a 2024

Využití principů klasifikace a učení umělé inteligence při analýze reálných dat z psychologických výzkumů

ZLATUŠKA, Jiří a Jiří DAN

Základní údaje

Originální název

Využití principů klasifikace a učení umělé inteligence při analýze reálných dat z psychologických výzkumů

Název česky

Využití principů klasifikace a učení umělé inteligence při analýze reálných dat z psychologických výzkumů

Název anglicky

Applying the principles of classification and artificial intelligence learning to the analysis of real data from psychological research

Autoři

ZLATUŠKA, Jiří a Jiří DAN

Vydání

Psychologické dny 2024, 4,-6. září, Olomouc, 2024

Další údaje

Typ výsledku

Konferenční abstrakt

Utajení

není předmětem státního či obchodního tajemství

Organizační jednotka

Fakulta informatiky

DOI

Klíčová slova česky

principy umělé inteligence; model vícevrstvé neuronové sítě, text WISC-IIIUK

Klíčová slova anglicky

principles of artificial intelligence; multi-layer neural network model; WISC-IIIUK test

Štítky

Změněno: 28. 1. 2025 16:21, doc. PhDr. Jiří Dan, CSc.

Anotace

ORIG CZ

V originále

Cílem výzkumu bylo porovnat schopnost predikovat školní výkon modelem založeným na principech umělé inteligence s „klasickým“ modelem statistické lineární regrese. Predikční schopnost modelů jsme posoudili podle podílu rozptylu závisle proměnné veličiny, který je vysvětlen modelem neuronové sítě a regresním modelem. Reálná data byla získána v rámci lokalizace testu WISC-IIIUK na české kulturní a jazykové prostředí. Pro účely výzkumu jsme použili vzorek, který tvořilo 755 žáků a žákyň základních škol ve věku 8;0 až 15;11 roků. Jako nezávisle proměnné jsme použili 13 subtestů testu WISC-IIIUK , závislými proměnnými byl celkový prospěch a známka z matematiky. Výpočet byl proveden programem IBM SPSS, verze 29, s využitím modulu Neural Networks a modelu vícevrstvé neuronové sítě (MLP) a modulu Linear Regression. Při predikci prospěchu je predikční síla modelu neuronové sítě R2 = 0.416 a modelu lineární regrese R2 = 0.315. Neuronová síť tedy předpovídá o 10 procentních bodů lépe. Při predikci známky z matematiky pro neuronovou síť platí R2 = 0.409, vysvětluje 41 % rozptylu. Pro model lineární regrese platí R2 = 0,466, vysvětluje 47 % rozptylu, takže tento model je ve srovnání lepším prediktorem. Principy klasifikace a učení umělé inteligence vytvářejí konceptuální rámec pro zpracovávání dalšími metodami.

Česky

Cílem výzkumu bylo porovnat schopnost predikovat školní výkon modelem založeným na principech umělé inteligence s „klasickým“ modelem statistické lineární regrese. Predikční schopnost modelů jsme posoudili podle podílu rozptylu závisle proměnné veličiny, který je vysvětlen modelem neuronové sítě a regresním modelem. Reálná data byla získána v rámci lokalizace testu WISC-IIIUK na české kulturní a jazykové prostředí. Pro účely výzkumu jsme použili vzorek, který tvořilo 755 žáků a žákyň základních škol ve věku 8;0 až 15;11 roků. Jako nezávisle proměnné jsme použili 13 subtestů testu WISC-IIIUK , závislými proměnnými byl celkový prospěch a známka z matematiky. Výpočet byl proveden programem IBM SPSS, verze 29, s využitím modulu Neural Networks a modelu vícevrstvé neuronové sítě (MLP) a modulu Linear Regression. Při predikci prospěchu je predikční síla modelu neuronové sítě R2 = 0.416 a modelu lineární regrese R2 = 0.315. Neuronová síť tedy předpovídá o 10 procentních bodů lépe. Při predikci známky z matematiky pro neuronovou síť platí R2 = 0.409, vysvětluje 41 % rozptylu. Pro model lineární regrese platí R2 = 0,466, vysvětluje 47 % rozptylu, takže tento model je ve srovnání lepším prediktorem. Principy klasifikace a učení umělé inteligence vytvářejí konceptuální rámec pro zpracovávání dalšími metodami.