تعداد نشریات | 55 |
تعداد شمارهها | 1,838 |
تعداد مقالات | 14,668 |
تعداد مشاهده مقاله | 31,770,378 |
تعداد دریافت فایل اصل مقاله | 19,750,763 |
پیش بینی سطح سازگاری نوجوانان بر اساس ویژگیهای روانشناختی با استفاده از مدلهای رگرسیون و شبکه های عصبی مصنوعی | ||
فصلنامه اندازه گیری تربیتی | ||
مقاله 5، دوره 4، شماره 14، دی 1392، صفحه 89-110 اصل مقاله (275.33 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسنده | ||
حسین پورشهریار* | ||
استادیار گروه روانشناسی دانشگاه شهید بهشتی | ||
چکیده | ||
زمینه: پژوهش حاضر یک بررسی در رابطه با ویژگیهای روانشناختی نوجوانان و سطوح سازگاری آنها میباشد. 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 دادهها استفاده شده است. هدف: هدف از پژوهش حاضر بررسی توانمندی هر یک از مدلهای یاد شده در پیشبینی سطوح سازگاری از طریق اندازههای مربوط به ویژگیهای روانشناختی نوجوانان است. روش: دادههای اولیه مربوط به 18 ویژگی روانشناختی و 5 سطح سازگاری از طریق اجرای آزمونهای CPI و AISS بر روی 456 دانشآموز پسر دبیرستانی شهر تهران به دست آمد. از مدلهای همبستگی و تحلیل عاملی به منظور استخراج مؤلفههای اصلی، به عنوان عوامل پیشبینی کننده استفاده شد. بر این اساس یک ترکیب چهار عاملی از ویژگیهای روانشناختی و پنج ویژگی مستقل به عنوان ترکیب بهینه در پیشبینی سطوح سازگاری با قابلیتی معادل ترکیب اولیه هجده عاملی شناسایی شدند. همچنین با توجه به انبوه عوامل اثرگذار و پیچیدگیهای موجود در روابط میان آنها از مدل شبکههای عصبی مصنوعی نیز برای پیش بینی استفاده شد و توانمندی آن با مدل رگرسیون مورد مقایسه قرار گرفت. یافتهها: یافته ها نشان داد که مدل شبکههای عصبی مصنوعی در پیشبینی پنج سطح سازگاری توانمندتر از مدل رگرسیون میباشد و در صورت کاهش تعداد سطوح سازگاری به سه سطح، این قابلیت به نفع مدل رگرسیون تغییر میکند (0.001α<). بحث و نتیجهگیری: بر این اساس ویژگیهای 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 پیشبینی بر اساس اولویت بندی نقش هر یک از عوامل پیشبینی کننده از عوامل اصلی موفقیت هر یک از آنها تلقی میشود. | ||
کلیدواژهها | ||
ویژگیهای روانشناختی؛ سازگاری؛ پیشبینی؛ رگرسیون؛ شبکههای عصبی مصنوعی | ||
آمار تعداد مشاهده مقاله: 2,185 تعداد دریافت فایل اصل مقاله: 1,322 |