Tiedot

Mikä on termi tuomitsemiselle, joka perustuu samojen parametrien simulointiin itsessään

Mikä on termi tuomitsemiselle, joka perustuu samojen parametrien simulointiin itsessään



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Haluan hahmotella havaitun prosessin ja kolme hypoteettista esimerkkiä alla. Näytteiden yksinkertaisuuden vuoksi jätän huomiotta tavallisen ihmisen aikaisemmat moraaliset tai uskonnolliset vakaumukset.

Henkilö kohtaa tuomittavan asian tai lähestymistavan. Henkilö asettaa itsensä hypoteettiseen tilanteeseen ja arvioi seuraukset itselleen uskomustensa ja vakaumustensa mukaan. Arvioinnin tulos määrittää henkilön kannan asiaan.

Mikä on tämän päätöksentekomekanismin termi?

Ajattelin aluksi "empatiaa", mutta se edellyttäisi emotionaalista siirtymistä todelliseen tai hypoteettiseen yksilöön, jota ei tässä tapauksessa anneta. "Käänteinen projektio" tuli myös mieleen, mutta se on hyvin löysä ja projektio tarkoittaa yleensä projisoivan henkilön tietämättömyyttä, vaikka henkilön tietoisuus ei vaikuta yllä olevaan prosessiin.


Esimerkkejä käytössä olevasta mekanismista:

Ongelma: Onko tappaminen hyvä vai paha?

Henkilö:

Jos joku tappaa minut, se lopettaa elämäni, mikä on huono. -> Tappaminen on pahaa.

Ongelma: Pitäisikö hallituksen tarjota verotuksellisesti rahoitettua ilmaista terveydenhuoltoa kaikille ilman rajoituksia?

Henkilö A (historia terveysongelmista, pienituloinen työ, epävarma):

Jos sairastun uudelleen, minulla ei ehkä ole varaa hoitoon itse. Lisätty verotus ei koske tuloluokkaani. Lisätty turvaverkko lisää siten mahdollisuuksia selviytyä ilman kustannuksia tai pienillä kustannuksilla. -> Kyllä, hallituksen pitäisi tarjota kaikille verotuksellisesti rahoitettua ilmaista terveydenhuoltoa rajoituksetta.

Henkilö B (terveysfriikki, korkeatuloinen työ, ylimielinen):

Pidän huolta terveydestäni, joten en ole sairas. Lisäverotus poistaisi tekemäni rahat, mutta ei tarjoaisi minulle lisäetuja. -> Ei, hallituksen ei pitäisi tarjota kaikille verotuksellisesti rahoitettua ilmaista terveydenhuoltoa ilman rajoituksia.


Naiivisessa realismissa aihe tunnustaa toisten näkemykset ja vahvistaa samalla omansa paremmuuden. Ross ja Ward (1996) tarkastelevat kirjallisuutta. Yritin kirjoittaa yhteenvedon heidän hienosta paperistaan, mutta en voinut tehdä sitä oikeudenmukaisesti. Annan linkin siihen alla.

Itsekkyydessä tai valaistumattomassa omassa intressissä aihe voi harkita useita näkökulmia, mutta lopulta tekee valinnan ennustamalla likinäköisesti maksimaalista henkilökohtaista hyötyä.

Filosofiassa moraalinen relativismi koskee (henkilökohtaisia ​​tai ryhmien välisiä) eroja moraalisissa arvioissa ja sitä, voidaanko ne sovittaa yhteen ja miten. Tarkoitan tässä sitä, että kohteidesi moraaliset relativistiset uskomukset voivat vaikuttaa heidän päätöksentekomekanismeihinsa, joten ne voivat olla tutkimuksen arvoisia.

Viitteet

  • Ross, L., & Ward, A. (1996) Naiivi realismi jokapäiväisessä elämässä: vaikutukset sosiaalisiin konflikteihin ja väärinkäsityksiin. Julkaisussa T. Brown, E. S. Reed & E. Turiel (toim.), Arvot ja tieto (s. 103-135). Hillsdale, NJ: Erlbaum. [pdf]

Mindfulness määritelty

Mindfulness tarkoittaa sitä, että pidämme hetkessä tietoisena ajatuksistamme, tunteistamme, ruumiillisista tuntemuksistamme ja ympäröivästä ympäristöstä lempeän, hoivaavan linssin kautta.

Mindfulness sisältää myös hyväksynnän, mikä tarkoittaa, että kiinnitämme huomiota ajatuksiin ja tunteisiin tuomitsematta niitä - uskomatta esimerkiksi, että on olemassa "oikea" tai "väärä" tapa ajatella tai tuntea tiettynä hetkenä. Kun harjoittelemme mindfulnessia, ajatuksemme virittyvät siihen, mitä tunnemme nykyhetkellä sen sijaan, että muokkaamme menneisyyttä tai kuvittelemme tulevaisuutta.

Vaikka sen juuret ovat buddhalaisessa meditaatiossa, maallinen mindfulness-käytäntö on tullut Yhdysvaltojen valtavirtaan viime vuosina, osittain Jon Kabat-Zinnin ja hänen Mindfulness-Based Stress Reduction (MBSR) -ohjelmansa ansiosta, jonka hän käynnisti Massachusettsin yliopiston lääketieteellinen koulu vuonna 1979. Siitä lähtien tuhannet tutkimukset ovat dokumentoineet mindfulnessin fyysistä ja mielenterveyshyötyä yleensä ja erityisesti MBSR: ää, innoittamalla lukemattomia ohjelmia MBSR -mallin mukauttamiseksi kouluihin, vankiloihin, sairaaloihin, veteraanikeskuksiin, ja sen jälkeen.

Mitkä ovat rajoitukset?

Mitä emme vieläkään tiedä Mindfulness -meditaatiosta

Hypestä huolimatta tutkijat tutkivat edelleen meditaation hyötyjä ja kuinka paljon & hellip

Mindfulness -sovellusten ongelmat

Kun mindfulness -suosikkisovelluksesi sanoo, että se perustuu tieteeseen, tarkista se kahdesti. Harvat todella ovat.

Mindfulness työssä ei ole mielenhallintaa

Kritiikkikuoro on kasvanut työohjelmien mindfulnessin rinnalle. Mutta heittävätkö he ja hellip

Suositellut artikkelit

Uusi kirja tarjoaa hyödyllisiä ohjeita siitä, miten käsitellä syövän emotionaalista ja sosiaalista mullistusta.

Tutkimusten mukaan pandemia vahingoittaa uusien vanhempien mielenterveyttä - mutta on olemassa tapoja parantaa asioita.

Huolehdi tässä kuussa henkisestä ja fyysisestä terveydestäsi.

Tutkimukset viittaavat siihen, että kiitollisuuden, anteeksiannon, tietoisuuden ja myötätunnon harjoittaminen voi parantaa unta stressaavina aikoina.

Löydä tässä kuussa kunnioituksen ja rauhan tunne.

On suurten herkkujen aika, kunnioittaen elokuvia yhdeltä vaikeimman vuoden muistilta.


Mikä on termi tuomitsemiselle, joka perustuu samojen parametrien simulointiin itsessään - psykologia

Avainsanat: Tietokonesimulaatiot, henkiset mallit, simulaatioiden edut, mallinnussuositukset

1.2 Keskustelussa ymmärsimme, että läpimurto ei ollut ohjelman tuottamissa tuloksissa, vaan siinä, miten ohjelmointi CUDA: ssa parantaa mallinnuksen ajattelua. Koodin kehittäminen rinnakkaisella kielellä saa tutkijan ensin kuvittelemaan suuren joukon yksilöiden samanaikaisia ​​vaikutuksia sen sijaan, että se ajattelisi iteratiivisia Monte Carlon menettelyjä. Sitten se myös herättää ajatuksia erittäin suurista järjestelmistä (joille CUDA on hyvin asennettu). Sitä vastoin aiemmat kokemuksemme ohjelmien suorittamisesta yksiprosessorisissa tietokoneissa johtivat implisiittisesti olettaen, että suurten simulaatioiden raja on 1000 x 1000.

1.3 Ohjelmoinnin vaikutusten tunnustaminen CUDA: ssa johti siihen, että meille tietokonesimulaatioiden tärkein rooli ei ollut tuottaa konkreettisia tuloksia, vaan kehittää uusia ajattelutapoja ja uusia intuitioita järjestelmistä ja prosesseista, joille kehitämme malleja . Huomasimme, että mallin toteutuksen kehittämisen teknisistä näkökohdista tulee epäsuorasti rajoituksia mallinnuksen ajattelulle simuloidusta prosessista (esim. Simulaatioiden koon rajoitukset, rinnakkaisprosessin ajattelu Monte Carlon dynamiikana jne.).

1.4 Kognitiivinen psykologia tarjoaa teoreettisen näkökulman, jonka avulla voidaan ymmärtää, mikä on kiistatta tärkein tietokonesimulaatioiden rooli tutkijalle: kehittää mentaalinen malli abstraktista prosessista, jota varten simulaatiota kehitetään. Tämä uusi käsitys tietokonesimulaatioista johtaa selkeisiin suosituksiin tietokonesimulaatioiden kehittämiseksi.

Mallinnuksen edut

2.2 Laskentamallit - malliluokka, joka perustuu teorian menettelylliseen (algoritmisiin) kuvauksiin - erityisesti agenttipohjaiset mallit ja simulaatiot - tuovat lisää etuja. Ne sallivat arvaamattomuuden - niiden tulokset voivat olla intuitiivisia ja mahdottomia päätellä käyttämällä lineaarista, suoraviivaista mallinnusta (Helbing & Balietti 2011). Tämä johtuu syntymän ilmiöstä, jossa järjestelmän mikrotason säännöt johtavat arvaamattomiin malleihin ja käyttäytymiseen makrotasolla. Siksi laskennalliset mallit - sääntöjen täytäntöönpano ja makrokäyttäytymisen osoittaminen - linkittävät kollektiivisen käyttäytymisen eri kuvaustason ja osoittavat, kuinka järjestys voi syntyä spontaanisti (Goldstone & Gureckis 2009).

2.3 Laskentamallit ovat tehokkaita, kun meidän on toteutettava ja pääteltävä useita teoreettisia oletuksia samanaikaisesti. Tällaista mallia, varsinkin kun elementtien väliset suhteet ovat epälineaarisia, ei useinkaan voida ratkaista analyysimenetelmillä. Täten laskennalliset mallit mahdollistavat hypoteesien testaamisen, jotka on vain teoriassa mahdollista tarkistaa matemaattisen mallinnuksen avulla (Timpone & Taber 1996).

2.4 Laskentamallit (etenkin agenttipohjaiset simulaatiot) mahdollistavat läpinäkyvyyden (yksi agentti - yksi yksilö) - ne eivät vaadi keskiarvoistamistekniikoita mallin yhdistämiseksi todellisuuteen (Edmonds & Hales 2005). Ne ovat abstraktio kohde (mallinnettu) järjestelmästä ja niiden tarjoamaa näkemystä voidaan soveltaa - tulkitsemalla tuloksia - takaisin kohdejärjestelmään (Edmonds 2001).

2.5 Samaan aikaan laskennalliset mallit ovat paljon vuorovaikutteisempia kuin matemaattiset mallit. Tietokonesimulaatiot tarjoavat ympäristön teoreettisten ehdotusten kehittämiselle, testaamiselle ja esittämiselle (Mollona 2008). Ne tarjoavat kokeellisen ympäristön tutkijoille leikkiä ilmiöiden symbolisilla esityksillä muuttamalla mallin rakennetta tai vaihtamalla sen parametreja.

2.6 Epstein (2008) tiivistää nämä mallinnuksen edut ehdottamalla malleille 16 eri käyttötarkoitusta ennustamisen lisäksi.Niitä ovat muun muassa: selitys, tiedonkeruun ohjaaminen, dynaamisten analogioiden ehdottaminen, uusien kysymysten löytäminen, kriisivaihtoehtojen tarjoaminen lähes reaaliajassa, haastava kestävyys vallitsevia teorioita häiriöiden kautta, paljastamalla näennäisesti yksinkertaisen (monimutkaisen) monimutkaiseksi (yksinkertaiseksi), paljastamalla vallitsevan viisauden olevan yhteensopimatonta tietojen kanssa ja kehittämällä tieteellistä, avointa ajattelutapaa, jota hän korostaa olevan tärkein. Kuitenkin juuri "ydindynamiikan valaisemisen" etu on lähinnä teesiä, jonka mukaan simulaatioiden ratkaiseva vaikutus on henkisten mallien kehittäminen.

Uusia oivalluksia

3.2 Jotta ymmärrettäisiin tietokonesimulaation ensisijainen käyttö mallinnuslaitteille, ero julkisen ja yksityisen kontekstin välillä tietokonesimulaatioissa on ratkaisevan tärkeää. Julkisesti julkistetuissa simulaatiotuloksissa tutkijat tarjoavat: kaavioita, jotka osoittavat, miten tulokset muuttuvat valvontaparametrien muuttuessa, yhteenlaskettujen tietojen tilastot, merkittävyystestit jne. paljastava, koska se antaa subjektiivisen tunteen prosessin ymmärtämisestä. Kehittyy intuitio, joka yhdistää mallin parametrit sen dynamiikkaan, ja simulaatiot voidaan "ajaa henkisesti" kuvittelemalla prosessi, jossa tietokonetta ei tarvita. Tällainen mallin ajaminen henkisesti voi jopa antaa tutkijalle mahdollisuuden ennustaa tietyn parametrisarjan tuloksia ilman todellista simulaatiota. (Tietenkin voi tapahtua, että intuitio ja siitä johtuva henkinen malli ovat väärässä, kuten joskus tapahtuu myös muodollisten mallien kohdalla). Kognitiivisessa psykologiassa kehitetty henkisten mallien käsite selittää, miksi toistuva simulaatio -ohjelmalla pelaaminen johtaa prosessin ymmärtämiseen ja kykyyn ajaa simulaatiomalli henkisesti.

3.3 Mitä sitten ovat henkiset mallit? Johnson-Laird tiivisti lyhyesti niiden keskeisen arvon: "Ilmiön ymmärtäminen tarkoittaa sen toimivaa mallia" (Johnson-Laird 1983, s. 4). Mielenterveysmallit ovat mielen kopioita ilmiöistä, joiden avulla ihmiset manipuloivat oppiakseen ympäröivän ympäristön mekanismin ja toiminnan. Mielenterveysmalleilla on määritelmän mukaan selittävä arvo (Craik 1943). Ne ovat kuitenkin välttämättä puutteellisia - ne ovat aina yksinkertaisempia kuin ne, joita he edustavat - ja joskus täysin väärässä. Silti ne antavat yksilölle mahdollisuuden ennustaa, ymmärtää ilmiöitä, päättää toiminnasta ja kokea tapahtumia välityspalvelimella. Lisäksi henkiset mallit ovat rajallisia ja mekanismit niiden rakentamiseksi ovat laskettavia (Johnson-Laird 1983).

3.4 Yksilöt käyttävät henkisiä malleja selittääkseen ja ennakoidakseen tapahtumia ja toimia (Craik 1943 Johnson-Laird 1983 Rouse & Morris 1986 vrt. Wilson & Rutherford 1989). Sosiaalisen kognition osalta mielenterveysmallit ovat foorumi ihmisten tekojen ja päätösten henkiselle simuloinnille. Ne tarjoavat "mekanismin, jonka avulla ihmiset luovat kuvauksia järjestelmän tarkoituksesta ja muodosta, selityksiä järjestelmän toiminnasta ja havaituista järjestelmän tiloista sekä ennusteita tulevista järjestelmän tiloista". (Rouse & Morris 1986, s. 360).

3.5 Mentaalisia malleja manipuloimalla voidaan arvioida, mikä on mahdollista ja mikä ei mahdollista tietyssä järjestelmässä, ja kuinka saavuttaa mahdolliset tilat (Johnson-Laird 2001). Koska henkiset mallit edustavat kognitiivisia työkaluja ymmärtämiseen ja ennustamiseen, niiden muoto voi muokata ihmisen päätöksiä ja toimia (Park & ​​Gittleman 1995 Gentner 2002). Esimerkiksi na & iumlve -markkinasijoittajat voivat rakentaa malleja markkinoiden kaatumisista ja nousuista ja tehdä taloudelliset päätöksensä sen mukaisesti.

3.6 Mielenterveysmallit eroavat selvästi kuvista. Mielikuvat (tai tarkemmin sanottuna esitykset) ovat staattisia, kun taas henkiset "videot" (Craikin nimittämät henkiset simulaatiot) ovat dynaamisia, mutta eivät salli manipulointia. Mielenterveysmallit sisältävät aina sellaisen henkisen "elokuvan" elementin (Johnson-Laird 1983), mutta ne sisältävät myös mallinnetun prosessin kaltaisen suhderakenteen (Craik 1943). Tämä antaa heille selittävän arvon.

3.7 Mielenterveysmallit kehittyvät tarkimmin vuorovaikutuksessa kohdejärjestelmän kanssa (Norman 1983). Lisäksi ne kehittyvät ja kehittyvät vuorovaikutuksen kautta. Jos vuorovaikutus on mahdotonta, ne perustuvat usein analogiaan prosessin kanssa, jolle malli on jo olemassa - esim. sähkö voidaan mallintaa analogisesti jokivirtauksen kanssa (Genuler & Gentner 1983). Analogia voi muokata mallia ja vaikuttaa mallin toimintoihin, jotka ovat myöhemmin yksilön saatavilla.

3.8 Miten simulaatiot liittyvät henkisiin malleihin? Tutkijalla on selvästi ainakin luonnollinen kieli teoria ennen mallintamisen aloittamista. Voimme ajatella tätä teoriaa henkisenä esimallina, koska se perustuu joihinkin kokemuksiin tai tietoihin (esim. Aiemmat mallinnusyritykset vastaavilla aloilla, kokeellisten tutkimusten tulokset tai data-analyysi), mutta siitä puuttuu ymmärrys tämän tiedon asettamisen seurauksista toiminta. Toteuttamalla teorian tietokonekoodiin tutkija selventää oletuksiaan ja tekee niistä yksiselitteisiä.

3.9 Tämä vaihe on ensimmäinen ratkaiseva osa laskennallisessa mallinnuksessa, mutta se ei edelleenkään ole henkinen malli. Mielenterveysmallin rakentamisessa seuraava askel on ratkaiseva - simulaation suorittaminen vuorovaikutteisella tavalla. Simulaation käyttöliittymän, useiden eri parametrien tai muuttujien "live" -muokkauksen kautta tutkijalle tarjotaan ympäristö vuorovaikutuksessa mallinnettavan järjestelmän jäljennöksen kanssa. Tämä on selvästi samanlainen kuin fyysisten järjestelmien henkisten mallien muodostamisprosessi.

3.10 Mielenterveysmalli koostuu sekä järjestelmän toteutetuista säännöistä että niiden tuloksista järjestelmän tasolla - usein syntyneistä ja arvaamattomista - eri ohjausparametreilla toteutetuista simulaatiokäynneistä. Kun sen kehitys on valmis, simulaation suorittaminen tietokoneella on tarpeen lisävarmuudeksi ja tietysti asianmukaisten yhteenlaskettujen tulosten tuottamiseksi. Yhteenvetona voidaan todeta, että simulaatioiden suorittaminen vuorovaikutteisella tavalla mahdollistaa henkisen mallin muodostamisen ja siten ymmärryksen.

3.11 Seuraava vaihe - tulosten analysointi ja tulkinta - on toinen ratkaiseva osa laskennallisessa mallinnuksessa, mikä mahdollistaa mallinnetun järjestelmän ja kohdennetun järjestelmän välisen suhteen (Edmonds 2001). Kuitenkin henkisen mallin kehittämisessä se on sananlaskuinen kuorrutus kakulla. Itse asiassa, kun henkinen malli on kehitetty vuorovaikutuksessa simulaation kanssa, tutkijalla on jo tulkinta mielessään. Tuloksia ei tarvitse välittää kohdejärjestelmään, koska tulokset ovat osa henkistä mallia ja henkinen malli on kohdejärjestelmästä. Kuten kaikki henkiset mallit, simulaatioista johtuvat mallit ovat välttämättä yksinkertaisempia kuin todelliset järjestelmät, mutta tämä tosiasia ei estä niiden selittävää arvoa. Tietenkin, simulaatioajojen tulosten esittäminen on edelleen tarpeen, jotta mallin ominaisuudet voidaan välittää muille ja jotta he voivat tarkistaa tutkijan väitteet.

3.12 Simulaatioita voidaan käyttää myös keinona kehittää olemassa oleva henkinen malli. Tällöin tutkija toteuttaa mallinsa laskennallisessa muodossa ja vuorovaikutuksessa simulaation kanssa voi muuttaa sitä ja lisätä sen tarkkuutta.

    Mielenterveysmallin kehittäminen toteutetaan sisäistämällä simulaatioparametrien ja tulosten välinen suhde. Se tulee kuitenkin pakettina. Simulointi on joskus niin vakuuttavaa, että se saattaa sulkea puolueettoman käsityksen todellisuudesta - tutkija ottaa huomioon kaikki tietyn toteutuksen rajoitukset ja rajoitukset, jotka rajoittavat hänen jatkuvaa ajatteluaan todellisesta prosessista joskus haitallisesti.

Milloin henkiset mallit ovat erityisen hyödyllisiä?

4.2 Lisäksi, vaikka havainnointi on mahdollista, yksilöt voivat löytää vain säännöt, jotka ohjaavat henkisesti mallinnetun prosessin dynamiikkaa, jos ne ovat suhteellisen yksinkertaisia. Näin on yleensä muuttujien välisten lineaaristen riippuvuuksien tapauksessa, jos muuttujien määrä on suhteellisen pieni. Ihmisen intuitio kuitenkin epäonnistuu, kun muuttujien välillä on epälineaarisia riippuvuuksia. Esimerkiksi soluautomaateissa (ks. Wolfram 2002) yksi sääntöjoukko johtaa hyvin monimutkaiseen dynamiikkaan, toinen joukko, joka eroaa vain yhdellä yksityiskohdalla, nopeaan triviaaliin yhdistämiseen. Kukaan ei kuitenkaan voi sanoa pelkästään sääntöjä tarkastelemalla, mikä näistä kahdesta sääntöjoukosta johtaa minkä tyyppiseen dynamiikkaan. Ihmisen aivojen on vaikea mallintaa sellaisten elementtien vuorovaikutuksen vaikutuksia, joita ohjaa jopa pieni joukko epälineaarisia sääntöjä. Tämä johtuu suurelta osin siitä, että emme melkein kykene ottamaan epälineaarisia syy-seuraussääntöjä havaitusta käyttäytymisestä, vaikka pystymme manipuloimaan kohdetta. Toisin sanoen, jos manipuloinnin tulokset eivät seuraa lineaarista syy-yhteyttä, voimme katsoa, ​​että ne eivät liity manipulointiin, vaikka itse asiassa niillä saattaa olla epälineaarinen riippuvuus. Tämä pätee erityisesti, jos epälineaariset riippuvuudet noudattavat monimutkaista funktiota tai ne koostuvat useista liikaa asetetuista säännöistä.

4.3 Toinen vaikeus henkisten mallien muodostamisessa johtuu siitä, että monet havaitut prosessit tapahtuvat monimutkaisissa järjestelmissä, jotka koostuvat monista vuorovaikutteisista elementeistä. Jos elementtejä on vähän (esimerkiksi vuorovaikutuksessa oleva diodi), voimme ehkä joissakin tapauksissa poimia järjestelmän tason käyttäytymisen elementtejä säätelevistä säännöistä ja muodostaa täten tarkan henkisen mallin koko järjestelmästä. Jopa pieni elementtien lukumäärän lisäys kuitenkin lisää monimutkaisuutta niin, että emme taaskaan pysty kausaalisesti yhdistämään järjestelmän tason käyttäytymistä sen elementtien käyttäytymiseen. Siten ihmisen näkökulmasta järjestelmän tasolla syntyy uusia, odottamattomia ominaisuuksia, joita ei ole elementtien tasolla. Nykyaikainen käsitys syntymästä viittaa juuri tähän ilmiöön.

4.4 Mielenterveysmallien rakentamisen vaikeudet kasvavat merkittävästi, jos nämä kolme asiaa esiintyvät samanaikaisesti. Näin ollen monimutkaisissa järjestelmissä tapahtuvien abstraktien, epälineaaristen prosessien henkisiä malleja on lähes mahdotonta rakentaa pelkästään yksilöllisten kognitiivisten kykyjen avulla.

4.5 Tietokonesimulaatiot tarjoavat täsmälleen keinot, joilla yksilöt voivat muodostaa henkisiä malleja tällaisista prosesseista. Toisin kuin ihmiset, tietokoneilla ei ole ongelmia suhteiden epälineaarisuuden kanssa. Epäilemättä nykyaikaisilla tietokoneilla koolla ei ole enää väliä, tai ainakin sillä on yhä vähemmän merkitystä nykyisten laskentakapasiteettien kehityksen myötä. Lisäksi tietokoneita ei häiritse prosessin abstrakti luonne. Mielenterveysmallien rakentamisessa tietokonesimulaatioilla on vahva etu verrattuna prosessin visualisointiin liittyvän videon katseluun, koska ne tarjoavat mahdollisuuden olla aktiivisesti vuorovaikutuksessa mallin kanssa, vaikka ne mallinntaisivat abstraktin prosessin. Mahdollisuus aktiiviseen vuorovaikutukseen mallin kanssa, mallin parametrien muuttamiseen ja vaikutusten havaitsemiseen on kriittisen tärkeää voidaksemme kuvata henkisesti erilaisten toimenpiteiden vaikutuksia.

4.6 Tietokonesimulaatioilla hankitut henkiset mallit koostuvat abstrakteista säännöistä (ohjelman koodin sisäistetyt fragmentit tai sisäiset algoritmit) ja syntyvien ominaisuuksien visualisoinnista järjestelmän tasolla. Kyky ennustaa erilaisten toimenpiteiden vaikutuksia riippuu simulaation kyvystä tuottaa erilaisia ​​visualisointeja syntyvistä ominaisuuksista sääntöjen muuttuessa. Pohjimmiltaan tietokonesimulaatiot ja niiden visualisointi voivat olla keino kehittää henkisiä malleja havainnoinnin ja vuorovaikutuksen sijaan fyysisten järjestelmien kanssa silloin, kun tällainen havaitseminen on mahdotonta - kuten usein abstraktilla, epälineaarisella prosessilla monimutkaisissa järjestelmissä.

4.7 Mielenterveysmallien kehittämisen tavoite tarjoaa uuden näkökulman tietokonesimulaatioiden vaatimuksiin. Tämä näkökulma tukee joitain aiempia intuitioita (esim. Hegselman & Flache 1998), kuten visualisoinnin tärkeyttä. Tietääksemme jotkut näistä vaatimuksista ovat kuitenkin uusia tai jopa vastoin vallitsevia uskomuksia. Alla keskustelemme joistakin niistä, erityisesti tarkastelemalla visualisoinnin roolia.

Suositukset

5.2 Dynaaminen minimalismi. Dynaamisen minimalismin strategia (Nowak 2004) vaatii sellaisen yksinkertaisimman mallin rakentamista, joka toteuttaa mielestämme järjestelmän elementtien välisen vuorovaikutuksen perussäännöt ja joka voi toistaa mallinnettavan järjestelmän tunnetun dynamiikan. Tietokonesimulaatioiden hyödyllisyys on verrannollinen elementtien välisten yksinkertaisten vuorovaikutussääntöjen ja syntyvien monimutkaisten ominaisuuksien väliseen eroon järjestelmätasolla. Toisin sanoen, mitä enemmän esiin nousevia ominaisuuksia, sitä hyödyllisempi on simulaatiomalli. Dynaamisen minimalismin strategia maksimoi siten simulaatiomallien hyödyllisyyden. Yksinkertaisuuden vaatimuksella on myös merkittäviä seurauksia simulointirajapinnan rikkauteen. Usein on houkuttelevaa laittaa visualisointinäyttöön mahdollisimman paljon tietoa sen uskomuksen mukaan, että lisätiedot eivät vahingoita, kunhan ne mahtuvat näytölle. Jos näyttö on liian täynnä tietoa, voi olla vaikeaa eristää ilmiön henkistä mallia. Esimerkiksi Net -logoa käyttävät ohjelmoijat sisältävät usein artikkeleissaan kuvakaappauksia, jotka sisältävät paljon lisäelementtejä, jotka eivät suoraan liity mallinnettavan prosessin visualisointiin.

5.3 Visualisoinnin merkitys. Tästä näkökulmasta ohjelman visualisointitapa on kriittisen tärkeä - se vaikuttaa henkisen mallimme muotoon. Visualisoinnin ratkaiseva rooli näkyy erityisesti sosiaalisten prosessien simuloinnissa - se on välttämätöntä mallin rakentamisen vaiheessa, mutta se on myös erittäin hyödyllinen, kun yritetään välittää mallinnustajan ymmärrystä prosessista yhteiskuntatieteilijöille julkaisuissa ja esityksissä tuloksia. Jotkut tutkijat, erityisesti ne, joilla on muodollinen tausta, keskittyvät julkaisemaan vain mallin tuloksia (esim.Stauffer, Sousa & Schulze 2004). Useimmat tutkijat valitsivat kuitenkin selkeän visualisointimallin simulaatiolleen. Joskus nämä ovat matriiseja esineistä tai yksinkertaisia ​​aineita, jotka on johdettu soluautomaattien perinteestä (Hegselmann & Flache 1998 Flache & Hegselmann 2001), joskus mallit, jotka muistuttavat kaasupartikkeleiden dynamiikkaa (Ballinas-Hern & aacutendez, Mu & ntildeoz-Mel & eacutendez & Rangel-Huerta 2011), muut kertaa tyypillisiä agenttipohjaisia ​​visualisointeja toteutetaan usein logokielellä, joka on ainoa kieli, joka sisältää visualisoinnin ydinmääritelmäänsä (esim. Kim & Hanneman 2011). Kun tehokkuus on vaakalaudalla (esimerkiksi kun agenttien määrä on erittäin suuri), valitaan Java-kieli (Axtell et al 2002) tai C ++ (Millington, Romero-Calcerrada, Wainwright & Perry 2008).

5.4 Dynamic Social Impact -mallin (Nowak, Szamrej & Latan & eacute 1990 Lewenstein, Nowak & Latan & eacute, 1993) mallin kehitys havainnollistaa, kuinka erilaiset visualisointitavat kehittämällä erilaisia ​​henkisiä malleja voivat johtaa teorian eri muotoihin. Mallien ensimmäiset sukupolvet (Nowak et al., 1990) käyttivät ASCII -merkkejä X ja I edustamaan yksilöitä, jotka sijaitsevat 240 x 240 ruudukossa. SITSIM (Nowak & Latan & eacute 1994) käytti samankokoista ruudukkoa ja hymiöitä joko normaalilla painatuksella tai käänteisinä merkeinä. Nämä hahmot simulaation visualisoinnissa antoivat vaikutelman harmaan eri sävyjen alueista. Kirjoittajien henkinen malli tässä vaiheessa edusti epäjärjestyksellistä sekoitusta mielipiteistä, jotka muuttuivat suuriksi yhtenäisiksi samanhenkisten yksilöiden ryhmiksi tai joissain olosuhteissa yhdistäviksi. Jos malli sisälsi melua (satunnaisuutta), jotkut yksilöt, jotka sijaitsivat enimmäkseen klustereiden rajoilla, muuttivat mielipiteitään edestakaisin. Jos melu oli korkeampi, rypäleet muuttuivat epävakaiksi, siirtyivät ympäri ja alkoivat menettää johdonmukaisuutensa. Mielenterveysmalli ja siten tutkimuskysymykset koskivat malliparametrien suhdetta ja oliko lopputulos ryhmittymä vai yhdistyminen.

5.5 Seuraavan sukupolven mallissa (Szamrej & Nowak, julkaisematon) yksilöitä edustettiin erivärisillä laatikoilla, jotka edustivat mielipiteitä, ja eri korkeudella, mikä edusti vakuuttavaa voimaa. Alkuperäisissä versioissa vahvuudet olivat satunnainen jatkuva muuttuja. Tuloksena olevat visualisoinnit olivat niin sotkuisia, että mitään mielenkiintoista ei voitu havaita. Seuraavassa versiossa (Nowak, Lewenstein & Frejlak 1996) kirjoittajat päättivät käyttää vain kahta vahvuusparametrin arvoa jakamalla yksilöt joko johtajiksi (20 % yksilöistä, joiden vahvuus on 10) tai seuraajiksi (80 % yksilöistä) vahvuuksilla 1). Yhtäkkiä johtajien eri kokoonpano tuli näkyviin ja oli selvää, että johtajien kokoonpano oli kriittinen vähemmistöjen mielipidejoukkojen dynamiikan kannalta. Tutkimus on sittemmin keskittynyt johtajien peruskokoonpanoihin, jotka tunnistettiin: yksi johtaja, jota ympäröi seuraajien rengas, 'linnake' (toisiaan tukeva johtajien ryhmä) ja 'muuri (ryhmä seuraajat, joita klusterin rajalla sijaitsevat johtajat vartioivat). Kirjoittajien henkinen malli muuttui laatikoiksi, ja se alkoi edustaa johtajien mahdollisia kokoonpanoja ja tuloksena olevaa dynamiikkaa. Teoria on siirtynyt kohti johtamisen vaikutuksia.

5.6 Mallin mittakaavan muuttaminen johti hyvin erilaiseen visualisointiin. Tämä puolestaan ​​on johtanut tutkijoiden henkisen mallin muutokseen ja johtanut jonkin verran erilaiseen yhteiskunnallisen vaikutusteorian muotoon. Yksi versio sosiaalisten vaikutusten visualisoinnista käsitti paljon suuremman 600 x 600 simulaatioalueen käyttämisen (Nowak, Lewenstein, Szamrej 1993) ja yksilöiden kuvaamisen pikselillä. Tällä resoluutiolla se, mikä paljon pienemmässä mittakaavassa näkyi muodollisina klustereina, alkoi näyttää pieniltä, ​​hieman toisiinsa yhdistetyiltä satunnaisesti jakautuneilta laastareilta. Tässä mittakaavassa oli ilmeistä, että malli johti ominaiskokoisiin klustereihin, jotka näyttivät hyvin pieniltä ja eivät kovin kiinnostavilta tällä resoluutiolla (ks. Kuva 1). Mallin kanssa leikkiessä havaittiin, että paljon vähemmän vaativat oletukset kuin alkuperäisessä mallissa johtivat visuaalisesti mielenkiintoisempiin tuloksiin. Jos oletetaan, että mielipide kussakin simulointivaiheessa muuttuu vuorovaikutuksen seurauksena naapureiden satunnaisotoksen kanssa eikä kaikkien naapureiden kanssa, kuten alkuperäisessä mallissa, se kasvatti klustereiden kokoa ja teki niiden muodoista mielenkiintoisempia. Toinen uusi ominaisuus, joka otettiin käyttöön simulaatiossa, oli se, että yksilöt keskustelevat kolmesta aiheesta useilla, ei binaarisilla mahdollisilla mielipiteillä kustakin aiheesta. Mielipide jokaisesta aiheesta esitettiin yhden värin RGB -komponentin voimakkuutena (Culicover, Nowak & Borkowski 2003). Kaikkien kolmen aiheen mielipiteiden yhdistelmä näytettiin yhdistelmävärinä. Tuloksena oleva visualisointi oli hyvin erilainen kuin edelliset. Eri värejä sekoittavien pisteiden satunnaisesta hajaantumisesta alkoi ilmestyä kasvavia eri värejä, joissa jokainen väri edusti tiettyä mielipideyhdistelmää. Näytöllä näkyvien värien määrä väheni simulaation edetessä, kun mielipiteiden yhdistelmien määrä kaikista kolmesta aiheesta väheni. Tämä prosessi muistuttaa ideologian tai kulttuurin muodostumista, jossa alun perin toisiinsa liittymättömät piirteet korreloivat sosiaalisen vuorovaikutuksen seurauksena. Jos oletamme, että jokainen yksilön "mielipide" tai ominaisuus, joka muuttuu muiden vaikutuksen seurauksena, edustaa kielen ominaisuutta, tuloksemme muistuttaa maailmassa havaittujen kielten määrän vähenemistä (Culicover, Nowak) & Borkowski 2003). Uusi visualisointi oli niin erilainen kuin muut, joten tutkijat ovat muodostaneet uuden henkisen mallin vanhan mallin laajentamisen sijasta. Nämä kaksi mallia eivät kuitenkaan ole ristiriidassa keskenään. Sosiaalisia simulaatioita ajatellen on mahdollista vaihtaa kahden mallin välillä valitsemalla yksi tai toinen oletetun teoreettisen mallin ja simulaatioiden laajuuden mukaan. Subjektiivisesti se muistuttaa kahta näkymää samasta kohteesta. On myös mahdollista muotoilla henkisiä malleja, jotka ovat kahden teoreettisen mallin yhdistelmä, ja kuvitella niiden dynamiikka.

Kuvio 1. Erilaiset simulointikoot johtavat erilaisiin havaintoihin dynaamisen sosiaalisen vaikutuksen mallissa. Aluksi (A) pieni simulaatiokoko antaa tutkijalle mahdollisuuden analysoida tiettyjä kokoonpanomalleja ja niiden merkitystä sosiaaliselle vaikutukselle. Hieman suurempi simulaatio (B) paljastaa eri muotoisia klustereita. Vielä suuremmalla resoluutiolla (C) klustereista tulee kuitenkin samankokoisia ja tasaisesti jakautuneita pilkkuja koko järjestelmässä.

5.7 Mahdollisuus ja helppo pelata mallin parametreilla. Mielenterveysmallit sisältävät mallinnetun prosessin ominaisuuksien manipuloinnin vaikutukset. Opitaan manipuloimaan malleja manipuloimalla tietokonesimulaatioiden parametreja. Siksi simulaation käyttöliittymä - jota monet mallinnustajat ovat usein jättäneet huomiotta - on tärkeä osa henkisten mallien rakentamisen yksinkertaistamista. Mahdollisuus muuttaa simulaatioparametreja on kriittisen tärkeä henkisten mallien kehittämisen kannalta. Jos simulaatiota tarkkaillaan vain elokuvana, se voi johtaa vain dynaamisen kuvan kehittymiseen, joka on samanlainen kuin elokuva, eikä malliin, jota voi manipuloida.

5.8 Koodin kirjoittaminen itse. Mentaalinen malli sisältää sekä sääntöjen esityksen koodina että syntyvät ominaisuudet visualisointina. Täydellinen tapa muodostaa mentaalinen malli on siis kirjoittaa koodi - se on joko henkisen mallin perustan luominen tai jo olemassa olevan mallin ilmaisu. Itse koodin kirjoittaminen takaa, että mallin säännöt ovat tiedemiehen mielessä. Jos joku muu on kirjoittanut koodin, voimme sisäistää visualisoinnin dynamiikan, mutta sen hyödyllisyys voi olla rajallista, koska visualisoitavat uudet ominaisuudet tuottavat säännöt eivät ole mielessä. Kun työskentelet ohjelmoijan kanssa, on välttämätöntä pysyä läheisessä yhteydessä koodin kehittäjään ja olla tietoinen siitä, miten simulaation periaatteet kehitetään koodissa. Jossain määrin voi olla mahdollista rakentaa henkinen malli ajamalla jonkun toisen kehittämää ohjelmaa. Tässä kriittinen komponentti on kyky ymmärtää mallissa toteutetut tarkat säännöt.

Yhteenveto

6.2 Tietokonesimulaatiot ovat kiistatta nykyaikaisen tieteen tehokkain työkalu. Ne ovat valinnaisia ​​välineitä tutkittaessa esiin nousevia ilmiöitä (esim. Nowak 2004) ja sellaisten järjestelmien ominaisuuksia, joita ei voida tutkia analyyttisin keinoin. Ne tarjoavat uuden muodollisuuden, kolmannen symbolijärjestelmän, luonnollisen kielen ja matematiikan lisäksi esineiden ja prosessien kuvaamiseen (Ostrom 1988). Tietokonesimulaatioiden eduista on keskusteltu muualla (katso esimerkiksi Epstein 2008 Hegselman & Flache 1998 Liebrand, Nowak & Hegselmann 1998). Tietokonesimulaatioita käytetään moniin tarkoituksiin, ja erilaiset vaatimukset voivat vaikuttaa niiden hyödyllisyyteen eri tavoitteissa. Tässä artikkelissa olemme väittäneet, että yksi tärkeistä tavoitteista on tutkijan rakentaa henkinen malli abstraktista prosessista.

Kiitokset

Viitteet

BALLINAS-HERN & AacuteNDEZ A.L., Mu & ntildeoz-Mel & eacutendez A., Rangel-Huerta A. (2011). Moniagenttijärjestelmä, jota käytetään jalankulkuliikenteen mallintamiseen ja simulointiin vastavirrassa, Journal of Artificial Societies and Social Simulation, 14 (3) http://jasss.soc.surrey.ac.uk/14/3/2.html

CRAIK K. J. W. (1943). Selityksen luonne. Cambridge: Cambridgen yliopiston lehdistö.

CULICOVER P, Nowak A., Borkowski W. (2003). Lingustinen teoria, selitys ja kielen dynamiikka. Julkaisussa: J.Moore & amp.Polinsky (toim.), Selityksen luonne linquistisessa teoriassa, s. 83-104. Stanford: CSLI -julkaisut.

EDMONDS, B. (2001) Mallien käyttö - MABS: n tekeminen todella toimii. Sisään. Moss, S. ja Davidsson, P. (toim.), Multi Agent Based Simulation, Lecture Notes in Artificial Intelligence, 1979: 15-32. [doi: 10.1007/3-540-44561-7_2]

EDMONDS, B., & amp; Hales, D. (2005). Laskennallinen simulointi teoreettisena kokeena. Journal of Mathematical Sociology, 29(3), 209-232. doi: 10.1080/00222500590921283 [doi: 10.1080/00222500590921283]

EPSTEIN, J. M. (2008) "Miksi malli?" Journal of Artificial Societies and Social Simulation, 11 (4), 12. http://jasss.soc.surrey.ac.uk/11/4/12.html

FLACHE A, Hegselmann R. (2001). Onko epäsäännöllisillä ristikoilla eroa? Rauhoittaa spatiaalisen säännöllisyyden olettamusta sosiaalisen dynamiikan solumalleissa, Journal of Artificial Societies and Social Simulation, 4 (4), 6. http://jasss.soc.surrey.ac.uk/4/4/6.html

GENULER D., Gentner D. R. (1983). Virtaavat vedet tai täynnä väkijoukkoja: sähkön henkiset mallit. Julkaisussa D.Gentner & amp.L.Stevens (toim.), Henkiset mallit, s. 99-129. Hillsdale, NJ: Erlbaum.

GENTNER, D. (2002). Mielenterveysmallien psykologia. Julkaisussa N. J. Smelser & amp; B.B.Bates (toim.), International Encyclopedia of the Social and Behavioral Sciences9683-9687. Amsterdam: Elsevier Science.

GOLDSTONE, R. L., & amp; Gureckis, T. M. (2009). Yhteinen käyttäytyminen. Kognitiivisen tieteen aiheita, 1(3), 412-438. doi: 10.1111/j.1756-8765.2009.01038.x [doi: 10.1111/j.1756-8765.2009.01038.x]

GOLDSTONE, R. L., & amp; Janssen, M. A. (2005). Laskennalliset kollektiivisen käyttäytymisen mallit. Kognitiivisten tieteiden trendit, 9(9), 424-430. doi: 10.1016/j.tics.2005.07.009 [doi: 10.1016/j.tics.2005.07.009]

HEGSELMANNN R., Flache A. (1998) Monimutkaisen sosiaalisen dynamiikan ymmärtäminen: Kehotus solukkoautomaattimallinnukseen. Journal of Artificial Societies and Social Simulation, 1 (3), 1. http://jasss.soc.surrey.ac.uk/1/3/1.html

HELBING, D., Balietti, S. (2011). Sosiaalisesta simulaatiosta integroivaan järjestelmän suunnitteluun. The European Physical Journal - erityisiä aiheita, 195(1), 69-100. doi: 10.1140/epjst/e2011-01402-7 [doi: 10.1140/epjst/e2011-01402-7]

JOHNSON-LAIRD, P. N. (2001). Mielenterveysmallit ja vähennys. Kognitiivisten tieteiden trendit, 5(10), 434-442. doi: 10.1016/S1364-6613 (00) 01751-4 [doi: 10.1016/S1364-6613 (00) 01751-4]

JOHNSON-LAIRD, P. N. (1983). Mielenterveysmallit: Kohti kognitiivista tiedettä kielestä, päättelystä ja tietoisuudesta. Harvard University Press.

KIM J-W., Hanneman R. A. (2011). Laskennallinen malli työntekijöiden protestista. Journal of Artificial Societies and Social Simulation, 14 (3), 1. http://jasss.soc.surrey.ac.uk/14/3/1.html

LEWENSTEIN, M., Nowak, A., Latan & eacute, B. (1993). Sosiaalisten vaikutusten tilastollinen mekaniikka. Fyysinen tarkastelu A45, 763-776. [doi: 10.1103/PhysRevA.45.763]

LIEBRAND, W., Nowak, A., & amp; Hegselmann, R. (toim.) (1998). Sosiaalisten prosessien tietokonemallinnus. New York: Salvia

MILLINGTON J., Romero-Calcerrada R., Wainwright J., Perry G. (2008). Välittäjäpohjainen malli Välimeren maatalousmaan käytöstä/peitemuutoksesta metsäpalovaaran tutkimiseksi. Journal of Artificial Societies and Social Simulation, 11 (4) 4. http://jasss.soc.surrey.ac.uk/11/4/4.html

MOLLONA, E. (2008). Tietokonesimulaatio yhteiskuntatieteissä. Johtamisen ja hallinnon lehti, 12(2), 205-211. doi: 10.1007/s10997-008-9049-6 [doi: 10.1007/s10997-008-9049-6]

NORMAN, D. A. (1983). Muutamia havaintoja henkisistä malleista. Julkaisussa D.Gentner & amp.L.Stevens (toim.), Henkiset mallit, s. 7-14. Hillsdale, NJ: Erlbaum.

NOWAK A., (2004) Dynaaminen minimalismi: Miksi vähemmän on enemmän psykologiassa? Persoonallisuuden ja sosiaalipsykologian katsaus, 8 (2), 183-193. [doi: 10.1207/s15327957pspr0802_12]

NOWAK A., Latan & eacute B. (1994). Simuloi sosiaalisen järjestyksen syntymistä yksilöllisestä käyttäytymisestä. Julkaisussa N.Gilbert & amp.Doran (toim.), Simuloiva yhteiskunta. Lontoo: University of London College Press.

NOWAK A., Lewenstein M., Frejlak P. (1996). Yleisen mielipiteen ja yhteiskunnallisen muutoksen dynamiikka. Julkaisussa R.Hegselman & amp.Miller (toim.), Kaaos ja järjestys luonnossa ja teoriassa. Wien: Helbin.

NOWAK, A., Lewenstein, M., & amp; Szamrej, J. (1993). Bable modelem przemian spolecznych (Kuplat- sosiaalisen siirtymisen malli). Swiat Nauki (Scientific American Polish Edition), 12.

NOWAK, A., Szamrej, J., Latan & eacute, B. (1990). Yksityiseltä asenteelta yleiseen mielipiteeseen: Dynaaminen teoria sosiaalisista vaikutuksista. Psykologinen katsaus97, 362-376. [doi: 10.1037/0033-295X.97.3.362]

OSTROM, T. M. (1988). Tietokonesimulaatiot, kolmas symbolijärjestelmä. Journal of Experimental Social Psychology, 24 (5), 381_392. [doi: 10.1016/0022-1031 (88) 90027-3]

PARK, O., Gittelman, S. S. (1995). Henkisten mallien ja dynaamisten visuaalisten näyttöjen dynaamiset ominaisuudet, Opetustiede, 23, 303_320.

STAUFFER, D., Sousa, A., Schulze, C. (2004). Deffuant-mallin vääristynyt mielipide dynamiikka skaalattomissa verkoissa. Journal of Artificial Societies and Social Simulation, 7 (3), 7. http://jasss.soc.surrey.ac.uk/7/3/7.html

TIMPONE, R. J., Taber, C. S. (1996). Laskennallinen mallinnus. Lontoo: SAGE.

ROUSE, W. B., & amp; Morris, N. M. (1986). Mustaan ​​laatikkoon tutustuminen: Näkemyksiä ja rajoja henkisten mallien etsimisessä. Psykologinen tiedote, 100(3), 349-363. [doi: 10.1037/0033-2909.100.3.349]

WILSON, J. R., Rutherford, A. (1989). Mielenterveysmallit: Teoria ja soveltaminen inhimillisissä tekijöissä. Inhimilliset tekijät, 31(6), 617-634.

WOLFRAM, S. (2002). Uudenlainen tiede. Champaign, IL: Wolfram Media.


Lisäinformaatio

Kilpailevat kiinnostuksen kohteet

Kirjoittajat vakuuttavat, että heillä ei ole kilpailevia etuja.

Tekijöiden panokset

HY ja CT olivat vastuussa tutkimuksen suunnittelusta ja suunnittelusta. HY ja AF suorittivat tiedonkeruun. HY, RH, MB suorittivat data -analyysin. HY vastasi käsikirjoituksen laatimisesta. HY, CT, RH tekivät kriittisiä muutoksia paperiin tärkeän henkisen sisällön osalta. HY, RH, MB tarjosi tilastotietoa. Kaikki kirjoittajat lukivat ja hyväksyivät lopullisen käsikirjoituksen.


Oppilaiden tunteiden tunnistaminen online -koulutuksen kasvojen ilmeiden perusteella tietokonesimulaation näkökulmasta

Verkkokoulutus on kehittynyt nopeasti korvaamattoman mukavuutensa vuoksi. COVID-19: n aiheuttamien vakavien olosuhteiden vuoksi monet koulut ympäri maailmaa ovat viivästyttäneet avaamistaan ​​ja ottaneet verkko-opetuksen yhdeksi tärkeimmistä opetusmenetelmistä. Verkkotuntien tehokkuus on kuitenkin pitkään kyseenalaistettu. Verrattuna perinteisiin kasvotusten-luokkiin verkkokursseilla ei ole suoraa, oikea-aikaista ja tehokasta viestintää ja palautetta opettajien ja opiskelijoiden välillä. Aiemmat tutkimukset ovat osoittaneet, että ihmisen ilmeiden ja tunteiden välillä on läheinen ja vakaa suhde. Tässä työssä ehdotetaan tietokonesimulaation näkökulmasta kehystä, joka yhdistää kasvojenilmaisun (FER) algoritmin online -kurssialustoihin. Laitteiden kameroita käytetään opiskelijoiden kasvokuvien keräämiseen, ja ilmeitä analysoidaan ja luokitellaan kahdeksaan eri tunteeseen FER -algoritmin avulla. Ehdotetun menetelmän testaamiseen käytetään Tencent Meetingissä suoritettua 27 opiskelijan verkkokurssia, ja tulos osoitti, että tämä menetelmä toimii tehokkaasti eri ympäristöissä. Tätä kehystä voidaan soveltaa myös muihin vastaaviin tilanteisiin, kuten verkkokokouksiin.

1. Esittely

Kasvojen ilme on yksi tehokkaimmista, luonnollisista ja yleismaailmallisista signaaleista, joilla ihmiset voivat välittää emotionaalisia tilojaan ja aikomuksiaan kansallisista rajoista, rodusta ja sukupuolesta riippumatta [1, 2]. [3], avustettu ajo [4, 5] ja muut [6–9]. Aikaisemmissa tunteiden ilmeitä koskevissa tutkimuksissa Ekman ja Friesen väittivät, että ihmiset havaitsevat tietyt perimmäiset tunteet samalla tavalla kulttuuritaustastaan ​​riippumatta, ja he määrittelivät tyypilliset ilmeet kuuteen luokkaan: viha, inho, pelko, onni, surua ja yllätystä [10, 11]. Ekmanand Friesenin, Ekmanin ja Heiderin [12–14] tutkimusten perusteella Matsumoto [15] tarjosi tarpeeksi todisteita toiselle yleismaailmalliselle ilmeelle, halveksunnalle. Lisäksi FER2013 [16], laajamittainen ja rajoittamaton tietokanta, joka otettiin käyttöön ICML 2013 Challenges in representation Learning -ohjelmassa, merkitsi kasvokuvistaan ​​vihaa, inhoa, pelkoa, onnea, surua, yllätystä ja neutraalia, jota on käytetty laajalti kasvojen ilmeentunnistusjärjestelmien (FER) suunnittelu. Myöhemmissä tutkimuksissa, vaikka tutkijat esittelivät monia malleja, jotka voivat tarjota laajemman valikoiman tunteita käsitelläkseen ilmeiden monimutkaisuutta ja hienovaraisuutta [17–20], luokittelu, joka kuvaa perimmäisiä tunteita diskreettisesti, on edelleen yleisimmin käytetty menetelmä FER: ssä sen yleisyyteen ja ilmeiden intuitiiviseen määrittelyyn [21], ja kuvassa 1 esitetään kahdeksan ilmeen perusfenotyyppiä tietojoukoista CK+ [22] ja FER2013 [16].

Ekman ja Friesen [23] ehdottivat ilmeiden määrittämiseksi Facial Action Coding Systemiä (FACS) kasvojen ilmeiden määrittämiseksi, joka perustuu siihen tosiasiaan, että ilme johtuu kasvojen osien vaihdosta. Tietokoneiden avulla on kehitetty kehittyneempiä menetelmiä viime vuosikymmenten aikana [24], ja ominaisuuskohdat näkyvät kuvassa 2.

Tekoälyn ja syvän oppimisen kehityksen myötä lukuisia FER -algoritmeja on ehdotettu kasvojen esitysten ilmentymistietojen käsittelemiseksi, mikä on parantanut tunnistuksen tarkkuutta asteittain ja saavuttanut paremman suorituskyvyn kuin perinteiset menetelmät [26, 27]. FER: n tehtävät voidaan jakaa pääasiassa kahteen luokkaan: staattiset kuvat (valokuvat) [28–30] ja dynaaminen sekvenssi (videoina) [31–33], joissa otetaan huomioon jatkuvasti muuttuvien kuvien välinen dynaaminen suhde ja aiheuttavat siksi muita haasteita kuin edelliset. Visioon perustuvien menetelmien lisäksi voidaan käyttää myös muita biometrisia tekniikoita [34, 35] ilmaisun tunnistamisen helpottamiseksi.

Riittävästi merkittyjä koulutustietokantoja, jotka sisältävät mahdollisimman monta väestön ja ympäristön vaihtelua, on tärkeää tutkijoille suunnitella ja testata FER -mallia tai -järjestelmää. Nykyiset tietokannat on jaettu pääasiassa hallittuihin ja hallitsemattomiin. Toisaalta hallitut tietokannat, joita edustavat CK+ [22], Jaffe [36] ja MMI [37], kerätään laboratorioympäristöistä, joissa on riittävästi valoa ja yksinkertaista taustaa. Nykyään, koska useimmat todelliset kohtaukset ovat monimutkaisia ​​ja muuttuvia esimerkiksi valaistuksen vuoksi, FER: n katsotaan laboratoriossa tai valvotussa ympäristössä olevan käytännössä vähäistä ja sitä käytetään pääasiassa ominaisuuksien poiminnan ja luokittelumenetelmien todistamiseen. Toisaalta hallitsemattomat tietokannat, kuten FER2013 [15] ja AFEW [38], kerätään monimutkaisista ympäristöistä, joissa on hyvin erilaiset taustat, tukokset ja valaistukset. yhä enemmän tutkimuksia.

Laitteiston ja riittämättömän käsittelykapasiteetin rajoittamana suurin osa FER: n perinteisistä menetelmistä käytti käsityöominaisuuksia tai matalaa oppimista, kuten paikallisia binäärikuvioita (LBP) [28] ja ei-negatiivista matriisitekijäämistä (NMF) [39]. Käsittelyominaisuuksien ja tietokonesimulaation kehittyessä FER: ään sovellettiin kaikenlaisia ​​koneoppimisalgoritmeja, kuten keinotekoisia neuroverkkoja (ANN), tukivektorikoneita (SVM) ja Bayesin luokittelijoita, ja korkea tarkkuus on varmistettu valvottuja ympäristöjä, jotta kasvot voidaan tunnistaa tehokkaasti. Nämä menetelmät olivat kuitenkin heikkoja yleistyskyvyssä, vaikka tämä on avain mallin käytännöllisyyden arvioimiseen [40]. Syväoppimisalgoritmit voivat ratkaista tämän ongelman, ja se on myös kestävä hallitsemattomissa ympäristöissä. Viimeaikaiset työt ovat osoittaneet, että konvoluution hermoverkot (CNN), koska ne ovat tehokkaita ominaisuuksien poisto- ja luokittelutehtävissä, toimivat hyvin tietokoneen näköongelmien ratkaisemisessa erityisesti FER: ssä [41, 42], ja lukuisia CNN -rakenteeseen perustuvia malleja ehdotetaan jatkuvasti ja ovat saavuttaneet parempia tuloksia kuin aiemmat menetelmät. Simonyan ja Zisserman [43] ottivat käyttöön hyvin pieniä (3 × 3) konvoluutiosuodattimia sisältävän arkkitehtuurin suorittaakseen kattavan arvioinnin syvemmälle menevistä verkoista. Lisäämällä verkon syvyyttä ja leveyttä samalla kun laskennallinen budjetti pidetään vakiona, Szegedy et al. [44] esitteli syvän konvoluution hermoverkkoarkkitehtuurin nimeltä "Inception", jossa laskentaresurssien käyttöä voidaan parantaa merkittävästi, ja Jahandad et ai. [45] työskenteli kahden konvoluution hermoverkkoarkkitehtuurin (Inception-v1 ja Inception-v3) välillä, jotka perustuivat ”Inception” -järjestelmään, ja osoittivat, että nämä kaksi mallia toimivat paremmin kuin muut, ja Inception-v1, jossa on 22-kerroksinen syväverkko, paremmin kuin 42 -kerroksen syvä Inception-v3 -verkko, kun edessään on pienitarkkuuksisia syöttökuvia ja 2D-kuvia allekirjoituksista, Inception-v3 on kuitenkin parempi kuin ImageNet-haaste. Neuraaliverkkojen yleinen suuntaus on lisätä verkon syvyyttä ja kerroksen leveyttä. Teoriassa mitä syvemmät hermoverkkomallit ovat, sitä vahvemmat ovat oppimiskyvyt, mutta sitä vaikeampaa kouluttaa. Hän et ai. [46] ehdotti jäännösoppimiskehystä syvempien verkkojen koulutusvaikeuksien vähentämiseksi ja osoitti perusteellisesti, että nämä jäännösverkot on helpompi optimoida lisäämällä samalla tarkkuutta huomattavasti lisääntyneestä syvyydestä. Lisäksi osa tutkijoista ehdotti, että tunnistamisen tarkkuutta voidaan edelleen parantaa yhdistämällä CNN: t toistuviin hermoverkkoihin (RNN), joissa CNN: t hyväksytään RNN: ien syötteiksi [47, 48].

Viimeisten vuosikymmenten aikana verkko -opetus on kehittynyt nopeasti joko yliopistoissa tai koulutuslaitoksissa [49], mikä tarjoaa mahdollisia soveltamismahdollisuuksia FER: lle. Verkkokursseilla, jotka eroavat merkittävästi perinteisistä henkilökohtaisista kursseista, pidetään usein vähemmän rajoittavaa voimaa ja tehokasta viestintää, mikä johtaa väistämättä tiedekunnan epäilyihin tätä uutta koulutusmenetelmää kohtaan [50, 51], kun taas useissa tutkimuksissa väitetään, että verkko-opetuksella saavutetut opiskelijoiden oppimistulokset voivat olla verrattavissa perinteisiin henkilökohtaisiin kursseihin [52, 53] lukuun ottamatta taitoja, jotka edellyttävät optimaalista tarkkuutta ja suurempaa haptista tietoisuutta [54]. On kiistatonta, että verkko -opetuksen nopea kasvu voi tehokkaasti tarjota mukavuutta ja joustavuutta useammille opiskelijoille, joten sillä on myös laaja kehitystila tulevaisuudessa, joten miten varmistetaan, että opiskelijat säilyttävät saman keskittymistason ja oppimistehon kuin perinteiset kurssit verkko -opetuksen aikana ovat kriittisiä verkko -opetuksen edelleen kehittämisen edistämiseksi.

Lyhyesti sanottuna tämän asiakirjan tärkein panos on seuraava. Yhdistämällä nykyiset verkkokoulutusalustat konvoluution hermoverkon arkkitehtuuriin perustuvaan ilmeilmaisumalliin tämä työ ehdotti kehystä, joka mahdollistaa reaaliaikaisen opiskelijoiden tunteiden seurannan verkkokursseilla ja varmistaa, että ilmeellä ilmaistua palautetta voidaan tarjotaan opettajille ajoissa, jotta he voivat joustavasti muokata opetusohjelmia ja parantaa viime kädessä verkko -opetuksen laatua ja tehokkuutta.

2. Ehdotettu kehys

Kehys koostuu pääasiassa kahdesta osasta: verkkokurssialustat, tässä artikkelissa otimme Tencent Meetingin esimerkkinä tilan testaamiseen ja syväoppimismallin, joka perustuu CNN: ään Kuo: n et al. [27], jota ennen on huomattava, että verkkokursseilta kerättyjä alkuperäisiä kuvia on käsiteltävä etukäteen, mukaan lukien kasvojentunnistus, kohdistaminen, kiertäminen ja koon muuttaminen alkuperäisten kuvien eri elementtien mukaan. Kuvassa 3 esitetään FER -prosessi, ja ehdotetun kehyksen yksityiskohtaiset vaiheet ovat seuraavat: ensinnäkin elektronisiin laitteisiin rakennettuja kameroita käytetään ottavien opiskelijoiden kasvokuvien ottamiseen. Toiseksi vakiomuotoisen ilmentymistietokannan kouluttamaa kasvojen ilmeiden tunnistusalgoritmia käytetään havaitsemaan kasvot ja luokittelemaan ilmeet vihan, inhon, pelon, onnen, surun, yllätyksen, halveksunnan ja neutraalin suhteen. Kolmanneksi lausekkeen todennäköisyysjakauman histogrammi piirretään ja annetaan opettajalle, jotta opetussuunnitelmaa voidaan säätää ajoissa.

2.1. Online -koulutusalustat

Teknisten toimitusmenetelmien kehitys on synnyttänyt suuren määrän verkkokoulutusalustoja ja parantanut huomattavasti koulutuksen joustavuutta, minkä ansiosta opettajat voivat omaksua erilaisia ​​teknisiä menetelmiä opetuksen tueksi murehtimatta oppilasmäärän rajoituksista perinteisessä luokkahuonepohjaisessa kurssissa, ja eri alueiden opiskelijat voivat kommunikoida reaaliajassa ottamatta huomioon liikennettä ja muita asioita. Samat opetusmateriaalit kuin perinteiset luokat voidaan ladata näille alustoille oppilaiden tiedoksi. Tällä hetkellä alustoilla, joilla on online -opetustoimintoja, kuten DingTalk, Zoom ja Rain, luokkahuoneessa opettajat voivat ottaa käyttöön videokokouksen menetelmän ja hyödyntää sisäänrakennettuja laitteita, joilla voidaan kaapata ja tunnistaa opiskelijoiden ilmeitä reaaliajassa. Otetut kuvat esikäsitellään ja käytetään sitten CNN -syötteenä.

2.2. Esikäsittely perustuu IntraFaceen

Tehokas esikäsittely voi vähentää kasvojen kaltaisten esineiden häiriöitä taustalla havaitessaan kasvoja kuvassa ja standardoida kasvokuvat heuristisen tietämyksen mukaan, mikä parantaa tehokkaasti syvän oppimismallin tehokkuutta. Käytimme IntraFacea [55], julkisesti saatavilla olevaa ohjelmistopakettia, joka sisältää esikäsittelyn työkaluna kasvojen piirteiden seurannan, pään aseman arvioinnin, kasvojen ominaisuuksien havaitsemisen jne. Kuten kuvassa 4 esitetään, IntraFacea voidaan käyttää myös useiden kasvojen tunnistamiseen samanaikaisesti. Jokaisen kasvon pääpiirteet, mukaan lukien kulmakarvat, silmät, nenän kärki ja suu, voidaan tunnistaa tehokkaasti, ja ilme voidaan havaita suorakulmaisilla ääriviivoilla, joten nämä ääriviivat on muodostettu jokaisen kasvojen reunan piirteistä, mukaan lukien ylimmät ja alin, joka määritteli pystysuuntaisen leveyden, ja oikein ja vasen, joka määritti kasvokuvan vaakasuuntaisen leveyden. Estääksemme kasvotietojen jättämisen pois ja samalla vähentämällä taustamelua, suurennamme suorakulmaisia ​​ääriviivoja 1,05 kertaa kattamaan enemmän kasvosisältöä. Lisäksi kun otetaan huomioon, että oppimismalliin syötettävien kuvien koko on esiasetettu 48 × 48, havaitut kuvat pyöritetään nenäkärki keskellä ja niiden kokoa muutetaan sopivasti, jotta se vastaa syöttökokoa.

2.3. Oppimismalli perustuu CNN: ään

CNN: ään perustuvan sovelletun syvän oppimismallin arkkitehtuuri on havainnollistettu kuvassa 5, jossa viitattiin Kuo et al. [27], ja tämän mallin aiempi suorituskyky FER: ssä verrattuna muihin vastaaviin on myös osoitettu. 32 ominaisuuskartan konvoluutiokerroksen jälkeen tulokerroksen jälkeen on 2 lohkoa, joka koostuu 2 konvoluutiokerroksesta ja 1 max-pooling-kerroksesta, jossa on 64 ominaisuuskarttaa erikseen. Ja ytimien koko ensimmäisessä konvoluutiokerroksessa on asetettu 3 × 3, toinen on 5 × 5, max-pooling-kerrokset molemmat koostuvat ytimestä, jonka koko on 2 × 2 ja askel 2, ja sen seurauksena syöttö kuva pakataan neljännekseen. Ja on kaksi seuraavaa täysin yhdistettyä kerrosta, jotka ovat 2048 ja 1024 neuronia, vastaavasti, joissa ReLU: t [56–59] on otettu käyttöön aktivointitoimintona. Yliasennuksen estämiseksi jokaisen kahden täysin yhdistetyn kerroksen perään lisätään pudotus, joka vapauttaa osan neuroneista tämän paperin esiasetetun pudotustodennäköisyyden mukaan, molemmat arvot on asetettu 0,5: ksi. Seuraava tulostuskerros koostuu 8 yksiköstä, ja softmax [60] on aktivointitoiminto, joka luokittelee tutkitut ilmaisut vihan, inhon, pelon, onnen, surun, yllätyksen, halveksunnan ja neutraalin perusteella.

Ehdotettua mallia kouluttivat tietokannat Jaffe, CK+ja FER2013, jotka sisältävät yllä olevat 8 peruslauseketta samanaikaisesti. Koska pienet FER -tietokannat sisältävät yleensä vain muutamia satoja kuvia, tämä ei tietenkään riitä mallikoulutukseen, joten käytämme online -lisäysstrategiaa, jossa on sekä vaakasuuntainen kääntö että satunnainen siirto kasvattaaksesi harjoitusjoukkojen kuvia. Lisätietoja CNN -mallista on taulukossa 1.

Ja tässä mallissa ulostulon koko

jokainen konvoluutiokerros voidaan formuloida muotoon

missä ja merkitse syöttökokoa, ytimen kokoa, täyttökokoa ja askeleen kokoa.

Jokaisessa max-pooling-kerroksessa pehmusteen koko on 0 ja ulostulon koko voidaan ilmaista myös muodossa

Tasasuuntautuneet lineaariset yksiköt (ReLU) on otettu käyttöön aktivointitoimintona konvoluutiokerroksissa ja enimmäisryhmittelykerroksissa kaltevuuden räjähdyksen välttämiseksi ja nopeamman lähentymisnopeuden taka-etenemisoperaation aikana, joka voidaan muotoilla

Softmaxia käytetään aktivointitoimintona lähtökerroksessa, jonka tulo on matriisi

lähtö täysin yhdistetyistä kerroksista. Formulaatio annetaan muodossa

missä K edustaa kerroksen lähtömittoja, eli niitä on K erilaisia ​​tuloksia ja edustaa tuloksen todennäköisyyttä

Ja Softmax -häviö, jota käytetään kaltevuuden johtamiseen ja päivittämiseen, voidaan laskea seuraavasti:

missä tarkoittaa häviöfunktiota ja on tarramuuttuja, jonka arvo on 1 tai 0 sen mukaan, onko tulostus yhdenmukainen todellisen arvon kanssa.

3. Kokeilu ja tulokset

Jotta voisimme testata ehdotetun kehyksen suorituskykyä käytännön sovelluksissa, otimme kuvan, joka sisältää 27 henkilöä Tencent Meetingin verkkokokouksesta, ja syötimme sen CNN -malliin. Tämä kuva on otettu ennen kokouksen päättymistä, moderaattori piti lopullisen puheen miellyttävässä ilmapiirissä. Lisäksi kaikille kerrottiin, että kokous oli päättymässä, Tonguçin ja Ozkaran tekemän kokeen [61] mukaan opiskelijoiden onnellisuus paranee merkittävästi muutamassa minuutissa ennen luennon päättymistä, joten Tästä syystä voidaan päätellä, että useimpien tämän kuvan kasvojen esittämät tunteet ovat onnellisia tai neutraaleja. Kuva 6 esittää tulo- (vasen) ja lähtö (oikea) kuvia CNN -mallista. Tuloksesta voidaan nähdä selvästi, että kaikki kasvot tunnistettiin ja merkittiin suorakulmaisilla ääriviivoilla, ja myös vastaavat ilmeet leimattiin. Yhteensä 27 kasvosta 10 oli merkitty "onnelliseksi", 15 "neutraaliksi" ja 2 "surulliseksi", huomioiden, että viimeisen rivin toinen kuva ja kolmas kuva neljännellä rivillä , jotka on merkitty punaisilla ääriviivoilla, eivät havainneet ääriviivat juuri siksi, että kaksi kasvokuvaa ovat niin epätäydellisiä, että esitetyt ominaisuudet ovat liian riittämättömiä tunnistettavaksi. Kuvio 7 esittää tunteiden todennäköisyysjakauman histogrammin, josta voimme havaita intuitiivisesti yleisiä tunteita ja arvioida luokan emotionaalista tilaa. On syytä huomata, että onnellisuuden todennäköisyys on merkittävästi suurempi kuin neutraali tässä kuvassa, kun taas kasvot, joissa on merkintä "onnellinen", ovat pienempiä kuin "neutraalit", kuten kuvassa 6. Ero voidaan selittää seuraavasti: kasvojen useiden lausekkeiden piirteet samanaikaisesti näillä kasvoilla oleva ilme merkitään näiden ominaisuuksien päättämän todennäköisimmän ilmeen mukaan, mutta useiden kasvojen sisältävän kuvan kokonaisilmaisun määrää eri ilmeominaisuuksien summa jokaiseen kasvoon. Joissakin kasvoissa, jotka on merkitty "onnellisiksi", onnen todennäköisyys voi olla paljon suurempi kuin neutraali, kun taas joissakin kasvoissa, jotka on merkitty "neutraaliksi", onnellisuuden todennäköisyys voi olla vain hieman pienempi kuin neutraali. Kaiken kaikkiaan tämän kokeen tulos voi tarjota suotuisan tuen mallin suorituskyvylle, kun sitä käytetään todellisessa ympäristössä.

4. Johtopäätös ja keskustelu

Tässä tutkimuksessa yhdistämällä verkkokurssialustat ja pienikokoisen syväoppimismallin, joka perustuu CNN -arkkitehtuuriin, rakennamme kehyksen opiskelijoiden tunteiden analysoimiseksi heidän ilmeensä mukaan tietokonesimulaation näkökulmasta. Kokonaistulos voidaan esittää histogrammissa intuitiivisesti, ja opettajat voivat mukauttaa opetusstrategioitaan vastaavasti parantaakseen online -opetuksen tehokkuutta.

Viitaten Ekmanin et ai. ja FER2013, tunteet luokiteltiin ehdotetussa kehyksessä vihaksi, vastenmielisyydeksi, pelkoksi, onnelliseksi, suruksi, yllätykseksi, halveksimiseksi ja neutraaliksi. Tämän kehyksen soveltuvuuden todentamiseksi todellisessa ympäristössä otimme kuvan, joka sisälsi kaikkien osallistujien kasvokuvat kerrallaan todellisessa verkkokokouksessa. Kokouksessa oli 12 osallistujaa, ja kaapattu aika määritettiin kokouksen lopussa . Kaikkiaan otettiin 12 kasvoja, joista 11 oli tehokkaasti tunnistettavia kasvoja, jotka sisältävät tarpeeksi ominaispisteitä. Syöttämällä tämän kuvan sovellettuun CNN -malliin saimme emotionaaliset tunnisteet kullekin kelvolliselle kasvolle ja saimme yleisen tunteen tuolloin. On osoitettu, että puitteilla on hyvä soveltuvuus käytännön toimintaan ja niillä on myönteinen rooli sellaisten ongelmien ratkaisemisessa, kuten oppilaita sitovan voiman puute, eikä opettajat voi saada ajoissa palautetta. Viime kädessä se parantaa verkko -opetuksen laatua.

Edellä mainituista eduista huolimatta tässä kehyksessä ja sen sovelluksissa on vielä paljon parantamisen varaa. Teknologian näkökulmasta, kun tietokonesimulaatiota kehitetään, algoritmeja, joilla on parempi suorituskyky ja lyhyempi toiminta -aika, mukaan lukien esikäsittely- ja syväoppimismallit, kehitetään jatkuvasti ajan myötä. Esimerkiksi kuvan esikäsittely sisältää kasvojentunnistuksen, kohdistuksen, kiertämisen ja koon muuttamisen, mutta monimutkaisten ympäristöjen aiheuttamien ongelmien, kuten taustavalon, varjojen ja epätäydellisyyden vuoksi, nämä nykyiset menetelmät ovat aina tehottomia ja nämä puutteet voidaan korjata tulevaisuudessa. Lisäksi ehdotetun viitekehyksen CNN -malli toimii tällä hetkellä hyvin, mutta se korvataan malleilla, joilla on korkeampi oppimiskyky ja parempi luokittelutarkkuus tulevaisuudessa. Kehyksen kilpailukyvyn varmistamiseksi pidemmällä aikavälillä sitä on mukautettava ja ylläpidettävä säännöllisesti, ja sen päivittämiseksi olisi otettava käyttöön kehittyneempiä algoritmeja ja tekniikoita.

Lisäksi kun verkkokursseille osallistuu paljon ihmisiä, meillä ei ole mitään keinoa varmistaa, että kaikki pitävät korkean keskittymisasteen ja että opiskelijoiden ilme ei välttämättä täysin edusta heidän tunteitaan näiden subjektiivisten tekijöiden vuoksi. Toimenpiteet, kuten kynnysarvojen asettaminen, voivat suodattaa pois virheellisiä tietoja ja korostaa kuvan tärkeimpiä tunteita. Lopuksi opetuksen tehokkuutta voidaan parantaa.

Tietojen saatavuus

Lukijat voivat käyttää käsikirjoituksessa käytettyjä tietoja tekijöiden BaiduPanin kautta osoitteessa https://pan.baidu.com/s/1dbKUfeKp5joeYh4wSOU7Qw ja poimintakoodi "qin6".

Eturistiriidat

Kirjoittajat vakuuttavat, että heillä ei ole eturistiriitoja.

Kiitokset

Tätä työtä tuki tutkimus Kiinan osakemarkkinoiden vaikutuksesta taloudelliseen epävarmuuteen (nro FRF-DF-20-11).

Viitteet

  1. C. Darwin ja P.Prodger, Tunteiden ilmaisu ihmisissä ja eläimissä, Oxford University Press, Oxford, MA, USA, 1998.
  2. Y.-I. Tian, ​​T.Kanade ja J.F. Cohn, "Tunnistavat toimintayksiköt ilmeilmaisua varten" IEEE Transactions on Pattern Analysis and Machine Intelligence, Voi. 23, ei. 2, s. 97–115, 2001. Katso: Publisher Site | Google tutkija
  3. R. Donoso, C. San Martín ja G. Hermosilla, "Vähennetty isoterminen ominaisuus pitkien aaltojen infrapuna (LWIR) -kasvojentunnistukseen" Infrapunafysiikka ja vahvistintekniikka, Voi. 83, s. 114–123, 2017. Katso: Publisher Site | Google tutkija
  4. T. Liu, H. Liu, Z. Chen et ai., "FBRDLR: nopea sokean rekonstruktion lähestymistapa sanakirjan oppimisen laillistamisella infrapunamikroskopiota varten" Infrapunafysiikka ja vahvistintekniikka, Voi. 90, s. 101–109, 2018. Katso: Publisher Site | Google tutkija
  5. Z. Huang, H. Fang, Q. Li et ai., "Optinen kaukokartoituksen kuvanparannus heikolla rakenteen säilyttämisellä spatiaalisesti mukautuvan gammakorjauksen avulla" Infrapunafysiikka ja vahvistintekniikka, Voi. 94, s. 38–47, 2018. Katso: Kustantajan sivusto | Google tutkija
  6. Y. Bi, M. Lv, Y. Wei, N. Guan ja W. Yi, "Monitoimifuusio kasvojen lämpötunnistukseen" Infrapunafysiikka ja vahvistintekniikka, Voi. 77, s. 366–374, 2016. Katso: Publisher Site | Google tutkija
  7. H. Liu, Z. Zhang, S. Liu, J. Shu, T. Liu ja T. Zhang, "Sokean spektrin rekonstruointialgoritmi L0-vähäinen edustus, Mittaustiede ja -tekniikka, Voi. 26, ei. 8, s. 085501–085507, 2015. Katso: Kustantajan sivusto | Google tutkija
  8. H. Wu, Y. Liu, L. Qiu ja Y. Liu, "Online -tuomarijärjestelmä ja sen sovellukset C -kielen opetuksessa", Kansainvälisen koulutusteknologian symposiumin (ISET) artikkelit, s. 57–60, Peking, Kiina, heinäkuu 2016. Katso: Publisher Site | Google tutkija
  9. T. Liu, Z. Chen, H. Liu, Z. Zhang ja Y. Chen, "Multimodaalinen käsieleiden suunnittelu moninäyttöisessä kosketuskäyttöisessä opetusjärjestelmässä ihmisen ja tietokoneen vuorovaikutusta varten" Kuvankäsittelyn edistystä koskevan toisen kansainvälisen konferenssin artikkelit, s. 100–109, Chengdu, Kiina, kesäkuu 2018. Katso: Publisher Site | Google tutkija
  10. P. Ekman ja W. V. Friesen, ”Vakioita eri kulttuureissa kasvoissa ja tunteissa” Journal of Personality and Social Psychology, Voi. 17, ei. 2, s. 124–129, 1971. Katso osoitteessa: Publisher Site | Google tutkija
  11. P. Ekman, "Vahvat todisteet universaaleista ilmeistä: vastaus Russellin virheelliseen kritiikkiin" Psykologinen tiedote, Voi. 115, ei. 2, s. 268–287, 1994. Katso osoitteessa: Publisher Site | Google tutkija
  12. P. Ekman ja W. V. Friesen, "Uusi yleiskulttuurinen tunteenilmaus" Motivaatio ja tunne, Voi. 10, ei. 2, s. 159–168, 1986. Katso osoitteessa: Publisher Site | Google tutkija
  13. P. Ekman ja W. V. Friesen, "Kuka tietää mitä halveksunnasta: vastaus Izardille ja Haynesille," Motivaatio ja tunne, Voi. 12, ei. 1, s. 17–22, 1988. Katso osoitteessa: Publisher Site | Google tutkija
  14. P. Ekman ja K. G. Heider, "Halveksunnan ilmaisun universaalius: replikointi", Motivaatio ja tunne, Voi. 12, ei. 3, s. 303–308, 1988. Katso osoitteessa: Publisher Site | Google tutkija
  15. D. Matsumoto, "Lisää todisteita halveksunnan ilmaisun yleismaailmallisuudesta" Motivaatio ja tunne, Voi. 16, ei. 4, s. 363–368, 1992. Katso osoitteessa: Publisher Site | Google tutkija
  16. I. J. Goodfellow, D. Erhan, P. L. Carrier et ai., ”Haasteet edustuksen oppimisessa: raportti kolmesta koneoppimiskilpailusta” Neuraalitiedon käsittely, Springer, Berliini, Saksa, 2013. Katso: Publisher Site | Google tutkija
  17. Z. Zeng, M. Pantic, G. I. Roisman ja T. S. Huang, "Tutkimus vaikutusten tunnistusmenetelmistä: ääni-, visuaaliset ja spontaanit ilmaisut" IEEE Transactions on Pattern Analysis and Machine Intelligence, Voi. 31, ei. 1, s. 39–58, 2009. Katso: Julkaisijan sivusto | Google tutkija
  18. E. Sariyanidi, H. Gunes ja A. Cavallaro, "Kasvojen vaikutusten automaattinen analyysi: rekisteröinnin, edustuksen ja tunnustamisen kysely" IEEE Transactions on Pattern Analysis and Machine Intelligence, Voi. 37, ei. 6, s. 1113–1133, 2015. Katso osoitteessa: Publisher Site | Google tutkija
  19. B. Martinez ja M. F. Valstar, ”Edistysaskeleet, haasteet ja mahdollisuudet automaattisessa ilmeilmaisussa”, julkaisussa Edistystä kasvojentunnistuksessa ja kasvojen kuva -analyysissä, s. 63–100, Springer, Cham, Sveitsi, 2016. Katso: Publisher Site | Google tutkija
  20. H. Gunes ja B. Schuller, "Kategoriset ja ulottuvuusvaikutusten analyysit jatkuvassa syötteessä: tämänhetkiset suuntaukset ja tulevaisuuden suunnat" Kuva- ja visiolaskenta, Voi. 31, ei. 2, s. 120–136, 2013. Katso: Julkaisijan sivusto | Google tutkija
  21. S. Li ja W. Deng, "Syvä ilmeiden tunnistus: kysely" IEEE Transactions on Affective Computing, Lehdistössä. Katso osoitteesta: Kustantajan sivusto | Google tutkija
  22. P. Lucey, J. F. Cohn, T. Kanade, J. Saragih, Z. Ambadar ja I. Matthews, ”Laajennettu Cohn-Kanade-tietojoukko (CK+): täydellinen tietojoukko toimintayksikölle ja tunteiden määrittämälle ilmaisulle”, Vuoden 2010 IEEE Computer Society Conference on Computer Vision- ja Pattern Recognition-Workshopit, s. 94–101, San Francisco, CA, USA, heinäkuu 2010. Katso: Publisher Site | Google tutkija
  23. P. Ekman ja W. V. Friesen, ”Kasvoliikkeen mittaaminen” Ympäristöpsykologia ja sanaton käyttäytyminen, Voi. 1, ei. 1, s. 56–75, 1976. Katso osoitteessa: Publisher Site | Google tutkija
  24. Bayrakdar, D. Akgün ja İ. Yücedağ, "Kysely automaattisesta ilmeiden analysoinnista" Sakaryan yliopiston tiedelehti, Voi. 20, ei. 2, s. 383–398, 2016. Katso: Google Scholar
  25. Y. Kim, S. Kang, S. Lee et ai., ”Tunnistaa tehokkaasti syrjäytyneen käyttäytymisen videopeleissä” PeerJ, Voi. 3, s. e1502, 2015. Katso: Julkaisijan sivusto | Google tutkija
  26. A. Agrawal ja N. Mittal, "CNN: n käyttö kasvojen ilmeiden tunnistamiseen: tutkimus ytimen koon ja suodattimien lukumäärän vaikutuksista tarkkuuteen" Visuaalinen tietokone, Voi. 36, ei. 2, s. 405–412, 2020. Katso: Kustantajan sivusto | Google tutkija
  27. C. M. Kuo, S. H. Lai ja M. Sarkis, "Kompakti syväoppimismalli vankkaa ilmeilmaisua varten", IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) -artikkelit, s. 2202–2208, Salt Lake City, UT, USA, kesäkuu 2018. Katso: Publisher Site | Google tutkija
  28. C. Shan, S. Gong ja P. W. McOwan, ”Paikallisiin binaarimalleihin perustuva kasvojen ilmeiden tunnistus: kattava tutkimus,” Kuva- ja visiolaskenta, Voi. 27, ei. 6, s. 803–816, 2009. Katso: Publisher Site | Google tutkija
  29. P. Liu, S. Han, Z. Meng ja Y. Tong, ”Kasvojen ilmeiden tunnistus tehostetun syvän uskomusverkoston kautta” IEEE Conference on Computer Vision and Pattern Recognition -artikkelit, s. 1805–1812, Columbus, OH, USA, kesäkuu 2014. Katso: Publisher Site | Google tutkija
  30. A. Mollahosseini, D. Chan ja M. H. Mahoor, "Kasvojen ilmeentunnistus syvemmälle syvien hermoverkkojen avulla" IEEE Winter Conference Applications of Computer Vision (WACV) -artikkelit, s. 1–10, Lake Placid, NY, USA, maaliskuu 2016. Katso: Publisher Site | Google tutkija
  31. G. Zhao ja M. Pietikainen, "Dynaaminen tekstuurin tunnistus käyttämällä paikallisia binaarikuvioita ja sovellus ilmeisiin" IEEE Transactions on Pattern Analysis and Machine Intelligence, Voi. 29, ei. 6, s. 915–928, 2007. Katso: Julkaisijan sivusto | Google tutkija
  32. H. Jung, S. Lee, J. Yim, S. Park ja J. Kim, ”Yhteinen hienosäätö syvissä hermoverkoissa kasvojen ilmeiden tunnistamiseksi”, IEEE International Conference Computer Visionin (ICCV) artikkelit, s. 2983–2991, Santiago, Chile, joulukuu 2015. Katso: Publisher Site | Google tutkija
  33. Z. Zhao, X. Liang, L. Tietokonevisio - ECCV 2016, Springer, Cham, Sveitsi, 2016. Katso: Publisher Site | Google tutkija
  34. I. Bhardwaj, N. D. Londhe ja S. K. Kopparapu, "Huijausta kestävä multibiometrinen järjestelmä, joka perustuu sormenjälkien fysiologisiin ja käyttäytymisominaisuuksiin" Hahmontunnistus, Voi. 62, s. 214–224, 2017. Katso: Publisher Site | Google tutkija
  35. J. Zhao, R. Ma ja X. Zhang, "Puun tunteiden tunnistus perustuu päätöspuuhun ja parannettuun SVM -sekoitusmalliin" Pekingin teknillisen instituutin tapahtumat, Voi. 37, ei. 4, s. 386–395, 2017. Katso: Publisher Site | Google tutkija
  36. M. J. Lyons, S. Akamatsu, M. Kamachi, J. Gyoba ja J. Budynek, ”Japanilainen naisen ilme (Jaffe) -tietokanta”, Progress of Third International Conference on Automatic Face and Gesture Recognition, s. 14–16, Nara, Japani, huhtikuu 1998. Katso: Google Scholar
  37. M. Pantic, M. Valstar, R. Rademaker ja L. Maat, ”Verkkopohjainen tietokanta ilmeilmaisua varten”, IEEE International Conference on Multimedia and Expo -artikkelit, Amsterdam, Alankomaat, heinäkuu 2005. Katso: Publisher Site | Google tutkija
  38. A. Dhall, R. Goecke, S. Lucey ja T. Gedeon: "Suurten, runsaasti merkittyjä kasvojenilmaisutietokantojen kerääminen elokuvista" IEEE -multimedia, Voi. 19, ei. 3, s. 34–41, 2012. Katso: Julkaisijan sivusto | Google tutkija
  39. R. Zhi, M. Flierl, Q. Ruan ja W. B. Kleijn, "Kaavioita säilyttävä harva ei-negatiivinen matriisitekijä, jota sovelletaan ilmeen tunnistamiseen" IEEE Transactions on Systems, Man ja Cybernetics, osa B (kybernetiikka), Voi. 41, ei. 1, s. 38–52, 2011. Katso: Publisher Site | Google tutkija
  40. A. Dhall, R. Goecke, J. Joshi, K. Sikka ja T. Gedeon, “Emotion tunnustaminen villi haaste 2014: lähtötaso, data ja protokolla” Monimodaalisen vuorovaikutuksen 16. kansainvälisen konferenssin artikkelit, s. 461–466, ACM, Istanbul, Turkki, marraskuu 2014. Katso: Publisher Site | Google tutkija
  41. J. Li, K. Jin, D. Zhou, N. Kubota ja Z. Ju, ”Huomiomekanismiin perustuva CNN kasvonilmaisun tunnistamiseen” Neurotietokone, Voi. 411, s. 340–350, 2020. Katso: Kustantajan sivusto | Google tutkija
  42. J. Shao ja Y. Qian, "Kolme konvoluution hermoverkkomallia kasvojen ilmeiden tunnistamiseen luonnossa" Neurotietokone, Voi. 355, s. 82–92, 2019. Katso: Publisher Site | Google tutkija
  43. K. Simonyan ja A. Zisserman, ”Erittäin syvät konvoluutioverkot suuren mittakaavan kuvien tunnistamiseen”, 2014, https://arxiv.org/abs/1409.1556. Katso: Google Scholar
  44. C. Szegedy, W. Liu, Y. Jia et ai., ”Going deep with convolutions”, julkaisussa IEEE Conference on Computer Vision and Pattern Recognition -artikkelit, s. 1–9, Boston, MA, USA, kesäkuu 2015. Katso: Publisher Site | Google tutkija
  45. A. Jahandad, S. M. Sam, K. Kamardin, N. N. Amir Sjarif ja N. Mohamed, "Offline-allekirjoituksen vahvistus käyttämällä syväoppivia konvoluution hermoverkko (CNN) -arkkitehtuureja GoogLeNet inception-v1 ja inception-v3," Tietojenkäsittelytiede Procedia, Voi. 161, s. 475–483, 2019. Katso: Publisher Site | Google tutkija
  46. K. Hän, X. Zhang, S. Ren ja J. Sun, ”Syvä jäännösoppiminen kuvan tunnistamiseksi”, julkaisussa IEEE Conference on Computer Vision and Pattern Recognition -artikkelit, s. 770–778, Las Vegas, NV, USA, kesäkuu 2016. Katso: Publisher Site | Google tutkija
  47. I.Banerjee, Y. Ling, M.C. Chen et ai., "Convolutional neuroniverkoston (CNN) ja toistuvan hermoverkon (RNN) arkkitehtuureiden vertaileva tehokkuus radiologisten tekstiraporttien luokittelussa" Tekoäly lääketieteessä, Voi. 97, s. 79–88, 2019. Katso: Publisher Site | Google tutkija
  48. H. Hasan, B. Huang ja G. Tian, ​​"Kasvojen ilmeentunnistus, joka perustuu syvään konvoluutioon, kaksikanavaisen painotetun seoksen pitkän aikavälin lyhyen aikavälin muistiverkkoihin," Kuvion tunnistuskirjeet, Voi. 131, s. 128–134, 2020. Katso: Kustantajan sivusto | Google tutkija
  49. I. Allen ja J. Seaman, ”Digitaalisen kompassin oppiminen: etäopetusraportti 2017”, Babson Survey Research Group, Babson Park, MA, USA, 2017. Katso: Google Scholar
  50. P. Shea, T. Bidjerano ja J. Vickers, "Tiedekunnan asenteet verkko -oppimiseen: epäonnistumisia ja menestyksiä", SUNY Research Network, Albany, NY, USA, 2016. Katso: Google Scholar
  51. D. Lederman, Teknologian ristiriitaiset näkemykset: Tutkimus tiedekunnan asenteista, Inside Higher Education, Washington, WA, USA, 2018.
  52. C. L. Cason ja J. Stiller: ”Ensiapua ja elvytystä käsittelevän online -kurssin suorituskyky tulokset maallikoille”, Terveyskasvatuslehti, Voi. 70, ei. 4, s. 458–467, 2010. Katso: Publisher Site | Google tutkija
  53. Maloney, M. Terveydenhuollon koulutuksen edistysaskeleet, Voi. 18, ei. 1, s. 71–80, 2013. Katso: Julkaisijan sivusto | Google tutkija
  54. E.Dolan, E.Hancock ja A.Wareing, "Arvio online -oppimisesta käytännön taitojen opettamiseksi perustutkinnon suorittaneille terveystieteen opiskelijoille" Internet ja korkea -asteen koulutus, Voi. 24, s. 21–25, 2015. Katso: Kustantajan sivusto | Google tutkija
  55. F. D. l. Torre, W. Chu ja X. Xiong, "IntraFace", julkaisussa IEEE: n kansainvälisen konferenssin artikkelit automaattisesta kasvojen ja eleiden tunnistuksesta, Lille, Ranska, toukokuu 2015. Katso: Publisher Site | Google tutkija
  56. A. Krizhevsky, I. Sutskever ja G. E. Hinton, ”ImageNet -luokitus, jossa on syvät konvoluution hermoverkot” Proceedings of the Advances in Neural Information Processing Systems, s. 1097–1105, Lake Tahoe, Nevada, joulukuu 2012. Katso: Google Scholar
  57. W. Wei, B. Zhou, D. Połap ja M. Woźniak, "Alueellinen adaptiivinen variaatio PDE -malli tietokonetomografian kuvan rekonstruktioon" Hahmontunnistus, Voi. 92, s. 64–81, 2019. Katso: Publisher Site | Google tutkija
  58. L. Zhang, P. Shen, X. Peng et ai., "Samanaikainen parannus ja kohinan vähentäminen yhdestä hämärästä kuvasta" IET -kuvankäsittely, Voi. 10, ei. 11, s. 840–847, 2016. Katso: Publisher Site | Google tutkija
  59. Q. Zhu, J. Zhang, W. Wei et ai., "Neuroheuristinen lähestymistapa keuhkosairauksien tunnistamiseen röntgenkuvista" Asiantuntijajärjestelmät sovelluksineen, Voi. 126, s. 218–232, 2019. Katso osoitteessa: Publisher Site | Google tutkija
  60. C. S. Chin, J. Si, A. S. Clare ja M. Ma, "Älykäs kuvan tunnistusjärjestelmä meren likaantumiseen käyttämällä Softmax -siirto -oppimista ja syviä konvoluutioverkkoja" Monimutkaisuus, Voi. 2017, artikkelin tunnus 5730419, 9 sivua, 2017. Katso: Publisher Site | Google tutkija
  61. G. Tonguç ja B. O. Ozkara, ”Opiskelijan tunteiden automaattinen tunnistaminen ilmeistä luennon aikana”, Tietokoneet ja vahvistinkoulutus, Voi. 148, artikkelin tunnus 103797, 2020. Katso: julkaisijan sivusto | Google tutkija

Tekijänoikeus

Copyright © 2020 Weiqing Wang et ai. Tämä on avoimen pääsyn artikkeli, joka on jaettu Creative Commons Attribution License -lisenssillä, ja joka sallii rajoittamattoman käytön, jakelun ja jäljentämisen millä tahansa välineellä, jos alkuperäinen teos on lainattu oikein.


Tulokset

Yleiskatsaus

Sovelsimme CAT: ää 505 potilaalle PITSTOP -itsemurhatutkimuksessa, joka täytti kaikki 19 kohdetta. Aluksi tiedot kerättiin ROM -levyn kautta. Tutkimuksen aloittamisen jälkeen useimpien osastojen näytti olevan vaikeaa kerätä tietomme ROM -levyn kautta. Yhteensä vain 43% (217/505) tiedoista kerättiin ROM -levyn avulla. Vaihtoehtoisesti tutkimusapulaisia ​​ja lääkäreitä kehotettiin täyttämään kyselylomake paperilla ja lyijykynällä. 505 potilaasta 93 (18,4%) potilaalla oli BSS -kokonaispistemäärä 0 ja 254: llä (50,3%) pisteet ψ 128 (25,3%) oli masennus ensisijaisena diagnoosina ja 50 (9,9%) sai persoonallisuushäiriö. Keski -ikä oli 42 (SD 9,2) vuotta. Lähtötilanteessa 183 potilasta 505: stä (36,2%) ilmoitti yrittäneensä itsemurhaa vähintään kerran.

Vaihe 1: Kuvaukset

Yleinen Cronbach -alfa oli .94. BSS: n keskiarvo oli 10,4 (SD 9,4). Kuten taulukosta 1 käy ilmi, yhden kohteen poistaminen ei parantanut sisäistä johdonmukaisuutta merkittävästi. Tuote-lepo- tai jäännöskorrelaatiot (R levätä) olivat myös tyydyttäviä.

Pöytä 1

Kuvaavat tilastot BSS-NL: n yksittäisistä kohteista.

Yhden kohteen sisältöKategoriaKeskiarvo (SD)Cronbach α R levätä

012


1. Halu elää242195680.66 (0.79)0.94.67
2. Halua kuolla1991961100.82 (0.70)0.93.74
3. Syyt elämiseen/kuolemaan278157700.59 (0.84)0.93.69
4. Halu tappaa itsensä246171880.69 (0.76)0.93.80
5. Passiivinen itsemurhahalu248174830.67 (0.77)0.93.63
6. Itsemurha -ajatuksen kesto319113730.51 (0.90)0.93.76
7. Itsemurhan ajattelun taajuus310160350.46 (0.96)0.93.80
8. Itsemurhan idean hyväksyminen285153670.57 (0.85)0.93.73
9. Hallitse itsemurhaa344140210.36 (1.08)0.93.68
10. Syyt olla tekemättä itsemurhaa314138530.48 (0.93)0.93.70
11. Syyt itsemurhalle223472351.02 (0.67)0.93.48
12. Erityinen suunnitelma itsemurhasta318118690.51 (0.91)0.93.71
13. Pääsy itsemurhamenetelmään335311390.61 (0.82)0.93.60
14. Rohkeus/kyky tehdä itsemurha279152740.59 (0.83)0.93.74
15. Odotus tehdä itsemurha318153340.44 (0.98)0.93.76
16. Valmistelut itsemurhaan39189250.28 (1.19)0.93.63
17. Itsemurhailmoituksen kirjoittaminen39472390.30 (1.16)0.93.49
18. Lopulliset teot kuoleman odottamiseksi354106450.39 (1.04)0.93.37
19. Piilota ajatus308123740.54 (0.88)0.93.47

Vaihe 2: Kohteen vastausteoriamallin oletusten testaaminen

Kun sovitettiin 1-tekijä PCA, huomasimme, että 50% suhteellisesta varianssista selitettiin ensimmäisellä tekijällä. 1- ja 2-tekijän mallin suhde osoitti, että ensimmäinen tekijämalli selitti 14 kertaa enemmän varianssia kuin toinen tekijä. Vahvistavaa analyysiä sovittaessa löysimme vertailukelpoisuusindeksin 0,999, Tucker-Lewisin indeksin 0,989, keskiarvon neliövirheen, likimääräisen arvon 0,045 (90%: n luottamusväli 0,038-0,053), ja standardoidun keskiarvon neliön jäännös 0,059.

Vaihe 3: Arvioidun vastausmallin asentaminen

Yleiskatsaus

Taulukko 2 osoittaa, että kaikkien 19 kohteen alfa oli suurempi kuin 1. Kohta 7 (itsemurhan ajattelutaajuus) näyttää erottavan parhaiten potilaat, joilla on korkeampi tai matalampi itsemurha -ajatus, kuten osoittaa korkea 4,177.

Taulukko 2

Arvioidut vastausmalliparametrit Beckin itsemurha-ajattelun hollanninkieliselle versiolle (BSS-NL).

Kohde ja sisältöParametri

αβ1β2
1. Halu elää2.3660.0290.556
2. Halua kuolla3.197𠄰.1590.180
3. Syyt elämiseen/kuolemaan3.0360.0340.937
4. Halu tappaa itsensä4.082𠄰.1230.691
5. Passiivinen itsemurhahalu2.270𠄰.1880.898
6. Itsemurha -ajatuksen kesto3.4340.2761.054
7. Itsemurhan ajattelun taajuus4.1170.1711.243
8. Itsemurhan idean hyväksyminen3.4370.0710.985
9. Hallitse itsemurhaa3.1650.3861.587
10. Syyt olla tekemättä itsemurhaa3.0480.2631.258
11. Syyt itsemurhalle1.5570.0010.100
12. Erityinen suunnitelma itsemurhasta3.0030.3051.122
13. Pääsy itsemurhamenetelmään2.4790.5500.616
14. Rohkeus ja kyky tehdä itsemurha3.7800.0450.932
15. Odotus tehdä itsemurha3.8250.2321.369
16. Valmistelut itsemurhaan2.5320.7541.815
17. Itsemurhailmoituksen kirjoittaminen1.7861.0161.952
18. Lopulliset teot kuoleman odottamiseksi1.0980.8872.414
19. Piilota, piilota tai valehtele itsemurha -ajatuksista1.4360.3341.466

Luokkavastekäyrät

19 kohteesta 17 osoitti CRC -käyrät odotetusti. Kohdat 11 (syyt itsemurhaan) ja 13 (itsemurhamenetelmän käyttö) osoittivat, että CRC: t antoivat lisätarkastuksen. Taulukossa 3 esitetään osallistujien keskimääräinen kokonais -teeta vastausvaihtoehtoa kohden 3 eri kohteelle: kohta 7, jolla oli hyvä CRC, ja kohdat 11 ja 13, jotka osoittivat epätyydyttäviä CRC -arvoja. Kohdissa 11 ja 13 ero vastausten 1 ja 2 keskimääräisessä teetassa oli pieni ja niiden luottamusvälit olivat päällekkäisiä, mikä osoittaa, että korkeampi pistemäärä yhdellä näistä ei välttämättä heijasta korkeampaa itsemurha -ajatusta.

Taulukko 3

Keskimääräinen teeta potilaista, jotka hyväksyivät vastevaihtoehdot 0, 1 ja 3 kohdissa 7, 11 ja 13.

Kohde ja vastausKeskiarvo θ95% CI
7. Itsemurhan ajattelun taajuus


0𠄱.7𠄲.0 ja#x020131.4

11.41.3, 1.5

22.62.4, 2.8
11. Syyt itsemurhalle


0𠄲.3𠄲.6, ja#x020131.9

10.90.6, 1.2

21.00.8, 1.1
13. Pääsy itsemurhamenetelmään


0𠄱.5𠄱.7, ja#x020131.2

11.31.1, 1.6
 21.61.4, 1.7

Vaihe 4: Differentiaalikohteen toiminta

Mitään kohteita ei merkitty DIF: ään, kun analysoitiin sukupuolen, iän tai koulutuksen eroja. Kun analysoitiin hallinnointimenetelmän vaikutusta, 7 kohdetta merkittiin. Kuitenkin, R 2 olivat kaikki <.13.

Vaihe 5: Tietokoneeseen mukautuva testaus

Kun kaikkia 19 kohdetta annettiin, 345 potilasta luokiteltiin riskiryhmään (taulukko 4). Kun kohteiden lukumäärä vaihteli välillä 3 ja 19, CAT -simulaatiot osoittivat, että keskimäärin 10 kohdetta riitti täyttämään saman luokituksen kuin ensimmäinen malli. Suuri määrä potilaita, joilla oli vähäinen itsemurha -ajatus, kaikki kohdat olivat loppuun ennen pysäytyssäännön täyttymistä (kuva 2). Kun käytettiin enintään 6 tuotetta, 336 potilaan 345 sijaan luokiteltiin olevan kohonnut riski (taulukko 4).

Taulukko 4

Riskiluokitus useille pysäytyssäännöille Beck -asteikolla itsemurha -ajatuksille Ϣ.

PysäytyssääntöKeskiarvo (SD)Potilaiden lukumäärä, joilla on pieni riski itsemurhakäyttäytymisestä tulevaisuudessaPotilaiden lukumäärä, joilla on kohonnut itsemurhakäyttäytymisen riski
Min. KohteitaEnintään kohteita


191919 (0)160345
3199.7 (7.7)162343
364.2 (1.4)169336

Suhde teeta -tason ja pysäytyssäännön 1 mukaisesti annettujen kohteiden lukumäärän välillä. Käyrä edustaa testitietoja teetan funktiona.


PSYKOSOSIAALISET MUUTOKSET

Brown aloitti nuorten ensisijaisten psykososiaalisten tehtävien suorittamisesta. Yksinkertaisesti sanottuna on neljä keskeistä tehtävää:

Hän yksilöi kaksi tapaa, joilla nämä perustehtävät liittyvät nuorten ottamiin riskeihin. Ensinnäkin monet riskikäyttäytymiset voivat joko edistää tai estää näiden tehtävien onnistuneen suorittamisen. Toiseksi nuoret voivat käyttää riskialtista käyttäytymistä auttaakseen itseään selviytymään epäonnistumisesta jollakin näistä alueista.

Brown tarkasteli ensin riskinoton ja identiteetin kehittämisen välistä suhdetta, jota jotkut psykologit ovat pitäneet ensisijaisesti yksilöllisenä psykologisena prosessina ja toiset enemmän sosiaalisena prosessina. Ensimmäisessä näkemyksessä, joka liittyi alun perin Erik Eriksonin työhön, tehtävä ymmärretään prosessina, jolla etätään muiden, erityisesti vanhempien, näkemyksistä, jotta saadaan selkeä käsitys siitä, kuka on henkilö ja miten haluaa käyttäytyä maailmassa. Kun tämä prosessi onnistuu, yksilöt välttävät todennäköisesti suuria riskejä, mutta henkilöille, joilla on hajanaisempi identiteetti, voi olla yhteys huumeiden käyttöön ja muihin riskeihin. Ne, jotka ottavat toisen näkökulman, ajattelevat, että yksilöt saavat itsetuntonsa sosiaalisesta maailmasta ja että heillä on ensisijainen etu tavasta, jolla heidät nähdään ja miten muut reagoivat niihin. Tuloksena voi olla myös koordinoitu, turvallinen itsetunto, mutta yksilöille, jotka käyvät tämän prosessin läpi sosiaalisessa ympäristössä, jossa riskinotto on normaalia, he ovat todennäköisesti alttiimpia ottamaan riskejä. 1

Tutkijat ovat tunnistaneet muita komponentteja, joilla on myös oma osuutensa identiteetin muodostamisessa, kuten tunnistaminen sukupuolen, etnisen alkuperän ja seksuaalisen suuntautumisen perusteella. Osa nuorten tehtävää on tunnistaa näiden mahdollisten identiteettien kriteerit, arvioida niitä ja päättää, sisällytetäänkö ne henkilökohtaiseen itsetuntemukseensa ja miten. Tämä prosessi on erityinen haaste maahanmuuttajanuorille, joiden on usein tulkittava sekä perheen ja etnisen tai kansallisen ryhmän kulttuuri että kulttuuri, johon he ovat muuttaneet. Maahanmuuttajanuorten tutkimus on osoittanut, että tässä tilanteessa monet nuoret päättävät joko pysyä tiiviisti kotikulttuurissaan, noudattaa perinteisiä tapoja ja pukeutumistyylejä ja saada hyvän pojan tai tytön maineen tai hylätä tämän vaihtoehdon amerikkalaisemman identiteetin puolesta. Amerikkalaistunut suuntautuminen tarkoittaa usein yhteyttä riskinottoisiin ikätovereihin.

Autonomian kehittyminen liittyy läheisesti identiteetin muodostumiseen, ja sitä käsitellään myös yleensä ensisijaisesti joko psykologisena tai ihmissuhteiden prosessina. Jotkut tutkijat, Brown selitti, ovat ehdottaneet, että on olemassa universaali prosessi, jonka kautta yksilöt kehittävät tervettä itsenäisyyttä (Kagitcibasi, 2005). Jos yksilöt kehittävät suuren tahdonvapauden tunteen (ottavat vastuun omista teoistaan) säilyttäen samalla läheiset suhteet merkittäviin aikuisiin, he kehittävät todennäköisesti terveen ja#x0201autonomisen suhteellisen itsensä ja#x0201d, mikä todennäköisesti johtaa suhteellisen pieneen riskiin -ottaminen. Kun tämä prosessi menee pieleen, tuloksena on usein lisääntynyt riskinotto. Muut tutkijat ovat osoittaneet, että nuoret, jotka kehittävät itsenäisyyttä liian aikaisin tai liian myöhään kehityksessään, saavuttavat usein huonompia tuloksia kuin ne, jotka kehittävät sitä samaan aikaan kuin ikätoverinsa (Dishion ym., 2000 Dornbusch ym., 1990 Feldman ja Wood, 1994).

Lopuksi nuoret viettävät paljon enemmän aikaa ikäisensä kanssa kuin nuoremmat lapset, ja he vaikuttavat heihin enemmän kuin nuoremmat lapset. Halukkuus kuulua ja hyväksyä tässä vaiheessa saa nuoret avoimemmaksi vertaisvaikutuksille ja pyrkii myös edistämään uusien suhteiden nopeaa kehittymistä -#vähemmän aikaa ystävyysperustan neuvottelemiseen kuin muissa elämänvaiheissa. Tutkijat (esim. Avoimuus sekä neutraaleihin että prososiaalisiin vaikutuksiin on suurempi kaikissa vaiheissa. Vähemmän tiedetään syistä, miksi taustalla on avoimuus vaikutusvaltaan, vaikka Brown totesi, että se näyttää todennäköisesti liittyvän edellä keskusteltuun neurobiologiseen kehitykseen.

Jotkut todisteet viittaavat siihen, että nuoret ovat alttiimpia vertaisvaikutuksille uusien suhteiden alkuvaiheessa tai juuri ennen uuden suhteen kehittämistä. Riskikäyttäytyminen korreloi myös useiden erityistyyppisten sosiaalisten tilanteiden kanssa, mukaan lukien romanttiset suhteet, jotka kehittyvät varhaisessa murrosiässä, yhdistäminen vanhempiin ikätovereihin tai salliviin vertaisryhmiin, romanttiset tai seksuaaliset suhteet vanhempien kumppaneiden kanssa ja löyhä aikuisten valvonta. Tämä ehdottaa Brownille sitä, että kognitiivisten ja biologisten prosessien lisäksi, jotka vaikuttavat nuorten käyttäytymiseen, on tärkeää ymmärtää merkitys, jonka nuoret kiinnittävät riskikäyttäytymiseen sosiaalisessa kontekstissa, jossa he kohtaavat heidät. Jos teini -ikäiset havaitsevat esimerkiksi, että riskialtis ajaminen tekee heistä houkuttelevampia tai että suojaamattoman seksin harrastaminen saa heidät näyttämään uskollisemmilta ja#kuvat voivat olla tärkeitä heidän henkilökohtaiselle identiteetilleen — vertaisryhmässään, he voivat päättää ryhtyä tällaiseen käyttäytymiseen huolimatta tietoisuus riskeistä.

Tämä todellisuus korostaa sosiaalisen osaamisen kehittämisen tärkeyttä, joka on toinen murrosiän keskeisistä tehtävistä. Kyky osallistua tehokkaasti sosiaalisiin suhteisiin on erittäin tärkeä sekä identiteetin kehittämisen että halutun vertaisryhmän hyväksynnän saamisen kannalta. Kaksi taitoa on erityisen tärkeitä sosiaalisen osaamisen kehittämiselle: impulssien hallinta ja tunteiden säätely. Yksittäisillä nuorilla, jotka hallitsevat impulssejaan erittäin tehokkaasti, on todennäköisesti hyvin erilainen sosiaalisten suhteiden malli kuin yksilöillä, jotka eivät —, ja heillä on vähemmän todennäköistä aggressiivista käyttäytymistä (Cairns et ai., 1989). Näin ollen monet muut yksilöt pyrkivät välttämään impulsiivisia nuoria jättäen heidät vertaisryhmään, joka koostuu muista aggressiivisista yksilöistä. Tällaiset vertaisryhmät ovat yleensä vähemmän vakaita kuin muut. Kuvio on samanlainen tunteiden säätelyn kanssa ja#nuoret, jotka eivät onnistu siinä, yrittävät muodostaa vakaita vertaissuhteita. Viimeinen keskeinen tehtävä, sitoumusten kehittäminen, on suojaava tekijä, esimerkiksi uskonnolliseen ja kansalaiseen osallistumiseen liittyy alhainen poikkeama ja siten vähemmän osallistuminen moniin riskialttiisiin käyttäytymisiin.

Brown korosti, että on tärkeää tarkastella näitä kehittäviä taitoja yhdessä. Esimerkiksi sosiaalisten taitojen tai sosiaalisen osaamisen puutteet auttavat vahvistamaan nuoren maineen, hänen identiteettinsä vertaisryhmässä aggressiivisena ja arvaamattomana ihmisenä. Tämä maine ohjaa nuoren ikätovereilleen, joilla on joitakin näistä alijäämistä, ja tehostaa siten sosiaalista painetta, jolle nuori on alttiina. Juuri tämä voimien yhdistäminen vaikuttaa enemmän riskinottoon kuin mikään muu tekijä yksin. Samaan aikaan samat tekijät voivat kuitenkin vaikuttaa myös myönteisesti. Prososiaalinen identiteetti, terve itsenäisyys ja suhteet prososiaalisiin ikätovereihin, joita tukevat vahvat sosiaaliset taidot, kaikki todennäköisesti suojaavat yksilöitä riskeiltä.

Robert Wm. Blum korosti myös sellaisten yksilöllisten piirteiden ja taitojen merkitystä, jotka voivat auttaa nuoria liikkumaan murrosiässä ja suojaamaan heitä riskeiltä. Näitä ovat arvot, tavoitteet ja positiivinen suuntautuminen ja sitoutumiset —tekijät, jotka todennäköisesti rakennetaan positiiviseen perhe- ja yhteisöympäristöön — sekä tehokkaiden taitojen kehittäminen ahdistusta, stressiä ja vastoinkäymisiä varten. Hän ehdotti, että luontaisilla persoonallisuuden piirteillä, kuten sietokyvyllä, on tärkeä rooli, mutta myös sosiaalisen osaamisen kehittämistä opitaan.

Brown ehdotti, että on todennäköisempää, että psykososiaaliset tehtävät rohkaisevat riskiä kuin että ne estävät sitä. Nuoruusiän keskeiset tehtävät haastavat yksilön tutkimaan mahdollisia identiteettejä ja luomaan mukavan sosiaalisen identiteetin, yrittämään saada hyväksyntää ryhmiin ja kehittämään taitoja navigoida romanttisissa suhteissa. Nämä tehtävät edellyttävät uusia taitoja, ja kaikki vaativat jonkin verran riskinottoa saadakseen todennäköisesti erittäin myönteisiä etuja. Yksilöt, jotka eivät osallistu tällaisiin riskeihin, jäävät jälkeen. Hän varoitti jättämästä huomiotta eräiden riskinottojen arvoa ja sitä, missä määrin aikuiset todella kannustavat ottamaan riskejä.

Brown lopetti katsauksen tärkeisiin kysymyksiin, jotka koskevat avoimia psykososiaalisia vaikutuksia.Kuinka paljon kulttuurista vaihtelua on “ -epänormaaleissa käsikirjoituksissa ” tai odotettavissa olevissa poluissa nuorten keskeisten psykososiaalisten tehtävien suorittamiseksi? Miten sosiaaliset yhteydet vaikuttavat näiden psykososiaalisten tehtävien suorittamiseen? Mitkä ovat yhteydet näiden psykososiaalisten tehtävien ja tutkijoiden havaitsemien biokognitiivisten ja hermostollisten kehitysten välillä? Brown ehdotti, että hedelmällisimmät tutkimusmenetelmät koordinoisivat yksilöiden käyttäytymiseen, sosiaalisiin prosesseihin ja sisäisiin kehitysprosesseihin liittyviä havaintoja.


1. ST: n alkuperä ja lajikkeet

Ajatuksella siitä, että päädymme usein edustamaan muita ihmisiä ja rsquos -henkisiä tiloja simuloimalla niitä henkisesti itsessämme, on merkittävä historia filosofiassa ja humanistisissa tieteissä. Robert Gordon (1995) juontaa juurensa David Humeen (1739) ja Adam Smith & rsquos (1759) käsitykseen sympatiasta Jane Heal (2003) ja Gordon (2000) löytävät simulointiteemoja Verstehen lähestymistapa historian filosofiaan (esim. Dilthey 1894) Alvin Goldman (2006) pitää Theodor Lipps & rsquosia (1903) empaattisenaEinf & uumlhlung) mentaalisen simulaation käsitteen edeltäjänä.

Nykyaikaisessa muodossaan ST perustettiin vuonna 1986 julkaisemalla Robert Gordon & rsquos & ldquoFolk Psychology as Simulation & rdquo ja Jane Heal & rsquos & ldquoReplication and Functionalism & rdquo. Nämä kaksi artikkelia kritisoivat teoria-teoriaa ja esittelivät ST: n paremmaksi ajatuksen lukemiseksi. Gordon käsitteli artikkelissaan psykologisia havaintoja, jotka koskivat muiden kykyä edustaa muita ja rsquo vääriä uskomuksia. Tämä herätti kehityspsykologien kiinnostuksen, erityisesti Paul Harris (1989, 1992), joka esitti empiirisen tuen ST: lle, ja Alison Gopnik (Gopnik & amp; Wellman 1992) ja Joseph Perner (Perner & amp; Howes 1992), jotka väittivät sitä vastaan ​​& mdashPerner on sittemmin tullut puolustaa ST: n hybridiversiota (Perner & amp; K & uumlhberger 2005).

Alvin Goldman oli varhainen ja vaikutusvaltainen ST: n puolustaja (1989) ja on tehnyt paljon teorian korostamiseksi. Hänen työnsä neurotieteilijä Vittorio Gallesen kanssa (Gallese & amp. Goldman 1998) oli ensimmäinen, jolla oli tärkeä yhteys ST: n ja äskettäin löydettyjen peilineuronien välille. Goldman & rsquos 2006 kirja Mielen simulointi on selkein ja kattavin selostus asiaan liittyvistä filosofisista ja empiirisistä kysymyksistä. Muiden ST: n filosofisten kannattajien joukossa Gregory Currie ja Susan Hurley ovat olleet vaikutusvaltaisia.

ST on 1980 -luvun lopulta lähtien ollut yksi keskeisistä toimijoista ajattelun filosofisissa, psykologisissa ja neurotieteellisissä keskusteluissa. On kuitenkin väitetty, että ST: n omaisuuksilla on ollut huomattava kielteinen seuraus: ilmaisua & ldquomental simulation & rdquo on tullut käytettyä laajasti ja monin eri tavoin, mikä tekee & ldquoSimulation Theory & rdquosta kokonaistermin, joka yhdistää monia erilaisia ​​lähestymistapoja lukemiseen. Stephen Stich ja Shaun Nichols (1997) kehottivat jo luopumaan siitä hienostuneemman terminologian hyväksi. Tässä on jonkin verran ansioita. ST on itse asiassa parempi käsittää a teorioiden perhe eikä yksittäistä teoriaa. Kaikki perheenjäsenet ovat yhtä mieltä väitteestä, jonka mukaan mielenterveyden simulaatiolla ei ole muita mieliä koskevia tietoja, vaan keskeinen rooli ajattelun lukemisessa. Perheen eri jäsenet voivat kuitenkin poiketa toisistaan ​​merkittävästi.

Yksi perustavanlaatuinen erimielisyyden alue Simulaatioteoreetikoiden keskuudessa on ST & mdashwhat ystävällinen teorian mukaan ST: n pitäisi olla & mdashand mitä filosofit voivat vaikuttaa siihen. Jotkut simulaatioteoreetikot pitävät kysymystä & ldquoMiten ihmiset päätyvät edustamaan muita & rsquo henkisiä tiloja? & Rdquo suoraviivaisena empiirisenä kysymyksenä ajattelun taustalla olevista kognitiivisista prosesseista ja mekanismeista (Goldman 2006 Hurley 2008). Heidän mukaansa ST on siis teoria kognitiivinen tiede, johon filosofit voivat osallistua aivan kuten teoreettiset fyysikot osallistuvat fysiikkaan:

teoreetikot ovat erikoistuneet kokeellisten tietojen kanssa yhteensopivien teoreettisten rakenteiden luomiseen ja säätämiseen, kun taas kokeilijoilla on ensisijainen tehtävä tuottaa dataa. (Goldman 2006: 22)

Muut ST: n filosofiset puolustajat eivät kuitenkaan pidä itseään lainkaan teoreettisina kognitiivisina tutkijoina. Esimerkiksi Heal (1998) kirjoittaa, että:

Yleisesti katsotaan, että psykologisen ymmärryksen simulaation laajuutta & hellipiä koskeva tutkimus on empiirinen ja että tieteellinen tutkimus on tapa kertoa, onko ST & hellip oikea. Mutta tämä käsitys on hämmentynyt. Se on a priori Totuus ja helvetti, että simulaatiolla on oltava merkittävä rooli henkilökohtaisen tason psykologisen ymmärryksemme selvityksessä. (Heal 1998: 477 & ndash478)

Tämän metafilosofisen kiistan ratkaiseminen ylittää selvästi tämän merkinnän tavoitteen. Ollaksemme mahdollisimman osallistavia, otamme käyttöön tasapainoisen ruokavalion ja rdquo -lähestymistavan: keskustelemme siitä, missä määrin ST tukee psykologian ja neurotieteen empiirisiä havaintoja, ja samaan aikaan, me käsittelemme & ldquopurely filosofisia & rdquo ongelmia ST. Jätämme lukijan tehtäväksi arvioida, mitkä näkökohdat tulisi asettaa tutkimuksen keskipisteeseen.

On tärkeää, että jopa ne, jotka ovat samaa mieltä ST: n yleisestä luonteesta, saattavat olla eri mieltä muista tärkeistä asioista. Keskitymme siihen, mitä pidetään tyypillisesti kolmena tärkeimpänä kiistanalaisuutena simulaatioteoreetikoiden keskuudessa: mitä & ldquomental simulation & rdquo tarkoittaa? (osasto-2). Millaisia ​​simulaatioprosesseja on olemassa? (kohta 3). Mikä on mielisimulaation rooli ajattelussa? (kohta 4). Kun olemme pohtineet, mikä pitää simulaatioteoreetikot erillään, siirrymme keskustelemaan siitä, mikä pitää heidät yhdessä, ts. Vastustuksena ajattelun teoria-teoriaan (osio 5 ja osa 6). Tämän pitäisi antaa lukijalle tunne & ldquounity keskellä monimuotoisuus & rdquo, joka luonnehtii ST.


Oletko jumissa negatiivissa? 15 Kognitiivisia vääristymiä syylliseksi

Oletko koskaan ajatellut, että teit kamalaa työhaastattelussa tai koulun esittelyssä, mutta päädyit kulkemaan lentävillä väreillä? Se oli mielesi, joka johdatti sinut harhaan.

Voit sanoa: ”Mahdotonta! Tiedän, että tein kauheasti. Onneksi he eivät ymmärtäneet sitä. " Ja tämä on mielesi, jälleen kerran, johdattaa sinut kognitiivisten vääristymien ei-niin-iloiseen tanssiin.

Kognitiivinen vääristymä - ja niitä on monia - on liioiteltu ajatusmalli, joka ei perustu tosiasioihin. Se saa sinut siis näkemään asiat negatiivisemmin kuin ne todellisuudessa ovat.

Toisin sanoen, kognitiiviset vääristymät saavat mielen uskomaan sinut uskomaan negatiivisia asioita itsestäsi ja maailmasta, jotka eivät välttämättä ole totta.

Kaikki joutuvat joskus kognitiivisiin vääristymiin. Se on osa ihmisen kokemusta. Tämä tapahtuu erityisesti silloin, kun tunnemme olomme huonoksi.

Mutta jos osallistut niihin liian usein, mielenterveytesi voi osua.

Ajatuksillamme on suuri vaikutus tunteisiimme ja käyttäytymiseemme. Kun käsittelet näitä negatiivisia ajatuksia tosiasioina, saatat nähdä itsesi ja toimia virheellisiin oletuksiin perustuvalla tavalla.

Tämä voi edistää mielenterveysolosuhteita, kuten masennusta ja ahdistusta.

Kognitiivisten vääristymien kääntäminen on usein kognitiivisen käyttäytymisterapian (CBT) ytimessä muun tyyppisten psykoterapioiden joukossa.

Voit oppia tunnistamaan kognitiiviset vääristymät, jotta tiedät milloin mielesi huijaa sinua. Sitten voit muotoilla ja ohjata ajatuksiasi uudelleen niin, että niillä on vähemmän negatiivinen vaikutus mielialaasi ja käyttäytymiseesi.

Vuonna 1976 psykologi Aaron Beck ehdotti teoriaa kognitiivisten vääristymien takana, ja 1980 -luvulla David Burns suositteli sitä yleisillä nimillä ja esimerkeillä.

Yleisimpiä kognitiivisia vääristymiä ovat:

  • suodatus
  • polarisaatio
  • yleistyminen
  • diskontataan positiivinen
  • vetämällä johtopäätöksiin
  • katastrofaalista
  • personointi
  • hallita virheitä
  • oikeudenmukaisuuden harha
  • syyttää
  • pitäisi
  • emotionaalinen päättely
  • muutoksen harhaluulo
  • maailmanlaajuinen merkintä
  • aina oikeassa

Voit tunnistaa joidenkin kanssa enemmän kuin toiset tai tunnistaa, että käytät niitä yleensä tietyissä tilanteissa. Tämä on luonnollista. Itsearviointi voi olla ensimmäinen askel kohti joidenkin näiden ajattelumallien kääntämistä.

Suodatus

Psyykkinen suodatus tyhjentää ja rasittaa kaikki positiiviset tilanteessa ja sen sijaan keskittyy negatiivisiinsa.

Vaikka tilanteessa tai ihmisessä on enemmän positiivisia puolia kuin negatiivisia, keskityt yksinomaan negatiivisiin.

Esimerkiksi yrityksessäsi on suoritusarvioinnin aika, ja esimiehesi kiittää kovaa työtäsi useita kertoja. Lopulta he tekevät yhden parannusehdotuksen. Lähdet kokouksesta kurjaksi ja pidät tätä ehdotusta koko päivän.

Polarisaatio

Polarisoitu ajattelu on ajattelua itsestäsi ja maailmasta "kaikki tai ei mitään" -menetelmällä.

Kun ajattelet mustaa tai valkoista, ilman harmaan sävyjä, tämäntyyppinen kognitiivinen vääristymä johtaa sinut.

Esimerkiksi työtoverisi oli pyhimys, kunnes hän söi voileivän. Nyt et voi sietää häntä. Tai saat B: n viimeisessä kokeessasi, joten et ole onnistunut olemaan hyvä oppilas huolimatta siitä, että olet saanut vain A: ta ennen sitä.

Kaikki tai ei mitään -ajattelu johtaa yleensä äärimmäisen epärealistisiin standardeihin itsellesi ja muille, jotka voivat vaikuttaa ihmissuhteisiisi ja motivaatioosi.

Mustavalkoiset ajatukset voivat myös saada sinut epäonnistumaan.

Olet esimerkiksi päättänyt syödä terveellistä ruokaa. Mutta tänään sinulla ei ollut aikaa aterian valmistamiseen, joten syöt pekonihampurilaisen. Tämä johtaa heti siihen johtopäätökseen, että olet pilannut terveellisen ruokavalion, joten päätät, ettet enää edes yritä.

Kun harjoitat polarisoitua ajattelua, kaikki on "joko/tai" -kategorioissa. Tämä saattaa saada sinut kaipaamaan useimpien ihmisten ja tilanteiden monimutkaisuutta.

Yliarviointi

Kun yleistät jotain liikaa, otat yksittäisen negatiivisen tapahtuman ja teet siitä loputtoman menetyksen ja tappion.

Esimerkiksi puhut tiimikokouksessa, eikä ehdotuksesi sisälly projektiin. Poistut kokouksesta ajatellen: ”Pilaan mahdollisuuteni ylennykseen. Minä ei milloinkaan sano oikein! "

Yliarviointi voi ilmetä myös ajatuksissasi maailmasta ja sen tapahtumista.

Esimerkiksi myöhästyt töistä, ja matkalla sinne palaa punainen valo. Luulet, "Ei mitään menee aina minun tielleni! ”

Liian yleistymisen myötä sanat kuten "aina", "ei koskaan", "kaikki" ja "ei mitään" ovat usein ajatuskulmassasi.

Positiivisen diskonttaus

Positiivisten asioiden vähentäminen on samanlaista kuin henkinen suodatus. Suurin ero on se, että hylkäät sen arvottomana, kun ajattelet positiivisia puolia.

Jos joku esimerkiksi kehuu sitä, miltä näytät tänään, luulet hänen olevan vain mukava. Tai jos esimiehesi kertoo sinulle, kuinka kattava raporttisi oli, alennat sen sellaiseksi, mitä muut voisivat tehdä. Jos pärjäät hyvin työhaastattelussa, luulet sen johtuvan siitä, että he eivät ymmärtäneet, ettet ole niin hyvä.

Hyppää johtopäätöksiin

Kun teet johtopäätöksiä, tulkitset tapahtuman tai tilanteen negatiivisesti ilman todisteita, jotka tukevat tällaista johtopäätöstä. Sitten reagoit oletukseesi.

Esimerkiksi kumppanisi tulee kotiin vakavan näköisenä. Sen sijaan, että kysyisit kuinka he ovat, oletat heti, että he ovat vihaisia ​​sinulle. Näin ollen pidät etäisyyttä. Todellisuudessa kumppanillasi oli huono päivä töissä.

Hyppääminen johtopäätöksiin tai "mielen lukemiseen" on usein vastaus jatkuvaan ajatukseen tai huoleen.

Esimerkiksi tunnet olosi epävarmaksi suhteestasi tai luulet, että kumppanisi saattaa menettää kiinnostuksensa.

Katastrofoiva

Katastrofointi liittyy johtopäätösten tekemiseen. Tässä tapauksessa hyppäät pahimpaan mahdolliseen johtopäätökseen jokaisessa skenaariossa, oli se kuinka epätodennäköistä tahansa.

Tähän kognitiiviseen vääristymään liittyy usein ”mitä jos” -kysymyksiä. Entä jos hän ei soittanut, koska joutui onnettomuuteen? Entä jos hän ei ole saapunut, koska hän ei todellakaan halunnut viettää aikaa kanssani? Mitä jos autan tätä ihmistä ja hän pettää tai hylkää minut?

Useita kysymyksiä voi seurata vastauksena yhteen tapahtumaan.

Entä esimerkiksi jos hälytys ei soi? Entä jos myöhästyn tärkeästä kokouksesta? Mitä jos saan potkut sen jälkeen, kun olen tehnyt niin paljon töitä tämän työn eteen?

Mukauttaminen

Mukauttaminen saa sinut uskomaan, että olet vastuussa tapahtumista, jotka todellisuudessa ovat kokonaan tai osittain hallinnassasi.

Tämä kognitiivinen vääristymä johtaa usein siihen, että tunnet syyllisyyttä tai annat syyllisyyttä harkitsematta kaikkia asiaan liittyviä tekijöitä.

Esimerkiksi lapsesi joutuu onnettomuuteen ja syytät itseäsi siitä, että annoit heidän mennä juhliin. Tai sinusta tuntuu, että jos kumppanisi olisi herännyt aikaisemmin, olisit valmis ajoissa töihin.

Henkilökohtaistamisella otat asiat myös henkilökohtaisesti.

Esimerkiksi ystäväsi puhuu henkilökohtaisista uskomuksistaan ​​vanhemmuuteen, ja sinä otat heidän sanansa hyökkäykseksi sinun vanhemmuustyyli.

Hallitse virheitä

Sana harhaluulo viittaa harhaan, harhaan tai virheeseen.

Hallintavirheillä voi olla kaksi vastakkaista tapaa: joko tunnet vastuusi tai hallitset kaikkea omassa ja muiden ihmisten elämässä tai sinusta tuntuu, ettet voi hallita yhtään mitään elämässäsi.

Et esimerkiksi voinut täyttää tänään erääntyvää raporttia. Ajattelet heti: ”En tietenkään voinut suorittaa sitä loppuun! Pomoni ylikuormittaa minua, ja kaikki olivat niin äänekkäitä tänään toimistossa. Kuka voi tehdä jotain sellaista? "

Tässä esimerkissä asetat käyttäytymisen hallinnan jollekin toiselle tai ulkopuoliselle tilanteelle. Tämä on ulkoisen ohjauksen virhe.

Toinen hallintavirhe perustuu uskomukseen, että toimintasi ja läsnäolosi vaikuttavat tai hallitsevat muiden elämää.

Esimerkiksi luulet tekeväsi jonkun toisen onnelliseksi tai onnettomaksi. Luulet, että käyttäytymisesi ohjaavat kaikkia heidän tunteitaan suoraan tai välillisesti.

Oikeudenmukaisuuden virhe

Tämä kognitiivinen vääristymä viittaa jokaisen käyttäytymisen ja tilanteen mittaamiseen oikeudenmukaisuusasteikolla. Huomaa, että muut ihmiset eivät anna tapahtumalle samaa oikeudenmukaisuuden arvoa, tekee sinusta katkeraa.

Toisin sanoen uskot tietäväsi, mikä on reilua ja mikä ei, ja se järkyttää sinua, kun muut ihmiset ovat eri mieltä kanssasi.

Oikeudenmukaisuuden harha johtaa sinut kohtaamaan ristiriitoja tiettyjen ihmisten ja tilanteiden kanssa, koska sinusta tuntuu, että kaiken on oltava "oikeudenmukaista" omien parametriesi mukaan.

Mutta oikeudenmukaisuus on harvoin ehdotonta ja voi usein olla itsekästä.

Oletat esimerkiksi, että kumppanisi tulee kotiin ja hieroo jalkojasi. Se on vain "reilua", koska käytit koko iltapäivän valmistamalla heille illallisen.

Mutta he saapuvat väsyneinä ja haluavat vain käydä kylvyssä. He uskovat, että on ”oikeudenmukaista” rentoutua päivän kaaoksesta, jotta he voivat kiinnittää täyden huomion sinuun ja nauttia illallisesta sen sijaan, että he olisivat hajamielisiä ja väsyneitä.

Syyllistäminen

Syyteleminen tarkoittaa muiden asettamista vastuuseen tunteistasi.

"Sait minut tuntemaan oloni huonoksi" määrittelee yleensä tämän kognitiivisen vääristymän. Vaikka muut käyttäytyvätkin loukkaavasti, hallitset kuitenkin miltä sinusta tuntuu useimmissa tilanteissa.

Vääristyminen johtuu uskomuksesta, että muilla on valta vaikuttaa elämääsi, jopa enemmän kuin sinulla.

Pitäisi

Kognitiivisina vääristyminä "pitäisi" -lausunnot ovat subjektiivisia rautaisia ​​sääntöjä, jotka asetat itsellesi ja muille ottamatta huomioon olosuhteiden erityispiirteitä.

Kerrot itsellesi asiat pitäisi olla tietty tapa ilman poikkeuksia.

Olet esimerkiksi sitä mieltä, että ihmisten pitäisi olla aina ajoissa tai että jonkun riippumattoman ei pitäisi koskaan pyytää apua.

Kun kyse on itsestäsi, saatat uskoa, että sinun pitäisi aina sängyt laittaa, tai sinun pitäisi aina saada ihmiset nauramaan.

"Sinun pitäisi olla parempi", sanot jatkuvasti itsellesi.

Kun näitä asioita ei tapahdu - ne todella riippuvat monista tekijöistä - tunnet syyllisyyttä, pettymystä, pettymystä tai turhautumista.

Saatat uskoa, että yrität motivoida itseäsi näillä lausunnoilla, kuten "minun pitäisi mennä kuntosalille joka päivä".

Kuitenkin, kun olosuhteet muuttuvat, etkä voi tehdä mitä teet pitäisi, olet vihainen ja järkyttynyt. Lähdit töistä myöhään etkä päässyt esimerkiksi kuntosalille.

Emotionaalinen päättely

Emotionaalinen päättely saa sinut uskomaan, että tunteesi heijastavat todellisuutta. "Tunnen tämän tilanteen näin, joten sen on oltava tosiasia", määrittelee tämä kognitiivinen vääristymä.

Esimerkiksi riittämättömyyden tunne tilanteessa muuttuu "en kuulu mihinkään".

Tämä kognitiivinen vääristymä voi myös saada sinut uskomaan, että tulevat tapahtumat riippuvat siitä, miltä sinusta tuntuu.

Voit esimerkiksi uskoa lujasti, että tänään tapahtuu jotain pahaa, koska heräsit ahdistuneena.

Voit myös arvioida satunnaisen tilanteen emotionaalisen reaktion perusteella. Jos joku sanoo jotain, joka saa sinut vihaiseksi, päätät heti, että hän kohtelee sinua huonosti.

Muutoksen harhaluulo

Muutoksen harhaluulo on odottanut, että muut ihmiset muuttavat tapojaan vastaamaan odotuksiasi tai tarpeitasi, varsinkin kun painostat heitä tarpeeksi.

Haluat esimerkiksi, että kumppanisi keskittyy vain sinuun, vaikka tietää, että he ovat aina olleet hyvin sosiaalisia ja arvostavat aikaa ystävien kanssa.

Joten aina, kun he menevät ulos, kerrot heille, että se ei ole kunnossa. Lopulta sinä tietää he muuttavat tapojaan ja haluavat pysyä kotona koko ajan.

Globaali merkintä

Merkinnät tai väärät merkinnät tarkoittavat yhden määritteen ottamista ja sen muuttamista absoluuttiseksi.

Näin tapahtuu, kun tuomitset ja määrittelet sitten itsesi tai muut yksittäisen tapahtuman perusteella.

Tunnisteet ovat yleensä negatiivisia ja äärimmäisiä.

Näet esimerkiksi uuden joukkuetoverisi meikattavan ennen kokousta ja kutsut häntä "matalaksi". Tai he eivät lähetä raporttia ajoissa, ja merkitset ne "hyödyttömiksi".

Tämä on äärimmäisen yleinen yleistymismuoto, joka saa sinut arvioimaan toimintaa ottamatta huomioon asiayhteyttä. Tämä puolestaan ​​saa sinut näkemään itsesi ja muut tavoilla, jotka eivät ehkä ole tarkkoja.

Tunnisteiden määrittäminen muille voi vaikuttaa siihen, miten käytät niitä. Tämä puolestaan ​​voi lisätä kitkaa suhteisiisi.

Kun annat nämä tarrat itsellesi, se voi vahingoittaa itsetuntoasi ja itseluottamustasi, mikä saa sinut tuntemaan olosi epävarmaksi ja ahdistuneeksi.

Aina oikeassa

Tämä halu muuttuu kognitiiviseksi vääristymäksi, kun se voittaa kaiken muun, myös todisteet ja muiden ihmisten tunteet.

Tässä kognitiivisessa vääristymässä näet omat mielipiteesi elämän tosiasioina. Siksi teet paljon vaivaa todistaaksesi, että olet oikeassa.

Esimerkiksi riitelet sisaruksesi kanssa siitä, kuinka vanhempasi eivät ole tukeneet sinua tarpeeksi. Olet vakuuttunut siitä, että näin oli koko ajan, kun taas sisaruksesi uskoi sen vaihtelevan tilanteen mukaan.

Koska sisaruksesi ei tunne samoin, tulet vihaiseksi ja sanot asioita, jotka hierovat sisarustasi väärin.

Tiedät, että he ovat järkyttyneitä, mutta jatkat väitteitä todistaaksesi väitteesi.


Pakko

Pakko -oireet ovat toistuvia ja jatkuvia ajatuksia, impulsseja tai kuvia, jotka aiheuttavat ahdistavia tunteita, kuten ahdistusta tai inhoa. Monet ihmiset, joilla on OCD, ymmärtävät, että ajatukset, impulssit tai kuvat ovat heidän mielensä tuote ja ovat liiallisia tai kohtuuttomia. Näiden tunkeilevien ajatusten aiheuttamaa ahdistusta ei kuitenkaan voida ratkaista logiikalla tai järkeilyllä. Useimmat ihmiset, joilla on OCD, yrittävät lievittää pakkomielteistä kärsimystä pakotuksilla, sivuuttaa tai tukahduttaa pakkomielteet tai häiritä itseään muulla toiminnalla.

  • Pelko ihmisten tai ympäristön saastumisesta
  • Häiritseviä seksuaalisia ajatuksia tai kuvia
  • Pelko räikeiden tai loukkausten purkautumisesta
  • Äärimmäistä huolta järjestyksestä, symmetriasta tai tarkkuudesta
  • Toistuvat tunkeilevat ajatukset äänistä, kuvista, sanoista tai numeroista
  • Pelko menettää tai hylätä jotain tärkeää