49133

ОПРЕДЕЛЕНИЕ ТИПА ЛИЧНОСТИ ПО ПРИНЦИПУ «ЛИДЕР ЛИ ТЫ»

Курсовая

Информатика, кибернетика и программирование

Искусственные нейронные сети Многослойные искусственные нейронные сети. А уже в 1943 году Маккалок и Питтс формализуют понятие нейронной сети в фундаментальной статье о логическом исчислении идей и нервной активности. Кохоненом представлена модель сети решающей задачу кластеризации и обучающейся без учителя самоорганизующаяся карта Кохонена.

Русский

2013-12-21

726 KB

2 чел.

Федеральное агентство по образованию

государственное образовательное учреждение высшего профессионального образования «ПЕРМСКИЙ ГОСУДАРСТВЕННЫЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ»

факультет информатики и экономики

кафедра информатики и ВТ

КУРСОВОЙ ПРОЕКТ

по дисциплине

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

на тему:

«ОПРЕДЕЛЕНИЕ ТИПА ЛИЧНОСТИ ПО ПРИНЦИПУ

«ЛИДЕР ЛИ ТЫ»

Работу выполнила студентка гр.1233

А.А. Калабанова

Научный руководитель

Профессор Ясницкий Л.Н.

Подпись

«____»________________2008г.

Пермь 2008

Содержание

[1] Содержание

[2] ВВЕДЕНИЕ

[3] ГЛАВА 1. Теоретический аспект

[3.1] Искусственные нейронные сети

[3.1.1] Виды активационных функций

[3.1.2] 1.1.2. Однослойный перцептрон.

[3.1.3] 1.1.3.  Многослойные искусственные нейронные сети.

[3.2] Обучение нейронных сетей

[3.3] 1.3. Области применения ИНС

[3.3.1] 1.3.1. Оценка стоимости подержанных автомобилей

[3.3.2] 1.3.2. Прогнозирование пола будущего ребенка

[3.3.3] 1.3.3. Оценка кредитоспособности физических лиц

[3.3.4] 1.3.4. Социология

[3.3.5] 1.3.5. Медицина

[4] ГЛАВА 2. Практическое применение ИНС в психологии

[4.1] 2.1. Определение задачи исследования

[4.2] 2.2. Анализ полученных результатов

[4.3] 2.3. Исследование на тему «Как влияет гендерный признак на тип личности»

[5] ЗАКЛЮЧЕНИЕ

[6] БИБЛИОГРАФИЧЕСКИЙ СПИСОК

[7] Список литературы

[8] Приложение


ВВЕДЕНИЕ

Исторически сложились три основных направления в моделировании искусственного интеллекта.

В рамках первого подхода объектом исследований являются структура и механизмы работы мозга человека, а конечная цель заключается в раскрытии тайн мышления. Необходимыми этапами исследований в этом направлении являются построение моделей на основе психофизиологических данных, проведение экспериментов с ними, выдвижение новых гипотез относительно механизмов интеллектуальной деятельности, совершенствование моделей и т. д.

Второй подход в качестве объекта исследования рассматривает непосредственно искусственный интеллект. Здесь речь идет о моделировании интеллектуальной деятельности с помощью вычислительных машин. Целью работ в этом направлении является создание алгоритмического и программного обеспечения вычислительных машин, позволяющего решать интеллектуальные задачи не хуже человека.

Наконец, третий подход ориентирован на создание смешанных человеко-машинных, или, как еще говорят, интерактивных интеллектуальных систем, на симбиоз возможностей естественного и искусственного интеллекта. Важнейшими проблемами в этих исследованиях является оптимальное распределение функций между естественным и искусственным интеллектом и организация диалога между человеком и машиной.

Наряду с развитием персональных ЭВМ, сетей  ЭВМ и высокопроизводительных  суперЭВМ традиционной архитектуры в последние годы существенно повысился интерес к разработке и созданию компьютеров нетрадиционного типа и, прежде всего, нейрокомпьютеров. Связано это с тем, что, несмотря на высокую производительность современных суперЭВМ, приближающуюся к предельно допустимой, все еще остается много практически важных проблем, для решения которых нужны более мощные и более гибкие вычислительные средства. Они необходимы для глобального моделирования процессов в экосистемах, при решении задач нейрофизиологии, искусственного интеллекта, метеорологии, сейсмологии и т. п. Необходимы они и  при создании систем управления адаптивных интеллектуальных роботов.

Бортовые ЭВМ таких роботов должны воспринимать большие объемы информации, поступающей от многих параллельно функционирующих датчиков, эффективно обрабатывать эту информацию и формировать управляющие воздействия на исполнительные системы в реальном масштабе времени. Более того, управляющие компьютеры интеллектуальных роботов должны оперативно решать задачи распознавания образов, самообучения, самооптимизации, самопрограммирования, т. е. те задачи, которые весьма сложны для традиционных ЭВМ и суперЭВМ.

Но современные представления об искусственных нейронных сетях сформировались благодаря  различным исследованиям в области Искусственного интеллекта ученых во всем мире. В качестве исторической справки: в 1942 году  Норберт Винер вместе с соратниками опубликовал работу о кибернетике. Основной идеей являлось представление сложных биологических процессов математическими моделями. А уже в 1943 году  Маккалок и Питтс формализуют понятие нейронной сети в фундаментальной статье о логическом исчислении идей и нервной активности. В 1962 году Розенблаттом изобретен перцептрон. Перцептрон обретает популярность — его используют для распознавания образов, прогнозирования погоды и т. д. Казалось, что построение полноценного искусственного интеллекта уже не за горами. В 1982 году после длительного упадка, интерес к нейросетям вновь возрастает. Хопфилд показал, что нейронная сеть с обратными связями может представлять собой систему, минимизирующую энергию (так называемая сеть Хопфилда). Кохоненом представлена модель сети, решающей задачу кластеризации и обучающейся без учителя — самоорганизующаяся карта Кохонена. И в это же время изобретен алгоритм обратного распространения ошибки, что позволило обучать многослойные перцептроны [6].

В данной курсовой работе мы попытались решить задачу скорее из области психологии, а именно определение типа личности в аспекте «лидер ли ты?».

Цель: определение типа личности на основании определенных данных об испытуемом.

В соответствии с целью можно выделить ряд задач, требующих решения:

  •  Определить понятие искусственного интеллекта;
  •  Рассмотреть особенности нейросимулятора;
  •  Обучить один из нейросимуляторов;
  •  Проанализировать полученные результаты.

Предметом исследования является развитие применения нейросетей в психологии.


ГЛАВА 1. Теоретический аспект

  1.  Искусственные нейронные сети

Развитие искусственных нейронных сетей вдохновляется биологией. То есть, рассматривая сетевые конфигурации и алгоритмы, исследователи делают это, используя термины характерные для описания организации мозговой деятельности. Но на этом аналогия, пожалуй, заканчивается. Наши знания о работе мозга столь ограничены, что мало бы нашлось ориентиров для тех, кто стал бы ему подражать. Поэтому разработчикам сетей приходится выходить за пределы современных биологических знаний в поисках структур, способных выполнять полезные функции.

Начнем с рассмотрения биологического прототипа - нейрона. Нейрон является нервной клеткой биологической системы. Он состоит из тела и отростков, соединяющих его с внешним миром (рис. 1.1).

Отростки, по которым нейрон получает возбуждение, называются дендритами. Отросток, по которому нейрон передает возбуждение, называется аксоном, причем аксон у каждого нейрона один. Дендриты и аксон имеют довольно сложную ветвистую структуру. Место соединения аксона нейрона - источника возбуждения с дендритом называется синапсом. Основная функция нейрона заключается в передаче возбуждения с дендритов на аксон. Но сигналы, поступающие с различных дендритов, могут оказывать различное влияние на сигнал в аксоне. Нейрон выдаст сигнал, если суммарное возбуждение превысит некоторое пороговое значение, которое в общем случае изменяется в некоторых пределах. В противном случае на аксон сигнал выдан не будет: нейрон не ответит на возбуждение. У этой основной схемы много усложнений и исключений, тем не менее, большинство искусственных нейронных сетей моделируют лишь эти простые свойства.

Широкий круг задач, решаемый НС, не позволяет в настоящее время создавать универсальные, мощные сети, вынуждая разрабатывать специализированные НС, функционирующие по различным алгоритмам [6].

Несмотря на существенные различия, отдельные типы НС обладают несколькими общими чертами.

Рис.1 Искусственный нейрон

Во-первых, основу каждой НС составляют относительно простые, в большинстве случаев – однотипные, элементы (ячейки), имитирующие работу нейронов мозга. Далее под нейроном будет подразумеваться искусственный нейрон, то есть ячейка НС. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон – выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Общий вид нейрона приведен на рисунке 1. Каждый синапс характеризуется величиной синаптической связи или ее весом wi, который по физическому смыслу эквивалентен электрической проводимости.

Текущее состояние нейрона определяется, как взвешенная сумма его входов:

 

Выход нейрона есть функция его состояния или эту функцию еще называют активационной функцией:

y = f(s)

  1.  Виды активационных функций

Рис. 2. Виды активационных функций

1. Жесткая ступенька.

Используется в классическом формальном нейроне. Развита полная теория, позволяющая синтезировать произвольные логические схемы на основе ФН с такой нелинейностью. Функция вычисляется двумя-тремя машинными инструкциями, поэтому нейроны с такой нелинейностью требуют малых вычислительных затрат. Эта функция чрезмерно упрощена и не позволяет моделировать схемы с непрерывными сигналами. Отсутствие первой производной затрудняет применение градиентных методов для обучения таких нейронов.

2. Логистическая функция. (сигмоида, функция Ферми)

Тоже применяется часто для сетей с непрерывными сигналами. Функция симметрична относительно точки (0,0), это преимущество по сравнению с сигмоидой.

3. Пологая ступенька.

Рассчитывается легко, но имеет разрывную первую производную в точках NET = Q, NET = Q + delta. Что усложняет процесс обучения.

4. Экспонента.

Применяется в специальных случаях.

5. Гауссова кривая

Применяется в случаях, когда реакция нейрона должна быть максимальной для некоторого определенного значения NET.

6. Линейная функция

Применяется для тех моделей сетей, где не требуется последовательное соединение слоев нейронов друг за другом.

1.1.2. Однослойный перцептрон.

Хотя один нейрон и способен выполнять простейшие процедуры распознавания, сила нейронных вычислений проистекает от соединений нейронов в сетях. Простейшая сеть состоит из группы нейронов, образующих слой, как показано в правой части рис. 3.

Рис. 3. Однослойный перцептрон

Отметим, что вершины слева служат лишь для распределения входных сигналов. Они не выполняют каких- либо вычислений, и поэтому не будут считаться слоем. Каждый элемент из множества входов Х отдельным весом соединен с каждым искусственным нейроном. А каждый нейрон выдает взвешенную сумму входов в сеть. В искусственных и биологических сетях многие соединения могут отсутствовать, все соединения показаны в целях общности.

,   j=1...3

1.1.3.  Многослойные искусственные нейронные сети.

Более крупные и сложные нейронные сети обладают, как правило, и большими вычислительными возможностями. Хотя созданы сети всех конфигураций, какие только можно себе представить, послойная организация нейронов копирует слоистые структуры определенных отделов мозга. Оказалось, что такие многослойные сети обладают большими возможностями, чем однослойные, и в последние годы были разработаны алгоритмы для их обучения. Многослойные сети могут образовываться каскадами слоев. Выход одного слоя является входом для последующего слоя. Подобная сеть показана на рис.4. [6]

Рис. 4. Двухслойный перцептрон.

Теоретически число слоев и число нейронов в каждом слое может быть произвольным, однако фактически оно ограничено ресурсами компьютера или специализированной микросхемы, на которых обычно реализуется НС. Чем сложнее НС, тем масштабнее задачи, подвластные ей.

  1.  Обучение нейронных сетей

Как и их биологические прообразы, ИНС могут обучаться, то есть улучшать свою работу под воздействием окружающей среды, изменяющей ее параметры. Существует множество определений термина “обучение”, однако применительно к ИНС наиболее подходит следующее, данное Менделем и Маклареном:

Обучение — это процесс, при котором свободные параметры нейронной сети адаптируются в результате ее непрерывной стимуляции внешним окружением. Тип обучения определяется тем способом, которым производятся изменения параметров.

В современной литературе кроме термина “обучение” также используются равноправные понятия “тренировка сети” и “настройка параметров сети”.

В общем можно выделить два основных вида обучения: контролируемое обучение (supervised learning) и самообучение (self-organized learning). Первый вид подразумевает наличие “учителя”, который наблюдает реакцию сети и направляет изменения ее параметров. Во втором случае сеть самоорганизуется под действием внешней среды и изучает ее самостоятельно, без помощи “учителя”. Самообучение свойственно задачам распознавания образов и классификации. При решении задач управления обычно используется контролируемое обучение ИНС.

Существует две разновидности контролируемого обучения: прямое контролируемое обучение и стимулируемое обучение (reinforcement learning). Так как первый вид появился раньше второго и более распространен, то обычно на него ссылаются просто как на контролируемое обучение.

Рис. 5. Схема прямого контролируемого обучения.

На рис. 5 представлена схема прямого контролируемого обучения. Присутствующий на ней “учитель” обладает знаниями о внешней среде, представленными в виде набора образцов вход-выход. Пара таких образцов называется тренировочным шаблоном, который включает в себя, соответственно, входной шаблон и выходной шаблон. Множество этих пар данных называется тренировочным набором шаблонов.

ИНС изначально никакими знаниями не обладает. В процессе обучения “учитель” и сеть подвергаются воздействию со стороны внешней среды, то есть на их входы поступает тренировочный сигнал, совпадающий с одним из входных шаблонов. “Учитель” сообщает сети, какова должна быть правильная (желаемая) реакция на поступившее воздействие, выдавая соответствующий выходной шаблон. На основании величины ошибки между реальным и желаемым выходами сети по определенному правилу проводится настройка ее синоптических связей. Повторяя этот процесс итеративно можно настроить ИНС так, что она будет эмулировать “учителя”, то есть его знания о внешней среде перейдут к ней.

Типичными задачами, решаемыми с помощью прямого обучения, являются аппроксимация неизвестной функции, описываемой набором данных, и идентификация динамического объекта. В этих задачах известны входные сигналы и правильная реакция на них, то есть тренировочный набор шаблонов.

Наиболее известным методом прямого контролируемого обучения слойных прямонаправленных ИНС является алгоритм обратного распространения ошибки (backpropagation algorithm), представляющий собой обобщение метода наименьших квадратов. Однако, по такой схеме могут работать и другие методы.

Рис. 6. Схема стимулируемого обучения.

Стимулируемое обучение не использует знания “учителя” о желаемом выходе ИНС, вместо этого обучение проводится по результату оценки проводимого сетью преобразования вход-выход. Оценку выполняет внешнее окружение после подачи на вход сети тренировочного воздействия (см. рис. 6). При этом настройка параметров ИНС проводится так, чтобы максимизировать скалярный индекс этой оценки, называемый стимулом (reinforcement signal).

Идея такого способа опирается на реальный процесс обучения, проходящий у живых существ. В психологии он известен, как закон действия Торндайка. Применительно к стимулируемому обучению ИНС этот закон может быть перефразирован следующим образом:

Если действие, предпринятое системой обучения, приводит к удовлетворительному результату, то тенденция системы проводить это же действие увеличивается (система стимулируется). В противном случае тенденция производить такое действие уменьшается.

Наиболее характерным примером системы стимулируемого обучения является адаптивная система управления. В ней обучаемой частью является контроллер, а объект управления, внешние воздействия и сигналы задания выступают его внешней средой. В результате воздействия из этой среды контроллер вырабатывает определенный управляющий сигнал, который переводит объект управления в новое состояние. При этом качество управления можно оценить лишь по выходному сигналу объекта. Так как требуемая реакция контроллера, обеспечивающая заданное состояние объекта, заранее неизвестна, то нельзя сформировать тренировочный набор шаблонов, и, следовательно, применить прямое контролируемое обучение. В этом случае возможно лишь стимулируемое обучение контроллера по качеству работы всей системы управления в целом, то есть по оценке состояния внешней среды.

Возможны две реализации стимулируемого обучения: с непосредственным стимулированием и с задержанным стимулированием. В первом случае оценка работы и соответствующая ей настройка параметров ИНС проводится на каждом шаге работы системы обучения. Во втором случае, при задержанном стимулировании настройка сети выполняется так, чтобы максимизировать кумулятивную оценку работы системы на определенной последовательности шагов.

Перечисленные проблемы могут быть решены при использовании методов глобальной оптимизации. Наиболее эффективным из них является генетический алгоритм (ГА). Рассматривая ИНС как единый набор параметров, ГА способен осуществлять ее оптимальную настройку при размерности поискового пространства достаточной для решения большинства практических задач. При этом спектр рассматриваемых приложений гораздо превосходит возможности алгоритма обратного распространения ошибки.

В последние десять лет разработано множество способов контролируемого обучения ИНС с помощью ГА. Полученные результаты доказывают большие возможности такого симбиоза. Совместное использование ИНС и ГА алгоритмов имеет и идеологическое преимущество потому, что они относятся к методам эволюционного моделирования и развиваются в рамках одной парадигмы заимствования техникой природных методов и механизмов как наиболее оптимальных [6].

1.3. Области применения ИНС

Нейрокомпьютерные и нейросетевые технологии, по существу, открывают принципиально новый подход к самой методике построения компьютерных математических моделей. Появилась возможность строить математические модели, которые сами извлекают закономерности предметной области, позволяют их эффективно использовать для решения широкого круга практических задач исходя из одного только эмпирического опыта – выборки обучающих примеров. При этом не обязательно задумываться над законами физики, химии, биологии, экономики и т.д., компьютер их обнаруживает сам.

Работы многих исследователей, что нейрокомпьютерные технологии являются универсальным и весьма эффективным инструментом для построения компьютерных математических моделей самых разнообразных физических, технических, химических, экономических, социальных и другого рода объектов, процессов и явлений. Исследуя эти модели, можно решать широкий круг разнообразных практических задач.[1]

1.3.1. Оценка стоимости подержанных автомобилей

Рынок поддержанных автомобилей в России в настоящее время обладает большим спросом. Перед человеком, решившим приобрести подержанный автомобиль, стоит задача: определить стоимость того или иного автомобиля. Выяснить цены подержанных автомобилей можно четырьмя способами: по объявлению в газете, на авторынке, в комиссионном магазине либо у знакомых. Но, как водится, продавцы нередко лукавят. В настоящее время, время, когда часть интеллектуальной нагрузки берут на себя компьютеры, наиболее эффективным методом моделирования цен на подержанные автомобили является применение нейросетевых технологий. На данный момент этот метод для оценки стоимости подержанных автомобилей практически не применяется.

1.3.2. Прогнозирование пола будущего ребенка

Желание предугадать или спланировать пол будущего ребенка существует и существовало во все времена. Бывают наследственные заболевания, накрепко сцепленные с полом. В этом случае рождение ребенка определенного пола не прихоть, а даже своего рода необходимость. Следует отметить, что в последнее время накопилось немало фактов, обобщение которых позволило ученым заметить зависимость формирования пола будущего ребенка от наследственности, обстановки, в которой был зачат ребенок, возраста родителей, количества родов, питания супругов и т.д. Их исследования показывают, что модель прогнозирования пола будущего ребенка должна иметь на входе множество параметров. Поэтому целесообразным является использование в этой предметной области нейросетевого аппарата.

1.3.3. Оценка кредитоспособности физических лиц

Министерство экономического развития России зафиксировало бум потребительского кредитования, причем прогнозируется, что это явление сохранится в России еще как минимум ближайшие пять лет. Конкурентная борьба идет не просто за доли расширяющегося рынка, а за "высококачественные" доли рынка, то есть за кредитоспособных заемщиков, тех, которые способны (и имеют желание) должным образом погасить задолженность. По существу реальным конкурентным преимуществом розничных банков становится уровень их кредитного "зрения", понимаемого как способность осуществлять выбор кредитоспособных заемщиков с высокой надежностью и минимальными затратами времени и ресурсов. Задачу отбора кредитоспособных заемщиков решают с применением так называемых «скоринговых систем».

1.3.4. Социология

Нейронные сети начинают все более активно использоваться и в социологи. Прежде всего, потому, что являются удобным конструктом-посредником перехода из научно-социологического языка, а так же реального языка, в математический язык (как цепочка отображения смыслов через лингвистическое многослойное «сито»)

Системы с нечеткой логикой целесообразно применять для сложных процессов, когда нет простой математической модели; если экспертные знания об объекте или о процессе можно сформулировать только в лингвистической форме. Данные системы применять нецелесообразно, когда требуемый результат может быть получен другим (стандартным) путем, или когда для объекта или процесса уже найдена адекватная или легко исследуемая математическая модель.

Было бы неправильно сводить применение нейронных сетей в социологии исключительно к повторению архитектуры сетей в маркетинговых исследованиях. Потенциал применения нейронных сетей в социологии гораздо богаче и интересней. Прежде всего, речь идет о социолингвистики – включении сетей к изучению процесса общения.

Сети могут помочь и решению задач типологизации, коих в прикладной социологии великое множества – начиная от задач стратификации до распознавания образов и создания типологии объектов и переменных в широком смысле.

Также очевидным кажется применение нейронных сетей для моделирования ситуации общения исходя из схемы  «раздражитель – выбор адекватной реакции из множества возможных».

1.3.5. Медицина

Нейронная сеть, ставящая диагнозы заболеваний человека, отличается от детектора лжи тем, что она имеет гораздо большее количество входов и выходов. На входы подаются параметры пациента: рост, вес, пол, дата рождения, температура тела, кровяное давление и пр., а также все симптомы заболевания, о которых пациент обычно сообщает врачу. Количество выходных нейронов задается в точности равным количеству всевозможных диагнозов заболеваний, характерных для выбранной медицинской области. Например, если диагностика осуществляется на предмет выявления заболеваний сердечно-сосудистой системы, то возможными диагнозами могут быть: инфаркт, аритмия, ишемическая болезнь сердца, порок сердца и т.д. Каждому диагнозу соответствует свой выходной нейрон.

Для приобретения медицинских знаний, нейросеть должна обучаться на примерах, полученных путем наблюдения за работой практикующего врача. При этом с каждого пациента, побывавшего на приеме у врача, может быть получен один пример, включающий входной вектор X, содержащий параметры пациенты и симптомы его заболевания, и выходной вектор Y, содержащий диагноз заболевания пациента. Наблюдая и записывая, например, за приемом двухсот пациентов, можно получить 200 примеров, на которых и обучить нейросеть. После этого вновь поступившего 201-го пациента можно попробовать направить на прием не к врачу, а к нейросетевой диагностической системе. Если нейросеть спроектирована правильно и обучающих примеров достаточно, то можно не сомневаться, что нейросеть поставит 201-му пациенту такой же диагноз, который бы поставил врач.


ГЛАВА 2. Практическое применение ИНС в психологии

2.1. Определение задачи исследования

В настоящее время психологическая наука испытывает определенный подъем, связанный с широким внедрением новых информационных технологий и использованием их для решения задач практической психологии.

Психология, по своей сути, является не столько гуманитарной наукой, сколько естественной, изучающей структуру психики человека через различные познавательные процессы (такие как память, мышление, восприятие, речь), психические свойства и состояния личности (склонности и способности, мотивы, цели, интересы и др.), а также их зависимости между собой и зависимость от них человеческого поведения.

В связи с этим переход к методам математического моделирования для изучения психологических объектов является желательным и востребованным. Эти методы позволяют получать воспроизводимые результаты и обнаруживать различные закономерности. Корректно и адекватно построенные модели одновременно решают вопросы о представительности выборок и достоверности данных.

Одна из проблем психологии заключается в том, что для большинства психологических объектов невозможно построить модели, имеющие некий физический смысл, поэтому психологи часто используют эмпирические подходы к построению математических моделей, такие как факторный анализ, метод наименьших квадратов, планированный эксперимент и др., применение которых является в значительной степени ограниченным.

Вместе с тем в настоящее время разработано большое количество новых методов и технологий моделирования. В частности, по нашему мнению, большой интерес в психологической науке представляет использование аппарата искусственных нейронных сетей (ИНС). Большим преимуществом аппарата ИНС по сравнению с эмпирическими подходами построения математических моделей является то, что эта технология соответствует тому образу их построения, который используют многие биологические объекты [2].

Актуальность выбранной темы заключается в следующем: на современном этапе развития общества, социальных институтов, в корне изменился  подход к подбору кадров в различные учреждения, изменилось просто отношение к человеку как к личности. Поэтому имеет место быть объективный фактор (не субъективный!), подтвержденный математически или с помощью ИНС, помогающий, а в некоторых случаях определяющий, правильное положение человека в этом обществе. Столь запутанную фразу можно раскрыть следующим образом. Когда человек приходит в новый коллектив, будь то рабочее место или просто компания соратников в какой-то сфере, в его психике наблюдается стрессовая ситуация. Для упрощения процесса реабилитации и самому человеку, и руководству (если ситуация наблюдается при приеме на определенную должность) можно предоставить данные об испытуемом для анализа в ИНС, естественно обученной в данной области. Основываясь на полученных результатах человек может либо поменять сферу своих интересов, либо скорректировать свое поведение в соответствии с потребностями данной социальной группы. Что касается менеджера (работодателя), возможно определение должности, которую можно предоставить испытуемому (руководящую или должность подчиненного).

На человека влияет множество факторов из внешней среды: способность переносить давление со стороны окружающих (начиная с детства), способность принимать самостоятельные решения (быстро и без промедлений либо осознанно и просчитывая каждую вероятность), личностное отношение к жизни, к окружающим, к близким родственникам в частности, отношение к внутрифирменной культуре, отношение к подчинению кому-либо (начальнику в частности) и т.д.

Основываясь на данных, полученных с помощью сайта, посвященного определению различных социальных и психологических закономерностей, нами была получена обучающая выборка.

Обучающая выборка состоит из ответов на вопросы из различных сфер жизни человека (вариантов для ответа всего два – да или нет). Как следствие, вся нечисловая информация была закодирована в числовом виде, так как используемая нами нейросеть способна обрабатывать только числовые данные.

Во всех вариантах ответа было допущено следующее: «да» – 1, «нет» - 0.

Вот параметры, которые были использованы для составления обучающей выборки:

Х1. Ответ на вопрос: «Еще в детстве необходимость подчиняться другим была для меня проблемой.»

0 – нет;

1 – да.

Х2. Ответ на вопрос: «Считаю, что прогресс в науке и культуре немыслим без людей с развитыми потребностями властвовать над другими.»

0 – нет;

1 – да.

Х3. Ответ на вопрос: «Думаю, что настоящий мужчина умеет подчинять своей воле женщин.»

0 – нет;

1 – да.

Х4. Ответ на вопрос: «Честно говоря, не люблю, когда близкие опекают»

0 – нет;

1 – да.

Х5. Ответ на вопрос: «Согласен(на) с утверждением, что истинная натура женщины — покорность»

0 – нет;

1 – да.

Х6. Ответ на вопрос: «Не все, возможно, догадываются, что брать все на себя мне приходится из-за постоянных опасений за благополучие родных»

0 – нет;

1 – да.

Х7. Ответ на вопрос: «По-моему, большинство проблем возникает из-за недостатка лидеров с «железной рукой»

0 – нет;

1 – да.

Х8. Ответ на вопрос: «В трудных ситуациях, требующих быстрого решения, мне обычно не надо много времени, чтобы поступить правильно»

0 – нет;

1 – да.

Х9. Ответ на вопрос: «Знаю, что могу и люблю руководить другими людьми»

0 – нет;

1 – да.

Х10. Ответ на вопрос: «Не умею и не хочу открываться до конца ни перед кем.»

0 – нет;

1 – да.

Х11. Ответ на вопрос: «Мне приятны мечты о «тихой пристани»

0 – нет;

1 – да.

Х12. Ответ на вопрос: «Думаю, что подчиненному необходимо уметь выполнять любые приказы начальника»

0 – нет;

1 – да.

Х13. Ответ на вопрос: «Возможно, это странно, но в отношениях с близкими мне людьми испытываю внутреннее сопротивление, когда вынужден(а) просить о чем-то»

0 – нет;

1 – да.

Х14. Ответ на вопрос: «Часто бывают ситуации, когда кто-то ждет от меня объяснений, хотя, на мой взгляд, все и так ясно»

0 – нет;

1 – да.

Х15. Ответ на вопрос: «Мне кажется, что мой характер похож на характер отца (матери), который(ая) был(а) опорой в семье»

0 – нет;

1 – да.

На выходе будет три параметра Y1, Y2, Y3.

Y1. 1 – Ваши ответы характерны для «психологического ужа». Вы способны проглотить любой упрек, даже если это и необязательно, всем пожертвовать, хотя этого никто не требует. Часто, чувствуя собственное бессилие, вы способны на... решительный поступок. Испытывая беспомощность, ищете в других недостающие вам черты характера. И в этом находите смысл и надежду на лучшую для вас жизнь.

Y2. 1 - Ваши ответы рисуют образ велико¬го диктатора, который считает, что знает, как есть и как должно быть. И такому поведению вы легко находите оправдание. Вы умеете убеждать и руководить другими, заставить выполнить работу в срок. Но иногда что-то в тоне, взгляде, жесте ваших «подчиненных» говорит: дай передохнуть!

Y3. 1 - Гармония и решительность, мудрость и расчет, умение дать добрый совет — вот ваши главные достоинства. Если необходимо - руководите, если нужно — уступаете, всегда принимая во внимание чужое мнение и желание. Но только вам известно, всегда ли вы добиваетесь цели достойными средствами.

Далее целесообразно привести данные обучающей и тестируемой выборки. Данные тестируемой выборки не входили в процесс обучения. Основываясь на полученных результатах можно будет определить точность обучения ИНС и сделать соответствующие выводы.

Таблица 1

Обучающая выборка (150 примеров)

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

X11

X12

X13

X14

X15

Y1

Y2

Y3

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

1

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0

0

0

1

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

1

0

1

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

1

1

0

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

1

0

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

1

0

1

0

1

1

1

1

1

1

1

1

1

1

1

1

1

0

1

0

1

1

0

1

1

1

1

1

1

1

1

1

1

1

1

0

1

0

1

1

1

0

1

1

1

1

1

1

1

1

1

1

1

0

1

0

1

1

1

1

0

1

1

1

1

1

1

1

1

1

1

0

1

0

1

1

1

1

1

0

1

1

1

1

1

1

1

1

1

0

1

0

1

1

1

1

1

1

0

1

1

1

1

1

1

1

1

0

1

0

1

1

1

1

1

1

1

0

1

1

1

1

1

1

1

0

1

0

1

1

1

1

1

1

1

1

0

1

1

1

1

1

1

0

1

0

1

1

1

1

1

1

1

1

1

0

1

1

1

1

1

0

1

0

1

1

1

1

1

1

1

1

1

1

0

1

1

1

1

0

1

0

1

1

1

1

1

1

1

1

1

1

1

0

1

1

1

0

1

0

1

1

1

1

1

1

1

1

1

1

1

1

0

1

1

0

1

0

1

1

1

1

1

1

1

1

1

1

1

1

1

0

1

0

1

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

0

1

0

1

1

0

0

0

0

0

0

0

0

0

0

0

0

0

1

0

0

1

0

1

0

0

0

0

0

0

0

0

0

0

0

0

1

0

0

1

0

0

1

0

0

0

0

0

0

0

0

0

0

0

1

0

0

Таблица 2

Тестируемая выборка (10 примеров)

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

X11

X12

X13

X14

X15

Y1

Y2

Y3

0

1

0

1

0

1

0

0

1

0

1

1

1

1

1

0

0

1

0

0

1

0

1

0

0

1

0

1

0

0

0

1

0

0

1

0

1

0

0

0

1

0

1

1

1

0

0

0

0

1

1

0

0

1

1

0

0

0

1

0

1

1

1

0

0

0

0

0

0

0

0

1

1

0

0

0

1

0

1

1

1

1

1

0

0

1

1

0

0

1

1

0

0

0

1

0

1

1

1

0

0

1

0

0

1

0

0

1

0

1

1

1

1

1

0

1

0

1

1

1

1

1

1

0

1

0

0

0

0

0

0

1

1

0

0

1

0

0

0

0

0

1

0

0

0

0

0

0

1

1

0

1

0

0

0

1

1

0

1

0

0

1

1

1

1

1

0

0

1

0

1

1

1

1

1

1

1

0

1

0

Решаемая задача определена. Теперь необходимо выяснить, с помощью каких средств мы будем ее решать. Было решено использовать перцептрон с 15-тью нейронами на входном слое, 3-мя – на выходном, и с двумя скрытыми слоями. (см. рис.7. Проектирование сети)

Рис. 7. Проектирование сети.

После обучения сети ошибка на каждом выходном параметре опустилась до следующих показателей:

Таблица 3

Максимальные ошибки выходов сети

Поле

Макс. ошибка

Y1

0,025495

Y2

0,010078

Y3

0,025291

Рис. 8. Ошибка обучения на обучающей выборке

При проектировании персептронов необходимо понимать, что персептрон должен не только правильно реагировать на примеры, на которых он обучен, но и уметь обобщать приобретенные знания, т.е. правильно реагировать на примеры, которых в обучающей выборке не было. Погрешность персептрона, вычисленная на обучающей выборке называется погрешностью обучения, обозначаемой, а вычисленная на тестовой выборке – погрешностью обобщения, обозначаемой T  . При увеличении числа нейронов внутренних слоев персептрона N погрешность обучения   обычно падает, тогда как погрешность обобщения   сначала падает, а затем, начиная с некоторого оптимального значения N=N0, возрастает.

Рис. 9. Характерные зависимости погрешности обучения и погрешности обобщения

Таким образом оптимальное количество нейронов 7.

2.2. Анализ полученных результатов

Был проведен анализ значимости параметров при обучении и при обобщении. Вот гистограммы, показывающие эти закономерности.

Рис. 10. Значимость параметров при обобщении ИНС.

Рис. 11. Значимость параметров при обучении ИНС.

Данные гистограммы были получены опять же с помощью используемого нами нейросимулятора. Вот результаты, которые исходят из диаграмм на рис. 10 и 11.

Наиболее значимыми для обучения являются параметры под номерами 10, 14 и 15 (их формулировки, соответственно, «Не умею и не хочу открываться до конца ни перед кем», «Часто бывают ситуации, когда кто-то ждет от меня объяснений, хотя, на мой взгляд, все и так ясно», «Мне кажется, что мой характер похож на характер отца (матери), который(ая) был(а) опорой в семье»). И наоборот, наименее значимым является параметр № 6 – «Не все, возможно, догадываются, что брать все на себя мне приходится из-за постоянных опасений за благополучие родных».

Что касается значимости параметров для обобщения, то наиболее значимыми являются параметры под номерами 4, 6, 11 и 12. А наименее – 1 и 3.

Так как значимость параметров минимальна, то возможно их удаление. Но так как наименее значимый для обучения параметр №6 является основным для обобщения, то удалению можно подвергнуть только параметр № 3 (его формулировка: «Думаю, что настоящий мужчина умеет подчинять своей воле женщин»).

После удаления малозначимого параметра ошибка обучения упала. Поэтому исправленный вариант сети выглядит следующим образом:

Рис. 12. Проектирование ИНС (исправленный вариант).

После обучения перцептрона было проведено тестовое измерение с помощью специально составленной тестируемой выборки, примеров из которой нет в обучающей выборке. Полученные результаты оказались очень близкими по значению модулируемым.

Таблица 4

Сравнительный анализ моделируемых и полученных данных

Y1 (модель) 

Y1 (результат)

Y2 (модель)

Y2 (результат)

Y3 (модель)

Y3 (результат)

1

0

0,0011

0

-0,0175

1

1,0164

2

0

0,006

1

0,9886

0

0,0054

3

0

-0,0046

0

-0,0231

1

1,0277

4

0

-0,0489

0

0,6682

1

0,3807

5

0

-0,0008

1

-0,0191

0

1,0198

6

0

-0,0086

0

0,0082

1

1,0004

7

0

0,0008

1

0,9965

0

0,0027

8

1

1,1015

0

-0,0085

0

-0,093

9

0

-0,0019

0

-0,1991

1

1,2009

10

0

0,0008

1

0,9964

0

0,0028

Слишком большой объем числовой информации не дает четкого представления о конкретной ситуации. Поэтому покажем данные на диаграммах.

Рис. 13. Сравнительная гистограмма модельных данных и

полученных для выхода Y1.

Рис. 14. Сравнительная гистограмма модельных данных и

полученных для выхода Y2

Рис. 15. Сравнительная гистограмма модельных данных и

полученных для выхода Y3.

Как видно из сравнительных гистограмм для каждого выхода из трех моделируемые и полученные данные хоть и не равны, но очень близки по значению. Поэтому можно сделать вывод, что тренд изменения искомых величин отражен точно.

Однако на гистограммах для второго и третьего выходов можно проследить, что тестовый пример под номером 4 некорректен, то есть модельные и практические данные расходятся.

На основании этого можно сделать следующие выводы:

  •  Данная ИНС может быть использована для определения типа личности в целях сопоставления конкретного человека и вакансии, на которую он претендует.
  •  Кроме того, применение данной ИНС не может быть ограничено лишь одним пунктом. Возможен вариант самоанализа. То есть человек, пройдя проверку при помощи данной искусственной нейронной сети, может сделать вывод об окружающем мире (скорректировать свое поведение в соответствии с требованиями коллектива либо, наоборот, выбрать иную группу общения, более подходящую его типу личности).
  •  Использование данной системы облегчает исследование типа личности еще и в том аспекте, что нет никакой необходимости в каких-либо дополнительных приспособлениях и ресурсах (Internet, аппаратные и программные средства). Достаточно всего лишь установить Нейросимулятор (которым мы пользовались в своей исследовательской деятельности) и загрузить готовый обучающий проект.
  •  Из несоответствия в одном тестовом примере модельных и практических данных можно сделать вывод, что нейросимулятор может находить ошибки в психологическом тесте, который послужил основой для создания обучающей выборки. И это еще раз подтверждает не только возможность использования ИНС в психологии, но и возможность исправления множества ошибок, допускаемых разработчиками подобных тестов.

2.3. Исследование на тему «Как влияет гендерный признак на тип личности»

Основываясь на полученных от обучения искусственной нейронной сети результатах, нами было проведено исследование на тему «Как влияет гендерный (половой) признак на тип личности».

Целью исследования стало определение зависимости между половой принадлежностью и типом личности.

Задачи:

  1.  Определить группу опрашиваемых (по 10 представителей  обоих полов).
    1.  Получить данные от опрашиваемых с помощью анкетирования1.
      1.  Обработать полученную информацию с помощью искусственной нейронной сети.
      2.  Сделать соответствующие выводы.

Ход работы:

Были подобраны испытуемые с различными чертами характера (насколько это было возможно).

После подбора испытуемой группы было проведено анкетирование участников эксперимента. Данные были загружены в нейросимулятор в качестве тестируемой выборки.

Результаты:

Таблица 5

Тестируемая выборка (результат анкетирования)

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

X11

X12

X13

X14

X15

Представители мужского пола

1

1

1

0

1

1

1

1

1

0

0

0

1

1

1

1

0

1

1

0

1

1

1

1

1

1

0

1

1

1

0

0

1

0

0

0

0

1

1

0

1

1

0

0

0

1

0

1

1

0

0

0

1

1

1

1

0

1

0

0

0

0

0

0

0

1

1

0

0

0

1

1

0

1

0

0

0

0

1

0

0

0

0

0

0

1

1

1

1

0

1

0

0

0

1

0

0

0

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0

1

1

0

0

0

1

0

0

0

0

0

1

1

1

0

0

0

0

1

1

0

1

1

1

1

1

1

1

0

0

1

1

Представительницы женского пола

1

1

0

1

0

1

0

1

1

1

0

1

1

1

1

0

1

1

1

1

0

1

0

0

0

1

1

1

0

1

0

0

1

1

1

1

0

0

0

0

1

0

1

0

0

0

0

0

1

1

0

1

1

0

0

0

0

0

0

0

1

0

0

0

1

0

0

0

0

0

0

0

0

0

0

1

1

1

1

0

0

1

1

1

1

0

0

1

1

1

1

1

0

1

1

1

1

0

1

1

1

0

1

1

1

0

0

0

0

0

1

0

0

0

0

1

1

0

0

0

0

1

1

0

1

1

1

1

1

0

1

0

0

0

1

1

1

0

1

0

0

0

1

1

0

1

1

1

1

1

Таблица 6

Результаты эксперимента, определенные ИНС

Y1

Y2

Y3

Молодые люди

-0,0003

0,719

0,2813

0,0004

1,002

-0,0024

-0,0001

-0,0052

1,0053

-0,0001

0,1267

0,8734

-0,0001

-0,0052

1,0053

0

-0,0052

1,0052

1,0058

-0,0003

-0,0055

0,0359

-0,005

0,9691

0,0015

-0,0052

1,0036

0,0004

1,0019

-0,0024

Девушки

0,0004

1,002

-0,0024

0,0001

1,0008

-0,0009

-0,0002

-0,0052

1,0054

0,0011

-0,005

1,0039

1,0058

-0,0003

-0,0055

0,0004

1,002

-0,0024

0,0004

1,002

-0,0024

0,9334

-0,0048

0,0714

-0,0002

-0,0052

1,0054

0

0,9234

0,0766

Как видно из Таблицы 5 и Таблицы 6, ИНС работает при минимальной погрешности вычислений. Закономерности найдены верно. Данный вывод сделан на основании подтверждения испытуемых о результатах исследования.

С точки зрения психологии можно сделать следующие выводы:

  •  Среди молодых людей определено, что один человек из десяти имеет такой тип личности (с точки зрения лидерства) как «психологический уж», три из десяти – «сбалансированный уравновешенный портрет», и шесть человек – «великие диктаторы и тираны».
  •  Среди девушек было определено, что две из десяти – «психологические ужи», пять девушек обладают «сбалансированным, даже мудрым внутренним миром», а три – «великие диктаторы и тираны».

Рассмотрим закономерности, выделяемые «заморозкой» параметров тестируемой выборки.

  •  Если определять зависимость типа личности от пола, то можно прийти к следующему результату:  при заморозке основополагающих для обобщения параметров половая принадлежность не влияет на тип личности. В настоящее время женщинам, девушкам приходится брать на себя очень большой груз ответственности. Поэтому характер, «внутренний стержень» у женского пола порой намного жестче,  чем у мужчин.

Вывод: использование искусственных нейронных сетей в социологии и психологии (а именно к этим областям относится тема данного курсового проекта) возможно, и, на наш взгляд, должно активно применяться при решении очень большого круга вопросов. Применение ИНС в определении такого качества личности человека, как лидерство, может помочь при определении адекватной самооценки человека, при приеме на работу и т.д.


ЗАКЛЮЧЕНИЕ

Методы анализа информации при помощи компьютерных систем постоянно совершенствуются. При этом, наряду с прочно устоявшимися и широко применяемыми методами, все шире развиваются и используются другие, нетрадиционные подходы. Один из них связан с искусственными нейронными сетями.

Решения на основе нейронных сетей становятся все более совершенными. Уже сегодня имеется немало впечатляющих разработок. База приложений нейронных сетей просто огромна: выявление фальшивых кредитных карточек, прогнозирование изменений на фондовой бирже, составление кредитных планов, оптическое распознавание символов, профилактика и диагностика заболеваний человека, наблюдение за техническим состоянием машин и механизмов, автоматическое управление движением автомобиля, принятие решений при посадке поврежденного летательного аппарата и т.д. Дальнейшие успехи в разработке искусственных нейронных сетей будут зависеть от дальнейшего понимания принципов работы человеческого мозга, но здесь имеется и обратная связь: искусственные нейронные сети являются одним из средств, с помощью которых совершенствуется наше представление о процессах, происходящих в нервной системе человека, выступая в качестве моделей соответствующих процессов.

Нейросетевые технологии предоставляют сегодня широкие возможности для решения задач прогнозирования, обработки сигналов и распознавания образов. По сравнению с традиционными методами математической статистики, классификации и аппроксимации, эти технологии обеспечивают достаточно высокое качество решений при меньших затратах. Они позволяют выявлять нелинейные закономерности в сильно зашумленных неоднородных данных, дают хорошие результаты при большом числе входных параметров и обеспечивают адекватные решения при относительно небольших объемах данных. Сейчас уже накоплен богатый опыт успешного использования нейронных сетей в практических приложениях. По количеству реальных приложений лидируют системы интеллектуального анализа данных в бизнесе и в управлении процессами.

Разнообразие, большой объем и противоречивость различной диагностической информации выводят на передний план проблему поиска физических систем, способных к ее переработке. Решение этой комплексной задачи тесно связано с новыми информационными технологиями, важное место среди которых занимают методы распознавания и категоризации образов. Нейронные сети - мощный и, на сегодня, пожалуй, наилучший метод для решения задач распознавания образов в ситуациях, когда в экспериментальных данных отсутствуют значительные фрагменты информации, а имеющаяся информация предельно зашумлена. Высокая степень параллельности, допускаемая при реализации нейросистем, обеспечивает обработку недоступных оператору объемов информации за времена, меньшие или сравнимые с допустимыми временами измерений.

Самым главным отличием нейронных сетей от других методов, например таких, как экспертные системы, является то, что нейросети в принципе не нуждаются в заранее известной модели, а строят ее сами на основе предъявленной информации. Именно поэтому нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации, управления, иными словами, в области человеческой деятельности, где есть плохо алгоритмизуемые задачи, для решения которых необходима либо постоянная работа группы квалифицированных экспертов, либо адаптивные системы автоматизации, каковыми являются нейронные сети.


БИБЛИОГРАФИЧЕСКИЙ СПИСОК

Список литературы

  1.  Ясницкий Л.Н. Введение в искусственный интеллект: Учеб. Пособие для студ. высш. учеб. заведений (с гриформ УМО). – М.: Издательский центр «Академия», 2005 – 176с.
  2.  Арзамасцев А.А., Зенкова Н.А. Использование аппарата  искусственных нейронных сетей для решения задач практической психологии. Моделирование в психологии на основе искусственных нейронных сетей. Тамбов. ИМФИ ТГУ им. Г.Р. Державина. 2003. 106 с.

Сайты Internet

  1.  http://users.kpi.kharkov.ua/mahotilo/Docs/Diss/diss_ch1_ref.html - Искусственные нейронные сети — новая парадигма в управлении.
  2.  http://dl.sumdu.edu.ua/e-pub/nnetwork/foundations.html - Основы искусственных нейронных сетей.
  3.  http://ru.wikipedia.org/wiki/Искусственная_нейронная_сеть#cite_note-0 ВикипедиЯ – Свободная энциклопедия.
  4.  http://www.orc.ru/~stasson/neurox.html Введение в теорию нейронных сетей.
  5.  http://testi.ru/cgi-bin/test.pl?rid=4&tid=197&vid=16&all=15&scr=60 Психологический тест


Приложение

Приложение 1

Таблица 7

Анкета «Лидер ли ты?»

Пол __________________ (жен., муж.)

№ п/п

Вопрос

Да

Нет

1

Еще в детстве необходимость подчиняться другим была для меня проблемой

2

Считаю, что прогресс в науке и культуре немыслим без людей с развитыми потребностями властвовать над другими

3

Честно говоря, не люблю, когда близкие опекают

4

Согласен(на) с утверждением, что истинная натура женщины — покорность

5

Не все, возможно, догадываются, что брать все на себя мне приходится из-за постоянных опасений за благополучие родных

6

По-моему, большинство проблем возникает из-за недостатка лидеров с «железной рукой»

7

В трудных ситуациях, требующих быстрого решения, мне обычно не надо много времени, чтобы поступить правильно

8

Знаю, что могу и люблю руководить другими людьми

9

Не умею и не хочу открываться до конца ни перед кем

10

Мне приятны мечты о «тихой пристани»

11

Думаю, что подчиненному необходимо уметь выполнять любые приказы начальника

12

Возможно, это странно, но в отношениях с близкими мне людьми испытываю внутреннее сопротивление, когда вынужден(а) просить о чем-то

13

Часто бывают ситуации, когда кто-то ждет от меня объяснений, хотя, на мой взгляд, все и так ясно

14

Мне кажется, что мой характер похож на характер отца (матери), который(ая) был(а) опорой в семье

1 Формат анкеты для опроса представлена в Приложении 1.


 

А также другие работы, которые могут Вас заинтересовать

35963. Неогей 92 KB
  Башкирский антиклинорий сложен почти не метаморфизованными терригеннокарбонатными отложениями рифеявенда общей мощностью 1014 км среди которых в эрозионном окне выступает глубокометаморфизованный дорифейский фундамент отложения которого объединяются в тараташский гранулитовый комплекс мощностью более 5 км сложенный гиперстеновыми плагиогнейсами и амфиболитами. Рифейсковендский комплекс парастратотипический для рифея разделяется на 3 эратемы снизу вверх: бурзяний R1 общей мощностью 34 км залегающую на архее и сложенную в...
35964. Внимание и его свойства 89 KB
  Устойчивость внимания – длительность сосредоточения внимания на объекте. Устойчивость внимания проявляется в способности в течение длительного времени сохранять состояние внимания на какомлибо объекте предмете деятельности не отвлекать и не ослаблять внимание. У младших школьников устойчивость внимания активно возрастает к 910 годам. Сосредоточенность внимания – степень концентрации внимания на объекте.
35966. Типы восприятия эфирной информации 87 KB
  Преодоление этого объективного противоречия между массовой направленностью и индивидуальностью приема радиопередачи является одним из важных критериев профессионализма радиожурналиста и требует с одной стороны умения говорить на языке потребностей и мотивов поведения всей аудитории выбирать темы и содержание актуальные для нее а с другой – особого стиля общения: доверительномежличностного уважительного по отношению к собеседнику. Пространственная и психологическая рассредоточенность аудитории Аудитория радио не просто...
35967. Понятийный аппарат АХД предприятия 85.5 KB
  Сам термин анализ происходит от греческого слова nlyzis что в переводе означает разделяю расчленяю . Следовательно анализ в узком плане представляет собой расчленение явления или предмета на составные его части элементы для изучения их как частей целого. Наиболее близок к анализу в этом смысле синтез который выявляет связи и зависимости между отдельными частями изучаемого предмета соединяет их в единое целое. под анализом в широком плане понимается способ познания предметов и явлений окружающей среды основанный на расчленении целого...
35968. Схема алкогольного брожения. Влияние основных и вторичных продуктов брожения на формирование органолептических качеств вина. Технохимический и микробиологический контроль брожения. Оформление результатов 84.69 KB
  Влияние основных и вторичных продуктов брожения на формирование органолептических качеств вина. Глюкоза Фосфоенолпируват Пируват Альдегид Этанол Пируватдекарбоксилаза Алкогольдегид рогеназа CO2 NDHH ND Из биологических процессов протекающих в сусле и винах при участии микроорганизмов главным является спиртовое брожение. глицерин влияет на вкус вина придавая ему ощущение сладости и мягкости. Лимонная кислота будучи малоустойчивой в вине может быть источником летучих кислот которые являются показателем наличия пороков у вина.