"Online " සම්මුඛ පරීක්ෂණයකදී මුහුණේ හැගීම් ප්‍රකාශණය හඳුනා ගැනීමේ ක්‍රමවේදයන් සහ කටහඬ විශ්ලේෂණය මගින් සම්මුඛ පරීක්ෂණයට භාජනය වන්නාගේ පෞරුෂත්ව ලක්ෂණ නීර්ණය කිරීම

සෑම සංවිධානයක්ම , ප්‍රමාණය සහ ක්‍රියාත්මක වන විෂය ප්‍රදේශය නොසලකා බන්දවගැනීමේ සම්මුඛ පරීක්ෂණ කාලීන ආකාරයට , එනම් සෑම තැනකම පවතින  ක්‍රියාවලියක් වන රැකියා අවස්ථාවක් සඳහා සේවා යෝජකයා විසින් ඇගයුම් කරණු ලබන ආකාරයට පවත්වනු ලැබේ . පෞද්ගලික බඳවා ගැනීම් වල  ස්වභාවය, "Online " එළැඹුමට  මතුවූ නැඹුරුව සමග වෙනස්වී තිබේ . මෙම පර්යේෂණයේදී අප සම්මුඛ පරීක්ෂණයට භාජනය වන්නාගේ පෞරුෂත්ව ලක්ෂණ හඳුනා ගැනීමටත්  පෞරුෂත්ව ලක්ෂණයට අදාලව  ප්‍රදර්ශනය කල මට්ටමට අනුව වර්ග කිරීමට , මුහුණේ හැගීම් ප්‍රකාශණය හඳුනා ගැනීමේ ක්‍රමවේදයන් සහ කටහඬ විශ්ලේෂණය මගින් රාජකාරි කටයුතු වලදී ඉහල සන්නිවේදන මට්ටමක් අවශ්‍ය IT රැකියා අවස්ථා සඳහා ළැදිකම, සහයෝගය දැක්වීම , විශ්වාස සහගත බව සහ චිත්තවේගාත්මක ස්ථායී බව යන පෞරුෂත්ව ලක්ෂණ ගැලපීමට ICT මත පදනම් වූ විසඳුමක් සපයනු ලබයි .

පාලිත ව්‍යුහාත්මක නොවන සම්මුඛ පරීක්ෂණ , සම්මුඛ පරීක්ෂණ ක්‍රියාවලියේදී ඇසට පෙනෙන දේ හඳුනාගැනීමට සහ ඔවුන් සම්මුඛ පරීක්ෂණයේදී  තක්සේරු කරන ලක්ෂණ හඳුනාගැනීමට බඳවාගැනීම්  හසුරුවන්නන් සමග පවත්වනු ලැබේ .බඳවාගැනීමට සහභාගී වන්නන් Expert sampling  මගින් තෝරාගනු ලබයි .  "Big Five personality Model " මත පදනම්ව ව්‍යුත්පන්න පෞරුෂයට අදාල තේමාවන් වෙන්කරනු ලැබේ .ගුණාත්මක දත්ත වලංගු කිරීම දැනටමත් බඳවා ගන්නා ලද  සේවානියුක්තියන් අතර "Goldberg 's Big Five personality Model " මත පදනම්ව කරන ලද පෞරුෂත්ව පරීක්ෂණය මගින් සිදු කරනු ලබයි .මෙම ක්‍රමය මගින් පෙර සඳහන් කරණ ලද පෞරුෂත්ව ගුණාංග හඳුනා ගැනේ . දත්ත එක්රැස් කිරීමේ දෙවන අදියර ලෙස ශබ්දය අවම කරණ ලද පරිසරයක මාස 06 සිට අවරුදු 04 දක්වා රැකියා අත්දැකීම් ඇති IT ව්‍යාපාර විශ්ලේෂකයන්ගේ  (පිරිමින් 26 , කාන්තාවන් 10) තාක්ෂණික නොවන මුහුණට මුහුණලා කෙරෙන පෙරහුරු  සම්මුඛ පරීක්ෂණ 36 ක වීඩියෝ සහ හඬ පටිගත කරගත හැකිවිය . පරීක්ෂා කිරීමේ හා ඇගයීමේ පරමාර්ථයෙන් "Online " ආකාරයට සිදුකරනු ලබන සම්මුඛ පරීක්ෂණ 08 ක් සමාන පරිසර තත්ත්ව යටතේ පටිගත කරගන්නා ලදී ."Piolet rating " මගින්  ගති ලක්ෂණ 4ක් අනුරූප ප්‍රශ්ණ සමග සම්බන්ද ( Map ) කරණ ලද අතර ඉහලින්ම ශ්‍රේණිගත කරණ ලද ප්‍රශ්ණ තෝරාගන්නා ලද අතර ඒවාගේ පිළිතුරු වෙන් කරගන්නා ලදී . පසුව එම වීඩියෝ සහ හඬ පට මිනිස් තක්සේරු කරන්නන් 5 දෙනෙකුට දෙන ලද අතර 1 සිට 5 දක්වා පරිමාණයට ඇගයුම් කරණු ලැබීය . ප්‍රාන්තර ආකාරයෙන් ඇගයුම් ප්‍රතිපල වෙනස් පංති 4 කට වෙන් කරණ ලදී .

මුහුණට මුහුණලා කෙරෙන සහ "Online "  සම්මුඛ පරීක්ෂණ වල හඬ පට අනවශ්‍ය ශබ්ද අවම කරණ ලද සහ audacity මගින් වෙන්කරණ ලද MP3 ආකෘතිය ආකාරයෙන් පටිගත කරගන්නා ලදී . ඉන්පසු PRAAT භාවිතයෙන් එම වෙන්කරගන්නා ලද ප්‍රශ්ණ 4 හි පිළිතුරු තෝරාගන්නා ලද අවාචික "Paralinguistic " සංඥා තීව‍්‍රතාව(intensity)(මධ්‍යම,අවම ,උපරිම ) , තාරතාව(Pitch)(මධ්‍යම,අවම ,උපරිම),සාධන්ත(formants)(F1,F2,F3,F4  ) සහ ඒවාගේ අදාල කලාප පළල(bandwidth) සඳහා විශ්ලේෂණය කෙරිණි . වීඩියෝ දත්ත සමුහය "Emotient " නම් වාණිජ මෘදුකාංගයක් භාවිතයෙන් විශ්ලේෂණය කරණ ලදී . යොදා ගන්නා ලද පරාමිතියන් වන්නේ සතුට , ශෝකය , අවඥාව , කෝපය , පිළිකුල , බිය සහ විමතියයි . අනෙක් පරාමිතියන් 3ක් වන අවධානය , බැඳීම සහ මනෝභාවය අපේක්ෂකයාගේ මූලික හැඟීම් වලින් ඇතිවිණි . මුහුණේ සංඥා සහ වාචික වර්ණාවලිය (vocal spectrum) විශ්ලේෂණයෙන් ලබාගත් දත්ත සඳහා , එක් එක් අපේක්ෂකයාගේ වාචික සහ මුහුණේ සංඥා සඳහා මිනිස් ඇගයීම් සිදුකරන්නන් විසින් ලබාදුන්  ලකුණු ගණන් වලින් උපදින ලද  සාමාන්‍යය ඇගයීම් අගයන් මගින් වර්ගීකරණ ප්‍රතිදාන පංති අගයන් ඇති කරණ ලදී .  මුහුණේ සංඥා විශ්ලේෂණය වර්ගීකරණය සඳහා "BayesNet" , "Naive Bayes" සහ "SVM" යන ප්‍රධාන වර්ගකාරක(classifiers) 3 භාවිත කරණ ලදී . වාචික වර්ණාවලිය (vocal spectrum) විශ්ලේෂණයෙන් ලබාගත් දත්ත "BayesNet" , "SVM" , "Random Tree" සහ "Random Forest" සමග භාවිත විය .

ප්‍රතිපල වලට අනුව චිත්තවේගී ස්ථායී බව හඬ සහ වීඩියෝ අනුව ක්‍රියාවට නැංවීමේදී හා පරීක්ෂා කිරීමේ අදියර වලදී සමස්ථ ඉහල නිවැරදි තාවන් (බොහෝ විට 85% ට වැඩි ) වලදී වර්ග කිරීම් වලට අනුව ලබාගත් ගුණාංගය විය . පර්යේෂණ සොයාගැනීම් වලට අනුව ,     "Random Forest " සහ "Random Tree " වැනි   "Tree" වර්ගීකාරකය(classifier ) මත පදනම් වූ  වර්ග කිරීමේ ආකෘතීන් සංසන්දනාත්මකව හොඳින් වාචික සංඥාවන් සමග සම්බන්ද ගුණාංග සමග සහ "LibSVM " වැනි  "Function " වර්ගීකාරක(classifier ) 65% ට වැඩි නිවරදිතාවක් මුහුණේ සංඥාවන් සමග සම්බන්ද ගුණාංග සම්බන්දයෙන් ලබාගෙන ඇත . මෙම පර්යේෂණය ANN විශාල නියැදි අගයන් සඳහා සලකමින් අනෙකුත් පෞරුෂත්ව ලක්ෂණ විවිධ රැකියා අවස්ථා සහ විවිධ ජාතීන් දක්වා දීර්ඝ කල හැකිය . ඉහත සොයා ගැනීම් අනාගතයේ "Real World Application " වැඩිදියුණු කිරීම සඳහා කරනු ලබන පර්යේෂණ වලට උපකාරයක් වේවි .

 

A.T Rupasinghe , N.L Gunawardena , D.A.S Athukorale
කොළඹ විශ්වවිද්‍යාලයීය පරිගණක අධ්‍යයනායතනය