23612

پيش‌بيني ابعاد شخصيتي افراد از روي ‌داده‌هاي متني آن‌ها با استفاده از الگوريتم‌هاي يادگيري عميق

كارشناسي ارشد

مهندسي كامپيوتر

1397-1400

19 بهمن 1399

دكتر حسين رحماني

پرديس دانشگاهي مهندسي كامپيوتر

تعيين ابعاد شخصيتي افراد در تحقيقات روان‌شناختي بسيار مهم است. مشهورترين نمونه ابعاد شخصيتي، مدل پنج‌ عاملي است. براي تعيين ابعاد شخصيتي دو رويكرد وجود دارد: 1- دستي و 2- خودكار . در رويكرد دستي، روان‌شناسان ابعاد شخصيتي را از طريق پرسش‌نامه‌هاي شخصيت كشف مي‌كنند. در روش خودكار، انواع مختلف ورودي (متني، تصويري، ويدئويي و صوتي) از افراد براي اين منظور جمع‌آوري و تحليل مي‌شوند. روش‌هاي دستي داراي دقت بالايي بوده اما هزينه زماني و مالي زيادي را براي محققان ايجاد مي‌كردند و پوشش تحقيقاتي كم را شامل مي‌شدند. درحالي‌كه روش‌هاي خودكار به صورت خودكار تعداد زيادي از افراد را در تحقيقات مدنظر پوشش مي‌دادند، هزينه‌هاي مالي و زماني كمتري در مقايسه با روش‌هاي دستي داشتند ولي دقت كمتري داشتند. در اين پژوهش، ما يك روش خودكار به نام ِ DENOVA را ارائه مي‌دهيم كه به صورت خودكار و با دقت بالا (در مقايسه با روش‌هاي پيشين) پنج بعد شخصيتي افراد را پيش‌بيني نمايد. مهم‌ترين نوآوري ما در اين پژوهش، تركيب يادگيري عميق با روش آماري تجزيه و تحليل واريانس در انتخاب مهم‌ترين و متمايزكننده ترين ويژگي ها (كلمات) بوده است. در اين پژوهش، ما روشي به نام DENOVA را ارائه مي‌دهيم كه پنج بٌعد شخصيتي افراد را با استفاده از تركيب يادگيري عميق و تجزيه و تحليل واريانس كلمات پيش‌بيني مي‌كند. براي اين هدف، DENOVA ابتدا ANOVA را براي انتخاب جداكننده‌ترين كلمات در هر سند اعمال مي‌كند. سپس، DENOVA از Word2Vec براي استخراج بردار ويژگي‌هاي هر سند استفاده مي‌كند. سرانجام، DENOVA از 4 رده‌بند ماشين بردار پشتيبان ، Logistic Regression، XGBoost و پرسپترون چند لايه براي پيش‌بيني پنج بٌعد شخصيتي استفاده مي‌كند. نتايج ما نشان مي‌دهد كه DENOVA با توجه به معيار صحت به طور متوسط، 91.6 درصد، نسبت به متدهاي رقيب، در پيش‌بيني پنج بٌعد شخصيتي عملكرد بهتري دارد.

1400/02/19

Predicting personality dimensions of individuals from their textual data using deep learning algorithms

2/8/2022 12:00:00 AM

Determining the personality dimensions of individuals is very important in psychological research. The most well-known example of personality dimensions is the Five-Factor Model (FFM). There are two approaches 1- Manual and 2- Automatic for determining the personality dimensions. In a manual approach, Psychologists discover these dimensions through personality questionnaires. As an automatic way, varied personal input types (textual/image/video) of people are gathered and analyzed for this purpose. Manual methods have high accuracy, but they cost the researchers a lot of time and money and examined fewer people. While automated methods automatically covered a large number of people in research, they had lower financial and time costs compared to manual methods but they were less accurate. In this paper, we proposed a method called DENOVA (DEep learning based on the ANOVA), which predicts FFM using deep learning based on the Analysis of variance (ANOVA) of words. For this purpose, DENOVA first applies ANOVA to select the most informative terms. Then, DENOVA employs Word2Vec to extract document embeddings. Finally, DENOVA uses Support Vector Machine (SVM), Logistic Regression, XGBoost, and Multilayer perceptron (MLP) as classifiers to predict FFM. The experimental results show that DENOVA outperforms on average, 6.91%, the state-of-the-art methods in predicting FFM with respect to accuracy.

ابعاد شخصيتي , مدل پنج عاملي , تجزيه و تحليل واريانس , يادگيري عميق , تعبيه كلمه , متن‌كاوي

Personality Dimensions , Five-Factor Model (FFM) , ANOVA , Deep Learning , Word Embedding , Text Mining