Л.А. Ковалькова1, А.А. Кочкаров2, Е.Ю. Щетинин3

1–3 Финансовый университет при Правительстве РФ (Москва, Россия)

1 mila.kovalkova.ai@gmail.com, 2 akochkarov@fa.ru, 3 eyshchetinin@fa.ru

Постановка проблемы. В настоящее время большой интерес представляет всесторонний анализ применения как классических, так и современных методов машинного обучения для обработки психометрических данных человека. Регрессия и классификация являются основными классами методов машинного обучения, используемыми для анализа психического состояния индивидуума. Вместе с тем пока нельзя констатировать широкое применение методов и технологий искусственного интеллекта в данной проблеме. Однако именно эта область приложения современных технологий и методов анализа данных может оказаться наиболее востребованной с точки зрения мониторинга и определения психического состояния как отдельных людей, так и целых сообществ.

Цель. Показать применение методов машинного обучения в исследованиях, связанных с анализом психического состояния человека, а также их результативность.

Результаты. Применены различные модели машинного обучения, включая случайный лес, линейную регрессию, градиентный бустинг, экстремальный градиентный бустинг. Показано, что исходный датасет, включающий в себя демографические данные и черты диспозиционной модели личности, разделен на обучающую и тестовую выборки. Проведена оценка производительности алгоритмов регрессии с использованием метрик, таких как среднеквадратическая ошибка, средняя абсолютная ошибка и коэффициент детерминации. Применены методы классификации, такие как экстремальный градиентный бустинг с использованием техники синтетической передискретизации меньшинств (SMOTE) для балансировки классов. Использованы для оценки метрики, такие как полнота (recall), точность (precision) и гармоническое среднее (F-мера).

Практическая значимость. Предложенный в работе подход может стать основой для создания систем мониторинга психического состояния человека наравне (или в развитие) систем мониторинга физического состояния (здоровья).

Ковалькова Л.А., Кочкаров А.А., Щетинин Е.Ю. Применение методов машинного обучения для анализа психического состояния человека // Нейрокомпьютеры: разработка, применение. 2024. T. 26. № 2. С. 49-58. DOI: https://doi.org/10.18127/j19998554-202402-06

1. Анищенко Л.Н., Турецкая А.В., Бугаев А.С. Методы машинного обучения в оценке психофизиологического состояния человека при помощи биорадиолокатора // Биомедицинская радиоэлектроника. 2020. Т. 23. № 4. С. 31–40. DOI 10.18127/j15604136-202004-05.
2. Мышенков К.С., Некула Х. Использование методов машинного обучения для прогнозирования неврологических заболеваний // Динамика сложных систем – XXI век. 2022. Т. 16. № 1. С. 66–74. DOI 10.18127/j19997493-202201-07.
3. Алханов А.А. Машинное обучение и его применение в современном мире // Проблемы науки. 2021. № 7(66). С. 25–27.
4. Поряева Е.П., Евстафьева В.А. Искусственный интеллект в медицине // Вестник науки и образования. 2019. № 6-2(60). С. 15–18.
5. Невенчанный С., Чергинец С. Психологические состояния военнослужащих в условиях ведения боевых действий. Пути формирования моральной готовности и психологической способности военнослужащих к боевым действиям // Армейский сборник. 2020. № 8. С. 100–106.
6. Open-source psychometric project. [Электронный ресурс] – Режим доступа: http://openpsychometrics.org/, дата обращения 31.08.2023.
7. Большой психологический словарь / Под ред. Б.Г. Мещерякова, В.П. Зинченко. Изд. 4-е., расш. СПб: Прайм-Еврознак. 2009. 811 с. ISBN 978-5-93878-663-9.
8. The University of New South Wales, School of Psychology. [Электронный ресурс] – Режим доступа: http://www2.psy.unsw.edu.au/dass/, дата обращения 31.08.2023.
9. Хромов А.Н. Пятифакторный опросник личности: Учеб.-метод. пособие. Курган: Курганский государственный университет. 2000. 23 c.
10. Мюллер А. Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными. М.: Альфа-книга. 2017. 697 c.
11. Gholamy A., Kreinovich V., Kosheleva O. Why 70/30 or 80/20 Relation Between Training and Testing Sets: A Pedagogical Explanation // Journal of Intelligent Technologies and Applied Statistics. 2018. V. 11. № 2. P. 105–111.
12. Torgo L., Gama J. Regression using classification algorithms // Intelligent Data Analysis. 1997. V. 1. № 4. P. 275–292. DOI 10.3233/ ida-1997-1405.
13. Педро Д. Верховный алгоритм: как машинное обучение изменит наш мир. М.: Гостехиздат. 2015. 989 c.
14. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. Изд. 2-е. М.: Горячая линия-Телеком. 2002. 382 c.
15. Документация по машинному обучению Azure. [Электронный ресурс] – Режим доступа: https://learn.microsoft.com/ru-ru/azure/machine-learning/component-reference/smote?view=azureml-api-2, дата обращения 21.08.2023.
16. Chawla N.V., Bowyer K.W., Hall L.O., Kegelmeyer W.P. SMOTE: synthetic minority over-sampling technique // Journal of Artificial Intelligence Research. 2002. V. 16. P. 321–357. DOI 10.1613/jair.953/
17. Singh A. Machine learning with Python. 2019. 137 p.
18. Крис Э. Машинное обучение с использованием Python. Сборник рецептов. СПб.: БХВ-Петербург. 2019. 384 с.