CC BY
61ЦИФРОВЫЕ МОДЕЛИ И РЕШЕНИЯ
1 2 № 1 2023 m 2 No.:t nigitnlmndPknnd solutions_ISSN 2782-4934 (onHne)
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
УДК 004.832.22 DOI 10.29141/2782-4934-2023-2-1-2 EDN XAJFMC
А. А. Хозяшева1
1Уральский федеральный университет имени первого Президента России Б. Н. Ельцина, г. Екатеринбург, Российская Федерация
Система для выявления уровня мобильной игровом зависимости у детей и подростков
Аннотация. Исследование посвящено системе для определения уровня зависимости от мобильных игр у детей и подростков с помощью данных, собранных с мобильных электронных устройств. Система представлена мобильным приложением, которое собирает данные об использовании мобильных игр, и нейросетевой моделью на основе архитектуры «автокодировщик» для определения уровня зависимости. Нейро-сетевая модель, использующая алгоритм обратного распространения ошибки, была обучена на параметрах из шкалы Чена (CIAS) для определения уровня зависимости. Был создан прототип мобильного приложения и получены адекватные оценки качества нейросетевой модели. Дальнейшие исследования предполагают валидацию системы с психологами и улучшение нейросетевой модели путем увеличения количества наблюдений и корректировки архитектуры. Результаты исследования демонстрируют потенциал использования нейронных сетей и мобильных технологий для выявления и мониторинга мобильной игровой зависимости у детей и подростков, что может способствовать профилактике и предупреждению данного заболевания. Ключевые слова: игровая зависимость; нейронная сеть; компьютерная игровая зависимость; игровая аддикция.
Дата поступления статьи: 28 февраля 2023 г.
Для цитирования: Хозяшева А. А. Система для выявления уровня мобильной игровой зависимости у детей и подростков // Цифровые модели и решения. 2023. Т. 2, № 4. DOI: 10.29141/2782-4934-2023-2-1-2. EDN: XAJFMC.
ЦИФРОВЫЕ МОДЕЛИ И РЕШЕНИЯ
1 2 № 1 2023 m 2 No.:t nigitnlmndPknnd solutions_ISSN 2782-4934 (onHne)
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
A. А. Khoziasheva1
1Ural Federal University named after the first President of Russia B.N.Yeltsin, Yekaterinburg, Russian Federation
System for identifying the level of mobile gaming addiction in children and adolescents
Abstract. This research paper describes a system for identifying the level of mobile gaming addiction in children and adolescents using data collected from mobile electronic devices. The system includes a mobile application that collects usage data on mobile games and uses a neural network model based on an "autoencoder" architecture to detect addiction levels. The neural network model includes the error back propagation algorithm and was trained on parameters selected from Chen Scale (CIAS) for addiction level detection. A prototype of the mobile application was created and adequate estimates of the neural network model quality were obtained. Future work will involve validation of the system with psychologists and further improvement of the neural network model by increasing the number of observations and adjusting the architecture. The results of this study demonstrate the potential of using neural networks and mobile technology to identify and monitor mobile gaming addiction in children and adolescents, which can aid in early intervention and prevention efforts.
Key words: gaming addiction; neural network; internet gaming disorder; video game addiction; mobile gaming disorder Paper submitted: February 28, 2023
For citation: Khoziasheva A. A. System for identifying the level of mobile gaming addiction in children and adolescents. Digital models and solutions. 2023. Vol. 2, no. 1. DOI: 10.29141/2782-4934-2023-2-1-2. EDN: XAJFMC.
Введение
С ростом доступности смартфонов и планшетов мобильные игры стали более доступными для людей всех возрастов. В последние годы игровая индустрия демонстрирует огромный рост и, по прогнозам, продолжит расти в ближайшие годы. Простота доступа и разнообразие жанров способствовали широкой популярности мобильных игр. В последние годы растет обеспокоенность по поводу негативного влияния зависимости от мобильных игр на успеваемость, социальные отношения, физическое здоровье и психическое благополучие [1-3]. Поскольку мобильные игры продолжают набирать популярность, необходимость в более эффективных и объективных методах оценки и профилактики зависимости от них становится все более актуальной.
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
Дети и подростки находятся в зоне повышенного риска развития зависимости от мобильных игр [4; 5]. Наиболее подвержены игровому расстройству мужчины (особенно подростки): отмечается, что они проводят большее количество часов перед экраном, имеют тягу к играм и чаще страдают от негативных последствий [6]. Интересно, что по сравнению с другими видами игр, мобильные игры более популярны среди женщин. Например, «Candy Crash Saga» - одна из популярных мобильных социальных игр, где 69 % игроков составляют именно женщины [7].
Мобильные игры представляют собой легкодоступную и часто вызывающую зависимость форму развлечения. В связи с этим родители, учителя, психологи и сами учащиеся все больше обеспокоены негативными последствиями зависимости от мобильных игр. Эти негативные последствия игр хорошо задокументированы: исследования показали, что чрезмерное увлечение мобильными играми может привести к плохой успеваемости, снижению социального взаимодействия, проблемам с физическим здоровьем, таким как ожирение, и проблемам с психическим здоровьем, таким как депрессия и тревожность [8; 9]. Более того, исследования показывают, что дети и подростки особенно уязвимы к негативным последствиям зависимости от мобильных игр.
Игровая аддикция стала широко изучаемой темой в разных странах. Оценка игровой зависимости с помощью психометрических инструментов привела к значительным различиям в отчетах о распространенности данного заболевания даже в пределах одной страны. В мировой науке разработано 12 различных шкал для оценки игровой интернет-зависимости [10; 11]. Существующие методы оценки зависимости от игр, например, такие как психологические тесты, имеют свои ограничения, часто являются субъективными и носят самоотчетный характер. Поэтому возникает необходимость в более эффективных и объективных методах оценки зависимости от мобильных игр для ее предотвращения на ранних стадиях.
Технологии могут сыграть решающую роль в определении уровня зависимости от мобильных игр. Преимущества технологий в этом контексте заключаются в способности собирать и анализировать данные, давать объективные и точные оценки, а также потенциально способствовать раннему вмешательству и профилактике компьютерной и игровой зависимости. Кроме того, технологии могу обеспечивать анонимный и беспристрастный подход к выявлению уровня зависимости, что может быть особенно важно для детей и подростков, которые боятся или неохотно обращаются за помощью.
Данная статья посвящена системе определения уровня мобильной игровой зависимости у детей и подростков с помощью данных, собранных с мобильных электронных устройств. Целью исследования является разработка системы, которая позволила бы объективно оценить уровень мобильной игровой зависимости у молодых людей, что может способствовать раннему вмешательству и профилактике расстройства. Исследование направлено на достижение этой цели путем создания нейросетевой модели для определения уровня зависимости от мобильных игр на основе данных с мобильных электронных устройств и разработки прототипа мобильного приложения, способного собирать данные об использовании мобильных игр.
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
Гипотеза заключается в возможности использования искусственного интеллекта и мобильных технологий для выявления и мониторинга уровня мобильной игровой зависимости у детей и подростков.
Задачами исследования являются:
1. Разработка нейросетевой модели для определения уровня зависимости от мобильных игр на основе данных с мобильных устройств.
2. Создание прототипа мобильного приложения, которое можно использовать для сбора данных о поведении пользователя.
3. Оценка качества нейросетевой модели.
Теоретической основой работы являются психолого-педагогические, методические труды и исследования, посвященные:
• способам выявления уровня интернет- и игровой зависимости (А. Трусова, Д. Шуйская, А. Кибитов [12], В. Малыгин, Ю. Меркурьева и др. [13]);
• критериям и методам диагностики интернет- и игровой зависимости (B. Малыгин, К. Феклисов и др. [14]);
• архитектурам нейронных сетей (И. Заецнев [15]).
Практическую основу исследования составили методы анкетирования, разработки мобильных приложений, опыт применения языков программирования Python и Kotlin для решения практических задач.
Научная новизна исследования состоит в том, что предложен метод нечетких измерений уровня игровой зависимости, отличающийся от известных методов обработки качественной информации наличием возможности нечеткой фильтрации входной информации и определением уровня игровой зависимости.
Значимость теоретических результатов работы заключается в описании предложенного метода выявления уровня игровой зависимости. Практическая значимость работы состоит в возможности применять разработанную систему с целью своевременного принятия профилактических мер, что полезно психологам, тренерам и педагогам, но, что важнее, школьники и студенты смогут самостоятельно провести независимую оценку своего уровня потенциально зависимого поведения.
В первой части статьи обоснована актуальность выбранной темы исследования, а также определены цель и задачи исследования. Вторая часть статьи посвящена описанию работы системы: описаны подсистемы, критерии выявления уровня игровой зависимости, модель искусственной нейронной сети (ИНС). В третьей части статьи описаны результаты применения модели ИНС, а также проведена оценка ее качества. В заключении сделаны основные выводы и рассмотрены перспективы дальнейших исследований.
Обоснование исследования
В настоящее время мобильные игры, в том числе мобильные онлайн-игры, являются крупнейшим растущим игровым рынком. Большинство людей играют для развлечения,
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
для общения (взаимодействия с друзьями), для релаксации, чтобы почувствовать себя победителем или скоротать время [7].
Факторы риска зависимости от мобильных интернет-игр схожи с традиционной зависимостью от видеоигр. Выявлено, что социальная изоляция и отсутствие самоконтроля являются важными факторами, повышающими риск зависимости от мобильных игр. Основное отличие мобильных игр от традиционных заключается в большей доступности из-за повсеместного распространения и доступности мобильных телефонов [16] (у 95,9 % российских интернет-пользователей имеется смартфон1]). Зачастую мобильные игры разрабатываются для обычных игроков, чтобы они могли легко влиться в игру и играть «на ходу», например, в ожидании общественного транспорта. Столь высокая доступность рассматривается как важный фактор поведенческих зависимостей, в том числе таких, как игровая зависимость.
Зависимость от мобильных игр является частью расстройства, связанного с интернет-играми [17]. В исследованиях ученых со всего мира определены мотивы этой зависимости: 68 % подростков играют в мобильные игры в качестве еженедельного развлечения. Большинство исследователей называют одними из ключевых факторов эскапизм и потребность быть лучшим. Некоторые молодые люди слишком застенчивы или имеют низкую самооценку, поэтому игры или виртуальный мир становятся для них заменой общения в реальной жизни. Более того, они играют в видеоигры, чтобы забыть о своих проблемах или избежать стресса. Другим ключевым мотивом является потребность в продвижении, т. е. стремление стать более сильным, достичь каких-то высот, победить и бросить вызов другим.
Возникновение и распространение киберспорта также в некоторой степени способствовало росту зависимости от мобильных игр среди детей и подростков. Соревнования по киберспорту и профессиональные игровые лиги популяризируют игры, благодаря чему складывается впечатление, что карьера киберспортмена является прибыльной и захватывающей. Этот имидж весьма привлекателен для молодых людей, что заставляет их вкладывать значительное количество времени и денег в свои игровые увлечения, что, в свою очередь, может привести к развитию зависимости. Чтобы добиться успеха, нужно начинать тренироваться в возрасте 10-13 лет. В этом возрасте активно формируется ценностно-смысловая сфера молодежи, и среди детей и подростков начинает распространяться игромания [18]. По этим причинам профилактические программы должны осуществляться в школьной среде, особенно в начальной школе. Студенты - вторая группа, на которую должны быть направлены мероприятия по профилактике игровой зависимости из-за ее высокой распространенности [19].
В России игровая зависимость признана официальным заболеванием только с 1 января 2022 г. со вступлением в силу МКБ-11, вследствие чего официальной статистики о распространенности этого явления нет. Тем не менее можно воспользоваться косвенными данными: например, количеством поисковых запросов по ключевым словам.
1 Digital 2021: the Russian Federation / DataReportal. URL: https://datareportal.com/reports/digital-2021-russian-federation (дата обращения: 19.02.2023).
ЦИФРОВЫЕ МОДЕЛИ И РЕШЕНИЯ
X 2 № 1 2023 Vol2 No.1 М nigitn| mndpfcnnd solutions_ISSN 2782-4934 (online)
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
По данным сервиса «Подбор слов», россияне искали фразу «игровая зависимость» (рис. 1) и «интернет-зависимость» (рис. 2) 45 950 и 30 522 раз в месяц соответственно, что примерно соответствует количеству поисковых запросов по фразе «алкогольная зависимость» (рис. 3).
Что искали со словом «игровая зависимость» — 45 950 показов в месяц
CTíTMíTUKAneeroesw nwíм е » *ее*иШ
31 575
печении зависимость игровые автоматы 13 301
даыдьШЁОцаам^вая зависимость в 965
ШШШ&ЮШЪШВвИйвЛфИВйй 7
игровая зависимость игр 5 104
игровая зависимость +от компьютерных 4 590
игровая зависимость +от компьютерных 4 116
игровая зависимость +у попроетиаа 3 617
лечение игровой зависимости клиники 2 966
1946
Рис. 1. Результаты запроса «Игровая зависимость» в сервисе «Подбор слов» (данные на февраль 2023 г.)
Что искали со словом «интернет зависимость» — 30 522 показа в месяц
Статистика по слом м интепнвт зднисимость Пмама В МвСЯЦ0 3Q522 2 261 1 732 1 632 1 S62 1 416
пюйламы и агЁрнйьаиашлЫйсш проект инТйриет эааисммасгь интернет аян или м ость темы профилактика интернат зависимости
интернет зависимость сййр&м&нного 921
современные пообпемы ннторнет 919
зависимости
интернет зависимость проблема 907
тмт -на интернет Й77
Рис. 2. Результаты запроса «Интернет-зависимость» в сервисе «Подбор слов» (данные на февраль 2023 г.).
ЦИФРОВЫЕ МОДЕЛИ И РЕШЕНИЯ
X 2 № 1 2023 Vol2 No.:l nigitnlmndPknnd solutions_ISSN2782-4934(onHne)
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
Что искали со словом «алкогольная зависимость» — 43 037 показов в месяц
Сгатисти ка п & слоез w показов r месяц F]
алкогольная зависимость 43 037
лечение алкогольной зависимости 5 078
капли *от алкогольной зависимости 2 208
+как избавиться +от алкогольной 1 793
алкогольная зависимость отзывы 1 671
алкогольная зависимость ашшвяа 1 009
кодировка +ОТ алкогольной зависимости 1 436
Рис. 3. Результаты запроса «Алкогольная зависимость» в сервисе «Подбор слов» (данные на февраль 2023 г.).
Родители играют важную роль в контроле и управлении привычками своих детей, в том числе в отношении к мобильным играм. Они могут установить ограничения на время и доступ к играм, поощрять альтернативные занятия, такие как игры на свежем воздухе или общение с друзьями, и обращать внимание на признаки игровой зависимости, такие как раздражительность, беспокойство и пренебрежение обязанностями. Активно интересуясь привычками своих детей в области мобильных игр, родители могут помочь предотвратить зависимость и привить здоровые привычки.
Педагоги и школьные психологи также имеют важную роль в решении проблемы зависимости от мобильных игр. Они могут включить обучение ответственному отношению к играм в школьную программу, предоставлять консультации и поддержку ученикам, борющимся с зависимостью, а также сотрудничать с родителями и общественными организациями для повышения осведомленности о рисках, связанных с зависимостью от мобильных игр. Работая вместе с родителями и учениками, педагоги и школьные психологи могут создать благоприятную и здоровую школьную среду, способствующую формированию ответственного и сбалансированного отношения к мобильным играм.
Наконец, сами учащиеся могут извлечь пользу, если будут внимательно следить за своими привычками, связанными с мобильными играми. Осознавая, сколько времени и энергии они тратят на мобильные игры, молодые люди могут развить самоконтроль и избежать негативных последствий зависимости. Студенты также могут поддерживать друг друга, освещая негативные последствия зависимости, демонстрируя ответственное поведение в отношении мобильных игр, организуя альтернативные социальные мероприятия или делясь подходами к управлению временем, проведенным с мобильным телефонли.
Таким образом, родителям, тренерам и школьным психологам стоит уделять пристальное внимание к увлечению детей и подростков.
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
Шкала Чена как инструмент для диагностики
/• V V
мобильном игровом зависимости
Шкала интернет-зависимости Чена (CIAS) - это хорошо себя зарекомендовавший и широко используемый инструмент для оценки интернет-зависимости. Шкала Чена соответствует диагностическим критериям DSM-5 (Diagnostic and Statistical Manual of mental disorders, fifth edition) и представляет собой психологический опросник. Шкала использовалась в нескольких исследованиях, посвященных изучению зависимости от мобильных игр, и была признана надежной и валидной мерой для оценки зависимости от мобильных и интернет-игр.
Однако существует несколько ограничений психологических тестов:
1. У разных испытуемых может быть разный уровень мотивации, внимания и эмоционального состояния, что может повлиять на результаты теста. Например, испытуемый, испытывающий тревогу или депрессию, может по-другому выполнить тест по сравнению с испытуемым, который чувствует себя спокойно и позитивно.
2. Процесс составления и оценки психологических тестов сложен и субъективен, что может внести ошибки и погрешности в результаты. Составили тестов могут по-разному интерпретировать пункты тестов и правила подсчета баллов, что может приводить к несоответствиям и расхождениям в результатах.
3. Многие психологические тесты разрабатываются и нормируются в конкретном культурном и языковом контексте, который может быть неприменим к другим культурам и языкам. Это может привести к неточным или вводящим в заблуждение результатам.
4. Даже если психологический тест разработан и провалидирован, результаты могут меняться с течением времени из-за изменений в обстоятельствах испытуемого. Это может привести к несоответствиям и неточностям в результатах.
5. Выборка испытуемых, используемая для нормирования психологического теста, может быть нерепрезентативной для другой популяции, что приводит к неточностям в результатах. Например, тест, составленный на взрослых, может быть неприменим к школьникам.
Технологии обладают некоторыми преимуществами, которые могут сделать более объективными и точными результаты психологических тестов, поскольку позволяют:
• стандартизировать само тестирование и подсчет баллов, снижая вероятность ошибок и предубеждений, вносимых человеком при проведении теста и интерпретации результатов;
• проводить тестирование в режиме онлайн, на разных устройствах, что делает тесты более доступными и удобными для участников; кроме того, это может сократить расходы и время, связанное с очным тестированием, а также увеличить охват и масштабируемость исследования;
• собирать и анализировать большие объемы данных психологических тестов, что может быть использовано для выявления закономерностей и тенденций;
• с помощью технологий можно разработать искусственную нейронную сеть, которая может повысить надежность психологических тестов. Например, алгоритмы ИНС
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
могут быть обучены выявлять закономерности и тенденции в данных, которые связаны с определенными психологическими чертами, что может сделать тесты более точными и достоверными.
В связи с этим можно предположить, что технологии могут усовершенствовать процессы проведения, подсчета и анализа результатов психологического тестирования, делая их более точными и объективными. Современные технологии в сочетании с психологическими тестами могут дать ценные сведения о поведении и психологии человека, которые могут быть использованы в исследованиях, диагностике, лечении мобильной игровой зависимости.
Описание системы
Предложенная система состоит из двух подсистем. Первая часть представляет собой приложение, которое обменивается данными, собираемыми с мобильных устройств, с сервером, имеющим базу данных. Вторая часть подсистемы заключается в модели ИНС, которая обрабатывает данные и предсказывает уровень игровой зависимости.
Система организована следующим образом:
1. Пользователь устанавливает приложение на мобильное устройство.
2. В фоновом режиме автоматически происходит сбор и передача данных об использовании устройства на сервер.
3. Случайным пользователям предлагается пройти опросник.
4. Выявляется уровень игровой зависимости пользователя с помощью ИНС.
Критерии для выявления мобильной игровой зависимости
В опросниках испытуемые могут давать социально желательные ответы. Для решения данной проблемы предлагается собирать данные с используемого устройства, чтобы анализировать фактическое поведение исследуемого. На электронном устройстве фиксируется информация, которая может выявить наличие и уровень зависимости. Шкала Чена предполагает три уровня зависимого поведения:
1. Минимальный риск возникновения зависимого поведения.
2. Склонность к возникновению зависимого поведения.
3. Выраженный и устойчивый паттерн зависимого поведения.
Для определения набора данных, необходимых для фиксирования на используемом устройстве, проанализированы вопросы из шкалы зависимости Чена и подобраны параметры для отслеживания.
Мобильное приложение показывает уровень игровой зависимости согласно опроснику Чена после того, как соберется достаточное количество данных о поведении пользователя, связанном с мобильными играми (рис. 4).
С помощью мобильного приложения данные о пользователе собираются и отправляются на сервер для дальнейшего вычисления средних значений за неделю, а также вычисления дополнительных параметров (рис. 5).
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
* A I 1Î SO
Тест
Рис. 4. Экран с результатами теста «Шкала Чена»
Январь 2024
t Î Э * S Ь 7
s i та 11 1Z 13 1Л
IS 17 18 0 M Î1
гг Î3 H 25 Î7 гв
я » 31
® 4eiifl*e ntftöi»
■ DB.Jtl изо
Kn- Л^- г -■' НГДОЛЫ ПП
tiTOpwilH, niri'-.iL^jM hi çbeSÎj^ljîO
П ПЩЩИбОТИ* и кйфе
■ 1930 2Í-30
^ Шячмэтн
' HMOHiSÜ
Рис. 5. Экран с настроенным расписанием, которое используется для сбора данных о поведении пользователя
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
Таким образом, полный набор составлен из 12 параметров для отслеживания использования мобильного устройства и мобильных игр (см. таблицу), которые используются для обработки ИНС.
Параметры для использования в модели ИНС
Параметр Тип данных
Частота разблокировки устройства (среднее значение за неделю) Число
Изменение частоты разблокировки устройства за месяц Булево
Самый активный час использования устройства за месяц (в категории игр) Число
Самое частоиспользуемое игровое приложение за месяц Категория
Количество часов сна за сутки (среднее значение за неделю) Число
Изменение количества часов сна за месяц Булево
Экранное время за сутки (в категории игр) (среднее значение за неделю) Число
Изменение экранного времени в сутки за месяц (в категории игр) Булево
Ночное экранное время (в категории игр) (среднее значение за неделю) Число
Изменение ночного экранного времени за месяц (в категории игр) Булево
Экранное время во время учебы (в категории игр) (среднее значение за неделю) Число
Изменение экранного времени во время учебы за месяц (в категории игр) Булево
Далее данные сервера необходимо импортировать для дальнейшего препроцессин-га - подготовки отображения данных в формате, пригодном для обучения сети.
Первый этап - исправление или удаление данных. Второй этап - приведение всех данных в числовую форму. Далее следует этап нормализации данных. Последним шагом является метод представления в виде числа категориальных и булевых типов - унитарный код (англ. one-hot). После выполнения всех шагов на выходе получаются обработанные данные, к которым можно применить алгоритм обучения ИНС, называемый методом обратного распространения ошибки (англ. backpropagation).
Модель нейронной сети
В качестве архитектуры был выбран автокодировщик (англ. autoencoder) - данная модель позволяет применять обучение без учителя при использовании метода обратного распространения ошибки. Этот тип архитектуры выбран, поскольку имеется небольшое количество наблюдений. ИНС будет иметь плотную, полносвязную (англ. dense) структуру, т. е. каждый нейрон связан со всеми нейронами следующего слоя (рис. 6).
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
Рис. 6. Визуализация модели ИНС Обсуждение
Настоящее исследование имеет ряд ограничений. Предлагается рассматривать мобильные устройства на базе операционной системы Android версии 10 и выше. В исследование включены 76 наблюдений (школьники и студенты в возрасте 13-22 лет, увлекающиеся интернет-играми и киберспортом), собранных в полуавтоматическом режиме.
С математической точки зрения оценить точность модели ИНС можно с помощью следующих метрик:
• точность (accuracy) - показывает, сколько объектов модель смогла правильно классифицировать относительно общего количества всех объектов;
• точность (precision) - показывает, сколько объектов модель смогла правильно классифицировать с позитивной меткой из всего множества позитивных;
• полнота (recall) - показывает, сколько из всех объектов, которые классифицируются как положительные, действительно являются положительными, относительно общего количества полученных от модели позитивных меток;
• F-мера (F1 score) - позволяет одновременно оценить полноту и точность.
Были получены следующие результаты: точность 91,49 % для обучающего набора данных и 50 % для проверочного набора данных (связано с малым количеством данных). Получены следующие метрики качества на тестовых данных модели:
• accuracy - 83,33 %;
• F1 - 84,26 %;
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
• recall - 86,4 %;
• precision - 83 %.
Дополнительно рассмотрена матрица ошибок (рис. 7), где по одной из осей матрицы записываются названия классов легенды классификации проверяемого набора данных, по второй - классы легенды данных, используемых для проверки.
Рис. 7. Матрица ошибок ИНС
По матрице ошибок видно, что:
• минимальный риск возникновения зависимого поведения был корректно определен в трех случаях, один случай определен некорректно;
• склонность к возникновению зависимого поведения была корректно определена в 16 случаях, два случая определены некорректно;
• формированное и устойчивое зависимое поведение было корректно определено в одном случае.
Полученные метрики качества являются удовлетворительными и достаточными, но их необходимо улучшить, увеличив набор данных и продолжительность наблюдения за испытуемыми.
Также требуется провести проверку с психологами и экспертами и при необходимости внести изменения в систему.
Заключение
Целью работы были разработка и оценка системы для выявления уровня зависимости от мобильных игр у детей и подростков с использованием данных с мобильных электронных устройств. Это актуальная и своевременная тема, поскольку мобильные игры становятся все более популярными и представляют риск возникновения зависимости, что может негативно сказаться на успеваемости, социальных отношениях, физическом здоровье и психическом благополучии молодого поколения. Существует потребность в эффективных и объективных методах оценки для предотвращения игровой зависимости и вмешательства в нее на ранних стадиях. Данное исследование предлагает возможное решение для этой задачи.
Гипотеза, проверенная в данном исследовании, заключалась в том, что разработанная система может эффективно выявлять и отслеживать мобильную игровую зависимость у детей и подростков. Разработка мобильного приложения для выявления уров-
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
ня игровой зависимости может помочь родителям, учителям и психологам выявлять и корректировать в игровую зависимость на ранней стадии.
В целом система, разработанная в данном исследовании, может стать средством выявления и мониторинга мобильной игровой зависимости у детей и подростков. Использование технологии в этой системе может помочь в профилактике и раннем вмешательстве в зависимость от мобильных игр. Результаты исследования могут быть использованы для разработки мероприятий по борьбе с зависимостью от мобильных игр у детей и подростков.
Необходимы дальнейшие исследования для доработки системы и повышения ее точности, однако полученные результаты демонстрируют потенциал использования технологии для решения растущей проблемы зависимости от мобильных игр у детей и подростков. Кроме того, важно подтвердить полученные результаты с помощью психологов и других экспертов в данной области.
Источники
1. Willoughby T. A short-term longitudinal study of Internet and computer game use by adolescent boys and girls: prevalence, frequency of use, and psychosocial predictors // Developmental psychology. 2008. Vol. 44, iss. 1. P. 195-204. DOI: https://doi.org/10.1037/0012-1649.44.1.195.
2. Wilms I. L., Peterson A., Vangkilde S. Intensive video gaming improves encoding speed to visual short-term memory in young male adults // Acta Psychologica. 2011. Vol. 142. P. 108-118. DOI: https://doi.org/10.1016/j.actpsy.2012.11.003.
3. DeLisi M., Vaughn,M. G., Gentile D. A. et al. Violent video games, delinquency, and youth violence: new evidence // Youth violence and juvenile justice. 2013. Vol. 11, iss. 2. P. 132-142. DOI: https://doi.org/10.1177/1541204012460874.
4. Gentile D. A., Bailey K., Bavelier D. et al. Internet gaming disorder in children and adolescents // Pediatrics. 2017. Vol. 140 (suppl. 2). P. 81-85. DOI: https://doi.org/10.1542/ peds.2016-1758h.
5. Griffiths M. Does Internet and computer "addiction" exist? Some case study evidence // CyberPsychology and Behavior. 2000. Vol. 3, iss. 2. P. 211-218. DOI: https://doi. org/10.1089/109493100316067.
6. Mestre-Bach G., Fernandez-Aranda F, Jiménez-Murcia S. Exploring Internet gaming disorder: an updated perspective of empirical evidence (from 2016 to 2021) // Comprehensive psychiatry. 2021. Vol. 116. P. 1-12. DOI: https://doi.org/10.1016/j.comppsych.2022.152319.
7. Columb D., Griffiths M., O'Gara C. Online gaming and gaming disorder: more than just a trivial pursuit // Irish journal of psychological medicine. 2022. Vol. 39, iss. 1. P. 1-7. DOI: https://doi.org/10.1017/ipm.2019.31.
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
8. Wu A. M., Chen J. H., Tong K. K. et al. Prevalence and associated factors of Internet gaming disorder among community dwelling adults in Macao, China // Journal of behavioral addictions. 2017. Vol. 7, iss. 1. P. 62-69. DOI: https://doi.org/10.1556/2006.7.2018.12.
9. Young K. S. Internet addiction: THE emergence of a new clinical disorder // CiberPsy-chology & Behaviour. 1998. Vol. 3, iss 1. P. 237-244. DOI: https://doi.org/10.1089/ cpb.1998.1.237.
10. Petry N. M., Rehbein F., Gentile D. A. et al. An international consensus for assessing internet gaming disorder using the new DSM-5 approach // Addiction. 2014. Vol. 109, iss. 9. P. 1399-1406. DOI: https://doi.org/10.1111/add.12457.
11. Pontes H. M. Current practices in the clinical and psychometric assessment of Internet gaming disorder in the era of the DSM-5: A mini review of existing assessment tools // Mental health and addiction research. 2016. Vol. 1, iss. 1. P. 18-19. DOI: https://doi. org/10.15761/mhar.1000105.
12. Трусова А., Шумская Д., Кибитов А. Психометрические свойства и валидизация русскоязычной версии шкалы интернет-зависимости CIAS в выборке молодых взрослых // Методологические аспекты наркологии. 2021. № 7(202). С. 34-54. DOI: https:// doi.org/10.47877/0234-0623_2021_07_34. EDN: RYSHIQ.
13. Малыгин В. Л., Меркурьева Ю. А., Искандирова А. Б. и др. Особенности ценностных ориентаций у подростков с интернет-зависимым поведением // Медицинская психология в России. 2015. № 4(33). С. 9. EDN: WFEHZL.
14. Интернет-зависимое поведение. Критерии и методы диагностики / В. Л. Малыгин, К. А. Феклисов, А. С. Искандирова и др. М.: МГМСУ, 2011. 32 с. EDN: ZUVFLR.
15. Заенцев И. В. Нейронные сети: основные модели. Воронеж, 1999. 76 с.
16. Engl S., Nacke L. Contextual influences on mobile player experience - a game user experience model // Entertainment computing. 2017. Vol. 4, iss. 1. P. 83-91. DOI: https://doi. org/10.1016/j.entcom.2012.06.001.
17. Laconi S., Pires S., Chabrol H. Internet gaming disorder, motives, game genres and psy-chopathology // Computers in human behavior. 2017. Vol. 75. Р. 652-659. DOI: https:// doi.org/10.1016/j.chb.2017.06.012.
18. Mills D. J., Allen J. J. Self-determination theory, internet gaming disorder, and the mediating role of self-control // Computers in human behavior. 2020. Vol. 105. Р. 106-209. DOI: https://doi.org/10.1016/j.chb.2019.106209.
19. Anderson C. A., Shibuya A., Ihori N. et al. Violent video game effects on aggression, empathy, and prosocial behavior in eastern and western countries: a meta-analytic review // Psychological bulletin. 2010. Vol. 136. P. 151-173. DOI: https://doi.org/10.1037/ a0018251.
Управление, обработка информации и искусственный интеллект Management, information processing and artificial intelligence
Информация об авторах
Хозяшева Анна Анатольевна, аспирант кафедры анализа систем и принятия решений, Высшая школа экономики и менеджмента. Уральский федеральный университет имени первого Президента России Б. Н. Ельцина, 620002, РФ, г. Екатеринбург, пр. Мира, 32. E-mail: [email protected].
Information about the authors
Anna A. Khoziasheva, graduate student, Department of Systems Analysis and Decision Making, Graduate School of Economics and Management, Ural Federal University named after the First President of Russia B. N. Yeltsin, 620002, Russia, Yekaterinburg, Mira St., 32. E-mail: [email protected].
