CC BY
123
УДК 004.8.032.26:159.922.7.016.2 ББК З97:Ю983.402
Е В. СЛАВУТСКАЯ, В С. АБРУКОВ, Л.А. СЛАВУТСКИЙ
НЕЙРОСЕТЕВОЙ СИСТЕМНЫЙ АНАЛИЗ УРОВНЕВЫХ ПСИХОЛОГИЧЕСКИХ ХАРАКТЕРИСТИК
Ключевые слова: искусственные нейронные сети, системный анализ, психодиагностика, уровневые психологические характеристики.
Аппарат искусственных нейронных сетей (ИНС) используется для системного анализа данных психодиагностики. Показано, что обучение ИНС, как задача нелинейной многопараметрической оптимизации, позволяет оценить связи между разноуровневыми психологическими характеристиками. Предлагаются количественные статистические критерии оценки качества ИНС моделей. Анализ авторских данных психодиагностики позволил обнаружить латентные связи между разноуровневыми психологическими характеристиками детей предподросткового возраста.
Аппарат искусственных нейронных сетей (ИНС) основан на принципах когнитивной науки [15, 21] и может использоваться в практической психологии [12, 14, 18]. При этом широкого распространения для обработки, анализа и моделирования данных психодиагностики ИНС пока не получили. Главная причина этого - отсутствие универсальных правил процесса обучения ИНС [11, 17], которые определяются объемом и качеством данных, числом факторов и целевых функций, а также сложность в интерпретации полученных результатов. Чаще всего аппарат ИНС используется для автоматизации самой процедуры медико-психологической диагностики [20] или - при построении моделей в психофизиологии [16]. Обучение нейронной сети требует профессиональной подготовки, и абсолютное большинство психологов предпочитает пользоваться традиционными статистическими методами анализа [8]. Оценка численных показателей психологических признаков при обучении ИНС часто оказывается в практической психологии некорректной и приводит к низкой достоверности полученных результатов. Это является результатом высокой неоднородности психодиагностических данных, полученных в разное время, разными психологами, в разных условиях и т.д. В настоящей работе ИНС предлагается использовать для системного анализа взаимосвязей разноуровневых психологических характеристик с помощью статистической оценки качества ИНС моделей.
В нашей стране огромный вклад в разработку системного подхода в психологии внесли такие видные деятели отечественной психологической науки, как Б.Г. Ананьев, А.П. Анохин, С.Л. Рубинштейн, Б.Ф. Ломов. Ими были разработаны принципы системного подхода в психологии в качестве основного инструмента познания психики человека. Это позволило анализировать психические явления с точки зрения взаимодействия внешних (социальных) и внутренних (природных и психологических) факторов как единое целое.
По Б.Ф. Ломову, психика как система представляет собой многомерное и иерархически организованное динамическое целое. В иерархии психики человека выделяются ее уровни. В этом контексте на самом высоком уровне изучается личность и рассматривается система отношений человека. На следующем, втором, уровне находятся свойства личности, проявляющиеся в ее
деятельности и поведении. На третьем, более низком, уровне, рассматриваются психические процессы и состояния, например, мышление, память, внимание и т.д. Б.Ф. Ломов считал, что этот уровень связывает психологию с математикой и физикой. На базовом, самом нижнем, уровне располагаются биологические задатки и структуры физиологического обеспечения психических процессов, что связывает этот уровень с биологическими науками и нейрофизиологией. Система психических явлений состоит из разных уровней. Психика разделяется на когнитивную, коммуникативную и регулятивную, изучается каждая на своем уровне и представляет собой сложно организованное целое, начиная от работы мозга, функционирования психических процессов до проявления свойств личности в деятельности и общении, как бессознательное и сознательное. Такое единое целое представляет собой некий «функциональный организм», позволяющий индивиду ориентироваться и успешно адаптироваться в быстро меняющемся мире. При учете детерминант развития психики необходимо опираться на совокупность свойств различного порядка: причинно-следственные характеристики, межфункциональные связи, опосредующие звенья, внешние и внутренние факторы психического развития, так как в одних условиях одни и те же факторы могут выступать как в виде предпосылок, так и в виде опосредующих развитие звеньев либо самостоятельных характеристик. Специфические взаимосвязи многоуровневых характеристик, объединяясь в динамическое целое, определяют результат (картину психического развития) той или иной возрастной стадии и служат прогнозом развития для последующей. Концепция уровней исследования человека и его психики предоставляет возможность для систематизации получаемых в психологии данных [7].
В детской психологии особого внимания требуют переходные и кризисные возрастные периоды, психологическое содержание которых до сих недостаточно изучено. Психическое развитие в это время определяется специфической динамикой, отличной от стабильных возрастов, и зависит от большого числа разнообразных многоуровневых характеристик: социально-психологических факторов, гендерных особенностей, уровневых характеристик интеллекта, индивидуально-психологических различий [9, 10]. Одним из таких сложных возрастных периодов является предподростковый возраст [12]. Для изучения психического развития школьников предподросткового возраста системный анализ многоуровневых психологических характеристик является особо актуальным.
Методика анализа. В исследовании использовались стандартизированные методы психодиагностики, выбор которых определялся следующими критериями: выявление разнообразных разноуровневых психологических показателей школьников, достаточное количество признаков для проведения интеллектуального анализа данных, последующего системного анализа особенностей психического развития детей на этом возрастном отрезке.
В обследовании приняли участие 90 школьников 5-х классов.
Проведена психодиагностика следующих уровневых психологических характеристик школьников:
- самый высокий, личностный, уровень представлен показателями отношений Д1 - отношение к значимым родственникам - отцу, матери; Д2 - взаимоот-
ношения со сверстниками; Д3 - отношение к школе, учителям; Д4 - отношение к себе (тест «Незаконченные предложения» В. Михала для детей 7-12 лет в адаптации Д.В. Лубовского) и мотивационными характеристиками (потребность в достижении - ПД, тест «Потребность в достижениях» Ю.М. Орлова);
- к свойствам второго уровня относятся двенадцать личностных черт по 12-факторному личностному опроснику Р.Б. Кеттелла и Р.В. Коана для детей 8-12 лет [19];
- уровень психических процессов и состояний определялся с помощью свободно культурного интеллектуального теста Р.Б. Кеттелла, выявлялся флюидный интеллект, выражающийся в виде коэффициента интеллекта Щ [19];
- в качестве базового, нижнего, уровня биологических задатков и физиологического обеспечения психических процессов рассматривался тип нервной системы по психомоторным показателям (теппинг-тест Е.П. Ильина).
Создавая свободно культурный тест интеллекта, Р.Б. Кеттелл предполагал, что он будет выявлять биологически заданный интеллект, сформированный на базе архитектоники коры больших полушарий. Поэтому в нашем исследовании мы объединили показатели биологических задатков и характеристики обеспечения психических процессов и состояний в один уровень.
Вертикальный системный анализ в психологии подразумевает, как правило, нахождение причинно-следственных связей между психологическими характеристиками разных уровней. Соответствующие результаты тестов или опросников чаще всего имеют разные шкалы. Многие психологические показатели описываются всего несколькими целочисленными значениями. Примером может служить признак пола как одна из характеристик базового уровня. Эта характеристика принимает всего два значения. В этих условиях нахождение связей между характеристиками разных уровней при помощи традиционного корреляционного анализа оказывается затруднительным. В настоящей работе для оценки связи между характеристиками разных уровней предлагается использование аппарата искусственных нейронных сетей (ИНС), в частности оценка качества обучения соответствующих ИНС моделей. Пример такого анализа показан на рис. 1. На вход сети подаются значения личностных качеств по Р.Б. Кеттеллу (психологические характеристики второго уровня). А целевой функцией является коэффициент интеллекта Щ, который относится к психологическим характеристикам нижнего уровня (индивидуально-психологические, биологически детерминированные характеристики).
При проведении исследований использовалась отечественная аналитическая платформа «БеёиСог» [3, 4], содержащая в себе средства оценки качества данных, их «очистки» от дубликатов и противоречий и «аномальных» значений, средства предварительного анализа данных (парциальная обработка, факторный и корреляционный анализы), методы интеллектуального анализа данных, включая ИНС, различные средства визуализации результатов анализа и моделирования.
Качество нейросетевой модели можно оценить по диаграмме рассеяния -разбросу значений целевой функции при обучении сети. Количественными критериями могут служить среднеквадратичное отклонение (ошибка) и процент распознаваемых связей при заданной ошибке.
ПОЛ
О—►
А в
с О^
п
Е
с О-,.
н
I си
0
03
04 О-*
Рис. 1. Структура ИНС, диаграмма рассеяния и гистограмма распределения среднеквадратичной ошибки при обучении сети для девочек и мальчиков. Интерпретация личностных качеств в 12-факторном опроснике Р.Б. Кеттелла и Р.В. Коана (CPQ): А - общительность - замкнутость; В - абстрактное - конкретное мышление;
С - эмоциональная стабильность - неустойчивость; Б - возбудимость - уравновешенность; Е - независимость - покорность; Е - беспечность - озабоченность; О - высокая -низкая дисциплинированность; Н - смелость - робость; I - мягкость - твердость;
О - тревожность-спокойствие; Q3 - высокий - низкий самоконтроль; Q4 - напряженность -расслабленность. ^ - коэффициент интеллекта по результатам свободно культурного теста Р.Б. Кеттелла
Пример гистограммы распределения среднеквадратичной ошибки по интервалам показан в верхней части диаграммы. Сравнивая гистограммы для разных моделей, можно выбрать лучшую, т.е. модель с наиболее предпочтительным видом функций распределения (плотности распределения) ошибок. Численными критериями могут служить максимальная среднеквадратичная ошибка смакс (в данном случае смакс = 7,8%) и число примеров па (в абсолютных единицах и процентах), обладающих ошибкой в 5% (0,05) или 1% (0,01) (в данном случае п005 = 97%, п001 = 80%) (см. рис. 1). Таким образом, качество ИНС модели и процент распознаваемых при обучении сети связей поддаются традиционному статистическому описанию с доверительным интервалом и уровнем значимости.
Для психологических задач важным является возможность оценить наличие опосредованных (латентных) связей. Для этого можно менять количество входных параметров сети (признаков) и после оценки качества модели сделать выводы о тех входных параметрах (психологических признаках), которые являются наиболее важными. Приведенный выше пример анализа и
численные критерии оценки ИНС моделей позволяют, меняя структуру ИНС, входные признаки и целевую функцию проводить вертикальный системный анализ уровневых психологических характеристик.
Результаты анализа. Для системного анализа гендерных различий межфункциональных связей аппарат ИНС может использоваться после разделения респондентов по признаку пола. Для примера на рис. 2 показаны результаты обучения ИНС отдельно для мальчиков (41). В этом случае признак пола на входе сети отсутствует. В остальном структура сети аналогична структуре на рис. 1.
А в
с п
Е си
г СЦ. с С^ н о^
I СЦ.
0 О-*
03 о^
04 си.
С К Р Ы Т Ы Й
С Л О Й
2
Н Е Й Р О Н А
-о
10
Рис. 2. Структура ИНС, диаграмма рассеяния и распределение среднеквадратичной ошибки при обучении сети после разделения респондентов по признаку пола (мальчики)
Как видно из диаграммы рассеяния (рис. 2), качество ИНС модели для детей одного пола повышается. Здесь максимальная ошибка смакс = 2,6%, «0,ш = 91%. Для девочек (49) качество модели мало отличается от результатов, полученных на общей выборке (рис. 1). Это позволяет сделать предварительный вывод о более структурированных связях личностных черт с коэффициентом интеллекта Щ у мальчиков по сравнению с таковым у девочек [14]. Для подтверждения этого вывода с использованием полученных ранее данных [13] построена ИНС модель для мальчиков, позволяющая выделить наиболее связанные с Щ личностные качества. Оказывается, что для получения качественной ИНС модели для мальчиков на входе нейронной сети достаточно использовать только три признака из 12 личностных черт Р.Б. Кеттелла. Соответствующая структура ИНС показана на рис. 3.
Для модели, представленной на рис. 3, максимальная ошибка составила Смакс = 3,2%, «0,01 = 86%. Для девочек соответствующего результата добиться не удается. Для них с уменьшением входных признаков (в любой комбинации) качество обучения ИНС ухудшается. Процент распознаваемых связей оказывается ниже, чем в общей выборке (рис. 1), и смакс > 13,6%. Это подтверждает сделанный ранее вывод [9] о более однотипных связях психологических признаков у мальчиков в этом возрасте.
Для оценки опосредованных (латентных) связей уровневых психологических характеристик строилась ИНС модель, на вход которой подавались значения биологически детерминированных характеристик нижнего уровня (пол, Щ, результаты тепинг-теста Т, характеризующие тип нервной системы), а целевой функцией нейронной сети последовательно служили личностные характеристики наиболее высокого уровня (потребность в достижении ПД, отношения: к семье - Д1; сверстникам - Д2; школе - Д3; себе - Д4) (см. рис. 4).
По результатам последовательного анализа связей психологических характеристик базового нижнего и верхнего личностных уровней обнаружено, что качество ИНС модели рис. 4 существенно зависит от целевой функции - личностной характеристики высшего уровня. Если для Д4 и Д2 обучение сети позволяет говорить о наличии устойчивой связи входных и выходных характеристик смакс = 0,77%, «0,01 = 100% и смакс = 6,2%, «0,5 = 95%, «0,01 = 80%, соответственно, то для ПД, Д1, Д3 качество обучения сети оказывается очень низким. Для ПД Смакс = 12%, «0,5 = 86%, «0,01 = 0%; для Д1 Смакс = 16%, «0,5 = 72%, «0,01 = 0%; для Д3 Смакс = 20%, «0,5 = 76%, «0,01 = 0%.
Таким образом, можно предположить, что существует значимая взаимосвязь характеристик базового нижнего уровня - интеллекта (Щ) и типа нервной системы (Т) с такими показателями высшего уровня, как отношение к себе (Д4) и сверстникам (Д2). А мотивация, отношение к семье и к школе зависят от большего количества факторов.
Для оценки этих факторов необходимо принимать во внимание пси- характеристик нижнет° и верхнего ур°вней хологические характеристики среднего уровня. Обнаружено, что такими характеристиками могут быть коммуникативные признаки в 12-факторном опроснике Р.Б. Кеттелла и Р.В. Коана (CPQ): А - общительность - замкнутость; Н - смелость - робость в общении (см.
Е
04
10
Рис. 3. ИНС модель с тремя личностными чертами, наиболее тесно связанными с ^ (мальчики)
1
ПОЛ
10
т
ПД
Д1
Д2
Д3
Д4
Рис. 4. ИНС модель для исследования связей
А
ПОЛ
ПД Д1 Д2 Д3 Д4
T
H
Рис. 5. ИНС модель для исследования опосредованных (через личностные черты) связей характеристик нижнего и верхнего уровней
рис. 5). Если на вход ИНС модели вместе с показателями нижнего уровня подаются значения этих признаков, то качество обучения нейронной сети существенно улучшается для целевых функций, качество ИНС моделей с которыми оказалось низким для структуры нейросети рис. 4. Для ПД амакс = 4,8%, «0,5 = 100%, «0,01 = 86%; для Д1 Смакс = 16%, «0,5 = 87%, для Д3 Смакс = 5,7%, «0,5 = 81%, «0,01 = 62%.
В прикладном плане полученные результаты требуют дополнительных исследований, последующего всестороннего анализа и психологической интерпретации.
Выводы. Результаты психодиагностических срезов представляют собой сложный прикладной объект. Системный анализ таких данных чаще всего предполагает их вероятностное (статистическое) описание. Предлагаемый в настоящей работе подход, основанный на использовании аппарата искусственных нейронных сетей, позволяет обнаружить опосредованные латентные связи между психологическими характеристиками. Традиционный для психологии корреляционный и факторный анализ требует существования линейной связи между психологическими признаками и не позволяет даже качественно оценить нелинейные связи. Обучение ИНС, как многопараметрическая задача нелинейной оптимизации, с оценкой качества модели при помощи традиционных средств статистической теории оценивания может являться очень эффективным инструментом системного анализа в психологии. Перспективы применения ИНС в психологических исследованиях связаны с решением различных задач анализа и моделирования данных [1, 2] и созданием баз знаний [5].
Литература
1. Абруков В.С., Николаева Я.Г., Макаров Д.Н., Сергеев А.А., Карлович Е.В. Применение средств интеллектуального анализа данных (data mining) для исследования неполно определенных систем // Вестник Чувашского университета. 2008. № 2. С. 233-241.
2. Абруков В.С., Николаева Я.Г. Количественные и качественные методы: соединяем и властвуем! // Социологические исследования. 2010. № 1. С. 142-145.
3. Абруков В.С., Ефремов Л.Г., Кощеев И.Г. Возможности создания системы поддержки принятия решений и управления вузом с помощью аналитической платформы deductor // Интеграция образования. 2013. № 1(70). C. 17-23.
4. Абруков В.С., Ефремов Л.Г., Кощеев И.Г. Новые подходы к разработке моделей системы поддержки принятия решений и управления вузом // Вестник Чувашского университета. 2013. № 1. С. 224-228.
5. Абруков В.С., Абруков С.В., Смирнов А.В., Карлович Е.В. Методы интеллектуального анализа данных при создании баз знаний // Вестник Чувашского университета. 2015. № 1. С. 140-146.
6. Арзамасцев А.А., Зенкова Н.А. Моделирование в психологии на основе искусственных нейронных сетей. Тамбов: ИМФИ ТГУ им. Г.Р. Державина, 2003.
7. Барабанщиков В.А. Системный подход в структуре психологического познания // Методология и история психологии. 2007. Т. 2, вып. 1. C. 86-99.
8. Воробьев А.В. Обзор применения математических методов при проведении психологических исследований // Психологические исследования. 2010. № 2(10). URL: http://psy-study.ru/index.php/num/2010n2-10/311-vorobiev 10.html.
9. Славутская Е.В. Исследование взаимосвязи эмоционально-волевых качеств с интеллектом и дезадаптацией школьников 9-11 лет: дис. ... канд. психол. наук. Казань, 2000. 185 с.
10. Славутская Е.В. Экспериментальное изучение гендерных различий в развитии эмоционально-волевых и интеллектуальных свойств младших подростков // Вестник Томского государственного педагогического университета. 2009. Вып. 9(87). C. 127-129.
11. Славутская Е.В., Абруков В.С., Славутский Л.А. Интеллектуальный анализ данных психодиагностики школьников предподросткового возраста // Вестник Чувашского университета. 2012. № 3. С. 226-232.
12. Славутская Е.В., Славутский Л.А. Нейросетевой анализ взаимосвязи вербального и невербального интеллекта младших подростков // Психологический журнал. 2014. Т. 35, № 5. С. 48-56.
13. Славутская Е.В., Славутский Л.А. Преподростковый возраст: формирование связей в структуре личности // Психологические исследования. 2014. Т. 7, № 37. URL: http://psystudy.ru/ index.php/num/2014v7n37/1040-slavutskaya37.html.
14. Славутская Е.В., Славутский Л.А. Использование искусственных нейронных сетей для анализа гендерных различий младших подростков // Психологические исследования. 2012. Т. 5, № 23. URL: http://psystudy.ru/index.php/num/2012v5n23/684-slavutskaya23.html.
15. Хайкин С. (Haykin S). Нейронные сети: полный курс: 2-е изд.: пер. с англ. М.: Виль-ямс, 2006.
16. Шендяпин В.Н., Скотникова И.Г., Барабанщиков В.А., Тарасов В.Б. Математическое моделирование уверенности при принятии решения в сенсорных задачах // Психологический журнал. 2008. Т. 29, № 4. С. 84-97.
17. Abrukov V.S., Karlovich E.V., Afanasyev V.N., Semenov Y.V., Abrukov S.V. Geation of pro-pellant combustion models by means of data mining tools. International Journal of Energetic Materials and Chemical Propulsion, 2010, vol. 9, no. 5, pp. 385-396.
18. Baxt W.G. Complexity, chaos and human physiology: the justification for non-linear neural computational analysis. Cancer Lett., 1994, vol. 77, no. 2-3, pp. 85-93.
19. Cattell R. B. Advanced in Cattelian Personality Theory. Handbook of Personality. Theory and Research. New York, The Guilford Press, 1990.
20. Reznichenko N.S., Shilov S.N., Abdulkin V.V. Neuron Network Approach to the Solution of the Medical-Psychological Problems and in Diagnosis Process of Persons with Disabilities (Literature Review). Journal of Siberian Federal University. Humanities & Social Sciences, 2013, vol. 9(6), pp. 1256-1264.
21. Hebb D. Organization of behavior: New York, Science Edition, 1961.
СЛАВУТСКАЯ ЕЛЕНА ВЛАДИМИРОВНА - кандидат психологических наук, доцент кафедры психологии и социальной педагогики, Чувашский государственный педагогический университет, Чебоксары, Россия ([email protected]).
АБРУКОВ ВИКТОР СЕРГЕЕВИЧ - доктор физико-математических наук, профессор кафедры прикладной физики и нанотехнологий, Чувашский государственный университет, Россия, Чебоксары ([email protected]).
СЛАВУТСКИЙ ЛЕОНИД АНАТОЛЬЕВИЧ - доктор физико-математических наук, профессор кафедры автоматики и управления в технических системах, Чувашский государственный университет, Россия, Чебоксары ([email protected]).
E. SLAVUTSKAYA, V. ABRUKOV, L. SLAVUTSKII
NEURAL NETWORK SYSTEMS ANALYSIS OF THE SPLIT-LEVEL PSYCHOLOGICAL CHARACTERISTICS
Key words: artificial neural networks, systems analysis, psycho-diagnostics, split-level psychological characteristics.
The artificial neural networks (ANN) is used for system analysis of a psycho-diagnostic data. It is shown that the training ofANN, as a problem of nonlinear multi-parameter optimization, enables to evaluate the relationship between psychological characteristics of different levels. The quantitative statistical criteria for evaluating the quality of the ANN models are available. It is shown that the analysis of psycho-diagnostics allows to detect latent interconnections between the split-level psychological characteristics of children of pre-adolescent age.
References
1. Abrukov V.S., Nikolaeva Ya.G., Makarov D.N., Sergeev A.A., Karlovich E.V. Primenenie sredstv intellektual'nogo analiza dannykh (data mining) dlya issledovaniya nepolno opredelennykh sis-tem [Using of intellectual data analysis (data mining) for investigation of incompletely defined systems]. Vestnik Chuvashskogo universiteta, 2008, no. 2, pp. 233-241.
2. Abrukov V.S., Nikolaeva Ya.G. Kolichestvennye i kachestvennye metody: soedinyaem i vlastvuem! [Quantitative and qualitative methods: unite and rule!]. Sotsiologicheskie issledovaniya [Sociological Studies], 2010, no. 1, pp. 142-145.
3. Abrukov V.S., Efremov L.G., Koshcheev I.G. Vozmozhnosti sozdaniya sistemy podderzhki prinyatiya reshenii i upravleniya vuzom spomoshch'yu analiticheskoiplatformy deductor [Opportunities to create a decision support and university management system by means of analytical platform deductor]. Integratsiya obrazovaniya [Integration of education]., 2013, no. 1(70), pp. 17-23.
4. Abrukov V.S., Efremov L.G., Koshcheev I.G. Novyepodkhody k razrabotke modelei sistemy podderzhki prinyatiya reshenii i upravleniya vuzom [New approaches to working out of decision making support system and higher education institutions management models]. Vestnik Chuvashskogo universiteta, 2013, no. 1, pp. 224-228.
5. Abrukov V.S., Abrukov S.V., Smirnov A.V., Karlovich E.V. Metody intellektual'nogo analiza dannykh pri sozdanii baz znanii [Data Mining Techniques as means of creating knowledge bases]. Vestnik Chuvashskogo universiteta, 2015, no. 1, pp. 140-146.
6. Arzamastsev A.A., Zenkova N.A. Modelirovanie v psikhologii na osnove iskusstvennykh neironnykh setei [Modeling in psychology based on artificial neural networks]. Tambov, 2003.
7. Barabanshchikov V.A. Sistemnyi podkhod v strukture psikhologicheskogo poznaniya [A systematic approach in the structure of psychological knowledge]. Metodologiya i istoriya psikho-logii [Methodology and history of psychology], 2007, vol. 2, iss. 1, pp. 86-99.
8. Vorob'ev A.V. Obzor primeneniya matematicheskikh metodov pri provedenii psikhologi-cheskikh issledovanii [The review of mathematical methods application in psychological researches]. Psikhologicheskie issledovaniya [Psychological Studies], 2010, no. 2(10). URL: http://psystu-dy.ru/index.php/num/2010n2-10/311-vorobiev10.html.
9. Slavutskaya E.V. Issledovanie vzaimosvyazi emotsional'no-volevykh kachestv s intellektom i dezadaptatsiei shkol'nikov 9-11 let: dis. ... kand. psikhol. nauk [The study of the interrelationship of emotional and volitional qualities with intelligence and maladjustment schoolchildren 9-11 years: Doct. Diss.]. Kazan, 2000, 185 p.
10. Slavutskaya E.V. Eksperimental'noe izuchenie gendernykh razlichii v razvitii emo-tsional'no-volevykh i intellektual'nykh svoistv mladshikh podrostkov [Experimental researches of gender features development of younger teenagers emotionally-volitional and intellectual qualities]. Vestnik Vestnik Tomskogo gosudarstvennogo pedagogicheskogo universiteta [Tomsk State Pedagogical University Bulletin], 2009, iss. 9(87), pp. 127-129.
11. Slavutskaya E.V., Abrukov V.S., Slavutskii L.A. Intellektual'nyi analiz dannykh psikho-diagnostiki shkol'nikov predpodrostkovogo vozrasta [Data Mining of the younger adolescents psychodiagnostic results]. Vestnik Chuvashskogo universiteta, 2012, no. 3, pp. 226-232.
12. Slavutskaya E.V., Slavutskii L.A. Neirosetevoi analiz vzaimosvyazi verbal'nogo i never-bal'nogo intellekta mladshikh podrostkov [Neural network analysis of the relationship of verbal and
nonverbal intelligence of younger adolescents]. Psikhologicheskii zhurnal[Psychological Journal], 2014, vol. 35, no. 5, pp. 48-56.
13. Slavutskaya E.V., Slavutskii L.A. Prepodrostkovyi vozrast: formirovanie svyazei v strukture lichnosti [Preadolescent age: the formation of the interconnections in the personality structure]. Psik-hologicheskie issledovaniya [Psychological Studies], 2014, vol. 7, no. 37. URL: http://psystudy.ru/in-dex.php/num/2014v7n37/1040-slavutskaya37.html.
14. Slavutskaya E.V., Slavutskii L.A. Ispol'zovanie iskusstvennykh neironnykh setei dlya analiza gendernykh razlichii mladshikh podrostkov [Using of the artificial neural networks for the analysis of the younger teenager's gender differences]. Psikhologicheskie issledovaniya [Psychological Studies], 2012, vol. 5, no. 23. URL: http://psystudy.ru/index.php/num/2012v5n23/684-slavutskaya23.html.
15. Haykin S. Neural networks. A comprehensive Foundation. 2nd ed. New Jersey, Prenticle Hall, 1999 (Russ. ed.: Neironnye seti: polnyi kurs. 2nd ed. Moscow, Vil'yams Publ., 2006).
16. Shendyapin V.N., Skotnikova I.G., Barabanshchikov V.A., Tarasov V.B. Matematicheskoe modelirovanie uverennosti pri prinyatii resheniya v sensornykh zadachakh [Mathematical modeling of the confidence in decision making in sensory tasks]. Psikhologicheskii zhurnal [Psychological Journal], 2008, vol. 29, no. 4, pp. 84-97.
17. Abrukov V.S., Karlovich E.V., Afanasyev V.N., Semenov Y.V., Abrukov S.V. Geation of pro-pellant combustion models by means of data mining tools. International Journal of Energetic Materials and Chemical Propulsion, 2010, vol. 9, no. 5, pp. 385-396.
18. Baxt W.G. Complexity, chaos and human physiology: the justification for non-linear neural computational analysis. Cancer Lett., 1994, vol. 77, no. 2-3, pp. 85-93.
19. Cattell R. B. Advanced in Cattelian Personality Theory. Handbook of Personality. Theory and Research. New York, The Guilford Press, 1990.
20. Reznichenko N.S., Shilov S.N., Abdulkin V.V. Neuron Network Approach to the Solution of the Medical-Psychological Problems and in Diagnosis Process of Persons with Disabilities (Literature Review). Journal of Siberian Federal University. Humanities & Social Sciences, 2013, vol. 9(6), pp. 1256-1264.
21. Hebb D. Organization of behavior: New York, Science Edition, 1961.
SLAVUTSKAYA ELENA - Candidate of Psychological Sciencesy, Associated Professor of Psychology and Social Pedagogic Department, Chuvash State Pedagogical University, Russia, Cheboksary.
ABRUKOV VICTOR - Doctor of Physics and Mathematical Sciences, Professor of Applied Physics and Nanotechnology Department, Chuvash State University, Russia, Cheboksary.
SLAVUTSKII LEONID - Doctor of Physics and Mathematical Sciences, Professor, Department of Automatics and Control in Technical Systems, Chuvash State University, Russia, Cheboksary.
Ссылка на статью: Славутская Е.В., Абруков В.С., Славутский Л.А. Нейросетевой системный анализ уровневых психологических характеристик // Вестник Чувашского университета. -2016. - № 1. - С. 164-173.
