در پژوهش حاضر به بررسی اثر بخشی زوج درمانی هیجان مدار (efct) بر سازگاری زناشویی، صمیمیت و بخشایش زوجین پرداخته شد. این تحقیق از نوع نیمه تجربی همراه با پیش آزمون، پس آزمون با گروه گواه می باشد. بدین منظور تعداد 20 زوج (40 نفر) از فرزندان شاهد متأهل شهر شیراز که دارای تعارضات زناشویی بودند بوسیله سرند کردن در مرکز مشاوره بنیاد شهید و امور ایثارگران استان فارس، با روش نمونه گیری مبتنی بر هدف انتخاب شدند. از این تعداد، 10 زوج در گروه آزمایشی و 10 زوج در گروه کنترل به طور تصادفی جایگزین شدند. تمام این افراد پرسشنامه سازگاری زناشویی (das)، پرسشنامه نیازهای صمیمیت و همچنین پرسشنامه بخشایش را تکمیل کردند. یک هفته بعد، جلسات درمانی بر روی گروه آزمایشی اجرا شد. زوجین گروه آزمایشی در 8 تا 10 جلسه درمان 2 ساعتهefct شرکت کردند. در حین اجرای تحقیق 4 زوج از گروه آزمایشی و 3 زوج از گروه کنترل از ادامه تحقیق انصراف دادند و در نهایت 6 زوج در گروه آزمایشی و 7 زوج در گروه کنترل، یک هفته پس از خاتمه جلسات درمانی، مجدداً پرسشنامه های مذکور را تکمیل نمودند. نتایج آزمون t مستقل بر روی تفاضل نمره های پیش آزمون و پس آزمون در گروه کنترل و آزمایش نشان داد، بین دو گروه، در متغیر سازگاری زناشویی و نیز صمیمیت، تفاوت معناداری در سطح 01/0> p وجود دارد، اما بین این دو گروه از نظر متغیر بخشایش، تفاوت معناداری وجود ندارد. این به این معناست که این رویکرد بر افزایش سازگاری زناشویی و صمیمیت زوجین موثر بوده، اما بر میزان بخشایش آن ها تأثیری نداشته است. همچنین نتایج تحلیل واریانس چند متغیره نشان داد که زوج درمانی مبتنی بر هیجان، باعث افزایش در ابعاد مختلف صمیمیت در میان زوجین می شود بدین صورت که بین گروه آزمایش و کنترل، تفاوت معناداری در ابعاد صمیمیت عاطفی، صمیمیت روانشناختی، صمیمیت جنسی، صمیمیت جسمانی، صمیمیت ارتباطی، صمیمیت زمانی و صمیمیت عقلانی وجود دارد، اما تفاوت این دو گروه در دو بعد صمیمیت اجتماعی-تفریحی و صمیمیت معنوی، از نظر آماری معنادار نیست. نتایج دیگر حاکی از عدم وجود تفاوت معنادار بین زنان و مردان گروه آزمایشی در سازگاری زناشویی، صمیمیت و بخشایش، پس از زوج درمانی هیجان مدار است.

روش های الهام گرفته شده از طبیعت راه کار مناسبی برای حل مسائل پیچیده و پویا می باشند. در این رساله به طور خاص از نظریه استنتاج تجربی در داده کاوی الهام گرفته شده است. این نظریه بیانگر مکانیزم تفکر در انسان است و از معدود روش های برخورد نمادین با شبکه های عصبی می باشد. در این تحقیق، ابتدا دو سیستم توصیه گر جدید (‍crs و chrs)، برای بررسی کارایی این نظریه در داده کاوی، معرفی نموده ایم و در ادامه، روشهایی برای استخراج قوانین از داده های غیر پویا (الگوریتم carm و tcarm) و همچنین داده های جریانی (الگوریتم dcarm) پیشنهاد داده ایم. آزمایش ها نشان می دهند، crs و chrs، توانایی مقابله با مشکلاتی از قبیل خلوتی ماتریس رأی ها و شروع سرد را دارند و نسبت به روش پالایش گروهی مبتنی بر پیرسون کاراتر می باشند. هدف الگوریتم carm، کشف قوانین انجمنی بر اساس نظریه ی استنتاج تجربی می باشد. در نظریه موجود، دانش در شبکه ای از نرون ها ذخیره می شود، ‍carm با بهره گیری از معیار مستدل بودن، دانش را به صورت قوانین، از این شبکه استخراج می نماید. به علت استفاده از این معیار، carm تنها به یک گذر از داده نیاز داشته و همچنین امکان مقابله با مشکل اقلام کمیاب را نیز دارد. آزمایش های انجام شده بر روی داده های مصنوعی نشان می دهد، carm از نظر حافظه ی مصرفی و زمان اجرا بسیار کارا می باشد. علاوه بر این، برای بررسی کیفیت قوانین، از طبقه بندی مبتنی بر قوانین انجمنی استفاده شده است. نتایج آزمایش ها بر روی داده های واقعی نشان می دهد carm توانایی کشف قوانین برای داده های کمیاب را دارا می باشد. carm برای کنترل تعداد قوانین از دو قید استفاده می کند قید اول مربوط به بخش مقدّم قوانین است و قید دوم مربوط به تالی یا همان معیار مستدل بودن است. به منظور بررسی کارایی قید اول، در هرس کردن قوانین غیر مفید، الگوریتم tcarm را معرفی نموده ایم که تنها با استفاده از معیار مستدل بودن قوانین را تولید می کند. اثبات شده است، قوانینی که در tcarm تولید می شوند، میزان مستدل بودن بیشتری نسبت به قوانین تولید نشده دارند. بررسی قوانین تولید شده توسط این دو الگوریتم، با استفاده از معیارهای مختلف، از جمله دقت، بازخوانی، پشتیبان و مستدل بودن نشان می دهد الگوریتم carm توانسته است به خوبی قوانین اضافی را هرس نماید. و در نهایت، الگوریتم dcarm را برای داده های جریانی معرفی نموده ایم که رفتار انسان را، در برخورد با داده ها در طول زمان، تقلید می کند. در این حالت با افزودن مفهوم فراموشی توانسته ایم مدیریت درستی برای کمرنگ شدن اطلاعات قدیمی تر داشته باشیم. از جنبه نظری اثبات شده است، dcarm در محیط های ایستا، به سمت carm همگرا خواهد شد. همچنین نشان داده شده است در محیط های غیر ایستا، امکان تشخیص تغییرات را دارد. علاوه بر این، آزمایشها نشان می دهد dcarm کارا بوده و توانایی مقابله با مشکل اقلام کمیاب را نیز دارد.