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

چکیده مقاله

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 ۱۱۱ عنصر بررسی به وسیله داده های اجتماعی جمعیت شناختی و پنج مقیاس روان سنجی گروه بندی شده اند پرسشنامه Brief COPE، EPQR A،GHQ ۲۸ ، 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 MSE: ۱ ۴۶ 〖۱۰〗 ۲ نسبت به MRL MSE: ۲ ۳ 〖۱۰〗 ۲ 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 روان شناختی ارزیابی شده توسط پرسشنامه های استاندارد نشان می دهد همچنین اجازه می دهد تا تاثیر هر عامل را روی نتیجه بدون فرض رابطه خطی تخمین زده شود

کلیدواژه‌ها

نویسندگان

اصغر قادری

رشته مهندسی حرفه ای برق قدرت مقطع کارشناسی ناپیوسته

بهنام محمدی

رشته مهندسی حرفه ای برق قدرت مقطع کارشناسی ناپیوسته

حبیب رئیسی

رشته مهندسی حرفه ای برق قدرت مقطع کارشناسی ناپیوسته

قادری، اصغر و محمدی، بهنام و رئیسی، حبیب،1403،پیش بینی کننده درجه (میزان) شادکامی با استفاده از ساختار داده مفهومی برای معماری های یادگیری عمیق،بیست و پنجمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات،بابل

ارائه‌شده در

مجموعه مقالات بیست و پنجمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات27 دی 1403 · بابل