тестирование.  Результаты  тестирования  оцениваются  в  зависимости  от  заданной  точности.

В  процессе  решения  поставленной  задачи  создано  приложение,  автоматизирующее  формирование  входных  данных,  запись  результатов  тестирования  в  файл  и  моделирующее  работу  нейронной  сети,  т.  е.  создание,  обучение  и  тестирование.  Поскольку  решается  задача  классификации  по  признакам,  необходимо  проверить  работу  сети  на  разных  комбинациях  входных  данных,  являющихся  частями  тестов.  Разработанное  приложение  автоматизирует  создание  различных  комбинаций  характеристик  исходной  выборки  и  для  каждой  из  них  создает  отдельный  персептрон.  Он  обучается  и  тестируется.  Результатом  тестирования  персептрона  является  пара:  комбинация  характеристик  и  количество  верно  распознаных  респондентов.  Таким  образом,  на  выходе  генерируется  таблица  со  всевозможными  комбинациями  и  их  результатом.  На  основе  данных  таблицы  проведен  статистический  анализ.  Характеристики,  которые  чаще  других  встречались  в  комбинациях,  показавших  лучшие  результаты,  отображены  в  таб.  1.

При  каждом  запуске  программы  на  вход  подается  очередная  комбинация  статей.

На  таб.  1  изображены  результаты  тестирования  респондентов  по  двум  статьям:

Таблица.  1. 

Результаты  тестирования  по  двум  статьям

Расшифровка  статей:

·     Статья  105.  Убийство

·     Статья  111.  Умышленное  причинение  тяжкого  вреда  здоровью

·     Статья  158.  Кража

·     Статья  228.  Незаконные  приобретение,  хранение,  перевозка,  изготовление,  переработка  наркотических  средств,  психотропных  веществ  или  их  аналогов

Заключение

В  данной  работе  исследовалась  возможность  выявления  психодиагностических  черт,  разделяющих  контингент  осужденных  по  различным  статьям.  Для  этого  был  разработан  программный  комплекс,  автоматизирующий  обработку  всевозможных  комбинаций  характеристик  для  каждого  набора  статей,  приведен  статистический  анализ  полученных  результатов.

Список  литературы:

1. Методика  диагностики  межличностных  отношений  Лири  [Электронный  ресурс]  //  А.  Я.  Психология:  тесты,  тренинги,  словарь,  статьи:  сайт.  –  [Электронный  ресурс]  –  Режим  доступа.  –  URL:  http://azps.ru/tests/tests_liri.html  (дата  обращения:  10.04.15).
2. Нейронные  сети  [Электронный  ресурс]  //  Портал  искусственного  интеллекта:  сайт.  –  [Электронный  ресурс]  –  Режим  доступа.  –  URL:  http://www.aiportal.ru/articles/neural-networks/neural-networks.html  (дата  обращения:  10.11.15).
3. Нейросетевое  моделирование:  многослойный  персептрон  [Электронный  ресурс]  //  Институт  экологии  Волжского  бассейна  Российской  Академии  Наук:  сайт.  –  [Электронный  ресурс]  –  Режим  доступа.  –  URL:  http://www.ievbras.ru/ecostat/Kiril/Library/Book1/Content394/Content394.htm  (дата  обращения:  12.04.15).
4. Основы  теоретической  робототехники.  Искусственные  нейронные  сети.  [Электронный  ресурс]  //  Институт  прикладной  математики  им.  М.В.  Келдыша  РАН:  сайт.  –  [Электронный  ресурс]  –  Режим  доступа.  –  URL:  http://www.keldysh.ru/papers/2008/prep02/prep2008_02.html  (дата  обращения:  12.05.15).