Une approche d’apprentissage automatique pour prédire l’utilisation des cigarettes électroniques et la dépendance à celles-ci chez les jeunes de l’Ontario
Notice bibliographique
Résumé
Introduction Nous avons mis au point des algorithmes de forêt aléatoire pour prédire le risque que les jeunes Ontariens essaient un jour la cigarette électronique (vapotage) et qu’ils l’utilisent de façon quotidienne, puis nous avons examiné l’importance des prédicteurs et l’interaction statistique. Méthodologie Cette étude transversale repose sur un échantillon représentatif d’élèves du primaire et du secondaire de l’Ontario en 2019 (N = 6471). Nous avons utilisé la fréquence du vapotage au cours des 12 derniers mois pour définir l’essai de vapotage (avoir déjà expérimenté de vapoter) et le vapotage quotidien. Nous avons intégré un vaste ensemble de caractéristiques individuelles comme corrélats possibles de l’essai de vapotage (176 variables) et du vapotage quotidien (179 variables). À l’aide de la validation croisée, nous avons élaboré des algorithmes de forêt aléatoire et nous avons évalué le rendement du modèle selon l’indice de concordance, une mesure qui permet d’évaluer la capacité discriminatoire d’un modèle, et ce, pour les deux résultats. En outre, nous avons défini les 10 corrélats principaux grâce au calcul du score de l’importance relative et leur interaction avec les caractéristiques sociodémographiques. Résultats Dans l’échantillon, 2064 (31,9 %) répondants avaient déjà essayé le vapotage et 490 (7,6 %) des répondants étaient des consommateurs quotidiens. Les algorithmes de forêt aléatoire pour les deux résultats ont fourni une performance élevée, avec un indice de concordance supérieur à 0,90. Les 10 corrélats principaux du vapotage quotidien concernaient la consommation de caféine, de cannabis et de tabac, la source et le type de cigarette électronique et l’absentéisme scolaire au cours des 20 derniers jours. Les corrélats de l’essai de vapotage étaient la taille de l’école, la consommation d’alcool, de cannabis et de tabac et, de plus, 9 des 10 principaux corrélats de l’essai de vapotage affichaient des interactions avec l’ethnicité. Conclusion L’apprentissage automatique est une méthodologie prometteuse pour déterminer les risques d’essai de vapotage et de vapotage quotidien. En outre, il permet d’en cerner les corrélats importants et d’évaluer les recoupements complexes, ce qui pourrait être utile pour les futures études longitudinales visant à personnaliser les politiques de santé publique pour certains groupes cibles de population.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».