机器学习引导的歌词分析同伴支持干预在非洲人群心理困扰中的应用：BOM概念化框架

推荐：针对撒哈拉以南非洲地区心理健康服务缺口，研究者提出机器学习引导的歌词分析同伴支持干预（LAPSI），通过Logistic回归和随机森林模型生成风险画像，预测HIV阳性/阴性人群心理困扰，并指导 culturally sensitive（文化敏感）的歌曲主题选择。结果显示教育、就业和婚姻状况是关键预测因子，为政策制定者提供了数据驱动的干预方案。

　　

在撒哈拉以南非洲（SSA），抑郁症和焦虑症等心理健康问题已成为严峻的公共卫生挑战，尤其对妇女和HIV感染者等脆弱群体而言，社会经济歧视、性别暴力（GBV）和文化壁垒进一步限制了其获得专业心理服务的途径。传统干预措施的高成本和低覆盖率促使研究者探索创新解决方案，而音乐作为非洲文化的重要载体，其歌词分析（Lyric Analysis）在既往研究中已被证实能促进情绪表达和自我认知。基于此，Sefako Makgatho大学的研究团队提出了机器学习引导的歌词分析同伴支持干预（Machine Learning Guided Lyric-analysis Peer Support Intervention, LAPSI），旨在通过数据驱动的方法破解心理困扰的预测难题，并为政策制定提供科学依据。

研究团队采用Logistic回归、随机森林（Random Forest）等算法，整合人口统计学（如年龄、教育水平）、社会经济（就业状况、居住地区）和生物医学（HIV状态）等多维数据，构建心理困扰预测模型。通过SHapley Additive Explanations（SHAP）增强模型可解释性，识别出教育程度、婚姻状况和就业状态为关键预测因子。这些风险画像随后指导LAPSI的歌曲主题开发，例如选择反映HIV相关污名化经历的歌词，由经过培训的同伴支持者（Peer Support Workers）引导小组讨论。值得注意的是，研究严格遵循伦理规范（SMUREC伦理批号2139），所有数据经匿名化处理以保护HIV状态等敏感信息。

研究结果部分显示，机器学习模型成功量化了不同变量对心理困扰的贡献度：低教育水平与农村地区居民的抑郁风险呈强相关性，而失业状态在HIV阳性群体中预测效力尤为显著。在临床转化方面，前期试验表明基于音乐的治疗可提升Rosenberg自尊量表（RSES）评分（p < 0.20），尽管样本量限制需进一步验证。政策层面，研究者提出BOM概念化框架（Banda-oladimeji-mokgatle MLG-LAPSI framework），强调需培训社区工作者、整合现有医疗体系以实现干预的本土化。

结论指出，LAPSI的创新性在于将机器学习预测与人文疗法相结合：算法识别的高风险群体可通过 culturally appropriate（文化适配）的歌词引发情感共鸣，而同伴支持机制则有效降低病耻感。该研究为SSA地区心理健康服务的可及性问题提供了双重解决方案——既突破专业治疗师短缺的瓶颈，又以低成本实现个性化干预。论文发表于《The Open Public Health Journal》，呼吁政策制定者将LAPSI纳入公共卫生体系，通过与本土NGOs和传统治疗师的合作，构建多层级心理健康支持网络。