Machine‐learning prediction of adolescent alcohol use: a cross‐study, cross‐cultural validation
Notice bibliographique
Résumé
BACKGROUND AND AIMS: The experience of alcohol use among adolescents is complex, with international differences in age of purchase and individual differences in consumption and consequences. This latter underlines the importance of prediction modeling of adolescent alcohol use. The current study (a) compared the performance of seven machine-learning algorithms to predict different levels of alcohol use in mid-adolescence and (b) used a cross-cultural cross-study scheme in the training-validation-test process to display the predictive power of the best performing machine-learning algorithm. DESIGN: A comparison of seven machine-learning algorithms: logistic regression, support vector machines, random forest, neural network, lasso regression, ridge regression and elastic-net. SETTING: Canada and Australia. PARTICIPANTS: The Canadian sample is part of a 4-year follow-up (2012-16) of the Co-Venture cohort (n = 3826, baseline age 12.8 ± 0.4, 49.2% girls). The Australian sample is part of a 3-year follow-up (2012-15) of the Climate Schools and Preventure (CAP) cohort (n = 2190, baseline age 13.3 ± 0.3, 43.7% girls). MEASUREMENTS: prediction score, accuracy, precision, recall, negative predictive value and area under the curve (AUC). FINDINGS: Based on prediction indices, the elastic-net machine-learning algorithm showed the best predictive performance in both Canadian (AUC = 0.869 ± 0.066) and Australian (AUC = 0.855 ± 0.072) samples. Domain contribution analysis showed that the highest prediction accuracy indices yielded from models with only psychopathology (AUC = 0.816 ± 0.044/0.790 ± 0.071 in Canada/Australia) and only personality clusters (AUC = 0.776 ± 0.063/0.796 ± 0.066 in Canada/Australia). Similarly, regardless of the level of alcohol use, in both samples, externalizing psychopathologies, alcohol use at baseline and the sensation-seeking personality profile contributed to the prediction. CONCLUSIONS: Computerized screening software shows promise in predicting the risk of alcohol use among adolescents.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».