یادگیری ماشینی

یادگیری ماشینی

یادگیری ماشینی قوی‌ترین پیش‌بینی‌کننده‌های کیفیت رابطه را در بررسی طولی 43 زوج آشکار می‌کند.

 با توجه به پیامدهای تاثیرگذار کیفیت رابطه در سلامتی و رفاه، یکی از ماموریت های اصلی علم روابط توضیح می دهد که چرا برخی از روابط عاشقانه نسبت به دیگران حال بهتری دارند. این پروژه در مقیاس بزرگ از یادگیری ماشینی (یعنی جنگل‌های تصادفی) برای 1) سنجیدن میزان قابل پیش‌بینی بودن کیفیت رابطه و 2) شناسایی ساختارهایی که به طور قابل اعتماد کیفیت رابطه را پیش‌بینی می‌کنند، استفاده کرد. در میان 43 مجموعه داده طولی دوتایی از 29 آزمایشگاه، بهترین پیش‌بینی‌کننده‌های کیفیت رابطه، تعهد شریک درک شده، قدردانی، رضایت جنسی، رضایت شریک درک شده و تعارض بودند. بهترین پیش بینی کننده های تفاوت فردی رضایت از زندگی، خلق منفی، افسردگی، اجتناب از دلبستگی و اضطراب دلبستگی بودند. به طور کلی، متغیرهای ویژه رابطه در ابتدای هر مطالعه تا 45 درصد واریانس و در پایان هر مطالعه تا 18 درصد واریانس را پیش‌بینی کردند. تفاوت های فردی نیز عملکرد خوبی داشتند (به ترتیب 21% و 12%). متغیرهای گزارش‌شده توسط کنشگر (یعنی متغیرهای مربوط به رابطه ویژه و متغیرهای فردی) دو تا چهار برابر بیشتر از متغیرهای گزارش‌شده توسط شریک (یعنی رتبه‌بندی شریک در آن متغیرها) واریانس را پیش‌بینی کردند. نکته مهم این است که تفاوت‌های فردی و گزارش‌های شریک هیچ تأثیر پیش‌بینی‌کننده‌ای فراتر از متغیرهای ویژه رابطه که توسط کنشگر گزارش شده اند نداشتند. این یافته‌ها حاکی از آن است که مجموع تمام تفاوت‌های فردی و تجربیات شریک از طریق تجربیات ویژه رابطه خود شخص، تأثیر خود را بر کیفیت رابطه اعمال می‌کند و تأثیرات ناشی از اعتدال تفاوت‌های فردی و اعتدال توسط گزارش‌های شریک ممکن است بسیار ناچیز باشد. در نهایت، تغییر کیفیت رابطه (یعنی افزایش یا کاهش کیفیت رابطه در طول یک مطالعه) تا حد زیادی از هر ترکیبی از متغیرهای خود اظهاری غیر قابل پیش بینی بود. این تلاش جمعی باید مسیر مدل‌های آینده روابط را تعیین کند

کلمات کلیدی: روابط عاشقانه،  کیفیت رابطه ،  یادگیری ماشین ، روش های مجموعه

Machine learning uncovers the most robust self-report predictors of relationship quality across 43 longitudinal couples studies

Samantha Joel et.al

approved June 8, 2020 (received for review September 30, 2019)

تأیید شده در 8 ژوئن 2020 (برای بررسی در 30 سپتامبر 2019 دریافت شد)

doi:10.1073/pnas.1917036117/