Application of artificial neural network method in predicting contemporary Iranian family relationships

Document Type : علمی - پژوهشی

Authors

1 Research Institute of Hawzah and University

2 University of Religions and Denominations

3 Tarbiat Modares University

4 University of Religions and Religions

Abstract

Virtual social networks play a very important role in social change, especially changes in the structural and emotional relationships of the family. But predicting these changes is very important today. But what method can be used to predict structural changes in the family? This study intends to introduce one of these methods, which is a subset of artificial intelligence, called artificial neural network and as an example to show its effectiveness in predicting the relationships of families affected by virtual social networks. Therefore, the research question is formulated in such a way that by what method or methods can the consequences of the impact of virtual social networks on family relationships be predicted? Since this research is a quantitative research, data collection was done by a questionnaire and the research model was operational. The research model is a fuzzy field statistical model. The result of the research is the prediction of four types of committed, unsuccessful, incompatible and broken families, which were shown on the fuzzy spectrum as follows: Committed family: 75 to 100%; Unsuccessful family: 50 to 75%; Incompatible family 25 to 50 percent and broken family 0 to 25 percent.

Keywords

References

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.

Files

Share

How to cite

Statistics