ОСОБЕННОСТИ ПРИМЕНЕНИЯ ИНСТРУМЕНТОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПСИХОЛОГИЧЕСКОЙ ОЦЕНКИ ДЕТСКИХ РИСУНКОВ
DOI:
https://doi.org/10.46991/SBMP/2024.7.2.022Ключевые слова:
проективный метод, детские рисунки, инструменты машинного обучения, большие языковые модели, нейронные сети, психологическая оценкаАннотация
В статье представлен анализ особенностей применения проективных методов для тестирования психологического состояния детей, а также пилотажный эксперимент по внедрению инструментов машинного обучения для психологической оценки рисунков. Эти вопросы необходимо рассматривать комплексно, поскольку большинство методов психологической оценки и, в частности, проективных технологий предъявляют особые требования к надежности и валидности, а также требуют специальной подготовки и профессиональной компетентности для их интерпретации. Целью исследовательского проекта является использование оцифрованных рисунков, созданных внутренне перемещенными детьми Нагорного Карабаха, в качестве инструмента для выявления и оценки их психологического состояния с использованием методов машинного обучения. Мы считаем, что этот подход может дать ценную информацию о психическом благополучии детей, пострадавших от конфликта, и может служить диагностическим инструментом в периоды экономического и гуманитарного кризиса. Предлагаемый подход извлечения признаков в психологической оценке определяет ключевые визуальные элементы, такие как размер объекта, цвет и пространственные отношения, которые дают представление об эмоциональных и когнитивных состояниях. Таким образом, применение методов машинного обучения, и, в частности, извлечения признаков, классификации, кластеризации и использования больших языковых моделей (Large Language Models), предлагает преобразующий подход к психологической оценке детских рисунков. Используя нейронные сети (Neural Networks) для извлечения признаков, эти модели могут автоматически обнаруживать важные визуальные элементы, такие как интенсивность линий, пропорции форм, использование цвета и символические объекты. Это автоматизированное извлечение снижает субъективность и изменчивость, связанные с традиционной ручной интерпретацией, повышая точность и масштабируемость оценок. Кроме того, алгоритмы классификации и кластеризации предоставляют структурированные способы группировки детских рисунков на основе схожих психологических тем, что позволяет проводить более объективный анализ.
Библиографические ссылки
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
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Hrachya Hovhannisyan, Hrant Avanesyan, Arman Babayan, Yenok Hakobyan
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
