پیش بینی کننده درجه(میزان) شادکامی با استفاده از ساختار داده مفهومی برای معماری های یادگیری عمیق

پیشینه و هدف شادکامی یک هدف انسانی اساسی جهانی است از زمان ظهور روانشناسی مثبت تمرکز اصلی در تحقیقات روان شناختی بررسی نقش عوامل تعیین کننده در پیش بینی شادکامی بوده است روش‌های متداول مبتنی بر روابط خطی هستند مانند رگرسیون خطی چند نتغییره متداول کخ ممکن است از عدم توانایی بازنمود ویژگی های روانشناختی متنوع رنج ببرند.با استفاده از شبکه های عصبی عمیق ما یو پیش بینی کننده درجه شادکامی را بر اساس پاسخ به پنج پرسشنامه استاندارد درون سنجی تعریف می کنیم. روش ها:سی معماری ساختار داده محور برای به منظور تعریف یک hdp پیشنهاد شده است که در آن معماری شبکه امکان تفسیر مفهومی از عوامل روانشناختی مرتبط با شادکامی را فراهم می‌کند.چهار پیکربندی شبکه عصبی مختلف با تغییر دادن تعداد نرون ها و وجود یا عدم وجود بایاس در لایه های پنهان آزمایش شده است دو معیار برای ارزیابی تاثیر ابعاد مفهومی تعریف و محاسبه شده است یکی وزن موثر بعد مفهومی را به صورت عبارت مطلق معین نی کند و دیگری به جهت مثبت یا منفی اثر اشاره می کند.

a happiness degree predictor using the conceptual data structure for deep learning architectures

background and objective: happiness is a universal fundamental human goal. since the emergence of positive psychology, a major focus in psychological research has been to study the role of certain factors in the prediction of happiness. the conventional methodologies are based on linear relationships, such as the commonly used multivariate linear regression (mlr), which may suffer from the lack of representative capacity to the varied psychological features. using deep neural networks (dnn), we define a happiness degree predictor (h-dp) based on the answers to five psychometric standardized questionnaires. methods: a data-structure driven architecture for dnns (d-sdnn) is proposed for defining a hdp in which the network architecture enables the conceptual interpretation of psychological factors associated to happiness. four different neural network configurations have been tested, varying the number of neurons and the presence or absence of bias in the hidden layers. two metrics for evaluating the influence of conceptual dimensions have been defined and computed: one quantifies the influence weight of the conceptual dimension in absolute terms and the other one pinpoints the direction (positive or negative) of the influence. materials: a cross-sectional survey targeting non-institutionalized adult population residing in spain was completed by 823 cases. the total of 111 elements of the survey are grouped by socio-demographic data and by five psychometric scales (brief cope inventory, epqr-a, ghq-28, mos-sss and sdhs) measuring several psychological factors acting one as the outcome (sdhs) and the four others as predictors. results: our d-sdnn approach provided a better outcome (mse: 1.46 · 10?2) than mlr (mse: 2.30 · 10?2), hence improving by 37% the predictive accuracy, and allowing to simulate the conceptual structure. conclusions: we observe a better performance of deep neural networks (dnn) with respect to traditional methodologies. this demonstrates its capability to capture the conceptual structure for predicting happiness degree through psychological variables assessed by standardized questionnaires. it also permits to estimate the influence of each factor on the outcome without assuming a linear relationship.