پيش بيني سطح سازگاري نوجوانان بر اساس ويژگي‌هاي روان‌شناختي با استفاده از مدل‌هاي رگرسيون و شبكه هاي عصبي مصنوعي

Prediction of Adjustment Level of Adolescents Based on Psychological Characteristics Utilizing the Models of Regression and Artificial Neural Networks

زمينه: پژوهش حاضر يك بررسي در رابطه با ويژگي‌هاي روان‌شناختي نوجوانان و سطوح سازگاري آنها مي‌باشد. با توجه به مباني نظري در مورد روابط متقابل بين اين مفاهيم از يك مدل سنتي مبتني بر همبستگي و يك مدل نوين مبتني بر پردازش موازي داده‌ها استفاده شده است. هدف: هدف از پژوهش حاضر بررسي توانمندي هر يك از مدل‌هاي ياد شده در پيش‌بيني سطوح سازگاري از طريق اندازه‌هاي مربوط به ويژگي‌هاي روان‌شناختي نوجوانان است. روش: داده‌هاي اوليه مربوط به 18 ويژگي روان‌شناختي و 5 سطح سازگاري از طريق اجراي آزمون‌هاي CPI و AISS بر روي 456 دانش‌آموز پسر دبيرستاني شهر تهران به دست آمد. از مدل‌هاي همبستگي و تحليل عاملي به منظور استخراج مولفه-هاي اصلي، به عنوان عوامل پيش بيني كننده استفاده شد. بر اين اساس يك تركيب چهار عاملي از ويژگي‌هاي روان‌شناختي و پنج ويژگي مستقل به عنوان تركيب بهينه در پيش‌بيني سطوح سازگاري با قابليتي معادل تركيب اوليه هجده عاملي شناسايي شدند. همچنين با توجه به انبوه عوامل اثرگذار و پيچيدگي‌هاي موجود در روابط ميان آنها از مدل شبكه‌هاي عصبي مصنوعي نيز براي پيش بيني استفاده شد و توانمندي آن با مدل رگرسيون مورد مقايسه قرار گرفت. يافته‌ها: يافته ها نشان داد كه مدل شبكه‌هاي عصبي مصنوعي در پيش‌بيني پنج سطح سازگاري توانمندتر از مدل رگرسيون مي‌باشد و در صورت كاهش تعداد سطوح سازگاري به سه سطح، اين قابليت به نفع مدل رگرسيون تغيير مي‌كند (0.001? < ). بحث و نتيجه‌گيري: بر اين اساس ويژگي‌هاي منحصر به فرد شبكه هاي عصبي مصنوعي نظير پردازش موازي و تشخيص الگوهاي ارتباط غيرخطي و پيچيده از طريق يادگيري و تجربه و قابليت اختصاصي مدل رگرسيون در پيش‌بيني بر اساس اولويت بندي نقش هر يك از عوامل پيش بيني كننده از عوامل اصلي موفقيت هر يك از آنها تلقي مي‌شود.

Background: The present research is about the psychological characteristics of adolescents and their adjustment levels. Considering the rational and theoretical bases regarding interactive relations between these concepts, a traditional model based on correlation and a new model based on parallel distributed data processing were utilized. Objectives: The aim of the study was a comparison between the abilities of the mentioned models to predict the levels of adjustment based on the psychological characteristics of adolescents. Methods: The primary data related to 18 psychological characteristics and 5 adjustment levels were obtained by implementing Persian version of CPI and AISS on 456 male high school students in Tehran. The models of correlation and factor analysis were utilized to extract the optimum combination of factors as predictor components. On these bases a combination of 4 components and 5 independent psychological characteristics with the best proportion of prediction with a capability equal to the original 18 characteristics (? < 0.01) were identified. Moreover, according to the numerous effective factors in formation of the psychological characteristics as well as adjustment and complications between their complex and non-linear relationships and interactions, Multilayer Perceptron Artificial Neural Networks (MLPANN) model was also utilized for prediction, and its ability was compared with the Regression model. Results: The findings showed that for predicting five levels of adjustment, ANNs model has more potential than logistic regression model and if we reduce the number of adjustment to 3 levels, then this capability changes in favour of logistic regression model. Conclusion: Thus, the particular characteristics of ANNs such as parallel distributed processing and recognition of non-linear and complex relations by learning and experiencing and the special ability of regression model in predicting on the basis of linear relations (prioritization of the role of each predicting factor) is one of the major factors for the success of each model.