ՄԱՆԿԱԿԱՆ ՆԿԱՐՆԵՐԻ ՀՈԳԵԲԱՆԱԿԱՆ ԳՆԱՀԱՏՄԱՆ ՄԵՔԵՆԱՅԱԿԱՆ ՈՒՍՈՒՑՄԱՆ ԳՈՐԾԻՔՆԵՐԻ ԿԻՌԱՐՄԱՆ ԱՌԱՆՁՆԱՀԱՏԿՈՒԹՅՈՒՆՆԵՐԸ
DOI-:
https://doi.org/10.46991/SBMP/2024.7.2.022Բանալի բառեր-:
հոգեբանական գնահատում, մեծ լեզվի մոդելներ, մեքենայական ուսուցման գործիքներ, մանկական նկարներ, նեյրոնային ցանցեր, պրոյեկտիվ մեթոդԱմփոփում
Հոդվածում վերլուծված են երեխաների հոգեբանական վիճակի ուսումնասիրման պրոյեկտիվ մեթոդների օգտագործման առանձնահատկությունները, ինչպես նաև ներկայացված է նկարների հոգեբանական գնահատման համար մեքենայական ուսուցման գործիքների ներդրման պիլոտաժային փորձ: Այս հարցերը պետք է համակողմանի դիտարկվեն, քանի որ հոգեբանական գնահատման մեթոդների մեծ մասը և, մասնավորապես, պրոյեկտիվ մեթոդիկաները ունեն հուսալիության և վալիդության հատուկ չափանիշներ, ինչպես նաև պահանջում են հատուկ պատրաստվածություն և մասնագիտական իրավասություն դրանց մեկնաբանման համար: Հետազոտական նախագծի նպատակն է օգտագործել թվայնացված նկարները, որոնք ստեղծվել են Լեռնային Ղարաբաղից տեղահանված երեխաների կողմից՝ որպես գործիք՝ բացահայտելու և գնահատելու նրանց հոգեբանական վիճակը՝ օգտագործելով մեքենայական ուսուցման մեթոդները: Մենք կարծում ենք, որ այս մոտեցումը կարող է արժեքավոր տեղեկատվություն տրամադրել կոնֆլիկտներից տուժած երեխաների հոգեբանական բարեկեցության մասին և կարող է ծառայել որպես ախտորոշիչ գործիք տնտեսական և հումանիտար ճգնաժամի ժամանակ: Հոգեբանական գնահատման ժամանակ հատկանիշի բացահայտման մոտեցումը սահմանում է հիմնական տեսողական տարրերը, ինչպիսիք են օբյեկտի չափը, գույնը և տարածական հարաբերությունները, որոնք պատկերացում են տալիս հուզական և ճանաչողական վիճակների մասին: Այսպիսով, մեքենայական ուսուցման մեթոդների կիրառումը և, մասնավորապես, առանձնահատկությունների դուրսբերումը, դասակարգումը, կլաստերավորումը և Լեզուների մեծ մոդելների օգտագործումը առաջարկում է փոխակերպիչ մոտեցում երեխաների նկարների հոգեբանական գնահատմանը: Օգտագործելով Նեյրոնային ցանցերը՝ առանձնահատկությունների դուրսբերման համար, այս մոդելները կարող են ավտոմատ կերպով հայտնաբերել կարևոր տեսողական տարրեր, ինչպիսիք են գծի ինտենսիվությունը, ձևի համամասնությունները, գույների օգտագործումը և խորհրդանշական առարկաները: Այս ավտոմատացված պրոցեսը նվազեցնում է ավանդական ձեռքով մեկնաբանության հետ կապված սուբյեկտիվությունը և փոփոխականությունը՝ բարձրացնելով գնահատումների ճշգրտությունն ու մասշտաբայնությունը: Բացի այդ, դասակարգման և կլաստերավորման ալգորիթմները տրամադրում են երեխաների նկարները խմբավորելու կառուցվածքային եղանակներ՝ հիմնված նմանատիպ հոգեբանական թեմաների վրա, ինչը թույլ է տալիս ավելի օբյեկտիվ վերլուծություն իրականացնել:
Հղումներ
1. Ani Zlateva, How to Read Children’s Drawings. Centre for Resilience and Socio-Emotional Health, University of Malta, 2019. 184 p.
2. Auerbach, J. S. (1999). Psychoanalysis and Projective Testing: A Review of The Interpretation of Psychological Tests. Journal of Personality Assessment, 72(1), 147–163. https://doi.org/10.1207/s15327752jpa7201_10
3. Caymaz, G. F. Y., Türkdoğdu, H., Edgü, E., & Karaş, N. (2018). An analysis of Primary school-aged children’s drawings and their play area preferences. US-China Education Review, 8(5), 221-232. doi: 10.17265/2161-6248/2018.05.004
4. Chris Piotrowski, Use of Projective Techniques with Children: A Review of Contemporary Research Studies. SIS J. Proj. Psy. & Ment. Health (2024) 31: 2, 76-84
5. Drysdale, A. T., Grosenick, L., Downar, J., Dunlop, K., Mansouri, F., Meng, Y., ... & Etkin, A. (2017). Resting-state connectivity biomarkers define neurophysiological subtypes of depression. Nature Medicine, 23(1), 28-38.
6. Dwyer, D. B., Falkai, P., & Koutsouleris, N. (2018). Machine learning approaches for clinical psychology and psychiatry. Annual Review of Clinical Psychology, 14, 91–118.
7. Eitz, M., Hays, J., & Alexa, M. (2012). How do humans sketch objects? ACM Transactions on Graphics (TOG), 31(4), 1-10.
8. Frank, L. K. (1939). Projective Methods for the Study of Personality. The Journal of Psychology, 8(2), 389–413. https://doi.org/10.1080/00223980.1939.9917671;
9. Gal, A., Schur, Y., Nevo, E., & Gan, D. (2023). Using drawings and explanations based on attentive teaching as a means for understanding the social-ecological systems concept. Environmental Education Research, 29(2), 287-307.
10. He, K., Zhang, X., Ren, S., & Sun, J. (2016). "Deep residual learning for image recognition." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
11. Horowitz, R., & Murphy, L. B. (1938). Projective Methods in the Psychological Study of Children. The Journal of Experimental Education, 7(2), 133–140. https://doi.org/10.1080/00220973.1938.11010124
12. Ivanovici, M., Richard, N., Paulus, D. (2013). Color Image Segmentation. In: Fernandez-Maloigne, C. (eds) Advanced Color Image Processing and Analysis. Springer, New York, NY.
13. Jocher, G., Chaurasia, A. and Qiu, J. (2023) YOLO by Ultralytics. https://github.com/ultralytics/ultralytics
14. Kisiel, C.L., Fehrenbach, T., Torgersen, E. et al. Constellations of Interpersonal Trauma and Symptoms in Child Welfare: Implications for a Developmental Trauma Framework. J Fam Viol 29, 1–14 (2014). https://doi.org/10.1007/s10896-013-9559-0;
15. Klasen, F., Gehrke, J., Metzner, F., Blotevogel, M., & Okello, J. (2013). Complex Trauma Symptoms in Former Ugandan Child Soldiers. Journal of Aggression, Maltreatment & Trauma, 22(7), 698–713. https://doi.org/10.1080/10926771.2013.814741;
16. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems (NIPS), 25, 1097-1105.
17. Levin-Rozalis, Miri. Using projective Techniques in the Evaluation of Groups for Children of Rehabilitating Drug Addicts. Issues in Mental Health Nursing, 2006, 27(5), 519-535
18. Lilienfeld, S. O., Wood, J. M., & Garb, H. N. (2000). The Scientific Status of Projective Techniques. Psychological Science in the Public Interest, 1(2), 27-66. https://doi.org/10.1111/1529-1006.002
19. Long, J., Shelhamer, E., & Darrell, T. (2015). Fully Convolutional Networks for Semantic Segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 3431-3440.
20. Masoumeh Farokhi, Masoud Hashemi, The Analysis of Children's Drawings: Social, Emotional, Physical, and Psychological Aspects, Procedia - Social and Behavioral Sciences, Volume 30, 2011, Pages 2219-2224, https://doi.org/10.1016/j.sbspro.2011.10.433.
21. Mohd. Sarofil Abu Bakar, (2001) Children's drawings as research tool: establishing children's environmental concepts and preferences. Boston Spa, Wetherby. Chapter 6. P.198-521
22. Ojala, T., Pietikäinen, M., & Harwood, D. (1996). A Comparative Study of Texture Measures with Classification Based on Featured Distributions. Pattern Recognition, 29(1), 51-59.
23. Projective Techniques with Children. Editors, Albert I. Rabin, Mary Robbins Haworth, Mary Haworth. Edition, illustrated. Publisher, Grune & Stratton, 1960.
24. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). "You only look once: Unified, real-time object detection." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
25. Sacchet Matthew D., Prasad G., Foland-Ross Lara C., Thompson Paul M, Gotlib Ian H. 2015 ,Support Vector Machine Classification of Major Depressive Disorder Using Diffusion-Weighted Neuroimaging and Graph Theory,Frontiers in Psychiatry, doi : 10.3389/fpsyt.2015.00021
26. Sarah B., Raphael P., Jennifer S., Stephanie S., Bruce W. (2022) Identifying psychological trauma among Syrian refugee children for early intervention: Analyzing digitized drawings using machine learning, Journal of Development Economics,Volume 156,102822.
27. Simonyan, K., & Zisserman, A. (2015). Very deep convolutional networks for large-scale image recognition. In Proceedings of the International Conference on Learning Representations (ICLR).
28. Simo-Serra, E., Iizuka, S., et al. (2016). Learning to Simplify: Fully Convolutional Networks for Rough Sketch Cleanup. ACM Transactions on Graphics, 35(4), 121:1-121:11.
29. Stolbach, B. C., Minshew, R., Rompala, V., Dominguez, R. Z., Gazibara, T., & Finke, R. (2013). Complex trauma exposure and symptoms in urban traumatized children: a preliminary test of proposed criteria for developmental trauma disorder. Journal of Traumatic Stress, 26(4), 483–491. doi:10.1002/jts.21826.
30. William I. Dorfman, Michel Hersen (2001) Understanding Psychological Assessment. Chapter 18. Integrated Report. William J. Burns and Bady Quintar. p.353
31. Yarkoni, T., & Westfall, J. (2017). Choosing prediction over explanation in psychology: Lessons from machine learning. Perspectives on Psychological Science, 12(6), 1100–1122.
32. Yates, T. M., & Peterson, C. A. (2004). The psychological assessment of abused and traumatized children. Journal of Personality Assessment, 83(2), 180-182. doi:10.1207/s15327752jpa8302_12
Ներբեռնումներ
Հրատարակվել է
Թողարկում
Բաժին
Արտոնագհր
Copyright (c) 2024 Hrachya Hovhannisyan, Hrant Avanesyan, Arman Babayan, Yenok Hakobyan
Այս աշխատանքն արտոնագրված է որպես a Creative Commons Attribution-NonCommercial 4.0 International License.
