机器学习模型揭示近距离用眼行为可预测教育系统类型及其与近视发展的关联

本研究通过可穿戴传感器客观监测大学生近距离用眼行为，发现超正统犹太教育体系毕业生表现出更短的阅读距离（41.6±7.9 cm vs 48.4±7.7 cm）和更频繁的短暂休息模式。机器学习模型（AUC=80%）成功区分不同教育背景群体，为理解教育环境对近视发展的行为机制提供了新证据。

　　

在全球近视患病率激增的背景下，超正统犹太男性群体表现出与东亚国家相似的高近视率（80%），而非超正统群体仅为30-50%。这种差异被归因于前者从3岁开始接受强调宗教经典阅读的密集型教育，但具体行为机制尚不明确。Ravid Doron团队在《Scientific Reports》发表的研究创新性地采用机器学习方法，揭示了不同教育体系培养出的独特用眼行为模式。

研究团队招募18-33岁以色列男性大学生（28名超正统/36名非超正统），使用Clouclip可穿戴设备（测量范围5-120cm，采样间隔5秒）连续监测学术活动时的用眼行为。通过严格的数据清洗流程（排除户外光照>1000lux数据及运动伪迹），分析近距（10-100cm）和远距（0-10cm及≥100cm）观看的时间占比、持续时段特征。采用5折交叉验证比较多种机器学习模型（随机森林、梯度提升等），并利用SHAP值解析关键预测特征。

【行为模式差异】

超正统组表现出显著更短的近距工作距离（41.6±7.9 cm vs 48.4±7.7 cm, P<0.001），其中在极近距离（10-40cm）差异达1.7cm（P=0.01）。时间分配上，超正统组花费31.2%时间在极近距离（非超正统组20.1%），但在中等距离（40-100cm）时间较少（25.4% vs 34.0%）。

5分钟）占比更低（0.5% vs 1.3%）'>

【机器学习预测】

逻辑回归模型以近距工作距离和长时远距观看（>5分钟）占比为关键特征，实现74%精确度和72%召回率。SHAP分析显示，当近距<44cm且长时远距观看<1%时，预测为超正统教育的概率显著增加。

【临床关联】

尽管超正统组表现出更高程度近视（≤-6.00D占比21.4% vs 8.3%），但用眼距离与屈光度无显著相关性（R=0.23, P=0.06）。研究者推测这可能反映儿童期形成的行为模式在成年后的延续性。

该研究首次证实教育系统类型可通过客观行为指标被机器学习识别，为理解教育环境-行为-近视的三角关系提供了新视角。特别值得注意的是，超正统群体表现出的用眼特征（极近距离+碎片化休息）与东亚高近视人群相似，暗示不同文化背景下相似的教育压力可能通过共同的行为通路影响近视发展。未来研究可扩展至儿童发展关键期，并整合光照、字体大小等环境因素，为制定针对性近视干预策略提供依据。