Предсказание результатов теста Р. Кеттелла на основе профилей пользователей социальной сети

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В статье описывается исследование цифровых следов пользователей в социальной сети и результаты прохождения 16-факторного теста Р. Кеттелла. Метод исследования заключается в применении статистических инструментов и релевантных алгоритмов машинного обучения к анкетным данным полученным со страниц пользователей. Основные результаты эксперимента заключаются в выявлении корреляции между факторами, оцениваемыми тестом Р. Кеттела, и цифровыми следами, а также построении предсказательных моделей. Лучшие результаты среди методов машинного обучения для предсказывания результатов теста Р. Кеттелла показали алгоритмы градиентного бустинга с максимальным значением метрики F1-micro 0,606, которое удалось достичь на факторе «эмоциональная чувствительность» (фактор I). Практическая значимость работы заключается в разработке инструмента для автоматизированного предсказания результатов теста Р. Кеттелла на основе цифровых следов пользователя. Теоретическая значимость заключается в разработке метода для автоматизации оценки выраженности личностных особенностей пользователей социальных сетей по их цифровым следам.

Об авторах

Григорий Евгеньевич Рязанцев

Санкт-Петербургский государственный университет

Автор, ответственный за переписку.
Email: st088141@student.spbu.ru

бакалавр

Россия, Санкт-Петербург

Валерий Дмитриевич Олисеенко

Санкт-Петербургский Федеральный исследовательский центр РАН

Email: vdo@dscs.pro

младший научный сотрудник

Россия, Санкт-Петербург

Максим Викторович Абрамов

Санкт-Петербургский Федеральный исследовательский центр РАН

Email: mva@dscs.pro

старший научный сотрудник, кандидат технических наук

Россия, Санкт-Петербург

Татьяна Валентиновна Тулупьева

Санкт-Петербургский Федеральный исследовательский центр РАН; Северо-Западный институт управления РАНХиГС

Email: tvt@dscs.pro

доцент, старший научный сотрудник, кандидат психологических наук

Россия, Санкт-Петербург; Санкт-Петербург

Список литературы

  1. Kern M.L., Friedman H.S. Personality and Pathways of Influence on Physical Health // Social and Personality Psychology Compass. 2011. № 5. P. 76–87. Doi: 10.1111%2Fj.1751-9004.2010.00331.x.
  2. Luo J., Zhang B., Estabrook R., Graham E. K., Driver C. C., Schalet B. D., Turiano N. A., Spiro A., Mroczek, D. K. Personality and health: Disentangling their between-person and within-person relationship in three longitudinal studies // Journal of Personality and Social Psychology. 2020. Vol.
  3. 122. № 3. P. 493–522. doi: 10.1037/pspp0000399.
  4. Luo J., Zhang B., Cao M., Roberts, B.W. The Stressful Personality: A Meta-Analytical Review of the Relation Between Personality and Stress // Personality and Social Psychology Review. 2022. №27(2). P. 128–194. doi: 10.1177/10888683221104002.
  5. Ho S., Wong A. The role of customer personality in premium banking services // Journal of Financial Services Marketing. 2022. № 28. P. 1–21. doi: 10.1057/s41264-022-00150-3.
  6. Agyei J., Sun S., Abrokwah E., Penney E.K., Ofori-Boafo R. Mobile Banking Adoption: Examining the Role of Personality Traits // SAGE Open. 2020. Vol.10. №2. doi: 10.1177/2158244020932918
  7. Netzer O., Lemaire A., Herzenstein M. When Words Sweat: Identifying Signals for Loan Default in the Text of Loan Applications // Journal of Marketing Research. 2019. Vol. 56. №6. P. 960–980. doi: 10.1177/0022243719852959.
  8. Wu W., Chen L., He L. Using personality to adjust diversity in recommender systems // HT 2013 Proceedings of the 24th ACM Conference on Hypertext and Social Media. 2013. P. 225–229. doi: 10.1145/2481492.2481521.
  9. Smith, T.A. The role of customer personality in satisfaction, attitude-to-brand and loyalty in mobile services // Spanish Journal of Marketing ESIC. 2020. Vol. 24. №. 2. P. 155–175. doi: 10.1108/SJME-06-2019-0036.
  10. Camoiras-Rodriguez Z., Varela C. The influence of consumer personality traits on mobile shopping intention // Spanish Journal of Marketing ESIC. 2020. Vol. 24. № 3. P. 331–353. doi: 10.1108/SJME-02-2020-0029.
  11. Abramov M.V., Tulupyev A.L., Suleymanov A.A. Analysis of users’ protection from socio-engineering attacks: social graph creation based on information from social network websites // Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 2018. Vol. 18. № 2. P. 313–321. doi: 10.17586/2226-1494-2018-18-2-313-321.
  12. Тулупьева Т.В., Абрамов М.В., Тулупьев А.Л. Социоинженерные атаки: социальные сети и оценки защищенности пользователей. Издательство: СанктПетербургский государственный университет аэрокосмического приборостроения. 2018. 266 с. ISBN 978-5-8088-1317-5.
  13. Кудинов С. И., Кудинов С. С. Психодиагностика личности. Издательство: Российский университет дружбы народов (РУДН). 2018. 232 с. ISBN: 978-5-209-08188-3
  14. Bushmelev F., Khlobystova A., Abramov M., Livshits L. Deep Machine Learning Techniques in the Problem of Estimating the Expression of Psychological Characteristics of a Social Media User // Artificial Intelligence in Models, Methods and Applications. AIES 2022. Studies in Systems, Decision and Control. 2023. Vol 457. P. 315–324. doi: 10.1007/978-3-031-22938-1_22
  15. Frolova M.S., Korepanova A.A., Abramov M.V. Assessing the Degree of the Social Media User's Openness Using an Expert Model Based on the Bayesian Network // 2021 XXIV International Conference on Soft Computing and Measurements (SCM). 2021. P. 52–55. doi: 10.1109/SCM52931.2021.9507111.
  16. Ignatiev N., Smirnov I., Stankevich M. Predicting Depression with Text, Image, and Profile Data from Social Media // International Conference on Pattern Recognition Applications and Methods. 2022. P. 753–760. doi: 10.5220/0010986100003122
  17. Choi T., Sung Y., Lee J., Choi S. Get behind my selfies: The Big Five traits and social networking behaviors through selfies // Personality and Individual Differences. 2017. Vol. 109. P. 98–101. doi: 10.1016/j.paid.2016.12.057.
  18. Kosinski M., Stillwell D., Graepel T. Private traits and attributes are predictable from digital records of human behavior // Proceedings of the National Academy of Sciences. 2013. Vol. 110. № 15. P. 5802–5805. doi: 10.1073/pnas.1218772110.
  19. Li L., Li A., Hao B., Guan Z., Zhu T. Predicting Active Users' Personality Based on Micro-Blogging Behaviors // PLOS ONE. 2014. Vol. 9. № 1. doi: 10.1371/journal.pone.0084997.
  20. Райгородский Д.Я. Практическая психодиагностика. Методики и тесты. Учебное пособие. Самара: Издательский дом «БАХРАХ-М». 2001. 672 С. ISBN 5-89570-005-5.
  21. Matz S., Chan Y.W.F., Kosinski M. Models of Personality // Emotions and Personality in Personalized Services. 2016. P. 35 54. doi: 10.1007/978-3-319-31413-6_3.
  22. Singh S., Farley S., Donahue J. Grandiosity on display: Social media behaviors and dimensions of narcissism // Personality and Individual Differences. 2018. Vol. 134. P. 308–313. doi: 10.1016/j.paid.2018.06.039.
  23. Chow T., Wan H. Is there any ‘Facebook Depression’? Exploring the moderating roles of neuroticism, Facebook social comparison and envy // Personality and Individual Differences. 2017. Vol. 119. P. 277–282. doi: 10.1016/j.paid.2017.07.032.
  24. Souri A., Hosseinpour S., Rahmani A.M. Personality classification based on profiles of social networks’ users and the five-factor model of personality. // Human-centric Computing and Information Science. 2018. Vol. 24, № 8. doi: 10.1186/s13673-018-0147-4.
  25. Titov S., Mararitsa L. Full-scale Personality Prediction on VKontakte Social Network and its Applications // 25th Conference of Open Innovations Association (FRUCT). 2019. P. 317–323. doi: 10.23919/FRUCT48121.2019.8981513.
  26. Олисеенко В.Д., Абрамов М.В. Предсказание результатов 16-факторного теста Р. Кеттелла на основе анализа текстовых постов пользователей социальной сети // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23, № 2. С. 279–288. doi: 10.17586/2226-1494-2023-23-2-279-288
  27. Grandini M., Bagli E., Visani G. Metrics for Multi-Class Classification: an Overview. 2020. doi: 10.48550/arXiv.2008.05756.
  28. Tanha J., Abdi Y., Samadi N. Boosting methods for multiclass imbalanced data classification: an experimental review. Journal of Big Data. 2020. Vol. 7. № 1. P. 70. doi: 10.1186/s40537-020-00349-y.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


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».