职业心理健康：利用可解释机器学习技术对风险指标的研究

本研究基于巴西1117例2007-2022年工作相关心理健康病例数据，构建了决策树和支撑向量机等可解释机器学习模型，通过SHAP分析识别出工作移除、保护措施及地区差异为关键影响因素，并指出能源/水操作员、法律从业者及工程师等职业具有高风险。模型有效预测心理健康严重程度，为制定精准干预政策提供依据。

　　

摘要简而言之

---

研究目的

本研究旨在运用可解释的机器学习方法来识别影响工作相关心理健康问题的关键因素，以支持早期干预。

方法

本研究使用了2007年至2022年间巴西传染病信息系统的1117条记录，开发了五种机器学习模型来将心理健康问题分为轻度或重度。通过SHAP分析对最具影响力的预测因素进行排序和解释。

结果

决策树模型的准确率为82.9%（111个案例中有92个被正确分类，其中85个重度案例中有83个被正确分类）；支持向量机的准确率为82.0%（111个案例中有91个被正确分类，其中85个重度案例中有84个被正确分类）。主要影响因素包括工作环境改变、防护措施以及地区差异。高风险职业包括能源/水务操作人员、法律专业人士和工程师。

结论

可解释的机器学习模型能够有效预测心理健康结果，揭示了可采取行动的社会人口统计学和职业风险因素，为有针对性的干预措施提供依据。

下载