Abstract:
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 کاملا 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.
Machine summary:
شبکههای عصبی مصنوعی : مدلی برای پیشبینی Artificial Neural Networks : A Model for Prediction دکتر حسین پورشهریار دکتر کاظم ر.
Kazemnejad, PhD Shahid Behesthi University Tarbiat Modares University Soraya Khafri, PhD Babol University Abstract aking into account the ambiguities and limitations of prevailing statistical models, such as losing data re- lated to complicated and nonlinear interactions bet- ween psychological constructs and some of the assump- tions like homogeneity of variances and normal distribu- tion, the present research investigated the capability of Artificial Neural Networks Model for con ducting predic- tive studies.
A sample of 456 male senior high school stu- dents 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 ad- justed).
Key words: artificial neural networks, personality traits, pre- dicition of adjustment.
بر این اساس در بررسی حاضر ـ بهعنوان یک نمونه از کاربردهای مدل شبکههای عصبـی مصنوعی در پژوهشهـای روانشناختی ـ سطـوح همسازی نوجوانان بر اساس رگههای شخصیت آنها مورد پیشبینی قرار گرفته است.
بنابراین، در پژوهشهایی که اثرات غیرقابـل اثبات با روشهای آماری کلاسیک به شکل تفاوتهایی که معنادار نیستند نشان داده میشوند مدل شبکههای عصبی میتـواند مفید باشد، زیرا در این مـدل به جای توجه بـه عواملی کـه سهم بزرگی دارند سهم تمامی عوامل وارد شـده در پردازش لحاظ میشود و امکان تحلیل دادههایی که دارای روابط بسیار پیچیده هستند نیز وجود دارد (شادنیا، 1383).
A nonlinear dynamic artificial neural network model of memory.