پیش بینی سطح سازگاری نوجوانان بر اساس ویژگی های روان شناختی با استفاده از مدل های رگرسیون و شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)
حوزه‌های تخصصی:
زمینه: پژوهش حاضر یک بررسی در رابطه با ویژگی های روان شناختی نوجوانان و سطوح سازگاری آنها می باشد. 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 داده ها استفاده شده است. هدف: هدف از پژوهش حاضر بررسی توانمندی هر یک از مدل های یاد شده در پیش بینی سطوح سازگاری از طریق اندازه های مربوط به ویژگی های روان شناختی نوجوانان است. روش: داده های اولیه مربوط به 18 ویژگی روان شناختی و 5 سطح سازگاری از طریق اجرای آزمون های CPI و AISS بر روی 456 دانش آموز پسر دبیرستانی شهر تهران به دست آمد. از مدل های همبستگی و تحلیل عاملی به منظور استخراج مؤلفه های اصلی، به عنوان عوامل پیش بینی کننده استفاده شد. بر این اساس یک ترکیب چهار عاملی از ویژگی های روان شناختی و پنج ویژگی مستقل به عنوان ترکیب بهینه در پیش بینی سطوح سازگاری با قابلیتی معادل ترکیب اولیه هجده عاملی شناسایی شدند. همچنین با توجه به انبوه عوامل اثرگذار و پیچیدگی های موجود در روابط میان آنها از مدل شبکه های عصبی مصنوعی نیز برای پیش بینی استفاده شد و توانمندی آن با مدل رگرسیون مورد مقایسه قرار گرفت. یافته ها: یافته ها نشان داد که مدل شبکه های عصبی مصنوعی در پیش بینی پنج سطح سازگاری توانمندتر از مدل رگرسیون می باشد و در صورت کاهش تعداد سطوح سازگاری به سه سطح، این قابلیت به نفع مدل رگرسیون تغییر می کند (0.001α<). بحث و نتیجه گیری: بر این اساس ویژگی های 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 پیش بینی بر اساس اولویت بندی نقش هر یک از عوامل پیش بینی کننده از عوامل اصلی موفقیت هر یک از آنها تلقی می شود.