پیش بینی تاثیر ذهن آگاهی بر تحریک پذیری با استفاده از مدل های شبکه بیزی، رگرسیون و عصبی

محققان هوش مصنوعی در تلاش اند هوش انسانی را روی دستگاه پیاده کنند. این مطالعه با هدف ایجاد یک مدل رایانه ای پیش بینی کننده مناسب جهت ارزیابی اثربخشی درمان شناختی مبتنی بر ذهن آگاهی بر تحریک پذیری انجام شد.

طرح پژوهش حاضر از نوع شبه آزمایشی و با روش پیش آزمون- پس آزمون بود. آزمودنی های پژوهش حاضر 135 نفر از افراد مراجعه کننده به مرکز مشاوره خانه مهر در مشهد بودند و در یک دوره 8 جلسه ای شناخت درمانی مبتنی بر ذهن آگاهی (MBCT) شرکت کردند. در مجموع 11 دوره MBCT برگزار شد و 10 تا 14 نفر در هر دوره شرکت کردند. شرکت کنندگان پرسشنامه تحریک پذیری (پورافروز و دیگران) را در دو مرحله (قبل از درمان و بعد از درمان) تکمیل کردند. به منظور بررسی تفاوت های پیش آزمون تا پس آزمون در این تحقیق، از تحلیل واریانس اندازه گیری های مکرر استفاده شد.

یافته های آماری نشان داد که تفاوت معنی داری میان نمرات پیش آزمون و پس آزمون تحریک پذیری وجود داشت. اندازه اثر ذهن آگاهی نیز 83 درصد بود. برای توسعه مدل پیش بینی، سه مدل بیزی، رگرسیون و شبکه عصبی مقایسه شد. مدل بیزی، با صحت داده های تست 93 درصد مناسب ترین مدل در نظر گرفته شد. علاوه بر این، مدل های بیزی با خوشه بندی ورودی و خروجی (7/85 درصد)، بیزی با رده بندی (49/71 درصد)، شبکه عصبی ترتیبی (29/64 درصد)، مدل های مناسبی برای پیش بینی تاثیر گذاری دوره های 8 جلسه ای ذهن آگاهی بر کاهش تحریک پذیری شناخته شدند. مدل های بیزی با خوشه بندی خروجی ها، رگرسیون با یک خروجی و شبکه عصبی کانوولوشنی نیز دقت پیش بینی کافی برای اثر گذاری ذهن آگاهی را نداشتند.

  به کمک مدل سازی شناختی می توانیم اثر بخشی شناخت درمانی مبتنی بر ذهن آگاهی را بر روی میزان تحریک پذیری افراد پیش بینی کنیم.