基于机器学习构建贵州省大学生非自杀性自伤行为的预测模型

摘要：

目的 探索机器学习算法在预测大学生非自杀性自伤(NSSI)行为中的效果,分析大学生NSSI行为的影响因素,为促进大学生心理健康提供参考.方法 于2022年12月采用分层随机整群抽样方法选取贵州省某高校835名大学生为研究对象,采用青少年自我伤害行为问卷、家庭功能评定量表、情绪调节自我效能感量表进行施测,以人口学特征、家庭因素和情绪因素为自变量,以大学生是否有NSSI行为为因变量,使用机器学习算法构建预测模型,包括逻辑回归、支持向量机、决策树、算法梯度提升树、随机森林、AdaBoost.结果 大学生NSSI行为检出率为23.23％(194名);NSSI行为组的家庭功能总分、情感交流、自我主义、家庭规则得分高于非NSSI行为组(t值分别为3.02,3.35,2.23,2.87,P值均＜0.05),非NSSI行为组在情绪调节自我效能感总分、管理消极情绪自我效能感、表达积极情绪自我效能感得分高于NSSI行为组(t值分别为-5.04,-5.48,-2.43,P值均＜0.05).随机森林、支持向量机、逻辑回归、决策树、算法梯度提升树、AdaBoost的召回率依次为 84.3％,90.6％,73.4％,87.5％,95.3％,89.0％;F1 依次为 84.4％,92.1％,71.2％,79.4％,91.7％,89.1％;精确度依次为84.4％,93.5％,69.1％,72.7％,88.4％,89.1％;AUC依次为 0.845,0.922,0.706,0.776,0.915,0.891.结论 相较于算法梯度提升树、随机森林、逻辑回归和AdaBoost模型,支持向量机模型预测贵州省大学生是否存在NSSI行为有较好的预测效果.应选择适合模型尽早识别可能存在NSSI行为的学生,对其进行心理危机干预,促进学生的心理健康.

关键词：自我伤害行为、精神卫生、预测、学生

所属期刊栏目：44

分类号：TP181;B844.2;R193(自动化基础理论)

资助基金：贵州省教育厅高校人文社会科学研究项目23GZGXRWJD1931

在线出版日期：2023-09-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1198-1202,1206