پیش بینی کننده درجه (میزان) شادکامی با استفاده از ساختار داده مفهومی برایمعماری های یادگیری عمیق

پیشینه و هدف: شادکامی یک هدف انسانی اساسی جهانی است. از زمان ظهور روانشناسی مثبت ، تمرکز اصلی در تحقیقات روانشناختی بررسی نقش عوامل تعیین کننده در پیش بینی شادکامی بوده است. روش های 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 تاثیر ابعاد مفهومی تعریف و محاسبه شده است: یکی وزن موثر بعد مفهومی را به صورت عبارت مطلق معین می کند ودیگری به جهت ( مثبت یا منفی) اثر اشاره می کند.