通过社会支持预测抑郁症状:军事人口中的机器学习方法

科学领域:

• 军事心理学 军事心理学
• 心理健康分析 心理健康分析
• 医疗保健中的机器学习

背景情况:

• 感知到的社会支持与军人抑郁症状的减少有关.
• 对特定支持类型 (情绪,信息,工具) 和预测心理健康的来源的研究是有限的.
• 基于性别,社会经济地位 (SES) 和未来方向的社会支持需求的子组变化未得到充分研究.

研究的目的:

• 根据感知到的社会支持,利用机器学习 (ML) 来预测军事学员的抑郁症状.
• 确定不同社会支持类型和来源的独特预测性贡献.
• 检查这些关系中的子组差异,以告知定制的心理健康干预措施.

主要方法:

• 利用来自军事人员职业发展研究 (N=2,978) 的数据,跨越四个波段.
• 应用了五个ML分类器 (随机森林,决策树,SVM,AdaBoost,k-NN) 来预测抑郁症状.
• 在完整样本和子组样本上使用精度回调曲线下的面积 (AUPRC) 评估模型性能.

主要成果:

• 随机森林模型实现了高AUPRC的96.3%,优于其他分类器.
• 根据性别,SES和未来方向定义的子组,预测表现仍然很高.
• 功能重要性分析揭示了各个子组的支持来源 (领导者,同行,高级) 的不同角色.

结论:

• 通过使用社会支持数据,ML模型有效地预测了军事学员的抑郁症状.
• 在不同小组中存在感知到的社会支持需求的细微模式.
• 调查结果支持为军事人员开发个性化心理健康干预措施.