CC BY
44УДК 159.9.075; ББК 88
DOI 10.24412/2658-63 8Х-2021-2-51-58
© Курдин Д.А. 2021
CREATION OF AN ARTIFICIAL NEURAL NETWORK BASED ON DATA FROM PSYCHOLOGICAL SURVEYS OF CADETS'
PERSONAL QUALITIES
СОЗДАНИЕ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ, ОСНОВАННОЙ НА ДАННЫХ ПСИХОЛОГИЧЕСКИХ ОБСЛЕДОВАНИЙ ЛИЧНОСТНЫХ КАЧЕСТВ КУРСАНТОВ
Denis Ä. Kurdin,
Adjunct of the Faculty of Training of Scientific and Pedagogical Personnel of the Academy of the Federal Penitentiary Service of Russia 1 Sennaya, Ryazan, 390000 E-mail: denisruk@rambler.ru
Денис Алексеевич Курдин,
адъюнкт факультета подготовки научно-педагогических кадров Академии ФСИН России 390000, Рязань, Сенная, 1 E-mail: denisruk@rambler.ru
Для цитирования: Курдин Д.А. Создание искусственной нейронной сети, основанной на данных психологических обследований личностных качеств курсантов. Психология и педагогика служебной деятельности. 2/2021. С. 51-58. Научная специальность: 19.00.06 - Юридическая психология.
Научный руководитель: Сочивко Дмитрий Владиславович - доктор психологических наук, профессор.
Abstract. The article discusses the use of neural networks in psychological support of cadets of the Academy of law and management of the Federal penitentiary service. The question is raised about the possibilities of modern science and its material base for the creation and operation of artificial neural networks. The types of artificial neural networks and their application in various fields are revealed. The stages of training artificial neural networks are highlighted. The empirical part describes the algorithm for obtaining data for the created artificial neural network, the procedure for conducting a psychological examination, as well as the conversion and selection of indicators for "neurons". A mechanism for applying statistical criteria to check whether an artificial neural network can work is provided. The article describes possible directions for psychocorrective work for the purpose of early prevention of expelled students. Thanks to the normalized humidity, it is possible to see the necessary factors that affect the student's expulsion from the Academy of law and the office of the Federal penitentiary service.
Keywords: psychological research, artificial neural network, prevention of University dropout, psychological testing, cadets, psychological support.
Аннотация. В статье рассматриваются применение нейронных сетей в психологическом сопровождении курсантов Академия права и управления Федеральной службы исполнения наказаний. Поднимается вопрос о возможностях современной науки ее материальной базы для создания и работы искусственных нейронных сетей. Раскрываются виды искусственных нейронных сетей их применение в различных сферах. Выделяются стадии обучения искусственных нейронных сетей. В эмпирической части описывается алгоритм получения данных для создаваемой искусственной нейронной сети, процедура проведения психологического обследования, а также преобразование и отбор показателей для «нейронов». Приводится механизм применения статистических критериев для проверки возможности работы искусственной нейронной сети. В статье описаны возможные направления для психокоррекционной работы с целью ранней профилактики отчисляемых обучаемых. Благодаря нормализованной важности возможно увидеть необходимые факторы, которые влияют на отчисление курсанта из Академия права и управления Федеральной службы исполнения наказаний.
Ключевые слова: психологическое исследование, искусственная нейронная сеть, профилактика отчисления из вуза, психологическое тестирование, курсанты, психологическое сопровождение.
Не требуется много тезисов чтоб доказать простое утверждение «Прогресс не остановить!» Сегодня мир стоит в одном шаге от изо-
бретения, которое поможет вывести человека на новую ступень развития или уничтожить его.
Миры, описанные многими фантастами имели в своей основе роботов, снабженных квантовым мозгом. Сегодня уже некоторые компании заявляют о создании 72-кубитного квантового компьютера имеющего низкую вероятность ошибки вычислений [13]. Однако, в июле 2019 года была опубликована в журнале Nature статья [1] о создании технологии способной управлять кубитами с очень точным управлением (более 99,9%), что обещает привлекательную платформу для квантовых вычислений, а в апреле 2020 года две независимые группы заявили о создании твердотельного квантового компьютера.
Можно ли утверждать, что мы находимся на пороге прорыва? Безусловно.
На квантовых платформах возможно создание искусственного интеллекта (далее ИИ). Разработка ИИ сегодня одно из активных направлений в работе многих научных организаций. Одной из предшествующих технологий создания ИИ является технология Искусственная нейронная сеть (далее ИНС). Данная технология уже позволила превзойти человека в игру Го, а именно AlphaGo ИНС, разработанная компанией Google DeepMind в 2015. В данной ситуации может ли психология быть в стороне? Синергия математики и психологии обязаны быть на переднем крае разработки ИИ.
Проблема, касающаяся всех высших учебных заведений - это отчисление студентов. Нужно оговорить два случая если студент обучается на коммерческой основе, то вопрос отчисления в данной ситуации - это вопрос самого студента, но абсолютно другая плоскость проблемы - это студент обучающийся за средства бюджета.
В 20-е годы XX века отрасль психологии психотехника брала свое начало как практическое применение психологии, занимавшиеся вопросами профотбора и профориентацией. Психотехника находила свое применение в психологическом отборе курсантов летных школ с целью решения проблем отчисления. Конечно, в настоящее время психотехника влилась в прикладные сферы психологии, методы и подходы изменились, но проблема отчисленных курсантов остается актуальной до сих пор.
Существует данная проблема и в Академии Федеральной службы исполнения наказаний (далее ФСИН) России несмотря на жесткий медицинский отбор и достаточный конкурс отчисленные курсанты есть. Их не много за 2020 год это 0,22 % за 2019 год 0,82 %, 2018 год 0,51 % за 2017 год 0,7 %, но тем не менее могло бы и не быть.
Одно из возможных решений данной проблемы, это ранняя профилактика отчисления и усиленное психологическое и воспитательное сопро-
вождение возможных будущих отчисленных курсантов. Следуя логике необходимо узнать кого в будущим возможно отчислять из образовательной организации и усилить с ними различные профилактические мероприятия. Решить эту задачу может помочь ИНС.
В данной статье нами описана работа по разработке, применению, внедрению ИНС в практическую деятельность психологов образовательной организации.
Описание применявшейся искусственной нейронной сети. Что же такое ИНС? С точки зрения машинного обучения нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и тому подобное. С математической точки зрения обучение нейронных сетей - это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развития вычислительной техники и программирования нейронная сеть -способ решения проблемы эффективного параллелизма. С точки зрения решения некоторых задач, которые выполняет психологическая служба УИС, это эффективный высокоперспективный механизм, способный справляться с поставленными задачами быстрее, эффективнее и объективнее человека [7].
Существуют несколько основных видов ИНС:
1) полносвязные нейронные сети - структуры, в которых каждый нейрон сети имеет прямую связь с другими нейронами.
2) многослойные нейронные сети (персептро-ны) - нейроны объединяются в слои, содержащие совокупность нейронов с едиными входными сигналами. Могут содержать входной, выходной и N промежуточных слоев.
Перцептрон, или персептрон (англ. регсер^оп от лат. Регсерйо - восприятие) - математическая и компьютерная модель восприятия информации мозгом (кибернетическая модель мозга), предложенная Фрэнком Розенблаттом в 1957 году [8].
В нашем исследовании применялись многослойные нейронные сети.
Это большой класс ИНС которые имеют аналогию со строением связи нейронных цепочек. Именно в данном виде ИНС имитируется работа нейронов, где каждый нейрон верхнего уровня связан со своими выходами с другими нейронами более низкого уровня.
Данный вид ИНС состоит как минимум из трех слоев нейронов. Первый и последний именуются
входным и выходным все слои которые находятся между ними называются скрытыми. Все слои кроме первого имеют функцию активации т.е. определенное математическое выражения, которое позволяет сделать вывод о активации нейрона (подсвечивании) и принять решения пускать сигнал от этого нейрона дальше по сети или нет. Данный вид оптимально использовать в нашем случае.
Входной слой Скрытые слои Выходной слой
\Л/2 \л/3
Щ
*1 У7Г%
*2
Рис. 1. Схема ИНС
Помимо слоев нейросеть состоит: из входящих сигналов (Х1 Х2 Х3 и т. д.) в нашем случае (забегая вперед) - это были «сырые» баллы батареи методик - результат психодиагностических обследований курсантов Академии ФСИН России; весов ^^ W2; W3 и т. д.) т. е. числа от 0 до 1 которые умножают сигналы, проходящие по связям, а также изменяются в зависимости результатов при обучении ИНС; выходных сигналов ^^ Y2; Y 3 и т. д.) в нашем случае это два числа от 0 до 1 где показана принадлежность к группе «отчисленных» либо «обучающихся».
Для того чтобы результат о принадлежности к одной из группе («отчисленных» либо «обучающихся») был достоверным, ИНС необходимо обучить.
Классификация нейронных сетей по характеру обучения делит их на: нейронные сети, использующие обучение с учителем; нейронные сети, использующие обучение без учителя. В нашем случае обучения происходило с учителем. Обучение с учителем предполагает, что для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход. Вместе они называются обучающей парой. Обычно сеть обучается на некотором числе таких обучающих пар. Предъявляется выходной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором. Далее веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку. Векторы обучающего множества предъявляются последовательно, вычисляются ошибки и веса подстраиваются для каждого векто-
ра до тех пор, пока ошибка по всему обучающему массиву не достигнет приемлемого уровня [6].
Если утрировать, то обучение представляет собой процесс подбора весов (Wn) в межнейронных связях, таким образом, при котором достигается максимальная близость к учителю. Роль учителя выполняли данные психодиагностических обследований отчисленных курсантов.
Такое использование ИНС не отражено в научной литературе, но применение данной технологии в психологических исследованиях не ново. Работа ИНС с целью постановки психологического диагноза описывалась М.Г. Доррером [9], моделированием профессионально личностных качеств студентов с помощью ИНС разрабатывал А.А. Арзамасцев [2], использовала аппарат искусственных нейронных сетей для построения компьютерных моделей психологических тестов Н.А. Зенкова [11], применил искусственные нейронные сети для дифференциальной диагностики и прогноза нарушений психической адаптации М.А. Бербин [4].
Эмпирическая часть. В описываемом исследование нами применялись следующие методики:
- Тест К. Леонгарда - Н. Шмишека (определение акцентуированного выражения человека) [3] (далее ТЛТТТ) Данный личностный опросник предназначен для диагностики типа акцентуации личности, является реализацией типологического подхода к ее изучению.
- Опросник терминальных ценностей. Предложен И.Г. Сениным в 1991 г. и предназначен для диагностики жизненных целей (терминальных ценностей) человека (далее ОТеЦ). Тест основан на теоретических положениях М. Рокича о структуре человеческих ценностей [15].
- Многоуровневый личностный опросник (далее МЛО) «Адаптивность», разработан А.Г. Максаковым и С.В. Чермяниным (1993). Опросник предназначен для изучения адаптивных возможностей индивида социально-психологических характеристик, отражающих интегральные особенности психического и социального развития [12].
- Тест структуры интеллекта Амтхауэра (далее TSI). Авторы адаптации С.И. Оглоблин и Г.В. Шут-ко. Тест предназначен для диагностирования уровня общих способностей при прохождении профотбора [10].
- Многофакторный личностный опросник 16PF (далее 16PF). Разработан под руководством Р.Б. Кэттелла и предназначен для описания широкой сферы индивидуально-личностных отношений [5].
Исследование проходило в два этапа. Первый этап - это проведение психологического обследование курсантов и выделение экспериментальных групп. Второй этап - это создание и тестирование ИНС.
Психологическое обследование курсантов Академии ФСИН России проводилось в периоды: с 01.08.2016 по 20.08.2016, с 01.08.2017 по 20.08.2017, с 01.08.2018 по 20.08.2018, с 01.08.2019 по 20.08.2019 соответственно во время обучения 1 курса на базе загородного учебного центра Академии ФСИН России, по вышеописанным методикам.
При проведение тестирования соблюдались нормы психодиагностического обследования и психогигиены. Обследование проводилось по учебным группам, процедура обследования не превышала 2 часа. Были предусмотрены перерывы в конце каждого часа длительностью до 15 минут. Обстановка при процедуре обследования располагала к спокойному заполнению тестового материала.
По окончании обследований была накоплена база данных (далее БД) в виде Excel файла. Объем БД составил 296 респондента с наполнением в виде «сырых» баллов по методикам описанным выше.
Второй этап исследования состоял из нескольких шагов: первый шаг -это отбор данных для обу-
Статистически значи
чения ИНС, далее сам процесс обучения ИНС и третий шаг - это тестирование созданной ИНС.
Отбор данных включал в себя и создание групп. Сначала необходимо было создать группу отчисленных курсантов. Нами исключались из выборки курсанты, отчисленные по следующим причинам: призыв на военную службу, перевод в другой вуз ФСИН, не удовлетворительное состояние здоровья, смерть. Курсанты, отчисленные по следующим причинам вошли в выборку: грубое нарушение служебной дисциплины, не выполнение учебного плана и др. Вследствие анализа причин отчисления курсантов нами были сформированы две группы: «Отчисленные» объемом N=25 человек и «Обучающиеся» объемом N=248 человек. Итоговая выборка составила N=273 человека.
ИНС в нашем случае (данные психодиагностики) не может обучаться при статистически незначимых различий в группах выборки. Для установления различий был проведен математический анализ данных с целью выявления наличия или отсутствия статистически значимых различий в между группами. В качестве проверки предположения о статистический значимой разности групп был выбран ^критерий Стьюдента. Значимые различия приведены в табл. 1.
Таблица 1
е различия в группах
№ п/п Методика Шкалы методик Среднее по выборке, усеченной на 5 % в «сырых» баллах Асимптотическая значимость
отчисленные обучающиеся
1 МЛО Mf 16,91 18,03 0,01
2 МЛО Si 4,39 5,10 0,01
3 TSI ЛОО 14,57 13,46 0,01
4 TSI ВОП 5,07 3,70 0,04
5 16PF E 14,96 12,53 0,001
Анализируя представленные в табл. 1 данные, можно сделать предварительный вывод, что между группами существую статистически значимые различия, опишем их. Группа «Отчисленные» более маскулинны (М£) и интервертиро-ванны а также лучше осведомлены в общих вопросах (ЛОО). Эффективнее выполняют задания на концентрацию внимания и оперативную память (ВОП). Не являются лидерами и более склонны к автономии (Е).
Именно такое сочетание данных психологических свойств в приведенных оценках (баллах) не позволяет успешно обучаться в Академии ФСИН России. Сочетание факторов их переплетение, анализ множества параметров именно, то что в состоянии проанализировать ИНС и не в состояние (при условии их большого количества) человек.
Предыдущий анализ показал, что обучение ИНС имеет смыл т.к. есть статистически значимые различие между группами. Обучение ИНС происходило следующим образом, группы были разделены, 70 % от численности каждой из групп -это данные на которых обучалась ИНС и 30 % данных оставлялись для проверки результатов обучения ИНС. Далее данные психологических обследований копировались в программный комплекс Neural Excel, который был предоставлен, в качестве основного инструмента разработки нейросети, компанией ООО «Лаборатория нейросетевых технологий» [14]. Этот программный комплекс позволяет быстро сконфигурировать и обучить нейронную сеть прямого распространения в среде Microsoft Excel. Надстройка позволяет использовать обученные сети как не-
посредственно в Microsoft Excel, так и интегрировать их в свои собственные приложения.
В результате работы данного приложения была получена ИНС, которая обладала «опытом» анализа результатов психологических обследований отчисленных курсантов.
Приведем некоторые характеристики разработанной ИНС. Сеть прямого распространения (Feedforward neural network), многослойный пер-цептрон. Количество нейронов: 1390 «сырые» баллы батареи методик, приведенной выше. Количество скрытых слоев: 1. Количество нейронов в скрытом слое: 6. Функция активации: гиперболический тангенс. Количество нейронов на выходном слое 2. Выходной слой: зависимые переменные результат прогноза по параметру от-числен-обучается. Функция активации Softmax. Функция ошибки: перекрестная энтропия.
С целью проверки результатов работы ИНС и определения наиболее важных параметров, которые влияют на результат обучения ИНС, данные обследований курсантов были загружены в программный комплекс IBM SPSS Statistics 22.0. Данные о проверки работы ИНС можно посмотреть на рис. 2.
22 отчислен нет результата нет результата
23 отчислен отчислен 0,004
24 отчислен отчислен 0,36
25 отчислен отчислен 0,001
Рис. 2. Фрагмент отчета работы ИНС На третьем шаге была протестирована работа созданной ИНС. В результате исследования, по двум независимо друг от друга программным комплексам и работы в них ИНС, был получен следующий результат.
Таблица 2
Результат работы, созданной ИНС
Группы Кол. курсантов Отчислено по мне-ниюИНС Обучаются по мне-ниюИСН Точность прогноза ИНС
Отчисленные 25 22 3 88%
Обучающиеся 248 29 219 89%
Из табл. 2 видно, что точность прогноза в отношении отчисленных курсантов 88 % в отношении обучающихся 89 %. Это следует интерпретировать следующим образом. Созданной ИНС предъявлялись результаты психологических обследований курсантов, среди которых были как отчисленные, так и обучающиеся, результат этого анализа представлен в табл. 2. т. е. из 273 предъявленных обследований ИНС предугадала 22 отчисленных из 25 реально отчисленных и 219 обучающихся из 248 курсантов группы «Обучающие ся».
Следует отметить это ИНС - это саморегулирующая система, которая может балансировать т. е., чем больше отчисленных, тем выше прогноз, чем выше прогноз, тем (при эффективном психологическом сопровождении) меньше отчисленных.
Также комплекс IBM SPSS Statistics 22.0 при создании ИНС распределил шкалы методик по важности для успешного обучения или отчисления в Академии ФСИН России т. н. нормализованная важность. Нормализованная важность в методе искусственных нейронных сетей используется для выявления степени значимости того или иного показателя на выходные решения. Она позволяет оценить прогнозную силу каждого отдельного параметра и на его основе ранжировать факторы. Ниже представлен рис. 3 с наиболее значимыми переменными при ранжировании, с помощью показателя нормализованной важности.
Рассмотрим пять наиболее важных параметров, описываемых следующими шкалами, методика МЛО шкала «личностный адаптационный потенциал» (ЛАП). Данная шкала является общим
ИД обследуемого Статус Прогноз ИНС Вероятность ошибки
1 отчислен отчислен 0,016
2 отчислен отчислен 0
3 отчислен нет результата нет результата
4 отчислен отчислен 0,003
5 отчислен отчислен 0,047
6 отчислен отчислен 0,002
7 отчислен отчислен 0,071
8 отчислен отчислен 0,002
9 отчислен отчислен 0,009
10 отчислен отчислен 0,002
11 отчислен отчислен 0,026
12 отчислен отчислен 0,03
13 отчислен отчислен 0,04
14 отчислен отчислен 0,022
15 отчислен отчислен 0,234
16 отчислен отчислен 0,07
17 отчислен отчислен 0
18 отчислен отчислен 0,03
19 отчислен нет результата нет результата
20 отчислен отчислен 0,055
21 отчислен отчислен 0
показателем методики и выражается суммой «сырых баллов» шкал «поведенческая регуляция», «коммуникативный потенциал», «моральная нормативность». Показывает общий адаптационный потенциал обследуемого.
Свойства психики описываемы данными шкалами должны находиться под особом контроле психолога при профилактике отчисления курсантов из Академии ФСИН России. Данное необходимо учитывать при психокоррекционной работе в вузе.
ODDS 0,010 0,015
Рис. 3. Нормализованная важность параметра.
Следующий параметр, методика МЛО шкала «поведенческая регуляция» (Пр) входит в шкалу ЛАП являясь одним из ее составляющих. Описывает способность человека регулировать свое взаимодействие со средой деятельности.
Следующий параметр, методика ОТеЦ шкала «духовное удовлетворение» (Ду). Шкала описывает стремление человека к получению морального удовлетворения во всех сферах своей жизни, в рамках оценки терминальных ценностей.
Следующий параметр, методика TSI шкала «классификация» (Кл). Данная шкала описывает способность испытуемого выносить суждение и производить обобщения.
Следующий параметр, методика ОТеЦ шкала «креативность» (Кр). Данная шкала отражает стремление человека к реализации своих творческих возможностей, внесению различных изменений во все сферы своей жизни.
Практическое применение созданной ИНС.
Конечной целью применение ИНС, является снижение количества отчисляемых курсантов из Академии ФСИН России. Опишем алгоритм применения ИНС для достижения данной цели.
1. Психологическое обследование вновь поступивших курсантов в течении первого месяца после зачисления в штат Академии ФСИН России.
2. Загрузка данных для анализа нейросетью в программный комплекс Neural Excel и проверка полученных данных в IBM SPSS Statistics.
3. Работа с курсантами которых ИНС предсказала как отчисленные. Основной акцент пси-хокоррекционной работы делать на параметры в анализе указанным в нормализованной важности.
Данный алгоритм работы был апробирован на базе отделения психологического обеспечения учебно-воспитательной работы Академии ФСИН
России. Сравнительные данные по отчисленным по причинам: грубое нарушение служебной дис-
циплины, невыполнение учебного плана и др. можно увидеть в рис. 4.
а 12
Л
5 10 к
(U
ч о
к
х
¡5
о и h О (U
X —
ч
3 0
11
8 6 4 2
10
2016-2017
2017-2018 2018-2019
I Учебный год ■ Первый семестр
2019-2020
Рис. 4. Количество отчисленных
На рис. 4 видно, что количество отчисленных снизилось по сравнению с предыдущими годами.
Возможно ли дать объективную оценку результатам внедрения данной методики? К сожалению, из-за сложившийся эпидемической обстановки нет полноценных результатов, но есть косвенные признаки улучшения. Если проанализировать первые полугодия учебных годов 2017-2020, то снижения количества, отчисленных прослеживается.
Выводы:
1. Технология ИНС имеет высокие темпы развития и ее широкое внедрения в повседневную жизнь дело нескольких лет.
2. Психологические параметры результатов обследуемых курсантов статистически отличаться между отчисленными и не отчисленными.
3. Нейросеть созданная нами в состоянии предсказать отчисленых курсантов в 89 % случаев.
4. Использование нормализованной важности позволяет выделять направления в психокоррек-ционной работе.
Библиографический список
1. He Y. A two-qubit gate between phosphorus donor electrons in silicon / [He Y. et al.] // Nature. 2019. Vol. 571. Pp. 371-375. URL: https://www. nature.com/articles/s41586-019-1381-2 (дата обращения: 01.08.2020).
2. Арзамасцев, А.А. Модель профессиональных и личностных качеств студентов университета на основе искусственной нейронной сети с адаптивной структурой / А.А. Арзамасцев, П.А. Азарова, Н.А. Зенкова // Вестник тамбовского универ-
ситета. Серия: естественные и технические. 2007. Т. 12. № 5. С. 623-632.
3. Баташев, А.В. Темперамент и характер: Психологическая диагностика / А.В. Баташев. М. : ВЛАДОС-ПРЕСС, 2001. 336 с.
4. Беребин, М.А. Опыт применения искусственных нейронных сетей для целей дифференциальной диагностики и прогноза нарушений психической адаптации / М.А. Беребин, С.В. Пашков // Вестник южно-уральского государственного университета. Серия: компьютерные технологии, управление, радиоэлектроника. 2006. С. 41-45.
5. Выбойщик, И.В. Личностный многофакторный опросник Р. Кэттелла : учебное пособие / И.В. Выбойщик, З.А. Шакурова. Челябинск : ЮУрГУ, 2000. 54 с.
6. Гафаров, Ф.М Искусственные нейронные сети и приложения : учебное пособие / Ф.М. Гафаров, А.Ф. Галимянов. Казань : Изд-во Казан. ун-та, 2018. 121 с.
7. Горбань, А.Н. Нейроинформатика: кто мы, куда мы идем, как путь наш измерить / А.Н. Горбань // Вычислительные технологии. М. : Машиностроение. 2000. С. 10-14.
8. Горожанина, Е.И. Нейронные сети : учебное пособие / Е.И. Горожанина. Самара : ФГБОУ ВО ПГУТИ, 2017. 84 с.
9. Доррер, М.Г. Психологическая интуиция искусственных нейронных сетей : автореф. дис. ... канд. тех. наук. Киев, 1998. 23 с.
10. Елисеев, О.П. Практикум по психологии личности / О.П. Елисеев. СПб. : Питер, 2001. 5 60 с.
11. Зенкова, Н.А. Использование аппарата искусственных нейронных сетей для построения
7
3
3
компьютерных моделей психологических тестов / Н.А. Зенкова, А.А. Арзамасцев, Ф.Ю. Кожевников // Вестник тамбовского университета. Серия: естественные и технические. 2006. Т. 11. № 2. С. 185-189.
12. Маклакова, А.Г. Многоуровневый личностный опросник «Адаптивность» (МЛО-АМ) / А.Г. Маклакова, С.В. Чермянина // Практическая психодиагностика. Методики и тесты. Учебное пособие. Ред. и сост. Д.Я. Райгородский. Самара : Издательский Дом «БАХРАХ-М», 2006. 672 с.
13. Официальный блог компании Google. URL: https://ai.googleblog.com/2018/03/a-preview-of-bristlecone-googles-new.html (дата обращения: 01.08.2020).
14. Сайт программы Neural Excel. URL: http:// www.neurotechlab.ru/home (дата обращения: 01.08.2020).
15. Сенин, И.Г. Опросник терминальных ценностей. Руководство / И.Г. Сенин. Ярославль : ФГИ «Содействие», 1991. 17 с.
Bibliographic list
1. He Y., Gorman S.K, Keith D., Kranz L., Keizer J.G., Simmons M.Y. A two-qubit gate between phosphorus donor electrons in silicon [Электронный ресурс] // Nature. 2019. Vol. 571. Pp 371-375 https:// www.nature.com/articles/s41586-019-1381-2 (дата обращения 01.08.2020).
2. Arzamascev A.A., Azarova P.A., Zenkova N.A. Model' professional'nyh i lichnostnyh kachestv stu-dentov universiteta na osnove iskusstvennoj nejronnoj seti s adaptivnoj strukturoj // Vestnik tambovskogo universiteta. Seriya: estestvennye i tekhnicheskie. 2007. Vol. 12. № 5 - Pp 623-632.
3. Batashev A.V. Temperament i harakter: Psiho-logicheskaya diagnostika. - M.: VLADOS-PRESS, 2001. 336 p.
4. Berebin M.A., Pashkov S.V. Opyt prime-neniya iskusstvennyh nejronnyh setej dlya celej differencial'noj diagnostiki i prognoza narush-
enij psihicheskoj adaptacii // Vestnik yuzhno-ural'skogo gosudarstvennogo universiteta. Seriya: komp'yutemye tekhnologii, upravlenie, radioelek-tronika 2006 - Pp 41-45
5. Vybojshchik I.V., SHakurova Z.A. Lichnost-nyj mnogofaktornyj oprosnik R. Kettella: Uchebnoe posobie. - CHelyabinsk: YUUrGU, 2000. 54 p.
6. Gafarov F.M Iskusstvennye nejronnye seti i prilozheniya: ucheb. posobie / F.M. Gafarov, A.F. Gal-imyanov. - Kazan': Izd-vo Kazan. un-ta, 2018. 121 p.
7. Gorban' A. N. Nejroinformatika: kto my, kuda my idem, kak put' nash izmerit' // Vychislitel'nye tekh-nologii. M.: Mashinostroenie. 2000. Pp. 10-14.
8. Gorozhanina E.I. Nejronnye seti. Uchebnoe posobie. / E.I. Gorozhanina. - Samara. FGBOU VO PGUTI, 2017. 84 s.
9. Dorrer M.G. Psihologicheskaya intuiciya iskusstvennyh nejronnyh setej: avtoref. diss. ... kand. tekh. nauk. Kiev, 1998. 23 s.
10. Eliseev O.P. Praktikum po psihologii lichnos-ti. - SPb.: Piter, 2001. 560 p.
11. Zenkova N.A., Arzamascev A.A., Kozhevnik-ov F.YU. Ispol'zovanie apparata iskusstvennyh nejronnyh setej dlya postroeniya komp'yuternyh mod-elej psihologicheskih testov // Vestnik tambovskogo universiteta. Seriya: estestvennye i tekhnicheskie. 2006. Vol. 11. № 2 - Pp 185-189.
12. Maklakova A.G., CHermyanina S.V. Mn-ogourovnevyj lichnostnyj oprosnik «Adaptivnost'» (MLO-AM) // Prakticheskaya psihodiagnostika. Me-todiki i testy. Uchebnoe posobie. / Red. i sost. Ra-jgorodskij D.YA. - Samara: Izdatel'skij Dom «BAH-RAH-M», 2006. 672 p.
13. Oficial'nyj blog kompanii Google https:// ai.googleblog.com/2018/03/a-preview-of-bristlecone-googles-new.html (data obrashcheniya 01.08.2020).
14. Sajt programmy Neural Excel URL: http:// www.neurotechlab.ru/home (data obrashcheniya 01.08.2020).
15. Senin I.G. Oprosnik terminal'nyh cennostej. Ru-kovodstvo. -YAroslavl': FGI «Sodejstvie», 1991. 17 p.
