Применение показателей ценностно-мотивационной сферы с технологией искусственного интеллекта для прогноза дезадаптации курсантов

Обложка


Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Обосновывается возможность применения показателей ценностно-мотивационной сферы для прогноза дезадаптации курсантов с применением технологии искусственного интеллекта. Проведено когортное ретроспективное исследование. С 2013 по 2021 г. обследовано 734 курсанта Военного учебно-научного центра Военно-морского флота «Военно-морская академия имени Адмирала Флота Советского Союза Н.Г. Кузнецова», у 48 из них диагностирована дезадаптация. Математическое моделирование прогноза дезадаптации проведено с использованием нейронных сетей. Проведено 8 циклов обучения нейронных сетей и 7 циклов проверки моделей нейронных сетей. При увеличении фактического материала повышается чувствительность модели прогноза дезадаптации курсантов с применением нейронных сетей: 30.MLP 16-7-2; 28.MLP 16-13-2; 30.MLP 16-22-2; 29.MLP 16-31-2; 42.MLP 16-39-2; 19.MLP 16-45-2; 16.MLP 16-48-2; 30.MLP 16-30-2 от 0,43 до 1 усл. ед. (y = 0,017x2 – 0,0647x + 0,4898, R² = 0,8264); специфичность — от 0,96 до 1 усл. ед. (y = –0,002x2 + 0,0211x + 0,9462, R² = 0,8923); прогностическая способность увеличивается от 91,8 до 99,45 % (y = –0,1477x2 + 2,3309x + 90,238, R² = 0,9368). При проведении апробации моделей на новых выборках чувствительность составляет в среднем 0,45 усл. ед. при нарастающем тренде (y = 0,0207x2 – 0,1214x + 0,5271, R² = 0,6945), специфичность — 0,97 усл. ед. (y = –0,0048x2 + 0,0388x + 0,9086, R² = 0,772), прогностическая способность — 92,6 % (y = –0,4962x2 + 3,5402x + 88,447, R² = 0,6598). Таким образом, модель прогноза дезадаптации курсантов с применением нейронных сетей позволяет выявлять курсантов, у которых произойдет дезадаптация, с точностью от 32 до 72 %, при этом не более 6 % обследованным без дезадаптации будет дан ложный прогноз. Показатель прогностической способности модели близок по содержанию к абсолютной точности прогноза профпригодности с нормативными показателями 65–70 %. Прогностическая способность апробируемых в исследовании моделей от 89,7 до 96,4 % подтверждает высокую эффективность применения нейронных сетей для прогноза дезадаптации. Показатели ценностно-мотивационной сферы обследованных в сочетании с использованием нейронных сетей для прогноза дезадаптации курсантов создают высокоэффективную систему искусственного интеллекта. Допустимо применение подобного подхода в мероприятиях медико-психологического сопровождения военнослужащих военного вуза с целью оптимального отбора и сопровождения.

Полный текст

Доступ закрыт

Об авторах

Алексей Николаевич Ятманов

Военно-медицинская академия имени С.М. Кирова; Военно-морская академия имени Адмирала Флота Советского Союза Н.Г. Кузнецова

Автор, ответственный за переписку.
Email: vmeda-nio@mil.ru
ORCID iD: 0000-0003-0043-3255
SPIN-код: 4151-0625

канд. мед. наук

Россия, Санкт-Петербург; Санкт-Петербург

Василий Яковлевич Апчел

Военно-медицинская академия им. С.М. Кирова; Российский государственный педагогический университет им. А.И. Герцена

Email: vmeda-nio@mil.ru
ORCID iD: 0000-0001-7658-4856
SPIN-код: 4978-0785

д-р мед. наук, профессор

Россия, Санкт-Петербург; Санкт-Петербург

Дмитрий Валерьевич Овчинников

Военно-медицинская академия имени С.М. Кирова

Email: vmeda-nio@mil.ru
ORCID iD: 0000-0001-8408-5301
SPIN-код: 5437-3457

канд. мед. наук, доцент

Россия, Санкт-Петербург

Владислав Викторович Юсупов

Военно-медицинская академия имени С.М. Кирова

Email: vmeda-nio@mil.ru
ORCID iD: 0000-0002-5236-8419
SPIN-код: 9042-3320

д-р мед. наук, профессор

Россия, Санкт-Петербург

Борис Владимирович Овчинников

Военно-медицинская академия имени С.М. Кирова

Email: vmeda-nio@mil.ru
ORCID iD: 0000-0002-7669-7049
SPIN-код: 5086-8427

д-р мед. наук, профессор

Россия, Санкт-Петербург

Юрий Леонидович Старенченко

Военно-медицинская академия имени С.М. Кирова

Email: vmeda-nio@mil.ru
ORCID iD: 0009-0003-2755-1419
SPIN-код: 9590-3548

канд. ист. наук, доцент

Россия, Санкт-Петербург

Юрий Мирославович Бабин

Военно-медицинская академия имени С.М. Кирова

Email: vmeda-nio@mil.ru
ORCID iD: 0009-0005-1819-9729
SPIN-код: 5993-0815

адъюнкт

Россия, Санкт-Петербург

Андрей Владимирович Корзунин

Военно-медицинская академия имени С.М. Кирова

Email: vmeda-nio@mil.ru
ORCID iD: 0009-0007-9267-9450
SPIN-код: 1086-3283

канд. мед. наук

Россия, Санкт-Петербург

Денис Сергеевич Цветков

Военно-медицинская академия имени С.М. Кирова

Email: vmeda-nio@mil.ru
ORCID iD: 0000-0001-7213-804X

терапевт

Россия, Санкт-Петербург

Список литературы

  1. Мосягин И.Г. Роль и место морской медицины // Морская медицина. 2023. Т. 9, № 3. С. 7–12. EDN: FJMQXK doi: 10.22328/2413-5747-2023-9-3-7-12
  2. Крюков Е.В., Ивченко Е.В., Юсупов В.В., и др. Взаимосвязь профессиональной успешности и развития познавательных психических процессов и личностных качеств специалистов Военно-морских сил Вьетнама // Вестник Российской военно-медицинской академии. 2024. Т. 26, № 1. C. 7–14. EDN: GYBLZE doi: 10.17816/brmma624879
  3. Андрийченко А.М., Емушинцев П.А. Применение объективных методов диагностики для оценки профессионально важных качеств водолазов: ретроспективное исследование // Морская медицина. 2023. Т. 9, № 2. С. 77–89. EDN: QPYTMV doi: 10.22328/2413-5747-2023-9-2-77-89
  4. Бабин Ю.М., Юсупов В.В., Благинин А.А., и др. Психологические и психофизиологические критерии профессионального отбора операторов авиационных систем // Военно-медицинский журнал. 2024. Т. 345. № 8. С. 43–50. EDN: EYPFFE
  5. Дорофеев И.И., Корзунин В.А., Овчинников Б.В., и др. Методологические аспекты выделения категории медико-психологического сопровождения курсантов // Клиническая и специальная психология. 2016. Т. 5, № 2. С. 113–120. EDN: WGFEXT doi: 10.17759/cpse.2016050208
  6. Овчинников Б.В., Днов К.В., Зайцев А.Г., и др. Ценности и мотивация в профессионализации военнослужащего // Вестник Российской военно-медицинской академии. 2017. № 4. С. 135–139. EDN: YLNRQY
  7. Крюков Е.В., Ивченко Е.В., Шамрей В.К., и др. Современные подходы к оценке стрессоустойчивости у военнослужащих // Военно-медицинский журнал. 2023. Т. 344, № 7. С. 4–15. EDN: FNCQIP
  8. Ивченко Е.В., Овчинников Д.В. Организация научной работы как залог успешного развития военной медицины // 3-й Азиатско-тихоокеанский конгресс по военной медицине. Материалы конгресса. 2016. С. 24–25.
  9. Липский Д.Л., Гура М.С., Лучкин И.В., и др. Применение машинного обучения в медико-психологическом сопровождении военнослужащих иностранных государств // Живая психология. 2023. Т. 10, № 4. С. 15–24. EDN: PQSOJZ doi: 10.58551/24136522_2023_10_4_15
  10. Сошкин П.А. Стрессоустойчивость и адаптивные возможности у военно-морских специалистов с признаками профессионального выгорания // Морская медицина. 2021. Т. 7, № 3. С. 62–70. EDN: RZUUGE doi: 10.22328/2413-5747-2021-7-3-62-70
  11. Личко А.Е. Психопатии и акцентуации характера у подростков. Ленинград: Медицина, 1983. 255 с.
  12. Юсупов В.В., Фищенко Д.Е., Ятманов А.Н., и др. Прогноз дезадаптации курсантов с применением методов машинного обучения // Медико-биологические и социально-психологические проблемы безопасности в чрезвычайных ситуациях. 2023. № 4. С. 90–96. EDN: REWQVC doi: 10.25016/2541-7487-2023-0-4-90-96
  13. Баскин Ю.Г., Свидзинская Г.Б. Опыт использования метода семантического дифференциала в образовательном процессе // Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России. 2021. № 1. С. 158–165. EDN: ZPNLEZ
  14. Борисов Д.Н., Колузов А.В., Сережкин И.А. Возможности развития искусственного интеллекта и больших данных в области здоровья военнослужащих // Состояние и перспективы развития современной науки по направлению «АСУ, информационно-телекоммуникационные системы». 2020. Т. 3. С. 177–183. EDN: XCNRHN
  15. Терлецкий А.С., Терлецкая Е.С. Нейронные сети и искусственный интеллект: основы нейронных сетей на языке python. Липецк, 2023. 76 с. EDN: UGIPEE
  16. Апчел В.Я., Булка А.П., Сысоев В.Н. Использование математической модели нечёткой нейронной сети для профессионального психологического отбора кадров // Академический журнал. 2007. № 5. С. 136–143. EDN: XWYOHB
  17. Зайцев А.Г., Резванцев М.В., Тегза В.Ю., и др. Математическая модель прогноза успешности военно-профессиональной адаптации курсантов военно-морской академии им. Н.Г. Кузнецова // Вестник Российской военно-медицинской академии. 2018. № 1. С. 160–163. EDN: YXCBUD
  18. Ятманов А.Н. Психологические особенности профессионально дезадаптированных курсантов // Вестник Российской военно-медицинской академии. 2019. № 2. С. 92–96. EDN: KFFMDW

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Площадь ROC-кривой нейронной сети 30.MLP 16-7-2

Скачать (127KB)
3. Рис. 2. Чувствительности моделей прогноза дезадаптации курсантов с применением нейронных сетей

Скачать (157KB)
4. Рис. 3. Динамика изменения специфичности моделей прогноза дезадаптации курсантов с применением нейронных сетей

Скачать (170KB)
5. Рис. 4. Динамика изменения прогностической способности моделей прогноза дезадаптации курсантов с применением нейронных сетей

Скачать (161KB)
6. Рис. 5. Динамика изменения чувствительности при апробации моделей прогноза дезадаптации курсантов с применением нейронных сетей

Скачать (144KB)
7. Рис. 6. Динамика изменения специфичности при апробации моделей прогноза дезадаптации курсантов с применением нейронных сетей

Скачать (154KB)
8. Рис. 7. Динамика изменения прогностической способности при апробации моделей прогноза дезадаптации курсантов с применением нейронных сетей

Скачать (143KB)

© Эко-Вектор, 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ПИ № ФС 77 - 77762 от 10.02.2020.