Гилемханова Эльвира Нурахматовна, канд. психол. наук, доцент, доцент кафедры педагогической психологии, Институт психологии и образования
г. Казань, Республика Татарстан
Elvira N. Gilemkhanova, Candidate of Sciences (Psychology), Docent, Associate Professor at the Department of Educational Psychology, Institute of Psychology and Education
Kazan, The Republic of Tatarstan
Лушпаева Ирина Игоревна, канд. психол. наук, доцент, зав. кафедрой педагогической психологии, Институт психологии и образования
г. Казань, Республика Татарстан
Irina I. Lushpaeva, Candidate of Sciences (Psychology), Docent, Head of the Department of Educational Psychology, Institute of Psychology and Education
Kazan, The Republic of Tatarstan
Хусаинова Резеда Мунировна, канд. психол. наук, доцент, доцент кафедры педагогической психологии, Институт психологии и образования
г. Казань, Республика Татарстан
Rezeda M. Khusainova, Candidate of Sciences (Psychology), Docent, Associate Professor at the Department of Educational Psychology, Institute of Psychology and Education
Kazan, The Republic of Tatarstan
Актуальность. Цифровизация образования создает условия для применения методов машинного обучения и нейросетевых моделей в задачах мониторинга и поддержки принятия решений в образовательной среде. Одной из наиболее социально значимых задач является раннее автоматизированное выявление предсуицидального риска подростков, эффективность которого критически зависит от обоснованного набора входных признаков модели.Цели представленного в статье исследования — разработать архитектуру нейросетевой модели распознавания индикаторов предсуицидального риска подростков в цифровой образовательной среде и эмпирически обосновать набор ее входных признаков на основе показателей самоотношения и рискогенности образовательной среды.Материалы и методы. Эмпирическую базу отбора признаков составили данные 599 обучающихся 13–17 лет (M = 14,34; SD = 0,83). Применялись методика исследования самоотношения С. Р. Пантилеева, шкала самовосприятия Пирса—Харриса, методика диагностики склонности к виктимному поведению, личностный дифференциал и «Индекс социокультурной безопасности школьника». Отбор и валидация признаков выполнены методами корреляционного анализа, t-критерия Стьюдента и однофакторного дисперсионного анализа (ANOVA); предложена архитектура полносвязной нейронной сети с трехклассовым выходом.Результаты. Сформирован и эмпирически обоснован компактный набор входных признаков: самоценность, самопринятие, замкнутость, самообвинение, поведение, семья и рискогенность образовательной среды. Высокий уровень склонности к самоповреждающему и саморазрушающему поведению, соответствующий целевому классу повышенного риска, выявлен у 29 % подростков.Выводы. Предложенная нейросетевая модель с эмпирически обоснованным набором признаков может быть интегрирована в цифровую образовательную среду как инструмент масштабируемого раннего выявления предсуицидального риска при условии этических ограничений и подтверждения специалистом.
Relevance. The digitalization of education enables the application of machine learning methods and neural network models to monitoring and decision support in the educational environment. One of the most socially significant tasks is the early automated identification of adolescents’ presuicidal risk, the effectiveness of which critically depends on a well-grounded set of model input features.The aims of the study presented in the article are to develop the architecture of a neural network model for recognizing indicators of adolescents’ presuicidal risk in the digital educational environment and to empirically substantiate its set of input features based on self-attitude indicators and the riskogenity of the educational environment.
Materials and methods. The empirical basis for feature selection consisted of data from 599 students aged 13–17 years (M = 14.34; SD = 0.83). The Self-Attitude Inventory by S. R. Pantileev, the Piers—Harris Self-Concept Scale, the inventory of the propensity for victim behavior, the personal differential and the “Index of sociocultural safety of a schoolchild” were used. Feature selection and validation were performed using correlation analysis, Student’s t-test and one-way analysis of variance (ANOVA); a fully connected neural network architecture with a three-class output was proposed.Results. A compact, empirically substantiated set of input features was formed: self-worth, self-acceptance, withdrawal, self-blame, behavior, family and the riskogenity of the educational environment. A high level of propensity for self-injurious and self-destructive behavior, corresponding to the target high-risk class, was found in 29 % of adolescents.Conclusions. The proposed neural network model with an empirically grounded feature set can be integrated into the digital educational environment as a tool for scalable early identification of presuicidal risk, subject to ethical constraints and confirmation by a specialist.
The authors declare that there are no conflicts of interest present.