对欠发达地区青少年的童年创伤、心理健康以及基于人工智能的情感支持需求进行网络分析和机器学习研究

《BMC Psychology》：Network and machine learning analysis of childhood trauma, mental health, and AI-based emotional support needs in adolescents from underdeveloped regions

　　

摘要

背景

目前，生成式对话人工智能（GCAI）在改善整体心理健康问题方面的效果仍然有限，这可能与GCAI的情感支持需求（GCAI-ESN）与儿童创伤及心理健康问题之间的复杂且不明确的关系有关。

方法

我们使用了儿童创伤问卷、中学生心理健康量表以及是否存在GCAI-ESN来评估14,380名青少年。结合了SHapley Additive Explanations（SHAP）分析的机器学习（ML）方法被用来识别影响GCAI-ESN模型的关键预测因素。基于这些预测因素，构建了一个无向网络，并进行了贝叶斯网络分析。

结果

在欠发达地区，青少年中儿童创伤、心理健康问题以及GCAI-ESN的患病率分别为32.43%（95%置信区间：31.66%-33.19%）、16.78%（95%置信区间：16.17%-17.39%）和39.53%（95%置信区间：38.73%-40.33%）。对四种机器学习模型的SHAP分析确定了15个影响GCAI-ESN的关键预测因素。在无向网络模型中，“容易焦虑”的“MH6”（EI = 1.07）和“抑郁”的“MH5”（EI = 1.07）是核心节点，而GCAI-ESN（BEI = 3.09）和“家人说过伤害性话语”的“CTQ14”（BEI = 1.00）是桥梁节点。贝叶斯网络分析表明，“CTQ14”是具有最多潜在预测关系的节点。

结论

本研究确定了欠发达地区青少年中GCAI-ESN的关键预测因素，并将“MH6”、“MH5”和“CTQ14”确定为GCAI提供情感支持时的潜在干预目标，为未来的研究提供了具体的重点。