Эмоциональности к чему к компьютерной программе
Способ мышления влияет на восприятие окружающей среды — это факт. Тем не менее данный факт обычно не принимается во внимание и уж тем более не анализируется достаточно глубоко, в соотношении с повседневной жизнью. Это кажется мне странным — так как от нашего восприятия зависит любая интеракция с тем самым внешним миром, а также и обратная связь с ним. В результате — мы все обычно даже и не задумываемся о том, от чего зависит наша жизнь, наше окружение и эмоциональное состояние.
Хотя, может все таки не все мы? Быть может у программистов с таким самоанализом дела обстоят несколько иначе? Надеюсь что это так, и подобные мысли возникают не у меня одного. В качестве более наглядного примера произведу тут небольшой самоанализ, возможно он поможет кому нибудь взглянуть на обыденные вещи немного с другой стороны. Быть может мое мышление на самом деле ошибочно и сообщество укажет мне на это. Все может быть, но пока-что слишком рано подводить какие либо итоги, так что — приступим!
Как думает программист
Давайте все таки вернемся к теме. Как же я думаю? Прежде всего структурировано. Многолетний опыт использования функций, классов, паттернов, разделения front-end'а от back-end'а оставляет свой след в психике. Позволю себе допущение — что это даже не всего лишь след а колосальная перестройка нейронных связей и алгоритмических/логарифмических функций мозга. Естественно, это всего лишь допущения, не обоснованные ни на каких исследованиях но мне кажется что в этом есть смысл. Во всяком случае я не могу отрицать тех изменений которые произошли в самом процессе моего мышления за эти годы.
И так — что мы имеем? Мышление типичного программиста имеет следующие характеристики:
- оно структурировано
- присутствует очень резкое осознание причинно следственных связей
- возможен глобальный анализ как самой сути проблемы, так и локальный — отдельных ее составляющих
- осознанно создаются «поведенческие паттерны» на разные ситуации
- гипертрофированно значение логики, эмоции отодвигаются на второй план или даже полностью удаляются
- высокий уровень само-обучаемости (хотя это врожденная функция, предполагаю что многолетняя работа программистом ее развивает)
Как это отражается на его восприятии
Предполагаю что нам программистам, легче воспринимать мир таким какой он есть. Прежде всего потому, что благодаря высокой степени аналитических составляющих нашего мышления — мы в состоянии пробиваться через барьеры информационного шума и видеть вещи в их истинном обличии.
Думаю, многих из нас иногда посещают мысли об искусственной натуре нашего мира — связанно это с тем, что мы сами создаем свои миры. Кто-то маленькие, кто-то большие, но принцип один и тот же. Потенциально это опасное качество. В будущем это может провоцировать развитие разных психических отклонений — таких как, к примеру, шизофрения.
Отдельным аспектом восприятия мира программистом является его отрешенность от эмоциональной составляющей. С одной стороны это может казаться плюсом, так как позволяет разрешать разные конфликтные ситуации в меру спокойно и выгодно для всех сторон или эффективно работать в условиях повышенной напряженности. С другой же — возможны проблемы в личной жизни. Незаметно привыкая к постоянному притуплению собственной эмоциональности программист перестает это замечать, и теряет контроль. Эффектом является огромный процент одиноких профессионалов высокого класса.
Еще одним последствием приглушения эмоциональности является искажение восприятия внешнего мира. Без радости, любви, печали или злости — он превращается в техногенный, серо-зеленый мир Матрицы. Работа, сон, работа… Сдается мне что такая ситуация будет мало кого радовать.
Что возвращает вселенная
Программист он и в Индии — программист. По моему с этим никто не поспорит. Мало кто из нашего братства живет в нищете. Даже если — это чаще всего является осознанным выбором. Думаю, вследствие своих приобретенных качеств — программисты могут добиться значительных высот, если только захотят.
Вот тут как раз и содержится самый интересный момент моих размышлений. Совокупность этих качеств предоставляет программисту уникальную возможность — правильно определить свои жизненные цели на достаточно раннем этапе.
И она-же, совокупность, дает возможность внести корректировки в проблемные, или потенциально опасные для данного индивидуума элементы восприятия.
Проще говоря — по моему глубочайшему убеждению, программисты являются сами для себя отличными психотерапевтами и психоаналитиками. Но опять же — только если этого захотят.
Послесловие
Данная тема естественно затронута тут весьма поверхностно, и требует экспериментов с целью подтверждения (или опровержения) поставленных гипотез, но лично для меня — это все очень близко к тому что происходит внутри.
Я очень рад, что в свое время, будучи ребенком увлекся Pascal и продолжал продвижение по пути программиста несмотря на многочисленные преграды. В противном случае я был бы другим человеком.
Также я рад своему решению не получать высшее образование. Благодаря этому я могу изучать то что мне надо, в той степени в которой мне надо и в том режиме, который мне подходит. И мой мозг при этом не забит устаревшими предустановками и шаблонами. Чего и всем желаю.
Развитие компьютерных технологий и распространение интернета оказывает влияние как на общество в целом, так и на отдельных его представителей. Повседневный и фактически мгновенный доступ к огромному количеству источников информации в виде различного рода контента — от текстового до интерактивного, не может не воздействовать на человеческую психику, и многие специалисты уже давно задумываются о том, каков именно механизм этого воздействия, и может ли с его помощью осуществляться пресловутое «программирование психики».
Влияние компьютера на психику
Все знают, что долгое времяпрепровождение за экраном монитора может навредить зрению, однако не каждый задумывается о том, к каким ещё проблемам приводит такой вид досуга.
Пренебрежение простыми правилами пользования персональными компьютерами часто приводит к проблемам с суставами, костно-мышечным аппаратом, варикозному расширению вен, проблемам со сном и многим другим, негативно влияющим на общее состояние здоровья человека. Однако всё это – лишь видимая часть айсберга, и зачастую чрезмерное увлечение компьютерной техникой оказывает влияние не только на физическое, но и на психологическое состояние человека. Речь идёт о видах компьютерной зависимости.
Интернет-зависимость: инфомания и игромания
Современные психологи выделяют две наиболее серьёзные «патологии», связанные с зависимостью от компьютера и интернета:
Для того чтобы понять, что из себя представляют оба недуга, необходимо рассмотреть каждый из них в отдельности.
Со времён появления первых компьютерных игр психологи всего цивилизованного мира утверждали, что чрезмерное увлечение ими способно вызвать у пользователей зависимость, по многим характеристикам сходную с зависимостью от алкоголя или наркотиков. Игроманию уже сегодня многие называют бичом современного общества, а в некоторых государствах налажено стационарное её лечение.
Справка! Инфоман, в отличие от игромана, получает удовольствие от сетевого общения. Игроману же вполне достаточно игры в виде «собеседника», а также предпринимаемых в игровом процессе действий.
На фоне вышесказанного так называемые онлайн-игры, в которых пользователь получает возможность не только играть, но и круглосуточно общаться с другими игроками, видятся самой благодатной почвой для развития обеих болезней. Зависимость от игр или общения в сети можно определить по следующим признакам:
- необоснованной, нехарактерной для обычного состояния человека радости при получении доступа к сети;
- раздражительности и злобе при попытках прервать игру или общение;
- постоянному увеличению проводимого за экраном времени;
- пренебрежительности, отсутствию эмпатии.
Программы, воздействующие на психику
Даже если не углубляться в эзотерику и особенности возможного гипнотического воздействия различных компьютерных программ на психологическое состояние человека, можно выделить несколько способов воздействия на мозг при помощи программных средств.
С помощью цвета
Многим из школьных или университетских курсов психологии знакома простая методика теста Люшера — испытуемый выбирает из предоставленной ему группы карточек наиболее приглянувшуюся ему по цвету. Опытный психолог по результатам этого теста может сделать немало выводов о личности человека и его психоэмоциональном состоянии. При помощи этого же теста возможно оказать влияние на текущее состояние испытуемого. Если предлагать цвета по определённой программе, можно несколько изменить состояние человека в ту или иную сторону.
Если говорить простыми словами, то цветовая гамма, которая предстаёт взору пользователя на экране, способно пусть косвенно и в небольшой мере, но всё же ощутимо влиять на его настроение и состояние. Грамотно сконструированная видеоигра может влиять на эмоции игрока одним только правильным подбором цвета, не говоря уже о прочих аспектах.
Справка! Эффект от воздействия того или иного цвета на психику человека не может быть однозначным и зависит зачастую от целого ряда условий.
С помощью звука
Ещё со времён Второй Мировой военные учёные со всего мира экспериментируют с природой звука, изучая и используя показатели частоты, тональности, ритма и мелодики для влияния на психоэмоциональное состояние животных и людей. Отличными примерами в этом случае могут послужить:
- записи аутотренинга;
- аудиокниги;
- зачитываемые профессиональными психотерапевтами тексты.
Таким образом, изменять настроение и эмоциональный фон людей возможно и при помощи «игры» со звуком.
С помощью изменения скорости
Эффект лёгкого ошеломления от «перехода в реальность», который испытывал хотя бы раз каждый пользователь, всерьёз увлекавшийся компьютерными играми – это чаще всего последствие изменения скорости внутри игр, в которые он играл. Как показывают исследования, даже небольшое изменение внутриигровой скорости способно вызывать сильнейшую психофизиологическую реакцию в сознании пользователя. Связано это со спецификой устройства нашего мозга, который «настроен» на то, чтобы достигать целей по определённым алгоритмам и в определённом темпе.
Посредством изменения модальности
Нейролингвистическое программирование – довольно известная в наши дни наука, и специалисты по ней давно уже привлечены к работе в игровой и компьютерной индустрии. Для последней использование НЛП заключается в том, чтобы размещать в нужных областях экрана необходимые «стимулы» для взаимодействия с пользователем по тому сценарию, который выгоден производителю контента.
В качестве простейшего примера использования НЛП в реальной жизни можно привести следующий: пациент на приёме у дантиста ощутит меньше болевых ощущений, если направит взгляд вверх, так как в этом случае мозг большую часть своих «ресурсов» отдаёт визуальному восприятию. Глаза в этом случае – своего рода переходный пункт, через который, умело используя приёмы НЛП, можно добраться фактически до всех областей человеческого сознания.
Аннотация научной статьи по психологическим наукам, автор научной работы — Хазова Светлана Абдурахмановна
В статье рассматриваются личностные особенности подростков с признаками игровой компьютерной зависимости. Показано, что ряд личностных особенностей (высокая личностная тревожность, высокая негативная эмоциональность, низкий уровень эмпатии), а также негативная коммуникативная установка выступают причинами коммуникативных трудностей этой группы подростков .
Похожие темы научных работ по психологическим наукам , автор научной работы — Хазова Светлана Абдурахмановна
Communicative complications in teenagers with signs of computer games addiction
Personal properties of teenagers with signs of computer games addiction are examined in the article. It is shown that range of personal peculiarities (high personal uneasiness, high negative emotionality, low empathy level) as well as negative communicative attitude act as reasons for this teenagers ' group communicative complications .
Текст научной работы на тему «Коммуникативные трудности подростков с признаками игровой компьютерной аддикции»
Хазова Светлана Абдурахмановна
кандидат психологических наук, доцент Костромской государственный университет им. Н.А. Некрасова
КОММУНИКАТИВНЫЕ ТРУДНОСТИ ПОДРОСТКОВ С ПРИЗНАКАМИ ИГРОВОЙ КОМПЬЮТЕРНОЙ АДДИКЦИИ*
В статье рассматриваются личностные особенности подростков с признаками игровой компьютерной зависимости. Показано, что ряд личностных особенностей (высокая личностная тревожность, высокая негативная эмоциональность, низкий уровень эмпатии), а также негативная коммуникативная установка выступают причинами коммуникативных трудностей этой группы подростков.
Ключевые слова: игровая компьютерная аддикция, подростки, личностные особенности, коммуникативные трудности.
Мировая статистика свидетельствует о повсеместном и неуклонном увеличении лиц, страдающих той или иной формой зависимости. Пагубные привычки или пристрастия к чему-либо (addiction) в последнее время приобрели новые формы: с интенсивной компьютеризацией школ для российских школьников все более реальным становится формирование компьютерной зависимости. По наблюдениям педагогов и родителей, это вызывает значительные проблемы, связанные с социализацией детей, физическим и даже психическим здоровьем. По результатам анкетного опроса, проведенного М.С. Ивановым, 80% учащихся 5-7 классов общеобразовательных школ увлекаются компьютерными играми, причем многие увлекаются достаточно серьезно: дети в возрасте 10-12 лет имеют «игровой опыт» 4-6 лет [2]. Между тем, в ряде исследований было показано существенное влияние компьютера на снижение интереса к чтению и общению со сверстниками за счет их вытеснения «общением с компьютером», снижение фантазии и способности создавать собственные визуальные образы, на развитие эмоциональной незрелости, безответственности, снижение эффективности некоторых видов памяти (М. Коул, Ш. Текл, Ю.Д. Бабаева, А.Е. Вой-скунский, В.Н. Сонькин, О.В. Стукова, Ю.В. Фомичева, А.В. Федоров, А.Г. Шмелев, С.А. Шапкин).
Несомненным остается тот факт, что символическое содержание, представленное в компьютерных играх, оказывает сильное воздействие на развитие личности современного ребенка, влияет на социально-психологическое здоровье детей и подростков, вызывает возникновение компьютерной зависимости. Компьютерная игровая зависимость принадлежит к группе нехимических зависимостей, включающих, помимо гэмблинга, аддикции отношений, работоголизм, транжирство, шоппинг, интернет-аддикции, клептоманию, сексуальную аддикцию [2; 3].
С.В. Дремов с соавторами выделяет гэмблинг как особую форму аддикций и приводит ряд при-
знаков, характерных для азартных игр как одного из видов аддиктивного поведения: 1) постоянная вовлеченность, увеличение времени, проводимого в ситуации игры; 2) изменение круга интересов, вытеснение прежних мотиваций игровой, постоянные мысли об игре; 3) потеря контроля, выражающаяся в неспособности прекратить игру; 4) состояния психологического дискомфорта, раздражения, беспокойства, развивающиеся в период между играми; 5) нарастающее снижение способности сопротивляться соблазну [1]. А.Е. Войскунский пишет о том, что для квалификации аддикции достаточно эмоциональной привязанности человека к тем ощущениям и чувствам, которые дарит следование аддиктивным формам поведения [2].
Н.В. Чудова выделяет у лиц, страдающих Интернет-зависимостью, ряд специфических черт: трудности принятия собственного тела, склонность к интеллектуализации, негативизму, эмоциональную напряженность, необщительность, чувство одиночества, заниженную самооценку, гиперболизированные представления об идеальном «Я», склонность к уходу от проблем и избеганию ответственности, существование одной или более фрус-тированных потребностей [9]. Как следствие, происходят изменения в личностной, социальной и межличностной сферах.
Однако, несмотря на значительное количество исследований в данной проблемной области, остается открытым вопрос о механизмах и личностных предпосылках возникновения компьютерной игровой зависимости, о наличии специфических личностных особенностей гэмблера. Малоизученными являются и их коммуникативные особенности.
Исходя из вышесказанного, нами было реализовано исследование личностных особенностей подростков с признаками компьютерной зависимости [7, 8]. Исследование проходило в два этапа. На первом этапе изучались такие личностные особенности, как тревожность, нейротизм, экстра-, инт-роверсия, агрессивность, и их влияние на выраженность компьютерной аддикции. На втором этапе
* Исследование проводится при финансовой поддержке РГНФ. Проект № 13-16-44001а.
Вестник КГУ им. Н.А. Некрасова ♦ 2013, Том 19
предметом исследования были коммуникативные особенности - уровень развития эмпатии, общительности, коммуникативная установка.
На основании анкеты нами были выделены подростки, имеющие признаки игровой компьютерной зависимости (n=32), что составляет 58,2% от общего количества респондентов и превышает показатели (10%), представленные в соответствующей литературе (K.S. Young, M.D. Griffiths, H. Cash, J. Parker). В свою очередь эта группа, исходя из среднего арифметического и стандартного отклонения (M=32,45; Std Dev=8,77), была поделена на две: имеющую высокий уровень (основная группа исследования, n=16) и низкий уровень выражен-
ности признаков компьютерной аддикции (контрольная группа, п=16).
Представим результаты исследования личностных особенностей и их влияния на выраженность игровой компьютерной аддикции. Результаты диагностики тревожности позволяют говорить о том, что преобладающим уровнем и личностной, и ситуативной тревожности в обеих группах является умеренный (81%-94% респондентов для личностной и 44%-94% для ситуативной), однако в контрольной группе зафиксирован и высокий уровень личностной тревожности (7% от выборки), и высокий уровень ситуативной (31% против 6%в контрольной группе), хотя статистически достоверных различий выявлено не было. В принципе, можно говорить о том, что подростки с признаками ад-дикции несколько больше склонны к появлению состояния тревоги, им свойственна напряженность, беспокойство, нервозность в значимых для них ситуациях, особенно в ситуациях оценки их компетентности.
На следующем этапе нашего исследования мы рассматривали роль влияния нейротизма, экстра-, интроверсии и психотизма на выраженность игровой компьютерной зависимости у подростков. Здесь, как и в предыдущем случае, преобладающим является средний уровень (его демонстрируют от 63 до 94% школьников), однако у подростков из основной группы статистически достоверно ниже уровень экстраверсии (и=71,5, р=0,033) и выше уровень нейротизма (Ц=65,5, р=0,018). По показателям психотизма различий выявлено не было. Эти данные служат основанием для выводов об отрицательной роли негативной эмоциональности (в том числе лабильности, беспокойства, впечатлительности, нервозности, раздражительности) и интровер-сии в структуре личности зависимого подростка, демонстрирующего замкнутость, эмоциональною неустойчивость, что снижает адаптивность, может провоцировать возникновение депрессивных состояний, что вообще типично для людей, склонных к проявлению аддиктивного поведения.
Результаты исследование агрессии и ее различных проявлений (физическая агрессия; вербальная
Результаты диагностики показателей и форм агрессии в экспериментальной и контрольной группах (в %)
Показатель или форма агрессии Экспериментальная Контрольная
низкий высокий низкий высокий
Физическая агрессия 19 81 56 44
Вербальная агрессия 25 75 50 50
Косвенная агрессия 19 81 37,5 62,5
Негативизм 6 94 19 81
Раздражение 12,5 87,5 50 50
Подозрительность 37,5 62,5 37,5 62,5
Обида 12,5 87,5 25 75
Чувство вины (аутоагрессия) 31 69 44 56
Педагогика. Психология. Социальная работа. Ювенология. Социокинетика ♦ N° 3
агрессия; косвенная агрессия; негативизм; раздражение; подозрительность; обида; аутоагрессия и чувство вины) (табл. 1) позволяют говорить о более высоком уровне у аддиктов практически всех видов агрессии за исключением подозрительности, однако статистически это подтверждается только для вербальной агрессии (и=71, р=0,031) и раздражения (и=55,5, р=0,005).
Высокие результаты по шкале «вербальная агрессия» предполагают склонность человека к выражению негативных чувств как через форму (ссора, крик, визг), так и через содержание словесных обращений к другим лицам (угрозы, проклятия, ругань). Высокие показатели по шкале «раздражение» предполагают склонность у респондентов экспериментальной группы к раздражению, вспыльчивости, резкости и грубости.
В целом исследования личностных особенностей игровых компьютерных аддиктов позволяют рассматривать их негативную эмоциональность, интеровертированность, а также агрессивные модели поведения как определенные психологические барьеры в сфере межличностного взаимодействия и причины затрудненного общения, затрагивающие сферы установок, эмоционально-волевых характеристик, социально-психологических свойств личности [5].
Эти результаты получили подтверждение в исследовании особенностей общения и коммуникативных качеств личности подростков с признаками компьютерной аддикции.
Исследование коммуникативных качеств подростков с признаками компьютерной аддикции. В исследовании приняло участие 60 подростков, проживающих в г. Костроме и с. Парфеньево Костромской области в возрасте 13-15 лет. Выборка была разделена на две равные группы (п=30) в соответствии с наличием/отсутствием признаков компьютерной аддикции. Методический аппарат исследования включал: 1) Опросник на углубленный интерес (компьютерную зависимость) (И.В. Смирнова, 2004); 2) Методику для диагностики способности к эмпатии А. Мехрабиана, Н. Эпштейна; 3) Методику диагностики уровня общительности В.Т. Ряховского; 4) Методика диагностики способности к умению слушать; 5) Методику диагностики коммуникативной установки В.В. Бойко, позволяющую помимо общей негативной установки диагностировать завуалированную жесткость в отношениях к людям, в суждениях о них, открытую жесткость в отношениях к людям, обоснованный негативизм в суждениях о людях, склонность делать необоснованные обобщения негативных фактов в области взаимоотношений с партнерами и в наблюдении за социальной действительностью, негативный личный опыт общения с окружающими; 6) Анкету для подростков, составленную в соответствии с целью исследования.
Важнейшим результатом исследования являются статистически достоверные различия между подростками с признаками компьютерной зависимости и их сверстниками по способности к эмпатии (и=96,5, р=0,000), умению слушать (и=150,5, р=0,000), уровню общительности (и=131,0, р=0,000), а также коммуникативной установке (и=237,5, р=0,001), проявляющейся наиболее ярко в обоснованном негативизме (и=290,5, р=0,018) и наличии негативного опыта общения (и=266,0, р=0,006). Эти данные убедительно показывают снижение коммуникативных способностей и слабое развитие коммуникативных качеств у компьютерных аддиктов, проявляющих меньше чуткости, отзывчивости к другим людям, демонстрирующих негативное и излишне критическое отношение к окружающим. Интересен факт наличия негативного опыта общения, который, вероятно, и повлиял на формирование соответствующей коммуникативной установки, снижение общительности, предпочтение виртуального пространства реальному пространству межличностного взаимодействия.
Данные сравнительного анализа подтверждаются анализом корреляций. Так, зафиксированы связи негативного опыта общения и уровня общительности (ге=0,335, р=0,008); показателя (балл) компьютерной зависимости, с одной стороны, и негативизма (ге=0,320, р=0,01), негативной коммуникативной установки (ге=0,307, р = 0,016), а также негативного опыта общения (^=0,259, р=0,044), с другой. Таким образом, компьютерная зависимость характеризуется отрицательным проявлениями в сфере межличностного взаимодействия. Причинно-следственные связи могут иметь индивидуальную специфику: одним из вариантов может быть влияние негативного опыта общения на формирование коммуникативной установки и далее - зависимости, которая будет носить компенсаторный характер по отношению к неудачам в общении. В другом случае, именно чрезмерная увлеченность компьютером может порождать отсутствие навыков эффективного межличностного взаимодействия.
Необходимо сказать несколько слов о результатах анкеты, позволяющих констатировать следующее:
- подростки с признаками компьютерной игровой зависимости проводят за компьютером в 24 раза больше времени - 4-7 часов против 1-2 у их сверстников, а 23% из них проводят за компьютером все свободное время;
- они считают компьютер лучшим, незаменимым другом 53,5%, с которым интереснее проводить время, чем с реальными людьми (3,3% в контрольной группе; ф*=6,12, р=0,000);
- однако используют его для учебы только 16% из них (ф*=3,27, р=0,00);
- 10% из подростков-аддиктов говорят, что компьютер спасает от одиночества (ф*=2,51, р=0,00), отвлекает от проблем (ф*=2,51, р=0,00);
Вестник КГУ им. Н.А. Некрасова ♦ 2013, Том 19
- тем не менее 30% аддиктов считает, что у них достаточно друзей, 7% не видит в их наличии необходимости.
Вероятно, можно говорить о том, что подростки начинают увлекаться компьютером не только из-за разнообразия компьютерных игр, технологий, но и из-за недостатка общения со сверстниками, родителями, так как могут испытывать трудности в установлении межличностных контактов, могут являться аутсайдерами в классе, поэтому компьютер становится лучшим другом, помощником от стресса и одиночества.
Таким образом, и в этом исследовании у подростков с выраженными признаками компьютерной проявляются негативная направленность на межличностное взаимодействие, враждебные установки и негативное окрашенные эмоции в общении, низкий уровень эмпатии и общительности.
Подростки с выраженными признаками компьютерной игровой аддикции характеризуются рядом личностных особенностей, затрудняющих межличностное взаимодействие. Своеобразной компенсацией коммуникативных неудач выступают компьютерные игры, которые позволяют справляться с негативными эмоциями, одиночеством, отвлекают от проблем.
Личностными особенностями, провоцирующими трудности в общении и одновременно являющимися результатом этих трудностей, являются высокий уровень интроверсии, нейротизм, негативизм и негативная коммуникативная установка, низкий уровень общительности. Важную роль играет низкий уровень эмпатии, в совокупности с вышеперечисленными особенностями затрудняющий устанавление эмоционально близких отношений.
1. Дремов С.В., Уразаев А.М., Мамышева Н.Л., Малиновский И.В. Аддиктивные состояния человека. - Томск: ТГПУ, 2000.
2. Войкунский А.Е. Актуальные проблемы зависимости от Интернета // Психологический журнал. - 2004. - Т. 25. - № 1. - C. 90-100.
3. Иванов М.С., Авилов Г.М. Психологическая характеристика ролевой компьютерной зависимости сегодня. - Кемерово: Кузбассвузиздат, 2002.
4. Короленко И., Загоруйко Е. Бегство от реальности. Проблемы аддиктивного поведения // Социально-педагогический журнал для социальных работников и педагогов. - 2005. - № 2. - С. 43-44.
5. Самохвалова А.Г. Коммуникативные трудности ребенка: проблемы, диагностика, коррекция. -СПб.: Речь, 2011.
6. Смирнова И.В. Зависимость от Виртуального мира: как уберечь подростка от этой напасти? // Директор школы. - 2004. - № 6. - С. 95-99.
7. Хазова С.А. Когнитивные ресурсы совлада-ющего поведения: эмпирические исследования. -Кострома: КГУ им. Н.А. Некрасова, 2010.
8. Хазова С.А. Коммуникативные способности и социальный интеллект в социальном поведении в ранней юности // Вестник Костромского государственного университета имени Н.А. Некрасова. Серия: Педагогика. Психология. Социальная работа. Ювенология. Социокинетика. - 2012. - Т. 18. -№ 1. - С. 192-197.
9. Чудова И.В. Особенности образа «Я» «жителя Интернета» // Психологический журнал. -2002. - Т. 22. - № 1. - С. 113-117.
10. Шапкин С.А. Компьютерная игра: новая область психологических исследований // Психологический журнал. - 1999. - Т. 20. - № 1. - С. 86-102.
Педагогика. Психология. Социальная работа. Ювенология. Социокинетика ♦ № 3
Рассмотрим, как это работает – проанализируем ряд статей на основании датасета Linis Crowd. Предлагаем определить, какие модели наиболее перспективны, например, для разработки всевозможных сервисов мониторинга. В качестве предметной области выберем статьи технического характера (например, на Хабре), что может быть полезно для реализации автоматического сбора мнений.
Тональность – выявление в текстах эмоционально окрашенной лексики, а также эмоциональной оценки мнений, высказанных авторами.
Для одного из внутренних проектов исследовательского характера мы разобрали, с помощью каких инструментов можно решить задачу по сентимент-анализу. Делимся этапами анализа и полученными результатами, которые могут быть полезны для тех специалистов, которые сейчас находятся на первых этапах знакомства с этой областью знаний.
Что мы делали
Задача: определить тональность текстов технического характера на Хабре. Ожидаемый результат – оценка тональности с точностью около 70-80%, как правило, наблюдаемой при анализе естественного языка.
Для решения этой задачи зачастую используют следующие основные алгоритмы:
Статистический метод. Для его использования необходимы заранее размеченные по тональности коллекции (корпуса) текстов. Они служат для обучения модели, с помощью которой и происходит определение тональности текста или фразы.
Метод, основанный на словарях и правилах. Для этого нужно заранее составить словари позитивных и негативных слов и выражений. Этот метод может использовать как списки шаблонов, так и правила соединения тональной лексики внутри предложения, основанные на грамматическом и синтаксическом разборе.
-1 – текст с отрицательной окраской
0 – нейтральный;
1 – положительный текст;
При этом для выполнения анализа нужно было решить 2 дополнительные задачи:
Подбор русскоязычного датасета с размеченной тональностью для обучения системы. В ходе исследования мы убедились, что таких датасетов не очень много, и после их оценки приняли решение использовать корпус Linis Crowd.
Создать алгоритм для автоматической подготовки датасета, чтобы дать на обучение модели сформулированные тексты в рамках заданной предметной области. Для этого был использован скрипт на python, который подбирает нужный текст из корпуса текстов по имеющимся ключевым словам на техническую тематику.
Что мы использовали
Поскольку в рамках исследовательской задачи у нас не было жестких требований к полученному веб-приложению, мы выбрали легковесный фреймворк Flask, который позволяет быстро разработать веб-приложение без лишнего функционала.
Библиотека nltk для исключения стоп-слов русского языка. На ее основе мы создали свой словарь с исключением слов, не влияющих на тональность.
Для векторизации текста и удобной работы с моделями машинного обучения мы использовали открытую библиотеку Fasttext. Она является модификацией привычного всем в мире эмбединга Word2Vec и хорошо подходит для морфологически богатых языков, в том числе русского языка, рассматриваемого в задаче. Полученные из векторов тексты мы отправляли в модель и после этого выполняли расчет тональности. Для этого мы выбираем первые 500 слов, которые прошли обработку с исключением.
Принцип работы Fasttext поясняют следующие примеры (источник):
Модели анализа
Для классификации текстов по тональности мы использовали следующие модели – наиболее простые и высокоскоростные, что было предпочтительно для нашего исследования.
1) Наивный байесовский классификатор
Основан на алгоритме с байесовского классификатора, где для классифицируемого объекта вычисляются функции правдоподобия каждого из классов, по которым, в свою очередь, определяют апостериорные вероятности классов. Объект относится к тому классу, для которого апостериорная вероятность максимальна. Для работы модели вводится допущение о независимых признаках.
Параметры, которые мы применили:
alpha = 0.3; fitprior = True; classprior = None
2) Случайный лес
Данный алгоритм является модификацией применения решающих деревьев, где для задач классификации решение выносится согласно выбору большинства деревьев.
Схема работы:
Выбирается подвыборка обучающего корпуса размера samplesize, при этом она может быть с возвращением. Далее строится дерево, и здесь для каждого дерева нужна своя подвыборка.
Для построения каждого расщепления в дереве просматриваем max_features случайных признаков (для каждого нового расщепления — свои случайные признаки).
Выбираем наилучшие признак и расщепление по нему (по заранее заданному критерию). Дерево строится, как правило, до исчерпания выборки (пока в листьях не останутся представители только одного класса). При этом в современных реализациях есть параметры, которые ограничивают высоту дерева, число объектов в листьях и число объектов в подвыборке, при котором проводится расщепление.
Подробнее с работой алгоритма можно познакомиться в источнике.
Параметры, которые мы применили:
nestimators = 200; maxdepth = 3; random_state = 0
3) Рекуррентная нейронная сеть
Вид нейронных сетей, где связи между элементами образуют направленную последовательность.
Архитектура сети включает слой Embedding, который преобразует данные в 64-мерный вектор, слой LSTM (128 узлов) и слой Dense (10 узлов).
Датасет
Для реализации обучения с учителем мы взяли открытый датасет Linis Crowd, который содержит 29 тысяч размеченных текстов – наиболее крупный датасет для неформальных текстов на русском языке. Для обучения модели были использованы размеченные тексты с разделением на заданные по задачам исследования классы.
В нашем исследовании датасет был ограничен в рамках предметной области путем выборки текстов из корпуса по ключевым словам.
Время обработки
По результатом тестов выяснилось, что решение моделей по определению тональности слабо влияет на время выполнение запроса. Основную нагрузку вносит использование fasttext для эмбеддинга входящего текста, занимающее в районе 5 - 10 секунд с использованием вычислений на CPU. При работе с GPU показатели стали в диапазоне 0.7 – 1.
Показатели точности
Для тестирования мы разделили модели со следующим соотношением:
Обучающая выборка – 60%.
Валидационная проверка – 20%
Тестирование – 20% с балансировкой датасета.
Как отмечено ранее, в начале исследования мы рассчитывали на оценку тональности с точностью на уровне 70-80%.
Выводы
По итогам исследования мы получили следующие оценки точности:
Наивный байесовский классификатор (88,32%)
Случайный лес (78,91%)
Рекуррентная нейронная сеть. RNN (83,26%)
Таким образом, наиболее перспективные результаты – 88,32% – показал наивный байесовский классификатор. Получение показателей выше, чем 80%, можно считать успешным при работе с естественными языками.
Спасибо за внимание! Надеемся, что описанный пример был для вас полезен.
А если вы хотите больше узнать о сентимент-анализе, рекомендуем несколько статей по теме:
Ученые уже много лет работают не покладая рук, чтобы мощные вычислительные системы были способны адекватно уловить и идентифицировать мимику. В наши дни есть большие успехи, и дело не только лишь в совершенстве предложенных методов и алгоритмов, но и в разработке более новых. Уже достаточно много компаний предлагают программное обеспечение собственной разработки, поэтому я захотел узнать побольше о предоставляемых продуктах по распознаванию эмоций на лице человека.
Под катом много текста и картинок.
Распознавание эмоций является частью большого пласта науки, объединенного в названия «Распознавание образов» и «Обработка визуальной информации». В наши дни технологии по распознаванию перестают быть недосягаемыми и формируется новое веяние, влекущее за собой всех заинтересованных в методах идентификации и обработки найденных объектов и их признаков. Они плавно перетекают из области фантастики в реальную жизнь.
Существующие системы распознавания эмоций
Из коммерческих решений на рынке систем распознавания эмоций (emotion-recognition systems) наиболее совершенным и более интересным для рассмотрения в контексте задачи распознавания эмоций на сегодняшний день является продукт FaceReader голландской компании Noldus Information Technology.
1. FaceReader
Программа может верно интерпретировать такие выражения лица, как «счастливое», «грустное», «сердитое», «удивленное», «испуганное», «недовольное» и «нейтральное», как видно на рисунке. Кроме того, FaceReader способен по лицам людей определять их возраст, пол и этническую принадлежность. FaceReader не нуждается в обучении и дополнительной настройке.
В программе реализованы технологии компьютерного зрения. В частности, это метод Active Template, заключающийся в наложении на изображение лица деформируемого шаблона:
Также, реализован метод Active Appearance Model, с помощью которого можно создавать искусственную модель лица с учетом контрольных точек и деталей поверхности, и сравнивать ее с образцами, заложенными в память.
Классификация происходит методами нейронных сетей с тренировочным набором в 2 000 фотографий.
Возможности программы:
• средний процент распознавания эмоций равен 89%. Для некоторых эмоций он выше, для некоторых ниже;
• наклон лица может быть любым в плоскости, его система обнаружит;
• программа работает с загружаемым видео в форматах с кодеками MPEG1, MPEG2, XviD, DivX4, DivX5, DivX6, DV-AVI и uncompressed AVI, причем определять эмоции можно пофреймно, либо полностью при просмотре всего видео. Также, FaceReader может работать со статичными изображениями, а также в реальном времени, если у пользователя подключена веб-камера;
• программа прекрасно визуализирована: всегда можно посмотреть гистограммы, диаграммы, процентаж выражаемых эмоций. А на таймлайне видны проявления микровыражений в определенный промежуток времени;
• FaceReader генерирует два текстовых файла, один – это лог проявления эмоций, а другой – статический, для сопряженной с данной программой уникальной системы управления визуальными данными The Observer XT, разработанной этой же компанией.
Недостатки программы:
• FaceReader не натренирован для распознавания детей до 5ти лет;
• Если человек в очках, то распознавание эмоций неточное, либо классификация не ведется;
• Люди с разным цветом кожи по-разному воспринимаются системой, программа не до конца адаптирована;
• Повернутое лицо не детектируется.
2. eMotion Software и GladOrSad
Первым известным пользователем eMotion Software стала компания Unilever, внедрившая систему распознавания в аппарат по продаже мороженого – Unilever Share Happy. Люди улыбаются автомату, автомат дает за улыбки бесплатное мороженое!
Если человек проявляет эмоции, улыбается, хмурится или корчит гримасу, тысячи мелких мышц лица находятся в работе. Система распознавания эмоций, или ERS (Emotion-recognition system), создает 3D — модель лица, с выявлением 12 ключевых областей, таких как уголки глаза и уголки рта.
В данных программах отслеживающий алгоритм идентифицирует те же самые эмоции, их здесь шесть: гнев, печаль, страх, удивление, отвращение и счастье, а также седьмая – это их смешение.
Программное обеспечение не особо требовательно к вычислительной машине по техническим характеристикам. О деталях реализации алгоритма неизвестно, т.к. технология держится в секрете, брошюр с пояснениями я также не нашел, к сожалению.
3. MMER_FEASy — the FacE Analysis System
Опять же, в разработке использована методология наложения на лицо определенной деформируемой маски, Active Appearance Model methodology, которая позволяет высчитывать нужные параметры в реальном времени. Работа с маской продемонстрирована на рисунке ниже:
Система использует три подключаемых модуля – MMER_Lab, MMER_GPU и MMER_Locate.
MMER_Locate обеспечивает нахождение лица на изображении, ММER_Lab классифицирует некоторые признаки данного изображения, а MMER_GPU обеспечивает эффективную работу всей системы:
Программа распознает шесть базовых эмоций, также предоставляет услуги по нахождению по лицам людей возраста, пола и этнической принадлежности. Также система идентифицирует персону если при этом когда-либо ранее эталонная фотография была загружена в базу.
В дополнительные возможности программы входит подключение к другим программам ее как модуля для удаленных ассистентов, ассистентов водителей, маркетинговых исследований и домашних мультимедиа – сервисов.
Недостатками программы можно считать не полный охват загружаемых данных, т.к. работать можно только с веб-камерой. Плохие результаты и по выгрузке данных, где можно просмотреть только «аватаризацию» лица, т.е. вместо маски подставляется это же лицо, но с другой мимикой.
4. FaceSecurity
FaceVACS-DBScan with Examiner:
Разработка предназначена для обработки уникальных баз и банков данных какой-либо категории людей, к примеру, сотрудников по работе.
Данный продукт представляет собой воплощение биометрической идентификации по эталону образцов из базы.
В новой версии программы система использует новый алгоритм сравнения B5T8 вкупе со старым A14T8, призванный улучшить определяемое сходство.
Кроме того, новый компонент Examiner допускает автоматические преобразования изображения для сравнения в галерее. Это позволяет разработанным операторам смотреть списки потенциальных партнеров при сохранении полного аудита для каждого шага в процессе.
Также данная разработка помогает следователям идентифицировать лица в местах преступления по фотографии и видеонаблюдению путем сопоставления изображений лиц в хранилище агенств.
FaceVACS-Examiner также предоставляет набор инструментов, которые помогают инспекции идентифицировать лицо своевременно, что позволяет следователям действовать в соответствии с результатами поиска в самый минимальный отрезок времени после совершения преступления.
Особенности:
• Кластерная конфигурация для многомиллионной обработки базы данных людей;
• Гибкое и удобное управление списком, который позволяет сортировать его, просматривать и фильтровать;
• Пакетное и интерактивное обучение, идентификация;
• Глубокое и гибкое управление связанных данных;
• Перенастраиваемые логи;
• Прегенерация баз данных (т.е. предварительная быстрая преднастройка перед выдачей результата);
• Доступны множества различных поисковых выборок по базе.
FaceVACS-PortraitAcquisition:
Создание и оценка цифровых портретов для фотодокументов, удостоверяющих личность. Работа компонента иллюстрирована рисунке:
Данный компонент упрощает производство портретов высокого качества для фото на паспорт, водительские права и прочие документы, которые подходят для распознавания лиц.
Графический пользовательский интерфейс продукта специально подстроен для визуального управления и оперирования процессом обработки таких мелочей как фронтальная поза, равномерное освещение, очки и зажмурившиеся глаза. Программное обеспечение специально настроено для оценки на соответствие изображения обязательным требованиям и лучшим практическим рекомендациям стандарта ISO 19794-5 фронтального типа изображения. Программа поддерживает интеграцию с помощью веб-служб (SOAP) для облегчения выдачи сделанного документа.
Особенности:
• Полное соответствие стандартам ISO 19794-5;
• Надежный и автоматизированный процесс сбора информации;
• Проверка фронтальной позы, наличия очков, равномерного освещения, размера головы, размеров изображения, открытия рта, поворота головы, проверка на тонированные стекла, на красные глаза, фронтальный взгляд глаз, экспозиции, цвета кожи, горячих точек, резкости;
• Удобный графический интерфейс пользователя;
• Настраиваемые параметры и пороговые значения;
• Поддерживается формат цифровых зеркальных фотокамер от Nikon (D5000) и Canon (EOS 1000D и 1100D EOS);
• Гибкая обрезка, при необходимости;
• Настраиваемое изображение при предпросмотре (размер, тип изображения, формат изображения);
• Гибкая интеграция с веб-сервисами.
FaceVACS-VideoScan:
Новое поколение компьютерного видеонаблюдения автоматически сканирует входящий видеопоток, обнаруживает несколько лиц и проверяет наличие возможных совпадений в «контрольном списке». Если соответствие найдено, операторы получают уведомления в реальном времени.
Приложение включает в себя не только выявление нежелательных людей в общественных местах, а также идентификацию высокопоставленных клиентов.
Особенности:
• Автоматическая слежка за лицом в реальном времени на нескольких видеопотоках;
• В режиме реального времени лицо сравнивается с эталонами «контрольного списка»;
• Регистрации при неподвижном изображении или при живом потоке видео в ручном и автоматическом режиме;
• Применение С++ API и Web Services API;
• Возможность масштабируемости в пределах «контрольного списка»: размер, количество видеопотоков и число видимых лиц на изображении.
Возможности программ Cognitec:
Недостатки:
• Вычисления практически во всех компонентах применимы только к фронтально расположенным лицам (возможны отклонения на 15 градусов, но не больше);
• Свет играет большую роль – к примеру, изображение лица в тени компоненты не распознают.
5. Продукты Affective Computing Research Group
Компания Розалинды Пикард, Affectiva, известна в первую очередь поставляемыми носимыми биосенсорами Q-Sensor. Но не только этим богата компания. Есть огромный опыт внедрения технологий среди Affective computing, или эмоциональных вычислительных систем, разработки идут с 1995 года. Проектов очень много. Это самая старейшая группа разработчиков, занимающаяся данными технологиями.
Есть, например, проект AffQuake на базе продукта ID Software Quake 3. Суть в том, чтобы игра реагировала на эмоциональные сигналы игрока. Геймера обвешивают датчиками, и если ему становится страшно, модифицированный Quake получает «физиологические сигналы» пользователя и заставляет точно так же бояться виртуальное воплощение игрока – оно в страхе отступает.
Или, к примеру, разработана игрушка «Эмоциональный тигр» (Affective Tigger). Данный робот может идентифицировать пять эмоциональных состояний играющего с ним ребёнка и выразить в ответ свою эмоцию. Если ребёнок прыгает, весело тискает и целует игрушку, то система распознавания эмоций и сенсорная система «тигра» это физическое воздействие фиксируют, после чего демонстрируется счастье: Affective Tigger смеётся и улыбается.
Есть занимательное решение для Web. Это инновационный продукт компании Affectiva, сбор данных об эмоциональном состоянии людей во всемирной паутине, Affdex. По большей части он используется для маркетинговых исследований.
Одним из способов распознавания эмоционального состояния по лицу в данных разработках является запись в реальном времени с последующим компьютерным анализом — методами сравнения с заложенными образцами (SURF и на основе SIFT- дескрипторов), а также вейвлет-методами. Работа данных методов применяется в такой программе как Pupeteer, оценивающей поведение и эмоциональное состояние учеников. Демонстрация работы программы:
В ходе эксперимента по данному методу шесть базовых эмоций компьютер определяет с 96-процентной точностью.
Решение примечательно еще тем, что распознает вкупе с эмоциями движения головы, такие как кивок или качание, мотания из стороны в сторону. Используются процессы Байесовского машинного обучения для классификации эмоций, а также для вычисления статистики и вычисления смешанных состояний, когда нельзя точно выразить, какая именно эмоция превалирует.
О самом программном обеспечении можно не многое сказать, так как технологии закрыты. Разработка ведется на С++, Objective C для iPhone. Графически оформляется через обычные инструменты, такие как timeline (или шкала времени), графики и диаграммы, что видно на следующем рисунке:
Среди особенностей можно заметить, что все решения хорошо прорисованы и адаптированы под заказчика, а из недостатков, пожалуй, наибольшим является наличие вычислительной машины с неслабым процессором (выше Core i5) для комфортной работы с приложениями.
Сравнение компаний и промежуточные итоги
Рассмотрены решения лишь некоторых игроков данного бизнеса. Остальные компании предоставляют свои продукты, предназначенные немного для иных задач, но разрабатываемые ими системы так или иначе интересны, потому что могут быть легко усовершенствованы до уровня распознавания эмоций. Это программы и решения, выполняющие такие задачи как:
• верификация лица (системы безопасности и контроля доступа);
• трекинг и отслеживание лица (системы видеонаблюдения);
• сравнение людей по образу и подобию своему (системы поиска);
• анимация лица и его преобразование (системы морфинга);
• преобразование лица в 3D – модели (системы моделирования);
• определение расы, возраста и пола человека (системы гендерной классификации);
• многое другое.
Причем большинство компаний, разрабатывающих данные программы, предоставляют свой инструментарий (SDK – Software Development Kit) любому разработчику.
Ключевым критерием применения таких продуктов является их стоимость, а также стоимость предоставляемого SDK. Она колеблется от 5$ до 2 000$. Наиболее дорогостоящие продукты вряд ли будут применяться в небольших компаниях, где разработки такого рода не являются условием работы всей компании.
Ниже, в таблице, привожу список таких программ и комплексов программ. Конечно же, список со временем будет расширяться, но по состоянию на ноябрь 2011 года он актуален:
Разобраны многие продукты компаний, есть достоинства программного обеспечения компаний, а также и недостатки. На основе данной информации мной было принято решение построить таблицу соответствия продуктов определенным критериям, главным для распознавания и выяснить сильные и слабые стороны таких модулей распознавания эмоций:
Выводы
Хотя некоторые компании утверждают, что их продукт чтения эмоций лица является наиболее правильным, важно отметить тот факт, что на сегодняшний день технологии есть, но они распознают только черты, присущие и наиболее подходящие данному выражению лица. Но далеко не всегда можно сказать, действительно такое чувство испытывает человек или же это просто натренированная улыбка, к примеру. Если же добиваться результата такого, чтобы внешнее выражение соответствовало внутренним чувствам пользователя программы, то, на мой взгляд, важно убедиться, что участнику действительно удобно и комфортно выражать свои чувства изнутри и проявлять их на своем лице, и что он этого хочет. Это достигается с использованием полного комплекса технологий, каковыми являются распознавание эмоций, распознавание выражения лица, распознавание речи и интонаций во время разговора данного человека, определение смысловой нагрузки и эмоциональных переживаний при письме и компьютерной переписке – всё это очень влияет на конечный результат. Также, можно использовать датчики.
Как видно из обзора, продукты представлены многими компаниями и в разном виде: от коробочных версий программного обеспечения до веб-решений на основе модели SaaS (Software as a Service – программное обеспечение как услуга) и применений в различных видах техники. Выявлены особенности и недостатки.
В финансовом плане спектр услуг сильно разнится, но подавляющее большинство мультифункциональных решений стоит дорого. Тем не менее, востребованность таких систем растет.
Спасибо за внимание! Пожалуйста, не пинайте автора слишком сильно, это мой первый топик на Хабре… но продолжение следует.
Читайте также: