با توجه به محدودیتها و ابهامهای موجود در مدلهای متداول آماری مانند از دست دادن داده های مربوط به تعاملهای پیچیده و غیر خطی بین سازه های روان شناختی و برخی مفروضه ها مانند همگونی و اریانها و توزیع نرمال پژوهش حاضر توانایی مدلهای شبکه های عصبی مصنوعی را برای مطالعات پیش بینی بررسی کرد. گروه نمونه ای شامل ۴۵۶ دانش آموز پسر سال سوم دبیرستان پرسشنامه شخصیتی کالیفرنیا (CPI؛ گاف (۱۹۷۵) و پرسشنامه همسازی دانش آموزان مدرسه (AISS، سینها و سینگ (۱۹۹۳) را تکمیل و در پنج سطح هماری از ناسازگار تا کاملاً سازگار طبقه بندی شدند. تحلیل عاملی ترکیبهای مختلف رگه های شخصیتی نشان داد که برخی از شبکه ها به دلیل ناهمخوانی بین تعداد متغیرها و معماریهای شبکه نمیتوانند همسازی را پیش بینی کنند. اما بازنگری معماری ها و تکرار شبکه های جدید نسبت پیش بینی درست نسبت طبقه بندی شرکت کنندگان در سطوح همسازی مبتنی بر AISS) را به گونه ای معنادار افزایش داد مناسب ترین شبکه برای پیش بینی همسازی شامل ترکیبی از متغیرهای شناختی انعطاف پذیری، زنانگی اشتراک و تحمل بود.

کلمات کلیدی