人工智能技术价值激励领域指标在学员适应不良预测中的应用

封面

如何引用文章

全文:

开放存取 开放存取
受限制的访问 ##reader.subscriptionAccessGranted##
受限制的访问 订阅存取

详细

一项回顾性队列研究。从2013年到2021年，对库兹涅佐夫海军学院军事教学和研究中心的734名学员进行了调查，其中48人被诊断为适应不良。使用神经网络对适应不良的预测进行数学模拟。进行了8个周期神经网络训练和7个周期的神经网络模型验证。论证利用人工智能技术价值激励领域指标预测学员适应不良的可能性。随着事实材料的增加，使用神经网络预测学员适应不良的模型的灵敏度增加：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 ，从0.43到1个标准单位（y = 0.017x2 - 0.0647x + 0.4898，R²= 0.8264）；特异性 — 从0.96到1个标准单位(y = -0.002x2 + 0.0211x + 0.9462，R²= 0.8923）；预测能力从91.8%提高到99.45%（y = -0.1477x2 + 2.3309x + 90.238，R²=0.9368）。在新样本上验证模型时，灵敏度平均为0.45个标准单位，呈上升趋势（y = 0.0207x2 - 0.1214x + 0.5271 ， R ²= 0.6945），特异性 — 0.97个标准单位（y= -0.0048x2 + 0.0388x + 0.9086，R²= 0.772），预测能力 — 92.6%（y = -0.4962x2 + 3.5402x + 88.447，R²= 0.6598）。由此可见，利用神经网络预测学员适应不良的模型，可以识别出适应不良的学员，准确率在32%到 72%之间，而在没有适应不良的学员中，错误预测的比例不超过6%。该模型的预测能力指标在内容上接近于以65-70%的标准指标预测专业适应性的绝对准确率。研究中验证模型的预测能力从89.7%到 96.4%，这证实神经网络用于预测适应不良的高效率。被调查的价值激励领域指标与预测学员适应不良的神经网络的相结合，创建了一个高效的人工智能系统。为了最优化的选拔和辅导，将这种方法应用于军事大学军人的医疗和心理辅导措施中是可以接受的。

作者简介

Alexey N. Yatmanov

Kirov Military Medical Academy; Naval Academy named after Admiral of the Fleet of the Soviet Union N.G. Kuznetsov

编辑信件的主要联系方式.
Email: vmeda-nio@mil.ru
ORCID iD: 0000-0003-0043-3255
SPIN 代码: 4151-0625

MD, Cand. Sci. (Medicine)

俄罗斯联邦, Saint-Petersburg; Saint-Petersburg

Vasiliy Ya. Apchel

Kirov Military Medical Academy; Herzen State Pedagogical University of Russia

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

MD, Dr. Sci. (Medicine), professor

俄罗斯联邦, Saint-Petersburg; Saint-Petersburg

Dmitrii V. Ovchinnikov

Kirov Military Medical Academy

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

MD, Cand. Sci. (Med.), associate professor

俄罗斯联邦, Saint Petersburg

Vladislav V. Yusupov

Kirov Military Medical Academy

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

MD, Dr. Sci. (Medicine), professor

俄罗斯联邦, Saint Petersburg

Boris V. Ovchinnikov

Kirov Military Medical Academy

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

MD, Dr. Sci. (Medicine), professor

俄罗斯联邦, Saint Petersburg

Yuri L. Starenchenko

Kirov Military Medical Academy

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

Cand. Sci. (History), associate professor

俄罗斯联邦, Saint Petersburg

Yuri М. Babin

Kirov Military Medical Academy

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

adjunct

俄罗斯联邦, Saint Petersburg

Andrey V. Korzunin

Kirov Military Medical Academy

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

MD, Cand. Sci. (Medicine)

俄罗斯联邦, Saint Petersburg

Denis S. Tsvetkov

Kirov Military Medical Academy

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

therapist

俄罗斯联邦, Saint Petersburg

参考

  1. Mosyagin IG. Role and place of maritime medicine. Marine Medicine. 2023;9(3):7–12. EDN: FJMQXK doi: 10.22328/2413-5747-2023-9-3-7-12
  2. Kryukov EV, Ivchenko EV, Yusupov VV, et al. Relationship of professional success and development of cognitive mental processes and personal qualities of Vietnam naval specialists. Bulletin of the Russian Military Medical Academy. 2024;26(1):7–14. EDN: GYBLZE doi: 10.17816/brmma624879
  3. Andriychenko AM, Emushintsev PA. Application of objective diagnostic methods to assess professionally important qualities of divers. Marine Medicine. 2023;9(2):77–89. EDN: QPYTMV doi: 10.22328/2413-5747-2023-9-2-77-89
  4. Babin YuM, Yusupov VV, Blaginin AA, et al. Psychological and psychophysiological criteria for professional selection of aviation system operators. Military Medical Journal. 2024;345(8):43–50. EDN: EYPFFE
  5. Dorofeev II, Korzunin VA, Ovchinnikov BV, et al. Methodological aspects of allocation of categories of medical and psychological support of students. Clinical Psychology and Special Education. 2016;5(2):113–120. EDN: WGFEXT doi: 10.17759/cpse.2016050208
  6. Ovchinnikov BV, Dnov KV, Zaitsev AG, et al. Values and motivation in the professionalization of the serviceman. Bulletin of the Russian Military Medical Academy. 2017;(4):135–139. EDN: YLNRQY
  7. Kryukov EV, Ivchenko EV, Shamrey VK, et al. Modern approaches to the assessment of stress resistance in military personnel. Military Medical Journal. 2023;344(7):4–15. EDN: FNCQIP
  8. Ivchenko EV, Ovchinnikov DV Organization of scientific work as a guarantee of successful development of military medicine. In: 3rd Asian-Pacific Congress on Military Medicine. Congress Proceedings. 2016. P. 24–25. (In Russ.)
  9. Lipsky DL, Gura MS, Luchkin IV, et al. Application of machine learning in the medical and psychological support of military service services of foreign states. Living Psychology. 2023;10(4):15–24. EDN: PQSOJZ doi: 10.58551/24136522_2023_10_4_15
  10. Soshkin PA. distress tolerance and adaptive capabilities in naval specialists with signs of professional burnout. Marine Medicine. 2021;7(3): 62–70. EDN: RZUUGE doi: 10.22328/2413-5747-2021-7-3-62-70
  11. Lichko A.E. Psychopathy and character accentuations in adolescents. Leningrad: Medicine; 1983. 255 p. (In Russ.)
  12. Yusupov VV, Fishchenko DE, Yatmanov AN, et al. Machine learning in building cadet maladaptation forecasts. Medicо-Biological and Socio-Psychological Problems of Safety in Emergency Situations. 2023;(4):90–96. EDN: REWQVC doi: 10.25016/2541-7487-2023-0-4-90-96
  13. Baskin YuG, Svidzinskaya GB. Experience of using the semantic differential method in the educational process. Bulletin of the St. Petersburg University of the State Fire Service of the Ministry of Emergency Situations of Russia. 2021;(1):158–165. EDN: ZPNLEZ
  14. Borisov DN, Koluzov AV, Serezhkin IA. Opportunities for the development of artificial intelligence and big data in the field of health of servicemen In: State and prospects of development of modern science in the direction of “ASU, information and telecommunication systems”. 2020;3:177–183. EDN: XCNRHN
  15. Terletskiy AS, Terletskaya ES. Neural Networks and Artificial Intelligence: Foundations of Neural Networks in Python. Lipetsk; 2023. 76 p. (In Russ.) EDN: UGIPEE
  16. Apchel Vya, Bulka AP, Sysoev VN. Use of a mathematical model of a fuzzy neural network for professional psychological selection of personnel. Academic Journal. 2007;(5):136–143. (In Russ.) EDN: XWYOHB
  17. Zaitsev AG, Rezvantsev MV, Tegza VYu, et al. Mathematical model of forecast successfulness of N.G. Kuznetsov naval academy cadets’ professional military adaptation. Bulletin of the Russian Military Medical Academy. 2018;(1):160–163. EDN: YXCBUD
  18. Yatmanov AN. Psychological features of cadets with military professional maladjustment. Bulletin of the Russian Military Medical Academy. 2019;(2):92–96. (In Russ.) EDN: KFFMDW

补充文件

附件文件
动作
1. JATS XML
下载
2. Fig. 1. Area under ROC for neural network 30.MLP 16-7-2

下载 (127KB)
索引源数据
3. Fig. 2. Sensitivity of models for predicting cadet maladjustment using neural networks

下载 (157KB)
索引源数据
4. Fig. 3. Changes in specificity of models for predicting cadet maladjustment using neural networks

下载 (170KB)
索引源数据
5. Fig. 4. Changes in prognostic value of models for predicting cadet maladjustment using neural networks

下载 (161KB)
索引源数据
6. Fig. 5. Changes in sensitivity during testing of models for predicting cadet maladjustment using neural networks

下载 (144KB)
索引源数据
7. Fig. 6. Changes in sensitivity during testing of models for predicting cadet maladjustment using neural networks

下载 (154KB)
索引源数据
8. Fig. 7. Changes in predictive ability during testing of models for predicting cadet maladjustment using neural networks

下载 (143KB)
索引源数据

版权所有 © Eco-Vector, 2024

Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。

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».