在患有抑郁症的青少年中,智能手机成的预测因素:理机器学习和调节调解模型方法

科学领域:

• 精神病学和心理健康 精神病学和心理健康
• 青少年健康 青少年健康
• 计算心理学 计算心理学

背景情况:

• 智能手机成 (SA) 对青少年的身体和心理健康产生负面影响,特别是那些患有抑郁症的人.
• 关于SA预测因子的研究有限,特别是在抑郁的青少年群体中.
• 了解这些预测因素对于有针对性的干预措施至关重要.

研究的目的:

• 通过机器学习在患有抑郁症的青少年中识别智能手机成 (SA) 的关键风险因素.
• 使用调解和适度模型分析已识别的风险因素之间的相互作用.
• 为了提高机器学习结果的可解释性,SHapley添加式扩展 (SHAP).

主要方法:

• 采用了四种机器学习模型:随机森林,支持向量机,物流回归和XGBoost.
• 为了模型的可解释性,利用了夏普利添加式解释 (SHAP).
• 建立了一个基于人-情感-认知-执行 (I-PACE) 交互框架的调解调节模型.

主要成果:

• 始终确定了以情绪为中心的应对,反省和学校欺凌作为所有模型中SA最强的预测因素.
• 化显著调解了学校欺凌和SA之间的联系.
• 专注于情绪的应对显著缓解了学校欺凌和反之间的途径,以及学校欺凌和SA之间的途径.

结论:

• 这项研究是第一个应用机器学习来识别抑郁青少年SA预测因子的研究.
• 针对以情绪为重点的应对和反的干预措施可能在这个人群中对SA有效.
• 了解欺凌,应对和反省之间的相互作用是预防SA的关键.