Нейросетевой психометр

1.

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное автономное образовательное учреждение высшего образования
«Национальный исследовательский ядерный университет МИФИ»
ИНСТИТУТ ИНТЕЛЛЕКТУАЛЬНЫХ КИБЕРНЕТИЧЕСКИХ СИСТЕМ
КАФЕДРА КИБЕРНЕТИКИ (№ 22)
Учебно-исследовательская работа на тему:
«Нейросетевой психометр»
Студенты: Колесников Михаил Леонидович (Б22-534),
Егоров Вячеслав Алексеевич (Б22-554),
Шахпаронов Тимофей Александрович (Б22-534)
Руководитель: профессор кафедры Кибернетики ИИКС
НИЯУ МИФИ Самсонович Алексей Владимир
1

2.

Актуальность работы
Данная работа актуальна,
так как часто нужно
определять, как вести себя
с пользователем, по какимто признакам его
поведения. Если бы эту
функцию смог выполнять
автомат, это давало бы
преимущества.
Кому и когда это может быть
полезно?
Нужно понять, готов ли клиент на
приобретение какой-либо услуги.
Если готов, как его правильно
направить
Нужно оценить кандидата при
приеме на работу
и другие разные случаи...
2

3.

Цель и задачи
Цель: «Разработать средство на основе машинного обучения,
способное определять психотип человека по его поведению в
нетривиальной, психологической, социальной игре»
Задачи:
1) Изучить среду разработки Google Colab и библиотеку Keras
2) Изучить способы машинного обучения
3) Сформулировать парадигму (виртуальные место и обстоятельство,
при котором поведение человека могло быть связано с его
психологическими характеристиками) и реализовать её для
проведения сбора данных
4) Провести сбор и анализ данных
5) Обучить нейросеть классификации поведений испытуемых по
данным их психологических тестов
6) Оценить точность работы нейросети
3

4.

Структура нашего проекта
4

5.

Парсер
(ФИО испытуемых скрыты)
Парсер был реализован с помощью библиотеки selenium
На выходе таблица результатов психологических тестов испытуемых:
Бойко
Суммарный показатель эмпатии Рациональный канал
36
12
14
20
19
22
20
24
14
17
19
9
18
13
18
16
17
14
12
19
15
13
Эмоциональный канал
6
2
2
3
3
2
3
4
3
1
4
2
3
3
2
3
4
2
5
2
4
2
Интуитивный канал
6
3
2
4
5
4
6
5
5
5
5
3
5
4
4
3
4
1
0
4
1
1
6
2
0
3
1
3
2
3
2
0
1
1
1
0
1
0
1
5
1
4
3
0
и так далее
таблица
продолжается
5

6.

Один из двух самых релевантных 60 психологических параметров
Визуализация полученных кластеров
Один из двух самых релевантных 60 психологических параметров
6

7.

Реализация игры в бомбу
в телеграм-боте
7

8.

Представление данных о поведении в
нейросети
Все возможные действия игрока:
Ничего не
делать
получить от 0 получить от 0 получить от 0
кинуть 0
кинуть 1
кинуть на пол
0
1
получить от 1
кинуть 1
5
Выиграть
10
получить от 1
кинуть на пол
6
получить от 0
взорваться
11
2
3
получить от 1
кинуть 0
Данные о поведении представлены в
эгоцентричном формате
4
подобрать с пола подобрать с пола подобрать с пола
кинуть 0
кинуть 1
кинуть на пол
7
8
9
получить от 1
взорваться
12
подобрать с пола
взорваться
13
Просто
взорваться
14
8

9.

Обработка данных о поведении для
нейросети
Часть таблицы для визуального просмотра:
9

10.

Таблица входных данных о поведении игроков для нейросети
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
7
0
0
8
7
0
0
0
10
0
8
0
0
7
8
0
0
0
10
5
0
0
0
0
10
10
12
0
14
1
0
0
0
0
10
10
11
0
14
0
2
0
0
4
0
0
0
13
14
0
4
0
0
2
0
0
0
13
14
0
0
3
4
0
7
0
0
0
0
0
0
6
2
0
8
0
0
0
0
0
0
0
0
0
0
0
4
0
8
0
0
0
0
0
0
0
2
0
7
0
0
9
3
0
0
4
0
0
0
0
0
9
6
0
0
2
0
0
0
14
14
14
0
0
5
0
0
1
0
14
14
14
0
0
1
0
0
5
0
0
0
0
0
0
0
2
0
0
8
0
0
0
0
0
0
4
0
0
7
0
8
0
0
0
0
0
2
0
0
0
7
0
0
0
0
0
4
0
0
10
10
11
13
10
2
0
0
5
0
10
10
12
13
10
4
0
0
1
0
0
0
0
0
0
0
1
0
0
10
0
0
0
0
0
0
5
0
0
10
0
7
0
7
0
12
10
10
14
0
0
8
0
8
0
11
10
10
14
0
4
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
5
10
12
7
0
0
0
0
0
0
1
10
11
8
0
0
0
0
1
0
0
0
0
0
0
4
0
0
5
0
0
0
0
0
0
2
0
0
Таблица входных данных о психологических характеристиках игроков для нейросети
106
0
103
2
104
2
109
1
110
0
114
0
112
2
113
1
117
0
102
1
106
0
103
2
104
2
109
1
110
0
114
0
112
2
113
1
117
0
102
1
10

11.

Была написана нейросеть с помощью библиотека Keras.
Была использована архитектура LSTM и входной слой Embedding.
11

12.

Графики результатов обучения нейросети:
Итоговые результаты:
На обучающей выборке точность нейросети: 58%
На тестовой выборке точность нейросети: 67%
12

13.

Что можно делать дальше?
1. Можно собрать или сгенерировать большое количество данных
и уже на них обучить нейросеть. Тогда точность явно возрастет
2. Имея большой датасет, можно попробовать заменить входной
слой embedding на one hot encoding
13

14.

Заключение
Графики результатов обучения нейросети:
Один из двух самых релевантных 60 психологических параметров
Визуализация полученных кластеров
Один из двух самых релевантных 60 психологических параметров
Результаты указывают на наличие связи между психологическими характеристиками
участников и их поведением в игре. Для повышения точности предсказаний требуется обучение
нейросети на выборке большего объема.
14

15.

Использованное ПО
Pycharm
Google Colabotary
15

16.

Список литературы
1.
Cattell R.B., Cattell A.K., Cattell H.E.P. 16PF Fifth Edition Questionnaire. Champaign, IL: IPAT, 11. Zhengwei Wang, Qi She, Toma ś E. Ward, Generative Adversarial Networks in Computer
1993.
Vision: A Survey and Taxonomy, 2020.
2.
Бойко В.В. Энергия эмоций в общении: взгляд на себя и на других. М.: Филинъ, 1996. 12. Bourou, S.; El Saer, A.; Velivassaki, T.-H.; Voulkidis, A.; Zahariadis, T. A Review of Tabular
Data Synthesis Using GANs on an IDS Dataset. Information 2021, 12, 375.
https://doi.org/10.3390/info12090375
Mehrabian A., Epstein N. A measure of emotional empathy // Journal of Personality. 1972.
V. 40 No. 4. P. 525-543.
13. Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil
Ozair, Aaron Courville, Yoshua Bengio, Generative Adversarial Nets, QC H3C 3J7, 2014.
McCrae R.R., Costa P.T. Validation of the five - factor model of personality across
instruments and observers // Journal of Personality and Social Psychology, 1987, V. 52, P.
81-90.
14. Исследование и сравнительный анализ методов оптимизации, используемых при
обучении нейронных сетей И. Л. Каширина, М. В. Демченко Воронежский
государственный университет 2018 г.
Кравцова О.А., Прокофьева Т.Ю., Шайгерова Л.А., Солдатова Г.У. Психодиагностика
толерантности личности. Смысл, 2008.
15. Yong Yu, Xiaosheng Si, Changhua Hu, Jianxun Zhang, A Review of Recurrent Neural
Networks: LSTM Cells and Network Architectures,2019,
Matthews G., Deary I.J., Whiteman M.C. Personality traits. Cambridge University Press,
https://doi.org/10.1162/neco_a_01199
2003.
3.
4.
5.
6.
7.
8.
9.
Хромов А.Б. Пятифакторный опросник личности. Учебно-методическое пособие. —
Курган: КГУ, 2000.
16.
https://scikit-learn.org/stable/modules/generated/sklearn.cluster.AffinityPropagation.html
17. https://habr.com/ru/company/wunderfund/blog/331310/
Karson W., O’Dell J.W. A Guide to the Clinical Use of the 16PF. University of Michigan Press, 18.
Ann Arbor, 1976.
19.
https://habr.com/ru/company/wunderfund/blog/590651/
https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html
Marsella, S., Gratch, J., & Petta, P. Computational models of emotion // Scherer, K.R.,
Bänziger, T., & Roesch, E. (Eds.) A Blueprint for Affective Computing: A sourcebook and
manual. Oxford: Oxford University Press, 2010.
10. Goodfellow, I., Bengio, Y., and Courville, A. Deep learning. MIT press, 2016.
16

17.

Спасибо за внимание!!!
17