基于心理测量细分的精准公共卫生传播：风险分层健康沟通的描述性计算框架

《BMC Public Health》：A safety-first machine learning framework for precision public health: segmenting vaccine hesitancy among Iranian adults

　　

摘要

背景

传统的"一刀切"式公共卫生传播往往未能考虑个体的心理障碍，可能引发心理逆反和事与愿违的效果。为解决这一问题，需要采用精准公共卫生策略，根据各群体独特的信任特征将其分类，并制定差异化的传播路径。

方法

本研究利用对457名伊朗成年人进行的横断面调查数据，分析了去标识化机器学习数据集中的404条记录。我们开发了一套描述性计算框架，将人口统计学和地理特征映射到三个操作性心理测量细分群体：接受型、矛盾型和抗拒型。目标类别基于健康信念模型（HBM）和3C模型的理论推导，通过固定李克特量表边界构建。采用嵌套分层交叉验证评估逻辑回归模型。使用逐折置信度阈值（平均τ = 0.406；标准差 = 0.038；范围0.36–0.45）作为"安全阀"，将低置信度预测路由至"对话/复核"环节。

结果

基础分类器的准确率为0.446（95%置信区间0.401–0.493），平衡准确率为0.447（95%置信区间0.395–0.500），宏平均F1分数为0.419（95%置信区间0.375–0.465）。多数类基线准确率为0.438。"安全阀"将16.8%的案例转入"对话/复核"环节，使观察到的严重错误率从15.25%降至11.86%，但该降低不具有统计学显著性（McNemar检验 p = 0.50）。SHAP分析识别出医疗保健专业人员、教育程度、就业状况、婚姻状况和所在省份为最大的分组预测因子；这些是统计学相关因素，而非因果决定因素。

结论

本研究为风险分层健康传播提供了描述性蓝图，其优先关注危害预防而非自主覆盖。然而，鉴于样本中医疗保健专业人员和受教育程度较高者的比例偏高，这些发现未经重新校准和外部验证则不能直接推广。可扩展性、有效性和可行性均需外部验证和田野测试；本文不作任何可扩展性声明。