Горбунов И.А. СПбГУ факультет психологии

Диагностика интеллектуальных способностей по физиологическим параметрам.

Санкт-Петербург, СПбГУ, факультет психологии

Для диагностики интеллекта обычно используются психологические тесты. [Бодалев А.А., Столин В.В. 2000, Гуревич К.М. 2000]. Это достаточно надежные измерительные инструменты, однако они обладают определенными недостатками [Балин В.Д. Горбунов И.А. 1998]:

1.             Большинство методик требуют  много  времени для проведения обследования и для последующей интерпретации их результатов, если перед исследователем стоит задача получить надежные  результаты.

2.             Большинство методов  можно  использовать  для  обследования конкретного испытуемого только один раз.  Если применяются разные формы  теста,  то сразу же  возникает  вопрос  их соответствия друг другу.

3.             Психодиагностический метод является отражением исходной концепции, которая может быть угадана   испытуемым. В  этом  случае  испытуемый  невольно  может "подыграть" такой концепции, что сделает результаты теста недостоверными.

4.             Любая методика требует  заинтересованного  отношения  испытуемого  к процедуре тестирования,  что не всегда может  быть  обеспечено  и проконтролировано, если  даже  испытуемый  формально  и принимает участие в работе с ней.

5.             Тест чувствителен   к   влиянию  культурных  и  социальных факторов.

6.             Для понимания   инструкции  к  тесту  испытуемый должен обладать   известным   уровнем   интеллекта.    Разработка специальных форм  для умственно отсталых и детей возвращает нас к проблеме валидности,  надежности  этих  форм,  адекватности аналогичным тестам для нормальных или взрослых людей.

7.             Длительное время выполнения теста может вызвать  утомление  испытуемого  и  исказить  результаты исследования.

Большинства перечисленных выше  недостатков  психологических тестов лишены физиологические методики, особенно если они применяются в сочетании с ЭВМ. При этом оказывается, что:     

1.             Физиологические методики дают результаты, значения которых в большинстве случаев не  зависят  от  воли  испытуемого  или  же экспериментатора.

2.             Для регистрации  большинства  физиологических   параметров требуется значительно   меньше  времени,  нежели  для  проведения психологического тестирования.

3.             При состыковке   приборов  регистрации  с  ЭВМ  появляется возможность накапливать большие массивы данных и обрабатывать  их в короткие промежутки времени.

В современной психодиагностике используется большое количество математических моделей от простейшего корреляционного анализа до факторного, дискриминантного и дисперсионного.[Дюк В.А. 1994, Вассерман Л.И. Дюк В.А. Иовлев Б.В. Червинская К.Р. 1997] Исходя из анализа литературы  по данной тематике, можно наметить основные направления их развития. [Губерман Т.А., Ямпольский Л.Т. 1983, Кулмагамбетов А.Р., Эпштейн В.Л. 1987]

В первую очередь это преодоление барьера линейности. Желательно сделать это таким образом, чтобы при конструировании диагностической методики не тратить много времени на подбор функций связи между диагностируемым свойством и «сырыми» результатами методики.

Второе важное направление, это развитие методов автоматизации исключения малоинформативных исходных параметров, при конструировании методики. Тех параметров, которые либо сильно связаны с каким-то другим (уже использующимся) параметром, либо недостаточно дискриминативны сами по себе. Модель должна максимально упростить отбор таких параметров.

При этом хотелось бы, чтобы модели сохранили такие возможности, как анализ взаимосвязей и получение дополнительной информации о структуре психологических явлений, скрытых в эмпирическом исследовании.

Взаимосвязи между физиологическими и психологическими явлениями основаны на взаимодействии различных систем организма и отличаются нелинейностью и многоуровневостью. Следовательно, чтобы распознать психические явления по физиологическим параметрам, требуется система, учитывающая нелинейные взаимосвязи и взаимозависимость параметров входного образа.

Нам представляется чрезвычайно перспективным использовать для решения вышеуказанных проблем, такой мощный современный метод, как моделирование распознавателей образов на нейронных сетях. В них используются нелинейные взаимодействия, которые могут быть достаточно сложны при увеличении размера и количества слоев сети. Также, при обучении сети происходит отсеивание первичных параметров (уменьшение входных весов связанных с данным элементом входного образа), носящих случайный характер и не влияющих на точность распознавания.

Обычно для распознавания сложных образов используются многослойные нейронные сети обратного распространения. [Осовский С. 2002]

Нейронные сети обратного распространения – это мощнейший инструмент поиска закономерностей, прогнозирования, качественного анализа. Такое название – сети обратного распространения (back propagation) они получили из-за используемого алгоритма обучения, в котором ошибка распознавания распространяется от выходного слоя к входному, т.е. в направлении, противоположном направлению распространения сигнала при нормальном функционировании сети. [Осовский С. 2002]

Учитывая все преимущества многослойной нейронной сети для распознавания сложных образов, данная модель чрезвычайно подходит для обеспечения психодиагностики по физиологическим параметрам.

Человек и его интегральная индивидуальность [Мерлин В.С. 1986] обладают свойствами неравновесных систем.[Николис Г. Пригожин И. 1990, Хакен Г. 1991] Такие системы имеют иерархическое строение, в котором на верхнем уровне (макроуровне) находится целостное поведение системы, на мезоуровнях находятся состояния элементов связанных друг с другом прямыми взаимосвязями, а на микроуровне – первичные элементы системы [Кропачева Н. Сушков Ю. 1996].

Нетрудно заметить, что многослойные нейронные сети являются как нельзя более удобным инструментом, для изучения таких систем. Во-первых, нелинейность взаимоотношений между первым слоем сети и последним, определяется только количеством слоев и количеством нейронов в каждом слое. Во-вторых, промежуточные слои могут символизировать мезоуровни системы и отдельно интерпретироваться.

Это можно сделать таким образом:

Сначала задается структура нейронной сети, в которой первый слой символизирует первичные физиологические параметры, измеренные у индивидов. То есть каждому нейрону первого слоя ставится в соответствие один из физиологических параметров. Последний слой соответственно символизирует измеренные психологические характеристики индивида.

Далее задается размер одного промежуточного слоя, исходя из теоретических посылок и из принципа минимизации ресурсов. То есть, размер этого слоя задается минимальным, при условии, что после обучения данная сеть успешно (с высокой корреляцией и малым отклонением)  преобразует входную информацию (физиологические параметры) в выходную (психологические характеристики).

Если уверенное распознавание не достигается, то промежуточный слой увеличивается на один нейрон и процедура обучения повторяется.  Если данного слоя недостаточно, то задается следующий слой и т.д.

К сожалению нельзя бесконечно увеличивать размеры сети (если выборка ограничена), так как при слишком большой сети произойдет простое запоминание всех образов в памяти системы, что может и не отражать внутренних закономерностей, объединяющих вход и выход.

Кроме того, у данной модели есть одно неоспоримое преимущество. Перед исследователем, создающим диагностическую модель, всегда стоит задача подбора физиологических параметров, необходимых для успешного распознавания и отсеивания ненужных. Нейронная сеть при обучении делает эту процедуру автоматически. Связи от ненужных параметров стремятся к значениям, которые не влияют на нейроны следующего слоя. Такие значения обычно близки к нулю.

Далее можно провести анализ и интерпретацию полученной диагностической модели для выявления физиологических механизмов психических явлений. Для этого нужно провести интерпретацию матриц связи между нейронами разных слоев сети. Разберем алгоритм этого анализа поподробнее:

Очевидно, что веса, максимально отклоняющиеся от среднего, заставляют соответствующий вход максимально воздействовать на нейрон.  Зная названия входных физиологических параметров, по выделенным максимальным связям можно проинтерпретировать сущность нейрона, на который воздействуют эти параметры по совокупности этих связей. Процедура интерпретации похожа на интерпретацию факторов в факторном анализе.

Ту же самую процедуру можно провести и с последним слоем нейронной сети. Средний слой (для трехслойной сети) таким образом, будет проинтерпретирован с обеих сторон. С физиологической стороны (входной слой), и с психологической стороны (выходной слой). Таким образом, мы получаем двухстороннюю интерпретацию мезоуровня сложной системы.

Возможно, такая интерпретация даст нам более полное представление о взаимосвязях психического и физиологического уровня регуляции поведения и позволит более глубоко понять психофизиологические закономерности.

Для решения поставленных задач необходимо было зарегистрировать комплекс психологических и физиологических характеристик для дальнейшего анализа, интерпретации взаимосвязей и построения диагностических правил. При проведении экспериментов испытуемым сначала предлагался для выполнения интеллектуальный тест Амтхауэра, а после этого измерялись некоторые физиологические характеристики, включающие ЭЭГ, ЭКГ, АД, ЧСС, параметры дыхательной системы и теппинг тест. Весь комплекс методов предлагался испытуемому в течение одного дня, для исключения влияний посторонних факторов. После того, как было обследовано необходимое количество испытуемых (64 студента психологического факультета), были построены модели нейронных сетей, диагностирующие психологические параметры по физиологическим переменным, и интерпретировалась их структура.

Результаты проверки диагностического алгоритма на внешней выборке приведены в таблице. В качестве критерия проверки использовался коэффициент корреляции между результатом психологического теста и диагнозом, проведенным с помощью нейронной сети по физиологическим параметрам. Одной звездочкой в таблице отмечены корреляции, значимые на уровне p<0.1, двумя звездочками p<0.05.

Субтест

Корреляция

Количество испытуемых

Логический отбор

0,328**

38

Определение общих черт

0,420**

31

Аналогии

0,334**

51

Классификация

0,419**

35

Счет

0,376**

31

Ряды чисел

0,381**

30

Выбор фигур

0,361**

32

Кубики

0,322*

33

Запоминание слов

0,383**

34

Общий IQ

0,345**

36

 

Результаты анализа структуры обученной нейронной сети.

При последовательном добавлении нейронов промежуточного слоя, оказалось, что максимально эффективно нейронная сеть ведет себя при наличии пяти нейронов промежуточного слоя. Дальнейшее увеличение сети не приводило к большому приросту эффективности.

При описании физиологических механизмов интеллектуального развития, отраженных в структуре обученной сети в первую очередь надо обратить внимание на реципрокную организацию взаимосвязей каждого физиологического механизма с различными способностями (субтестами). Каждая выделяемая функциональная система (нейрон) разводит на разные полюса математические способности и вербальные, арифметические и пространственные, чувство языка и абстрагирование, индуктивное и дедуктивное мышление.  

Такой характер соотношений может быть детерминирован ограниченными возможностями мозга в области реализации интеллектуальных функций. Преобладание одних способностей определяет снижение других. Возможно, такая дифференциация способностей возникает вследствие дифференциации деятельности человека в процессе онтогенеза. Общий интеллект, данный нам от рождения, в процессе жизнедеятельности развивается несимметрично. Некоторые способности развиваются в большей степени, чем другие. Однако существуют четкие направления таких выборов, связанные с тем, что некоторые способности, возможно, задействуют ресурсы, необходимые другим системам. Таким образом, организация нескольких отделов мозга в одну функциональную систему препятствует формированию системы, отвечающей за иные функции.

Также можно отметить дифференциацию физиологических механизмов не только по типам обрабатываемой информации (математические, вербальные, пространственные субтесты), а по уровню сложности ее обработки. Например, манипуляция двумерными или трехмерными фигурами в пространственных тестах, продолжение числовых рядов и решение арифметических задач, продолжение предложений и нахождение смысловых связей между словами. Данная дифференциация отражается в более комплексном задействовании различных отделов мозга и переносе активации в лобные отделы коры ГМ.

Необходимо также отметить механизм отдельной обработки информации в разных полушариях. Чем сложнее задача, тем более разведены между собой левые и правые затылочные отделы коры, при повышении взаимодействия с левыми лобными отделами коры. 

Более простые способы обработки информации реализуются главным образом при участии затылочных отделов коры ГМ. При этом нет четкой дифференциации на левополушарные (образные) и правополушарные (вербальные) механизмы. Каждая задача реализуется комплексом изменений функционального состояния коры ГМ, где множество структур мозга совместно участвуют в решении.

В заключении следует сказать, что данная работа открывает большие возможности для дальнейших исследований. В первую очередь необходимо дальнейшее усовершенствование алгоритмов обучения и распознавания образов. Большой интерес представляет увеличение количества слоев диагностической нейронной сети. Возможно, интерпретация этих слоев позволит проанализировать новые уровни регуляции психических и физиологических функций.

Список литературы

1.                  Балин В.Д. Горбунов И.А. Реверсивные психодиагностические шкалы. /в сб. Ананьевские чтения под ред. Крылова А.А., СПб, 1998.

2.                  Бодалев А.А., Столин В.В. Общая психодиагностика. С-Пб.: «Речь», 2000.

3.                  Вассерман Л.И. Дюк В.А. Иовлев Б.В. Червинская К.Р. Психологическая диагностика и новые информационные технологии. С-Пб., 1997.

4.                  Губерман Т.А., Ямпольский Л.Т. Применение алгоритмов распознавания образов в психодиагностике//Вопр.психологии, 1983, №5. - с. 118-125.

5.                  Гуревич К.М. Психодиагностика. 2000

6.                  Дюк В.А. Компьютерная психодиагностика С-Пб, “Братство”, 1994.

7.                  Кропачева Н. Сушков Ю. Концепция состояния в моделировании систем. (в сб. Математические методы в социально-экономических исследованиях. Под ред. Ермакова С.М. Меласса В.Б.). С-Пб., 1996.

8.                  Кулмагамбетов А.Р., Эпштейн В.Л., Ямпольский Л.Т. Компьютерная психодиагностическая система.// Вопросы психологии. 1987, №6, С.132-139.

9.                  Мерлин В.С. Очерк интегрального исследования индивидуальности. М.: Педагогика, 1986.

10.              Николис Г. Пригожин И. Познание сложного, М., 1990

11.              Осовский С. Нейронные сети для обработки информации. М., 2002.

12.              Хакен Г. Информация и самоорганизация (макроскопический подход к сложным системам) - М: “Мир”, 1991

 

 

Сайт создан в системе uCoz