Коллектив авторов - Личностный потенциал. Структура и диагностика

Второй (эмпирический) подход – от частного к общему – строится на основе эмпирических данных: решаются уравнения, отражающие эмпирические зависимости между переменными. Полученные решения интерпретируются и объясняются с точки зрения имеющихся теорий (или строятся новые) ( Петренко, Митина , 1997; Митина, Петренко , 1999; Mitina, Abraham, Petrenko 2002; Abraham, Mitina, Petrenko, 2001; Guastello , 1995; 2002).

Корректное применение методологии синергетики для изучения феноменологии социальных и гуманитарных наук не допускает безусловного переноса моделей без учета различий в исследуемых системах, предполагает обязательную их адаптацию. Следует также помнить, что, прежде чем применять нелинейные модели, следует попробовать традиционные «линеаризованные» схемы. Если они работают, то не следует отказываться от них.

В качестве примера рассмотрим ситуацию изучения поведения колебательных систем. Идея того, что энергия, движущая структуру психического, питающая волю, чувства и действия, влияющая на отношения, интересы и возможности, подчиняется принципу энантиодромии, что дословно означает «возвращающиеся колебания маятника», принадлежит Юнгу (1994). Эго может увеличить поток энергии в сторону одной из крайностей, но в конечном итоге, индивид, сознательно или бессознательно, должен вернуться обратно: напряжение – расслабление, открытие – закрытие, оценка – решение. Находясь в динамическом равновесии, психика движется как прогрессивно (внешняя адаптация), так и регрессивно (внутренняя адаптация) ( Hampden-Turner , 1981). Внутригрупповое взаимодействие или функционирование отдельных индивидов, психические процессы которых (на разных уровнях от психофизиологии до ценностных отношений) являются колебательными режимами, очевидно, также определяет колебательные системы уже на уровне социума.

В психотерапии нашла применение известная модель Лотки – Вольтерра, возникшая в биологии для описания совместного обитания в одном водоеме двух популяций – жертв и хищников, задаваемая системой обыкновенных дифференциальных уравнений. В самом простом виде это выглядит так:

x’=ax – bxy — скорость изменения численности популяции жертв,

y’=cxy – dy — скорость изменения численности популяции хищников, где a, b, c и d – положительные константы.

Оценка управляющих параметров, полученных в результате анализа модели (например, сопоставления эмпирических данных с моделью при нелинейной регрессии) дает возможность реально влиять на процесс (см. подробнее Митина, Петренко , 2002).

Эта же модель позволяет описывать процесс формирования иерархии мотивов, потребностей, удовлетворяющих их актов и намерений, смысловой сферы, причем охватить достаточно широкий спектр психологических теорий – от бихевиоризма до гуманистических теорий. При формировании мотивационно-потребностной сферы роль «жертв» играют базисные потребности более низкого порядка, создающие первичное напряжение, «питающее» потребности более высокого порядка ( Петренко, Митина , 2002). Американский исследователь Г. Сабелли ( Sabelli , 2001, 2002) выделил специальные хаотические режимы, свойственные живым и социальным системам, называя их байосом («byos» по аналогии с «chaos»). Строго говоря, байос задается разностным уравнением Y j+1 =Y j + λ sin Y j при достаточно больших λ. Внешне график уравнения байоса похож на график логистического уравнения и описываемые им процессы при соответствующих значениях управляющего параметра λ по-прежнему удовлетворяют условиям детерминированного хаоса (апериодичны, чувствительны к начальным условиям, неустойчивы); на шкале в направлении от детерминированных процессов к стохастическим они занимают положение, соответствующее самым ранним симптомам возникновения детерминированного хаоса. Выделяются эпизодические паттерны с явно выраженным началом и окончанием, существует конечное число аттракторов и низкий процент рекурсий, распределение является ассиметричным. Образно говоря, если синонимом хаоса является непредсказуемость, то синонимом байоса является новизна.

Интеллектуальные нейронные сети

Интеллектуальные нейронные сети (ИНС) стали использовать в 40-х гг. XX века применительно к задачам, связанным с вычислительными и информационными технологиями. Ведущую роль здесь сыграли американские математики, предложившие заимствовать принципы организации и функционирования биологических нейронных сетей для решения задач, связанных с анализом и обработкой информации в электронных вычислительных системах (У. Маккалох, Д. Хебб, Ф. Розенблатт, М. Минский, Дж. Хопфилд) ( Джейн, Мао, Моиуддин , 1997; Круглов, Борисов , 2001; Bar-Yam , 2003). Термин «интеллектуальная нейронная сеть» получил официальное признание в середине 1950-х гг. Термин «интеллектуальная» используется, чтобы отличить компьютерные нейронные сети от биологических. Таким образом, под ИНС подразумеваются алгоритмы, построенные по аналогии с представлениями середины прошлого века о процессах взаимодействия нейронов в человеческом мозге и реализующие распределенные и параллельные системы получения, передачи и обработки сигналов, адаптирующиеся в ходе своего функционирования. За более чем полвека ИНС получили широкое распространение в области задач искусственного интеллекта. Они широко используются в экономике для предсказания, например, ситуаций на финансовом рынке; в медицине для диагностики различных болезней; в экологии для контроля окружающей среды; в политологии и социологии для предсказания результатов политических выборов, кризисных ситуаций в общественном сознании; для решения задач, связанных с распознаванием визуальных и звуковых образов; для моделирования принятия решений в проблемных ситуациях и др. ( Горбань, Дунин-Барковский, Кирдин и др., 1998; см. также URL: http://cs.mipt.ru/docs/comp/rus/develop/neuro/nauroinform/main.pdf).

Задачи, решаемые с помощью нейронных сетей, можно свести к следующей математической постановке. Необходимо построить отображение X→Y такое, чтобы на каждый возможный входной сигнал X формировался правильный выходной сигнал Y . Отображение задается конечным набором пар (<���известный вход>, <���известный выход>). Число таких пар (обучающих примеров) существенно меньше общего числа возможных сочетаний значений входных и выходных сигналов. Совокупность всех обучающих примеров носит название обучающей выборки. Большая часть прикладных задач может быть сведена к реализации сложного многомерного функционального преобразования. Выделяют следующие типы задач, решаемые в интеллектуальных нейронных сетях.

Классификация образов.Требуется указать принадлежность входного образа X (например, речевого сигнала или рукописного символа), представленного вектором признаков, к одному или нескольким предварительно определенным классам Y : распознавание букв, распознавание речи, классификация сигнала электроэнцефалограммы, типологизация людей в соответствии с их личностными характеристиками.