使用机器学习建模,根据人格清单响应,识别童年虐待受害者

科学领域:

• 精神病学是一个精神病学.
• 心理学 心理学 心理学
• 计算机科学 计算机科学

背景情况:

• 创伤和同时出现的精神健康障碍,如PTSD在全球普遍存在.
• 鉴定虐待受害者是具有挑战性的,因为情绪上的痛苦阻碍了自我报告.
• 准确确认虐待史对于有效的治疗计划至关重要.

研究的目的:

• 为了评估机器学习 (ML) 方法,使用人格库存数据来识别过去的创伤暴露.
• 检查MMPI-A个人资料和自我报告的滥用历史之间的趋同.
• 开发一种ML模型来预测虐待史,并分析与情绪虐待严重程度相关的个性特征模式.

主要方法:

• 向733名儿童和青少年住院患者使用童年创伤问卷 (CTQ).
• 使用明尼苏达州人格库存,青少年版本 (MMPI-A) 来获取人格数据.
• 应用统计措施,信息理论,主要组件分析 (PCA) 和集群分析用于ML模型开发.

主要成果:

• 每种虐待类型 (性,身体,情感) 都表现出独特的MMPI-A个人资料"指纹".
• 情绪虐待与最多的MMPI-A升高相关,其次是身体虐待,然后是性虐待.
• 开发了一种ML分类器,用于滥用历史预测,其灵敏度与现有的查措施相美.
• PCA和集群分析显示了不同情绪虐待严重程度的不同个性特征模式.

结论:

• 对MMPI-A数据的ML分析提供了一种新的方法来检测虐待儿童的历史.
• 这种方法显示出大规模,实时识别高风险的个人滥用暴露的承诺.
• 这些发现支持了在心理健康方面使用ML的实用性,以改善创伤受害者识别和治疗规划.