一种可解释的机器学习方法来预测护理学生的感官处理敏感性特征.
Alicia Ponce-Valencia1, Diana Jiménez-Rodríguez2, Juan José Hernández Morante1
1Faculty of Nursing, Universidad Católica de Murcia, Campus de Guadalupe, 30107 Murcia, Spain.
概括
一个机器学习模型现在可以预测护理学生的感官处理灵敏度 (SPS) 或高度敏感的人 (HSP). 这种早期检测有助于针对这种普遍特征进行量身定制的护理评估和干预.
科学领域:
- 心理学 心理学 心理学
- 护理教育 护理教育
- 机器学习 机器学习
背景情况:
- 感官处理敏感性 (SPS),以对刺激的高度敏感性为特征,定义了高度敏感的人 (HSP).
- 在护理学生和工作人员中,SPS特征很常见,但早期检测方法有限.
- 准确识别HSP对于有效的护理和支持至关重要.
研究的目的:
- 开发一种可解释的机器学习模型,用于预测护理学生的SPS特征.
- 为了能够早期识别高度敏感的人 (HSP) 以进行个性化护理评估.
- 探索护理学生SPS和其他心理因素之间的关系.
主要方法:
- 一组672名护理学生接受了HSP诊断,情绪智力,沟通技巧和冲突风格的评估.
- 使用收集的数据训练了一个可解释的机器学习模型,以预测SPS特征的存在.
- 使用统计分析来确定与HSP相关的特征.
主要成果:
- 在护理学生中,HSP的患病率为33%,女性和先前接受过健康培训的人群的患病率更高.
- 高SP个体表现出明显更高的情绪修复能力,同情心和全球沟通能力.
- 对于SPS特征检测的关键预测因素包括性别和情绪智能的特定维度.
结论:
- 一个个性化的预测模型SPS特征在护理学生已经开发.
- 这种模型可以促进HSP的早期识别,为有针对性的护理干预提供信息.
- 了解和支持护理中的HSP特征可以减轻负面影响并利用积极的属性.
