МЕТОД ІНТЕЛЕКТУАЛЬНОГО ВИМІРЮВАННЯ ПСИХОЛІНГВІСТИЧНИХ ПОКАЗНИКІВ ДЛЯ ДИНАМІЧНИХ СИСТЕМ БЕЗПЕРЕРВНОГО МОНІТОРИНГУ ПСИХОЛОГІЧНОГО СТАНУ
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.4.3.35Ключові слова:
інтелектуальне вимірювання, психофізіологічний стан, ф’южн-модель, мультимодальні системи, системи безперервного моніторингу, автоматизація психолінгвістикиАнотація
У статті вирішено актуальну науково-практичну задачу психолінгвістичного уточнення, визначених за відеорядом психологічних функціональних станів, яке проводиться за рахунок інтелектуального вимірювання психологічних показників для мультимодальних динамічних систем безперервного моніторингу психологічного стану співробітників. Розроблено та описано у формалізованому вигляді двофазний метод інтелектуального вимірювання психолінгвістичних показників. Фаза первинного психолінгвістичного аналізу забезпечує формування індивідуального психологічного профілю. Фаза глибинного психолінгвістичного дослідження дозволяє на основі регресійного аналізу уточнити результати відеоконтролю первинних ознак психологічного стану при кореляції з визначеним після першої фази психологічним профілем. Вагові коефіцієнти вимірювань у мовній (текстовій) та невербальній (відео) модальностях узгоджуються за рахунок використання адаптивної ф’южн-моделі інтеграції шляхом персоналізації психолінгвістичних показників. Наведено структурно-логічну схему методу для наочної демонстрації передачі параметрів за етапами його функціонування. Було проведено попередню валідацію методу за рахунок симуляційного експерименту. За результатами експерименту запропонований метод демонструє покращене інтегральне значення точності вимірювання психолінгвістичних показників на 4-7% у порівнянні з найбільш ефективними сучасними аналогічними підходами. Отримані експериментальні значення доводять ефективність запропонованого адаптивного вагового узгодження вимірювань у текстовій та відео модальностях з урахуванням персоналізації психолінгвістичних показників. Запропонований метод потребує подальшої валідації на емпіричних даних. Подальші дослідження пропонується проводити у напрямку інтеграції додаткових модальностей та вдосконалення адаптивного оновлення вагових коефіцієнтів. Практичне значення полягає у використанні методу в мультимодальних системах безперервного інтелектуального моніторингу психологічного стану співробітників державних та комерційних структур.
Посилання
Future Market Insights. Insider threat protection market analysis size and share forecast outlook 2025-2035 / S. Saha. Future Market Insights, 2025. 520 p. URL: https://www.futuremarketinsights.com/reports/insider-threat-protection-market (дата звернення: 01.11.2025).
Saddica M., Ruohonen Ju. SoK: the psychology of insider threats. EAI Endorsed Transactions on Security and Safety. 2025. Vol. 9, № 1. URL: https://doi.org/10.4108/eetss.v9i1.9298
Moving toward the digitalization of neuropsychological tests: an exploratory study on usability and operator perception / M.G. Maggio et al. Digital Health. 2025. Vol. 11. URL: https://10.1177/20552076251334449 (дата звер- нення: 03.11.2025).
Lee P., Son M., Jia Z. AI-powered automatic item generation for psychological tests: a conceptual framework for an LLM-based multiagent AIG system. Journal of Business and Psychology. 2025. URL: https://10.1007/s10869-025-10067-y (дата звернення: 03.11.2025).
Psychometric evaluation of large language model embeddings for personality trait prediction / J. Maharjan et al. Journal of Medical Internet Research. 2025. Vol. 27. URL: https://doi.org/10.2196/75347 (дата звернення: 03.11.2025).
Towards dynamic theory of mind: evaluating LLM adaptation to temporal evolution of human states / Y. Xiao et al. Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), Vienna, Austria. Stroudsburg, PA, USA, 2025. P. 24036–24057. DOI: https://doi.org/10.18653/v1/2025.acl-long.1171
Sert B., Ulker S.V. A review of LWIC and machine learning approaches on mental health diagnosis. Social Review of Technology and Change. 2023. Vol. 1, № 2. P. 71–92.
When LLMs meets acoustic landmarks: an efficient approach to integrate speech into large language models for depression detection / X. Zhang et al. Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing, Miami, Florida, USA. Strodsburg, PA, USA, 2024. P. 146–158. DOI: https://doi.org/10.18653/v1/2024.emnlp-main.8
Шаповал В.П., Тарасенко Я.В. Метод інтелектуального відеоконтролю первинних ознак психологічного стану. Вчені записки ТНУ імені В.І. Вернадського. Серія: технічні науки. 2025. Том 36 (75), № 2. С. 222–227. DOI: https://doi.org/10.32782/2663-5941/2025.2.2/30
Machine learning for multimodal mental health detection: a systematic review of passive sensing approaches / L.S. Khoo et al. Sensors. 2024. Vol. 24, № 2. P. 348. DOI: https://doi.org/10.3390/s24020348
Uncertainty-aware multi-modal random network prediction / H. Wang et al. Lecture notes in computer science. Cham, 2022. P. 200-217. DOI: https://doi.org/10.1007/978-3-031-19836-6_12
Knowledge-guided dynamic modality attention fusion framework for multimodal sentiment analysis / X. Feng et al. Findings of the association for computational linguistics: EMNLP 2024, Miami, Florida, USA. Stroudsburg, PA, USA, 2024. P. 14755-14766. DOI: https://doi.org/10.18653/v1/2024.findings-emnlp.865
Harnessing multimodal approaches for depression detection using large language models and facial expressions / M. Sadeghi et al. NPJ Menthal Health Research. Vol. 3, № 1. DOI: https://doi.org/10.1038/s44184-024-00112-8
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
