在COVID-19大流行期间,随机森林模型的食品安全行为

科学领域:

• 行为科学 行为科学
• 数据科学数据科学数据科学
• 食品安全 食品安全

背景情况:

• 机器学习越来越多地用于科学行为预测.
• 了解疫情期间食品安全行为变化至关重要.

研究的目的:

• 通过使用随机森林模型,识别疫情期间食品安全行为变化的顶级预测变量.
• 分析随着时间的推移,预测因素的重要性的变化.

主要方法:

• 利用随机森林模型预测14种与食品安全相关的行为.
• 通过在线调查从美国消费者收集的数据跨越十个时间点 (2020年4月-2021年5月) 和后流行 (2022年5月).
• 评估了COVID-19和食源性疾病 (FBI) 的风险感知,食品安全实践和人口统计数据.

主要成果:

• 随机森林模型在预测洗手行为方面表现良好 (F-1评分为0.93在前,0.88在吃饭后).
• 与态度相关的变量成为食品安全行为显著预测因素.
• 预测变量的相对重要性在被调查的时间点上有所不同.

结论:

• 机器学习,特别是随机森林模型,对于预测食品安全行为是有效的.
• 消费者态度是食品安全实践的关键驱动因素,特别是在卫生危机期间.
• 预测重要性的动态变化凸显了对适应性食品安全战略的需求.