Возможности моделирования предрасположенности к наркозависимости методами искусственного интеллекта

Автор: Ясницкий Леонид Нахимович, Грацилв Вадим Игоревич, Куляшова Юлия Сергеевна, Черепанов Федор Михайлович

Журнал: Вестник Пермского университета. Философия. Психология. Социология @fsf-vestnik

Рубрика: Психология

Статья в выпуске: 1 (21), 2015 года.

Бесплатный доступ

Разработана компьютерная программа, предназначенная для определения степени предрасположенности человека к наркозависимости. В основе программы лежит нейронная сеть, обученная на результатах социологических опросов. Погрешность нейросетевой модели составила меньше 1 %. С помощью нейросетевой модели произведена оценка значимости факторов, способных оказывать влияние на предрасположенность к наркозависимости. Наиболее значимыми факторами оказались: уровень образования, наличие друзей-наркоманов, тип темперамента, количество детей в семье, финансовое положение. Нейросетевая модель позволяет оценивать влияние изменения параметров, характеризующих человека, на его предрасположенность к наркозависимости, а также подбирать оптимальные сочетания этих параметров для каждого конкретного человека и, таким образом, получать индивидуальные рекомендации по снижению наркозависимости.

Еще

Наркомания, наркозависимость, рекомендации, искусственный интеллект, нейронная сеть, закономерности, математическое моделирование, прогноз

Короткий адрес: https://sciup.org/147203025

IDR: 147203025

Список литературы Возможности моделирования предрасположенности к наркозависимости методами искусственного интеллекта

  • Анисимов Л. Н. Профилактика пьянства и наркомании среди молодежи. М.: Просвещение, 2006. 45 с.
  • Доррер М.Г., Горбань А.Н., Копытов А.Г., Зенкин В. И. Психологическая интуиция нейронных сетей//Нейроинформатика и ее приложения: материалы III Всерос. рабочего семинара. Красноярск: КГТУ, 1995. С. 114-127.
  • Доррер М.Г. Обработка психологической информации при помощи нейронных сетей//Проблемы информатизации региона: материалы второй межрегион. конф. Красноярск: КГТУ, 1997. С. 33-43
  • Доррер М.Г. Попытка применения нейронных сетей для прогнозирования психологической совместимости в группе//Нейроинформатика и ее приложения: Программа и тезисы докладов II Всерос. рабочего семинара, 1994. С. 13.
  • Причины употребления наркотиков. URL: http://www.narcozona.ru/prupotrnark.html (дата обращения: 04.11.2014).
  • «Риановости». URL: http://ria.ru/antidrugs/20110421/366957864.html (дата обращения: 03.11.2014).
  • Свеженцева Ю.А. Социокультурные аспекты приобщения к наркотикам: качественный анализ проблемы//Молодёжь и наркотики (социология наркотизма)/под ред. В. А. Соболева, И.П. Рущенко. Харьков: Торсинг, 2000. С. 84129.
  • Свеженцева Ю.А., Головченко Д.А. Роль семьи в профилактике наркомании, реальная и потенциальная//Профилактика наркомании: организационные и методические аспекты. Итоговые материалы международного проекта/сост. И.П. Рущенко. Харьков: Финарт, 2002. С. 123137.
  • Тазетдинов И.М. Влияние психопатологических расстройств и личностных особенностей больных опиоидной зависимостью на эффективность реабилитации: автореф. дис.. канд. мед. наук. Казань, 2006. 195 с.
  • Черепанов Ф.М., Ясницкий Л.Н. Нейросимулятор 5.0. Свидетельство о государственной регистрации программы для ЭВМ № 2014618208. Заявка Роспатент № 2014614649. Зарегистрировано в Реестре программ для ЭВМ 12 августа 2014 г.
  • Яковлев А.Н. Биологическая предрасположенность к наркотизации. URL: http://vita-clinica.ru/index.php?article=35 (дата обращения: 08.11.2014).
  • Ясницкий Л.Н. Введение в искусственный интеллект. М.: Академия, 2005. 176 с.
  • Ясницкий Л.Н. Искусственный интеллект. М.: БИНОМ: Лаборатория знаний, 2011. 240 c.
  • Ясницкий Л.Н., Богданов К.В., Черепанов Ф.М. Технология нейросетевого моделирования и обзор работ Пермской научной школы искусственного интеллекта//Фундаментальные исследования. 2013. № 1-3. С. 736-740.
  • Ясницкий Л.Н., Михалева Ю.А., Черепанов Ф.М. Возможности методов искусственного интеллекта для выявления и использования новых знаний на примере задачи управления персоналом//International Journal of Unconventional Science: журн. формирующихся направлений науки. 2014. С. 32-41.
  • Ясницкий Л.Н., Порошина А.М., Тавафиев А.Ф. Нейросетевые технологии как инструмент для прогнозирования успешности предпринимательской деятельности//Российское предпринимательство. 2010. № 4(2). С. 8-13.
  • Bainbridge W.S. Neural Network Models of Religious Belief//Sociological Perspectives. Winter, 1995. V. 38, № 4, Computer Simulations and Sociological Theory. P. 483-495.
  • Dalley J. W., Fryer T.D., Brichard L. et al. Nucleus Accumbens D2/3 Receptors Predict Trait Impulsiv-ity and Cocaine Reinforcement//Science. 2007. V. 315, № 5816. P. 1267-1270.
  • Haykin S. Neural networks: A comprehensive foundation (2nd ed.). New Jersey: Prentice Hall International, Inc., 1999. 1103 p.
  • McCulloch W.S., Pitts W. A Logical Calculus of Ideas Immanent in Nervous Activity//Bull. Mathematical Biophysics. 1943. № 5. P. 115-133.
  • Rosenblatt F. Principles of Neurodynamics. N.Y.: Spartan Books. 1962. 606 p.
  • Yasnitsky L.N., Bogdanov K.V., Cherepanov F.M. et al. Diagnosis and Prognosis of Cardiovascular Diseases on the Basis of Neural Networks//Bio-medical Engineering. 2013. V. 47, № 3. P. 160163.
Еще
Статья научная