مدل T-patte و الحاقات آن، به نام T-system، با الگوریتم های تشخیص مربوطه و نرم افزار THEME TM (به pattevision. com مراجعه کنید)، برای تسهیل تشخیص الگوهای تکرارشونده در سوابق رویدادهای مهر زمانی (رفتاری) توسعه داده شد. در حالی که تجزیه و تحلیل آماری چنین داده هایی معمولاً بر روی دسته های تکراری ثبت شده مستقیم (کدگذاری شده) متمرکز شده است، به عنوان مثال، فراوانی و مدت زمان آنها، این رویکرد مرحله ای میانی را معرفی می کند که در آن ابتدا «مقوله های» (الگوهای) تکراری جدید کشف می شوند که به نوبه خود می توانندشمارش، اندازه گیری و تجزیه و تحلیل با استفاده از روش های آماری استاندارد اغلب برای کشف اثرات متغیرهای مستقل که در غیر این صورت از قلم افتاده است. این رویکرد عمیق تر همچنین ممکن است مزایای عملی را ارائه دهد که گاهی اوقات به نمونه ها و/یا افراد کمتری برای تشخیص اثرات نیاز دارند. در حالی که تجزیه و تحلیل داده های حجیم با Theme امکان پذیر است، استفاده خاص از اطلاعات زمانی (زمانی) همچنین امکان تجزیه و تحلیل داده های کوچک (حتی فقط چند رویداد) را فراهم می کند که معمولاً در تعاملات کوتاه رایج در کار بالینی و همچنین از مجموعه داده های ساعت هوشمند جدید ثبت می شود. برنامه ای به نام ThemeWatch که در زیر توضیح داده شده است. مدل T-patte با برخی از برنامه های افزودنی و الگوریتم های موضوع متناظر از جمله ویژگی های پیش بینی و پیش بینی تم جدید شرح داده شده است. از طریق یک مثال تشریح شده تشخیص الگوی T و ارجاع به مطالعات متعدد با استفاده از این رویکرد، هدف این مقاله ارائه برخی از احتمالات ارائه شده توسط تشخیص و تجزیه و تحلیل الگوی T با استفاده از نرم افزار اختصاصی Theme است.

1. معرفی

این مقاله روش شناختی کوتاه دلایلی را برای استفاده از تشخیص الگوی مکرر مانند تشخیص و تحلیل الگوی T (TPA) در تحقیقات رفتاری و توصیف ضروری سیستم T از مفاهیم ساختاری مرتبط، که در آن T-Patte مرکزی است، ارائه می کند. ارجاعاتی به کاربردهای تحقیقاتی منتشر شده TPA در زمینه هایی از تعاملات عصبی گرفته تا انسانی که در میان سایر موارد در دو کتاب ویرایش شده [1،2] و در مقالات منتشر شده [3] شرح داده شده است.

TPA اکنون در بسیاری از مناطق مختلف از ورزش و فریب در تعامل انسان گرفته تا فعل و انفعالات عصبی در مغزهای زنده اعمال شده است ، در حالی که الگوهای T نیز در DNA وجود دارند که نشان می دهد مدل T الگوی نسبتاً کافی از نوع ذاتی الگوهای تکراری ارائه می دهددر بسیاری از سطوح سازمان های بیولوژیکی یافت می شود ، اما غالباً سخت یا غیرممکن از طریق مشاهده بدون کمک یا با روشهای سنتی ، در حالی که الگوی T بسیار قابل توجهی تقریباً در همه جا یافت شده است که در رفتارهای داخل و بین فردی جستجو شده اند. همانطور که انتظار می رود ، با توجه به فراوانی الگوهای T ، نتایج به دست آمده با TPA معمولاً با نتایج به دست آمده با تجزیه و تحلیل فرکانس ها و مدت زمان یا با تجزیه و تحلیل چند متغیره و متوالی استاندارد از دسته های رفتاری مستقیم کدگذاری شده (ضبط شده) متفاوت است.

جستجوی الگوهای مکرر پنهان ممکن است با توجه به بسیاری از موارد واضح به نظر نرسد ، اما بسیاری از موارد مناسب فقط اخیراً با ابزارهای کافی کشف شده بودند ، و دستور زبان اساسی پس از هزاران سال صحبت هنوز ناشناخته بود.

عود تعداد محدودی از الگوهای مانند کلمات یا حرکات ، به نظر می رسد یک ویژگی جهانی رفتار است ، اما مهم برای تشخیص الگوهای مکرر اینها در رفتار و تعامل پیچیده ، چه کلامی ، غیر کلامی یا هر دو و گاهی اوقات شامل حوادث محیطی است ،به طور رسمی نوع الگوهای را برای جستجوی امکان توسعه الگوریتم های تشخیص محاسباتی تعریف می کند. با توجه به اینکه جهان فراکتال است [4] و به این ترتیب با شفاب و شغلی (ناشی از تعادل تعداد کمی از نیروهای جهانی فشار و کشیدن [5]) مشخص می شود. بشردر حالی که فراکتال های ریاضی دقیق و نامتناهی هستند ، آنهایی که در طبیعت یافت می شوند (به نام شبه فراکتال) محدود و تقریبی (آماری) هستند که معمولاً فقط چند مرتبه از قدر را شامل می شوند [6] ، اما هر یک ممکن است به طور مشابه در زمان ها و مکان های مختلف عود کنند ، مانند T-PATTERNS ، با تقارن ترجمه آماری معنی دار [7] مشخص می شود (شکل 1).

شکل 1: این شکل با لیستی از کدهای از پیش تعیین شده که می توانند به صورت تعاملی توسط کاربر اصلاح شوند ، موضوع را نشان می دهد. با ضربه زدن به یک کد ، به طور خودکار با تاریخ و زمان فعلی در یک پرونده ورود به سیستم ذخیره می شود که با یک فشار ساده روی ساعت می تواند حذف شود یا به هر آدرس ایمیل از پیش تعیین شده ارسال شود (به عنوان مثال ، به کاربر ، پزشک یا محقق) به راحتی توسط کاربر تنظیم و تنظیم مجدد کنید.

با کمال تعجب ، احتمالاً به دلیل عدم وجود مدل های الگوی کافی یا ترجیح واضح برای هر نوع خاص ، حتی بسته های آماری که به طور گسترده ای استفاده می شود برای ده ها سال ابزارهای قدرتمندی برای تشخیص الگوهای پیچیده مکرر در زمان به معنای بالا فراهم می کند و در عوض بر روابط متمرکز می شودبین ویژگی های موجودات شناخته شده.

دانکن و فیسک [8] بین الف) تجزیه و تحلیل ساختاری مربوط به کشف ساختار جریان های پویا رفتار بدون لزوماً مقایسه آنها ، و ب) تجزیه و تحلیل متغیر خارجی با تمرکز بر مقایسه نمونه هایی که به طور معمول توسط متغیرهای مستقل گروه بندی می شوند ، متمایز می شوند ، در حالی که به طور معمول به تکیه براندازه گیری های ساده مانند فرکانس ها و مدت زمان رفتارهای رمزگذاری شده.

در حالی که تجزیه و تحلیل کاملاً ساختاری در TPA اصلی است ، ترکیب تجزیه و تحلیل متغیر ساختاری و خارجی در مطالعات مبتنی بر TPA معمولی است و نرم افزار موضوع عملکردهای ویژه ای را برای تجزیه و تحلیل و مقایسه مجموعه های الگوهای شناسایی شده در نمونه های مختلف فراهم می کند. به عنوان مثال ، الگوهای ممکن است یافت شود که به طور انحصاری یا به طور قابل توجهی بیشتر در مجموعه های خاصی از نمونه هایی که معمولاً در شرایط مختلف جمع آوری می شوند ، رخ می دهد. جداول آماری توصیف الگوهای شناسایی شده می تواند برای تجزیه و تحلیل آماری استاندارد باشد که به دنبال اثرات تجربی بر روی پارامترهای الگوی T مانند ، فرکانس ، متوسط یا حداکثر طول ، تعداد بازیگران یا گزینه های بین بازیگران و غیره است ، غالباً اثرات تجربی قابل توجهی را پیدا می کنند که در هنگام از دست دادنبا استفاده از روشهای استاندارد به تنهایی. این امر به یک نتیجه عملی ، اقتصادی و حتی اخلاقی احتمالی استفاده فشرده از داده ها در TPA که به طور سیستماتیک مورد بررسی قرار می گیرد ، اشاره دارد: امکان کشف اثرات تجربی با استفاده از آزمایشات کمتر یا کوتاه تر و افراد کمتری.

2. روش

تعاریف رسمی اساسی از الگوی T و برخی دیگر از مفاهیم سیستم T در زیر آورده شده است اما درمان بیشتر را می توان در جای دیگر یافت [9-16]. تمام تعاریف و الگوریتم های تشخیص به به اصطلاح T-Data اشاره دارند ، که ممکن است در شرایط آزمایشی یا طبیعی تولید شود ، اما شامل زمان وقوع وقایع گسسته در مقیاس گسسته است که با استفاده از هر روش ضبط شده است ، به عنوان مثال ، کدگذاری شده با یک برنامه ساعت هوشمندمانند ساعت مچی یا فیلم با استفاده از یک ابزار چندرسانه ای مانند T-Coder (به www. pattevision. com مراجعه کنید) یا به طور خودکار ، به عنوان مثال ، با یک تراشه در مغز که هر سنبله را از هر یک از تعدادی نورون جداگانه در مجاورت ثبت می کند[17]داده های رفتاری ، محیطی و/یا فیزیولوژیکی را می توان با هم ادغام و تجزیه و تحلیل کرد تا زمانی که تمام داده ها به عنوان T-Data نشان داده شوند ، یعنی به عنوان وقایع با مهر و موم گسسته در همان دوره مشاهده. برای این کار ، ابتدا داده های مشابه باید به داده های رویداد مهر و موم شده تبدیل شوند ، به عنوان مثال ، (شروع ، حداکثر یا دقیقه یا پایان) زمان قله ها و فرورفتگی ها در هر کانال. بنابراین T-Data مجموعه ای از سری زمان های وقوع است ، یکی برای هر نوع رویداد ، مانند بالای قله ها در یک کانال و انتهای فرورفتگی در دیگری.

3. نوع T-Data

T-Data is composed of a number (>= 1) نقاط گسسته (یا وقایع) در یک بازه [1 ، t] در یک بعد گسسته واحد. در داده های T اولیه ، هر سری (عدد صحیح) نمونه های یک رویداد مختلف را نشان می دهد ، به طور معمول شروع N (یا پایان) برخی از حالت (رفتاری) که توسط الگوریتم به عنوان یک سری ساده از نقاط گسسته در نظر گرفته می شود [t_i]_{i = 1.. n}یا به طور معادل ، به عنوان فواصل واحد [t_1i, t_2i]_{i = 1.. n}، جایی که t_1i = t_2i، اما t_1i3 S) در بیننده و y شروع به بررسی کارت دیگری می کند.

شکل 4: این شکل یک الگوی T از طول 4 (M = 4) را نشان می دهد. در اینجا یک الگوی مکرر m = 2 ابتدا (x ، b ، خودروسازی x ، e ، خودرویی) به معنی x شروع می شود و با چیزی بدون توجه به آن ، با چیزی به پایان می رسد و این توسط الگوی m = 2 دیگر دنبال می شود (y ، e ، نمای، Long Y ، B ، Lookat ، Picturecard) به این معنی که X شروع به سفارش Y می کند تا بیننده را رها کند و سپس Y دستکاری بیننده را متوقف می کند. رنگ سبز نشان می دهد که هر دو الگوی 107 و آخرین رویداد (ترمینال 4) نشانگرها هستند (در مورد T-Markers در زیر مراجعه کنید). چهار خط سبز عمودی نشان می دهد که هر چهار بار بیننده از کودک Y به کودک x منتقل می شود.

موضوع ویژگی های اعتبار سنجی آماری (مونت کارلو) را در سطح جهان و برای هر الگوی ارائه می دهد.

تمام نمونه های تشخیص مصور در زیر مربوط به تعامل دوتایی بازی اسباب بازی 13. 5 دقیقه بین دو کودک 5 ساله به نام X و Y با داده T نشان داده شده در شکل 2 است.

شبکه رسمی تیم های تحقیقاتی دانشگاه ما در بیش از سی دانشگاه در اروپا و آمریکا ، با نام "روش شناسی برای تجزیه و تحلیل تعامل اجتماعی" (MASI) ، http://hbl. hi. is/masi ، سالهاست که TPA را با موضوع کاربرد دارددر زمینه های تحقیقاتی متعدد ، اما هنوز انواع الگوی مشابه ، الگوریتم های تشخیص و نرم افزار را پیدا نکرده است [1،2].

6. سیستم T

با تکیه بر فاصله بحرانی و مفاهیم الگوی T ، پسوندها تعریف شده و سیستم T را تشکیل می دهند ، به ویژه ، T-Bursts ، T-Markers ، T-Predictors ، T-retodictors ، +/- t-associates ، t-باکت ها و ترکیب T ؛T-Bursts ، T-Markers ، T-Predictors و T-retodictors در زیر تعریف و نشان داده می شوند.

7. T-Bursts

T-Burst رفتار (نوع رویداد یا الگوی T) است که گاهی اوقات با مسافت های قابل توجهی کوتاه تر بین وقایع آن به طور مکرر اتفاق می افتد. بنابراین این یک نوع خاص (یک متغیره) از الگوی T است که یک سری را به خود ، با یک فاصله بحرانی سریع آسپکیال [1 ، D] و وقایع جدا شده با فاصله 1 ≤ t ≤ d از وقوع یک t استفاده می کند.-بوستT-Bursts اغلب پیش بینی بسیار افزایش یافته رفتارهای دیگر را فراهم می کند. شکل 5 یک T-Burst را در نوع X ، B ، Automanipulate نشان می دهد ، به این معنی که X بدون توجه به آن ، با چیزی شروع می شود. برای نشان دادن اینکه نمونه های پشت سر هم از کجا شروع می شود و به پایان می رسد ، این سری دو بار نشان داده شده است که نشانگر شروع پشت سر هم در سری فوقانی و پایان در سری پایین است. این روش برای ارائه دفن های T نیز هنگامی استفاده می شود که یک الگوی T در پشت سر هم اتفاق می افتد ، همانطور که در شکل 6-8 برای الگوی T ساده نشان داده شده است (X ، E ، Automanipulate X ، B ، Automanipulate).

شکل 5: این شکل یک قطعه T را که در سری نقطه وقوع از نوع X ، B ، Automanipulate مشاهده شده است ، نشان می دهد. برای همه چنین الگوهای پشت سر هم ، این سری دو بار نشان داده شده است و خط اتصال در قسمت فوقانی نشان می دهد که هر پشت سر هم شروع می شود و در پایین جایی که به پایان می رسد.

شکل 6: در این نمودار از الگوی T الگوی 856 ، گره T-Marker سطح 80 ٪ نشانگر با رنگ سبز نشان داده شده است. توجه کنید که گره 370 ، که به عنوان پشت سر هم با یک اتصال نقطه مشخص شده است ، پشت سر هم الگوی 118 است و یک علامت T است ، در حالی که هیچ یک از قسمت های آن وجود ندارد. وقوع کل الگوی (856) نسبت به هر یک از مؤلفه های T-burst.

شکل 7: مانند شکل 6 و در همان سطح نشانگر 80 درصد، این شکل نشانگرهای T را به رنگ سبز نشان می دهد به جز پیش بینی کننده های T که با رنگ آبی نشان داده شده اند. توجه داشته باشید که گره 370 که به عنوان یک انفجار با یک اتصال نقطه گذاری مشخص شده است، در میان پیش بینی کننده های T قرار دارد، اما هیچ یک از بخش های آن (گره 118 و پایانه های آن) وجود ندارد، بنابراین T-burst پیش بینی قوی تری نسبت به هر یک از بخش های آن ارائه می کند.

شکل 8: مانند شکل 6 و در همان سطح نشانگر = 80%، این شکل T-Markers را به رنگ سبز نشان می دهد به جز T-Retrodictors که با رنگ آبی نشان داده شده اند. توجه داشته باشید که الگوی فرعی 370 که به عنوان یک انفجار با یک اتصال نقطه گذاری مشخص شده است، در اینجا در میان T-Retrodictors قرار دارد در حالی که قطعات آن نیستند، بنابراین T-burst پسرفت قوی تری نسبت به هر یک از بخش هایش ارائه می کند. همانطور که در شکل 7 مشاهده می شود، گره انفجاری 370 نیز یک پیش بینی کننده T در این الگوی T 856 است.

8. T-Markers، T-Predictors و T-Retrodictors

الگوهای T اغلب روابط احتمالی شرطی پیچیده و به طور قابل توجهی زمان بندی شده بین رفتارها را نشان می دهند، که مانند همه روابط بازه ای بحرانی، ممکن است علی باشند یا نباشند. مشاهده رفتاری که گاهی اوقات به عنوان جزئی از یک الگوی T خاص، Q رخ می دهد، بنابراین کمابیش به شدت نشان می دهد که Q ممکن است ادامه داشته باشد، در حال پیشرفت و احتمالاً شروع یا پایان باشد. بنابراین در موارد قوی، ممکن است احتمال آینده نگری و/یا آینده نگری را فراهم کند.

یک نشانگر x% T الگوی T رفتاری است که x% از نمونه های آن به عنوان اجزاء در Q رخ می دهد، بنابراین با احتمال x% نشان می دهد که Q در حال انجام است (شکل 6) و بسته به موقعیت آن در الگو، یکT-Predictor (شکل 7) یا T-Retrodictor (شکل 8) از آنچه که به ترتیب ممکن است با احتمال x% به دنبال یا قبل از آن باشد (که به این ترتیب سطح نشانگر نیز نامیده می شود). به جز برای نشانگرها در موقعیت های 1 یا m در یک T-Patte، همه انواع رویدادهای پایانی و الگوهای فرعی آن ممکن است هم یک T-predictor و یک T-retrodictor باشند.

شکل 6، شکل 7 و شکل 8، ایجاد شده با Theme، به سه روش مختلف یک الگوی T را نشان می دهد که در یک تعامل 13. 5 دقیقه ای بین دو کودک نوپا با تمرکز بر نشانگرها (سبز) و یکپارچه (آبی) و پیش بینی کننده ها (آکوا) شناسایی شده است. همچنین انفجارهای T و اهمیت آنها برای پیش بینی و بازبینی.

The meaning of the labels (event types) on the vertical axis: x and y are the two toddlers; b or e = begin or end; viewer = a picture viewer; automanipulate = fiddling with something without paying attention to it; view, long = looking at a picture in the viewer for>= 3 ثانیه؛نگاه، شریک = به دیگری می نگرد. lookat, pictcard = به کارت تصویر نگاه می کند (در بیننده نیست); دستکاری، بیننده = بیننده را کنترل می کند. مثال: Y, b, have viewer = Y شروع می کند که بیننده را در کنار خود داشته باشد. محور X زمان در فریم های ویدئویی یا 1/15 ثانیه است.

9. نتایج

همانطور که قبلاً نیز اشاره شد ، نتایج تشخیص الگوی T فوق برای تصویرگری است ، اما برنامه های موفق TPA در بسیاری از زمینه های تحقیقاتی مختلف ، از جمله دیگر ، در دو کتاب ویرایش شده درباره برنامه های TPA [1،2] منتشر شده است و بررسی جامع نیز ارائه می دهدراهنمای برنامه های مختلف [3]. برخی از نمونه های بسیار اخیر در اینجا ذکر خواهد شد. جنبه اساسی TPA امکان تجزیه و تحلیل محتوا و ساختار الگوهای شناسایی شده اغلب برای جستجوی اثرات متغیرهای خارجی در موقعیت یابی رفتارها است (یعنی جایی از x₁به x_m). بنابراین با صادر کردن الگوهای شناسایی شده برای برتری یک تحلیل آماری کاملاً کامل ، به عنوان مثال ، چنین تأثیراتی را در یک مطالعه تجربی فریب در تعامل اجتماعی انسان نشان داده است [18]. مطالعات حیوانات تجربی دارویی با استفاده از TPA اخیراً منتشر شده است [19]. تسهیل تجزیه و تحلیل عینی و کمی از تعامل درمانی اغلب انسان در زمینه های بالینی از جمله انگیزه های اولیه است که باعث توسعه الگوی T و موضوع می شود ، اما هنوز هم چنین کاربردهایی نادر نیست و هیچکدام دارویی نیستند. با این حال ، دو مطالعه بر اساس مصاحبه های روانپزشکی منتشر شده است [20،21].

10. بحث

T-System عناصر ساختاری مشخصی تعریف شده را برای توضیحات و تجزیه و تحلیل سوابق رفتاری در زمان واقعی فراهم می کند و الگوریتم ها و نرم افزارهای مربوطه اغلب به دلیل افزایش غیر قابل توجه و حتی مزایای عملی و اخلاقی ، به دلیل افزایش غیر قابل توجه و حتی بینش های جدید به بینش های جدید اضافه کرده اند. استفاده از داده هادر بعضی موارد ، هزینه پرداخت ، افزودن تمبرهای زمان به کلیه رویدادهای ضبط شده (رمزگذاری شده) است در حالی که این رویکرد همچنین از کدگذاری انواع بیشتری از رفتارها ، از جمله موارد نادر ، حمایت می کند.

Analyzing tiny data: One useful aspect of TPA due to the T-Patte model and the intensive use of real-time information, is the detection of rare and sometimes complex pattes in data sometimes considered too small for standard statistical analysis. For example, T-Data (samples) with possibly only two or three occurrences of each of a small number (>= 1) از رفتارهای مختلف (به عنوان مثال ، تشخیص یک بورست T فقط به سه مورد از یک رویداد مشابه نیاز دارد). می توان گفت که با TPA ، هر لحظه (واحد زمانی) که برخی از انواع رویداد در T-Data اتفاق نمی افتد نیز به عنوان داده ها حساب می شود ، بنابراین گاهی اوقات داده های کوچک را به داده های بزرگ برای TPA تغییر می دهد [16].

نمونه ها ، آزمایشات و موضوعات کمتری: جنبه دیگری از TPA که توسط مطالعات قبلی نشان داده شده است و همچنین به دلیل تجزیه و تحلیل خاص و فشرده هر نمونه ، ممکن است تعداد کمتری از افراد و مشاهدات کوتاه تر برای تشخیص اثرات قابل توجه (آزمایشی) مورد نیاز باشد. کاهش هزینه های اقتصادی و اخلاقی ، اما به رغم نکات واضح ، این یک فرضیه آزمایش نشده اما تجربی قابل آزمایش است.

رویدادهای نادر و ابزاری برای برنامه نویسی آنها: مهمترین وقایع اغلب نادر است ، هنوز هم اغلب فرض می شود که نادر نشان دهنده اهمیت کم و فرکانس بالا از اهمیت بالایی است. روشهای آماری سنتی به طور معمول با وقایع مکرر نیز بهتر می شوند ، که ممکن است تمایل به نادیده گرفتن رفتارهای نادر را توضیح دهد. TPA به طور مؤثر با رویدادهای نادر توجیهی برای توسعه برنامه Watch Time (شکل 1) برای برنامه نویسی دستی از رویدادهای نادر با بهره برداری از مواردی از یک لیست قابل ویرایش در یک صفحه نمایش هوشمند برای ایجاد DATA T برای TPA که می تواند با سایر موارد ادغام شود ، می پردازد. همزمان داده ها را با استفاده از سایر تکنیک های دستی یا اتوماتیک جمع آوری می کند. به عنوان مثال ، Themewatch می تواند به شناسایی زمان های محدود شده از دلایل آلرژی کمک کند زیرا با استفاده از برنامه ، بیمار می تواند به راحتی چنین رویدادهای مهر و موم شده را به طور خودکار ضبط کند و با فشار ساده داده ها را به آدرس ایمیل قبلی مشخص شده ارسال کند ، اگر و چه زمانی می خواهد. بشر

ضعف در مدل T و الگوریتم تشخیص عدم توجه به گزینه های احتمالی (جایگزین ها) در همان موقعیت های الگوی T (مانند مثلاً گفتن بله یا گره زدن) است. هر x_iدر تعریف الگوی T بنابراین باید لیستی (طول ≥1) از اجزای جایگزین (انواع رویداد و/یا الگوهای T) در موقعیت Ith باشد. با توجه به مقدار زیادی از الگوهای شناسایی شده با الگوریتم فعلی ، این پیشرفت فشرده نشده است ، اما یک برنامه افزودنی برنامه ریزی شده است ، در حالی که الگوریتم را تا حد امکان برای توضیح و حفظ نگه می دارد.

سرانجام لازم به ذکر است که برنامه های تحقیقاتی برخی از آخرین موارد اضافی در سیستم T و ویژگی های مربوطه در نرم افزار موضوع هنوز منتشر نشده است.

11. نتیجه گیری

اضافه کردن یک مرحله تشخیص الگوی مکرر در تجزیه و تحلیل آماری سنتی سوابق رفتاری در زمان واقعی می تواند مزایایی داشته باشد همانطور که توسط TPA در بسیاری از زمینه های تحقیقاتی تأیید شده است [1،2]. اما اضافه کردن این مرحله گاهی اوقات می تواند چشمگیر به نظر برسد ، تا حدودی مانند جابجایی از تعداد کلمات به استنباط گرامری یا شمارش و تجزیه و تحلیل اتم ها به تشخیص ، شمارش و تجزیه و تحلیل مولکول ها احتمالاً اضافه کردن امکانات مهم تشخیصی. بنابراین TPA باید به عنوان یک مرحله تحلیلی اضافه شده بین جمع آوری داده ها و تجزیه و تحلیل آماری طبیعی تکمیل شده رویکردهای آماری سنتی دیده شود ، در حالی که گاهی اوقات بینش کیفی را از طریق تشخیص الگوهای نامرئی یا به راحتی نادیده می گیرد.

مانند اکثر روشهای تشخیص چند متغیره و الگوی ، درک کامل TPA می تواند دشوار باشد ، اما تعداد بسیار کمی از کاربران TPA متخصص در تشخیص الگوی ، آمار چند متغیره ، علوم رایانه یا موارد مشابه هستند و توسعه T-System و موضوع هنوز توسط یک هدایت می شودآرزو می کنم ابزاری ایجاد کنم ، امیدوارم روزی یک سیستم متخصص ، قابل درک و مفید برای محققان بدون چنین پیشینه باشد. بنابراین TPA با موضوع باید برای اکثر محققان در دسترس باشد.

Themewatch ، همراه با TPA با موضوع ، ممکن است در زمینه های بالینی متعددی مفید باشد که در آن اطلاعات بهتر در مورد الگوهای زمانی هر دو حوادث ذهنی و محیطی در زندگی روزمره بیماران (در بیمارستان های خارج یا خارج) در مورد سلامت روانی و جسمی مورد نیاز است.، در مورد زمان علائم روانی یا فیزیولوژیکی نسبت به حوادث اجتماعی و محیطی و استفاده از دارو.

الگوهای T مستقل از مقیاس هستند و نتایج TPA داده ها با وضوح زمانی از 1 0-6 [17] تا روز [22] منتشر شده است. TPA از داده ها با وضوح زمانی مختلف پیشنهاد شده است ، به عنوان مثال ، پروفایل بر اساس الگوهای T از وقایع شناسایی شده در تاریخچه بیمار یا زندانی یا در مورد پیشرفت بیماری و درمان ، اما داده های مهر و موم شده زمان قابل توجهی برای چنین تجزیه و تحلیل در پزشکی موجود است. بیمارستان و سایر سوابق نهادی (پایگاه داده). TPA در تحقیقات سرطان حیوانات استفاده شده است [23] و به طور غیررسمی برای تشخیص الگوهای در فرآیندهای فیزیولوژیکی پیچیده پیشنهاد شده است ، به عنوان مثال ، تغییر در بافت منتهی به تومورهای سرطان ناشی از تجربی.

منافع رقابتی

نویسنده دارنده حق چاپ از ThemetM است و از سال 2000 بنیانگذار و اکثریت مالک Pattevision Ltd (به www. pattevision. com مراجعه کنید) ، که اکنون نرم افزار تجزیه و تحلیل رفتار را که از اواخر دهه هفتاد در دانشگاه های اروپایی ایجاد کرده است ، به بازار عرضه می کند و در تحقیقات به کار می رود. در همکاری های گسترده بین المللی.

منابع

1. Anolli L ، Duncan S ، Magnusson MS ، Riva G (2005) ساختار پنهان تعامل: از سلولهای عصبی گرفته تا الگوهای کشت. ارتباطات نوظهور: مطالعات در فن آوری ها و شیوه های جدید در ارتباطات (جلد 7) ، آمستردام ، IOS Press [Google Scholar]
2. Magnusson MS ، Burgoon JK ، Casarrubea M (2016) کشف الگوهای زمانی پنهان در رفتار و تعامل ، نورومتودز ، اسپرینگر نیویورک ، نیویورک [Google Scholar]
3. Casarrubea M ، Jonsson GK ، Faulisi F ، Sorbera F ، Di Giovai G ، et al.(2015) تجزیه و تحلیل الگوی T برای مطالعه ساختار زمانی رفتار حیوانات و انسان: یک بررسی جامع. J Neurosci Methods 239: 34- 46 [CrossRef] [Google Scholar] [PubMed]
4. Baryshev Y ، Teerikorpi P (2002) کشف فراکتال های کیهانی. سنگاپور: انتشارات علمی جهانی [Google Scholar]
5. Rees M (1999) فقط شش شماره: نیروهای عمیق که جهان را شکل می دهند. لندن: وایدنفلد و نیکولسون
6. Kautz R (2011) هرج و مرج: علم حرکت تصادفی قابل پیش بینی. آکسفورد: OUP [Google Scholar]
7. استوارت اول (2007) چرا زیبایی حقیقت است: تاریخ تقارن. کتابهای اساسی ؛اولین نسخه کاغذ تجارت [Google Scholar]
8. Duncan SD ، Fiske DW (1977) تعامل چهره به چهره: تحقیق ، روش ها و نظریه. Hillsdale N. J. Lawrence Erlbaum همکاران
9. Magnusson MS (1981) تجزیه و تحلیل پیکربندی زمانی: تشخیص یک ساختار اساسی معنی دار از طریق طبقه بندی مصنوعی یک جریان رفتاری در زمان واقعی. کارگاه آموزشی دانشگاه Uppsala Uppsala. بخشی از پایان نامه دکتری 1983 در آزمایشگاه روانشناسی ، دانشگاه کپنهاگ ، ارتباطات
10. Magnusson MS (1983) موضوع و سندرم: دو برنامه برای تحقیقات رفتاری. در D. Edvard ، Hoeskuldsson ، A (ed.) ، سمپوزیوم در آمار کاربردی (صفحات 17-42). کپنهاگ: Neucc ، Recku & Recau
11. Magnusson MS (1996) الگوهای زمان واقعی را در رفتار داخل و بین فردی پنهان می کند: توضیحات و تشخیص. مجله اروپایی ارزیابی روانشناختی 12: 112-123 [CrossRef] [Google Scholar]
12. Magnusson MS (2000) کشف الگوهای زمان پنهان در رفتار: الگوی T و تشخیص آنها. روشها ، ابزارها و رایانه های تحقیق رفتاری 32: 93-110 [CrossRef] [Google Scholar] [PubMed]
13. Magnusson MS (2004) الگوهای مکرر در رفتار و سایر پدیده های بیولوژیکی. در: Oller DK ، Griebel U ، ویراستاران. تکامل سیستم های ارتباطی: یک رویکرد مقایسه ای. کمبریج: مطبوعات MIT. پ. 111-28
14. Magnusson MS (2005) درک تعامل اجتماعی: کشف ساختار پنهان با مدل و الگوریتم ها. در ساختار پنهان تعامل: از نورون ها گرفته تا الگوهای کشت. ارتباطات نوظهور: مطالعات در فن آوری ها و شیوه های جدید در ارتباطات (جلد 7). ویرایش شده توسط: Anolli L ، Duncan S ، Magnusson MS و Riva G. آوریل 2005 ، تقریباً. 300 ص. ، گالینگور
15. Magnusson MS (2006) ساختار و ارتباط در تعامل. در: Riva G ، Angueramt ، Wiederhold BK ، Mantovani F ، ویراستاران. از ارتباط گرفته تا حضور. آمستردام: iOS Press. پ. 127-46
16. Magnusson MS (2016) زمان و ساختار خودی در رفتار و تعامل: از توالی گرفته تا تقارن و فراکتال. در Magnusson MS ، Burgoon JK ، Casarrubea M ، eds.(2016) کشف الگوهای زمانی پنهان در رفتار و تعامل ، Neuromethods ، جلد. 111. Springer New York ، NY [Google Scholar]
17. نیکول AU ، Segonds-Pichon A ، Magnusson MS (2015). الگوهای سنبله پیچیده در شبکه های عصبی لامپ بویایی. روشهای علوم اعصاب. 2014 سپتامبر 25. PII: S0165-0270 (14) 00341-0. doi: 10. 1016/j. jneumeth. 2014. 09. 016 [CrossRef] [Google Scholar] [PubMed]
18. Burgoon JK ، Wilson D ، Hass M ، and Schuetzler R (2016). فریب تعاملی در تصمیم گیری گروهی: بینش های جدید از تجزیه و تحلیل الگوی ارتباطی. در Magnusson MS ، Burgoon JK ، Casarrubea M ، eds.(2016) کشف الگوهای زمانی پنهان در رفتار و تعامل ، Neuromethods ، جلد. 111. Springer New York ، NY [Google Scholar]
19. Casarrubea M ، Faulisi F ، Pensabene M ، Crescimao G (2016) تأثیر بنزودیازپین معکوس آگونیست FG7142 بر ساختار رفتار مربوط به اضطراب موشهای صحرایی نر ویستار که در صفحه سوراخ آزمایش شده است. روانپزشکی (برل) 234: 381-391 [CrossRef] [Google Scholar] [PubMed]
20. Haynal-Reymond V ، Jonsson GK ، Magnusson MS (2005) ارتباطات غیر کلامی در مصاحبه بیمار پزشک-سسگار. در Anolli L ، S. Duncan Jr. ، M. S. Magnusson و G. Riva ، eds.(2005) ساختار پنهان تعامل: از سلولهای عصبی گرفته تا الگوهای کشت. ارتباطات نوظهور: مطالعات در فن آوری ها و شیوه های جدید در ارتباطات (جلد 7). تقریبا300 ص. ، گالینگور. آمستردام ، iOS Press [Google Scholar]
21. Blanchet A ، Batt M ، Trognon A ، Masse L (2005) الگوهای زبان و رفتاری در یک توالی تعامل درمانی. در Anolli L ، S. Duncan Jr. ، M. S. Magnusson و G. Riva ، eds.(2005) ساختار پنهان تعامل: از سلولهای عصبی گرفته تا الگوهای کشت. جلد 7 ارتباطات نوظهور: مطالعات در فن آوری ها و شیوه های جدید در ارتباطات. تقریبا300 ص. ، گالینگور. آمستردام ، iOS Press [Google Scholar]
22. Hirschenhauser K ، Frigerio D ، Grammer K ، Magnusson MS (2002) الگوهای ماهانه تستوسترون و رفتار در پدران آینده نگر. هورمون ها و رفتار. 42: 17 2-181 [CrossRef] [Google Scholar] [PubMed]
23. Ho CC ، Wang H ، Estival L ، Meyers K ، Magnusson MS (2013) اقدامات پویا رمان از رفتار emetic در موهای مشک. Auton Neurosci 179: 60-67 [CrossRef] [Google Scholar] [PubMed] < Span> Blanchet A ، Batt M ، Trognon A ، Masse L (2005) الگوهای زبان و رفتاری در یک توالی تعامل درمانی. در Anolli L ، S. Duncan Jr. ، M. S. Magnusson و G. Riva ، eds.(2005) ساختار پنهان تعامل: از سلولهای عصبی گرفته تا الگوهای کشت. جلد 7 ارتباطات نوظهور: مطالعات در فن آوری ها و شیوه های جدید در ارتباطات. تقریبا300 ص. ، گالینگور. آمستردام ، iOS Press [Google Scholar]