شبکه‌های عصبی مصنوعی : مدلی برای پیش‌بینی
محورهای موضوعی : روان درمانگریحسین پور شهریار 1 , کاظم طباطبایی 2 , محمدکریم خداپناهی 3 , انوشیروان کاظم‌نژاد 4 , ثریا خفری 5
1 - روانشناس
2 - استادیار دانشگاه تربیت مدرس
3 - استاد دانشگاه شهید بهشتی
4 - استاد دانشگاه تربیت مدرس
5 - استادیار دانشگاه بابل
کلید واژه: شبکه‌هـای عصبی مصنوعی, رگه‌های شخصیتی, پیش‌بینی همسازی,
چکیده مقاله :
با توجه به محدودیتها و ابهامهای موجود در مدلهای متداول آماری مانند از دست دادن دادههای مربوط به تعاملهای پیچیده و غیرخطی بین سازههای روانشناختی و برخی مفروضهها مانند همگونی واریـانسها و توزیع نرمال، پژوهش حاضر توانایی مدلهای شبکه‌های عصبی مصنوعی را برای مطالعات پیش‌بینی بررسی کرد. گروه نمونهای شامل 456 دانشـ آموز پسر سال سوم دبیرستان پرسشنامه شخصیتی کالیفرنیا (CPI؛ گاف، 1975) و پرسشنـامه همسازی دانـشآموزان مدرسه (AISS، سینها و سینگ، 1993) را تکمیل و در پنج سطح همسازی (از ناسازگار تا کاملاً سـازگار) طبقهبندی شدند. تحلیل عاملی ترکیبهـای مختلف رگههـای شخصیتی نشان داد که برخی از شبکهها به دلیل ناهمخوانی بین تعداد متغیرها و معماریهای شبکه، نمیتوانند همسازی را پیش‌بینی کنند. اما بازنگری معمـاریها و تکرار شبکه‌هـای جدید نسبت پیش‌بینی درست (نسبـت طبقهبندی شرکتکنندگان در سطوح همسازی مبتنی بر AISS) را بـه گونه‌ای معنـادار افـزایش داد. مـناسبترین شبکـه برای پیشبیـنی همسازی شامـل ترکیبی از متغیرهای شنـاختی انعطافپذیری، زنانگی، اشتراک و تحمل بود.
Taking into account the ambiguities and limitations of prevailing statistical models, such as losing data related to complicated and nonlinear interactions between psychological constructs and some of the assumptions like homogeneity of variances and normal distribution, the present research investigated the capability of Artificial Neural Networks Model for con ducting predictive studies. A sample of 456 male senior high school students responded to the California Personality Inventory (CPI; Gaff, 1975) and Adjustment Inventory for School Students (AISS; Sinha & Singh, 1993), and were categorized into five levels of adjustment (from maladjusted to completely adjusted). Factor analysis of various combinations of personality traits suggested that some of the networks could not predict adjustment due to non conformity between the number of variables and network architectures. However, a revision of the architectures and repetition of new networks significantly increased the proportion of correct predictions (the proportion of participants categorized into the indicated levels of adjustment based on AISS). The most appropriate network for predicting adjustment included a combination of the cognitive variables of flexibility, femininity, communality and tolerance.