پیش‌بینی رابطه زوجین در دوره کرونا با استفاده از انتخاب ویژگی مبتنی بر همبستگی و یادگیری ماشین

با پیشرفت بیماری کرونا اغلب جوامع با افزایش آمار طلاق مواجه شدند که بدلیل نارضایتی، ناسازگاری و آشفتگی در روابط زوجین رخ داده است. یکی از عوامل موثر در ازدواج موفق، انتظار واقع‌گرایانه از ازدواج است که بررسی عوامل ازدواج موفق، گامی مهم برای رسیدن به این هدف است. در این راستا پژوهش حاضر به بررسی عوامل موثر در ازدواج موفق و یا طلاق زوجین با استفاده از کشف همبستگی بین ویژگی‌ها و الگوریتم‌های یادگیری ماشین پرداخته است. این پژوهش برای پیش‌بینی نوع رابطه زوجین اقدام به طراحی پرسشنامه استانداردی با 54 سوال بر پایه پرسشنامه زوج‌درمانی گاتمن موجود در پایگاه داده kaggle نموده و هدفش تشخیص بقای رابطه با استفاده از تحلیل 170 نفر از پاسخ‌های زوجین است. همچنین پرسشنامه فوق به زبان فارسی طراحی و بین 33 خانواده ایرانی پخش شد و با استفاده از الگوریتم‌های یادگیری ماشین، نوع رابطه زوجین پیش‌بینی شد. همچنین ویژگی‌های موثر بر رابطه زوجین در فرهنگ ایرانی در این تحقیق به کمک ضریب همبستگی پیرسون استخراج و با ویژگی‌های موثر در تحقیق دیگری که روی افرادی با فرهنگ متفاوت انجام شده است؛ مقایسه شده و نتایج نشان داد تغییر فرهنگ می‌تواند برخی از ویژگی‌های موثر را تغییر دهد. نتایج تجربی نشان می‌دهد عواملی که بیش از همه نقش موثری در پیش‌بینی مطلقه یا متاهل بودن فرد دارند شامل (1) صمیمیت بین زوجین و (2) سکوت و فرونشاندن خشم در بحث‌ها و مشاجره‌ها است. در بین الگوریتم‌های یادگیری ماشین مورد بررسی، الگوریتم درخت تصمیم و بیزین ساده با دقت 100 درصد بالاترین کارایی را از خود نشان داده‌اند.

Prediction of couple relationship during the Covid-19 period using correlation-based feature selection and machine learning

During the COVID-19 pandemic, many societies faced an increase in divorce rates due to dissatisfaction, incompatibility, and turmoil in couples’ relationships. One of the effective factors in a successful marriage is realistic expectations, and examining factors that contribute to successful marriages is an important step towards achieving this goal. In this regard, this paper aims to investigate the effective factors in successful marriages or divorce of couples using machine learning algorithms and feature selection based on discovering correlations between features. A standardized questionnaire with 54 questions is developed based on the Gottman couple therapy questionnaire available on Kaggle. The goal is to predict the type of couple relationship and detect the survival of the relationship using the analysis of 170 couples’ responses. The questionnaire is designed in Persian and distributed among 33 Iranian families. Machine learning algorithms are used to predict the type of relationship between couples. Moreover, the effective features of couples’ relationships in Iranian culture are extracted using Pearson’s correlation coefficient and compared with effective features in another study conducted on individuals from different cultures. The results showed that cultural differences can change some of the effective features. The experimental results indicate that the most effective factors in predicting whether a person is divorced or married are (1) intimacy between couples and (2) silence and suppression of anger during discussions and disputes. Among the examined machine learning algorithms, the decision tree and naive Bayes algorithms have the highest efficiency, with 100% accuracy.