Личностный потенциал. Структура и диагностика - Коллектив авторов

Второй (эмпирический) подход – от частного к общему – строится на основе эмпирических данных: решаются уравнения, отражающие эмпирические зависимости между переменными. Полученные решения интерпретируются и объясняются с точки зрения имеющихся теорий (или строятся новые) ( Петренко, Митина , 1997; Митина, Петренко , 1999; Mitina, Abraham, Petrenko 2002; Abraham, Mitina, Petrenko, 2001; Guastello , 1995; 2002).

Корректное применение методологии синергетики для изучения феноменологии социальных и гуманитарных наук не допускает безусловного переноса моделей без учета различий в исследуемых системах, предполагает обязательную их адаптацию. Следует также помнить, что, прежде чем применять нелинейные модели, следует попробовать традиционные «линеаризованные» схемы. Если они работают, то не следует отказываться от них.

В качестве примера рассмотрим ситуацию изучения поведения колебательных систем. Идея того, что энергия, движущая структуру психического, питающая волю, чувства и действия, влияющая на отношения, интересы и возможности, подчиняется принципу энантиодромии, что дословно означает «возвращающиеся колебания маятника», принадлежит Юнгу (1994). Эго может увеличить поток энергии в сторону одной из крайностей, но в конечном итоге, индивид, сознательно или бессознательно, должен вернуться обратно: напряжение – расслабление, открытие – закрытие, оценка – решение. Находясь в динамическом равновесии, психика движется как прогрессивно (внешняя адаптация), так и регрессивно (внутренняя адаптация) ( Hampden-Turner , 1981). Внутригрупповое взаимодействие или функционирование отдельных индивидов, психические процессы которых (на разных уровнях от психофизиологии до ценностных отношений) являются колебательными режимами, очевидно, также определяет колебательные системы уже на уровне социума.

В психотерапии нашла применение известная модель Лотки – Вольтерра, возникшая в биологии для описания совместного обитания в одном водоеме двух популяций – жертв и хищников, задаваемая системой обыкновенных дифференциальных уравнений. В самом простом виде это выглядит так:

x’=ax – bxy — скорость изменения численности популяции жертв,

y’=cxy – dy — скорость изменения численности популяции хищников, где a, b, c и d  – положительные константы.

Оценка управляющих параметров, полученных в результате анализа модели (например, сопоставления эмпирических данных с моделью при нелинейной регрессии) дает возможность реально влиять на процесс (см. подробнее Митина, Петренко , 2002).

Эта же модель позволяет описывать процесс формирования иерархии мотивов, потребностей, удовлетворяющих их актов и намерений, смысловой сферы, причем охватить достаточно широкий спектр психологических теорий – от бихевиоризма до гуманистических теорий. При формировании мотивационно-потребностной сферы роль «жертв» играют базисные потребности более низкого порядка, создающие первичное напряжение, «питающее» потребности более высокого порядка ( Петренко, Митина , 2002). Американский исследователь Г. Сабелли ( Sabelli , 2001, 2002) выделил специальные хаотические режимы, свойственные живым и социальным системам, называя их байосом («byos» по аналогии с «chaos»). Строго говоря, байос задается разностным уравнением Y j+1 =Y j + λ sin Y j при достаточно больших λ. Внешне график уравнения байоса похож на график логистического уравнения и описываемые им процессы при соответствующих значениях управляющего параметра λ по-прежнему удовлетворяют условиям детерминированного хаоса (апериодичны, чувствительны к начальным условиям, неустойчивы); на шкале в направлении от детерминированных процессов к стохастическим они занимают положение, соответствующее самым ранним симптомам возникновения детерминированного хаоса. Выделяются эпизодические паттерны с явно выраженным началом и окончанием, существует конечное число аттракторов и низкий процент рекурсий, распределение является ассиметричным. Образно говоря, если синонимом хаоса является непредсказуемость, то синонимом байоса является новизна.

Интеллектуальные нейронные сети

Интеллектуальные нейронные сети (ИНС) стали использовать в 40-х гг. XX века применительно к задачам, связанным с вычислительными и информационными технологиями. Ведущую роль здесь сыграли американские математики, предложившие заимствовать принципы организации и функционирования биологических нейронных сетей для решения задач, связанных с анализом и обработкой информации в электронных вычислительных системах (У. Маккалох, Д. Хебб, Ф. Розенблатт, М. Минский, Дж. Хопфилд) ( Джейн, Мао, Моиуддин , 1997; Круглов, Борисов , 2001; Bar-Yam , 2003). Термин «интеллектуальная нейронная сеть» получил официальное признание в середине 1950-х гг. Термин «интеллектуальная» используется, чтобы отличить компьютерные нейронные сети от биологических. Таким образом, под ИНС подразумеваются алгоритмы, построенные по аналогии с представлениями середины прошлого века о процессах взаимодействия нейронов в человеческом мозге и реализующие распределенные и параллельные системы получения, передачи и обработки сигналов, адаптирующиеся в ходе своего функционирования. За более чем полвека ИНС получили широкое распространение в области задач искусственного интеллекта. Они широко используются в экономике для предсказания, например, ситуаций на финансовом рынке; в медицине для диагностики различных болезней; в экологии для контроля окружающей среды; в политологии и социологии для предсказания результатов политических выборов, кризисных ситуаций в общественном сознании; для решения задач, связанных с распознаванием визуальных и звуковых образов; для моделирования принятия решений в проблемных ситуациях и др. ( Горбань, Дунин-Барковский, Кирдин и др., 1998; см. также URL: http://cs.mipt.ru/docs/comp/rus/develop/neuro/nauroinform/main.pdf).

Задачи, решаемые с помощью нейронных сетей, можно свести к следующей математической постановке. Необходимо построить отображение X→Y такое, чтобы на каждый возможный входной сигнал X формировался правильный выходной сигнал Y . Отображение задается конечным набором пар (<известный вход>, <известный выход>). Число таких пар (обучающих примеров) существенно меньше общего числа возможных сочетаний значений входных и выходных сигналов. Совокупность всех обучающих примеров носит название обучающей выборки. Большая часть прикладных задач может быть сведена к реализации сложного многомерного функционального преобразования. Выделяют следующие типы задач, решаемые в интеллектуальных нейронных сетях.

Классификация образов. Требуется указать принадлежность входного образа X (например, речевого сигнала или рукописного символа), представленного вектором признаков, к одному или нескольким предварительно определенным классам Y : распознавание букв, распознавание речи, классификация сигнала электроэнцефалограммы, типологизация людей в соответствии с их личностными характеристиками.

Кластеризация/категоризация. Требуется разместить близкие образы X в один кластер Y . Кластеры при этом могут быть заранее неизвестны. Чаще всего этот тип задач используется для сжатия данных, выявления априорно неизвестных свойств объектов.

Аппроксимация функций. Необходимо оценить неизвестную функцию, искаженную шумом. Входной сигнал X является аргументом этой функции, а выходной Y  – ее значением. Используется для моделирования функциональных зависимостей.

Предсказание/прогноз. Предсказать значение временнóго ряда в некоторый будущий момент времени t n+1 .на основании значений этого ряда в последовательные моменты времени t 1 , t 2 …., t n . В качестве входных сигналов X используется набор значений временного ряда полученных в n последовательных промежутках времени. Выходной сигнал Y – значение временного ряда в n+1 промежуток.

Оптимизация. Найти решение, удовлетворяющее системе ограничений и максимизирующее или минимизирующее целевую функцию. Примером является так называемая задача коммивояжера, требующая проложить кратчайший путь. На вход подаются координаты пунктов, на выход – искомый кратчайший путь. В психологии в данный класс задач попадают многие задачи принятия решений, нахождения компромисса и пр.

Память, адресуемая по содержанию. Среди множества объектов найти максимально похожий на предъявляемый. Предъявляемый объект, подаваемый на вход, представляет собой частичное или искаженное воспроизведение какого-либо объекта, находящегося в памяти и подаваемого в качестве ответа на выход. Используется для моделирования семантических пространств.