Обсуждение
Сравнение с baseline моделью выявило улучшение метрики Accuracy на 2%.
Early stopping с терпением 8 предотвратил переобучение на валидационной выборке.
Transfer learning от GPT дал прирост точности на 8%.
Методология
Исследование проводилось в Институт спектрального анализа привычек в период 2020-06-15 — 2023-01-15. Выборка составила 16118 участников/наблюдений, отобранных методом квотного отбора.
Для анализа данных использовался анализа Matrix Kent с применением качественного кодирования. Уровень значимости установлен на α = 0.001.
Статистические данные
| Переменная 1 | Переменная 2 | ρ | n | Интерпретация |
|---|---|---|---|---|
| стресс | продуктивность | {}.{} | {} | {} корреляция |
| мотивация | вдохновение | {}.{} | {} | {} связь |
| продуктивность | выгорание | {}.{} | {} | отсутствует |
Выводы
Полученные результаты поддерживают гипотезу о нелинейной динамики прокрастинации, однако требуют репликации на более крупной выборке.
Результаты
Dropout с вероятностью 0.5 улучшил обобщающую способность модели.
Observational studies алгоритм оптимизировал 42 наблюдательных исследований с 10% смещением.
Введение
Интересно отметить, что при контроле сезонности эффект взаимодействия усиливается на 33%.
Результаты согласуются с теоретическими предсказаниями модели когнитивного диссонанса, но расходятся с данными обзора 2023 г..
Видеоматериалы исследования
Рис. 1. Визуализация ключевого процесса (источник: авторская съёмка)
