Астросоциотипология и спектральный анализ личности по астросоциотипам с применением семантических информационных мультимоделей

Сводная информация о качестве частных моделей

При этом всего 4 частные модели из 172 с: 128, 2, 162 и 108 секторами оказались наилучшими для идентификации 12 категорий из 37. Таким образом, 2,3 % исследованных частных моделей позволяют наиболее достоверно идентифицировать 32,4 % всех категорий, а 5,8 % моделей - 64,9 % всех категорий.

Обратим внимание также на столбец: "Модель, обеспечившая максимальную достоверность" (см. таблицу 7). Если изобразить систему концентрических колец, каждое из которых соответствует определенной частной модели, и разделить эти кольца на количество секторов в соответствующей частной модели, раскрасить эти секторы различными цветами спектра так, чтобы их было видно (можно было различить), то получим логотип данной мультимодели (рисунок 3).

Рисунок 3 Логотип мультимодели из 172 частных моделей на 37 категорий (после выбора 23 наиболее достоверных частных моделей)

Этот логотип получен с помощью программы Logoastr-v2.1, разработанной Д. Бандык (Беларусь) по алгоритму автора. Эту программу можно бесплатно скачать по ссылке: http://lc.kubagro.ru/ftp/lc_sfx.exe с сайта автора.

Необходимо пояснить, каким образом рассчитывается приведенная в таблице 7 достоверность идентификации. Достоверность идентификации по каждой категории является эвристическим критерием, который представляет собой алгебраическую сумму уровней сходства с данной категорией верно отнесенных и не отнесенных системой к данной категории респондентов минус ошибочно отнесенных и неотнесенных респондентов, деленную на их количество:

Где

Всего физических анкет: 370 (100% для п.15)

Всего логических анкет: 1200

4. Средняя достоверность идентификации логических анкет с учетом сходства: -2.864%

5. Среднее сходство логических анкет, правильно отнесенных к классу: 2.145%

6. Среднее сходство логических анкет, ошибочно не отнесенных к классу: 0.000%

7. Среднее сходство логических анкет, ошибочно отнесенных к классу: 5.009%

8. Среднее сходство логических анкет, правильно не отнесенных к классу: 0.000%

9. Средняя достоверность идентификации логических анкет с учетом кол-ва: -29.372%

10. Среднее количество физич-х анкет, действительно относящихся к классу: 45.080 (100% для п.11 и п.12)

Среднее количество физич-х анкет, действительно не относящихся к классу: 324.920 (100% для п.13 и п.14)

Всего физических анкет: 370.000 (100% для п.15)

11. Среднее количество и % лог-их анкет, правильно отнесенных к классу: 45.080, т.е. 100.000%

12. Среднее количество и % лог-их анкет, ошибочно не отнесенных к классу: 0.000, т.е. 0.000%

13. Среднее количество и % лог-их анкет, ошибочно отнесенных к классу: 139.823, т.е. 43.033%

14. Среднее количество и % лог-их анкет, правильно не отнесенных к классу: 0.000, т.е. 0.000%

15. Средневзвешенная вероятность случайного угадывания принадлежности объекта к классу ( % ): 12.184

16. Средневзвешенная эффективность применения модели по сравнению со случ. угадыванием (раз): 11.408

3-й алгоритм голосования

Всего физических анкет: 370 (100% для п.15)

Всего логических анкет: 2079

4. Средняя достоверность идентификации логических анкет с учетом сходства: -5.834%

5. Среднее сходство логических анкет, правильно отнесенных к классу: 6.895%

6. Среднее сходство логических анкет, ошибочно не отнесенных к классу: 0.103%

7. Среднее сходство логических анкет, ошибочно отнесенных к классу: 14.421%

8. Среднее сходство логических анкет, правильно не отнесенных к классу: 1.795%

9. Средняя достоверность идентификации логических анкет с учетом кол-ва: -27.265%

10. Среднее количество физич-х анкет, действительно относящихся к классу: 87.080 (100% для п.11 и п.12)

Среднее количество физич-х анкет, действительно не относящихся к классу: 282.920 (100% для п.13 и п.14)

Всего физических анкет: 370.000 (100% для п.15)

11. Среднее количество и % лог-их анкет, правильно отнесенных к классу: 82.244, т.е. 94.446%

12. Среднее количество и % лог-их анкет, ошибочно не отнесенных к классу: 4.836, т.е. 5.554%

13. Среднее количество и % лог-их анкет, ошибочно отнесенных к классу: 230.604, т.е. 81.509%

14. Среднее количество и % лог-их анкет, правильно не отнесенных к классу: 52.316, т.е. 18.491%

15. Средневзвешенная вероятность случайного угадывания принадлежности объекта к классу ( % ): 23.535

16. Средневзвешенная эффективность применения модели по сравнению со случ. угадыванием (раз): 6.352

4-й алгоритм голосования

Всего физических анкет: 370 (100% для п.15)

Всего логических анкет: 2079

4. Средняя достоверность идентификации логических анкет с учетом сходства: 8.041%

5. Среднее сходство логических анкет, правильно отнесенных к классу: 4.768%

6. Среднее сходство логических анкет, ошибочно не отнесенных к классу: 0.771%

7. Среднее сходство логических анкет, ошибочно отнесенных к классу: 6.269%

8. Среднее сходство логических анкет, правильно не отнесенных к классу: 10.312%

9. Средняя достоверность идентификации логических анкет с учетом кол-ва: 18.563%

10. Среднее количество физич-х анкет, действительно относящихся к классу: 87.080 (100% для п.11 и п.12)

Среднее количество физич-х анкет, действительно не относящихся к классу: 282.920 (100% для п.13 и п.14)

Всего физических анкет: 370.000 (100% для п.15)

11. Среднее количество и % лог-их анкет, правильно отнесенных к классу: 62.379, т.е. 71.634%

12. Среднее количество и % лог-их анкет, ошибочно не отнесенных к классу: 24.701, т.е. 28.366%

13. Среднее количество и % лог-их анкет, ошибочно отнесенных к классу: 125.941, т.е. 44.515%

14. Среднее количество и % лог-их анкет, правильно не отнесенных к классу: 156.946, т.е. 55.474%

15. Средневзвешенная вероятность случайного угадывания принадлежности объекта к классу ( % ): 23.535

16. Средневзвешенная эффективность применения модели по сравнению со случ. угадыванием (раз): 5.396

5-й алгоритм голосования

Всего физических анкет: 370 (100% для п.15)

Всего логических анкет: 2077

4. Средняя достоверность идентификации логических анкет с учетом сходства: 0.921%

5. Среднее сходство логических анкет, правильно отнесенных к классу: 0.796%

6. Среднее сходство логических анкет, ошибочно не отнесенных к классу: 0.129%

7. Среднее сходство логических анкет, ошибочно отнесенных к классу: 1.301%

8. Среднее сходство логических анкет, правильно не отнесенных к классу: 1.556%

9. Средняя достоверность идентификации логических анкет с учетом кол-ва: 11.209%

10. Среднее количество физич-х анкет, действительно относящихся к классу: 86.993 (100% для п.11 и п.12)

Среднее количество физич-х анкет, действительно не относящихся к классу: 283.007 (100% для п.13 и п.14)

Всего физических анкет: 370.000 (100% для п.15)

11. Среднее количество и % лог-их анкет, правильно отнесенных к классу: 61.184, т.е. 70.332%

12. Среднее количество и % лог-их анкет, ошибочно не отнесенных к классу: 25.809, т.е. 29.668%

13. Среднее количество и % лог-их анкет, ошибочно отнесенных к классу: 138.381, т.е. 48.897%

14. Среднее количество и % лог-их анкет, правильно не отнесенных к классу: 144.476, т.е. 51.050%

15. Средневзвешенная вероятность случайного угадывания принадлежности объекта к классу ( % ): 23.512

16. Средневзвешенная эффективность применения модели по сравнению со случ. угадыванием (раз): 5.132

Режим скоростного распознавания

Всего физических анкет: 370 (100% для п.15)

Всего логических анкет: 2079

4. Средняя достоверность идентификации логических анкет с учетом сходства: 8.058%

5. Среднее сходство логических анкет, правильно отнесенных к классу: 4.813%

6. Среднее сходство логических анкет, ошибочно не отнесенных к классу: 0.775%

7. Среднее сходство логических анкет, ошибочно отнесенных к классу: 6.294%

8. Среднее сходство логических анкет, правильно не отнесенных к классу: 10.315%

9. Средняя достоверность идентификации логических анкет с учетом кол-ва: 18.563%

10. Среднее количество физич-х анкет, действительно относящихся к классу: 87.080 (100% для п.11 и п.12)

Среднее количество физич-х анкет, действительно не относящихся к классу: 282.920 (100% для п.13 и п.14)

Всего физических анкет: 370.000 (100% для п.15)

11. Среднее количество и % лог-их анкет, правильно отнесенных к классу: 62.379, т.е. 71.634%

12. Среднее количество и % лог-их анкет, ошибочно не отнесенных к классу: 24.701, т.е. 28.366%

13. Среднее количество и % лог-их анкет, ошибочно отнесенных к классу: 125.941, т.е. 44.515%

14. Среднее количество и % лог-их анкет, правильно не отнесенных к классу: 156.946, т.е. 55.474%

15. Средневзвешенная вероятность случайного угадывания принадлежности объекта к классу ( % ): 23.535

16. Средневзвешенная эффективность применения модели по сравнению со случ. угадыванием (раз): 5.396

Из анализа этих форм видно, что использование мультимодели и алгоритмов голосования дает результаты идентификации (по большинству категорий), существенно отличающиеся от случайного угадывания (в лучшую сторону).

Из этого можно сделать три важных вывода:

1. В обучающей выборке выявлены взаимосвязи между астрономическими признаками респондентов на момент рождения (астропризнаками) и обобщенными социальными категориями (астросоциотипами), показывающие, что эта выборка существенно отличается от случайной.

2. Знание этих выявленных закономерностей позволяет относить респондентов к обобщенным социальным категориям с достоверностью, значительно превосходящей вероятность случайного угадывания.

3. Достоверность предыдущих двух выводов, как статистических высказываний, составляет значительно более 95 %.

Более подробная информация для оценки достоверности идентификации при применении различных алгоритмов голосования и скоростном распознавании приведена в таблицах 10-15.

ФОРМУЛЫ РАСЧЕТА ПОКАЗАТЕЛЕЙ ДИФФЕРЕНЦИАЛЬНОЙ ВАЛИДНОСТИ (ПО КЛАССАМ):

C04[k] = C05[k] - C06[k] - C07[k] + C08[k]

C09[k] = ( C11[k] - C12[k] - C13[k] + C14[k] ) / ( C11[k] + C12[k] + C13[k] + C14[k] ) * 100

C10[k] = C11[k] + C12[k]

C15[k] = C10[k] / NFiz * 100

C16[k] = C09[k] / C15[k]

где k - класс (соответствует строке)

где NFiz - суммарное количество физических анкет (объектов) в распознаваемой выборке

ФОРМУЛЫ РАСЧЕТА ПОКАЗАТЕЛЕЙ ИНТЕГРАЛЬНОЙ ВАЛИДНОСТИ (СРЕДНЕВЗВЕШЕННОЕ ПО ВСЕМ КЛАССАМ):

Ci = СУММА_по_k( Ci[k] * C10[k] ) / NLog

где i = { 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16 }

где NLog = СУММА_по_k(C10[k]) - суммарное количество логических анкет в распознаваемой выборке

ПРИМЕЧАНИЕ: учтены только результаты идентификации с модулем сходства не менее: 0

Итак, в мультимодели, основанной на солидной базе прецедентов (20007 респондентов) с огромной статистической представительностью категорий (не менее 1000 респондентов на категорию), получены результаты идентификации респондентов тестирующей выборки из 370 респондентов, подобранных таким образом, чтобы их было не менее 10 на категорию.

Полученные результаты идентификации подтверждают, что (см. таблицы 9-14):

1. В созданной с помощью системы "Эйдос-астра" мультимодели выявлены зависимости между астропризнаками респондентов на момент их рождения и принадлежностью этих респондентов к обобщенным социальным категориям (типам).

2. Эти зависимости имеют такую силу, что их знание, по-видимому, может быть успешно использовано для идентификации респондентов по категориям.

3. Методы голосования моделей (коллективы решающих правил) позволяют повысить достоверность полученных результатов идентификации до 21 %, по сравнению с наихудшими частными моделями, поэтому это может представлять не только чисто научный, но, по-видимому, и практический интерес. Полученные результаты показывают, что достоверность идентификации с помощью мультимодели часто в 2,5 раза, а иногда - и в десятки раз превышает вероятность случайного угадывания, значит, их достоверность, как статистических высказываний, в этих случаях выше 95 %.

4. Выявлены категории, по которым уровень достоверности идентификации особенно высок или очень низкий. С учетом этого, предлагается при отнесении респондента системой к категориям второго типа не принимать эти результаты слишком серьезно.

5. Результаты экспериментального тестирования посетителей форума и обращающихся за консультациями в фирму: A&E Trounev IT Consulting (Canada, Toronto) показали, что научные исследования и разработки, описанные в данной статье и работах [8, 13-19], представляют не только научный, но и практический интерес, т.к. совпадение прогноза с фактом является довольно высоким и вполне очевидным как для консультанта, так и для его клиентов.

Некоторые результаты исследования модели

Формулы астросоциотипологии (информационные портреты астросоциотипов, семантические портреты астропризнаков, нелокальные нейроны) [8, 13, 19].

Естественно будет разумным и обоснованным, если формулы астросоциотипологии по каждой из категорий получать в той частной модели, в которой она идентифицируется с наивысшей достоверностью из всех исследованных частных моделей, т.е. с учетом информации, приведенной в таблице 8. В связи с ограниченным объемом данной статьи в качестве примеров приведем не все нелокальные нейроны, а только полученные в тех частных моделях, в которых их не менее двух (таблица 16).

Таблица 16

Нелокальные нейроны сгенерированные системой «Эйдос-Астра», отражающие влияние автропризнаков на принадлежность обладающих ими респондентов к обобщенным астроиоциотипам

В таблице 16 изображения нелокальных нейронов не очень читабельны и для их детального просмотра рекомендуется считать doc-файл статьи и просматривать его в увеличенном масштабе (200-250 %).

Каждый астропризнак несет определенное количество информации о принадлежности или непринадлежности обладающего им респондента к той или иной обобщенной социальной категории. Астропризнаки, несущие информацию о принадлежности (способствующие факторы), соединены с центром красными линиями, а о непринадлежности - синим (препятствующие факторы). Таким образом, цвет линии несет информацию о знаке или направлении влияния астропризнака. Толщина линии отражает силу влияния данного астропризнака: чем толще линия, тем сильнее влияние. На каждой линии в маленьком кружочке сила и знак влияния указаны в виде числа, представляющего собой процент от теоретически-максимально-возможной (ТМВ) силы влияния. ТМВ сила влияния полностью определяется количеством обобщенных категорий в модели и представляет собой просто количество информации, которое мы получаем, когда точно узнаем, что респондент относится к той или иной категории. Это количество информации рассчитывается по формуле Хартли для количества информации как двоичный логарифм от количества категорий. В нашем случае во всех частных моделях исследовалось 37 категорий, поэтому ТМВ-сила влияния равна Log₂(37)=5.209 бит.

Каждому нелокальному нейрону соответствует информационный потрет обобщенной социальной категории (класса, социотипа), который выводится системой "Эйдос" в текстовой и графической форме. В текстовой форме информация может быть представлена полнее, чем в графической (больше астропризнаков, точнее сила влияния), но менее наглядно, поэтому в графической форме отображается наиболее значимая информация, а незначимая отфильтровывается. Для примера приведем полностью информационные портреты социотипов с кодами: "k1", "k3" и "k11" из частной модели с двумя секторами, в которой они идентифицируются с наивысшей достоверностью из всех изученных частных моделей (таблицы 17, 18, 19). Для примера выбрана модель именно с двумя секторами, т.к. в этой модели размерность информационных портретов классов самая низкая.

В информационных портретах цветом отмечены астропризнаки, отображенные в нелокальных нейронах:

- светло-желтым - астропризнаки, способствующие принадлежности респондента к данному социотипу;

- а светло-зеленым - препятствующие.

Незначимые признаки можно отфильтровывать из информационных портретов по порогу, заданному в диалоге. Кроме того, в системе "Эйдос" реализованы другие различные виды фильтрации, ...