با توجه به محدودیتها و ابهامهای موجود در مدلهای متداول آماری مانند از دست دادن دادههای مربوط به تعاملهای پیچیده و غیرخطی بین سازههای روانشناختی و برخی مفروضهها مانند همگونی واریـانسها و توزیع نرمال، پژوهش حاضر توانایی مدلهای شبکه‌های عصبی مصنوعی را برای مطالعات پیش‌بینی بررسی کرد. گروه نمونهای شامل 456 دانشـ آموز پسر سال سوم دبیرستان پرسشنامه شخصیتی کالیفرنیا (CPI؛ گاف، 1975) و پرسشنـامه همسازی دانـشآموزان مدرسه (AISS، سینها و سینگ، 1993) را تکمیل و در پنج سطح همسازی (از ناسازگار تا کاملاً سـازگار) طبقهبندی شدند. تحلیل عاملی ترکیبهـای مختلف رگههـای شخصیتی نشان داد که برخی از شبکهها به دلیل ناهمخوانی بین تعداد متغیرها و معماریهای شبکه، نمیتوانند همسازی را پیش‌بینی کنند. اما بازنگری معمـاریها و تکرار شبکه‌هـای جدید نسبت پیش‌بینی درست (نسبـت طبقهبندی شرکتکنندگان در سطوح همسازی مبتنی بر AISS) را بـه گونه‌ای معنـادار افـزایش داد. مـناسبترین شبکـه برای پیشبیـنی همسازی شامـل ترکیبی از متغیرهای شنـاختی انعطافپذیری، زنانگی، اشتراک و تحمل بود.
)