fa پیش بینی تأثیر ذهن آگاهی بر تحریک‌پذیری با استفاده از مدل‌های شبکه بیزی، رگرسیون و عصبی بيوانفورماتيك در علوم اعصاب Bioinformatics in Neuroscience پژوهشي Research --- Open Access, CC-BY-NC <strong>مقدمه:</strong> 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. <strong>مواد و روش‌ها:</strong> 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. <strong>یافته‌ها: </strong>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. <strong>نتیجه‌گیری:</strong> &nbsp;به کمک مدل‌سازی شناختی می‌توانیم اثر بخشی شناخت درمانی مبتنی بر ذهن آگاهی را بر روی میزان تحریک‌پذیری افراد پیش بینی کنیم. <strong>Introduction:</strong> Artificial intelligence researchers are trying to implement human intelligence on the machine. This study aimed to develop an appropriate predictive computer model to evaluate the effectiveness of mindfulness-based cognitive therapy on irritability. <strong>Materials and Methods:</strong> The design of the present study is quasi-experimental with a pre-test and post-test method. 135 individuals who referred to Khane Mehr counseling center in Mashhad and participated in an 8-session mindfulness-based cognitive therapy (MBCT) course were included in this study. Totally, 11 MBCT courses were held and 10 to 14 people participated in each course. Participants completed the irritability questionnaire (Pourafrouz & et al.) at two stages (before treatment and after treatment). In order to examine the differences from pre-test to post-test in this research, the variance analysis of repeated measures was used.<strong> Results:</strong> There was a significant difference between pre-test and post-test irritability scores. The effect of mindfulness was 83%. To develop the prediction model, three Bayesian, regression, and neural network models were compared. The Bayesian model, with 93% accuracy test data, was considered the most appropriate model. Moreover, the Bayesian models with input and output clustering (85.7%), the Bayesian with classification (71.49%), and the sequential neural network (64.29%) were identified as suitable models to predict the effectiveness of 8-session mindfulness courses on reducing irritability. The Bayesian model with output clustering, one-output regression, and the Convulsions Neural Network did not have sufficient predictive accuracy for the effectiveness of mindfulness. <strong>Conclusion:</strong> Using cognitive modeling, we can predict the efficacy of mindfulness-based cognitive therapy on irritability. ذهن‌آگاهی, درمانی, مشاوره Mindfulness, Therapeutics, Counseling 35 47 http://shefayekhatam.ir/browse.php?a_code=A-10-549-3&slc_lang=fa&sid=1 Elham PourAfrouz الهام پورافروز pourafrouz_e@iricss.org 100319475328460021228 100319475328460021228 No Department of Cognitive Modeling, Institute for Cognitive Science Studies, Tehran, Iran گروه مدل‌سازی شناختی، پژوهشکده علوم شناختی، تهران، ایران Saeed Setayeshi سعید ستایشی setayesh@aut.ac.ir 100319475328460021229 100319475328460021229 Yes Department of Energy and Physics, Amir Kabir University of Technology, Tehran, Iran گروه مهندسی انرژی و فیزیک، دانشگاه صنعتی امیرکبیر، تهران، ایران Iman Allah Bigdeli ایمان الله بیگدلی ibigdeli@um.Ac.ir 100319475328460021230 100319475328460021230 No Department of Clinical Psychology, Faculty of Education and Psychology, Ferdowsi University of Mashhad, Mashhad, Iran گروه آموزشی روانشناسی، دانشکده علوم تربیتی و روانشناسی، دانشگاه فردوسی، مشهد، ایران Mir Mohsen Pedram میرمحسن پدرام pedram@khu.ac.ir 100319475328460021231 100319475328460021231 No Department of Electrical and Computer Engineering, Kharazmi University, Tehran, Iran گروه مهندسی برق و کامپیوتر، دانشگاه خوارزمی، تهران، ایران