使用机器学习方法对互联网成进行分类:孟加拉国青少年的研究

科学领域:

• 青少年健康 青少年健康
• 心理健康技术 心理健康技术
• 在医疗保健中的数据科学.

背景情况:

• 互联网成 (IA) 对青少年的精神,情感,社会和身体健康构成重大风险.
• 由于发育因素,青少年特别容易受到在线诱惑的影响.
• 孟加拉国对IA的传统研究有限,这凸显了对新方法的需求.

研究的目的:

• 确定与青少年互联网成 (IA) 相关的风险因素.
• 为了利用先进的机器学习 (ML) 技术来进行IA分类.
• 解决了解孟加拉国IA流行和预测因子的研究缺口.

主要方法:

• 385名青少年接受了针对抑郁症 (PHQ-9),孤独感 (UCLA-3) 和IA (IAT-20) 的调查.
• 博鲁塔特征选择确定了关键的IA流行因素.
• 评估了多个ML分类模型,包括SVM,DT,LR和RF,使用交叉验证和ROC曲线.

主要成果:

• 相当大的三分之一 (30.1%) 的受访者报告IA.
• 对IA的关键预测因素包括父亲的教育,最喜欢的活动,孤独,吸烟状态,抑郁和互联网使用时间.
• SVM线性内核模型在IA分类方面表现出卓越的性能,达到高精度 (0.819) 和AUC (0.890).

结论:

• 提高青少年和家长对IA的认识是非常重要的,因为它的流行率很高.
• ML框架有效地识别了IA的预后指标,有助于准确的分类和干预.
• 调查结果可以为政策制定和咨询服务提供信息,以应对青少年AI危机.