Применение показателей ценностно-мотивационной сферы с технологией искусственного интеллекта для прогноза дезадаптации курсантов
- Авторы: Ятманов А.Н.1,2, Апчел В.Я.3,4, Овчинников Д.В.1, Юсупов В.В.1, Овчинников Б.В.1, Старенченко Ю.Л.1, Бабин Ю.М.1, Корзунин А.В.1, Цветков Д.С.1
-
Учреждения:
- Военно-медицинская академия имени С.М. Кирова
- Военно-морская академия имени Адмирала Флота Советского Союза Н.Г. Кузнецова
- Военно-медицинская академия им. С.М. Кирова
- Российский государственный педагогический университет им. А.И. Герцена
- Выпуск: Том 26, № 4 (2024)
- Страницы: 587-596
- Раздел: Оригинальное исследование
- URL: https://journals.rcsi.science/1682-7392/article/view/285207
- DOI: https://doi.org/10.17816/brmma635764
- ID: 285207
Цитировать
Аннотация
Обосновывается возможность применения показателей ценностно-мотивационной сферы для прогноза дезадаптации курсантов с применением технологии искусственного интеллекта. Проведено когортное ретроспективное исследование. С 2013 по 2021 г. обследовано 734 курсанта Военного учебно-научного центра Военно-морского флота «Военно-морская академия имени Адмирала Флота Советского Союза Н.Г. Кузнецова», у 48 из них диагностирована дезадаптация. Математическое моделирование прогноза дезадаптации проведено с использованием нейронных сетей. Проведено 8 циклов обучения нейронных сетей и 7 циклов проверки моделей нейронных сетей. При увеличении фактического материала повышается чувствительность модели прогноза дезадаптации курсантов с применением нейронных сетей: 30.MLP 16-7-2; 28.MLP 16-13-2; 30.MLP 16-22-2; 29.MLP 16-31-2; 42.MLP 16-39-2; 19.MLP 16-45-2; 16.MLP 16-48-2; 30.MLP 16-30-2 от 0,43 до 1 усл. ед. (y = 0,017x2 – 0,0647x + 0,4898, R² = 0,8264); специфичность — от 0,96 до 1 усл. ед. (y = –0,002x2 + 0,0211x + 0,9462, R² = 0,8923); прогностическая способность увеличивается от 91,8 до 99,45 % (y = –0,1477x2 + 2,3309x + 90,238, R² = 0,9368). При проведении апробации моделей на новых выборках чувствительность составляет в среднем 0,45 усл. ед. при нарастающем тренде (y = 0,0207x2 – 0,1214x + 0,5271, R² = 0,6945), специфичность — 0,97 усл. ед. (y = –0,0048x2 + 0,0388x + 0,9086, R² = 0,772), прогностическая способность — 92,6 % (y = –0,4962x2 + 3,5402x + 88,447, R² = 0,6598). Таким образом, модель прогноза дезадаптации курсантов с применением нейронных сетей позволяет выявлять курсантов, у которых произойдет дезадаптация, с точностью от 32 до 72 %, при этом не более 6 % обследованным без дезадаптации будет дан ложный прогноз. Показатель прогностической способности модели близок по содержанию к абсолютной точности прогноза профпригодности с нормативными показателями 65–70 %. Прогностическая способность апробируемых в исследовании моделей от 89,7 до 96,4 % подтверждает высокую эффективность применения нейронных сетей для прогноза дезадаптации. Показатели ценностно-мотивационной сферы обследованных в сочетании с использованием нейронных сетей для прогноза дезадаптации курсантов создают высокоэффективную систему искусственного интеллекта. Допустимо применение подобного подхода в мероприятиях медико-психологического сопровождения военнослужащих военного вуза с целью оптимального отбора и сопровождения.
Полный текст
Открыть статью на сайте журналаОб авторах
Алексей Николаевич Ятманов
Военно-медицинская академия имени С.М. Кирова; Военно-морская академия имени Адмирала Флота Советского Союза Н.Г. Кузнецова
Автор, ответственный за переписку.
Email: vmeda-nio@mil.ru
ORCID iD: 0000-0003-0043-3255
SPIN-код: 4151-0625
канд. мед. наук
Россия, Санкт-Петербург; Санкт-ПетербургВасилий Яковлевич Апчел
Военно-медицинская академия им. С.М. Кирова; Российский государственный педагогический университет им. А.И. Герцена
Email: vmeda-nio@mil.ru
ORCID iD: 0000-0001-7658-4856
SPIN-код: 4978-0785
д-р мед. наук, профессор
Россия, Санкт-Петербург; Санкт-ПетербургДмитрий Валерьевич Овчинников
Военно-медицинская академия имени С.М. Кирова
Email: vmeda-nio@mil.ru
ORCID iD: 0000-0001-8408-5301
SPIN-код: 5437-3457
канд. мед. наук, доцент
Россия, Санкт-ПетербургВладислав Викторович Юсупов
Военно-медицинская академия имени С.М. Кирова
Email: vmeda-nio@mil.ru
ORCID iD: 0000-0002-5236-8419
SPIN-код: 9042-3320
д-р мед. наук, профессор
Россия, Санкт-ПетербургБорис Владимирович Овчинников
Военно-медицинская академия имени С.М. Кирова
Email: vmeda-nio@mil.ru
ORCID iD: 0000-0002-7669-7049
SPIN-код: 5086-8427
д-р мед. наук, профессор
Юрий Леонидович Старенченко
Военно-медицинская академия имени С.М. Кирова
Email: vmeda-nio@mil.ru
ORCID iD: 0009-0003-2755-1419
SPIN-код: 9590-3548
канд. ист. наук, доцент
Юрий Мирославович Бабин
Военно-медицинская академия имени С.М. Кирова
Email: vmeda-nio@mil.ru
ORCID iD: 0009-0005-1819-9729
SPIN-код: 5993-0815
адъюнкт
Андрей Владимирович Корзунин
Военно-медицинская академия имени С.М. Кирова
Email: vmeda-nio@mil.ru
ORCID iD: 0009-0007-9267-9450
SPIN-код: 1086-3283
канд. мед. наук
Денис Сергеевич Цветков
Военно-медицинская академия имени С.М. Кирова
Email: vmeda-nio@mil.ru
ORCID iD: 0000-0001-7213-804X
терапевт
Россия, Санкт-ПетербургСписок литературы
- Мосягин И.Г. Роль и место морской медицины // Морская медицина. 2023. Т. 9, № 3. С. 7–12. EDN: FJMQXK doi: 10.22328/2413-5747-2023-9-3-7-12
- Крюков Е.В., Ивченко Е.В., Юсупов В.В., и др. Взаимосвязь профессиональной успешности и развития познавательных психических процессов и личностных качеств специалистов Военно-морских сил Вьетнама // Вестник Российской военно-медицинской академии. 2024. Т. 26, № 1. C. 7–14. EDN: GYBLZE doi: 10.17816/brmma624879
- Андрийченко А.М., Емушинцев П.А. Применение объективных методов диагностики для оценки профессионально важных качеств водолазов: ретроспективное исследование // Морская медицина. 2023. Т. 9, № 2. С. 77–89. EDN: QPYTMV doi: 10.22328/2413-5747-2023-9-2-77-89
- Бабин Ю.М., Юсупов В.В., Благинин А.А., и др. Психологические и психофизиологические критерии профессионального отбора операторов авиационных систем // Военно-медицинский журнал. 2024. Т. 345. № 8. С. 43–50. EDN: EYPFFE
- Дорофеев И.И., Корзунин В.А., Овчинников Б.В., и др. Методологические аспекты выделения категории медико-психологического сопровождения курсантов // Клиническая и специальная психология. 2016. Т. 5, № 2. С. 113–120. EDN: WGFEXT doi: 10.17759/cpse.2016050208
- Овчинников Б.В., Днов К.В., Зайцев А.Г., и др. Ценности и мотивация в профессионализации военнослужащего // Вестник Российской военно-медицинской академии. 2017. № 4. С. 135–139. EDN: YLNRQY
- Крюков Е.В., Ивченко Е.В., Шамрей В.К., и др. Современные подходы к оценке стрессоустойчивости у военнослужащих // Военно-медицинский журнал. 2023. Т. 344, № 7. С. 4–15. EDN: FNCQIP
- Ивченко Е.В., Овчинников Д.В. Организация научной работы как залог успешного развития военной медицины // 3-й Азиатско-тихоокеанский конгресс по военной медицине. Материалы конгресса. 2016. С. 24–25.
- Липский Д.Л., Гура М.С., Лучкин И.В., и др. Применение машинного обучения в медико-психологическом сопровождении военнослужащих иностранных государств // Живая психология. 2023. Т. 10, № 4. С. 15–24. EDN: PQSOJZ doi: 10.58551/24136522_2023_10_4_15
- Сошкин П.А. Стрессоустойчивость и адаптивные возможности у военно-морских специалистов с признаками профессионального выгорания // Морская медицина. 2021. Т. 7, № 3. С. 62–70. EDN: RZUUGE doi: 10.22328/2413-5747-2021-7-3-62-70
- Личко А.Е. Психопатии и акцентуации характера у подростков. Ленинград: Медицина, 1983. 255 с.
- Юсупов В.В., Фищенко Д.Е., Ятманов А.Н., и др. Прогноз дезадаптации курсантов с применением методов машинного обучения // Медико-биологические и социально-психологические проблемы безопасности в чрезвычайных ситуациях. 2023. № 4. С. 90–96. EDN: REWQVC doi: 10.25016/2541-7487-2023-0-4-90-96
- Баскин Ю.Г., Свидзинская Г.Б. Опыт использования метода семантического дифференциала в образовательном процессе // Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России. 2021. № 1. С. 158–165. EDN: ZPNLEZ
- 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». 2020. Т. 3. С. 177–183. EDN: XCNRHN
- Терлецкий А.С., Терлецкая Е.С. Нейронные сети и искусственный интеллект: основы нейронных сетей на языке python. Липецк, 2023. 76 с. EDN: UGIPEE
- Апчел В.Я., Булка А.П., Сысоев В.Н. Использование математической модели нечёткой нейронной сети для профессионального психологического отбора кадров // Академический журнал. 2007. № 5. С. 136–143. EDN: XWYOHB
- Зайцев А.Г., Резванцев М.В., Тегза В.Ю., и др. Математическая модель прогноза успешности военно-профессиональной адаптации курсантов военно-морской академии им. Н.Г. Кузнецова // Вестник Российской военно-медицинской академии. 2018. № 1. С. 160–163. EDN: YXCBUD
- Ятманов А.Н. Психологические особенности профессионально дезадаптированных курсантов // Вестник Российской военно-медицинской академии. 2019. № 2. С. 92–96. EDN: KFFMDW
Дополнительные файлы
