Прогноз дезадаптации курсантов с применением методов машинного обучения

Актуальность. Методы машинного обучения позволяют с высокой точностью проводить классификацию и прогноз различных состояний и исходов у человека. Выбор оптимального метода представляет собой актуальную задачу исследователей.

Цель – оценить эффективность методов машинного обучения в прогнозировании дезадаптации курсантов.

Методология. Обследованы 1822 курсанта Военного учебно-научного центра Военно-морского флота «Военно-морская академия имени Адмирала Флота Советского Союза Н.Г. Кузнецова» в возрасте от 18 до 27 лет. Обследованные разделены на 2 группы: норма (n = 1507) и дезадаптация (n = 315). Обследование проведено с применением многофакторного личностного опросника «Адаптивность» и методики диагностики интеллектуального развития КР-3-85. Статистическую обработку проводили с применением пакета программ Stat Soft Statistica 10.0. Осуществили проверку на нормальность показателей с помощью критерия Колмогорова–Смирнова. Сравнительный анализ показателей с нормальным распределением оценивали при помощи t-критерия Стьюдента. Ранговую корреляцию Спирмена применили с целью проверки данных на мульти-коллинеарность. Математическое моделирование проведено с использованием нейронных сетей, дискриминантного анализа, Байесовского алгоритма. Эффективность моделей оценивали по уровню чувствительности и специфичности.

Результаты и их анализ. Нейронная сеть и Байесовский алгоритм являются мощным инструментом классификации. Они позволяют достоверно классифицировать курсантов с социально-психологической дезадаптацией. При этом Байесовский алгоритм характеризуется высокой чувствительностью, а нейронная сеть – специфичностью. Известным недостатком моделирования с применением дискриминантного анализа является потеря данных. Дискриминантным анализом не смогли классифицировать курсантов с социально-психологической дезадаптацией.

Заключение. Применение машинного обучения повысит эффективность мероприятий медико-психологического сопровождения курсантов. Нейронные сети являются оптимальным методом в прогнозировании дезадаптации.

1. 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»: сб. ст. конф. / Воен. инновац. технополис «ЭРА». Анапа, 2020. Т. 3. С. 177–183.

2. Дегтяренко К.А. Искусственный интеллект в медицине. Обзор 21 международной конференции по искусственному интеллекту в медицине // Азия, Америка и Африка: история и современность. 2023. Т. 2, № 3 (4). С. 27–42.

3. Лысова М.Е., Кузнецов М.Е. Нейронные сети в медицине. Автоматизация при помощи искусственного интеллекта // Достижения науки и технологий – ДНиТ-11-2023 : сб. науч. ст. по материалам II всерос. науч. конф. Красноярск, 2023. С. 581–586.

4. Липский Д.Л., Гура М.С., Лучкин И.В., Юсупов В.В., Ятманов А.Н. Применение машинного обучения в медико-психологическом сопровождении военнослужащих иностранных государств // Живая психол. 2023. Т. 10, № 4 (44). С. 15–24.

5. Мельникова Е.В. Глубокое машинное обучение в оптимизации научно-исследовательской деятельности // Науч.-техн. информ.. Сер. 1: Организация и методика информационной работы. 2023. № 2. С. 8–13.

6. Ясницкий Л.Н. Интеллектуальные системы. М.: Лаборатория знаний, 2016. 221 с.