Оценка «ошибки» классификации нейросети для анализа социально-психологических особенностей учащихся группы риска по наркотизации

Аннотация

Актуальность. Исследование показывает потенциал использования нелинейных алгоритмов анализа для более полного изучения социально-психологических особенностей учащихся, попавших и не попавших в группу риска по наркотизации при работе с большими наборами данных.

Цель. Сравнить линейный (традиционный) и нелинейный (нейросеть) алгоритмы отнесения учащихся к группе риска по наркотизации и определить прогностический потенциал представленных алгоритмов на основе лонгитюдного сопоставительного анализа.

Выборка. В исследовании приняло участие 27790 учащихся старших классов из 890 общеобразовательных школ (Мвозраст = 16,2; SD = 2,03). Из них 11786 учащихся диагностировались дважды в рамках лонгитюдного исследования в 2020 и 2021 годах.

Методы. Организационный метод: комплексный. Эмпирический метод: социально-психологическое тестирование. Методы обработки данных: метод нейронных сетей, сравнительный анализ, анализ сопряженности, дискриминантный анализ. Интерпретационный метод: структурный. Программное обеспечение: программный пакет для статистического анализа Statistica 12, аналитическая low-code платформа Loginom 6.

Результаты. На базе модели нейросети выделены ошибки положительного и отрицательного отнесения к группе риска. Установлено, что ошибочное отнесение учащегося к группе риска связано с однородностью сопоставленных групп по всем шкалам факторов риска, тогда как подобная однородность не идентифицируется по факторам защиты. Сравнительный анализ данных учащихся, положительно и отрицательно отнесенных к группам риска, обнаруживает достоверные различия только по шкалам тревожности и фрустрации. Интерес вызывает тот факт, что тревожность и фрустрация также оказываются шкалами, которые, согласно дискриминантному анализу, не обладают различительной способностью при прогнозировании отнесения учащегося к группе риска.

Выводы. Классификация, реализованная на основе модели нейросети, имеет преимущество по сравнению с линейным алгоритмом, связанное с учетом внутришкальных взаимосвязей и большей стабильностью во времени выделенных групп риска и нормы. Корректность решения нейросети подтверждается результатами дискриминантного анализа. Социальная желательность ответов, являющаяся наиболее частой причиной признания ответов респондентов недостоверными, не играет значимой роли при классификации с помощью нейросети. Проблематизированные категории «тревожность» и «фрустрация» требуют дальнейшей аналитики с позиции их роли при формировании выборки учащихся группы риска.

Литература

Аптикиева, Л.Р. (2019). Различия подростков «группы риска» и типичных подростков: психолого-педагогический аспект. Вестник Оренбургского государственного университета, 221(3), 6–14. https://doi.org /10.25198/1814-6457-221-6

Артищева, Л.В., Абитов, И.Р., Насибуллов, К.И. (2022). Валидность нейросетевых инструментов измерения состояния вовлеченности студентов в образовательный процесс в цифровой среде. Психология психических состояний: сборник материалов XV Международной научно-практической конференции. Казань: Изд-во «Казанский университет».

Ахмед, С.Х., Скородумов, С.В. (2020). Использование нейросетевых подходов в диагностировании заболеваний. Моделирование и анализ данных, 10(2), 49–61.

Беребин, М.А., Пашков, С.В. (2006). Опыт применения искусственных нейронных сетей для целей дифференциальной диагностики и прогноза нарушений психической адаптации. Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника, (14), 41–45.

Борисова, Е.В., Хачкиев, В.В. (2018). Применение аппарата искусственных нейронных сетей для решения задач психодиагностики. Наука, образование, общество: тенденции и перспективы развития: материалы XII Междунар. науч.-практ. конф. (5 декабря, 2018 г.). Чебоксары: Изд-во центра научного сотрудничества «Интерактив плюс».

Булычева, Е.В. (2023). Роль взаимоотношений подростков с социальным окружением как фактор защиты от рисковых форм поведения. Национальный психологический журнал, 1(49), 88–101. https://doi.org /10.11621/npj.2023.0108

Васильева, Е.В. (2017). Диагностика факторов риска формирования компьютерной зависимости у подростков. Гаудеамус, 16(1), 69–75.

Газя, Г.В., Еськов, В.В. (2022). Искусственные нейросети в оценке возрастных изменений. Вестник новых медицинских технологий, (1), 101–105.

Гусев, А.Л., Окунев, А.А. (2017). Построение «успешной» прогнозирующей нейросети. Искусственный интеллект в решении актуальных социальных и экономических проблем ХХI века: сборник статей по материалам Второй всерос. науч.-практ. конф. Пермь.

Дахин, А.Н., Семёнов, Н.Г., Ярославцева, Н.В., Ермолаев, С.Ю. (2020). Педагогические технологии и нейросети. Школьные технологии, (2), 28–33.

Джакобия, А.З., Куташов, В.А., Хабарова, Т.Ю. (2017). Психологические особенности лиц, склонных к химической зависимости. Центральный научный вестник, 2(2), 19.

Дьякова, В.В. (2022). Особенности анализа данных социологического исследования с помощью loginom: одномерное распределение. IN SITU, (6), 8–11.

Заева, О.В. (2020). Использование результатов единой методики социально-психологического тестирования для организации профилактической работы с обучающимися образовательной организации. Образование личности, (3–4), 111–141.

Курбанова, З.С., Исмаилова, Н.П. (2023). Нейросети в контексте цифровизации образования и науки. Мир науки, культуры, образования, 100(3), 309–311.

Личко, А.Е. (2010). Психопатии и акцентуации характера у подростков. Санкт-Петербург: Изд-во «Питер».

Ляхов, А.Л., Алешин, С.П. (2010). Искусственная нейронная сеть как измерительный инструмент адекватности модели с адаптивным классом точности. Математические машины и системы, (1), 61–66.

Надеждин, А.В., Колгашкин, А.Ю., Тетенова, Е.Ю., Фёдоров, М.В., Ленков, П.Г. (2011). Интерактивный тест для экспресс-диагностики наркотической зависимости. Наркология, 111(3), 58–63.

Наследов, А.Д. (2011). Структурное моделирование каузальных гипотез: исследование педагогических стереотипов оценивания младших школьников. Вестник Санкт-Петербургского университета. Социология, (1), 305–313.

Петров, А.Н., Иванова, Г.Ф., Славутская, Е.В. (2018). Обучение нейросети как инструмент системного анализа многомерных данных психодиагностики. Вестник Чувашского университета, (1), 162–168.

Подзорова, М.И., Птицына, И.В., Бахтиярова, О.Н. (2022). Нейронная сеть, как одно из перспективных направлений искусственного интеллекта. Modern European Researches, (1), 169–176.

Славутская, Е.В., Абруков, В.С., Славутский, Л.А. (2019). Простые нейросетевые алгоритмы для оценки латентных связей психологических характеристик младших подростков. Экспериментальная психология, (2), 131–144.

Славутская, Е.В., Вострецова, Н.С. (2019). Нейросеть, как инструмент анализа интеллектуальной и эмоциональной сферы дошкольников. Казанский педагогический журнал, (4), 61–65.

Сологуб, Г.Б., Пухов, В.А. (2023). Проблемы классификации текстов естественного языка методами классического машинного обучения. Моделирование и анализ данных, 13(2), 64–76.

Сорокин, А.С., Бондарев, В.Ю., Кротова, Е.Л. (2016). Искусственная нейронная сеть как средство и метод статистической обработки данных. Вестник УрФО. Безопасность в информационной сфере, (2), 19–22.

Тарасова, С.Ю. (2023). Психологические риски подростков, обучающихся в условиях повышенной учебной нагрузки. Вестник Московского Университета. Серия 14. Психология, 46(1), 280–302. https://doi.org /10.11621/vsp.2023.01.12

Телепова, Н.Н. (2015). Диагностика аддиктивного поведения: интегрированный тест. Вестник Московского городского педагогического университета. Серия: Педагогика и психология, 1(31), 47–58.

Ткаченко, А.Л., Буриличев, Б.В. (2021). Аналитические решения low-code платформы Loginom для работы с Big data. Вестник Калужского университета, (3), 46–49.

Федорова, П.Н., Иванова, Г.Ф., Славутская, Е.В. (2018). Нейронная сеть: селективная и статистическая оценка внутрисистемных связей неоднородных психодиагностических данных. Вестник Чувашского университета, (3), 235–242.

Шумков, Е.А., Поздняков, Е.А. (2020). Обработка тестов с помощью нейронных сетей. Электронный сетевой политематический журнал «Научные труды КубГТУ», (5), 22–32.

Яковлев, А.Н., Пашкевич, Н.В., Пажитных, Д.В., Ткачев, А.А., Бродянский, В.М., Чупрова, Н.А., Витчинкина, В.И. (2017). Поиск генетических и психологических маркеров риска потребления наркотиков подростками с аддиктивным поведением в рамках первичной профилактики: предварительные результаты пилотного исследования в Липецке. Сибирский вестник психиатрии и наркологии, (2), 5–11.

Bityutskaya, E.V., Gasanov, E.E., Khazova, K.V., Patrashkin, N.A. (2024). Classifying the Perception of Difficult Life Tasks: Machine Learning and/or Modeling of Logical Processes. Psychology in Russia: State of the Art, 17(1), 00–00. https://doi.org /10.11621/pir.2024.0205

Epskamp, S., Rhemtulla, M., Borsboom, D. (2017). Generalized network psychometrics: Combining network and latent variable models. Psychometrika, (82), 904–927. https://doi.org/10.1007/s11336-017-9557-x

Hudson, C.J. (1990). Anxiety disorders and substance abuse. Journal of Chemical Dependency Treatment, 3(2), 119–138.

Kranzler, H.R., Liebowitz, N.R. (1988). Anxiety and depression in substance abuse: Clinical implications. Medical Clinics of North America, 72(4), 867–885.