Evaluation of the effectiveness of training and the use of neural networks to predict biological age.

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

Neural network training is widely used in various educational fields: staff training, mastering the curriculum at school and university, forming recommendations for private use by respondents, for teaching pensioners health-saving techniques. It is relevant to analyze the learning process of neural networks and evaluate their effectiveness on various models. For the study, a model was chosen for predicting the index of biological aging of a person based on the characteristics of his personality. To train neural networks, a data matrix of 1,632 people aged 35 to 70 years was compiled. Output variable: biological aging index; input variables: gender, age, family and professional status, place of residence, body type, type of functional asymmetry, style of relationships with people, as well as personal resources. Four neural networks were trained: for men and women, for working professionals and for pensioners. Results: 1) trained neural networks give different recommendations for men and women of pre-retirement and post-retirement age. 2) The effectiveness of predicting the biological aging index using neural networks turned out to be significantly high for all trained programs. 3) Neural networks can be used to model various social situations and identify what changes this will lead to for output variables. Situations were modeled: a) if all single adults get married, b) if all family adults break up, c) if everyone receives the recommendations of psychologists on the selection of personal resources and will use them. The neural network has issued a forecast: it is better for adult women not to change their family status/it is better for adult men to change their status. The use of personal resources selected by psychologists is effective for everyone.

Әдебиет тізімі

  1. Анохин К. В., Новоселов К. С., Смирнов С. К. Искусственный интеллект для науки и наука для искусственного интеллекта / К. В. Анохин, К. С. Новоселов, С. К. Смирнов [и др.] // Вопросы философии. – 2022. – № 3. – С. 93-105. – doi: 10.21146/0042-8744-2022-3-93-105.
  2. Фролов В. А., Феклисов Е. Д., Трофимов М. А., Волобой А. Г. Синтез изображений интерьеров для обучения нейросетей // Препринты ИПМ им. М.В. Келдыша. – 2020. – № 81. – С. 1-20. – doi: 10.20948/prepr-2020-81.
  3. Коган, М. С. О возможном использовании нейросети chatgpt в обучении иностранным языкам // Иностранные языки в школе. – 2023. – № 3. – С. 31-38.
  4. Гриншкун В. В. Применение адаптивных тестов с нейросетями в измерении результативности обучения информатике / В. В. Гриншкун, Е. И. Горюшкин // Вестник МГПУ. Серия: Информатика и информатизация образования. – 2007. – № 10. – С. 11-14.
  5. Булыгина А. О. Роль генеративных нейросетей в обучении искусствам студентов художественно-графических факультетов // Проблемы современного педагогического образования. – 2023. – № 78-3. – С. 44-47.
  6. Березина Т.Н. Об эмоциональной безопасности образовательной среды Психология и психотехника. 2013, № 9. С. 897 – 902. doi: 10.7256/2070-8955.2013.9.9375.
  7. Махметова А. Ж. Е. Нейросети в системе обучения персонала: проблемы и маркетинговые перспективы применения / А. Ж. Е. Махметова, И. М. Кублин, Р. О. Шарапов // Практический маркетинг. – 2023. – № 4(310). – С. 42-46. – doi: 10.24412/2071-3762-2023-4310-42-46.
  8. Елькина Е. Л. Нейросети. ИИ в обучении композиции студентов-дизайнеров // Вестник педагогических наук. – 2023. – № 3. – С. 101-106.
  9. Дианов Р. С. Обучение нейросети прогнозирования результатов интенсификации притока газа в условиях недостаточности информации // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. – 2009. – № 1. – С. 101-104.
  10. Грицков И. О., Говоров А. В., Васильев А. О. Data Science-глубокое обучение нейросетей и их применение в здравоохранении / И. О. Грицков, А. В. Говоров, А. О. Васильев [и др.] // Здоровье мегаполиса. – 2021. – Т. 2. № 2. – С. 109-115. – doi: 10.47619/2713-2617.zm.2021.v2i2;109-115.
  11. Петров А. Н. Обучение нейросети как инструмент системного анализа многомерных данных психодиагностики / А. Н. Петров, Г. Ф. Иванова, Е. В. Славутская // Вестник Чувашского университета. – 2018. – № 1. – С. 162-168.
  12. Rastelli C., Greco A., Kenett Y.N., Finocchiaro C., Pisapia N. De Simulated visual hallucinations in virtual reality enhance cognitive flexibility. Scientific Reports, 2022. Vol. 12, article ID 4027, 14 p. doi: 10.1038/s41598-022-08047-w.
  13. Коннова Н. С. Применение нейросетей и алгоритмов машинного обучения с целью диагностики сердечно-сосудистых заболеваний на основе сигналов СКГ / Н. С. Коннова, В. Ю. Хаперская // Биомедицинская радиоэлектроника. – 2020. – Т. 23. № 1. – С. 5-20. – doi: 10.18127/j15604136-202001-01.
  14. Обухова Л.Ф., Обухова О.Б., Шаповаленко И.В. Проблема старения с биологической и психологической точек зрения [Электронный ресурс] // Психологическая наука и образование. 2003. Том 8. № 3.
  15. Березина Т.Н., Литвинова А.В., Зинатуллина А.М. Взаимосвязь индивидуально-личностных стратегий антистарения с биологическим возрастом [Электронный ресурс] // Современная зарубежная психология. 2022. Том 11. № 4. С. 73–89. https://doi.org/10.17759/jmfp.2022110407.
  16. Свидетельство о государственной регистрации программы для ЭВМ № 2022668987 Российская Федерация. «Антистарение XXI»: № 2022668380 : заявл. 07.10.2022 : опубл. 14.10.2022 / Т. Н. Березина, С. А. Рыбцов.
  17. Финогенова Т. А. Эмоциональная безопасность образовательной среды школы-интерната как условие снижения деструктивного защитно-совладающего поведения ее воспитанников // Человеческий капитал. – 2022. – № 7(163). – С. 174-184. – doi: 10.25629/HC.2022.07.19.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».