Создание программного комплекса для оценки влияния эмоционального фона на интеллектуальные способности

Создание программного комплекса для оценки влияния эмоционального фона на интеллектуальные способности / А. С. Абовян, Э. А. Казарян, С. Г. Саргсян, Д. Ю. Саргсян // Системный анализ в науке и образовании: сетевое научное издание. 2025. № 2. C. 22-31. EDN: VEFVTN. URL:

4.0)

Актуальность развития объективных и автоматизированных методов оценки психологических характеристик личности обусловлена стремительным прогрессом искусственного интеллекта (ИИ) и цифровых технологий. Традиционные психометрические методы часто требуют длительного тестирования и субъективного анализа, тогда как современные технологии позволяют объективно регистрировать и анализировать поведенческие и когнитивные реакции, включая косвенные проявления, такие как особенности ввода текста.

Подходы, основанные на типизации и прогнозировании, играют ключевую роль в науке и практике, открывая новые пути оценки интеллектуальных ( IQ ) и эмоциональных ( EI ) способностей. Исследования последних лет, такие как работы Клейтона Эппа [1], показали возможность выявления эмоционального состояния по динамике клавиатурного ввода. Возникло новое направление -«психологическая информатика» [2], изучающее извлечение психологических инсайтов из крупномасштабных цифровых данных. Знаковое исследование Косински [3] продемонстрировало, что цифровые следы (например, лайки в Facebook) могут предсказывать личностные черты и политические предпочтения с высокой точностью, иногда не уступая традиционным опросникам. Методы ИИ сыграли ключевую роль в анализе этих данных, выявляя скрытые закономерности (напр., связь параметров движения мыши с эмоциями [4]).

Возникает спрос на быстрые, объективные, автоматизированные инструменты, способные оценивать интеллектуальные и эмоциональные ресурсы (IQ/EI) через анализ естественного цифрового поведения (например, паттернов ввода текста), минуя сложное тестирование. Данное исследование направлено на разработку теоретических и практических основ такого инструмента.

Цель исследования: Разработка на базе машинного обучения программного инструмента, который путем анализа характеристик ввода текста позволит прогнозировать компоненты интеллектуального (IQ) и эмоционального интеллекта (EI) личности, подчеркивая их роль и значение в учебном процессе.

Основная гипотеза: Паттерны ввода текста ( keystroke dynamics ) содержат объективную информацию, релевантную для прогнозирования определенных компонентов IQ и EI личности, и эта информация может быть эффективно извлечена и преобразована в количественные оценки с помощью инструментов машинного обучения (нейронных сетей).

Научная значимость исследования:

• -    Исследование способствует развитию новых подходов к взаимосвязанной оценке интеллекта и эмоционального интеллекта.

• -    Теоретически обосновывает возможность прогнозирования    психологических

особенностей посредством цифрового поведения.

• -    Дополняет междисциплинарные знания психологии и прикладной информатики, предлагая новое междисциплинарное исследовательское направление.

Практическая значимость исследования:

• -  Созданный  инструмент  может  применяться в области профориентации, оценки

потенциальных возможностей индивида в образовательных процессах и управления персоналом.

• -  Результаты  исследования могут  служить основой для создания психологических

диагностических и управленческих систем нового поколения.

• -    Может обеспечить более объективную, быструю и эффективную оценку индивида в цифровой среде без традиционного длительного тестирования.

• 1.    Методология: Описание выборки, методов и методик исследования

В исследовании приняли участие 500 студентов в возрасте от 18 до 27 лет. Все участники на момент исследования являлись студентами программ бакалавриата или магистратуры либо завершили соответствующую программу в течение последнего года. Распределение по образовательному статусу включало следующие категории:  незавершенный бакалавриат, бакалавриат, незавершенная магистратура, магистратура. Профессиональная направленность участников охватывала восемь основных категорий:

• -    технические науки,

• -    естественные науки,

• -    социальные науки,

• -    медицина,

• -    искусство и дизайн,

• -    экономика и бизнес,

• -    информационные технологии,

• -    гуманитарные науки.

Все экспериментальные сессии были проведены в специализированной лаборатории Научноисследовательского центра психологии Ереванского государственного университета (ЕГУ). Ключевым аспектом методологии было обеспечение высокой контролируемых условий для минимизации внешних помех. Лабораторное помещение было предварительно адаптировано и акустически изолирована от внешних шумов. Кроме того, были устранены потенциальные визуальные и двигательные раздражители, способные повлиять на концентрацию внимания участников. Такая организация среды была направлена на достижение максимальной внутренней валидности эксперимента, особенно критичной при оценке когнитивных и поведенческих характеристик.

Каждая экспериментальная сессия длилась приблизительно 1,5  - 2 часа. Участники последовательно выполняли блок стандартизированных психологических тестов и задание по вводу текста. В помещении во время сессии присутствовали только участник и экспериментатор (оператор). Роль экспериментатора строго регламентировалась: обеспечение четкого инструктирования перед каждым этапом, контроль соблюдения временных лимитов (особенно актуально для теста Амтхауэра, где каждый раздел имеет строгое время выполнения) и объективная фиксация результатов без какого-либо вмешательства в процесс выполнения заданий или субъективных оценок.

Для комплексной оценки психологических характеристик были использованы следующие стандартизированные психометрические методики:

• -    Тест структуры интеллекта   ( Intelligenz-Struktur-Test ,      1ST)   Р.     Амтхауэра:

для диагностики уровня и структуры общих когнитивных способностей (IQ) [7].

• -    Дифференциальная шкала эмоций ( Differential Emotions Scale , DES) К. Изарда: для оценки переживания базовых эмоций и аспектов эмоционального опыта [8].

• -    Тест эмоционального интеллекта ( Emotional Intelligence Test ) Н. Холла: для измерения способности к распознаванию, пониманию и управлению эмоциями ( EI) [10].

• -    Тест Пьерона-Рузера: для исследования концентрации и устойчивости внимания.[9]

Анализ поведенческих данных ввода текста осуществлялся с помощью специально разработанного программного обеспечения. Данное ПО выполняло автоматическую регистрацию и анализ следующих ключевых параметров в режиме реального времени:

• -    Скорость ввода (количество слов в минуту, WPM).

• -    Частоту и классификацию ошибок на три типа: орфографические опечатки, пропущенные пробелы между словами, пропущенные буквы внутри слов.

• 2.    Представление и интерпретация результатов исследования

Для проверки гипотезы была проведена корреляция по Пирсону (α = 0.05). Согласно таблице 2, были выявлены три статистически значимых отрицательных связи между показателями набора текста и компонентом эмоциональной саморегуляции:

• -    Общее количество ошибок и саморегуляция ( r = -0.43, p = 0.002)

Увеличение ошибок сопровождается снижением уровня саморегуляции, что может быть связано с тревожностью и нарушением контроля внимания.

• -    Опечатки и саморегуляция ( r = -0.36, p = 0.008)

Частота опечаток может отражать импульсивность и дефицит мелкой моторной координации на фоне пониженной эмоциональной устойчивости.

• -    Частичные слова и саморегуляция ( r = -0.47, p = 0.001)

• 3.    Программная часть приложения

Наиболее сильная связь, указывающая на распад контроля при наборе текста как поведенческое проявление эмоциональной нестабильности.

Табл. 1. Результаты корреляционных связей между показателями ввода текста и компонентом эмоциональной саморегуляции эмоционального интеллекте (порог статистический значимости: p < 0.05)

Показатель ввода	г (Коэффициент корреляции)	Р
(WPM)	+0.28	0.041
Общее количество ошибок	-043	0.002
Ошибки типа 1 (опечатки)	-0.36	0.008
Ошибки типа 2 (отсутствующие пробелы)	-0.29	0.034
Ошибки типа 3 (неполные слова с пропущенными буквами)	-0.47	0.001

Таким образом, выявленные показатели могут служить индикаторами уровня эмоциональной саморегуляции.

Современные технологии открывают новые горизонты для применения искусственного интеллекта в гуманитарных и социальных науках. Одним из таких направлений является оценка интеллектуальных и эмоциональных способностей человека на основе поведенческих параметров. Работа посвящена разработке и внедрению программной системы, которая позволяет прогнозировать коэффициенты интеллекта ( IQ ) и эмоционального интеллекта ( EQ ) пользователя. Основой служат такие параметры, как скорость набора текста, количество ошибок, возраст, пол, образование, профессиональная принадлежность и эмоциональное состояние.

Архитектура системы: программа включает три основных компонента: нейронную сеть, модуль анализа текста и пользовательский интерфейс. Эти части взаимодействуют между собой по следующему принципу:

• -    Пользователь вводит персональные данные и проходит тест набора текста.

• -    Система анализирует ошибки и скорость набора.

• -    Объединённые данные поступают в нейросеть, которая выдает прогноз IQ и EQ .

• 4.    Нейронные сети на основе собранных данных

Рис. 1. Oписание программы в графическом виде

Нейронные сети — это системы, состоящие из слоёв взаимосвязанных "искусственных нейронов". Каждый нейрон получает входные значения, преобразует их с помощью весов и функции активации и передаёт на следующий уровень. За счёт многослойной структуры сеть способна моделировать сложные нелинейные зависимости между входными данными и выходом.

Обучение нейронной сети происходит на основе примеров: она получает входные данные и соответствующие правильные ответы (в нашем случае – IQ и EQ ), и с помощью алгоритма обратного распространения ошибки корректирует свои веса, минимизируя разницу между предсказанием и истиной. Такой подход особенно эффективен при наличии множества параметров, влияющих на результат.

Модель реализована с использованием библиотеки Keras и архитектуры Sequential . Входными параметрами являются десять характеристик: возраст, пол, уровень образования, профессия, скорость набора ( WPM ), количество опечаток, пропущенных символов, неверных пробелов, уровень самочувствия ( well-being ) и внимательность. Модель содержит два скрытых слоя с 16 и 8 нейронами соответственно. Для активации используется функция ReLU . Выходной слой состоит из двух нейронов, предсказывающих IQ и EQ .

Для повышения качества обучения применяются два метода:

• -    LabelEncoder – кодирует категориальные данные (пол, образование, профессия);

• -    StandardScaler – нормализует числовые параметры, приводя их к единому масштабу.

• 5.    Модуль анализа текста

Модель обучается на реальных данных, собранных у студентов. Обучение проводится в течение 50 эпох с использованием оптимизатора Adam и функцией потерь Mean Squared Error ( MSE) . После обучения модель сохраняется и может быть использована для предсказаний на новых данных.

Рис. 2. Обучение нейронной сети

Отдельное внимание в системе уделяется модулю анализа текстового ввода. Он не только определяет количество ошибок, но и классифицирует их по типам, что даёт более полную картину когнитивных и моторных навыков пользователя. Используется алгоритм сравнения строк SequenceMatcher из библиотеки ' difflib ', который анализирует различия между эталонным и введённым текстом. Выделяются следующие категории ошибок:

• -    Опечатки - замены символов, чаще всего отражающие снижение точности и концентрации.

• -    Пропущенные символы — свидетельствуют о спешке или недостатке внимательности.

• -    Ошибочные пробелы — влияют на структурность текста и могут указывать на трудности с моторным контролем.

• 6.    Пользовательский интерфейс приложения

Кроме того, модуль рассчитывает скорость печати ( WPM - слов в минуту), используя соотношение длины текста и затраченного времени. Эта метрика служит важным поведенческим индикатором, показывающим общую продуктивность и уверенность пользователя.

Таким образом, текстовый анализ выступает не просто вспомогательной функцией, а ключевым источником поведенческих данных, необходимых для качественного прогнозирования.

Программа обладает трехчастным графическим интерфейсом, разработанным с помощью библиотеки Tkinter :

• -    Главное меню

Пользователь вводит личные данные: возраст, пол, уровень образования, профессиональную область. Валидация значений осуществляется в реальном времени. Интерфейс интуитивно понятен, поля упорядочены вертикально, а кнопка “ Submit ” активируется только при корректном заполнении.

Рис. 3. Главное меню

• -    Меню ввода эмоционального состояния

Пользователь оценивает десять эмоций (пять положительных и пять отрицательных) по шкале от 1 до 5. На их основе рассчитывается индекс well-being . Меню открывается во всплывающем окне и обладает фиксированным размером, обеспечивая компактность и удобство.

Рис. 4. Mеню эмоций

• -    Окно результатов

После завершения анализа данных открывается новое окно, в котором отображаются: - предсказанные значения IQ и EQ,

- скорость печати,

• -    количество ошибок разных типов, - общее время выполнения.

Рис. 5. Окно результатов

Такой подход к построению интерфейса делает систему удобной для пользователя, снижает вероятность ошибок и способствует получению надежных данных.

Заключение

В рамках настоящей работы была успешно разработана и апробирована методология прогнозирования компонентов интеллектуального ( IQ ) и эмоционального интеллекта ( EQ ) на основе поведенческих характеристик набора текста. Полученные результаты подтверждают наличие закономерных связей между особенностями цифрового поведения и психологическими параметрами личности.

Корреляционный анализ выявил статистически значимые обратные связи между уровнем эмоциональной саморегуляции и такими показателями, как общее количество ошибок ( r = -0.43), количество пропущенных пробелов ( r = -0.36) и незавершенных слов ( r = -0.47). Это свидетельствует о том, что более высокая эмоциональная устойчивость проявляется в меньшем количестве ошибок при наборе текста, что делает поведенческие цифровые метрики потенциальными индикаторами эмоционального состояния.

Разработанная система, объединяющая модуль сбора данных, машинное обучение и пользовательский интерфейс, показала свою работоспособность и перспективность. Нейросетевая модель продемонстрировала возможность предварительного прогнозирования показателей IQ и EQ , что открывает новые горизонты для автоматизированной психологической оценки.

В то же время исследование выявило ряд ограничений. Прежде всего, объем выборки был сравнительно мал, что сдерживает возможность обобщения полученных данных. Также в рамках работы анализировались лишь ограниченное число поведенческих признаков, в то время как включение дополнительных параметров (время нажатия клавиш, паузы между ними, лингвистические особенности текста и др.) может повысить точность модели.

Для дальнейшего развития направления предлагаются следующие шаги:

• -    расширение выборки за счет включения респондентов с различным возрастом, уровнем подготовки и профессиональным фоном;

• -    применение многомерного анализа и инженерии признаков для выявления скрытых факторов, влияющих на поведенческие характеристики;

• -    сравнение эффективности различных моделей машинного обучения;

• -    оценка применимости методики в реальных условиях, например, в образовательной среде или в рамках профессионального отбора.

Таким образом, проведенное исследование подтверждает, что поведенческие характеристики при наборе текста могут нести объективную информацию о когнитивных и эмоциональных особенностях личности. Разработанный подход является жизнеспособным и перспективным направлением для дальнейших междисциплинарных исследований, находящихся на пересечении психологии и искусственного интеллекта.