نوع مقاله : مقاله پژوهشی

نویسنده

• حسین پورشهریار

استادیار گروه روان‌شناسی دانشگاه شهید بهشتی

چکیده

زمینه: پژوهش حاضر یک بررسی در رابطه با ویژگی‌های روان‌شناختی نوجوانان و سطوح سازگاری آنها می‌باشد. با توجه به مبانی نظری در مورد روابط متقابل بین این مفاهیم از یک مدل سنتی مبتنی بر همبستگی و یک مدل نوین مبتنی بر پردازش موازی داده‌ها استفاده شده است. هدف: هدف از پژوهش حاضر بررسی توانمندی هر یک از مدل‌های یاد شده در پیش‌بینی سطوح سازگاری از طریق اندازه‌های مربوط به ویژگی‌های روان‌شناختی نوجوانان است. روش: داده‌های اولیه مربوط به 18 ویژگی روان‌شناختی و 5 سطح سازگاری از طریق اجرای آزمون‌های CPI و AISS بر روی 456 دانش‌آموز پسر دبیرستانی شهر تهران به دست آمد. از مدل‌های همبستگی و تحلیل عاملی به منظور استخراج مؤلفه­های اصلی، به عنوان عوامل پیش­بینی کننده استفاده شد. بر این اساس یک ترکیب چهار عاملی از ویژگی‌های روان‌شناختی و پنج ویژگی مستقل به عنوان ترکیب بهینه در پیش‌بینی سطوح سازگاری با قابلیتی معادل ترکیب اولیه هجده عاملی شناسایی شدند. همچنین با توجه به انبوه عوامل اثرگذار و پیچیدگی‌های موجود در روابط میان آنها از مدل شبکه‌های عصبی مصنوعی نیز برای پیش بینی استفاده شد و توانمندی آن با مدل رگرسیون مورد مقایسه قرار گرفت. یافته‌ها: یافته ها نشان داد که مدل شبکه‌های عصبی مصنوعی در پیش‌بینی پنج سطح سازگاری توانمندتر از مدل رگرسیون می‌باشد و در صورت کاهش تعداد سطوح سازگاری به سه سطح، این قابلیت به نفع مدل رگرسیون تغییر می‌کند (0.001α<). بحث و نتیجه‌گیری: بر این اساس ویژگی‌های منحصر به فرد شبکه های عصبی مصنوعی نظیر پردازش موازی و تشخیص الگوهای ارتباط غیرخطی و پیچیده از طریق یادگیری و تجربه و قابلیت اختصاصی مدل رگرسیون در پیش‌بینی بر اساس اولویت بندی نقش هر یک از عوامل پیش­بینی کننده از عوامل اصلی موفقیت هر یک از آنها تلقی می‌شود.

کلیدواژه‌ها

• ویژگی‌های روان‌شناختی
• سازگاری
• پیش‌بینی
• رگرسیون
• شبکه‌های عصبی مصنوعی

عنوان مقاله [English]

Prediction of Adjustment Level of Adolescents Based on Psychological Characteristics Utilizing the Models of Regression and Artificial Neural Networks

نویسنده [English]

• Hossein Pourshahriar

چکیده [English]

Background: The present research is about the psychological characteristics of adolescents and their adjustment levels. Considering the rational and theoretical bases regarding interactive relations between these concepts, a traditional model based on correlation and a new model based on parallel distributed data processing were utilized.
Objectives: The aim of the study was a comparison between the abilities of the mentioned models to predict the levels of adjustment based on the psychological characteristics of adolescents.
Methods: The primary data related to 18 psychological characteristics and 5 adjustment levels were obtained by implementing Persian version of CPI and AISS on 456 male high school students in Tehran. The models of correlation and factor analysis were utilized to extract the optimum combination of factors as predictor components. On these bases a combination of 4 components and 5 independent psychological characteristics with the best proportion of prediction with a capability equal to the original 18 characteristics (α<0.01) were identified. Moreover, according to the numerous effective factors in formation of the psychological characteristics as well as adjustment and complications between their complex and non-linear relationships and interactions, Multilayer Perceptron Artificial Neural Networks (MLPANN) model was also utilized for prediction, and its ability was compared with the Regression model.
Results: The findings showed that for predicting five levels of adjustment, ANNs model has more potential than logistic regression model and if we reduce the number of adjustment to 3 levels, then this capability changes in favour of logistic regression model.
Conclusion: Thus, the particular characteristics of ANNs such as parallel distributed processing and recognition of non-linear and complex relations by learning and experiencing and the special ability of regression model in predicting on the basis of linear relations (prioritization of the role of each predicting factor) is one of the major factors for the success of each model.

کلیدواژه‌ها [English]

• Psychological Characteristics
• adjustment
• Prediction
• regression
• artificial neural networks