基于人工智能的自我敏感性与共情能力评分预测模型构建及验证

本研究探索利用人工智能技术预测个体自我敏感性与共情水平。研究人员通过高斯过程回归(GPR)、神经网络回归(Net)和支持向量机回归(SVM)构建预测模型，采用MAPE、MAE、SE、MSE、RMSE、R和R2等指标评估性能。结果显示GPR模型预测精度最优，为护理实践和心理干预提供了创新工具。

　　

这项开创性研究运用前沿的人工智能技术，构建了三种机器学习模型来预测个体的心理特质指标。科研团队采用高斯过程回归(Gaussian Process Regression, GPR)、神经网络回归(Neural Network Regression, Net)和支持向量机回归(Support Vector Machine, SVM)等算法，对自我敏感性和共情能力量表数据进行建模分析。

研究团队精心设计了多维度的模型评估体系，包括平均绝对百分比误差(MAPE)、平均绝对误差(MAE)、标准误差(SE)、均方误差(MSE)、均方根误差(RMSE)等传统指标，同时引入相关系数(R)和决定系数(R²)等统计学参数。实验数据清晰表明，GPR模型在两项心理特质的预测任务中均展现出卓越性能，其预测准确度显著优于其他对照模型。

该研究的创新之处在于首次将高斯过程回归这一强大工具应用于心理健康评估领域。Net和SVM模型虽然也表现出不错的预测能力，但在处理心理量表这类复杂非线性数据时，GPR模型展现出独特的优势。这些人工智能驱动的预测工具为临床护理工作者提供了客观、高效的评估手段，有望革新传统心理干预方案的设计流程。

特别值得注意的是，这项技术的应用前景十分广阔。在护理实践中，它可以实现患者心理状态的快速筛查；在心理健康干预领域，则能为个性化治疗方案的制定提供数据支持。研究团队特别强调，GPR模型的高精度特性使其特别适合用于需要精细评估的临床应用场景。