روانشناسی تحولی، جلد ۵، شماره ۲۰، صفحات ۳۰۷-۳۲۱
عنوان فارسی شبکه‌های عصبی مصنوعی : مدلی برای پیش‌بینی
چکیده فارسی مقاله با توجه به محدودیتها و ابهامهای موجود در مدلهای متداول آماری مانند از دست دادن داده‎های مربوط به تعاملهای پیچیده و غیرخطی بین سازه‎های روان‎شناختی و برخی مفروضه‎ها مانند همگونی واریـانسها و توزیع نرمال، پژوهش حاضر توانایی مدلهای شبکه‎های عصبی مصنوعی را برای مطالعات پیش‎بینی بررسی کرد. گروه‎ نمونه‎ای شامل 456 دانش‎‌ـ آموز پسر سال سوم دبیرستان پرسشنامه شخصیتی کالیفرنیا (CPI؛ گاف، 1975) و پرسشنـامه همسازی دانـش‎آموزان مدرسه (AISS، سینها و سینگ، 1993) را تکمیل و در پنج سطح همسازی (از ناسازگار تا کاملاً سـازگار) طبقه‎بندی شدند. تحلیل عاملی ترکیبهـای مختلف رگه‎هـای شخصیتی نشان داد که برخی از شبکه‎ها به دلیل ناهمخوانی بین تعداد متغیرها و معماریهای شبکه، نمی‎توانند همسازی را پیش‎بینی کنند. اما بازنگری معمـاری‎ها و تکرار شبکه‎هـای جدید نسبت پیش‎بینی درست (نسبـت طبقه‎بندی شرکت‎کنندگان در سطوح همسازی مبتنی بر AISS) را بـه گونه‌ای معنـادار افـزایش داد. مـناسب‎ترین شبکـه برای پیش‎بیـنی همسازی شامـل ترکیبی از متغیرهای شنـاختی انعطاف‎پذیری، زنانگی، اشتراک و تحمل بود.
کلیدواژه‌های فارسی مقاله شبکه‌هـای عصبی مصنوعی، رگه‌های شخصیتی، پیش‌بینی همسازی،
عنوان انگلیسی Artificial neural networks:a modle for prediction
چکیده انگلیسی مقاله Taking into account the ambiguities and limitations of prevailing statistical models, such as losing data related to complicated and nonlinear interactions between psychological constructs and some of the assumptions like homogeneity of variances and normal distribution, the present research investigated the capability of Artificial Neural Networks Model for con ducting predictive studies. A sample of 456 male senior high school students responded to the California Personality Inventory (CPI; Gaff, 1975) and Adjustment Inventory for School Students (AISS; Sinha & Singh, 1993), and were categorized into five levels of adjustment (from maladjusted to completely adjusted). Factor analysis of various combinations of personality traits suggested that some of the networks could not predict adjustment due to non conformity between the number of variables and network architectures. However, a revision of the architectures and repetition of new networks significantly increased the proportion of correct predictions (the proportion of participants categorized into the indicated levels of adjustment based on AISS). The most appropriate network for predicting adjustment included a combination of the cognitive variables of flexibility, femininity, communality and tolerance.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله حسین پور شهریار |
روانشناس

کاظم طباطبایی |
استادیار دانشگاه تربیت مدرس
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

محمدکریم خداپناهی |
استاد دانشگاه شهید بهشتی
سازمان اصلی تایید شده: دانشگاه شهید بهشتی (Shahid beheshti university)

انوشیروان کاظم نژاد |
استاد دانشگاه تربیت مدرس
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

ثریا خفری |
استادیار دانشگاه بابل

نشانی اینترنتی http://jip.azad.ac.ir/article_512340_ec19472562ab520b8af1d6954e0e2510.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات