Розробка підходу для визначення особистості на основі рукописного тексту за допомогою зорового трансформера
DOI:
https://doi.org/10.15587/1729-4061.2025.322726Ключові слова:
згорткова нейронна мережа, аналіз почерку, функціональна модель, зоровий трансформерАнотація
Об’єктом дослідження є підхід визначення особистості на основі рукописного тексту за допомогою методів машинного навчання. Підвищення точності визначення особистості та автоматизація виділення ознак дасть можливість виконувати більш точний аналіз рукописного тексту. Розроблено функціональну модель та проведено експериментальне дослідження запропонованого підходу. Результати дослідження показали, що запропонований підхід збільшив загальну точність визначення, у порівнянні з іншими дослідженнями, про що свідчать отримані значення точності з найнижчим показником в 94.84 % для Привітності та найвищим 99.48 % для Сумлінності. Також показник влучності покращився у порівнянні з іншими моделями, про що свідчить значення середньої влучності, яке зросло зі значення 0.65 до 0.94. Такі результати були отримані завдяки використанню методу “Зоровий трансформер”, який дозволяє прибрати необхідність виділення ознак як окремого кроку, а підхід масштабно-інваріантного ознакового перетворення дозволив виділити релевантні патчі зображень. Була проведена експериментальна перевірка з використанням підходів пошуку та класифікації, що мінімізує варіативність результатів. Використання моделі «Велика п’ятірка» та CVL-набору даних покращує доступність дослідження для порівняння і відтворюваності. На практиці аналіз почерку широко використовується в криміналістиці, для підбору персоналу, а також в інших сферах діяльності. Отримані результати підвищують надійність автоматизованих систем аналізу рукописного тексту в області визначення особистості, що допоможе графологам та експертам з почерку під час їх роботи як для оцінки особистісних рис, так і для визначення, чи належить певний рукописний текст конкретній особі
Посилання
- Hengl, M. (2014). Comparison of the Branches of Handwriting Analysis. Chasopys Natsionalnoho universytetu “Ostrozka akademiya”. Seriya: Pravo, 2 (10). Available at: https://lj.oa.edu.ua/articles/2014/n2/14hmmoha.pdf
- Alaei, F., Alaei, A. (2023). Review of age and gender detection methods based on handwriting analysis. Neural Computing and Applications, 35 (33), 23909–23925. https://doi.org/10.1007/s00521-023-08996-x
- Aliyev, E. (2024). Forensic Handwriting Analysis to Determine the Psychophysiological Traits. International Journal of Religion, 5 (6), 511–530. https://doi.org/10.61707/2r6bmr11
- Pandey, N., Singh, B., Singh, S. (2024). Review on handwriting examination on unusual surface. IP International Journal of Forensic Medicine and Toxicological Sciences, 8 (4), 125–131. https://doi.org/10.18231/j.ijfmts.2023.028
- Romanenkov, Y., Pronchakov, Y., Zieiniiev, T. (2020). Algorithmic Support for Auto-modes of adaptive short-term Forecasting in predictive Analytics Systems. 2020 IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT), 230–233. https://doi.org/10.1109/csit49958.2020.9321875
- Ahmed, B. Q., Hassan, Y. F., Elsayed, A. S. (2023). Offline text-independent writer identification using a codebook with structural features. PLOS ONE, 18 (4), e0284680. https://doi.org/10.1371/journal.pone.0284680
- Gavrilescu, M. (2015). Study on determining the Myers-Briggs personality type based on individual’s handwriting. 2015 E-Health and Bioengineering Conference (EHB). https://doi.org/10.1109/ehb.2015.7391603
- Gavrilescu, M., Vizireanu, N. (2018). Predicting the Big Five personality traits from handwriting. EURASIP Journal on Image and Video Processing, 2018 (1). https://doi.org/10.1186/s13640-018-0297-3
- Joshi, P., Ghaskadbi, P., Tendulkar, S. (2018). A Machine Learning Approach to Employability Evaluation Using Handwriting Analysis. Advanced Informatics for Computing Research, 253–263. https://doi.org/10.1007/978-981-13-3140-4_23
- Wijaya, W., Tolle, H., Utaminingrum3, F. (2018). Personality Analysis through Handwriting Detection Using Android Based Mobile Device. Journal of Information Technology and Computer Science, 2 (2). https://doi.org/10.25126/jitecs.20172237
- Fatimah, S. H., Djamal, E. C., Ilyas, R., Renaldi, F. (2019). Personality Features Identification from Handwriting Using Convolutional Neural Networks. 2019 4th International Conference on Information Technology, Information Systems and Electrical Engineering (ICITISEE), 119–124. https://doi.org/10.1109/icitisee48480.2019.9003855
- Chitlangia, A., Malathi, G. (2019). Handwriting Analysis based on Histogram of Oriented Gradient for Predicting Personality traits using SVM. Procedia Computer Science, 165, 384–390. https://doi.org/10.1016/j.procs.2020.01.034
- Pathak, A. R., Raut, A., Pawar, S., Nangare, M., Abbott, H. S., Chandak, P. (2020). Personality analysis through handwriting recognition. Journal of Discrete Mathematical Sciences and Cryptography, 23 (1), 19–33. https://doi.org/10.1080/09720529.2020.1721856
- Thomas, S., Goel, M., Agrawal, D. (2020). A framework for analyzing financial behavior using machine learning classification of personality through handwriting analysis. Journal of Behavioral and Experimental Finance, 26, 100315. https://doi.org/10.1016/j.jbef.2020.100315
- Elngar, A. A., Jain, N., Sharma, D., Negi, H., Trehan, A., Srivastava, A. (2020). A deep learning based analysis of the big five personality traits from handwriting samples using image processing. Journal of Information Technology Management, 12, 3–35. https://doi.org/10.22059/JITM.2020.78884
- Rahman, A. U., Halim, Z. (2022). Predicting the big five personality traits from hand-written text features through semi-supervised learning. Multimedia Tools and Applications, 81 (23), 33671–33687. https://doi.org/10.1007/s11042-022-13114-5
- Celli, F., Lepri, B. (2018). Is Big Five better than MBTI? Proceedings of the Fifth Italian Conference on Computational Linguistics CLiC-It 2018, 93–98. https://doi.org/10.4000/books.aaccademia.3147
- Kleber, F., Fiel, S., Diem, M., Sablatnig, R. (2013). CVL-DataBase: An Off-Line Database for Writer Retrieval, Writer Identification and Word Spotting. 2013 12th International Conference on Document Analysis and Recognition, 560–564. https://doi.org/10.1109/icdar.2013.117
- Smelyakov, K., Sandrkin, D., Ruban, I., Vitalii, M., Romanenkov, Y. (2018). Search by Image. New Search Engine Service Model. 2018 International Scientific-Practical Conference Problems of Infocommunications. Science and Technology (PIC S&T), 181–186. https://doi.org/10.1109/infocommst.2018.8632117
- Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T. et al. (2021). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. arXiv. https://doi.org/10.48550/arXiv.2010.11929
- Lowe, D. G. (2004). Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision, 60 (2), 91–110. https://doi.org/10.1023/b:visi.0000029664.99615.94
- Otsu, N. (1979). A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9 (1), 62–66. https://doi.org/10.1109/tsmc.1979.4310076
- Hassani, A., Walton, S., Shah, N., Abuduweili, A., Li, J., Shi, H. (2021). Escaping the Big Data Paradigm with Compact Transformers. arXiv. https://doi.org/10.48550/arXiv.2104.05704
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Mykyta Shupyliuk, Vitalii Martovytskyi, Nataliia Bolohova, Yuri Romanenkov, Serhii Osiievskyi, Serhii Liashenko, Oleksii Nesmiian, Ihor Nikiforov, Vladyslav Sukhoteplyi, Yevhen Lapchenkov
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
