کاربرد روش شبکه عصبی مصنوعی در پیش‎بینی روابط خانواده معاصر ایران

نوع مقاله : علمی - پژوهشی

نویسندگان

1 نویسنده مسئول، پژوهشگاه حوزه و دانشگاه

2 دانشگاه ادیان و مذاهب

3 دانشکده فنی و مهندسی دانشگاه تربیت مدرس

چکیده

شبکه‌های اجتماعی مجازی نقش بسیار مهمی در تغییرات اجتماعی به خصوص تغییرات روابط ساختاری و عاطفی خانواده بازی می‌کنند. اما پیش‌بینی این تغییرات امروزه خود از اهمیت بالایی برخوردار است. اما از چه روشی می‌توان برای پیش‌بینی تغییرات ساختاری خانواده استفاده کرد. این تحقیق درصدد است یکی از این روش‌ها را که از زیرمجموعه هوش مصنوعی است، به نام شبکه عصبی مصنوعی معرفی کند و به عنوان نمونه کارآمدی آن را در پیش‌بینی روابط خانواده‌هایی که تحت تأثیر شبکه‌های اجتماعی مجازی قرار دارند، نشان دهد. از این رو پرسش تحقیق این گونه صورت‌بندی می‌شود که با چه روش یا روش‌هایی می‌توان پیامدهای تأثیر شبکه‌های اجتماعی مجازی بر روابط خانواده را پیش‌ّبینی کرد؟ از آنجا که این پژوهش یک پژوهش کمی است، جمع‌آوری داده به وسیلۀ پرسشنامه انجام و مدل تحقیق عملیاتی شد. مدل تحقیق، یک مدل فازی آماری میدانی است. نتیجه تحقیق پیش‌بینی چهار نوع خانواده متعهد، ناکامیاب، ناسازگار و گسیخته است که بر روی طیف فازی به صورت زیر نشان داده شد: خانواده متعهد: 75 تا 100 درصد؛ خانواده ناکامیاب: 50 تا 75 درصد؛ خانواده ناسازگار 25 تا 50 درصد و خانواده گسیخته 0 تا 25 درصد.

کلیدواژه‌ها


1. ابراهیمی، آزاده (1390)، «پیش‎بینی براساس شبکه‎های عصبی مصنوعی»، پایاننامه کارشناسی ارشد آمار، استاد راهنما: دکتر عین‎اله پاشا، دانشگاه تربیت معلم.
2. اسماعیلی، مهدی (1393)، داده کاوی (مفاهیم و تکنیک ها)، ویراست سوم، تهران:‎ انتشارات نیاز دانش.
3. آذر، عادل و زهرا علیپور درویشی (1389)، «مقایسۀ روش شبکۀ عصبی مصنوعی با روش معادلات ساختاری در طراحی مدل ادراک عدالت کارکنان»، فصلنامه پژوهشهای مدیریت منابع انسانی دانشگاه جامع امام حسینj، ش3 و 4 (شمارۀ پیاپی 7 و 8)، ص81−100.
4. پورشهریار، حسین؛ ر. طباطبایی، ک. کاظم، محمد خداپناهی، انوشیروان کاظم‌نژاد و ثریا خفری (1388)، «شبکه‎های عصبی مصنوعی»، روانشناسی، روانشناسی تحولی، ش20، ص307−322.
5. سرمد، زهره؛ عباس بازرگان و الهه حجازی (1399)، روشهای تحقیق در علوم رفتاری، تهران: آگه.
6. جکسون، تام و راسل بیل (1393)، آشنایی با شبکههای عصبی، ترجمه محمود البرزی؛ تهران: انتشارات دانشگاه صنعتی شریف.
7. کارآموز، محمد و علی مریدی (1385)، «مدل حل اختلاف مدیریت کیفی و تخصیص آب از رودخانه کرخه»؛ آب و فاضلاب، دوره 17، ش4 (مسلسل 60)، ص55−64.
8. خاکی، غلامرضا (1390)، روش تحقیق با رویکردی به پایاننامهنویسی، تهران: بازتاب.
9. کیانفر، علیرضا (1395)، «شبکه عصبی مصنوعی»، کنفرانس بینالمللی پژوهش در مهندسی برق و کامپیوتر، سنگاپور، ص1−138.
10. ولیزاده اوغانی، اکبر؛ ناصر فقهی فرهمند و فرزین مدرس خیابانی (1396)، «توانایی مدیریت و پیامدهای آن بر ارزش‌آفرینی شرکت‎ها با به‌کارگیری شبکه‎های عصبی (رویکرد مقایسه‎ای در صنایع شیمیایی و مواد غذایی)»، فصلنامه علمی پژوهشی آیندهپژوهی مدیریت، سال 28، ش111، ص79−92.
11. Dertat, Arden (2017), »Applied Deep Learning − Part 1: Artificial Neural Networks«, https://towardsdatascience.com/applied−deep−learning−part−1−artificial−neural−networks.
12. Goodfellow, Ian; (2016) »Deep Learning (Adaptive Computation and Machine Learning series)«; The MIT Press, pp 201−202.
13. https://data−flair.training/learning−rules−in−neural−network, 2018.
14. Kevin D., Noel, & Manalo, Linsangan, (2016) »Classification of Myoelectric Signals Using Multilayer Perceptron Neural Network with Back Propagation Algorithm in a Wireless Surface Myoelectric Prosthesis«, International Journal of Information and Education Technology, Vol:7, No. 9, pp 686−690.
15. Popescu, Marius−Constantin; Balas, Valentina E.; Perescu−Popescu, Liliana; Mastorakis, Nikos; (2009) »Multilayer perceptron and neural networks«, Wseas Transactions on Circuits and Systems; Issue 7, Vol. 8, 579−588.
16. Ritchie, L. David & Fitzpatrich, Mary Anne (1990), »Family Communication Patterns: Measuring Inter−Personal Perceptions of Inter−Personal Relationaships«, Communication Research, 17 (4), 5234−544.
17. Stathakis, D. (2009), »How many hidden layers and nodes?«; International Journal of Remote Sensing, 30:8, 2133−2147.