دانلود رایگان مقاله پیش بینی کننده درجه شادکامی با استفاده از ساختار داده مفهومی برای یادگیری عمیق

چکیده

پیشینه و هدف: شادکامی يك هدف انسانی اساسي جهاني 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 تأثیر 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 823 مورد تکمیل شده بود. از مجموع 111 عنصر بررسی به وسیله داده های اجتماعی- جمعیت شناختی و پنج مقیاس روان سنجی گروه بندی شده اند (پرسشنامه Brief COPE، EPQR-A،GHQ-28 ، 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: 1.46 .10^(-2)) نسبت به MRL (MSE: 2.3 .10^(-2))  ارائه کرده است ، از این رو دقت پیش بینی تا 37% 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 روان‌شناختی ارزیابی شده توسط پرسشنامه های استاندارد نشان می دهد. همچنین اجازه می دهد تا تأثیر هر عامل را روی  نتیجه بدون فرض رابطه خطی تخمین زده شود.

1. مقدمه

          پیگیری سعادت یک محرك جهانی - هم فرهنگی و هم عاقلانه - محور رفتار انسان است. از زمان های قدیم چهره های فلسفی موثر و مورد رجوع ، به عنوان مثال ارسطو از غرب یا ژوانگزی از شرق ، بسیاری  از کارهای خود را اندیشه شادکامی به عنوان هدف نهایی وجود انسان اختصاص داده بودند. دلیل اصلی این امر که این پیگیری آگاهانه شادکامی باید به عنوان یک هدف اساسی بشر در نظر گرفته شود ، قطعنامه ای است که در مجمع عمومی سازمان ملل متحد در 28 ژوئن 2012 ، که 20 مارس ، به عنوان روز جهانی شادکامی اعلام شد ، تصویب شد:

           شناخت ارتباط سعادت و بهزیستی (رفاه) به عنوان اهداف و آرمان های جهانی در زندگی موچودات انسانی در سراسر جهان و اهمیت شناخت آنها در اهداف سیاستگذاری عمومی.

           هم چنین، تشخیص نیاز به یک رویکرد فراگیرتر ، عادلانه تر و متعادل تر برای رشد اقتصادی که موجب توسعه پایدار، ریشه کنی فقر ، خوشبختی و بهزیستی (رفاه) همه مردم می شود.

         مطابق با این قطعنامه ، سازمان ملل متحد (UN) جنبشی غیرنظامی را برای جهان شادتر ایجاد کرده است، و هدایت بهزیستی(رفاه) و شادکامی را به عنوان هدف اصلی در توسعه و راه اندازی 17 مورد از اهداف توسعه پایدار از 2030 برنامه برای توسعه پایدار را در نظر گرفت.

1.1. پیشبینی کننده درجه (میزان)شادکامی

           از زمان ظهور روانشناسی مثبت [6] به عنوان یک مطالعه علمی از عواملی که انسانها را هم در سطح فردی و هم جمعی سوق می دهد تا شکوفا شود ، جامعه پژوهش به طور مداوم دانش مبتنی بر شواهد را در مورد به اصطلاح شادکامی یا بهزیستی (رفاه) درونی ایجاد کرده است. 

          شادکامی و افسردگی اصطلاحاتی هستند که در زندگی روزمره برای نشان دادن حالات هیجانی  و نوسانات روحی به کار می روند، که با اطمینان، به عنوان افتادن در انتهای مخالف یک زنجیره ارزش دو قطبی نشان داده می شوند. برای اهداف گویا ، نمایشی گرافیکی از طیف ارزش عاطفی در شکل 1 نشان داده شده است.

          همانطور که مشاهده می شود ، افسردگی در انتهای طرف تأثیر منفی اختصاص می یابد در حالی که شادکامی در نقطه مقابل قرار می گیرد. این نشان می دهد که شادکامی فقط عدم وجود روحیه منفی و حالات هیجانی نیست،  بلکه حضور افراد مثبت نیز است.

          با توجه به پیش بینی کننده های شادکامی ، تحقیقات موجود ، عوامل روان شناختی مانند راهبردهای مقابله با استرس، حمایت اجتماعی ادراک شده یا شخصیت را یافته است که در ظهور آن وزن قابل ملاحظه ای دارند. تاکنون ، روش روش شناختی قدیمی که برای پیش بینی درجه (میزان)شادی به کار گرفته شده، رگرسیون خطی چند متغیره (MLR) بوده است.

          الگوی نوظهور ، رویکردهای نوین و ابزارهایی مانند یادگیری عمیق در جستجوی روانشناختی به طور فزاینده ای موثر مثلا در مورد در مورد شناخت احساسات [28-30] ، تحلیل احساسات و / یا طبقه بندی [31-33] هستند. شایان ذکر است که هر دو موضوع در موضوعات ویژه اخیر در سال های اخیر مورد تأیید قرار گرفتند [34-36] که نشان دهنده اهمیت مطالعه است و به ما این امکان را می دهد تا از یکی از محدودیت های مبرم MLR که فرضیه یک رابطه بین  پیش بینی کننده ها (عوامل روانشناختی) و نتیجه (درجه (میزان)شادی) است، جلوگیری نماییم.

         مطالعات اخیر در زمینه تحلیل احساسات، محصور در حوزه روانشناسیگرایش به نظارت بر حالات افراد را از طریق فعالیت های شبکه های اجتماعی ، تصویر / فیلم و طبقه بندی جمله ها نشان می دهد [32،37-39]. این تحقیقات ، استفاده از رویکردهای یادگیری عمیق پیچشی را نشان می دهد که رفتار بهتری را برای استخراج و انتخاب ویژگی ها ارائه می دهد. اهداف مطالعه ما با هدف تقلید - بدون فرض هرگونه رابطه خطی – ساختاری از مجموعه ای از مقیاس های روان شناختی که با داده های ساختاری با اهداف پیش بینی و تفسیر تطابق یافته اند، به دلیل ماهیت داده ها ، استفاده از فناوری پیچشی را غیر ضروری می کند.

Abstract

Background and Objective: Happiness is a universal fundamental human goal. Since the emergence of Positive Psychology, a major focus in psychological research has been to study the role of certain factors in the prediction of happiness. The conventional methodologies are based on linear relationships, such as the commonly used Multivariate Linear Regression (MLR), which may suffer from the lack of representative capacity to the varied psychological features. Using Deep Neural Networks (DNN), we define a Happiness Degree Predictor (H-DP) based on the answers to five psychometric standardized questionnaires.

Methods: A Data-Structure driven architecture for DNNs (D-SDNN) is proposed for defining a HDP in which the network architecture enables the conceptual interpretation of psychological factors associated to happiness. Four different neural network configurations have been tested, varying the number of neurons and the presence or absence of bias in the hidden layers. Two metrics for evaluating the influence of conceptual dimensions have been defined and computed: one quantifies the influence weight of the conceptual dimension in absolute terms and the other one pinpoints the direction (positive or negative) of the influence.

Materials: A cross-sectional survey targeting non-institutionalized adult population residing in Spain was completed by 823 cases. The total of 111 elements of the survey are grouped by socio-demographic data and by five psychometric scales (Brief COPE Inventory, EPQR-A, GHQ-28, MOS-SSS and SDHS) measuring several psychological factors acting one as the outcome (SDHS) and the four others as predictors.

Results: Our D-SDNN approach provided a better outcome (MSE: 1.46 · 10−2) than MLR (MSE: 2.30 · 10−2), hence improving by 37% the predictive accuracy, and allowing to simulate the conceptual structure.

Conclusions: We observe a better performance of Deep Neural Networks (DNN) with respect to traditional methodologies. This demonstrates its capability to capture the conceptual structure for predicting happiness degree through psychological variables assessed by standardized questionnaires. It also permits to estimate the influence of each factor on the outcome without assuming a linear relationship.

1. Introduction

          The pursuit of happiness is a universal - both cultural and time wise - core driver of human behaviour. Since ancient times pivotal and referent philosophical figures, as for example Aristotle1 from West or Zhuangzi2 from East, devoted much of their work to the idea of happiness as an ultimate purpose of human existence. The major proof that this consciousness pursuit of happiness should be considered as a fundamental human goal is the resolution adopted by the United Nations General Assembly on June 28th, 2012 where March, 20th was proclaimed the International Day of Happiness:

         Recognizing the relevance of happiness and well-being as universal goals and aspirations in the lives of human beings around the world and the importance of their recognition in public policy objectives.

          Recognizing also the need for a more inclusive, equitable and balanced approach to economic growth that promotes sustainable development, poverty eradication, happiness and the well-being of all peoples [1].

         Consistent with this resolution, the United Nations (UN) has created a civilian based movement for a happier world [2,3], and took the lead to well-being and happiness as a principal aim in the development and launch of the 17 Sustainable Development Goals of the 2030 Agenda for Sustainable Development [4,5].

1.1. Happiness-Degree Predictor

         Since the emergence of Positive Psychology [6] as the scientific study of factors that lead humans – both at the individual and collective level– to thrive, the research community has consistently built up the evidence-based knowledge about the so-called happiness or subjective well-being [7–14].

          Happiness and depression are terms employed in daily life to denote affective states and mood swings, which are reliably represented as falling at opposite ends of a bipolar valence continuum [15,16]. For illustrative purposes, a graphical representation of the emotional valence spectrum is displayed in Fig. 1.

         As it can be seen, depression is allocated at the very end of the negative affect side whereas happiness is placed at the opposite one. This implies that happiness is not just the absence of negative mood and affective states, but also the presence of positive ones.

         Regarding happiness predictors, existent research has found psychological factors such as stress coping strategies [17,18], perceived social support [19–22] or personality [23–26] to have a considerable weight in its emergence. Up to now, the traditional methodological approach employed for happiness degree prediction has been a Multivariate Linear Regression (MLR) [27].

          Emerging paradigms, novel approaches, and tools such as deep learning are becoming increasingly influential in psychological research as in the case of emotion recognition [28–30], sentiment analysis and/or classification [31–33]. It is worth to mention that both topics were endorsed in recent special issues in the last years [34–36] demonstrating the significance of the study and enabling us to avoid one of the pressing constraints of MLR that is the assumption of a linear relationship between the predictors (psychological factors) and the outcome (happiness degree).

          Recent studies in sentiment analysis enclosed inside the field of psychology show the tendency to monitor the state of the people through social network activity, image/video and sentence classification [32,37–39]. These researches show the use of convolutional deep learning approaches which present a better behaviour for feature extraction and selection. Our study aims to mimic –without assuming any linear relationship– the structure of a set of psychometric scales which are conformed by structured data with prediction and interpretation purposes, becoming unnecessary the use of the convolutional technology because of the nature of data.

چکیده

1. مقدمه

1.1. پیش بینی کننده درجه (میزان)شادکامی

1.2. انگیزه مطالعه حاضر

2. موضوعات

2.1. نمونه :  موضوع برای ملاحظه

2.1.1. تشریح نمونه

2.1.2. زمینه های مستثنی

2.2. توضیحات مقیاس های روان سنجی

2.3 توضیحات پردازش داده ها

3. روش ها

3.1. طرح مفهومی

3.2. ویژگی های D-SDNN

4. نتایج تجربی

4.1. آموزش ، اعتبار سنجی و آزمایش شبکه های عصبی عمیق

4.2. مقایسه D-SDNN ها در برابر رگرسیون خطی چند متغیره

4.2.1. رگرسیون خطی چند متغیره

4.2.2. D-SDNN برحسب MLR

4.3. آخرین لایه  متریک (معیار) ها را وزن می کند

5. بحث 

5.1. اثر 

5.2. مشارکت ها

5.3. محدودیت ها

5.4. کارهای آینده

6. نتیجه گیری 

منابع

ABSTRACT

1. Introduction

1.1. Happiness-Degree Predictor

1.2. Motivation of present study

2. Materials

2.1. Sample: issues to consider

2.1.1. Description of the sample

2.1.2. Grounds for exclusion

2.2. Descriptions of psychometric scales

2.3. Descriptions of data preprocessing

3. Methods

3.1. Conceptual scheme

3.2. D-SDNN features

4. Experimental results

4.1. Training, validating and testing the deep neural networks

4.2. Comparison of D-SDNNs against Multivariate Linear Regression

4.2.1. Multivariate Linear Regression

4.2.2. D-SDNNs vs. MLR

4.3. The last layer weights metrics

5. Discussion

5.1. Impact

5.2. Contributions

5.3. Limitations

5.4. Future work

6. Conclusions

References