CC BY
117
УДК 681.142.2:159.922.77
А.Ю. КУЗИН, ЕВ. СЛАВУТСКАЯ, Л. А. СЛАВУТСКИЙ
ДЕТЕРМИНИРОВАННЫЙ НЕЙРОСЕТЕВОЙ АЛГОРИТМ ОБРАБОТКИ ДАННЫХ ПСИХОДИАГНОСТИКИ
Ключевые слова: нейронные сети, обработка данных, психологическое тестирование.
Предлагается использование нейронной сети для обработки данных психодиагностики. Построена сеть с прямым распространением сигнала и обратным распространением ошибки. Обучение сети и проверка ее работы производятся на примере данных тестирования младших подростков. Показано, что предложенный алгоритм позволяет эффективно выделять психологические признаки, значимые для оценки гендерных различий испытуемых.
A.Yu. KUZIN, E.V. SLAVUTSKAYA, L.A. SLAVUTSKIY THE DETERMINED NEURAL NETWORKS ALGORITHM FOR THE PSYCHO DIAGNOSTIC DATA PROCESSING Key words: neural networks, data processing, psychological testing.
The neural networks for the psycho diagnostic data processing are proposed. The network type is «Feed-forward backprop». The network training and its work testing are performed by the example of younger teenagers testing data. It is shown that the proposed algorithm can effectively allocate psychological traits that are important to assess the gender differences of the children.
Для компьютерной обработки данных психодиагностики повсеместно используются традиционные статистические методы, такие как корреляционный, факторный анализ и т.д. [2]. Использование таких методов часто сопряжено с рядом проблем:
1. Некоторые психологические тесты требуют значительного времени, и получить их результаты у большого числа респондентов оказывается затруднительно. Статистическая выборка оказывается малой, что не позволяет делать выводы с высокой степенью достоверности.
2. Большинство результатов психодиагностики имеют всего несколько градаций (целочисленных уровней). Это значительно сокращает возможности традиционных статистических методов и уменьшает достоверность результатов.
3. Результаты психодиагностики оказываются неполными (у некоторых респондентов отсутствует результат того или иного теста).
Перечисленные проблемы могут быть минимизированы, если для анализа психодиагностических данных используются нейросетевые алгоритмы, позволяющие работать с ограниченной, неполной выборкой данных. При этом размерность данных не имеет решающего значения [1, 6].
В настоящей работе предлагается использование детерминированного нейросетевого алгоритма, при реализации которого структура нейросети жестко связана с исходными анализируемыми данными, а ее обучение производиться с их же использованием.
В таблице приведен пример результатов психологического тестирования школьников 10-11 лет (5 класс) с использованием 12-факторного опросника Р.Б. Кеттелла и Р.В. Коэна CPQ (Childrens Personality Questionnaire) для детей 8-12 лет [7]. Он предназначен для исследования личностных особенностей школьников и содержит 12 шкал для измерения степени выраженности черт личности, которые Р.Б. Кеттелл называет конституциональными.
Пример данных психодиагностики
Пол Личностные качества IQ
A B C D E F G H I O Q3 Q4
ж 3 2 5 5 1 2 7 1 7 7 7 7 142
м 6 4 2 3 9 5 5 6 10 7 9 5 133
Примечание. Интерпретация личностных качеств в 12-факторном опроснике Р.Б. Кет-телла и Р.В. Коана (CPQ): A - общительность-замкнутость; B - абстрактное-конкретное мышление; C - эмоциональная стабильность-неустойчивость; D - возбудимость-уравновешенность; E - независимость-покорность; F - беспечность-озабоченность; G - высокая-низкая дисциплинированность; H - смелость-робость; I - мягкость-твердость; O -тревожность-спокойствие; Q3 - высокий-низкий самоконтроль; Q4 - напряженность-расслабленность.
Аналогичные данные были получены при тестировании 86 школьников (46 девочек и 40 мальчиков). В основу обработки данных были положены гендерные различия в результатах тестирования, и оценивалась значимость каждого из 12 признаков для мальчиков и девочек. Учащиеся пятых классов были разделены на три группы: К-1 (16 мальчиков и 19 девочек с высоким и выше среднего уровнем интеллектуального развития), К-2 (11 мальчиков и 11 девочек со средним и низким уровнем интеллектуального развития), Э (13 мальчиков и 16 девочек - экспериментальная группа учащихся с различным уровнем интеллектуального развития). Оценка коэффициента интеллекта IQ проводилась по методике «Свободно культурный тест интеллекта Р.Б. Кеттелла».
На рис. 1 показана структура используемой нейросети, реализованной в среде MatLab [3]. Тип сети - двухслойная сеть с прямой передачей сигнала (Feed-forward backprop) и обратным распространением ошибки. Сеть с двумя слоями (12 нейронов в первом слое и 1 нейрон в выходном слое) имеет последовательную структуру, когда выход первого слоя служит входом второго слоя. Такая архитектура может воспроизводить сложные нелинейные зависимости между входными и выходными данными сети. Каждый слой сети имеет свою матрицу весов W, которая состоит из весовых функций нейронов. Количество нейронов в первом слое 12 - по количеству исходных признаков, а на выходе второго слоя получаем два целочисленных значения «-1» и «+1» в соответствии с гендерной принадлежностью тестируемого (мальчика или девочки).
В соответствии со структурой нейросети проводился процесс ее обучения, при этом обучение проводилось как по данным всех 86 тестируемых, так и отдельно, по каждой из групп К1, К2, Э. На рис. 2 показаны графики обучения сети для всех четырех случаев. Обучение с желаемыми (целевыми) реакциями сети на входные сигналы (такой процесс называется «обучением с учителем»). Алгоритм обучения пошаговый, и эти шаги принято называть эпохами, или циклами. На каждом цикле на вход сети последовательно подаются все элементы обучающей последовательности, затем вычисляются выходные значения сети, сравниваются с целевыми реакциями, вычисляется функционал ошибки А. Процесс обучения прекращается, когда ошибка достигает некоторого малого значения или перестает уменьшаться.
Наибольшее количество шагов для обучения потребовала группа Э, результаты тестирования которой наиболее неоднородны с психологической точки зрения [4]. Кроме того, графики рис. 2 показывают, что скорость обучения не зависит от числа тестируемых.
1-й слой 2-й слой
Рис. 1. Структура нейронной сети:
1 - преобразующая функция; 2 - весовая функция нейрона
Рис. 2. Обучение нейросети. Зависимость ошибки А от числа циклов обучения N 1 - группа Э (40 циклов); 2 - группа К1 (21 цикл); 3 - все дети (37 циклов);
4 - группа К2 (23 цикла)
Для оценки значимости каждого из 12 психологических качеств таблицы для гендерных особенностей тестируемых каждый из факторов на входе сети последовательно обнулялся. При этом фиксировалось изменение выходных признаков. Суммировалось количество случаев, когда сеть выдавала ошибку в половой принадлежности ребенка. Соответствующие гистограммы приведены на рис. 3. Полученные результаты крайне неоднородны как по 12 исходным качествам, так и по гендерной принадлежности. С одной стороны, обнуление некоторых признаков не влечет за собой ошибок в определении пола ребенка (нулевая высота столбцов гистограмм рис. 3). С другой сторо-
ны, для некоторых из 12 качеств ошибка в определении пола ребенка при исключении (обнулении) входных данных по одному признаку влечет 100%-ную ошибку в определении половой принадлежности. Примером может служить качество «О» в обработке данных тестирования по группе К2. В этом случае сеть выдала ошибку в определении пола всех 11 девочек. Согласно результатам обработки (рис. 3) для девочек наиболее значимыми могут считаться качества «С» и «^4», для мальчиков - «Е» и «Н». Такая интерпретация согласуется с результатами психологических исследований, проведенных при помощи факторного анализа [5].
40
гМг!
п
_ п 1 и 1 і 1 г
©
А= -о в =0 с- =0 =0 -о Е= 0 -0 н= -0 I- -0 о= -0 э* =0 04 =0
г 1 п
П и - п . п Л
©
А=0 В=0 С=0 Б=0 Е=0 Г=0 0=0 Н=0 1=0 0=0 <23=0 04=0
— —1
Л Л 1 і 1 . ■ ■ - ■ -
©
А=0 В=0 С=0 Б=0 Е=0 Е=0 0=0 Н=0 1=0 0=0 <^3=0 04=0
■ 1 ( і©
■ п П 1
А=0 В=0 С=0 Р=0 Е=0 Е=0 С=0 Н=0 1=0 0=0 <^3=0 04=0
мальчики | [девочки
Рис. 3. Число ошибок в определении гендерной принадлежности испытуемых при последовательном обнулении входных признаков:
1 - по всем детям, 2 - по группе К1, 3 - по группе Э, 4 - по группе К2
Приведенный нейросетевой алгоритм не вызывает традиционных проблем с недостаточным (или избыточным) обучением сети, что подтверждается эффективной работой схемы с разными группами респондентов.
Таким образом, примеры обработки психодиагностических данных показывают, что предложенный нейросетевой алгоритм позволяет достаточно эффективно выделять наиболее значимые психологические признаки, определяющие гендерные различия испытуемых. Такая процедура может осуществляться по малой выборке данных, в разные моменты времени и, соответственно, описывать временные изменения значимости психологических признаков в динамике (например, в переходные или кризисные для испытуемых периоды). Исключающая неопределенность схема обучения сети и обработки данных в этом случае будет определять высокую достоверность результатов.
Литература
1. Аксенов С.В., Новосельцев В.Б. Организация и использование нейронных сетей (методы и технологии) / под ред. В.Б. Новосельцева. Томск: Изд-во науч.-техн. лит., 2006. 128 с.
2. Дружинин В.Н. Экспериментальная психология: учеб. пособие. М.: ИНФРА-М, 1997. 256 с.
3. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6 / под ред. В.Г. Потемкина. М.: ДИАЛОГ-МИФИ, 2002. 496 с.
4. Славутская Е.В. Факторный анализ психологических качеств, определяющих «дезадаптационный синдром пятого класса» // Психология обучения. 2008. № 12. С. 103-112.
5. Славутская Е.В. Экспериментальное изучение гендерных различий в развитии эмоционально-волевых и интеллектуальных свойств младших подростков // Вестник ТГПУ. 2009. Вып. 9 (87). C. 127-129.
6. Хайкин С. Нейронные сети: полный курс: пер. с англ. 2-е изд. М.: ООО «ИД Вильямс», 2006. 1104 с.
7. Cattell R.B. Advanced in Cattelian Personality Theory. Handbook of Personality. Theory and Research. N.Y.: The Guilford Press, 1990.
КУЗИН АЛЕКСАНДР ЮРЬЕВИЧ - студент V курса, кафедра управления и информатики, Чувашский государственный университет, Россия, Чебоксары (kuzm@list.ru).
KUZIN ALEXANDER YURIEVICH - student, Management and Informatics Department, Chuvash State University, Russia, Cheboksary.
СЛАВУТСКАЯ ЕЛЕНА ВЛАДИМИРОВНА - кандидат психологических наук, доцент кафедры психологии и социальной педагогики, Чувашский государственный педагогический университет, Россия, Чебоксары (las_co@mail.ru).
SLAVUTSKAYA ELENA VLADIMIROVNA - candidate of psychological sciences, associate professor of Psychology and Social Pedagogic Department, Chuvash State Pedagogical University, Russia, Cheboksary.
СЛАВУТСКИЙ ЛЕОНИД АНАТОЛЬЕВИЧ. См. с. 115._______________________________________
УДК 004.048
Я.В. ШЕВЧЕНКО, П.В. ЖЕЛТОВ ВИЗУАЛЬНАЯ СРЕДА МОДЕЛИРОВАНИЯ РАЗЛИЧНЫХ СИСТЕМ
Ключевые слова: моделирование, язык программирования, виртуальная среда, системы различного генеза.
Представлен новый продукт — интерпретируемый язык программирования виртуальных миров Open Code Effects. Рассмотрены структура и инструментарий, принцип организации сценариев.
Ya.V. SHEVCHENCO, P.V. ZHELTOV A VISUAL ENVIRONMENT FOR MODELING DIFFERENT SYSTEMS
Key words: modeling, programming language, a virtual environment, differentl systems.
In the paper is described a new product — the interpretable programming language of virtual worlds Open Code Effects. Are described its structure and toolkit, principles of scripts organization.
При создании нового программного продукта - интерпретируемого языка программирования виртуальных миров Open Code Effects (OCE) - использован удачный опыт разработки других языков. При этом найдены оригинальные решения, которые позволяют по-новому взглянуть на процесс программирования .
Среда программирования OCE. Интерпретируемый язык построения логических связей в виртуальных мирах OCE представляет собой логические конструкции, состоящие из последовательности команд, влияющих на свойства загруженных в память трехмерных объектов, а также на их взаимодействие с пользователем. После задания свойств происходит визуализация всей сцены.
В данном случае интерпретатором является часть основного исполняемого файла, который загружает в себя командные последовательности на языке OCE и одновременно с их загрузкой осуществляет привязывание этих
