:: دوره 9، شماره 2 - ( بهار 1400 ) ::
دوره 9 شماره 2 صفحات 47-35 برگشت به فهرست نسخه ها
پیش بینی تأثیر ذهن آگاهی بر تحریک‌پذیری با استفاده از مدل‌های شبکه بیزی، رگرسیون و عصبی
الهام پورافروز ، سعید ستایشی* ، ایمان الله بیگدلی ، میرمحسن پدرام
گروه مهندسی انرژی و فیزیک، دانشگاه صنعتی امیرکبیر، تهران، ایران ، setayesh@aut.ac.ir
چکیده:   (2336 مشاهده)
مقدمه: محققان هوش مصنوعی در تلاش‌اند هوش انسانی را روی دستگاه پیاده کنند. این مطالعه با هدف ایجاد یک مدل رایانه‌ای پیش‌ بینی کننده مناسب جهت ارزیابی اثربخشی درمان شناختی مبتنی بر ذهن آگاهی بر تحریک‌پذیری انجام شد. مواد و روش‌ها: طرح پژوهش حاضر از نوع شبه آزمایشی و با روش پیش‌آزمون- پس‌آزمون بود. آزمودنی‌های پژوهش حاضر 135 نفر از افراد مراجعه‌کننده به مرکز مشاوره خانه مهر در مشهد بودند و در یک دوره 8 جلسه‌ای شناخت درمانی مبتنی بر ذهن آگاهی (MBCT) شرکت کردند. در مجموع 11 دوره MBCT برگزار شد و 10 تا 14 نفر در هر دوره شرکت کردند. شرکت کنندگان پرسشنامه تحریک‌پذیری (پورافروز و دیگران) را در دو مرحله (قبل از درمان و بعد از درمان) تکمیل کردند. به منظور بررسی تفاوت‌های پیش‌آزمون تا پس‌آزمون در این تحقیق، از تحلیل واریانس اندازه‌گیری‌های مکرر استفاده شد. یافته‌ها: یافته‌های آماری نشان داد که تفاوت معنی‌داری میان نمرات پیش‌آزمون و پس‌آزمون تحریک‌پذیری وجود داشت. اندازه اثر ذهن آگاهی نیز 83 درصد بود. برای توسعه مدل پیش بینی، سه مدل بیزی، رگرسیون و شبکه عصبی مقایسه شد. مدل بیزی، با صحت داده‌های تست 93 درصد مناسب‌ترین مدل در نظر گرفته شد. علاوه بر این، مدل‌های بیزی با خوشه‌بندی ورودی و خروجی (7/85 درصد)، بیزی با رده‌بندی (49/71 درصد)، شبکه عصبی ترتیبی (29/64 درصد)، مدل‌های مناسبی برای پیش ‌بینی تاثیر‌گذاری دوره‌های 8 جلسه‌ای ذهن ‌آگاهی بر کاهش تحریک‌پذیری شناخته شدند. مدل‌های بیزی با خوشه‌بندی خروجی‌ها، رگرسیون با یک خروجی و شبکه عصبی کانوولوشنی نیز دقت پیش بینی کافی برای اثر گذاری ذهن آگاهی را نداشتند. نتیجه‌گیری:  به کمک مدل‌سازی شناختی می‌توانیم اثر بخشی شناخت درمانی مبتنی بر ذهن آگاهی را بر روی میزان تحریک‌پذیری افراد پیش بینی کنیم.
واژه‌های کلیدی: ذهن‌آگاهی، درمانی، مشاوره
متن کامل [PDF 1404 kb]   (595 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: بيوانفورماتيك در علوم اعصاب
فهرست منابع
1. Polk T , Seifert C. Cognitive Modeling (A Bradford Book) . 2002. [DOI:10.7551/mitpress/1888.001.0001]
2. Baer R A. Mindfulness training as a clinical intervention: A conceptual and empirical review. Clinical Psychology: Science and Practice. 2003; 10: 125-143. [DOI:10.1093/clipsy.bpg015]
3. Segal Zindel V, Teasdale John D , and Williams J. M. Mindfulness Based cognitive therapy for depression. New York: The Guilford Press. 2002.
4. Pour Afkari N. Semiotics of mental illness. Tehran: Azadeh. 2011.
5. Caldwell K, Harrison M, Adams M, Quin R, Greeson J. Developing Mindfulness in College Students through Movement Based Courses: Effects on Self-Regulatory Self-Efficacy, Mood, Stress, and Sleep Quality. J Am Coll Health. 2010; 58(5): 433-42. [DOI:10.1080/07448480903540481]
6. Van Vugt M, Taatgen N, Sackur J, Bastian M. Modeling mind-wandering: a tool to better understand distraction. Proceedings of the 13th International Conference on Cognitive Modeling. Groningen: University of Groningen. 2015; 252-57.
7. Moye A, Van Vugt M. A computational model of focused attention meditation and its transfer to a sustained attention task. Proceedings of the 15th International Conference on Cognitive Modeling. 2017; 43-48.
8. Pablo R, Gustavo D, Nazareth C, Carmelo V. Does mindfulness change the mind? A novel psychonectomeperspective based on Network Analys. 2019; [ https://doi.org/10.1371/journal.pone.0219793 [DOI:10.1371/journal.pone.0219793].]
9. PourAfrouz E, Setayeshi S, Bigdeli I, Pedram M. Making and standardizing the Psychometricof irritability questionnaire. Journal of Psychometric Research. Rouden Azad University. Spring 2019.
10. Lawrence S, Gamst G, Guarino A. Applied Multivariate Research. Design and Interpretation. Translation by Hassan Pasha Sharifi et al. Tehran: Roshd. 2017.
11. Hesaraki E. Machine learning. 2018. [https://blog.faradars.org/introduction-to-machine-learning/].
12. Koski T, Noble J. Bayesian Networks. Wiley Series in Probability and Statistics. 2009. [DOI:10.1002/9780470684023]
13. Krizhevsky A, Sutskever I, Hinton GE. Imagenet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems. 2012.
14. Denoyer L; Gallinari Deep Sequential Neural Network. Arxiv. 2014.
15. Grossman P, Niemann L, Schmidt S, Walach H. Mindfulness-based stress reduction and health benefits: A meta-analysis. Journal of Psychosomatic Research. 2004; 57. 1: 35-43. [DOI:10.1016/S0022-3999(03)00573-7]
16. Hofmann S, Sawyer A, Witt A, Oh D. The effect of mindfulness-based therapy on anxiety and depression: A meta-analytic review. J Consult Clin Psychol. 2010; 78. 2: 169-83. [DOI:10.1037/a0018555]
17. Brandmeyer T, Delorme A. Reduced mind wandering in experienced meditators and associated EEG correlates. Experimental Brain Research. 2016. [DOI:10.1007/s00221-016-4811-5]
18. Huang S, Li R, Huang F, Tang F. The potential for mindfulness-based intervention in workplace mental health promotion. Results of a randomized controlled trial. 2015; 10. 9: e0138089. [DOI:10.1371/journal.pone.0138089]
19. Black D, Peng C, Sleight A, Nguyen N, Lenz H, Figueiredo J. Mindfulness practice reduces cortisol blunting during chemotherapy: A randomized controlled study of colorectal cancer patients. Cancer. 2017. [DOI:10.1002/cncr.30698]



XML   English Abstract   Print



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 9، شماره 2 - ( بهار 1400 ) برگشت به فهرست نسخه ها