Как страшная комбинаторика возможных путей в нейросетях затрудняет естественно-научное познание психической регуляции поведения

Вместо краткой аннотации

Для кого написано мной эта статья? — Не столько для коллег психологов, сколько для смежных специалистов в области информационных технологий, а также всех, кто получил хорошее базовое образование, но не вполне гуманитарное, а скорее в области естественных наук и техники.

***

Образованным психологам хорошо известна такая истина: простые параметрические модели индивидуальных особенностей дают возможность добавить к случайному прогнозу поведения лишь не более 15% точности, что дает 65% точности в случае бинарного прогноза. Именно таким образом пересчитывается коэффициент корреляции 0,3 — так называемый предел точности для диспозициональных моделей — в шкалу точности в процентах (Хекхаузен, 1986, Шмелев, 2013). Возьмите хоть пятифакторную модель личностных черт Big Five, хоть шестифакторную HEXACO, хоть шестнадцатифакторную модель 16PF (Шмелев, 2023), все равно ваша точность прогноза будет сокращать лишь на 30% возникающую неопределенность (то есть на 15% от 50% неопределенности). А что же остальные 70% неопределенности? — Они, как известно, зависят от ситуационных факторов, а не от диспозициональных (сквозных, кросс-ситуационных) личностных черт (Росс, Нисбетт, 1999).

Но ведь поведение взрослого социально-адаптированного человека является в 90–95% ситуаций вполне адекватным. Как же достигается эта адекватность? Теперь, когда перед нашими глазами повсеместно появляются робототехнические системы ИИ, основанные на САМООБУЧАЮЩИХСЯ нейросетях, этот механизм становится более понятным. Это понимание строится на основе рассуждения, методологию которого я бы назвал «обратной бионикой». Если обычная бионика — это перенос в область конструирование машин познанных нами принципов функционирования природных живых организмов, то «обратная бионика» — это обратная логика, когда мы пытаемся сложные принципы психической регуляции поведения у животных и человека познать с помощью существующих искусственных компьютерных моделей. Чаще это называют «компьютерной метафорой» (или «кибернетической метафорой»), конечно же. Сейчас менее модным стал более обычный термин «метод моделирования» (основанный на «критерии Тьюринга»), но он как бы притупляет логику рассуждения по аналогии. Мне кажется, что выражение «обратная бионика» тоже является выразительным и красноречивым.

Есть такой активист на нашем форуме ЭСПП (в Экспертном Сообществе Практических Психологов). Его зовут Николай Алексеевич Хрумалов. Это уже немолодой человек из Ростова-на-Дону, но пылкий! Это типичный технарь по базовому образованию. Он отличается тем, что систематически критикует именно меня — Шмелева А.Г. — в таком духе: «Вы тратите время на всякую ерунду и ремесленничество вместо того, чтобы разрабатывать фундаментальную проблему — построить научную теорию «Уровней сознания» (ну пусть Николай Алексеевич поправит меня, если я неправильно его здесь процитировал). Справедливости ради, надо сказать, что от Хрумалова достается не только Шмелеву, но и вообще всем «ученым-психологам», которые, с его точки зрения, «даже еще и не начали внедрять в свою область знаний принципы настоящей науки» (?!).

В отличие от других технарей, которые тоже критикуют академическую психологию, Хрумалов не так сильно увлекается так называемой «соционикой», а ведь многие технари считают, что внутри именно соционики решены УЖЕ многие практически-значимые проблемы, что, якобы, достигается, по их убеждению, благодаря «исчерпывающей комбинаторике 16 на 16» — это парные сочетания (так называемые «интертипные отношения») всех 16 пост-юнгианских типов личности, описанных Аушрой Аугустинавичюте и ее последователями (Аугустинавичюте, 1979).

В этой статье я хотел бы поделиться с образованными и пытливыми читателями (готовыми терпеливо вникать в трудоемкие таблицы) своим пониманием СЛОЖНОСТИ тех задач, которые стоят перед психодиагностикой, если трактовать психическую регуляцию поведения у человека по аналогии с нейросетевыми моделями. Не исключаю и того, что как раз наши коллеги с базовым техническим образованием благодаря этой статье немножко лучше начнут понимать степень сложности этих задач и будут… в результате поспокойней относится к тому, что простой системой дифференциальных уравнений описать человеческое поведение невозможно (как возможно описать простую траекторию какого-нибудь артиллерийского снаряда, слегка осложненную наличием ветра и других факторов, вызывающих отклонения от обыкновенной параболы).

***

Что такое взаимодействие нейронов в самообучающихся нейросетях? С математической точки зрения, нейронная сеть — это граф, в котором волокна-ребра связывают между собой нейроны-вершины. Любой граф можно изобразить в виде матрицы (двумерной таблицы), в котором исходящие нейроны — это столбцы, входящие нейроны — это строки, а ребра-волокна — это клетки. В клетках матрицы записывается значение, указывающее на вероятность возбуждения определенного входящего нейрона (по строке) при наличии возбуждения исходящего нейрона (по столбцу). Значения в клетке отражают результаты обучения, то есть автоматизированной обработки положительных и отрицательных подкреплений, полученных нейросетевым роботом при его обучении: вероятность в клетке растет, если устанавливается определенная «условно-рефлекторная связь» между исходящим нейроном-рецептором и входящим нейроном-детектором.

Краткое историческое отступление. Реальные психофизиологические и нейроанатомические исследования мозга человека позволили выяснить, что в мозгу имеется великое множество подобных матриц, связывающих миллионы нейронов-рецепторов, размещенных в одних участках нервной системы (в том числе в периферических звеньях сенсорных анализаторов — таких как сетчатка глаза), с сотнями тысяч нейронов-детекторов, размещенных в других участках — в центральной нервной системе (например, в теменно-затылочных зонах коры головного мозга, где происходит КАТЕГОРИЗАЦИЯ зрительных паттернов). Нейронная модель стимула — это одна из знаменитых моделей, созданных Е.Н. Соколовым (и его коллегами) еще в 60-е годы прошлого 20 века. Эти математико-нейрофизиологические модели так же, как работы классиков кибернетики (модель «перцептрона» Фрэнка Розенблатта, 1965), предвосхитили на несколько десятков лет более поздний взрыв интереса в 1990-е годы к так называемому «коннекционизму»: в 1986 Дэвид Румельхарт воскресил интерес к «перцептронам» с помощью механизма «обратного распространения ошибки» (back propagation). А уж практическую мощь нейросетевые компьютерные программы стали показывать, когда они в нулевые годы стали опираться на реально быстродействующие микрокомпьютеры с огромными гигабайтными блоками оперативной памяти, в которой можно было развернуть огромные массивы данных (матрицы). Так что в 21 веке обученная компьютерная нейросеть уже стала устойчиво обыгрывать в шахматы всех сильнейших гроссмейстеров мира… В коротком списке литературы для любознательных я рекомендую статью М. Колосовского, в которой на примере простого программного кода на Python показано, как обучается простейший перцептрон, оснащенный механизмом «обратного распространения ошибки».

В питерской школе дифференциальной психологии вслед за капитальными работами А.Ф. Лазурского (Лазурский, 1917), В.Н. Мясищева (Мясищев, 1960) и Б.Г. Ананьева (Ананьев, 1977) возникли вполне заметные попытки на операциональном уровне реализовать так называемую концепцию «личность как система отношений». В частности, это наиболее ярким образом отразилось в популярной методике ПДО — «Патохарактерологический диагностический опросник» (Личко, Иванов, 1981). Все суждения этого немаленького личностного перечня сгруппированы в 25 тем, в основе которых лежит фактически определенная классификация ситуаций: «Отношения к школе», «Отношения к деньгам», «Отношения к родителям» и так далее. Но… результат ПДО — это типичный «профиль», то есть вектор оценок, указывающих на гипотетическую степень принадлежности обследованного подростка к какой «диагностической категории» (акцентуации). По моему мнению, для работы с ситуациями психолог-диагност должен обязательно вырваться за пределы «векторной модели данных» и перейти к «матричной структуре». Ну, как это сделано, например, в методиках «репертуарные решетки» последователями Джорджа Келли (Франселла, Баннистер, 1977).

Кстати, подробное обоснованное различение двух структур данных — векторной и матричной — предложено мной (автором этой статьи), в частности, в журнале «Вопросы психологии» в 1982 году и развито в монографии 2002 года под названием «объектная» и «субъектная» парадигмы анализа данных (Шмелев, 1982; 2002).

Далее в этой статье я приведу пример некой упрощенно-иллюстративной, крошечной нейросетевой системы из всего лишь двух матриц, которая поможет, как я надеюсь, понять, какую сложность порождает грандиозная комбинаторика нейросетевых связей в мозгу, в котором имеются миллиарды нейронов, связанных сотнями миллиардов связей (аксонов и дендритов). Я не видел сам (мало читаю, признаюсь), чтобы подобные иллюстративные модели где-то в популярной психологической литературе создавались на «личностно-коммуникативном материале» (а не на материале перцептивной психологии или процессов интеллектуальной категоризации). Если читатели помогут в этом вопросе со ссылками на похожие примеры, то буду признателен. Мой иллюстративный пример призван показать, какую роль в регуляции социального поведения играет «эмоциональная категоризация ситуации». Промежуточный слой нейронов-детекторов в данном случае — это небольшой набор «основных эмоциональных реакций», которые опосредуют в конечном счете выбор программы поведения (возбуждают определенный «нейрон-поступок»).

Поясню читателям, откуда у меня взялись навыки работы с матрицами, — это для читателей, не привычных к таком матричному языку описания поведения, который я покажу вам ниже. Дело в том, что мне самому приходилось немало заниматься не только программированием аналитических программ для многомерного анализа больших массивов экспериментальных данных, но и немного — проектированием сценариев поведения игровых персонажей в ролевых компьютерных играх.

Рассмотрим искусственный (умозрительный) пример

Итак, на рисунке 1 мы видим матрицу 1, которая указывает вероятность возбуждения определенных нейронов-эмоций (по строкам) при возбуждении нейронов-стимулов, срабатывающих при категоризации внешней ситуации.

Как видим, в ходе обучения в «социально-благоприятном окружении» (среди добрых людей) наша социально-позитивная личность с высокой вероятностью реагирует позитивными просоциальными эмоциями на положительное событие («сосед разгреб снег у вашей калитки») и нейтральное для самого субъекта событие («на машину соседа упала сосулька»). Во втором столбце максимальная вероятность (выделена красным шрифтом) стоит в строке БЛАГОДАРНОСТЬ (на позитивное поведение соседа наша позитивная личность реагирует с благодарностью), а в третьем столбце максимальная вероятность стоит в строке СОЧУВСТВИЕ (на событие, которое не затрагивает саму личность, но наносит ущерб соседу, данная личность реагирует эмпатийно — испытывает сочувствие). На негативное поведение соседа («сосед выбросил окурок перед вашей калиткой») данная личность реагирует не в виде агрессивной эмоции ГНЕВА, а в виде более астенической эмоции ОБИДА.

Чем же отличается аналогичная матрица (нейросетевая модель) у «АГРЕССИВНОЙ ЛИЧНОСТИ»? Мы видим на рисунке 2, что основное отличие состоит в том, что на негативное поведение соседа данная личность реагирует в виде эмоции ГНЕВА, а не ОБИДЫ (см. максимум в первом столбце), а на беду, случившуюся с автомобилем соседа, данный тип реагирует не в виде эмоции СОЧУВСТВИЯ, а в виде ЗЛОРАДСТВА (см. третий столбец).

Пока мы описали здесь только один слой матричного преобразования (отображения) — слой эмоциональной категоризации. Второй слой — это слой регуляции. В этом случае по столбцам этой второй матрицы идут пусковые эмоции (это возбуждающие нейроны), а по строкам — программы поведения (возбуждаются входящие нейроны — детекторы поступков).

На рисунке 3 мы видим, что в случае ОБИДЫ, ГНЕВА и ЗЛОРАДСТВА доброжелательный человек скорее промолчит (причем в случае ОБИДЫ с еще большей вероятностью, а в случае ЗЛОРАДСТВА с минимальной вероятностью из этих трех эмоций). Зато в случае БЛАГОДАРНОСТИ и СОЧУВСТВИЯ данный человек будет демонстрировать скорее позитивные поступки: «словесное выражение сочувствия», «приглашать в гости», «предлагать помогать сбивать сосульки с крыши чужого дома». Почему так? — Вот так самообучилась «вести себя» его нейросеть на фоне подобных эмоций.

На рисунке 4 мы видим, как несколько иначе выглядит аналогичная матрица «эмоции — поступки» у асоциальной личности. Благодарность в этом случае выражается скорее в словесном поведении, а не в практическом (да и то такое поведение возникает с менее высокой вероятностью). Обида и злорадство приводят скорее к молчанию, а гнев — к откровенному вредительству.

Тут же возникает вопрос: а можно ли построить «сквозную матрицу», описывающую преобразование стимулов сразу же в поведенческие реакции? Да, это нетрудно сделать. Я для этого реализовал в соответствующей таблице Эксель хорошо известное из линейной алгебры матричное умножение: подсчитал всевозможные попарные скалярные произведения каждого вектор-столбца из первой таблицы на вектор-строку во второй.

В результате мы видим, что социабельная личность в ответ на негативное отношение отвечает скорее молчанием (тем самым гасит, но не эскалирует конфликт), а на две другие ситуации отвечает скорее либо выражением сочувствия и интереса к другому, либо проявлением гостеприимства и деятельной помощи. В то время как «асоциальная личность» практически не проявляет ни гостеприимства, ни готовности к деятельной помощи, а на негативное отношение реагируют агрессивно, то есть эскалирует конфликт.

Вопрос: получили правдоподобную модель? — Ответ: да, получили. Но… важно подчеркнуть, что это лишь вероятностная модель. Ни в одной клеточке мы не видим значений 1 — так, чтобы эмоция и тем более поведение возникали со 100-процентной вероятностью. Более того, в результате «посредничества эмоций» вероятности поступков еще более «размазываются» (становятся меньше). Так что с какой-то небольшой вероятностью и социабельная личность может совершать не самые приятные для соседа поступки, и асоциальная личность — не самые плохие.

Что еще важно подчеркнуть в представленной нами иллюстративной модели? — Это то, что возможное расширение числа столбцов и строк (расширение репертуара эмоций и поступков) неминуемо и автоматически приведет к еще большему «размазыванию вероятности» — превосходство высоковероятных связей над низковероятными связями еще более сократится. Я мог бы это показать на примерах еще более объемных матриц, но не хочу загромождать статью еще большим количеством более сложных таблиц. Надеюсь, что большинство читателей смогут мысленно представить себе такие более объемные матрицы и умозрительно согласятся с данным утверждением.

На рисунке 7 в столбцах таблицы вы видите типичные для традиционной (нематричной) психометрики векторные описания различий между двумя индивидами — «социабельной личностью» и «асоциальной личностью». Мы видим, что я подобрал почти предельные возможные значения вероятности РАЗНЫХ ЭМОЦИЙ в разных ситуациях, но… когда мы нивелируем различия между ситуациями, мы неизбежно РЕЗКО СНИЖАЕМ контраст между вероятностью появления разных эмоций. Этот контраст оказывается почти всегда ниже, чем 0,5 (см. рис. 7). Хотя... сейчас подумал, что лучше бы все рисунки назвать таблицами, так было бы привычней. Но я назвал их рисунками, чтобы подчеркнуть, что это не эмпирические, а умозрительные цифры.

Короткое отступление. Вы думаете, что поступок «прокалывание ночью шины у соседа» — это какая-то неправдоподобная, вымышленная Шмелевым экзотика? Как бы не так! Вспоминаю как мне лично один ветеран боевых действий в Афганистане предложил в 90-е годы заточку, чтобы я ночью проткнул шины у противников строительства «гаражей-мыльниц» в нашем московском дворе. Это такой способ… гм… «ведения боевых действий», в его понимании.

Общее обсуждение итогов «модельного эксперимента»

Итак, мы провели на страницах этой небольшой статьи в некотором смысле «модельный эксперимент» — попробовали в виде матриц смоделировать, каким образом определенные ситуации влияют на поведение двух разных, во многом «идеализированных» типов людей (реальные люди имеют, конечно, еще менее выраженные доминирующие связи, чем эти построенные нами акцентуированные персонажи).

Мы видим, что поведение, конечно, зависит от ситуации, но не жестко, а лишь вероятностно. И эти вероятности определяют возможную точность нашего прогноза. Если вероятностные связи слабые, то, как ни крути, точность прогноза не может быть выше этих низких вероятностей. Если нейросеть не слишком жестко обучена (нет явных максимумов на каких-то волокнах-аксонах, которые ведут от одних нейронов к другим), то мы НЕ сможем спрогнозировать поведение никак, даже хорошо зная, в какой ситуации оно осуществляется (на какой именно поступок соседа сейчас реагирует наш персонаж).

1. Таким образом, в качестве первого следствия из такой МВТЛ (матрично-вероятностной теории личности) мы получаем такое следствие — ВЕРОЯТНОСТНАЯ ТОЧНОСТЬ. Даже учет ситуаций обеспечивает нам только лишь вероятностную точность прогноза, иногда незначительно превышающую уровень случайного угадывания. А уж грубый учет, как это делается в диспозициональный моделях, только одной склонности людей к определенным эмоциям (положительным или отрицательным) дает нам совсем-совсем низкую точность прогноза. Что мы и наблюдаем практически всегда в случае диспозициональных моделей (факторно-параметрических), когда человек описывается не матрицей «ситуация — поведение», а лишь вектором.

2. Второе следствие. Матрицы подобного типа в мозгу формируются в огромном количестве, и они очень разнообразны! Мы рассмотрели с вами лишь очень узкий класс ситуаций — взаимодействие с соседом по дачному участку (да и то далеко не все возможные поступки соседа указали в качестве входов в матрицу реакций). Но и то, даже в этом очень упрощенном случае матрицы для кого-то из читателей покажутся…гм… весьма громоздкими. А теперь представьте, каковы размерности таких матриц в мозгу человека, если они строятся по отношению к разным объектам: социальным, живым, неживой природы и т.п. Человек обучается в течение жизни определенным образом реагировать на: родителей, друзей-сверстников, «чужих дядек и тетушек» (вроде гаишников на дорогах или воспитательниц в детских садах), на разные погодные явления (дождь, снег, ветер, жару и холод), на разные информационные источники (радио, телевидение, компьютер, книги), на разные информационные жанры в этих источниках (мультики, сказки, новости, учебники и т.п.). Фон жизнедеятельности может быть разным: будни, выходные, праздники, начало нового проекта, напряженный финал проекта, пресыщение от однообразного вида деятельности и т.п. Не буду всего перечислять. Главный вывод таков: задача изучения структуры подобных матриц в ходе психодиагностических обследований — это огромной сложности задача, которая для детального моделирования требует не часов и не дней, а даже, я бы сказал, многих лет(!) — почти такого же количества времени от исследователя, которое тратит человеческий мозг на формирование такого рода матриц в ходе жизни(!).

Мозг человека — это воистину целая Вселенная, то есть как минимум отдельная галактика, насчитывающая миллионы звезд и планет, требующих своего отдельного изучения(!). Вы мечтаете построить ПРОСТУЮ ТЕОРИЮ — так, чтобы несколько нехитрых уравнений на одной страничке текста (доступных массам на уровне средней школы) описывали и предсказывали поведение человека? — Не получится! Система психической регуляции — это сложный информационно-преобразовательный механизм, которые не получится так описать. Ну представьте себе хотя бы современный компьютер, в гигабайтах которого хранятся тысячи, десятки тысяч закачанных туда РАЗНЫХ программ, самоактивирующихся в разных ситуациях! Как их всех описать с помощью простых уравнений? Никакие аналогии с механикой твердых тел и даже с неорганической химией здесь не проходят. Даже органическая химия со всем многообразием высокомолекулярных соединений не может сравниться по сложности созданных объектов с теми нейросетевыми «ансамблями», то есть программами, которые управляют поведением человека(!).

Итак, сформулируем второе следствие максимально компактно: векторное представление индивидуальности, например, в виде частотной гистограммы появления разных ЭМОЦИЙ, возможно и полезно, но оно, без учета ситуаций, дает лишь очень незначительный прирост к точности вероятностного прогноза. Требуется матричное представление, которое трудно реконструировать, — требуется не массовый, а индивидуальный подход к каждому человеку (идеографическая парадигма диагностики вместо номотетической). Это достигается в какой-то степени с помощью метода типа «репертуарные решетки», но они до сих пор не пользуются широкой популярностью у практических психологов — сложны в плане «интеллектуального освоения».

Почему же так трудно разработать УНИВЕРСАЛЬНУЮ матрицу, которая базировалась на бы ТИПОВОЙ системе категоризации ситуационных стимулов? — Да потому, что нейросетевые матрицы человека не только уникальны по содержанию клеточек, но и уникальны по содержанию СТРОК — системы категорий. Джордж Келли назвал индивидуальную систему категоризации «системой личностных конструктов». А.Н. Леонтьев ввел в употребление концепт «система личностных смыслов» (Леонтьев, 1979). Но дело не в терминах, а в сути дела. На уникальную систему конструктов (или смыслов) типовая категориальная сетка накладывается с большими потерями точности прогнозирования(!).

3. Третье следствие. Речь здесь идет о «множественных Я одного человека». В одном классе ситуаций, например, в отношениях с близкими знакомыми (родственниками и друзьями), у человека может быть накоплен опыт ПОЗИТИВНЫХ ОТНОШЕНИЙ, так что с этими людьми он ведет себя как «доброжелательная личность», но вот с незнакомыми людьми (с которыми встречаться доводилось на темных улицах и в бандитских дворах) накоплен совершенно иной опыт взаимодействия — «агрессивно-асоциальный»(!). И получается, что человек НЕоднороден: в нем как бы уживаются 2 разные личности: одна личность — в одном классе ситуаций, другая — во втором, а третья — в третьем классе. В каком еще в третьем? — спросите вы. Ну, например, это формально-деловые отношения с клиентами, коллегами и начальниками на работе, которые могут быть совершенно независимым третьим классом отношений (в отличие от домашних отношений или отношений с людьми на улицах или в общественном транспорте).

Вот вы провели НАБЛЮДЕНИЕ за реальным поведением этого человека. Казалось бы, что может быть объективней, чем метод наблюдения? Но… Вы наблюдали за человеком, только когда он работе. А надо спрогнозировать, как он будет вести себя на избирательном участке. А там его окружают примерно такие же незнакомые люди, как в магазинах, в метро и на улицах. Там у него другая МОДЕЛЬ поведения будет. И все ваши прогнозы, построенные на одних его матрицах, к другим нейронным матрицам этого же человека оказываются, увы, неприменимы.

4. Четвертое следствие. Созданные в экспериментально-диагностической эмпирической психологии модели и методы неплохо работают только для меньшинства — для 10–20 процентов акцентуированных личностей. Кто такие акцентуированные личности? — Это люди, которые ведут себя примерно одинаково в очень разных ситуациях. Например, веселые акцентуанты всегда веселятся, даже на поминках, а плаксивые всегда плачут, даже на веселых свадьбах. Ну и так далее. А ведь большинство — это гибкие и адаптивные люди, которые ведут себя совершенно по-разному в разных ситуациях (на поминках плачут, а на свадьбах смеются, в отношениях с подчиненными командуют, а в отношениях с начальниками — слушаются). Вот по отношению к этому большинству людей факторно-параметрические модели (векторные) совершенно бессильны. Для них нужно строить очень громоздкие матрично-вероятностные модели (подобные тем матрицам, которые я здесь попытался описать), но это очень и очень трудоемкий процесс(!).

5. Пятое следствие. А.Г. Шмелев — далеко не первый психолог, который «открыл» подобные трудности в описании человеческого поведения, кто осознал страшную комбинаторику всевозможных случаев — огромное разнообразие множества стимулов, множества реакций и множества категорий (классов ситуаций), которые выступают посредниками (в качестве промежуточных переменных). Некоторые проницательные и по-своему мудрые авторы давно это осознали и предложили другой подход к преодолению этих трудностей. Например, П.Я. Гальперин настаивал на том, что надобно не исследовать, как неправильно выполняет стихийные умственные действия ребенок, а сразу же ФОРМИРОВАТЬ правильные умственные действия. Другой наш известнейший отечественный методолог, Г.П. Щедровицкий, настаивал на том, что «оргдеятельностная методология» — это не столько путь эмпирических исследований, сколько путь конструктивного проектирования и управления правильно организованной психической и коллективной деятельностью. Немало сторонников конструктивной психологии можно назвать и среди крупных зарубежных ученых — психологов, философов, методологов. Сейчас дело не в перечислении имен, а в том, чтобы эти же постулаты КОНСТРУКТИВНОЙ ПСИХОЛОГИИ выразить на языке нейросетевых моделей. Я бы об этом и постарался сформулировать это пятое следствие таким образом:

если мы помещаем человека (даже взрослого и тем более ребенка) в благоприятную социальную среду (например, в творческий коллектив, где люди увлечены работой и поддерживают доброжелательную атмосферу в отношениях), то сама собой формируется по мере приспособления к такой среде определенная НЕЙРОСЕТЬ, которая становится обладателем определенных предсказуемых НЕЧЕТКИХ СВОЙСТВ (желательных личностных черт).

Да, эти свойства мы можем прогнозировать лишь с вероятностной точностью, то есть не в 100 процентах случаев. Но это будут такие полезные личностные проявления: Честность, Общительность, Эмоциональная устойчивость, Любознательность, Солидарность (Эмпатийность), Организованность, Ответственность, Умеренная соревновательность, Чувство юмора, Самоирония, Конструктивность, Кооперативность (поиск компромиссов в спорных ситуациях) и так далее.

А теперь подумайте, пожалуйста, в какой среде обучается нейросеть вашего ребенка — такого, который с детства играет в агрессивные компьютерные игры. Да, можно надеяться, конечно, что для него «игровые персонажи» и «реальные люди» — это разные категории лиц, с которыми приходится взаимодействовать, но ведь в ситуации острой фрустрации (расстройства жизненных планов) человек начинает ВСЕ ПУТАТЬ — мы это отчетливо знаем. Вот и проникают в школы некоторые обиженные, затравленные акцентуанты с обрезами, спрятанными под полой, и расстреливают прямо в школах своих сверстников под игровым девизом «Убей их всех!». Так что… давайте все вместе думать, на каком «обучающем материале» стремительно обучаются нейросетевые модели в мозгах у наших детей.

А вообще-то они впитывают в себя прежде всего «наш личный пример» — присваивают наши модели поведения. Или … отторгают эти модели как «негативные антипримеры» и на фоне отрицательной идентификации с родителями (каким-то одним, возможно) их жизненный сценарий выстраивается по типу «опровержения родительского сценария»…

Общий вывод

А теперь попрошу Николая Алексеевича Хрумалова (и его последователей) сформулировать свои пожелания насчет «общей теории личности» на языке, которые я здесь предложил, — на языке самообучающихся нейросетевых моделей поведения. Вот тогда мне будет понятней, в чем смысл таких пожеланий и требований.

Литература (и веблиография)

1. Ананьев Б.Г. О проблемах современного человекознания. – М: Наука, 1977. – 384 с.
2. Аугустинавичюте А. Соционика: введение. – Санкт-Петербург: Terra fantastica; Москва: АСТ, 1998. – 444 с.
3. Колосовский М. Перцептрон — что это, как он работает и как его написать. – Дзен, 2023. Данная очень короткая и популярная онлайн-статья содержит код простейшей программы на языке Python: https://dzen.ru/a/ZYWdP7_6RH3JmXqR
4. Лазурский А.Ф. Очерки науки о характере. – Петроград, 1917. – 386 с.
5. Леонтьев А.Г. Деятельность. Сознание. Личность. – М.: Политиздат, 1979. – 304 с.
6. Личко А.Е., Иванов М.Я. Патохарактерологические исследования у подростков: Сборник статей. – Ленинград: Ленингр. н.-и. психоневрол. ин-т им. И.М.Бехтерева, 1981. – 120 с.
7. Мясищев В.Н. Личность и неврозы. – Ленинград: Медицина, 1960. – 426 с.
8. Розенблатт Ф. Принципы нейродинамики: Перцептроны и теория механизмов мозга. – М.: Мир, 1965. – 480 с.
9. Росс Л., Нисбетт Р. Человек и ситуация. Перспективы социальной психологии / Пер. с англ. В.В. Румынского под ред. Е.Н. Емельянова, B.C. Магуна. – М.: Аспект Пресс, 1999. – 429 с.
10. Франселла Ф., Баннистер Д. Новый метод исследования личности. – М.: Прогресс, 1977. – 234 с.
11. Хекхаузен Х. Мотивация и деятельность. Том 1 / Пер. с нем. под ред. Б.М. Величковского. – М.: Педагогика, 1986. – 408 с.
12. Шмелев А.Г. Традиционная психометрика и экспериментальная психосемантика // Вопросы психологии, 1982, №5, с. 36-46.
13. Шмелев А.Г. Психодиагностика личностных черт. – СПб: Речь, 2002. – 480 с. (между прочим читателям будет интересно узнать, что название докторской диссертации Шмелева, положенной в основу этой монографии, было немного другим: «Психодиагностика и психосемантика личности», но питерское издательство «Речь» убоялось слова «психосемантика»).
14. Шмелев А.Г. Практическая тестология. – М.: Маска, 2013. – 628 с.
15. Шмелев А.Г. Шестнадцатифакторный личностный опросник Кеттелла. – Портал «Большая Российская энциклопедия», 2023. – https://bigenc.ru/s?q=16PF

Источник: ТГ-канал «Компьютерная психодиагностика и психосемантика»