在使用GHQ-12和机器学习的大学生中查抑郁症
Nasirul Mumenin1, A B M Kabir Hossain1, Md Arafat Hossain1
1Bangladesh Army University of Engineering and Technology, Rajshahi, Bangladesh.
Heliyon
|September 19, 2024
概括
机器学习使用GHQ-12准确地选大学生抑郁症. 极端随机树模型实现了90.26%的准确性,识别了早期干预的关键预测因素.
科学领域:
- 精神病学是一个精神病学.
- 计算机科学 计算机科学
- 公共卫生 公共卫生
背景情况:
- 大学学生面临越来越多的心理健康挑战,需要有效的抑郁症查.
- 一般健康问卷-12 (GHQ-12) 是评估心理痛苦的公认工具.
研究的目的:
- 开发和评估用于准确查大学生抑郁症的机器学习模型.
- 在这个人群中确定社会人口统计学和职业相关的抑郁症预测因素.
主要方法:
- 804名孟加拉大学生接受了包括GHQ-12,社会人口统计和职业相关项目在内的综合问卷.
- 进行了数据预处理和分析,随后应用和评估了16个机器学习模型.
- 评估了极端随机树 (ET) 模型的分类有效性.
主要成果:
- 大约60%的研究人口报告了与抑郁症相一致的症状.
- 极端随机树 (ET) 模型在分类抑郁风险方面表现出最高准确率90.26%.
- 该研究确定了与大学生抑郁症相关的关键趋势和预测因素.
结论:
- 机器学习,特别是ET模型,为大学生早期抑郁症检测提供了一个高度准确和有效的方法.
- 研究结果强调了社会人口因素,职业压力因素和学生心理健康之间的相互作用.
- 这项研究为心理健康查的心理学研究中应用机器学习提供了新的视角.
