ӘЛЕУМЕТТІК ЖЕЛІЛЕРДЕГІ ЖАЗБАЛАРЫ АРҚЫЛЫ МАШИНАЛЫҚ ОҚЫТУДЫ ҚОЛДАНЫП, АДАМДАРДЫҢ MBTI (MYERS-BRIGGS TYPE INDEX) ТИПІН АНЫҚТАУ

Бұл зерттеу адамдардың әулеметтік желілерде жариялаған мәтін негізінде психологиялық типін Myers-Briggs Type Index классификациясы бойынша анықтайтын машиналық оқыту әдістерін қолданып, классификатор жасауға бағытталған. Мақала тұлға типін анықтау тапсырмасын машиналық оқытуды пайдалану арқылы автоматтандыруды жүзеге асыруға негізделген, MBTI тұлға индикаторы арқылы жеке тұлғаның ерекшеліктерін анықтауға түсініктеме келтірілген. Машиналық оқытудың логистикалық регрессия, кездейсоқ орман және анықтамалық векторлар әдістері қолданылған, осыған ұқсас жұмыстарға әдеби талдау жасалған. Мақалада зерттеу жұмысының барысы мен әр классификатордың нәтижелері және қолданылған тәсілдердің талдауы берілген. Қазіргі карантиндік шектеулер жағдайында адамдардың онлайн жұмыс форматына ауысуына байланысты компанияларда кадрларды іріктеуде осындай зерттеулер үлкен көмегін тигізуі мүмкін, себебі зерттеу адамдардың жеке қасиеттерін әлеуметтік желідегі жазбаларына байланысты анықтауды көздейді. Бұл жұмыста қазақ тілі үшін қолдануда қарапайым, әрі көп есептеу қуаттылығын қажет етпейтін, ең тиімді машиналық оқыту алгоритмдері пайдаланылған және сәйкесінше әр әдіс үшін жұмыс нәтижелері келтірілген, келтірілген әдістердің ішінде анықтамалық векторлар әдісі арқылы қазақ тіліне арналған классификатордың дәлдігі мен сенімділігі жақсы деңгейде болды.

1. Стивенсон М. Введение в нейролингвистическое программирование

2. Rawlings D., Ciancarelli V. (1997) Music preference and the five-factor model of the neo personality inventory. Psychology of Music. P. 120–132

3. Ferwerda B., Schedl M., Tkalcic M. (2015) Personality & emotional states: Understanding users’ music listening needs. UMAP 2015 Extended Proceedings

4. Ferwerda B., Schedl M. (2014) Enhancing music recommender systems with personality information and emotional states: A proposal. Proc. EMPIRE workshop.

5. Celli F., Bruni E., Lepri B. (2014) Automatic personality and interaction style recognition from Facebook profile pictures. Proceedings of the ACM International Conference on Multimedia. P. 1101–1104

6. Cristani M., Vinciarelli A., Segalin C., Perina A. (2013) Unveiling the multimedia unconscious: Implicit cognitive processes and multimedia content analysis. Proceedings of the 21st ACM international conference on Multimedia.

7. Pennebaker J.W., King L.A. (1999) Linguistic Styles: Language Use as an Individual Difference. Personality and Social Psychology. 77(6). P. 1296–1312

8. Hernandez R., Knight I.S. (2017) Predicting Myers-Briggs Type Indicator with Text Classification. 31st Conference on Neural Information Processing Systems, NIPS.

9. Gavrilescu M. (2015) Study on determining the Myers-Briggs personality type based on individual’s handwriting. The 5th IEEE International Conference on E-Health and Bioengineering.

10. Majumder N., Poria S., Gelbukh A., Cambria E. (2017) Deep learning-based document modeling for personality detection from text. IEEE Computer Society, IEEE Intelligent Systems. https://sentic.net/deep-learning-based-personality-detection.pdf

11. Komisin M., Guinn C. (2012) Identifying personality types using document classification methods. Proceedings of the 25th International Florida Artificial Intelligence Research Society Conference, FLAIRS-25. P. 232–237

12. Ингерсолл Г.С., Мортон Т.С., Фэррис Э.Л. (2015) Обработка неструктурированных текстов. Поиск, организация и манипулирование. / Пер. с англ. Слинкин А.А. М.: ДМК Пресс. – 414 с.

13. Harrington R., Loffredo D.A. (2010) MBTI personality type and other factors that relate to preference for online versus face-to-face instruction. The Internet and Higher Education. Volume 13, Issues 1–2, pp. 89-95

14. Verhoeven, B., Daelemans, W., Plank, B. (2016) TwiSty: A Multilingual Twitter Stylometry Corpus for Gender and Personality Profiling. Proceedings of the 10th edition of the Language Resources and Evaluation Conference European Language Resources Association (ELRA)

15. Friedman J.H. (2001) Greedy function approximation: A gradient boosting machine. The Annalls of Statistics. 29(5). 1189–1232.

16. Gallo F.R., Simari G.I., Martinez M.V., Falappa M.A. (2020) Predicting user reactions to Twitter feed content based on personality type and social cues. Future Generation Computer Systems, volume 110, p. 918-930.

17. Bencke L., Cechinel C., Munoz R. (2020) Automated classification of social network messages into Smart Cities dimensions. Future Generation Computer Systems, volume 109, p. 218-237.