عنوان فارسی مقاله:روش‌های یادگیری ماشینی برای شناسایی عوامل پیش‌بینی کننده پریشانی روانی (اضطراب روان شناختی)

چکیده

از آنجایی که افراد به مشکلات ناشی از استرس روانی توجه فزاینده‌ای می‌کنند، تحقیق در مورد عوامل مؤثر بر آن بسیار مهم است. این مطالعه داده‌های نظرسنجی روند ملی اطلاعات سلامت (HINTS، چرخه ۳ و چرخه ۴) (N = 5484) را تجزیه و تحلیل کرد و نتایج را با استفاده از آمار توصیفی، آزمون‌های مجذور کای و آزمون‌های t ارزیابی کرد. چهار الگوریتم یادگیری ماشین برای مدل‌سازی استفاده شد: رگرسیون لجستیک (خطی)، جنگل‌های تصادفی (RF) (مجموعه)، شبکه عصبی مصنوعی (ANN) (غیرخطی)، و تقویت گرادیان (GB) (مجموعه). نمونه‌ها به طور تصادفی در یک مجموعه آموزشی ۵۰ درصد و یک مجموعه اعتبار سنجی ۵۰ درصد قرار گرفتند. بیست و شش متغیر از پیش انتخاب شده از پایگاه‌های داده در این مطالعه به عنوان پیش‌بینی‌کننده استفاده شد و چهار مدل، بیست پیش‌بینی‌کننده پریشانی روانی را شناسایی کردند. ماهیت این مقاله یک مشکل طبقه‌بندی دوتایی است که در آن قضاوت می‌کند که آیا یک فرد دارای پریشانی روان‌شناختی بر اساس عوامل مختلف است یا خیر. بنابراین، دقت، صحت، یادآوری، امتیاز F1 و AUC برای ارزیابی عملکرد مدل استفاده شد. مدل رگرسیون لجستیک پیش بینی کننده‌ها را با انتخاب رو به جلو، انتخاب رو به عقب و رگرسیون گام به گام انتخاب کرد. مقادیر اهمیت متغیر برای شناسایی پیش‌بینی‌کننده‌ها در سه روش یادگیری ماشین دیگر استفاده شد. از بین چهار مدل یادگیری ماشین، ANN بهترین اثر پیش بینی را نشان داد (AUC = 73.90) طیفی از پیش بینی کننده‌های پریشانی روانی با ترکیب چهار مدل یادگیری ماشین شناسایی شد که به بهبود عملکرد ابزارهای غربالگری سلامت روان موجود کمک می‌کند.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Machine Learning Methods to Identify Predictors of Psychological Distress

Abstract

As people pay ever-increasing attention to the problems caused by psychological stress, research on its influencing factors becomes crucial. This study analyzed the Health Information National Trends Survey (HINTS, Cycle 3 and Cycle 4) data (N = 5484) and assessed the outcomes using descriptive statistics, Chi-squared tests, and t-tests. Four machine learning algorithms were applied for modeling: logistic regression (linear), random forests (RF) (ensemble), the artificial neural network (ANN) (nonlinear), and gradient boosting (GB) (ensemble). The samples were randomly assigned to a 50% training set and a 50% validation set. Twenty-six preselected variables from the databases were used in the study as predictors, and the four models identified twenty predictors of psychological distress. The essence of this paper is a binary classification problem of judging whether an individual has psychological distress based on many different factors. Therefore, accuracy, precision, recall, F1 score, and AUC were used to evaluate the model performance. The logistic regression model selected predictors by forward selection, backward selection, and stepwise regression; variable importance values were used to identify predictors in the other three machine learning methods. Of the four machine learning models, the ANN exhibited the best predictive effect (AUC = 73.90%). A range of predictors of psychological distress was identified by combining the four machine learning models, which would help improve the performance of the existing mental health screening tools.