利用机器学习方法确定青少年心理和身体健康的最佳预测因子

《Journal of Affective Disorders》：Identifying the optimal predictors for adolescent mental and physical health using machine learning methods

青少年心理健康与身体健康的预测因素研究，基于香港与中国荷兰的PISA 2022数据，采用多机器学习方法分析九大领域46个预测变量，发现情感与社会资本领域对两地青少年心理健康和身体健康的预测作用最为关键，但环境因素在港、身体因素在荷更显著，跨文化模型预测效果较差，强调干预需考虑文化特异性。

　　

孙雅迪|林颖|何亨利·C·Y|卢家芳|崔荣泽|高晓子|刘慧楠|潘凯泰|姜大|林曼曼·韦莉

香港教育大学

摘要

背景

青少年健康是一个全球性的问题。以往的研究已经确定了导致心理健康和身体健康问题的许多因素，但这些研究通常只关注一两个预测因素领域。

方法

为了确定影响青少年心理健康和身体健康的最佳预测因素，本研究采用了多种机器学习方法，利用2022年PISA的数据，分析了来自中国香港和荷兰的青少年在9个领域内的46个预测因素对心理健康和身体健康的预测效果。

结果

结果显示，在所有考虑的预测因素中，情感资本和社会资本领域对两个地区的青少年心理健康和身体健康最为关键。研究还发现两个地区存在差异：在香港，环境因素更为重要；而在荷兰，身体因素更为关键。基于一个地区数据训练的模型在预测另一个地区的健康结果时表现较差。

结论

结果表明，针对情感资本和社会资本领域的干预措施可能有助于解决青少年的心理健康和身体健康问题。然而，干预措施应考虑文化差异，因为尽管两个地区存在一些共同点，但文化背景仍然很重要。

章节片段

青少年心理健康和身体健康的预测因素

根据生物心理社会模型，青少年的当前和未来健康状况受到生物、心理和社会系统的极大影响（Sales和Irwin Jr，2013）。社会生态模型（Koffman等人，2005）强调了整合多种因素的重要性，如人际因素、社区因素和社会化因素。这些模型也得到了实证研究的支持。例如，较差的情绪调节能力和更复杂的人际关系等。

参与者

我们的数据来自国际学生评估项目（PISA，2022年：https://www.oecd.org/pisa/data/）（经合组织，2023年）。这些二手数据符合数据收集机构的伦理准则。我们主要分析了来自香港和荷兰的数据。从概念上讲，香港和荷兰代表了两种具有不同特征的文化（例如，霍夫斯泰德的文化维度：香港=25，荷兰=80；权力……）

特征重要性

图1显示了每种特征选择方法选出的最重要特征的排名（详见补充表S2–S5，其中列出了每种方法在30次重复实验中选出的10个重要特征）。

如前所述，为了提高结果的稳健性，我们使用了五种特征选择方法。为了解释结果，我们综合了所有方法的结果，统计了每个最优预测因素的选中频率，并仅关注共有的变量。

讨论

识别能够同时预测青少年身心健康的最重要因素有助于选择有效的干预措施。据我们所知，这是首次使用多种特征选择方法，在不同文化背景下研究多领域预测因素对青少年身心健康的影响。研究结果表明，情感资本和社会资本领域对身心健康至关重要。

结论

本研究利用机器学习方法确定了香港和荷兰青少年身心健康的最重要预测因素。我们发现了身心健康问题的共性，强调了情感资本和社会资本领域的重要性。同时，也观察到了文化上的差异。总体而言，尽管两个地区在身心健康方面存在一些共性，但文化因素的影响仍然不容忽视。

计算可重复性

数据分析代码可在线获取（https://osf.io/7cxzt/?view_only=a29e61bfd9774eafb86c80a9feb3a3ee）。

作者贡献声明

孙雅迪：撰写——审稿与编辑、撰写——初稿、方法论、数据分析、概念构建。林颖：撰写——审稿与编辑、方法论、数据分析、概念构建。何亨利·C·Y：撰写——审稿与编辑、概念构建。卢家芳：撰写——审稿与编辑、概念构建。崔荣泽：撰写——审稿与编辑、概念构建。高晓子：撰写——审稿与编辑、概念构建。刘慧楠：撰写——审稿与编辑。

伦理审批声明

本研究使用了公开可用的数据集（PISA，2022年：https://www.oecd.org/pisa/data/），因此无需伦理审批。

写作过程中生成式AI和AI辅助技术的使用声明

本研究及本文的撰写过程中未使用任何人工智能辅助技术。

资金支持

本研究部分得到了香港教育大学CRAC项目（04A49）的支持。

利益冲突声明

作者声明不存在可能影响本文研究的已知财务利益或个人关系。

致谢

无。