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

پیشینه و هدف: شادکامی یک هدف انسانی اساسی جهانی است . از زمان ظهور روانشناسی مثبت ، تمرکز اصلی در تحقیقات روان شناختی بررسی نقش عوامل تعیین کننده در پیش بینی شادکامی بوده است . روشهای 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 و دیگری به جهت ( مثبت یا منفی ) اثر اشاره می کند.مطالب : یک بررسی مقطعی با هدف قرار دادن جمعیت بالغ غیر نهادینه مقیم اسپانیا توسط ۸۲۳ مورد تکمیل شده بود. از مجموع ۱۱۱عنصر بررسی به وسیله داده های اجتماعی - جمعیت شناختی و پنج مقیاس روان سنجی گروه بندی شده اند (پرسشنامه Brief COPE، EPQR-A، ۲۸GHQ-، MOS-SSS، (SDHS که چندین عامل روان شناختی را با عمل کردن یکی به عنوان نتیجه (SDHS) و چهار تای دیگر به عنوان پیش بینی کننده اندازه می گیرند.نتایج : رویکرد D-SDNN ما نتیجه بهتری ) . ۴۶ ۱ (MSE: نسبت به ) MRL . ۳ ۲ (MSE: ارائه کرده است ، از این رو دقت پیش بینی تا ۳۷% بهبود می یابد ، و امکان می دهد تا ساختار مفهومی را شبیه سازی نماید.نتیجه گیری : ما عملکرد بهتری از شبکه های عصبی عمیق (DNN) به نسبت به روش های قدیمی مشاهده می کنیم . این امر، توانایی خود را برای گرفتن ساختار مفهومی به منظور پیش بینی درجه (میزان)شادکامی از طریق متغیرهای روانشناخت ی ارزیابی شده توسط پرسشنامه های استاندراد نشان میدهد همچنین اجازه می دهد تاتاثیرهرعامل را روی نتیجه بدون فرض رابطه خطی تخمین زده شود