CC BY
39
ПЕДАГОГИЧЕСКАЯ ПСИХОЛОГИЯ
УДК 159.9.075
НЕЙРОСЕТЬ, КАК ИНСТРУМЕНТ АНАЛИЗА ИНТЕЛЛЕКТУАЛЬНОЙ И ЭМОЦИОНАЛЬНОЙ СФЕРЫ ДОШКОЛЬНИКОВ
Е.В. Славутская, Н.С. Вострецова
Аннотация. Предлагается использование искусственных нейронных сетей (ИНС) для оценки взаимосвязи интеллектуальных показателей дошкольников с факторами их эмоционального неблагополучия и самооценкой. Приводится пример обработки результатов психодиагностики детей 6 - 7 лет, полученных традиционными для этого возраста методиками: «МЭДИС», «Дом. Дерево. Человек», «Лесенка», «Выбери нужное лицо». Пример использования ИНС для анализа соотношений между интеллектуальной и эмоциональной сферами дошкольников показывает возможность эффективного применения нейросетевых алгоритмов для обработки психодиагностических данных, имеющих целочисленные шкалы с ограниченным диапазоном значений. Выделены наиболее значимые субтесты и симптомокомплексы из использованных методик, характеризующие связь интеллектуальных и эмоциональных признаков. Приведенные в статье результаты демонстрируют возможности применения аппарата ИНС при анализе психодиагностических данных. Соответствующий функционал присутствует в современных программных продуктах для статистической обработки, его использование не требует специальной математической подготовки и доступно практическим психологам.
Ключевые слова: психодиагностика, дошкольники, интеллектуальные показатели, эмоции, самооценка, аппарат искусственных нейронных сетей
NEURAL NETWORK AS A TOOL FOR ANALYSIS OF INTELLECTUAL AND EMOTIONAL SPHERE OF PRESCHOOL CHILDREN
E. Slavutskaya, N. Vostretsova
Abstract. It is proposed to use artificial neural networks (ANNs) to assess the relationship of intellectual indicators of preschool children with factors of their emotional distress and self-esteem. An example of processing the results of the psycho diagnostic data of children age 6-7, obtained by traditional methods for this age: "MEDIS", "House. Tree. Man", "Ladder", "Choose the right person". The example of the use of ANN for the analysis of relations between intellectual and emotional sphere of preschool children shows the possibility of effective application of neural network algorithms for processing psycho diagnostic data with integer scales with a limited range of values. The most significant subtests and symptom complexes from the used techniques were identified, characterizing the relationship of intellectual and emotional traits. The results presented in the paper demonstrate the possibility to use the ANN for the analysis of psycho diagnostic data. The corresponding functionality is present in modern software products for statistical processing, its use does not require special mathematical skills and is available to practical psychologists.
Keywords: psycho diagnostics, preschoolers, intellectual indicators, emotions, self-esteem, apparatus of artificial neural networks.
Искусственные нейронные сети (ИНС) [4], основанные на когнитивных принципах [11;12] и являющиеся одной из важнейших составных частей современных методов искусственного интеллекта и интеллектуального анализа данных (data mining) [1], могут использоваться в разных областях психологии [6;14;13]. Для статистической обработки психодиагностических данных аппарат ИНС широкого распространения пока не получил, отечественные психологи для этих целей пользуются традиционными статистическими методами: корреляционным, факторным, регрессионным анализом и т.д. [2]. При этом большинство программных продуктов (в том числе - отечественных), которые широко
используются для анализа данных (такие пакеты как «STATISTICA», «Deductor» и др.), дают возможность применения для этих целей ИНС.
В настоящей работе предлагается пример использования ИНС для оценки взаимосвязи интеллектуальных показателей дошкольников с факторами их эмоционального неблагополучия и самооценкой. Для анализа использовались психодиагностические данные дошкольников 6 -7 лет, полученные в разных ДОУ г. Чебоксары и г. Москва. После предварительной обработки, исключения дублирующих и неполных данных с учетом возрастных норм, выборка составила 56 детей (27 мальчиков и 29 девочек). Анализировались данные, полученные для
каждого ребенка с помощью четырех методик, традиционных для старшего дошкольного возраста:
1. Тест «МЭДИС», экспресс-диагностика четырех интеллектуальных показателей: -словарный запас (СЗ), оценка ребенком количественных и качественных отношений (ККО), логическое мышление (ЛМ), математические способности (МС).
2. Широко распространенный проективный тест «Дом. Дерево. Человек», восемь симптомокомплексов которого выявляют признаки эмоционального и личностного неблагополучия - незащищенность (ДДЧ1), тревожность (ДДЧ2), недоверие к себе (ДДЧ3), чувство неполноценности (ДДЧ4), враждебность (ДДЧ5), конфликтность (ДДЧ6), трудности общения (ДДЧ7), депрессивность (ДДЧ8).
3. Тревожность в социальном взаимодействии дошкольников анализировалась по тесту «Выбери нужное лицо» (ВНЛ).
4. Тест «Лесенка» В.Г. Щура на определение самооценки дошкольников (Л).
Таким образом, данные включали 14 показателей по каждому респонденту. Ниже
будет показано, что даже при такой небольшой выборке аппарат ИНС позволяет провести анализ внутрисистемных связей [14] и выделить наиболее значимые признаки.
При предварительной обработке данных обнаружено, что они имеют существенные гендерные различия. В таблице 1 приведены коэффициенты корреляции между
интеллектуальными показателями по тесту «МЭДИС» отдельно для мальчиков и девочек. Для выборки 27 - 29 человек, уровень значимости 5% по двухстороннему критерию для коэффициента корреляции Пирсона составляет приблизительно 0,29. Из данных таблицы 1 следует, что у мальчиков все интеллектуальные показатели связаны между собой с уровнем значимости иногда в сотые доли процента. Для девочек можно считать, что результаты отличаются принципиально: для них все интеллектуальные показатели демонстрируют такую статистически значимую связь только с признаком ККО. И уровень корреляционных связей между интеллектуальными показателями для них в целом ниже.
Таблица 1. - Коэффициенты корреляции интеллектуальных показателей для мальчиков и девочек
МАЛЬЧИКИ ДЕВОЧКИ
МЭДИС СЗ ККО ЛМ МС МЭДИС СЗ ККО ЛМ МС
СЗ 1,00 0,77 0,60 0,65 СЗ 1,00 0,44 0,28 0,26
ККО 0,77 1,00 0,56 0,61 ККО 0,44 1,00 0,57 0,59
ЛМ 0,60 0,56 1,00 0,47 ЛМ 0,28 0,57 1,00 0,34
МС 0,65 0,61 0,47 1,00 МС 0,26 0,59 0,34 1,00
Возникает вопрос о выделении наиболее значимых для этого возраста интеллектуальных показателей и их связи с остальными (по другим тестам) данными тестирования. Результаты тестирования имеют разные цифровые шкалы.
Использование ИНС с простой архитектурой на относительно малой выборке позволяет анализировать связи между исходными данными [7]. Пример использованной ИНС приведен на рисунке 1.
Рисунок 1. - Пример структуры ИНС
Здесь структура ИНС уже оптимизирована по результатам предварительного анализа данных. На вход нейросети подаются только наиболее значимые признаки. На выход последовательно подаются четыре интеллектуальных признака по
Таблица 2. - Результаты обучения ИНС
методике «МЭДИС». То есть СЗ заменяется на ККО, ИНС снова обучается и т.д. Результаты обучения ИНС при разных интеллектуальных показателях на ее выходе приведены в таблице 2.
Признак на выходе Максимальная ошибка - ^ макс Среднеквадратичная ошибка - Распознавание связей - £
СЗ 1,45х10_1 1,62х10"2 96,43 %
ККО 1,96х10_1 2,04х10"2 91,07 %
ЛМ 4,00х10_1 2,99х10"2 91,07 %
МС 3,78х10_1 2,69х10"2 87,50%
Результаты позволяют сделать вывод о том, что словарный запас является наиболее значимым интеллектуальным показателем по результатам использования теста «МЭДИС». Он имеет наиболее структурированные связи с самооценкой и эмоциональными признаками детей даже с учетом их гендерных различий (пол ребенка учитывался в структуре ИНС, см. рисунок 1). Этому признаку на выходе ИНС соответствует максимальный процент распознаваемых связей (вычислительных путей) и минимальные погрешности при ее обучении, см. таблицу 2. Количественно оценить качество обучения ИНС и, соответственно, связи между ее входными и выходными данными, можно по гистограмме распределения ошибок, см. рисунок 2. Здесь по горизонтальной оси - относительная погрешность обучения, по вертикальной -
количество респондентов (их процент), обучение нейронной сети, для которых соответствует данной погрешности.
В соответствии с данными гистограммы, для 53 детей (95%) из общей выборки в 56 дошкольников, погрешность оценки связей между входными данными и выходным признаком СЗ не превышает 8%. Соответствующие оценки трудно получить при помощи корреляционного или факторного анализа из-за различия в численных шкалах тестов. Кроме того, ИНС позволяет выделить из общей выборки трех детей, результаты которых «выбиваются» из заданной погрешности. Это предоставляет психологу возможность индивидуально проверить результаты тестирования, провести дополнительную психодиагностику и т.д.
Среднеквадратичная ошибка
Рисунок 2. - Гистограмма распределения ошибок при обучении ИНС рисунка 1
Л.С. Выготский указывал на необходимость рассмотрения соотношения аффекта и интеллекта в контексте психического развития. Многочисленные исследования в этом направлении касаются, в основном, взрослых и школьников, а также изучения факторов психологической готовности детей к школьному обучению [3;9]. Для этих возрастных категорий достаточно разработаны методы
психодиагностики с одинаковым шкалированием численных данных. Приведенные в настоящей статье результаты позволяют утверждать, что словарный запас дошкольников как один из интеллектуальных показателей по тесту «МЭДИС» имеет структурированные связи с тревожностью (по тестам ДДЧ и ВНЛ), самооценкой (Л), а также с трудностями в общении и чувством неполноценности (ДДЧ4, ДДЧ7) Это не противоречит известным данным. Исследование взаимосвязи эмоциональной сферы и интеллектуальных показателей является одной из важнейших проблем психологии [5;8;10]. Аппарат ИНС как инструмент для таких исследований позволяет проводить оценки с учетом гендерных различий и анализировать данные каждого дошкольника - насколько они выделяются из общей выборки (или ей количественно соответствуют). В большинстве современных отечественных и зарубежных
программных продуктов все вычисления и графическое представление результатов производятся автоматически, что позволяет пользоваться этим инструментом психологам, необязательно обладающим специальной математической подготовкой.
В заключении отметим, что использование ИНС как инструмента анализа данных имеет значительные перспективы широкого
использования в психологических исследованиях. Сам процесс обучения ИНС и построения ИНС-моделей позволяют проводить системный анализ данных психодиагностики на относительно небольшой выборке испытуемых (50 - 100 человек). Применение нейронной сети как инструмента, основанного на нечеткой логике, позволяет оценить внутрисистемные связи вне зависимости от числовой размерности исходных данных. Это может быть особенно важно при тестировании детей дошкольного возраста, для которых тесты часто имеют шкалы очень ограниченного диапазона. Важным
представляется и то, что в отличие от традиционных методов статистического оценивания, ИНС позволяют получить оценки взаимосвязей психологических признаков не только в среднем по выборке, но и селективно -для каждого респондента.
Литература:
1. Боровиков В.П. Нейронные сети. Методология и технологии современного анализа данных / В.П. Боровиков. - М.: Горячая линия-Телеком, 2008. - 392 с.
2. Воробьев А.В. Обзор применения математических методов при проведении психологических исследований / А.В. Воробьев // Психологические исследования: электрон. науч. журн. - 2010. - № 2(10).
3. Гуткина Н.И. Психологическая готовность к школе: учебное пособие / Н.И. Гуткина. - 4-е изд., перераб. и допол. - Санкт-Петербург: Питер, 2007. -208 с.
4. Круглов В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. - М.: Горячая линия-Телеком, 2001. - 287 с.
5. Ратанова Т.А. Возрастные особенности дифференцированности и интегрированности когнитивных структур у школьников / Т.А. Ратанова // Вопросы психологии. - 2014. - № 2. - С. 34-41.
6. Славутская Е.В. Нейросетевой системный анализ уровневых психологических характеристик / Е.В. Славутская, В.С. Абруков, Л.А. Славутский // Вестник чувашского университета. - 2016. - № 1. - С. 164-173.
7. Славутская Е.В. Простые нейросетевые алгоритмы для оценки латентных связей
психологических характеристик младших подростков / Е.В. Славутская, В.С. Абруков, Л.А. Славутский // Экспериментальная психология. - 2019. - Т. 12. - № 2. -С. 131-144. doi:10.17759/exppsy.2019120210
8. Славутская Е.В. Психологические особенности школьников предподросткового возраста (теория и практика) / Е.В. Славутская. - Чебоксары: Чуваш. гос. пед. ун-т, 2014. - 186 с.
9. Шульга Т.И. Эмоционально-волевой компонент психологической готовности к обучению школьников / Т.И. Шульга // Вестник МГОУ. Серия: Психологические науки. - 2012. - № 1. - С. 60-66.
10. Щебланова Е.И. Взаимосвязь когнитивных способностей и личностных характеристик интеллектуально одаренных школьников / Е.И. Щебланова // Вопросы психологии. - 2013. - № 1. - С. 13-23.
11. Haykin S. Neural networks: A comprehensive Foundation. New York: Prentice Hall, 1999.
12. Hebb D. Organization of behavior. New York: Science Edition, 1961.
13. Reznichenko N.S., Shilov S.N., Abdulkin V.V. Neuron Network Approach to the Solution of the Medical-Psychological Problems and in Diagnosis Process of Persons with Disabilities (Literature Review) // Journal of Siberian Federal University. Humanities & Social Sciences, 2013. - V. 9(6). - P.1256-1264.
14. Slavutskaya E.V., Slavutskii L.A. Preteen Age: The Analysis Of The Multilevel Psycho-Diagnostic Data Based On Neural Network Models. Society. Integration.
Education. Proceedings of the Scientific Conference. 2018. V.5. С. 455-464 // URL:
http://dx.doi.org/10.17770/sie2018vol1.3348.
Сведения об авторах:
Славутская Елена Владимировна (г. Чебоксары, Россия), доктор психологических наук, доцент, профессор кафедры психологии и социальной педагогики, Чувашский государственный педагогический университет, e-mail: [email protected]
Вострецова Наталья Сергеевна (г. Чебоксары, Россия), аспирант кафедры психологии и социальной педагогики, Чувашский государственный педагогический университет, e-mail: [email protected]
Data about the authors:
E. Slavutskaya (Cheboksary, Russia), Doctor of Psychological Sciences, associate professor, professor of department of psychology and social pedagogics, Chuvash state pedagogical university, e-mail: slavutskayaev@gmail .com
N. Vostretsova (Cheboksary, Russia), Graduate Student of the Department of Psychology and Social Pedagogy, Chuvash State Pedagogical University, e-mail: [email protected]
