Проблема построения синтетических психологических данных: опыт моделирования реакций на фрустрацию
Main Article Content
Аннотация
Вопрос генерации синтетических данных для психологических исследований остается актуальным и сложным. Проблемы конфиденциальности, надежности, достоверности, валидности выводов остаются неравномерно представленными для различных областей психологии и фактически оказываются взаимосвязанными с решением вопроса использования синтетических данных в смежных науках – медицине, социологии, истории, политологии, экономике. Изучение различных психологических феноменов в рамках исследований больших социальных групп сопряжено с проблемами анализа сложно формализуемых конструктов. Под синтетическими общем виде понимают данные, искусственно сгенерированные на основе алгоритмов и моделирования.
В качестве основы настоящего исследования была выбрана классификация типов реакции на фрустрацию С. Розенцвейга. При анализе сетевого дискурса существует проблема малочисленности некоторых типов. Особенно это касается класса импунитивных реакций. В работе проанализирована возможность создания корпуса синтетических данных (на примере корпуса текстов реакций на фрустрацию), сгенерированными с помощью больших языковых моделей. При проведении экспериментов экспертами были созданы промпты и выполнена генерация примеров импунитивных реакций с помощью четырех больших языковых моделей, по 10 примеров каждого типа реакций. Была также дана проведена оценка контекстной достоверности и качества генерации. Полученные результаты позволяют определить слабые стороны генерации текстов со сложными психологическими феноменами для обучения нейросетевых моделей.
Article Details
Библиографические ссылки
2. Salova T.L., Suvorov I.S. Synthetic data: problems and ways to solve them // Mathematical Structures and Modeling. 2025. No. 3 (75). P. 116–121. https://doi.org/10.24147/2222-8772.2025.3.116-121
3. Bakunov A.M., Bakunova O.M., Alexandrovich A.F., Vladysik M.S., Meleshkevich D.V., Sitnik M.Y. Methods of big data processing in psychological research // International Academy Journal Web of Scholar. 2020. No. 7 (49). URL: https://cyberleninka.ru/article/n/metody-obrabotki-bolshih-dannyh-v-psihologicheskih-issledovaniyah (date of appeal: 02/25/2026).
4. Xu X., Yao B., Dong Y., Gabriel S., Yu H., Hendler J., Ghassemi M., Dey A.K., Wang D. Mental-LLM: Leveraging Large Language Models for Mental Health Prediction via Online Text Data. // Proc. of the ACM on interactive, mobile, wearable and ubiquitous technologies, 2024. No. 8 (1), 31. https://doi.org/10.1145/3643540
5. Strachan J.W.A., Albergo D., Borghini G. et al. Testing theory of mind in large language models and humans // Nature Human Behaviour, 2024. No. 8. P. 1285–1295. https://doi.org/10.1038/s41562-024-01882-z
6. Vanin A., Bolshev V., Panfilova A. Applying LLM and Topic Modelling in Psychotherapeutic Contexts // arXiv:2412.17449. Dec. 2024. https://doi.org/10.48550/arXiv.2412.17449
7. Khlebnikova A.A., Bityutskaya E.V., Kalachev G.V., Gasanov E.E. Automation of Markup of Texts about Life Difficulties Using Large Language Models // Intelligent Systems. Theory and Applications. 2025. Vol. 29, issue 3. P. 53–75.
8. Kang A. et al. Synthetic data generation with LLM for improved depression prediction // arXiv:2411.17672. 2024. https://doi.org/10.48550/arXiv.2411.17672
9. Ghanadian H., Nejadgholi I. Al Osman H. Socially aware synthetic data generation for suicidal ideation detection using large language models // IEEE Access. 2024. Vol. 12. P. 14350–14363.
10. Lorge I. et al. Detecting the clinical features of difficult-to-treat depression using synthetic da-ta from large language models // Computers in Biology and Medicine. 2025. Vol. 194. P. 110246.
11. Devyatkin D., Chudova N., Salimovskyi V. Method for Automated Recognition of Frustration-Derived Aggression in Texts // In: Velichkovsky B.M., Balaban P.M., Ushakov V.L. (Eds.) Advances in Cognitive Research, Artificial Intelligence and Neuroinformatics. Intercognsci 2020. Advances in Intelligent Systems and Computing, Vol. 1358. Springer, Cham, 2021. https://doi.org/10.1007/978-3-030-71637-0_76
12. Devyatkin D.A., Enikolopov S.N., Salimovskiy V.A., Chudova N.V. Speech reactions to frustration: automatic categorization // Psychological Research, 2021. No. 2. https://doi.org/10.54359/ps.v14i78.160
13. Cohen C.M., Su Z., Hsien-Te Kao et al. Exploring Big Five Personality and AI Capability Effects in LLM-Simulated Negotiation Dialogues // arXiv:2506.15928 2025. https://doi.org/10.48550/arXiv.2506.15928
14. Levitov N.D. Frustration as a type of mental state // Voprosy psikhologii. 1967. No. 6. P. 118–129.
15. Rosenzweig S. An Outline of Frustration Theory // Personality and behavior disorders. Hunt V.N.Y., 1949.
16. Rosenzweig S. The Picture-association method and its application in a study of reactions to frustration of personality, 1945.
17. Maier N.R.B. Frustration theory: restatement and extension // Psychological review, 1956. Vol. 63, No. 6. P. 370–388.
18. Tarabrina P.V. Experimental psychological methodology for studying frustration reactions: Methodological recommendations. Leningrad, 1984.
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Представляя статьи для публикации в журнале «Электронные библиотеки», авторы автоматически дают согласие предоставить ограниченную лицензию на использование материалов Казанскому (Приволжскому) федеральному университету (КФУ) (разумеется, лишь в том случае, если статья будет принята к публикации). Это означает, что КФУ имеет право опубликовать статью в ближайшем выпуске журнала (на веб-сайте или в печатной форме), а также переиздавать эту статью на архивных компакт-дисках журнала или включить в ту или иную информационную систему или базу данных, производимую КФУ.
Все авторские материалы размещены в журнале «Электронные библиотеки» с ведома авторов. В случае, если у кого-либо из авторов есть возражения против публикации его материалов на данном сайте, материал может быть снят при условии уведомления редакции журнала в письменной форме.
Документы, изданные в журнале «Электронные библиотеки», защищены законодательством об авторских правах, и все авторские права сохраняются за авторами. Авторы самостоятельно следят за соблюдением своих прав на воспроизводство или перевод их работ, опубликованных в журнале. Если материал, опубликованный в журнале «Электронные библиотеки», с разрешения автора переиздается другим издателем или переводится на другой язык, то ссылка на оригинальную публикацию обязательна.
Передавая статьи для опубликования в журнале «Электронные библиотеки», авторы должны принимать в расчет, что публикации в интернете, с одной стороны, предоставляют уникальные возможности доступа к их материалам, но, с другой, являются новой формой обмена информацией в глобальном информационном обществе, где авторы и издатели пока не всегда обеспечены защитой от неправомочного копирования или иного использования материалов, защищенных авторским правом.
При использовании материалов из журнала обязательна ссылка на URL: http://rdl-journal.ru. Любые изменения, дополнения или редактирования авторского текста недопустимы. Копирование отдельных фрагментов статей из журнала разрешается для научных исследований, персонального использования, коммерческого использования до тех пор, пока есть ссылка на оригинальную статью.
Запросы на право переиздания или использования любых материалов, опубликованных в журнале «Электронные библиотеки», следует направлять главному редактору Елизарову А.М. по адресу: amelizarov@gmail.com
Издатели журнала «Электронные библиотеки» не несут ответственности за точки зрения, излагаемые в публикуемых авторских статьях.
Предлагаем авторам статей загрузить с этой страницы, подписать и выслать в адрес издателя журнала по электронной почте скан Авторского договора о передаче неисключительных прав на использование произведения.