Longitudinal Prediction of Mental Health Outcomes in Vulnerable Youth using Machine Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Mental illnesses affect almost 15% of the world’s population, with half of the cases emerging before age 14. Improved methods for predicting mental distress among adolescents, particularly in vulnerable populations, are needed. This study utilized traditional machine learning techniques to predict mental health status at age 17. We assessed the correlates of mental health outcomes in a sample of 632 adolescents with general mental distress (i.e., total difficulties score of 17 or higher) at age 11, who participated in the UK Millennium Cohort Study. Predictors measured at ages 11 and 14 were included in the analysis. Mental health status at age 17 was best predicted using a Balanced Random Forest model (AUC 0.75). Explainability techniques enabled the identification of several critical factors, such as school environment, emotional distress, sleep patterns, patience, and social network at ages 11 or 14, which were able to differentiate participants with poor or good mental health outcomes at age 17. Individuals experiencing persistent mental distress between the ages 11 and 17 were most likely to suffer from unhappiness and academic struggles. Our results point to potentially modifiable factors associated with the progression of mental distress in adolescents at high risk. These factors could pave the way for improved early intervention and preventive strategies for vulnerable young people during adolescence.
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.
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 | 0,001 | 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 | 0,000 |
| 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 découle