یادگیری ماشینی جدید و رویکرد تحلیلی پیش‌بینی‌کننده به شناسایی نوجوانانی که افکار و رفتار خودکشی را تجربه می‌کنند کمک می‌کند.

محققان دانشگاه جان هاپکینز یک الگوریتم یادگیری ماشینی را توسعه دادند که از تجزیه و تحلیل پیش بینی برای شناسایی نوجوانانی که افکار و رفتارهای خودکشی را تجربه می کنند، استفاده می کند.

پس از دهه‌ها تجزیه و تحلیل، محققان عوامل خطر خاص مرتبط با افکار و رفتار خودکشی را در میان نوجوانان کشف کردند که به بهبود تلاش‌های پیشگیری از خودکشی کمک می‌کند. با این حال، مطالعات کمی این عوامل خطر را در ترکیب با یکدیگر، به ویژه در یک جمعیت بزرگ نوجوان بررسی کرده اند.

به گفته محققان، یادگیری ماشین اکنون می تواند فرصت های جدیدی برای مطالعه عوامل خطر در نوجوانان فراهم کند و تلاش های پیشگیری از خودکشی را بهبود بخشد.

تیم تحقیقاتی از یادگیری ماشینی برای تجزیه و تحلیل داده های یک نظرسنجی از دانش آموزان دبیرستانی در یوتا استفاده کرد. این نظرسنجی به طور معمول برای نظارت بر مسائل از جمله سوء مصرف مواد مخدر و سلامت روان انجام می شود. این داده‌ها شامل پاسخ‌هایی از بیش از 300 سؤال از بیش از 179000 دانش‌آموز دبیرستانی بود که بین سال‌های 2011 تا 2017 در این نظرسنجی شرکت کردند.

علاوه بر این، محققان داده‌های جمعیت شناختی ارائه‌شده توسط سرشماری ایالات متحده را مورد مطالعه قرار دادند. تیم دریافتند که می توانند از داده های نظرسنجی برای پیش بینی اینکه پاسخ های دانش آموزان نشان دهنده افکار یا رفتار خودکشی است، با دقت 91 درصد استفاده کنند.

با انجام این کار، آنها توانستند تشخیص دهند که کدام سؤالات نظرسنجی دارای بیشترین قدرت پیش بینی هستند. دقت الگوریتم جدید بیشتر از روش‌های تحلیلی پیش‌بینی‌کننده قبلی است که نشان می‌دهد یادگیری ماشینی می‌تواند به طور بالقوه درک افکار و رفتار خودکشی نوجوانان را بهبود بخشد.

به گفته محققان، این مطالعه می تواند نقش مهمی در تقویت برنامه ها و سیاست های پیشگیری از خودکشی داشته باشد. علاوه بر این، تحقیقات آینده می تواند یافته های محقق را با ترکیب داده های سایر ایالت ها و همچنین داده های مربوط به میزان خودکشی در نوجوانان گسترش دهد.

مقاله ما رویکردهای یادگیری ماشینی را بررسی می‌کند که در مجموعه داده‌های بزرگی از پرسش‌نامه‌های نوجوانان اعمال می‌شود تا افکار و رفتارهای خودکشی را از روی پاسخ‌های آنها پیش‌بینی کند.

نویسندگان مطالعه نوشتند که ما دقت پیش‌بینی قوی در شناسایی افراد در معرض خطر پیدا می‌کنیم و مدل خود را با پیشرفت‌های اخیر در تفسیرپذیری ML تجزیه و تحلیل می‌کنیم.

202000819.001