2024 年 9 月 13 日专题
本文已根据 Science X 的编辑流程和政策进行审核。编辑在确保内容可信度的同时强调了以下属性:
事实核查
同行评审的出版物
可信来源
校对
无论个人、职业和社会环境如何,不同的人都可以体验到不同程度的生活满意度、成就感和幸福感。这种生活满意度的一般衡量标准,广泛地称为“幸福感”,一直是众多心理学研究的重点。
更好地了解促进幸福感的许多因素可能有助于设计个性化和旨在提高人们的成就感水平的有针对性的干预措施。虽然过去的许多研究都试图描述这些因素,但很少有人利用当今可用的先进机器学习模型来做到这一点。
机器学习模型旨在分析大量数据,揭示隐藏模式并做出准确预测。使用这些工具分析之前神经科学和心理学研究中收集的数据,有助于揭示影响幸福感的环境和遗传因素。
阿姆斯特丹自由大学和阿姆斯特丹大学医学中心的研究人员最近提出通过使用机器学习分析荷兰十年来收集的大型数据集来研究预测幸福感的因素。他们的研究结果发表在《自然心理健康》杂志上,指出了可以预测普通人群幸福感的几个因素。
“有效的个性化幸福感干预措施需要能够预测谁会茁壮成长,以及Dirk H. M. Pelt、Philippe C. Habets 及其同事在论文中写道。
“利用大量人群的纵向数据(荷兰双胞胎登记册,收集于 19912022 年),我们的目标是从暴露组和基因组中构建成人健康的机器学习预测模型,并确定最具预测性的因素(N 在 702 到 5874 之间)。”
Pelt、Habets 和他们的同事使用机器学习模型分析荷兰双胞胎登记册,这是一个在 11 年来从大量人群中收集的数据集。这些数据是从 3、5、7、10、12、14 和 15 岁左右的相同儿童以及三批不同的成年参与者中收集的。
荷兰双胞胎登记册数据集包括被称为多基因分数(即基因组)的遗传信息,以及有关参与者环境(即一般暴露组)和心理社会条件(即特定暴露组)的信息。研究人员在大量数据上训练了三种不同的机器学习模型,分别称为 XGBoost (XGB)、SVM 和 RF。
然后,他们使用一种名为 Shapley Additive Explanation (SHAP) 的强大技术来探索贡献三个模型做出的预测具有不同的特征。他们的分析表明,该模型对幸福感的预测是基于与参与者的生活满意度、幸福感和生活质量相关的各种环境和心理社会因素。
“特定的暴露是由父母和自我捕获的-从童年到成年的心理社会因素的报告,基因组是通过多基因评分来描述的,一般暴露组是通过参与者的邮政编码与客观的、基于登记的暴露的联系来捕获的,”佩尔特、哈贝茨和他们的同事写道。p>
“不是基因组 (R2 = 0.007 [0.0260.010]),而是一般暴露组 (R2 = 0.047 [0.0150.076]),尤其是特定暴露组 (R2 = 0.702 [0.6370.753])在独立测试集中添加基因组 (P = 0.334) 和一般暴露组 (P = 0.695) 或在特定暴露组之外联合添加 (P = 0.029) 并不能改善预测。”
<总体而言,研究人员观察到,参与者的遗传倾向(即他们的基因组)并不能预测他们报告的幸福感,而环境和社会心理因素则可以。他们发现最能预测幸福感的因素是乐观、个性特征、社会支持、社区动态和住房特征。“我们的研究结果强调了纵向监测的重要性以及不同数据模式的前景。研究人员写道。
佩尔特、哈贝茨及其同事最近的这项研究表明,特定的环境、社会和心理环境对人们的主观幸福感影响最大。未来,它收集的研究结果可以为旨在提高特定个人生活满意度的个性化干预措施的发展提供信息,同时也有可能激发进一步使用机器学习来探索影响幸福感的因素。
更多信息:Dirk H. M. Pelt 等人,使用人口队列中暴露组和基因组的预测因子构建幸福感机器学习预测模型,《自然心理健康》(2024 年)。DOI:10.1038/s44220-024-00294-2
2024 Science X 网络