طراحي يك ماشين هوشمند مبتني بر مدل‌سازي شناختي با استفاده از تكليف شبكۀ توجه

مقدمه: توجه دروازۀ يادگيري و يكي از منابع قابلِ‌پردازش است كه مدل‌سازيِ شناختي آن به درك و استفادۀ بهتر از آن كمك مي‌كند. هدف از اين پژوهش ايجاد مدلي هوشمند با كارايي بسيار براي دسته‌بندي سطوح مختلف توجه بود. روش كار: ايجاد مدل شناختيِ توجه با استفاده از نتايج تكليف شبكۀ توجه و امواج مغزي انجام گرفت. به اين منظور، با استفاده از روش‌هاي مختلفِ يادگيريِ ماشين، به ايجاد مدلي از توجه پرداخته ‌شد. در اين پژوهش، جامعۀ آماري شامل 92 فرد بزرگسال داوطلب بود كه به‌ صورت تصادفي انتخاب شده و پرسشنامه DASS21 را براي انتخاب اوليه انجام دادند. سپس بر اساس نتايج، از 31 نفر بيماري كه افسردگي و اضطراب نداشتند و واجد شرايط بودند، براي مرحلۀ نهايي دعوت به ‌عمل آمد. در حين تكليفِ شبكۀ توجه، با استفاده از سيستم واسط كاربري مغز، از شركت‌كنندگان سيگنال مغزي گرفته شد و مدلي از سطوح مختلف با استفاده از سيگنال‌هاي مختلف، زمان واكنش و درستي جواب شركت‌كننده ايجاد گرديد. يافته‌ها: داده‌ها با روش‌هاي دسته‌بنديِ يادگيريِ ماشين‌هاي مختلفي مانندِ ماشين بُردارهاي پشتيبان (SVM) و K نزديك‌ترين همسايگي (KNN) و آدابوست (Adaboost) بررسي شد و مدلي كه كمترين خطاي دسته‌بندي را داشت برگزيده شد. اين دسته‌بندي‌ها، به ‌ترتيب با نرخ دسته‌بنديِ 60 و100 و 94 درصد، در مورد دسته‌بنديِ الگوهاي شناختيِ »توجه «، توانايي‌هاي مختلفي را براي اين مجموعه از داده‌ها نشان داد. نتيجه‌گيري: بر اساس نتايج دقت دسته ‌بندي ‌ها، مدل مناسب انتخاب شد و دسته‌بندي KNN از نظر تعميم‌ پذيري و تخمين داده‌ هاي آزمون دقت بهتري از بقيه مدل ‌هاي انتخاب شده در اين پژوهش را نشان داده است. براي اين نوع از مدل‌هاي شناختي كه در آن امكان جمع‌آوريِ حجم كمتري داده وجود دارد نيز مدل مناسب تلقي مي‌شود.