ویرگول
ورودثبت نام
ای ترجمه
ای ترجمهخدمات ارائه مقالات علمی و سفارش ترجمه تخصصی
ای ترجمه
ای ترجمه
خواندن ۸ دقیقه·۴ سال پیش

پیش بینی درجه شادی با استفاده از ساختار داده مفهومی (مقاله ترجمه شده)

چکیده

پیشینه و هدف: شادکامی يك هدف انسانی اساسي جهاني است. از زمان ظهور روانشناسی مثبت ، تمرکز اصلی در تحقیقات روان شناختی بررسی نقش عوامل تعیین کننده در پیش بینی شادکامی بوده است. روشهای متداول مبتنی بر روابط خطی هستند ، مانند رگرسیون خطی چند متغیره متداول (MLR) ، که ممکن است از عدم توانایی بازنمود ویژگی های روانشناختی متنوع رنج ببرند. با استفاده از شبکه های عصبی عمیق (DNN) ، ما یک پیش بینی کننده درجه (میزان)شادکامی (H-DP) را بر اساس پاسخ به پنج پرسشنامه استاندارد روان سنجی تعریف می کنیم.

روش ها: یک معماری ساختار-داده محور برای DNN (D-SDNN) به منظور تعریف یک HDP پیشنهاد شده است که در آن معماری شبکه امکان تفسیر مفهومی از عوامل روانشناختی مرتبط با شادکامی را فراهم می کند. چهار پیکربندی شبکه عصبی مختلف  با تغییر دادن تعداد نرون ها و وجود یا عدم وجود بایاس (bias) در لایه های پنهان آزمایش شده است. دو معیار برای ارزیابی تأثیر ابعاد مفهومی تعریف و محاسبه شده است: یکی وزن موثر بعد مفهومی را به صورت عبارت مطلق معین می کند و دیگری به جهت ( مثبت یا منفی) اثر اشاره می کند.

مطالب: یک بررسی مقطعی با هدف قرار دادن جمعیت بالغ غیر نهادینه مقیم اسپانیا توسط 823 مورد تکمیل شده بود. از مجموع 111 عنصر بررسی به وسیله داده های اجتماعی- جمعیت شناختی و پنج مقیاس روان سنجی گروه بندی شده اند (پرسشنامه Brief COPE، EPQR-A،GHQ-28 ، MOS-SSS، SDHS)  که چندین عامل روان شناختی را با عمل کردن یکی به عنوان نتیجه (SDHS) و چهار تای دیگر به عنوان پیش بینی کننده اندازه می گیرند.

نتایج: رویکرد D-SDNN ما نتیجه بهتری (MSE: 1.46 .10^(-2)) نسبت به MRL (MSE: 2.3 .10^(-2))  ارائه کرده است ، از این رو دقت پیش بینی تا 37% بهبود می یابد ، و امکان می دهد تا ساختار مفهومی را شبیه سازی نماید.

نتیجه گیری: ما عملکرد بهتری از شبکه های عصبی عمیق (DNN) به نسبت به روش های قدیمی مشاهده می کنیم. این امر، توانایی خود را برای گرفتن ساختار مفهومی به منظور پیش بینی درجه (میزان)شادکامی از طریق متغیرهای روان‌شناختی ارزیابی شده توسط پرسشنامه های استاندارد نشان می دهد. همچنین اجازه می دهد تا تأثیر هر عامل را روی  نتیجه بدون فرض رابطه خطی تخمین زده شود.

مقدمه

پیگیری سعادت یک محرك جهانی - هم فرهنگی و هم عاقلانه - محور رفتار انسان است. از زمان های قدیم چهره های فلسفی موثر و مورد رجوع ، به عنوان مثال ارسطو از غرب یا ژوانگزی از شرق ، بسیاری  از کارهای خود را اندیشه شادکامی به عنوان هدف نهایی وجود انسان اختصاص داده بودند. دلیل اصلی این امر که این پیگیری آگاهانه شادکامی باید به عنوان یک هدف اساسی بشر در نظر گرفته شود ، قطعنامه ای است که در مجمع عمومی سازمان ملل متحد در 28 ژوئن 2012 ، که 20 مارس ، به عنوان روز جهانی شادکامی اعلام شد ، تصویب شد:

شناخت ارتباط سعادت و بهزیستی (رفاه) به عنوان اهداف و آرمان های جهانی در زندگی موچودات انسانی در سراسر جهان و اهمیت شناخت آنها در اهداف سیاستگذاری عمومی.

پیشبینی کننده درجه (میزان)شادکامی

از زمان ظهور روانشناسی مثبت [6] به عنوان یک مطالعه علمی از عواملی که انسانها را هم در سطح فردی و هم جمعی سوق می دهد تا شکوفا شود ، جامعه پژوهش به طور مداوم دانش مبتنی بر شواهد را در مورد به اصطلاح شادکامی یا بهزیستی (رفاه) درونی ایجاد کرده است.

موضوعات

نمونه : موضوع برای ملاحظه

بهزیستی (رفاه) روانشناختی و روانی فقط اخیراً با مقیاس های معتبر و پایا قابل اندازه گیری است ، اما شادکامی را می توان رضایت از زندگی ، فقدان افسردگی ، برونگرایی ثابت و غیره دانست ، بنابراین حتی اگر آنها یک ساختار یکسان را تشکیل ندهند ، ممکن است روابط محکمی بین آن ها پیدا کنند. نوشته ها نشان می دهد که بسیاری از منابع ممکن است در شادکامی تأثیر بگذارند ، شدیدترین تأثیرات مربوط به وضعیت تأهل ، ارتباط با شغل ، وضعیت شغلی ، اوقات فراغت و شایستگی های بهداشتی و مهارت های اجتماعی است [41]. بنابراین ، در این مقاله ما از یک ابزار خاص برای ارزیابی شادکامی استفاده کرده ایم و ساختهای مرتبط و متفاوت دیگری (به عنوان راهبردهای مقابله ، شخصیت ، پریشانی هیجانی و حمایت اجتماعی) را در این مدل گنجانده ایم تا بتوانیم تصویری کامل از حالات روانی و ذهنی نمونه طراحی کنیم.

روش ها

طرح مفهومی

در راستای اهداف فوق الذکر ، ما سعی کرده ایم تا ساختار مفهومی داده را شبیه سازی کنیم تا اطلاعاتی در مورد اهمیت هر بعد (یعنی عوامل روانشناختی) در H-DP جمع آوری شود. این معماری را می توان به عنوان ترکیبی از شبکه های ساده تر برای تقریبی یک تابع دانست. در زمینه رگرسیون ، مجموعه برخی از شبکه های عصبی ممکن است از ترکیب همه آنها بهتر باشد [54]. ما یک روش مبتنی بر داده مجموع سلسله مراتبی را برای مدل سازی کار در دست پیشنهاد می کنیم. ساختار داده از پیش تعیین شده منجر به مجموع لایه ها شده است. آیتم های مقیاس های روان سنجی که برای اندازه گیری عوامل روان شناختی مورد استفاده قرار گرفته است ، به عنوان پیش بینی کننده، به صورت تجربی ثابت شده است که به ابعاد و ابعاد زیر ، یعنی عامل های فرعی (زیر عامل) و عامل ها خوشه می زند [43-46]. ما این ساختار مفهومی مبتنی بر تجربه را همانطور که در جدول 2 و شکل 2 نشان داده شده است، در طراحی معماری برای D-SDNN خودمان تقلید کرده ایم ،. ممکن است مشاهده کنیم که 105 ورودی شامل شش ناحیه اصلی که مجددا گروه تشکیل داده اند:

1. شناسه مصاحبه كننده ، كه به منظور كنترل تاثير شخصي كه مسئول جمع آوري اطلاعات است ، گنجانده شده است.

نتایج تجربی

آموزش ، اعتبار سنجی و آزمایش شبکه های عصبی عمیق

برای هر یک از شرکت کنندگان ، یک بردار ستونی با ورودی هایی برای شبکه عصبی عمیق ایجاد می کنیم. عنصر اول یک شناسه عددی را برای مصاحبه کننده نشان می دهد. از عناصر دوم تا پنجم داده اجتماعی- جمعیت شناختی مربوط به مصاحبه شونده را داریم. بقیه ورودی ها (از ششم تا 105) پاسخ هایی به مواردی است که مطابق با مقیاس های روان سنجی استاندارد شده هستند.

بحث

اثر

هدف از پژوهش حاضر ، ساخت D-SDNN شهودی مبتنی بر مجموعه ای از عوامل روانشناختی و مؤلفه های فرعی آنها برای یادگیری نظارت شده به منظور بهبود روش های سنتی برای H-DP بود، که مبتنی بر ارتباط خطی هستند [62-64]. همانطور که انتظار می رود ، با مقایسه با MLR ، D-SDNN صرف نظر از پیکربندی آنها ، برتری با ثبات تری را نشان می دهد (یعنی تعداد نورون های در هر لایه و حضور یا عدم وجود بایاس). آنها همچنین به ما این امکان را می دهند که وزن هر یک از عوامل روانشناختی را بر صحت پیش بینی هدف ارزیابی کنیم. مطابق انتظار بهترین مصاحبه کننده و داده های اجتماعی و جمعیت شناختی ، مطابق بهترین شبکه مناسب (net2) ، عوامل روانشناختی که در بروز شادکامی کمتر تأثیر گذار بودند، همان طور که انتظار می رفت مصاحبه کننده و داده اجتماعی- جمعیت شناختی بودند، در حالی که تأثیرگذارترین آنها حمایت اجتماعی و راهبرد مقابله(کنار آمدن) بودند. اگرچه وزن های بدست آمده ضعیف به نظر می رسند ، اما اینگونه نیستند. در واقع ، از نظر ویژگی های روانشناختی ، نه تنها وزن های کمتری از وزن وسیله های مصنوعی به دست می آید بلکه مطلوب نیز خواهد بود. این واقعیت باعث می شود افراد از جبرگرایی روانشناختی جلوگیری کنند ، یعنی اینکه عوامل روانشناختی فقط بین 30 تا 50٪ از واریانس را تشریح می کند که به افراد اجازه می دهد نقص خود را جبران کنند و به رغم آنها به شادکامی برسند.

نتیجه گیری

در این مقاله معماری D-SDNN برای H-DP از داده های اجتماعی- جمعیت شناختی و مجموعه ای از عوامل روانشناختی (حمایت اجتماعی ، شخصیت ، پریشانی عاطفی و استراتژی مقابله با استرس) ارائه شده است. چهار پیکربندی شبکه استفاده شده نتایج بهتری را در مقایسه با MLR نشان داد و در بهترین حالت بهبودی 37 درصدی را نشان داد.

بهترین پیش بینی کننده آن بود که تعداد زیادی نورون - بدون بایاس- به عنوان سؤالاتی که در بعد فری یا بعد وجود دارد، به کار می گرفت. این پیش بینی در 5/97٪ مورد از جمعیت مورد مطالعه در مقایسه با MLR بهترین دقت را به دست آورد. نمرات SDHS با فرکانس پایین تنها موردی که بدترین عملکرد را در مقایسه با MLR نشان داد. بیشترین نمره SDHS که MSE پایین تر را برای MLR به وجود آورد ، ارزش 8 با فرکانس نسبی بود.

علاوه بر این ، این روش امکان تفسیرهای مفهومی را در مورد اهمیت هر پیش بینی كننده فراهم می كند: در نتایج مطالعه ما نشان داده شده است كه ویژگیهای اجتماعی-جمعیت شناختی از جمله جنسیت ، سن یا وضعیت تأهل ، احتمالاً بر میزان شادکامی تأثیر نمی گذارد در حالیکه عوامل روانشناختی مانند حمایت اجتماعی ادراک شده یا راهبردهای مقابله نقش مهمی در ظهور و یا حفظ شادکامی دارند.

بر این اساس ، می توان نتیجه گرفت که این مطالعه یک رویکرد جدید از یک روش پیش بینی است ، که با تقلید از ساختار داده های مفهومی به معماری یادگیری عمیق متکی است ، که یک دقت پیش بینی به طور مداوم برتر را همراه با تفسیری مفهومی بهتر ارائه می دهد.

این مقاله ISI در سال 2019 در نشریه الزویر و در مجله روش ها و برنامه های کامپیوتری در پزشکی، توسط آزمایشگاه علوم داده های زیست پزشکی منتشر شده و در سایت ای ترجمه جهت دانلود ارائه شده است. در صورت نیاز به دانلود رایگان اصل مقاله انگلیسی و ترجمه آن می توانید به پست دانلود ترجمه مقاله پیش بینی درجه شادی با استفاده از ساختار داده مفهومی در سایت ای ترجمه مراجعه نمایید.

۰
۰
ای ترجمه
ای ترجمه
خدمات ارائه مقالات علمی و سفارش ترجمه تخصصی
شاید از این پست‌ها خوشتان بیاید