RUS  •   ENG  •   中文

О проекте

Главная цель нашего проекта - помочь людям создать и сохранить счастливые отношения. 

Как мы это решаем?

- Исследуем причины, которые способствуют созданию счастливых отношений. 

- Разрабатываем методы поиска подходящего партнера


МЕТОДИКА ИССЛЕДОВАНИЯ

Для исследования мы в течении 26 лет собрали более 30 тысяч историй счастливой и несчастливой любви. 

На сегодняшний день это самое крупное и масштабное исследование любви и отношений в мире. 

Далее мы определили, какие факторы влияют на то, какие это будут отношения - счастливые или не счастливые. 

Для анализа собранных данных мы использовали искусственные нейронные сети (ИНС).

Математический аппарат ИНС на сегодняшний день хорошо разработан [14-17]. ИНС это в общем виде алгоритм, реализованный в виде компьютерной программы. Сегодня ИНС являются совершенным математическим аппаратом для анализа сложных процессов и является одним из видов искусственного интеллекта (ИИ). ИНС применяется в задачах распознавания образов, экономическом анализе, а также в психологических исследованиях [18-30].

В общем виде структура ИНС представлена на Рис 1.

Рис 1. Искусственная нейронная сеть.

Название «нейронная сеть» сложилась исторически в связи с похожестью топологии этой математической модели и топологии нейронов головного мозга человека (Рис.2).


Рис.2 Биологическая нейронная сеть

Но они не только внешне похожи. У них есть одно общее интересное свойство – способность обучаться на примерах. И это делает ИНС очень привлекательной для многих исследователей.

В ИНС имеется ряд входных параметров Вх.1,…… Вх.n, а также ряд выходных параметров Вых.1,…. Вых.m.

Особенностью ИНС является то, что сеть может выявить определенные скрытые зависимости между входными и выходными параметрами и представить их в виде функции :

Вых.1,…. Вых.m = F(Вх.1,…… Вх.n),

Где F – это практически любая произвольная нелинейная функция.

ИНС имеет ряд примечательных особенностей:

- ее можно обучить на определенных примерах

- можно назначить любые данные в виде входных и в виде выходных, все ограничивается только фантазией исследователя

- возможно обнаружить глубинные зависимости входных и выходных параметров даже при их сильной нелинейной связи, или установить отсутствие зависимости

- в случае успешного обучения сети ее можно использовать для решения практических задач анализа и прогноза выходных данных при некоторых, не применявшихся при обучении входных данных.

Таким образом ИНС является очень удобным инструментом для анализа большого круга технических, экономических, финансовых и психологических задач. В случае удачного обучения сети она становится очень мощным практическим инструментом. Этим объясняется огромный интерес в настоящее время со стороны крупнейших мировых компаний к ИНС и ИИ. Такие гиганты, как GOOGLE или AMAZON тратят миллиарды долларов на исследования в сфере ИНС и ИИ (https://ai.google/ , https://aws.amazon.com/ru/machine-learning/what-is-ai/ ).

Примечательно, что психология и алгоритмы искусственного интеллекта тесно связаны – понимание принципов психологии позволяет строить более совершенные ИНС, а совершенствование ИНС помогает еще глубже вникать в фундаментальные исследования по психологии [17] .

Одновременно с этим существуют и определенные трудности в использовании ИНС:

- необходимо длительное экспериментирование с выбором внутренней конфигурации сети. От правильного выбора конфигурации зависит возможность или не возможность обучения сети

- необходимо глубокое понимание данных в эксперименте. Часто неправильное разделение данных на входные и выходные препятствует обучению сети

- в процессе обучения возможны «залипания», когда система попадает в определенные локальные минимумы функции F, особенно при ее сильной нелинейности

- входные данные нужно нормировать и калибровать. От правильной нормировки и калибровки зависит возможность или не возможность обучения

Все вышеперечисленные особенности значительно затрудняют применение ИНС в научных исследованиях. Нашему коллективу понадобилось более 10 лет напряженной работы, чтобы справится со всеми этими трудностями.

ПОДГОТОВКА ДАННЫХ

В течении более 26 лет в рамках нашего исследования было собрано более 30 тысяч историй семейного партнерства (на сегодняшний день 30 346 пар), а также более 6 тысяч (6 531 на сегодняшний день) историй делового партнерства.

Степень удовлетворенности отношениями была прокалибрована по 100 процентной шкале.

Каждый из партнеров давал свою субъективную оценку удовлетворенности отношениями, исходя из совокупности удовлетворенности всеми аспектами отношений.

За величину удовлетворенности отношениями принималось среднее значение из оценок обоих партнеров.

Безусловно, оценки партнерами степени удовлетворенности теми или иными параметрами партнерства носит субъективный характер. При этом должен учитываться еще и предыдущий опыт. Например, если человек оценивает удовлетворенность на 100 процентов с определенным партнером, то, возможно, если ему встретиться в будущем другой, более подходящий ему партнер, то уровень с текущим партнером он переоценит на 80 процентов. Поэтому мы отсеяли всех исследуемых с возрастом ниже 25 лет, чтобы обеспечить наличие опыта.

Также мы отсеяли всех с опытом взаимного общения менее 3 года для того, чтобы дать паре возможность проявить свои взаимные характеристики.

ПРОВЕДЕНИЕ ОБУЧЕНИЯ СЕТИ.

Целью обучения нейронной сети являлось:

- выявление наличия зависимости между разностью в возрасте партнеров, степенью образования, ростом, цветом глаз, группы крови (это входные параметры) и степенью их удовлетворенностью отношениями (это выходной параметр);

- определения вида этой зависимости;

- создание алгоритма, пригодного для прогнозирования удовлетворенности будущими отношениями для любой произвольной пары людей.

Данные были разделены на две группы – 80 и 20 процентов. На 80 процентах проводилось обучение, 20 процентов использовались для проверки качества обучения.

Математические аспекты процесса обучения реализованы по стандартным методикам [14].

На первом этапе исследования мы пытались провести обучение используя разницу в возрасте, исчисляемую годами. Именно такой подход применялся до настоящего времени другими исследователями [7-12]. Несмотря на огромное количество экспериментов нам не удалось обучить сеть. Это не обязательно значит, что не существует зависимости. Это пока только значит, что нам ее не удалось выявить в виде какой-либо закономерности или нелинейной функции.

Кардинально другой результат был получен, когда мы стали использовать более точные значения разницы в возрасте (с точностью до дня) для обучения сети. В результате многочисленных экспериментов с изменением различных внутренних параметров сети нам удалось все-таки обучить сеть при таких входных данных для обоих групп – как для группы делового партнерства, так и для группы семейного партнерства.

 Другие параметры, кроме разницы в возрасте, не оказались значимы для результатов отношений. 

Сам по себе факт того, что нами удалось обучить сеть на наших примерах уже является уникальным. Это позволило получить практический инструмент в виде искусственного интеллекта, который может теперь уже использоваться в широком круге задач прогнозирования результатов взаимодействия в отношениях.

РЕЗУЛЬТАТЫ ОБУЧЕНИЯ.

В результате обучения искусственная нейронная сеть являет собой функцию, определяющую степень удовлетворенности отношениями от разницы в возрасте партнеров. Остальные параметры, как мы указывали выше, не являются значимыми.

Обученная нейронная сеть имеет прямое практическое применение, как показано ниже.

Зафиксировав возраст одного из партнеров и изменяя возраст другого партнера, мы получаем функцию, прогнозирующую удовлетворенность конкретного человека (чей возраст зафиксирован) различными партнерами.

На основании этого можно осуществлять поиск и подбор новых партнеров.

В общем виде эта функция имеет локальные экстремумы в различных значениях разницы в возрасте.

Вид этой функции для семейной пары № 4287 показан на Рис. 3 и Рис.4

Рис.3. Группа- СЕМЬЯ. Анкета 4287. Мужчина.


Рис. 4 Группа- СЕМЬЯ. Анкета 4287 и 12372. Женщина.


Для других пар графики удовлетворенности имеют подобный волнообразный вид с ярко выраженными экстремумами в разных временных интервалах.

Рассмотрим более подробно пару №4287 как пример. Разница в возрасте между ними 219 дней. Мужчина старше женщины на это количество дней. Мы видим экстремум функции удовлетворенности в этот период. На Рис. 3 и 4 он отмечен голубыми стрелками. По их оценке, удовлетворенность их отношениями составляет 80%. Партнеры прожили совместно 9 лет и разошлись. Причина развода – она встретила мужчину, с которыми она почувствовала намного больше удовлетворенности отношениями, чем с бывшим супругом.

Они сформировали пару №12372. Новый супруг старше ее на 82 дня. Разница в возрасте с ним показана на Рис.4. Видно, что если бы эта женщина до первого брака имела бы в распоряжении график, показанный на Рис.4, она бы не спешила создавать семью и попыталась бы найти человека, с которым прогнозируемая удовлетворенность была бы максимальной. Это уменьшило бы вероятность того, что в течении семейной жизни она найдет более удовлетворяющего ее партнера. При этом ее первый супруг тоже бы не спешил с созданием семьи, а попытался бы найти себе партнера, обозначенного на Рис.3 зеленой стрелкой. Это также бы уменьшило вероятность его развода в будущем.

Обучение на группе деловых отношений дало аналогичный результат. Мы также наблюдали экстремумы функции удовлетворенности отношениями.

С помощью обученной сети мы построили график прогноза удовлетворенности мужчины из семейной пары №4287 деловыми отношениями с партнерами. Этот график представлен на Рис.5

Рис.5. Прогнозируемая удовлетворенность мужчины из семейной пары №4287 в деловых отношениях.

Сразу видно, что максимумы удовлетворенности от делового сотрудничества (фиолетовые стрелки на Рис.5) лежат в другой временной области, чем максимумы удовлетворенности семейными отношениями. Это подчеркивает тот факт, что создание делового партнерства в рамках существующих семейных отношений не приведет автоматически к взаимному удовлетворению таким деловым партнерством, не смотря на наличие удовлетворенности семейными отношениями. Указанный факт подтверждается практикой – пара №4287 создавала совместный бизнес, который оказался неуспешным в результате неудовлетворенности обоих партнеров этим деловым партнерством.

Таким образом в результате обучения мы получили практичный алгоритм, пригодный для прогнозирования эффективности создания семейных и деловых партнерств.


ОБСУЖДЕНИЕ РЕЗУЛЬТАТОВ

Возможность обучить ИНС в нашем эксперименте показала, что:

- разница в возрасте партнеров является значимым фактором, влияющим на удовлетворенность семейными и деловыми отношениями;

- не существует единой, универсальной для всей наилучшей разницы в возрасте для создания максимально удовлетворяющих отношений. Этим объясняется расхождение в результатах исследований, полученных ранее другими исследователями;

- для каждого конкретного человека возможен подбор именно для него оптимального по возрасту партнера;

Как мы видели из приведенного примера:

- правильный подбор партнера для семейных отношений с помощью обученных нами сетей может уменьшить вероятность встречи другого, приносящего большее удовлетворение партнера. Это уменьшит вероятность распада семьи в будущем;

- правильный подбор партнера для деловых отношений с помощью обученных нами сетей может, как результат, дать более глубокое удовлетворение совместной работой и привести к более эффективному сотрудничеству;

- тот факт, что пики максимумов удовлетворенности отношениями встречаются редко – один раз на 200- 400 дней, говорит о том, что подходящих партнеров, имеющих возможность доставить удовлетворение друг другу в отношениях, очень мало. Возможно этим объясняется тот факт, что многие люди десятилетиями ищут себе партнера для создания семьи и не находят.

Причина неравномерной зависимости удовлетворенности отношениями от разницы в возрасте требует дополнительного глубокого изучения. Одно из наших предположений состоит в том, что, возможно, проявляются некоторые резонансные эффекты, связанные с физиологической структурой человеческого организма. И, как следствие, проявляются пиковые эмоциональные реакции.

Важным является вопрос - а насколько значима для совместимости партнеров разница в возрасте? Какое место этот фактор занимает среди других факторов, влияющих на удовлетворенность от отношения партнеров?

Мы предполагаем, что все зависит от совокупности всех остальных факторов, в частности психологической «зрелости» партнеров и силы индивидуальной физиологической реакции между партнерами. Иногда при низкой психологической «зрелости» достаточно даже незначительных физиологических реакций, чтобы нарушить партнерство.

Но часто даже очень высокая зрелость не спасает - все мы также неоднократно наблюдали ситуации, когда между двумя образованными, воспитанными людьми существует взаимное неприятие, взаимные непонимание, агрессия и т.п.

При этом высокая психологическая «зрелость» не обязательно является необходимым условием крепкого партнерства - мы все часто наблюдали дружные крепкие семьи, когда со стороны невозможно объяснить, что-же они нашли друг в друге. Однако такой союз может оказаться прочней, чем между двумя психологически «зрелыми» партнерами.

Мы считаем, что большой вклад в такие позитивные и негативные реакции вносит обнаруженное нами влияние разницы в возрасте партнеров.

Таким образом мы считаем, что возникновение эмоциональных реакций в результате определенных разниц в возрасте может по значимости стоять на одном уровне со всеми другими факторами и обязательно должен учитываться при создании новых партнерств.

ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ

Открытые нами зависимости имеют большое практическое применение.

Существующие в настоящее время методы отбора требую анкетирования кандидатов в партнеры. В случае больших групп людей проведение массового анкетирования затруднительно.

Применение полученных нами алгоритмов позволяет провести предварительный быстрый отбор кандидатов среди сотен миллионов кандидатов путем прогнозирования их удовлетворенности отношениями базируясь на их разнице в возрасте. И применить дополнительные методы отбора к уже более узкому кругу лиц.

Покажем, как это делать на реальном примере из нашей практики женщины А, которая более 6 лет не могла найти себе партнера для создания семьи. После проведенных нами расчетов с помощью ИНС мы получили для этой женщины график, показанный на Рис. 6.

Анализ этого графика показал, что подходящий ей партнер имеет разницу в возрасте с ней в 584 дня (пик с красной стрелкой на Рис. 6).


Мы порекомендовали этой женщине провести поиск в социальных сетях среди мужчин именно этого возраста. И в течении нескольких недель она нашла партнера, с которым счастливо живет уже три года.

Она применила сначала грубый отсев, оставив для рассмотрения только мужчин указанного возраста. Потом она уже провела дополнительный отсев, изучая их странички в социальной сети, интересы и т.п.

Таким образом вместо 70 миллионов страниц одиноких людей в соцсети ей пришлось рассмотреть всего несколько сот страниц указанного возраста. Это очень ускорило ее поиск.

Интересно отметить, что на графике нет пиков среди ее сверстников. И действительно, она призналась нам, что в отличии от ее подруг ей всегда в институте было трудно найти партнера среди однокурсников.

По принципу, описанному в примере, нами уже реализован такой тестовый алгоритм поиска в рамках социальной сети Вконтакте. В стадии разработки Facebook и другие социальные сети.

В рамках нашего алгоритма с помощью наших обученных ИНС в настоящее время уже возможно осуществить самостоятельный поиск партнера для создания деловых или семейных отношений. Основной востребованностью пока является создание семейных отношений. На сайте LoveSecret.ru можно ознакомиться с отзывами о результатах практического применения наших алгоритмов.

Мы предполагаем сделать удобный доступ в ближайшем будущем для различных кадровых агентств и специалистов по подбору персонала.

Также в планах дальнейший сбор данных с целью более полного раскрытия всех факторов успешных межличностных отношений и создания все более точных алгоритмов на основе искусственных нейронных сетей.

ЛИТЕРАТУРА

  • Журавлев А.Л. Психология совместной деятельности. М.: Изд-во «Институт психологии РАН», 2005.- 640 с. ISBN: 5-9270-0039-8
  • Поздняков В.П., Вавакина Т.С.. Психология делового партнерства: теория и эмпирические исследования. -М.: Изд-во «Институт психологии РАН», 2016.-320 с. ISBN 978-5-9270-0331-0
  • Андреева Т.В. Психология современной семьи. Спб, Речь, 2005.-436 с. ISBN 5-9268-0376-4
  • Обозов, Н.Н. Психология межличностных отношений. – Киев : Лыбидь, 1990. – 192 с. – ISBN 5-11-001480-9.
  • Обозов Н.Н., Обозова А.Н. Три подхода к исследованию психологической совместимости. Вопросы психологии, 1981, 6 , 98- 101
  • Сысенко В. А. Устойчивость брака: Проблемы, факторы, условия. М.: Финансы и статистика. 1981, - 199 с.
  • Buss, D. M., & Barnes, M. Preferences in human mate selection. Journal of Personality and Social Psychology, 1986, 50(3), 559.
  • Young, J. A., Critelli, J. W., & Keith, K. W. (2005). Male age preferences for short-term and long-term mating. Sexualities, Evolution & Gender, 2005, 7(2), 83–93.
  • Feingold, A . Gender differences in personality: A meta-analysis. Psychological Bulletin. 1994, 116: 429–456.
  • Buunk, B. P., Dijkstra, P., Kenrick, D. T., & Warntjes, A. (2001). Age preferences for mates as related to gender, own age, and involvement level. Evolution and Human Behavior, 22, 241-250
  • Kenrick, D. T., & Keefe, R. C. (1992). Age preferences in mates reflect sex differences in human reproductive strategies. Behavioral and Brain Sciences, 15, 75-133
  • Murstein, B. I. Stimulus value role: A theory of marital choice. Journal of Marriage and the Family, 1970, 32(3), 465-481
  • Гашпар В.Э., Гашпар Ю.Э., Карев П.В. Метод ранней диагностики сексуальной совместимости. «Мир сексологии», 2016. №11
  • Хайкин С. Нейронные сети: полный курс. пер. с англ. 2-е изд. =Haykin S. Neural Networks: A Comprehensive Foundation. 2-е изд. — М.: Вильямс, 2006. — 1104 с. — ISBN 0-13-273350-1.
  • Боровиков В.П. Нейронные сети. Методология и технологии современного анализа данных / под. ред. В.П.Боровикова. М.: Горячая линия-Телеком, 2008
  • Baxt W.G. Complexity, chaos and human physiology: the justification for non-linear neural computational analysis // Cancer Letters. 1994. Vol. 77, No. 2–3. P. 85–93.
  • Grossberg, Stephen. Neural Networks and Natural Intelligence. Cambridge, MA: MIT Press, 1988.
  • Orchard G. Neural network research and applications in psychology. The Irish Journal of Psychology, Vol. 16, 1995 - Issue 4 Pages 389-396
  • Россиев Д.А., Винник Н.Г. Предсказание «удачности» предстоящего брака нейросетевыми экспертами. // Нейроинформатика и ее приложения: Тезисы докладов II всероссийского рабочего семинара, 7-10 октября 1994 г. — Красноярск, 1994. — с.45.
  • Арзамасцев А.А., Зенкова Н.А. Моделирование в психологии на основе искусственных нейронных сетей. Тамбов: ИМФИ ТГУ м. Г.Р.Державина, 2003
  • Славутская Е.В., Славутский Л.А. Использование искусственных нейронных сетей для анализа гендерных различий младших подростков // Психологические исследования. 2012. Т. 5, № 23. С. 4. URL: http://psystudy.ru
  • Губерман Т.А., Ямпольский Л.Т. Применение алгоритмов распознавания образов в психодиагностике // Вопросы психологии, 1983 №5. — с.118-125.
  • Modai I., Stoler M., Inbar-Saban N. et al. Clinical decisions for psychiatric inpatients and their evaluation by a trained neural network // Methods Inf. Med. — 1993 — v.32, №5. — p.396-399.
  • Gorban A. N., Rossiyev D. A., Dorrer M. G. MultiNeuron — Neural Networks Simulator For Medical, Physiological, and Psychological Applications // Wcnn’95, Washington, D.C.: World Congress on Neural Networks, 1995. International Neural Network Society Annual Meeting : Renaissance Hotel, Washington, D.C., USA, July 17-21, 1995.
  • Доррер М.Г. Обработка психологической информации при помощи нейронных сетей. // Проблемы информатизации региона: Материалы второй межрегиональной конференции. Красноярск: КГТУ, 1997. — с.33-43.
  • Dorrer M.G., Gorban A.N., Zenkin V.I. Neural networks in psychology: classical explicit diagnoses // Neuroinformatics and neurocomputers, Proceedings of the 2nd RNNS-IEEE Symposium, Rostov-on-Don, September 1995 — pp 281-284
  • Dorrer M.G., Gorban A.N., Kopytov A.G. Zenkin V.I. Psychological intuition of neural networks // Proceedings of the World Congress on Neural Networks’95, Washington DC, July 1995. P. 193–196.
  • Starzomska M. Use of artificial neural networks in clinical psychology and psychiatry. Psychiatria Polska, 2003, Mar-Apr;37(2):- P. 349-357
  • Rowe PM. Neural networks: a bridge between neuroscience and psychology. Molecular Medicine today 1995 Jul;1(4):168-173.
  • Chandrasekaran A.B., Megha M., Sweetlin H. An Automated Compatibility Prediction Engine using DISC Theory Based Classification and Neural Networks. International Journal of Engineering, Technology, Science and Research. Volume 4, Issue 8, 347-353 , August 2017, ISSN 2394-3386
  • Л. Н. Собчик. Диагностика психологической совместимости. Еще раз про любовь. — Речь, 2002. — 80 с. — ISBN 5-9268-0123-0
  • Leary T. Interpersonal Diagnosis of Personality : A Functional Theory and Methodology for Personality Evaluation / Timothy Leary. — Resource Publications, 2004. — Previously published by John Wiley & Sons, 1957. — ISBN 1-59244-776-7.
  • Собчик Л. Н. Методы психологической диагностики. Вып. 3. Диагностика межличностных отношений. Модифицированный вариант интерперсональной диагностики Т. Лири. Метод. руководство. — М., 1990.
  • Л. Н. Собчик. Диагностика межличностных отношений. Практическое руководство к традиционному и компьютерному вариантам теста. — Боргес, 2010. — 52 с. — ISBN 978-5-91482-008-1.
  • Гозман Л.Я. Психология эмоциональных отношений. Изд-во Московского университета, 1987, 79с. ISBN: 978-5-458-27877-5
  • Дружинин В. Н. Психология семьи. Питер 2006 176с. ISBN 5-469-00131-8
  • Kelley, H.H. Personal relationships: Their structures and processes. 1979, Hillsdale, N.J.: Erlbaum Associates.
  • Lewis, R. A., Spanier, G. B. (1979). Theorizing about the quality and stability of marriage. In W. Burr, R. Hill, F. I. Nye, & I. Reiss (Eds.), Contemporary theories about the family (pp. 268-294). Vol. 2, New York, NY: Free Press.