Бул изилдөө балдардын Draw-a-Person (DAP; Адам Тарт) тести алкагында жараткан адам фигурасынын чиймелерин автоматтык талдоо үчүн терең үйрөнүүнү ачык геометриялык эрежелер менен айкалыштырган гибриддик системаны сунуштайт. Негизги архитектурада ImageNet үстүндө алдын ала үйрөтүлгөн ResNet-50 модели чиймелерде баш, көз, чач, кол, бут, ооз, мурун, кулак, моюн жана тулку болуп, 10 визуалдык анатомиялык өзгөчөлүктү болжолдойт. Аларга тулку катышы, ийин көрсөткүчү, эки тараптуу кол-бут өкүлчүлүгү, кол-бут–тулку байланышы, туура байланыш аймагы жана моюн үзгүлтүксүздүгүн баалаган алты геометриялык/эвристикалык өзгөчөлүк кошулуп, жалпысынан 16 экилик өзгөчөлүк түзүлөт.

Изилдөөдө жалпы 948 кол менен тартылган сүрөт колдонулган. Маалыматты бөлүштүрүүнүн кеңири сүрөттөлүшүнө ылайык 663 сүрөт окутууга, 142 сүрөт валидацияга жана 143 сүрөт көз карандысыз тестке бөлүнгөн. Беш катмарлуу кросс-валидацияда билдирилген тактык %90,05 менен %91,64 аралыгында өзгөрүп, орточо %91,01 болгон. Бирок көрсөткүч өзгөчөлүктөн өзгөчөлүккө олуттуу айырмаланган: баш, көз, кол, бут, ооз жана тулку сыяктуу даана компоненттерде F1 маанилери болжол менен 0,98–1,00 деңгээлине жетсе, кулак жана моюн сыяктуу кичирээк же ар түрдүү тартылган деталдар кыйла татаал болгон.

Көз карандысыз 143 чиймелик тест топтомунда автоматтык системанын адам тарабынан берилген жалпы DAP упайлары менен корреляциясы r=0,93 (p<0,001) деп билдирилген жана чиймелердин болжол менен %87синде автоматтык упай менен эталондук упайдын айырмасы ±1 упай чегинде калган. Бирок бул натыйжалар система психологиялык диагноз коё аларын же адистин баалоосун алмаштыра аларын көрсөтпөйт. Изилдөө болгону аныкталган 16 чийме өзгөчөлүгүн автоматтык табууну жана алардан жөнөкөй жалпы упай түзүүнү баалаган. Мындан тышкары, булактагы маалыматты бөлүштүрүү, чыгуу өлчөмү жана көрсөткүч таблицалары боюнча айрым карама-каршылыктар натыйжаларды этият чечмелөөнү талап кылат.

Изилдөө кайсы маселени чечүүгө аракет кылат?

Draw-a-Person тести адамдын адам фигурасын тартуусуна таянып, белгилүү формалык жана анатомиялык өзгөчөлүктөрдү баалоого негизделет. Булак изилдөөнүн баштапкы маселеси — бул өзгөчөлүктөрдү кол менен текшерүү убакыт талап кылары жана баалоочулардын ортосунда чечмелөө айырмачылыктары жаралышы мүмкүн экени.

Изилдөөчүлөр маселени толугу менен “кара куту” жасалма интеллект моделине таштап койбостон, эки өзүнчө ыкманы айкалыштырышкан. Сүрөттө түздөн-түз көрүнүшү керек болгон анатомиялык түзүлүштөр ResNet-50 негизиндеги CNN тарабынан бааланса, бөлүктөрдүн ортосундагы позициялык жана геометриялык байланыштар ачык эрежелер менен эсептелген.

Ошентип система “бул чиймеде бут барбы?” деген суроону гана эмес, мисалы, кол-буттар тулкуга туташканбы же тулкунун бийиктиги туурасынан чоңбу деген сыяктуу структураланган суроолорго да жооп берүүгө аракет кылат.

10 CNN өзгөчөлүгү кайсылар?

ResNet негизиндеги визуалдык бөлүк чиймеде төмөнкү он анатомиялык компоненттин бар-жогун болжолдойт:

• кулактар,
• көздөр,
• чач,
• колдор,
• баш,
• буттар,
• ооз,
• моюн,
• мурун,
• тулку.

Ар бир өзгөчөлүк башкалардан көз карандысыз түрдө бар/жок белгисин ала алат. Ошондуктан маселе классикалык бир класстуу сүрөт классификациясы эмес, көп белгилүү классификация маселеси.

Алты геометриялык эреже эмнени баалайт?

CNNге кошулган алты өзгөчөлүк тартылган бөлүктөрдүн координаттары жана bounding-box байланыштарынан эсептелет:

Булак изилдөөдө геометриялык чектер валидация маалыматында grid search менен жөндөлгөнү айтылат. Кол-бут–тулку байланышы үчүн тандалган IoU чеги 0,01; жогорку байланыш аймагынын катышы 0,3 жана төмөнкү аймак катышы 0,5.

Маалымат топтомунда “жаш” эмнени билдирет?

Маалымат топтомундагы 948 чийме сегиз топко бөлүнгөн жана топтор 4төн 11ге чейин белгиленген. Бирок булак изилдөө алар окуучулардын чыныгы жашына көз каранды эмес, адистердин баалоосу менен дайындалган mental-age топтору экенин ачык белгилейт.

Бул айырма өзгөчө изилдөөдөгү жашка карата F1 графиктерин чечмелөөдө маанилүү. Мисалы, оозду аныктоо F1инин 4-топто 0,30дан 11-топто 0,95ке өсүшү ошол эле балдардын жашаган сайын узак мөөнөттүү көзөмөлдөнгөн өнүгүү изилдөөсүнүн жыйынтыгы эмес. Бул алдын ала ар башка mental-age категорияларына бөлүнгөн чийме топторундагы моделдин көрсөткүчтөрү.

Кайсы өзгөчөлүктөр оңой, кайсылары кыйын табылды?

Беш катмарлуу кросс-валидацияда баш, кол, бут, көз, ооз жана тулку сыяктуу даана анатомиялык компоненттерде жогорку F1 упайлары алынган. Булак Таблица 5те көз, кол, баш, бут жана тулкунун орточо F1 маанилери болжол менен 0,99, ооз 0,98 деп билдирилген.

Ал эми мурун үчүн орточо F1 0,84, чач үчүн 0,87 жана моюн үчүн 0,75. Эң көрүнүктүү ийгиликсиздик кулакта: булак Таблица 5 орточо кулак F1 маанисин болгону 0,09 ± 0,06 деп берет.

Изилдөөнүн визуалдык баалоосу да муну кичине же стилдештирилген деталдардын чиймеден чиймеге өтө өзгөрмөлүү болушу менен түшүндүрөт. Айрым балдар кулакты такыр тартпайт, башкалары болсо өтө кичинекей же бүдөмүк формалар менен чагылдырат.

Жогорку жалпы тактык эмне үчүн өз алдынча жетиштүү эмес?

Изилдөө көп белгилүү жана класстары күчтүү тең салмаксыз болгон маселени карайт. Булак авторлору да ушул себептен accuracy ордуна precision, recall жана F1 көбүрөөк маалымат бериши мүмкүн экенин белгилешет.

Бул жагдай көз карандысыз тестте өзгөчө ачык. Таблица 10до CNN баалаган он визуалдык өзгөчөлүктүн баарында чыныгы терс (TN) саны нөл. Мисалы, кулак үчүн TP=57, FP=86, TN=0 жана FN=0 деп билдирилген. Бул бөлүштүрүүдө модель тесттеги 143 чийменин баарына “кулак бар” деп айткан. Натыйжада recall 1,00 болсо да precision болгону 57/143 ≈ 0,399 жана F1 болжол менен 0,57.

Ошондой эле баш үчүн 143 чийменин баары оң болгондуктан TP=143, FP=TN=FN=0. Мындай тесттин кичи тобунда модель башы жок чиймени туура четке кага алабы-жокпу өлчөнбөйт. Ошондуктан 0,99–1,00 деңгээлиндеги айрым маанилер “модель бардык шартта дээрлик идеалдуу” деп чечмеленбеши керек.

Адистердин упайлары менен канчалык шайкеш келди?

143 чиймелик тест топтомунда автоматтык жалпы DAP упайы менен адам тарабынан берилген ground-truth упайдын ортосунда Pearson корреляциясы r=0,93 жана p<0,001 деп билдирилген. Булак 8-сүрөттө чекиттердин олуттуу бөлүгү идеалдуу \(y=x\) сызыгынын тегерегинде топтолот.

9-сүрөттөгү ката бөлүштүрүүсүнө ылайык чиймелердин болжол менен %87синде автоматтык упай менен эталондук упайдын айырмасы ±1 упай чегинде. Эки упайдан чоң айырмалар сейрек экени айтылат.

Бул жыйынтыктар автоматтык упай менен эталондук упайдын ортосунда күчтүү байланыш бар экенин колдойт. Бирок корреляция методдордун толук дал келүү тести эмес жана система психологиялык баалоодо адисти алмаштыра аларын өз алдынча далилдебейт.

Изилдөө колдогон жыйынтыктар

• ResNet негизиндеги визуалдык талдоо менен геометриялык эрежелерди бир автоматтык DAP иш агымында айкалыштырууга болот.
• Даана анатомиялык түзүлүштөр майда деталдарга салыштырмалуу ишенимдүү табылган.
• Кулак жана моюн изилдөөдөгү эң татаал CNN өзгөчөлүктөрүнүн арасында.
• Автоматтык 0–16 упай менен булак изилдөөдөгү адам эталон упайынын ортосунда күчтүү корреляция билдирилген.
• Геометриялык байланыштарды ачык эрежелер менен эсептөө системанын айрым чечимдерин байкоого ыңгайлуу кылат.
• Көз карандысыз тест көрсөткүчү бардык өзгөчөлүктөр үчүн бирдей эмес.

Изилдөө далилдебеген жыйынтыктар

• Система баланын интеллектин, психикалык же психиатриялык абалын өз алдынча диагноз кыла алары далилденген эмес.
• Автоматтык упай эксперт-психологдун баалоосун коопсуз алмаштыра алары көрсөтүлгөн эмес.
• Модель ар түрдүү маданияттагы балдарда ошол эле көрсөткүчтү берери далилденген эмес.
• 4–11 деп белгиленген маалымат топтору хронологиялык жаш когорттору эмес; ошондуктан жыйынтыктар түздөн-түз жашка байланышкан өнүгүү ийри сызыгы эмес.
• 0–16 жөнөкөй жалпы упай оригиналдуу Goodenough–Harris системасынын бардык салмактоо жана клиникалык чечмелөө логикасын бирден-бир чагылдырары көрсөтүлгөн эмес.
• Жогорку корреляция клиникалык эквиваленттүүлүк же диагностикалык валиддүүлүк дегенди билдирбейт.

Изилдөөнүн Методу жана Жыйынтыктары

Маалыматты даярдоо

Булак маалымат топтому 948 кол чиймеден турат. Он негизги анатомиялык аймак DigitalSreeni сүрөт аннотациялоо куралы менен bounding box түрүндө кол менен белгиленип, аннотациялар COCO стилиндеги түзүлүштө сакталган.

Сүрөттөр RGB форматына өткөрүлүп, ResNet-50 киргизүүсүнө ылайык 224 × 224 пикселге кайра өлчөнгөн. Окутуу маалында сүрөттөрдү %50 ыктымалдык менен горизонталдык айлантуу жана жарыктык/контрастты ±%20 өзгөртүү аркылуу маалыматты көбөйтүү колдонулган.

Маалыматты даярдоонун кеңири бөлүмүндө колдонулган бөлүнүш төмөнкүдөй:

Бул бөлүнүш макаланын резюмесиндеги “948 чиймелик өзүнчө hold-out test set” деген билдирүүгө шайкеш келбейт. Кеңири метод жана тест таблицалары 143 чиймелик көз карандысыз тест топтомун колдогондуктан, бул жерде 948 жалпы маалымат топтому, 143 болсо hold-out тест өлчөмү катары берилди.

ResNet-50 архитектурасы

Негизги архитектуранын аныктамасына ылайык ImageNet үстүндө алдын ала үйрөтүлгөн ResNet-50 backbone туруктуу өзгөчөлүк чыгаргыч катары колдонулуп, convolution катмарлары тоңдурулган. 224 × 224 RGB чийме үчүн:

\[ x \in \mathbb{R}^{3\times224\times224} \]

Backbone global average pooling чыгышында 2048 өлчөмдүү өзгөчөлүк векторун чыгарат:

\[ f_{\mathrm{ResNet}}(x)\in\mathbb{R}^{2048} \]

Негизги архитектура түшүндүрмөсүндө жаңы сызыктуу катмар 10 анатомиялык визуалдык өзгөчөлүккө карта түшүрөт:

\[ z_{\mathrm{CNN}}=Wf_{\mathrm{ResNet}}(x)+b \]

\[ W\in\mathbb{R}^{10\times2048},\qquad b\in\mathbb{R}^{10} \]

Ар бир logit sigmoid аркылуу ыктымалдыкка айландырылат:

\[ \hat{y}_i=\sigma(z_i)=\frac{1}{1+e^{-z_i}} \]

Андан кийин 10 CNN чыгышы алты геометриялык/эвристикалык өзгөчөлүк менен бириктирилет:

\[ y_{\mathrm{final}}=[y_{\mathrm{CNN}},y_{\mathrm{heuristic}}]\in\mathbb{R}^{16} \]

Булак изилдөөнүн 4.2 бөлүмүндө болсо классификация катмары 2048 өлчөмдүү өзгөчөлүк векторун түздөн-түз 16 максат өзгөчөлүккө карта түшүрөт деп жазылган. Бул билдирүү макаланын 1-сүрөтү, 4.1 жана 4.3 бөлүмдөрүндөгү “10 CNN + 6 heuristic” архитектурасына туура келбейт. Ошондуктан Verianla текстинде негизги архитектура катары сүрөттө жана көпчүлүк жерде кайталанган 10+6 түзүлүшү алынган, карама-каршы 16-CNN билдирүүсү булактагы ички дал келбестик катары белгиленген.

Жоготуу функциясы жана класс тең салмаксыздыгы

Изилдөөдө көп белгилүү классификация үчүн BCEWithLogitsLoss колдонулуп, сейрек кездешкен оң өзгөчөлүктөр окутууда көбүрөөк салмак алышы үчүн pos_weight колдонулган.

Булакта өзгөчөлүк салмагы төмөнкү катыш менен түшүндүрүлөт:

\[ w_i=\frac{negatives_i}{positives_i} \]

Ошентип, сейрек өзгөчөлүктөрдө оң мисалды туура эмес классификациялоо жогорку окутуу баасына ээ болот.

Бирок жоготуу функциясы бөлүмүндө \(N=16\) чыгыш түздөн-түз CNN жоготуусуна киргизилгени жазылган. Бул да алты heuristic өзгөчөлүк CNNден тышкары эсептелет деген негизги архитектурага толук туура келбейт.

Окутуу жөндөөлөрү

Кросс-валидация жыйынтыгы

Макаланын 4.6 бөлүмүндө 143 сүрөттүк тест топтому бөлүнгөндөн кийин калган 805 сүрөт беш катмарлуу кросс-валидацияда колдонулганы айтылат. Ар бир итерацияда болжол менен 644 сүрөт окутууга жана 161 сүрөт валидацияга колдонулган.

Ал эми 4.7 бөлүмүндө “complete dataset” катары 948 чийме беш fold'го бөлүнгөнү жазылган. Бул билдирүү 143 сүрөт толугу менен өзүнчө кармалган деген мурунку протоколго каршы келет. Булак бул эки түшүндүрмөнү шайкеш келтирбейт.

Беш катмарлуу кросс-валидацияда өзгөчөлүк боюнча F1

Алты heuristic өзгөчөлүктүн кросс-валидацияда толук F1=1,00 бериши көңүл бурууга арзыйт. Метод бөлүмү кросс-валидация белгилери ушул heuristic эрежелер менен түзүлгөнүн айтат. Демек, эрежени өзү түзгөн белгиге каршы баалоо көз карандысыз валидация болуп эсептелбейт. Чынында, 143 чиймелик hold-out топтомунда бул алты өзгөчөлүк көз карандысыз тажрыйбалуу баалоочулар тарабынан белгиленгенде айрым heuristic көрсөткүчтөр кыйла төмөндөгөн.

143 чиймелик көз карандысыз тестте акыркы өзгөчөлүк көрсөткүчү

Бул таблицада орточо accuracy 0,8780, precision 0,8929, recall 0,9458 жана F1 0,8996 деп билдирилген. Айрыкча “кол-буттар тулкуга туташкан” heuristic өзгөчөлүгүнүн F1 мааниси 0,4762ге түшүшү кросс-валидациядагы 1,00 мааниси көз карандысыз эталондук белги алдында сакталбаганын көрсөтөт.

Булактагы эки көрсөткүч таблицасы эмне үчүн этият окулушу керек?

Булак Таблица 7 16 өзгөчөлүк үчүн орточо accuracy=0,9175, precision=0,8869, recall=0,9375 жана F1=0,905 берет. Кийинки автоматтык аныктоо/баалоо Таблица 8 болсо accuracy=0,8780, precision=0,8929, recall=0,9458 жана F1=0,8996 берет.

Макаланын тексти бул эки баалоо этабын толук ырааттуу атамайт. Мындан тышкары, кийинчерээк Таблица 9 түшүндүрмөсүндө таблица номерлери бир орун жылып кеткендей көрүнөт. Ошондуктан “системанын тактыгы %91,78” сыяктуу контекстсиз бир сан берүү илимий жактан адаштырат.

Кулак жыйынтыгындагы чоң өзгөрүү

Булак Таблица 7де кулак аныктоо accuracy=0,63, precision=0,14, recall=0,01 жана F1=0,07 деп берилет. Таблица 8де болсо кулак үчүн accuracy жана precision 0,3986, recall 1,0000 жана F1=0,5700.

Таблица 9 бул өзгөрүүнү “heuristic refinement” кийинки жакшыртуу катары чечмелейт. Бирок изилдөө аныктаган алты heuristic өзгөчөлүктүн ичинде кулак аныктоону оңдоочу эреже жок; heuristics тулку катышы, ийин, эки тараптуу кол-бут, кол-бут байланышы, байланыш аймагы жана моюн үзгүлтүксүздүгү. Ошондуктан кулак F1индеги 0,07 → 0,57 өзгөрүүнүн техникалык себебин булак текстинен ишенимдүү аныктоо мүмкүн эмес.

Адашуу матрицасы эмнени көрсөтөт?

143 чиймелик тестте он визуалдык өзгөчөлүктүн адашуу матрицасы дагы маанилүү эскертүү берет:

Бул сандар он визуалдык өзгөчөлүктүн баарында FN=0 жана TN=0 экенин көрсөтөт. Демек, моделдин бул тест таблицасында визуалдык өзгөчөлүктөрдү “жок” деп туура аныктоо жөндөмү өлчөнгөн эмес. Айрым жогорку recall жана F1 упайлары ушул prevalens жана божомол түзүлүшүнөн таасирленет.

Автоматтык упай кандай эсептелет?

Булак формуласында 16 экилик өзгөчөлүк түздөн-түз кошулат:

\[ S=\sum_{i=1}^{16}f_i \]

Бул жерде \(f_i=1\) өзгөчөлүк бар экенин, \(f_i=0\) жок экенин көрсөтөт. Ошентип жалпы упай 0дөн 16га чейин өзгөрөт.

Булактын кийинки натыйжа текстинин бир жеринде 16 экилик чыгыштын “averaging”, башкача айтканда орточолонгону жазылган; ошол эле абзац дароо 0–16 упай түзүлөрүн билдирет. 0–16 шкаласы жана берилген теңдеме кошууну колдогондуктан, Verianla текстинде формуладагы сумма колдонулган.

Изилдөөнүн негизги методологиялык чектөөлөрү

• Жалпы маалымат топтому болгону 948 чийме жана маданияттар аралык көз карандысыз валидация жүргүзүлгөн эмес.
• Булакта колдонулган “mental age” топтору хронологиялык жаш эмес.
• Кичине анатомиялык өзгөчөлүктөрдө күчтүү класс тең салмаксыздыгы бар.
• Hold-out адашуу матрицасында он CNN өзгөчөлүгүнүн баарында TN=0.
• Алты heuristic өзгөчөлүк үчүн кросс-валидация белгилери эрежелерден түзүлгөндүктөн, идеалдуу CV упайлары көз карандысыз валидация болуп эсептелбейт.
• Heuristic чектер маалымат топтомуна ылайык эмпирикалык жөндөлгөн жана башка чийме стилдеринде ошол эле тактыкты бербеши мүмкүн.
• 16 өзгөчөлүк жалпы упайда тең салмак алат; булак авторлору бул реалдуу DAP баалоо системасын толук чагылдырбашы мүмкүн экенин моюнга алышат.
• Кросс-валидация 805пи же 948 чиймедеби жүргүзүлгөнү боюнча булак ичинде карама-каршылык бар.
• ResNet классификация катмары 10бу же 16 чыгыш береби деген метод текстинде карама-каршылык бар.
• Булакта валидация маалыматы менен чек жөндөө жүргүзүлгөнү айтылса да, кийин кросс-валидация гиперпараметр жөндөө үчүн колдонулган эмес деп жазылат.
• Таблица 7, Таблица 8 жана Таблица 9 арасындагы көрсөткүч этаптары жана таблица шилтемелери толук ырааттуу эмес.
• Автоматтык упайдын психологиялык же клиникалык диагностикалык валиддүүлүгү бул изилдөөдө көз карандысыз текшерилген эмес.

Булак жана Метод Эскертүүсү

Каржылоо жана институционалдык колдоо

Макаланын каржылоо билдирүүсүндө изилдөө тышкы каржылоо албаганы айтылат. Ыраазычылык бөлүмүндө болсо долбоор King Abdulaziz University ичиндеги KAU Endowment (WAQF) тарабынан колдоого алынганы жана WAQF менен Deanship of Scientific Researchке техникалык жана каржылык колдоо үчүн ыраазычылык билдирилгени жазылган. Бул эки билдирүүнү чогуу караганда, изилдөө “external funding” билдирбейт, бирок мекеме ичиндеги колдоону көрсөтөт.

Этика жана маалымат булагы

Этикалык комитеттин кароосу изилдөө коомчулукка ачык жана толук анонимдештирилген маалымат топтомун колдонгону жана жаңы катышуучу/маалымат чогултууну камтыбаганы үчүн талап кылынбайт деп көрсөтүлгөн. Ошондуктан маалымдалган макулдук колдонулбайт.

Булак маалымат топтому “Draw-a-Person Hand-Drawn Sketches by Children” аталышындагы коомчулукка ачык Kaggle репозиторийинен алынган жана макалада кирүү күнү 30 ноябрь 2025 деп берилген.

Автордук салымдар

Концептуалдаштыруу жана методология Asma Abdullah Alwadai менен Emad Sami Jaha тарабынан жүргүзүлгөн. Программалык камсыздоо, валидация, изилдөө, маалыматты уюштуруу, биринчи долбоор жана визуалдаштыруу милдеттери негизинен Asma Abdullah Alwadai тарабынан аткарылган. Көзөмөл жана каржылоону алуу Emad Sami Jaha тарабынан жүргүзүлгөн; эки автор тең макаланы карап чыгууга жана редакциялоого салым кошкон.

Кызыкчылыктардын кагылышы

Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

Булак ичиндеги карама-каршылыктардын кыскача тизмеси

• Резюмеде 948 чийме өзүнчө hold-out test set деп жазылат; кеңири метод 948 жалпы маалымат топтому, 143 тест топтому экенин көрсөтөт.
• Бир бөлүм кросс-валидацияны 805 чиймеде, башка бөлүм бардык 948 чиймеде сүрөттөйт.
• Негизги архитектура 10 CNN + 6 heuristic чыгышты көрсөтөт, ал эми бир бөлүм ResNet classifier'ды 16 чыгыштуу деп аныктайт.
• Жоготуу функциясы бөлүмүндө да CNN үчүн 16 өзгөчөлүк жазылышы 10+6 архитектурасына шайкеш келбейт.
• Текст %91,78 macro accuracy билдирсе, Таблица 7 орточосу %91,75, Таблица 8 акыркы орточосу %87,80.
• Кулак F1 мааниси бир баалоодо 0,07, экинчисинде 0,57 жана булак өзгөрүүнүн механизмин жетиштүү түшүндүрбөйт.
• Таблица 9 кулактагы өзгөрүүнү heuristic refinement менен байланыштырганы менен аныкталган алты heuristic эреженин эч бири кулакка багытталган эмес.
• Натыйжа текстинде упай бир жерде “орточо” деп жазылганы менен, формула жана 0–16 шкаласы өзгөчөлүктөрдүн кошулганын көрсөтөт.
• Кросс-валидацияда heuristic өзгөчөлүктөрдүн баары 1,00 F1 берсе, көз карандысыз эксперттик белгиленген тестте кол-бут–тулку байланышы F1=0,4762ге түшөт.

Ошондуктан изилдөөнүн эң бекем тыянагы “жасалма интеллект эми балдардын чиймелеринен психологиялык баалоону автоматтык жана идеалдуу жүргүзө алат” деген эмес. Булак колдогон тарыраак тыянак — ResNet негизиндеги визуалдык өзгөчөлүктөрдү аныктоону ачык геометриялык эрежелер менен айкалыштыруу белгиленген 16 DAP чийме өзгөчөлүгү үчүн автоматтык жана түшүндүрүлүүчү прототиптик баалоо системасын түзө алат. Айрыкча майда анатомиялык деталдар, класс тең салмаксыздыгы, баалоо протоколундагы карама-каршылыктар жана тышкы валидациянын жоктугу чечилмейинче системаны клиникалык же психологиялык чечим механизми катары жалпылоо булак тарабынан колдоого алынбайт.