Методы нлп в психологии: Техники и приёмы НЛП

Итак, наш мозг, точнее, бессознательное, не понимает слов. Зато оно оперирует символами и образами. А еще для нашего сознания абсолютно не важно, происходит ли что-то на самом деле, или выдумано. Иными словами, для него сон настолько же реален, как и бодрствование. Почему бы этим не воспользоваться?

В одной умой книжке, написанной пластическим хирургом, впоследствии ставшим психотерапевтом, я прочитала об интересном эксперименте. Суть его заключалась в том, что одна группа добровольцев тренировалась в бросании мяча реально, другая — мысленно, а третья не тренировалась вовсе. Потом сравнили результаты и оказалось, что те, кто тренировались мысленно, показали результат лишь немного уступающий тем, кто тренировался реально. А вот кто не тренировался совсем, никакого результата и не показали. Думаю, этого примера будет достаточно.

Ну а теперь перейдем к приемам НЛП. Помните знаменитую собаку Павлова? Ту самую, благодаря которой знаменитый физиолог сформулировал учение об условных рефлексах?

Анекдот в тему:

Поймали на улице собаку и посадили в клетку. Она спрашивает у соседки:
– Слышь, подруга, а куда это я попала?
– Это лаборатория академика Павлова. Здесь условные рефлексы изучают.
– А это как?
– А вон, видишь – лампочка и звонок, а под ними мужик на стуле спит? В 16:00 звонок зазвенит, лампочка загорится, у мужика сработает условный рефлекс, и он нам еду принесет…

Мы можем сформировать у себя условный рефлекс, как у собаки Павлова.

1. Создаем якорь

У всех нас в жизни существуют моменты, когда мы ощущаем себя абсолютно счастливыми, на вершине блаженства. Нам кажется, что мы все можем, нам все доступно. И, действительно, все получается — как говорят, «все идет, как по маслу». Так почему же нам не запомнить это состояние и не возвращаться мысленно в него?

Вспоминаем свое замечательное состояние (оно называется «ресурсным»), представим всю свою гамму чувств, очень ярко (это обязательно!). Поднимаемся еще, еще выше — и когда наши эмоции достигнут почти максимума, ставим так называемый «якорь». Например, щелкаем пальцами, или чуть прищипываем мочку уха — любой жест. Но только тот, который вы можете использовать почти в любой ситуации. Получилось?

Повторяем упражнение несколько раз. Ваша цель — сформировать условный рефлекс. Когда он будет сформирован, с помощью вашего якоря вы будете испытывать всю гамму положительных чувств и эмоций. Теперь, когда вы очень волнуетесь, или когда вам плохо, тоскливо, вы можете быстро улучшить свое психологическое состояние.

В качестве якоря вы можете использовать и какой-то предмет. Только тогда вам придется постоянно носить его с собой и ни в коем случае не забывать и не терять.

2. Создаем новый образ себя — техника взмаха

Еще один очень эффективный прием — техника «взмаха». Суть его заключается в том, что вы очень быстро отрицательный образ заменяете положительным.

Например, берем нынешний образ себя, которым вы не очень довольны. В своем уме создаем соответствующую картинку. Обратите внимание, что картинку нужно сделать тусклой, приглушенной. Затем создаем желаемый образ себя. Будет хорошо, если в него вы добавите те краски и эмоции, которые вы вызывали при отработке якорения. Ваш новый образ должен быть ярким, блестящим, светлым. Получилось? Прочувствуйте его, испытайте всю гамму чувств, сполна насладитесь им.

Теперь вам надо быстро наложить новый образ на старый. Это можно сделать несколькими способами. Обычно рекомендуют представить, что на уровне глаз есть экран с вашим старым образом. И в самом углу — ваш новый образ, в виде яркой точки. Говорите себе: «Раз!», можете сделать взмах рукой, и тотчас представьте, как новый образ мгновенно расширяется и закрывает старый.

Но мне, например, на первых порах было трудно мысленно сделать это. Поэтому посоветовали такой прием. На уровне глаз поставить руки, чуть отведя их в стороны, ладонями друг к другу, пальцами вперед. Скосить глаза налево, и на ладошке левой руки представить свой нынешний образ. Потом скосить глаза вправо, и на правой ладошке представить новый образ. Только очень-очень ярко!!! Прочувствовать всю гамму эмоций.

Теперь быстро-быстро сдвинуть руки перед собой так, чтобы правая ладошка (где «нарисован» желаемый образ) перекрывала левую. Ладошки должны быть на уровне глаз!

Если вы левша, то справа у вас будет ваш старый образ, а слева — новый, и, соответственно, выполняя взмах, ближе к вам должна оказаться левая ладошка.

Это упражнение нужно повторить несколько раз, чтобы сформировался условный рефлекс. Я делаю по 7 взмахов подряд, трижды в день. Через несколько дней формируется условный рефлекс. Свое новое желаемое состояние также можно заякорить.

3. Изменяем отношение к прошлому — кинотеатр

Очень часто какие-то события прошлого изрядно отравляют нам жизнь. Это могут быть болезни, ссоры, смерть близких. Мы вновь и вновь возвращаемся к ним, заново переживаем их. А ведь для сознания нет разницы, наяву это или в воображении… Конечно, мы не можем полностью стереть события из своей памяти. Но мы можем сделать их тусклыми и малозначительными.

Вспомните травмирующую ситуацию. Затем представьте себя сидящим в кинотеатре. Перед вами — большой экран, ограниченный рамкой. И теперь вы смотрите, словно фильм, на эту ситуацию. Т.е. вы как бы вышли из нее, она — фильм. Получилось? Затем мысленно возьмите в руки пульт. Если хотите, можете «пощупать» его, ощутить его клавиши — чем точнее, ярче вы будете все представлять, тем лучше. С помощью этого виртуального пульта уберите яркость, контрастность, насыщенность картинки. Пусть она станет тусклой и бесцветной. Потом уменьшите ее. Можете затем вообще выключить фильм. Получилось?

Проделайте это упражнение несколько раз. И вы увидите, как травмирующая ситуация перестанет быть таковой. Вы её не забудете, но она перестанет вас цеплять, станет несущественным, рядовым событием вашей жизни. Именно так я очень быстро избавилась от неприятных воспоминаний об операции.

4. Дайте волю фантазии

Овладев этими простыми приемами, вы можете начать экспериментировать. Например, на негативную ситуацию мысленно наложить веселую музыку. Или проиграть её последовательно как мелодраму, комедию, черно-белое немое кино и т.п. Потом задом наперед. В какой-то момент ситуация станет вам неинтересна или смешна.

Или такой прием. Представьте негативную ситуацию, которая проигрывается на небольшом стеклянном экране. А затем мысленно разбейте его. Попытайтесь явственно увидеть, как осколки разлетаются во все стороны, как они блестят на солнце. Главное — представить все ярко, живо. Еще можете начать искажать экран — пускать по нему волны, пузыри. Играйте!

Освоив эти нехитрые приемы, комбинируя их, вы быстро избавитесь от негативных эмоций и переживаний. Если что-то трудно представлять мысленно, можно рисовать, а затем рвать или сжигать рисунок. Можете для этих целей использовать и компьютер — нарисовать картинку, а затем в графическом редакторе сделать ее маленькой и тусклой. А потом стереть ластиком.

Более того, однажды вы поймете, что НЛП связано с приемами магии. Да-да! И в какой-то момент вы станете подлинным волшебником. И не забудьте свою волшебную палочку 🙂 Существует лишь одно-единственное условие: вы должны сами захотеть это!

© Сайт «Дорогами Срединного Пути», 2009-2022. Копирование и перепечатка любых материалов и фотографий с сайта anashina.com в электронных публикациях и печатных изданиях запрещены.

Предсказание личности и психологического стресса с помощью обработки естественного языка: протокол исследования

Введение

История вопроса

Технический прогресс внес многочисленные изменения в анализ и прогнозирование данных в области психологии. В частности, недавняя четвертая промышленная революция и развитие компьютерных технологий сделали возможным быстрый и точный анализ и прогнозирование характеристик человека с последующими инновациями. В то время как многие другие области (медицина, маркетинг, инженерия и т. д.) быстро интегрируют компьютерные навыки для разработки технологий, которые можно использовать в реальной жизни, применение технологий в области психологии остается ограниченным и стабильным (Ahmad et al., 2020). ; Ле Глаз и др., 2021). Предпринимаются многочисленные попытки оценить и определить психологическое состояние или характеристики человека. Однако исследования и технологическое развитие сталкиваются с проблемами из-за многочисленных теорий и огромных структур личности (Zunic et al., 2020).

Традиционная оценка личности

Понимание личности человека дает существенную информацию о том, как люди ведут себя и адаптируются к миру. Теории психологии личности пытались объяснить человеческую личность конкретным и достоверным образом, точно измеряя личность человека. В области клинической психологии и психиатрии классификация расстройств личности с использованием измерений личности является центральной задачей. Расстройства личности в течение долгого времени рассматривались в рамках диагностической системы с категорической точки зрения, и важной темой была оценка наличия или отсутствия расстройства. Однако этот метод создает проблемы, такие как неоднородность в пределах одной категории, поскольку границы между инвалидностью нечеткие, или наличие одного расстройства, относящегося к двум или более категориям одновременно (Widiger and Trull, 2007; Livesley, 2010). Кроме того, межэкспертная надежность среди опытных клинических психологов и/или психиатров, диагностирующих расстройства личности с использованием категориального подхода, не достигла достаточного уровня (Kraemer et al., 2012; Esbec and Echeburúa, 2015). По этой причине многомерная модель, которая понимает личность как сложную иерархию непрерывно распределенных атрибутов, а не категориальный подход, привлекает внимание к пониманию личности и диагностике расстройств (Costa and McCrae, 2017). Многие эмпирические исследования доказали его достоверность и полезность (Widiger, 2017). Пятифакторная модель (FFM), которая объясняет личность с помощью невротизма, экстраверсии, открытости, доброжелательности, добросовестности и их многих аспектов, является хорошо известной многомерной моделью личности (McCrae and John, 19).92).

Традиционно для количественного измерения личности и других психологических конструктов широко использовались опросники с множественным выбором ответов. Эта мера чрезвычайно практична, поскольку она просто требует участия целевого лица и может легко собрать достаточно информации за один присест (Paulhus and Vazire, 2007). Несмотря на другие явные достоинства (например, краткость и полезность), анкеты с множественным выбором для самоотчетов имеют несколько ограничений по своей природе. Во-первых, респонденты могут скрывать или искажать свои ответы, особенно в контексте судебной экспертизы или оценки при приеме на работу (White et al., 2008; Fan et al. , 2012). Чтобы предотвратить такие манипуляции, L-шкала была разработана для обнаружения и предоставления информации о реакциях, преднамеренно искаженных или смещенных в сторону социально желательных черт (Furnham, 19).86). Хотя L-шкала может обнаруживать «притворяющихся» субъектов, остаются ограничения в точном различении каждого притворяющегося субъекта от честных субъектов (Elliot et al., 1996). Кроме того, поскольку содержание элементов и привязки заранее определены, респонденты теста не могут предоставить подробную информацию, выходящую за рамки элементов теста (Arntz et al., 2012). Согласно Paulhus and Vazire (2007), это особенно заметно в дихотомических форматах ответов (например, «да-нет», «верно-неверно» и «согласен-не согласен»). Наконец, погрешность теста из-за абсолютного или случайного ответа также остается серьезной проблемой при проведении теста (Holden et al., 2012; Al-Mosaiwi and Johnstone, 2018).

Методы структурированного или полуструктурированного клинического опроса используются при оценке личности и диагностике, поскольку они позволяют получить больше информации, чем анкеты с несколькими вариантами ответов, и участники менее склонны скрывать или искажать свои ответы. Эти методы интервью могут также повысить надежность диагностики расстройства личности в соответствии с диагностическими критериями (Wood et al., 2002). Клиницисты могут выявлять несоответствия, обнаруженные в самостоятельных тестах, и получать дополнительную информацию об ответах с помощью дополнительных вопросов, что необходимо для диагностики расстройств личности (Samuel et al., 2013). В частности, структурированное интервью для FFM (SIFFM; Трулл и Видигер, 19 лет).97) и структурированное клиническое интервью для альтернативной модели расстройства личности DSM-5 (SCID-5-AMPD) являются репрезентативными инструментами интервью, которые оценивают черты личности с точки зрения размерного аспекта. Эти интервью могут лучше систематически и стандартизированно описывать поведенческие симптомы и диагностические критерии, поскольку они позволяют лучше оценить наблюдаемые поведенческие симптомы (Hopwood et al., 2008). Однако важно отметить, что полуструктурированное интервью требует много времени и человеческих ресурсов. Кроме того, оценка, основанная на суждении клинициста, может привести к смещению диагноза или проблемам с надежностью.

Машинное обучение и обработка естественного языка в психологии

С развитием компьютерных технологий были предприняты новые попытки анализа психологических черт с помощью компьютерного программирования и их быстрого, эффективного и точного прогнозирования. Особенно с появлением машинного обучения (МО), глубокого обучения (ГО) и обработки естественного языка (НЛП) исследователи в области психологии широко применяют НЛП для оценки психологических конструкций или прогнозирования поведения человека. ML и DL в основном сосредоточены на разработке алгоритмов для обнаружения определенных закономерностей и прогнозирования новых данных, накопленных на основе предыдущего опыта, изученных компьютерными программами с помощью ранее выполненных аналогичных задач. Машинное обучение и глубокое обучение позволяют исследователям определять независимые переменные, которые ранее недооценивались, и обрабатывать огромные данные. Обработка естественного языка (NLP), направление исследований и приложений машинного обучения, включает компьютерное программирование, которое автоматически понимает и анализирует текст на естественном языке. Исследователи НЛП разработали соответствующие инструменты и методы, позволяющие компьютерным системам понимать естественный язык и манипулировать им для выполнения желаемых задач (Chowdhury, 2003). НЛП также позволяет количественно оценивать и анализировать качественные текстовые данные.

Согласно предыдущим исследованиям, некоторые исследователи применяли машинное обучение и НЛП для измерения и прогнозирования психологических характеристик, таких как личностные и психические расстройства. Например, Аль Ханай и др. (2018) попытались предсказать депрессию, разработав автоматизированный алгоритм обнаружения депрессии, который учится на последовательности вопросов и ответов. Джаяратне и Джаятиллеке (2020) стремились предсказать личность человека как показатель эффективности работы и удовлетворенности, используя текстовое содержание ответов на интервью. Кроме того, недавние исследования направлены на выявление психотических симптомов и повышение эффективности выявления лиц, подверженных риску психоза, путем применения НЛП к языковым данным (Chandran et al., 2019).; Коркоран и Чекки, 2020 г.; Ирвинг и др., 2021). Когда Парк и др. (2015) использовали машинное обучение и НЛП для построения языковой модели с открытым словарным запасом с помощью постов в Facebook, модель правильно предсказывала личность участников на основе FFM.

Точно так же количество исследований, пытающихся предсказать и диагностировать индивидуальные психологические характеристики с использованием методов машинного обучения и НЛП, постепенно увеличивается в области психологии и психического здоровья. Это не только повышает эффективность, но и снижает влияние человеческого фактора на существующие измерения (Oswald et al., 2020). Однако следует отметить, что предыдущие исследования все еще имеют ограничения, и многие области нуждаются в дополнении. Во-первых, отсутствует связь между работой, выполняемой в области информатики, и работой в области психологии (Stachl et al. , 2020). Предыдущие исследовательские работы в области компьютерных наук не смогли обеспечить углубленную оценку и интерпретацию личности, ссылаясь только на психологическую литературу в отношении зависимых (целевых) переменных, таких как личностные характеристики. Объяснительная сила результатов сомнительна, поскольку они упускают из виду важность теорий личности. Например, в некоторых исследованиях применялись не только нерепрезентативные профили социальных сетей (Amichai-Hamburger and Vinitzky, 2010; Lima and De Castro, 2014) или данные о потреблении (Gladstone et al., 2019).) в качестве независимых (предикторных) переменных для предсказания личности, но результаты теста MBTI (Индикаторы типов Майерса-Бриггса), который классифицирует характеристики человека по четырем доменам, также использовались в качестве целевых переменных, несмотря на отсутствие достаточной теоретической базы (Cui and Qi, 2017). ; Гьюркович и Шнайдер, 2018; Сенмезоз и др., 2020). Использование этих переменных позволяет удобно и быстро собирать большие данные и обеспечивает простую маркировку для ML, но не дает адекватного объяснения прогнозируемых результатов. Во-вторых, исследования, опубликованные в области клинической психологии и психологии личности, часто показывают потенциальные проблемы переобучения, вызванные меньшими наборами данных (Yarkoni and Westfall, 2017), и вызывают озабоченность по поводу сомнительных методов моделирования (Mønsted et al., 2018). Наконец, следует также отметить, что по сравнению с западными странами об исследованиях взаимосвязи языка и личности в восточных странах и культурах сообщалось относительно меньше.

Цель

Традиционные подходы, использующие самоотчетные анкеты с множественным выбором, и современные подходы, использующие машинное обучение, имеют свои сильные и слабые стороны в оценке личности. Хотя машинное обучение позволяет быстрее сопоставлять данные, результаты имеют смысл только тогда, когда объяснение сложной многомерной человеческой личности может быть дано на основе теории. Настоящее исследование направлено на изучение взаимосвязи между личностными конструкциями FFM, психологическим дистрессом и данными естественного языка, преодолевая отсутствие связи между областью компьютерных наук и психологией. Мы разработали интервью (полуструктурированное) и открытые вопросы для оценки личности на основе FFM, специально разработанные с экспертами в области клинической психологии и психологии личности (этап 1). Были сформулированы разработанные вопросы интервью, которые могли бы извлечь лингвистические данные, отражающие личность, и в дальнейшем будут проанализированы с помощью НЛП. Это поможет нам получить необходимые текстовые данные для повышения эффективности анализа машинного обучения на заключительном этапе исследования. Мы будем собирать текстовые данные, связанные с личностью, используя вопросы интервью и извлекать лингвистические признаки, предсказывающие FFM личности и психологический дистресс, такой как депрессия, тревога и риск суицидальных наклонностей (фаза 2). Наконец, мы разработаем модели алгоритмов, которые могут предсказывать личность с помощью текстовых данных. Мы ожидаем, что недавно разработанные модели будут лучше предсказывать личность по сравнению с традиционными оценками. Это приведет к важным последствиям в том смысле, что исследовательский подход является не только исследовательским, но и основанным на теории, с достаточным количеством предоставленных текстовых данных.

Гипотезы

Мы предполагаем, что извлеченная лингвистическая характеристика (1) будет идентифицировать черты личности людей на основе FFM, имея значительные корреляции с опросниками личности FFM, о которых сообщают сами, и (2) будет различать лингвистический маркер психологического расстройства. Кроме того, (3) качественные различия между текстовыми данными, полученными в результате видеоинтервью, и текстовыми данными, полученными в ходе онлайн-опроса, будут изучены исследовательским методом.

Метод и анализ

План исследования и процедура

Текущее исследование состоит из двух этапов, чтобы обеспечить большую объяснительную силу. На этапе I мы провели пилотное исследование для разработки полуструктурированных вопросов интервью для FFM личности. На этапе II интервью для FFM личности, разработанное на этапе I, будет применяться при сборе данных для прогнозирования личности и психологического стресса (дизайн и процедура исследования показаны на рисунке 1). Все курсы этого исследования будут одобрены Институциональными наблюдательными советами Корейского университета (IRB). Данные будут собираться онлайн-платформой с учетом COVID-19.пандемия. Наконец, текущее исследование не будет включать никаких вмешательств, таких как фармакотерапия или психотерапия.

Рисунок 1 . Изучите поток проектирования.

Фаза 1 (экспериментальное) исследование

Пилотное исследование было проведено как процесс разработки вопросов «полуструктурированного интервью» на основе FFM личности. Исследование проводилось в течение года, начиная с сентября 2020 года. Сначала был сформирован предварительный пул вопросов из 66 вопросов лицензированными клиническими психологами, социальными и личностными психологами, психометристами и экспертами отделов кадров. Все вопросы были разработаны для измерения 10 доменов и 33 подаспектов на основе пятифакторной модели Коста и МакКрэя (МакКрей и Коста, 19 лет).96). Затем мы провели первичный сбор данных о 59 участниках, используя 29 элементов, отобранных в ходе нескольких дополнительных процессов проверки, проведенных экспертами. Все собранные ответы были еще раз эмпирически оценены на предмет адекватности внешней экспертной комиссией, состоящей из психологов, специализирующихся в области личности и психопатологии. В частности, тщательно учитывались дифференциальная валидность, двусмысленность выражений и намерение вопроса. Кроме того, был проведен дополнительный анализ текстовых данных на основе ML и NLP. На этом этапе мы применили теорию информации для определения энтропии слов, которые сильно коррелируют с конкретными чертами личности, и латентное распределение Дирихле (LDA) использовали для исследовательского анализа того, какие слова, относящиеся к определенным предметам, часто используются людьми. Благодаря отзывам этих экспертов и компьютерному анализу существующие 29вопросы были пересмотрены и доработаны до 18 вопросов.

Исследование фазы 2

В ходе исследования фазы 2 мы будем собирать данные с помощью полуструктурированного интервью, разработанного в ходе пилотного исследования, и анкет самоотчетов. Фаза II началась в ноябре 2021 года и будет завершена в августе 2023 года. Сначала участников попросят заполнить анкету для самоотчетов о депрессии, тревоге, риске самоубийства и личности через платформу онлайн-опросов (Qualtrics). Затем они примут участие в полуструктурированном интервью с исследователем на онлайн-встрече или в чате. Все ответы участников на вопросы интервью сохранялись и анализировались в виде текста. Для извлечения текстовых признаков текстовые данные из интервью и онлайн-опроса будут предварительно обработаны с использованием морфологического анализа и проанализированы с применением модели NLP и ML. Результаты онлайн-опроса, включая демографические данные, депрессию, тревогу, суицидальные наклонности и личностные характеристики, будут совместно исследованы в модели для прогнозирования личности людей на основе FFM и уровня психологического стресса. Сдерживающая роль качественных различий лингвистической информации, с точки зрения письменного текста и расшифрованной речи, в воздействии личности на языковые модели или выражения требует дальнейшего изучения. Чтобы изучить это, участникам онлайн-опроса (представление текста) и онлайн-видеоинтервью (транскрипция речи в текст) будут заданы одни и те же вопросы.

Участники

Участники будут набраны из онлайн или местных объявлений, размещенных в университетских сообществах или на веб-сайтах по поиску работы. Всем участникам будет предоставлено письменное информированное согласие до участия в исследовании. Критерии включения: (1) возраст старше 18 лет и (2) свободное владение корейским языком. Участники (1), у которых в анамнезе были операции на головном мозге или (2) умственная отсталость, будут исключены. Всего на этапе 1 было набрано 59 участников, а на этапе 2 мы соберем данные от 300 (ожидаемых) взрослых корейцев, используя удобный метод выборки. Это число считается подходящим, поскольку несколько подобных исследований (Hirsh and Peterson, 2009 г. ; Арнц и др., 2012; Al Hanai et al., 2018), которая напрямую собирала данные (не на основе больших данных) примерно от 100 до 400 человек, сообщила о соответствующих результатах.

Меры

Онлайн-опрос

Участники должны будут заполнить ряд анкет, предназначенных для оценки депрессии, тревоги, суицидальных наклонностей, расстройств личности, личностных характеристик и данных демографической информации. Кроме того, будут заданы и собраны открытые вопросы о личности людей.

Опросник яркой и темной личности

Опросник яркой и темной личности (BDPI; Kim et al., 2020) будет использоваться для оценки личностных качеств. BDPI представляет собой многомерный личностный опросник из 173 пунктов, который представляет собой самоотчет с 4-балльной шкалой Лайкерта (1 = полностью не согласен; 4 = полностью согласен). BDPI был разработан на основе пятифакторной модели личности (McCrae and Costa, 1996). BDPI измеряет личность по пятифакторным чертам и неадекватным чертам. Поскольку BDPI измеряет как адаптивные, так и дезадаптивные черты личности, личность человека может быть описана более подробно, чем традиционные подходы, которые измеряют только адаптивные или неадаптивные черты личности. Этот подход, учитывающий биполярность личности, можно использовать для измерения личности в различных условиях, от нормальных до клинических (Lee et al., 2019).; Ким и др., 2020). Пятифакторные адаптивные черты личности включают экстраверсию, покладистость, добросовестность, открытость и эмоциональную стабильность, а дезадаптивные черты личности включают отстраненность, эгоцентризм, расторможенность, психотизм и негативную аффективность. BDPI имеет в общей сложности 10 черт личности, и каждая черта состоит из трех-четырех аспектов. Каждая черта личности и аспект будут иметь свой собственный балл, который будет преобразован в Т-балл.

BDPI был подтвержден психометрически, включая теорию ответов на вопросы, что свидетельствует об адекватной надежности и достоверности (Lee et al. , 2019).; Ким и др., 2020). Ким и др. (2020) сообщили, что альфа-коэффициент Кронбаха для шкалы адаптивной личности составлял 0,924, в диапазоне от 0,714 (сознательность) до 0,922 (экстраверсия), а шкала неадаптивной личности составляла 0,960, в диапазоне от 0,848 (психотик) до 0,896 (эгоцентризм). Коэффициент внутриклассовой корреляции составил 0,731 и 0,707 соответственно для шкал адаптивной и дезадаптивной личности (Kim et al., 2020).

Инструмент для скрининга психического здоровья на депрессивные расстройства

(MHS:D; Yoon et al., 2018) будет использоваться для оценки симптомов депрессии. MHS:D представляет собой самооценку из 12 пунктов с 5-балльной шкалой Лайкерта (0 = никогда, 4 = большую часть времени). Инструменты скрининга психического здоровья на депрессию, тревогу и риск самоубийства были разработаны и утверждены для взрослых корейцев. MHS:D был разработан и подтвержден с использованием структурированного клинического интервью и IRT (Yoon et al. , 2018). Веса, рассчитанные с использованием IRT, будут отражены в общем балле. В предыдущем исследовании Yoon et al. (2018) сообщили, что коэффициент альфа Кронбаха составлял 0,9.9. Общий балл MHS:D показал положительную корреляцию 0,74, 0,78 и 0,70 с показателями CES-D, PHQ-9 и BDI-II. MHS:D показал 0,92 чувствительности и 0,94 специфичности для депрессивного расстройства, диагностированного с помощью M.I.N.I (Lecrubier et al., 1997) при пороговом значении 13.

Инструмент скрининга психического здоровья на тревожные расстройства Расстройства (MHS:A; Kim et al., 2018) будут использоваться для оценки симптомов тревоги. MHS:A представляет собой самооценку из 11 пунктов с 5-балльной шкалой Лайкерта (0 = никогда, 4 = большую часть времени). MHS:A был разработан и проверен с использованием IRT (Kim et al., 2018). Веса, рассчитанные с использованием IRT, будут отражены в общем балле. В предыдущем исследовании коэффициент альфа Кронбаха составлял 0,9.2. Общий балл MHS:A показал положительную корреляцию 0,821, 0,653 и 0,821 с общими баллами GAD-7, PSWQ и BAI соответственно (Kim et al.

Инструмент проверки психического здоровья на риск самоубийства (MHS:S; Yoon et al., 2020) будет использоваться для оценки риска самоубийства. MHS:S представляет собой самооценку из 4 пунктов с 5-балльной шкалой Лайкерта (0 = никогда, 4 = всегда). MHS:S был разработан и проверен с использованием IRT (Yoon et al., 2020). Веса, рассчитанные с использованием IRT, будут отражены в общем балле. В предыдущем исследовании альфа-коэффициент Кронбаха составлял 0,82 как для бумажной, так и для онлайновой MHS:S. Оптимальные пороговые баллы для группы с положительным риском и группы высокого риска составляли 1 и 3 балла соответственно (Yoon et al., 2020).

Сокращенная стандартизированная шкала оценки личности для самоотчета

Сокращенная стандартизированная шкала для самоотчета (SAPAS-SR) представляет собой версию SAPAS для самоотчета, представляющую собой интервью для скрининга расстройства личности (Moran et al. ., 2003; Чой и др., 2015). Это показатель самоотчета из 8 пунктов с дихотомической шкалой («Да» или «Нет»). Баллы по каждой шкале суммируются для получения общего балла. Пороговое значение корейской версии SAPAS-SR составляет 4 из 8, при этом 67,2% пациентов с расстройствами личности были правильно классифицированы с пороговым значением 4. В предыдущем исследовании альфа-коэффициент Кронбаха для шкал SAPAS составлял 0,79.(Чой и др., 2015).

Открытые вопросы: Самоописание и прилагательные

Участникам будет предложено описать свою личность 300 иероглифами на корейском языке. Им также будет предложено написать шесть прилагательных, которые описывают их самих, и еще шесть прилагательных, которые важны для них.

Вопросы для интервью, разработанные для оценки личности

Вопросы для интервью будут использоваться для сбора лингвистических данных для оценки личности. Вопросы для интервью, предназначенные для измерения оценки личности, состоят из 18 вопросов об адаптивных чертах личности (экстраверсия-интроверсия, покладистость, добросовестность, открытость и эмоциональная стабильность) и дезадаптивных чертах личности (отстраненность, эгоцентризм, расторможенность, психотизм и негативная аффективность) и 33 подаспекта на основе FFM (например, [Экстраверсия] «как вы хотите проводить свое время в обычные повседневные часы?»). Окончательные вопросники были разработаны, пересмотрены и подтверждены в пилотном исследовании (фаза 1). Участникам будет предложено ответить на вопросы, отражающие их мысли и идеи. Время ответа участников не ограничено. Чтобы исключить влияние интервьюера на ответы, дополнительные вопросы будут представлены в заранее установленном порядке.

Анализ данных

В этом исследовании мы будем анализировать текстовые данные и исследовать их связи с личностными чертами с помощью следующих планов анализа: (1) предварительная обработка данных, (2) LDA (скрытое распределение Дирихле), (3) основанный на преобразовании Модель корейского языка и (4) обучение, перекрестная проверка и тестирование. В анализе планируется использовать язык Python и библиотеку Gensim (см. рис. 2).

Рисунок 2 . План анализа данных.

Предварительная обработка данных

После сбора лингвистических данных для оценки личности данные будут очищены и отфильтрованы по единицам предложений для анализа. На этом этапе мы будем использовать регулярные выражения (токенизацию), чтобы исключить другие знаки препинания и символы, а затем выполнить тегирование частей речи, чтобы извлечь только существительные, глаголы и прилагательные, которые используются в качестве входных переменных для прогноза. модель.

Скрытое распределение Дирихле

Скрытое распределение Дирихле — это неконтролируемая статистическая языковая модель, которая позволяет обнаруживать скрытые темы в неразмеченных данных (Andrzejewski and Zhu, 2009).). Извлекая дополнительные характеристики из документов, их можно использовать для дополнения входных данных для алгоритмов машинного обучения и кластеризации (Campbell et al., 2015). Этот алгоритм выводит переменные на основе слов из текстовых данных и генерирует темы для анализа ассоциаций с чертами личности. Другими словами, мы будем искать темы, которые могут агрегировать большое количество слов, содержащихся в данных, собранных через LDA, и выбирать среди них значимые темы.

Корейский язык на основе трансформера, модель

Предварительно обученные языковые модели на основе преобразователя позволили моделям нейронных сетей использовать необработанные текстовые данные. После предварительного обучения модели с большим объемом неразмеченных данных может быть выполнено трансферное обучение с использованием размеченных данных (Devlin et al., 2018). В текущем исследовании будет использоваться языковая модель на основе трансформера, дополнительно обученная корейскому тексту. Это будет проходить через процесс обучения с использованием текстовых данных, полученных в ходе интервью (без маркировки), и профиля личности, полученного с помощью BDPI (с маркировкой). В частности, векторы встраивания предложений, собранных в ходе интервью, извлекаются из предварительно обученной языковой модели, а оценки измеренных личностных характеристик изучаются для изучения слов, предложений и языковых характеристик, тесно связанных с конкретными личностными характеристиками. В результате модель преобразователя позволяет обнаружить характеристики предложения, которые могут отличить личность.

Обучение, перекрестная проверка и тестирование

75% всех данных будут использоваться для обучения и перекрестной проверки, а оставшиеся 25% будут использоваться для оценки производительности обученной модели (конкретное соотношение может изменяться в зависимости от конечного размера данных). Набор данных для обучения изучает процесс поиска ответов с помощью функций, а набор данных для перекрестной проверки проходит через оценку и сравнение алгоритмов обучения. В процессе тестирования мы определим наиболее подходящий классификатор и лучшую модель.

Предполагаемые результаты

Первичный результат

Наша основная цель — определить специфические языковые особенности, которые коррелируют с чертами личности людей. В частности, мы ожидаем, что уровень каждого фактора, описываемого FFM, обнаруживает и классифицирует лингвистические переменные, которые имеют большое значение для высокой или низкой совокупности. Кроме того, мы будем извлекать текстовые функции, которые полезны для прогнозирования личности, и применять их в алгоритмах машинного обучения для разработки модели классификации характеристик личности на основе FFM. Мы изучим прогностическую достоверность, используя данные, полученные из вопросов интервью, в качестве независимых переменных, а индивидуальные баллы BDPI — в качестве зависимых переменных. Это добавит некоторые доказательства точности алгоритмов, использующих обработку естественного языка для прогнозирования алгоритмов из традиционного личностного опросника с самоотчетами.

Вторичный результат

Мы стремимся выявить лингвистические маркеры психологического дистресса, включая симптомы депрессии и симптомы тревоги. В частности, слова или языковые характеристики, которые в значительной степени раскрывают психологический дистресс в содержании интервью, связаны с неадаптивными аспектами или негативной аффективностью. Это позволит быстро и точно обнаружить и диагностировать дистресс посредством опроса.

Исследовательские результаты

Наконец, мы предположили, что существуют качественные различия между текстовыми данными, полученными в ходе видеоинтервью, и текстовыми данными, полученными в ходе онлайн-опроса. Ответы на один и тот же вопрос, полученные с помощью видеоинтервью и онлайн-опроса, сравнивались и анализировались, чтобы увидеть различия в качестве информации, предоставленной личным или бесконтактным методом.

Обсуждение

Насколько известно автору, это будет первое исследование, предсказывающее личность на основе FFM с помощью технологии машинного обучения, используя как метод «сверху вниз», основанный на теории личности, так и подход «снизу вверх», основанный на данные. Достоверность будет выше, чем в предыдущих исследованиях, если вопросы для интервью напрямую основаны на теории FFM, а ответы анализируются с помощью ML и NLP. В отличие от этого исследования, несколько исследований в прошлом использовали нерепрезентативные данные, такие как Twitter (Quercia et al. , 2011) или Facebook (Youyou et al., 2015), для оценки личности. Корреляция и предсказательная сила могут быть достигнуты случайно. Однако этого очень недостаточно и подвержено ошибкам для объяснения сложных психологических характеристик, таких как личность, без заметных доказательств. Другими словами, поскольку таких данных очень мало, из кажущихся случайными данных часто можно сделать неожиданные выводы. Но в области психологии представление основы для вывода имеет важное значение. В связи с этим данное исследование сможет предоставить доказательства и объяснения через МУФ.

Кроме того, модель и алгоритм оценки личности, которые будут разработаны в ходе этого исследования, могут показать лучшие результаты, чем существующие анкеты с множественным выбором для самоотчетов или измерения клинического интервью, такие как SCID-5-PD или SIFFM. Причина в том, что по сравнению с существующими тестами с множественным выбором вопросы содержат больше информации, и их трудно намеренно подделать или обмануть. Кроме того, точное прогнозирование личности с помощью статистического моделирования и алгоритмов может снизить неэффективность индивидуальных интервью, обеспечивая при этом решения проблем предвзятости или надежности, вызванных тем, что они полагаются на личное суждение клинициста. Кроме того, это исследование может улучшить неоднородность, сопутствующие заболевания, ошибочный диагноз, стигму или проблемы с маркировкой, поскольку личность будет оцениваться и диагностироваться на основе многомерного подхода FFM вместо категориального подхода, используемого в существующей клинической области.

Напротив, многие существующие исследования были проведены с участием участников, для которых английский был родным языком (Wongkoblap et al., 2017; Shatte et al., 2019; Le Glaz et al., 2021), а также исследования на корейском языке с использованием соответствующие методы анализа были очень ограничены. В частности, Кальво и соавт. (2017) упомянули, что исследования по применению NPL в области психического здоровья в основном состоят из англоязычных участников, поскольку прогнозирование психологических характеристик путем применения NLP к неанглоязычным языкам является неизученной областью. Это исследование может послужить отправной точкой для будущих исследований, которые попытаются предсказать психологические характеристики, анализируя и изучая корейский, а не английский язык. Однако возникают проблемы, связанные с тем, что психологические данные очень чувствительны и трудно быстро получить большие объемы информации. Из-за проблем с безопасностью требуется много времени и усилий для сбора больших объемов данных, в отличие от других областей, где предварительно размеченную информацию можно легко получить из открытого источника. Тем не менее, если данные будут собираться и активно распространяться при строгом управлении безопасностью, сложные модели и алгоритмы могут быть усовершенствованы, а использование компьютерных технологий в области психологии получит дальнейшее развитие.

Заключение

В отличие от других областей, которые просто анализируют большие объемы данных, человеческая психология, психические характеристики и характеристики личности требуют дополнительных объяснений. Мы уверены, что это будет репрезентативное исследование, отвечающее критериям. Мы считаем, что это исследование будет представлять большой интерес для будущих исследований, направленных на улучшение проблем методов психологической оценки за счет преимуществ использования компьютеров по сравнению с людьми, а также сочетания передовых технологий, таких как психология, машинное обучение, большие данные и ИИ.

Заявление о доступности данных

Необработанные данные, подтверждающие выводы этой статьи, будут предоставлены авторами без неоправданных оговорок.

Заявление об этике

Исследования с участием людей были рассмотрены и одобрены местным Институциональным контрольным советом (IRB) Корейского университета. Пациенты/участники предоставили письменное информированное согласие на участие в этом исследовании. Те же этические протоколы будут применяться к текущим исследованиям, связанным с этим исследованием.

Вклад авторов

JJ, SY, JC и K-HC внесли свой вклад в разработку концепции и дизайна исследования. K-HC руководил всем процессом исследования. JC разработал общую процедуру анализа и внес свой вклад в пересмотр полуструктурированного интервью посредством анализа пилотных данных . JJ и SY участвовали в сборе данных фазы 1 (экспериментальные). JJ, SY, GS и K-HC разработали и отредактировали полуструктурированное интервью. JJ, SY и GS написали первый черновик рукописи. JJ, MK, JC и K-HC участвовали в редактировании проекта рукописи. Все авторы внесли свой вклад в статью и одобрили представленную версию.

Финансирование

Эта работа была поддержана грантом Национального исследовательского фонда Кореи (NRF), финансируемым правительством Кореи (MSIT; № NRF-2020R1A2C2099665).

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Примечание издателя

Все утверждения, изложенные в этой статье, принадлежат исключительно авторам и не обязательно представляют претензии их дочерних организаций или издателя, редакторов и рецензентов. Любой продукт, который может быть оценен в этой статье, или претензии, которые могут быть сделаны его производителем, не гарантируются и не поддерживаются издателем.

Благодарности

Авторы хотели бы поблагодарить Heewon Seo, Minju Kim, Jueun Hwang, Seyeon Choi, Hyunjin Kim, Juhee Choi и Euntaek Hong за помощь в наборе испытуемых, управлении и общем процессе сбора данных. Кроме того, Ынсиль Чо и Ёул Хан внесли большой вклад в разработку вопросов для интервью на этапе 1 (пилотном) исследовании.

Ссылки

Ахмад, Х., Асгар, М. З., Хан, А. С., и Хабиб, А. (2020). Систематический обзор литературы по классификации черт личности на основе текстового содержания. Открыть компьютер. науч. 10, 175–193. doi: 10.1515/comp-2020-0188

CrossRef Полный текст | Google Scholar

Аль Ханаи, Т., Гассеми, М. М., и Гласс, Дж. Р. (2018). «Выявление депрессии с помощью моделирования аудио/текстовой последовательности интервью». в Труды ежегодной конференции Международной ассоциации речевой коммуникации . ИНТЕРРЕЧЬ; сентябрь 2018 г.; 1716–1720 гг.

Google Scholar

Аль-Мосаиви, М., и Джонстон, Т. (2018). Лингвистические маркеры умеренного и абсолютного естественного языка. Личный. Индивид. Отличаться. 134, 119–124. doi: 10.1016/j.paid.2018.06.004

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Амихай-Гамбургер Ю. и Виницкий Г. (2010). Использование социальных сетей и личность. Вычисл. Гум. Поведение 26, 1289–1295. doi: 10.1016/j.chb.2010.03.018

CrossRef Полный текст | Google Scholar

Анджеевский Д. и Чжу Х. (2009). «Скрытое распределение Дирихле со знанием темы в наборе». в Трудах NAACL HLT 2009 г.Семинар по полуконтролируемому обучению обработке естественного языка . 4 июня 2009 г .; 43–48.

Google Scholar

Арнц А., Хоук Л. Д., Бамелис Л., Спинховен П. и Молендейк М. Л. (2012). Изменения в использовании естественного языка как показатель психотерапевтических изменений при расстройствах личности. Поведение. Рез. тер. 50, 191–202. doi: 10.1016/j.brat.2011.12.007

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Кальво, Р. А., Милн, Д. Н., Хуссейн, М. С., и Кристенсен, Х. (2017). Обработка естественного языка в приложениях для психического здоровья с использованием неклинических текстов. Нац. Ланг. англ. 23, 649–685. doi: 10.1017/S1351324916000383

CrossRef Полный текст | Google Scholar

Кэмпбелл Дж. К., Хиндл А. и Строулия Э. (2015). «Скрытое распределение Дирихле: извлечение тем из данных разработки программного обеспечения», в Искусство и наука анализа данных программного обеспечения . ред. К. Берд, Т. Мензис и Т. Циммерманн (США: Морган Кауфманн), 139–159.

Google Scholar

Чандран Д., Роббинс Д. А., Чанг С.-К., Шетти Х., Саньял Дж., Даунс Дж. и др. (2019). Использование обработки естественного языка для выявления обсессивно-компульсивных симптомов у пациентов с шизофренией, шизоаффективным расстройством или биполярным расстройством. наук. Респ. 9, 1–7. doi: 10.1038/s41598-019-49165-2

CrossRef Full Text | Google Scholar

Чой Дж., Хван С.-Дж., Пай Д., Хван С.-Т. и Ким Ю.-Р. (2015). Диагностическая эффективность инструмента скрининга расстройств личности; Корейская версия стандартизированной оценки самоотчета по сокращенной шкале личности: предварительное проверочное исследование. J. Корейский нейрол. доц. 54, 534–541. doi: 10.4306/jknpa.2015.54.4.534

CrossRef Полный текст | Google Scholar

Чоудхури, Г. Г. (2003). Обработка естественного языка. год. Преподобный Инф. науч. Технол. 37, 51–89. doi: 10.1002/aris.1440370103

CrossRef Full Text | Google Scholar

Коркоран, К.М., и Чекки, Г.А. (2020). Использование языковой обработки и анализа речи для выявления психозов и других расстройств. биол. Псих. Познан. Неврологи. Нейро. 5, 770–779. doi: 10.1016/j.bpsc.2020.06.004

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Коста, П. Т. младший, и МакКрей, Р. Р. (2017). «Описи NEO как инструменты психологической теории», в The Oxford Handbook of the Five Factor Model . изд. Т. А. Видигер (Оксфорд: издательство Оксфордского университета), 11–37.

Google Scholar

Цуй, Б., и Ци, К. (2017). Обзорный анализ методов машинного обучения для обработки естественного языка для прогнозирования типа личности MBTI.

Google Scholar

Девлин Дж., Чанг М.В., Ли К. и Тутанова К. (2018). Берт: предварительная подготовка глубоких двунаправленных преобразователей для понимания языка. архив . [Epub перед печатью].

Google Scholar

Эллиот С., Лоути-Джонс М. и Джексон К. (1996). Влияние сокрытия на самооценку и объективные показатели личности. Личный. Индивид. Отличаться. 21, 335–343. doi: 10.1016/0191-8869(96)00080-3

CrossRef Full Text | Академия Google

Эсбек, Э., и Эчебуруа, Э. (2015). Гибридная модель классификации расстройств личности в DSM-5: критический анализ. Actas Esp. Псикиатр. 43, 177–186.

Google Scholar

Фан Дж., Гао Д., Кэрролл С. А., Лопес Ф. Дж., Тиан Т. С. и Мэн Х. (2012). Тестирование эффективности новой процедуры для снижения фальсификации личностных тестов в контексте отбора. J. Appl. Психол. 97, 866–880. doi: 10.1037/a0026655

Реферат PubMed | Полный текст перекрестной ссылки | Google Scholar

Furnham, A. (1986). Предвзятость ответов, социальная желательность и притворство. Личный. Индивид. Отличаться. 7, 385–400. doi: 10.1016/0191-8869(86)

-0

Полный текст CrossRef | Google Scholar

Гюркович М. и Шнайдер Дж. (2018). «Reddit: золотая жила для прогнозирования личности». in Материалы второго семинара по компьютерному моделированию мнений, личности и эмоций ЛЮДЕЙ в социальных сетях . 6 июня 2018 г.; Новый Орлеан, ЮАР; 87-97.

Google Scholar

Gladstone, JJ, Matz, S.C., and Lemaire, A. (2019). Можно ли вывести психологические черты из расходов? Доказательства из данных о транзакциях. Психология. науч. 30, 1087–1096. doi: 10.1177/0956797619849435

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Хирш, Дж. Б., и Петерсон, Дж. Б. (2009). Использование личности и языка в саморассказах. Дж. Рез. Перс. 43, 524–527. дои: 10.1016/j.jrp.2009.01.006

Полнотекстовая перекрестная ссылка | Google Scholar

Холден Р. Р., Уиллер С. и Марьянович З. (2012). Когда случайный ответ искажает самооценку личности? Пример с NEO PI-R. Личный. Индивид. Отличаться. 52, 15–20. doi: 10.1016/j.paid.2011.08.021

CrossRef Полный текст | Google Scholar

Hopwood, C.J., Morey, L.C., Edelen, M.O., Shea, M.T., Grilo, C.M., Sanislow, C.A., et al. (2008). Сравнение методов интервью и самоотчета для оценки критериев пограничного расстройства личности. Псих. Оценивать. 20, 81–85. doi: 10.1037/1040-3590.20.1.81

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar

Ирвинг Дж. , Патель Р., Оливер Д., Коллинг К., Притчард М., Бродбент М. и др. (2021). Использование обработки естественного языка в электронных медицинских картах для улучшения выявления и прогнозирования риска психоза. Шизофр. Бык. 47, 405–414. doi: 10.1093/schbul/sbaa126

PubMed Abstract | Полный текст перекрестной ссылки | Академия Google

Джаяратне М. и Джаятиллеке Б. (2020). Прогнозирование личности с помощью ответов на открытые вопросы интервью. Доступ IEEE 8, 115345–115355. doi: 10.1109/access.2020.3004002

CrossRef Full Text | Google Scholar

Ким, М. Г., Ли, С. Г., Хан, Ю., Пак, Д. Дж., Чой, К. Х., и Сео, Д. Г. (2020). Разработка и подтверждение яркого и темного инвентаря личности (BDPI): интеграция ярких и темных сторон личности. Корейский J. Психология: Общие 39, 359–383. doi: 10.22257/kjp.2020.9.39.3.359

CrossRef Полный текст | Google Scholar

Ким Ю., Парк Ю., Чо Г., Парк К., Ким С.-Х., Байк С.Ю. и др. (2018). Инструмент скрининга тревожных расстройств: разработка и проверка корейской оценки скрининга тревожности. Психиатрическое расследование. 15, 1053–1063. doi: 10.30773/pi.2018.09.27.2

PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar