Личное удовлетворение, объем оплачиваемой работы женщины, личностные факторы и возраст: это 4 основных фактора риска. И это был алгоритм, который определил их, подчеркнув большой потенциал методов машинного обучения в демографических и социологических исследованиях
Летиция Менкарини, профессор кафедры социальных и политических наук Университета Боккони
Что предлагает искусственный интеллект, выходящий за рамки традиционных статистических моделей, таких как регрессионный анализ, для изучения поведения домохозяйств, в частности факторов, вызывающих разделение пар и расторжение супружеских уз?
Совместно с Бруно Арпино (Университет Флоренции) и Марко Ле Молье (Католический университет Милана) мы проанализировали данные более 2000 немецких супружеских или сожительских пар, за которыми в среднем в течение дюжины лет наблюдалось ежегодное исследование GSOEP (Немецкое социально-экономическое исследование). Panel), из которых более 900 заканчиваются разделением. Приняв подход машинного обучения (в частности, Random Survival Forests), процедура самостоятельно нашла взаимосвязь между различными факторами, содержащимися в базе данных. В данном случае учитывалось более 40 факторов, от возраста до уровня образования, от здоровья до особенностей психологии: масса необработанных данных была передана в МО без выдвижения точных гипотез, а просто с указанием интересующего события распада союз, а алгоритм указал влияние каждого фактора, содержащегося в данных. Переменные, представляющие наибольшую угрозу стабильности союза, были определены с точностью до 70% (прогностическая способность превосходит 50%, достигаемые традиционными методами регрессии). ML не только смог обнаружить факторы, лежащие в основе распада пар, но также смог использовать это знание, чтобы предсказать конец союза до того, как он произойдет. Это также связано с тем, что вместо того, чтобы отправлять все доступные данные специальному алгоритму, половина использовалась для инструктирования самого алгоритма, а достоверность результатов проверялась с помощью другой половины набора данных.
Результаты анализа очень интересны, прежде всего потому, что методология машинного обучения способна взвесить относительную важность различных факторов, вызывающих разрыв. Факторы, которые были особенно влиятельны в предыдущих исследованиях, вместо этого потеряли свою актуальность здесь, такие как безработица и высокий уровень образования и дохода партнера. Четыре основных фактора риска, выявленные в ходе исследования, расположены в порядке убывания: личное удовлетворение, количество оплачиваемой работы женщины, некоторые личностные факторы и возраст. оба партнера недовольны, очевидно, пара не продержится долго. Менее очевидным является то, что сильное падение супружеской стабильности возникает, когда женщина очень довольна союзом, а мужчина гораздо меньше, а обратный эффект менее заметен. Если женщина много часов работает вне дома, риск разлучения или развода выше, даже если мужчина больше занят домашними делами (но в этом результате нет ничего нового, и, согласно существующей литературе, он зависит от большей свободы действий и независимости). Что касается черт личности, то высокая «экстраверсия» у мужчин (классически связанная с более высокой неверностью) и низкая «открытость» у женщин, менее приспособленных к изменениям, вызванным совместным проживанием, являются чертами, которые более тесно связаны с с окончанием пары.Также низкий уровень «добросовестности» у обоих партнеров (понимаемый как организаторские способности в повседневной жизни, а потому — если низкий — как неупорядоченность и неумение соблюдать взятые на себя обязательства) не помогает оставаться вместе. слишком высокий или слишком низкий уровень «невротизма» может быть проблемой.Этот результат можно интерпретировать как то, что страдания от чрезмерной тревожности, ревности, вины, беспокойства или гнева явно осложняют отношения.
Это верно прежде всего для женщин, но, с другой стороны, те, кто не испытывает такого рода эмоций, могут привести к тому, что их партнеры воспримут эту черту личности как отсутствие интереса (мужчины, в данном случае). Однако не было определено ни одного спаривания личностей, более сильно связанного с разрывом отношений. Наконец, с учетом возраста очень молодые пары более нестабильны, но у женщин стабильность в отношениях усиливается после 40 лет, чего нельзя сказать о мужчинах.
Анализ машинного обучения не лишен ограничений. В данном случае основным является то, что он относится только к Германии, а также содержит мало подробностей о психологических аспектах двух партнеров. Однако с методологической точки зрения исследование демонстрирует большой потенциал методов МО в демографических и социологических исследованиях в целом, подчеркивая их способность отслеживать и анализировать большое количество прогностических факторов, автоматически находить линейные или нелинейные отношения, аддитивные или неаддитивные отношения между этими факторами и интересующим результатом, с большей точностью и большей устойчивостью оценок к коллинеарности, чем обычно используемые методы.
