Predictive Models on the Therapeutic Effects of Diverse Music Repertoires on Mental Health
Notice bibliographique
Résumé
Music therapy is a recognized field of therapeutic intervention used in a diverse variety of contexts, including hospital settings, retirement homes, palliative care, and community programs. It leverages intrinsic qualities of music to address mental health issues and enhance overall mental health. A challenge for music therapists working in hospice is lack of suitable musical repertoires, called “music unpreparedness”. This study aims to use a machine learning model to evaluate repertoires and predict their effects on an individual’s mental health given their age and mental health condition, if any. Streaming services such as Spotify can also implement this model to improve the overall effects of services on listeners’ mental health–for instance, promoting playlists that will likely improve, rather than worsen, the user’s mental health on their home page. To train the model, an open-access dataset was used containing features such as favorite genre, age, and mental health condition. Categorical variables including ‘Fav genre’ and ‘Frequency [genre]’ were prepared using one-hot encoding and the dataset was split into training and testing sets, using a stratified approach to maintain the distribution of mental health conditions and music preferences. A decision tree model was chosen due to its interpretability and ability to handle categorical data. The model was trained with the entropy criterion and a maximum depth of 6, achieving a training accuracy of 82% and a validation accuracy of 75%. Key features influencing the model included listening hours/frequency, favorite genres, and mental health condition levels. The model provides insights into how these factors contribute to the perceived effect of music on mental health, offering valuable predictions that can enhance therapeutic interventions and user experiences on streaming platforms. Future improvements include incorporating more diverse datasets to improve the model's generalizability. Additionally, other machine learning algorithms can be explored to enhance prediction accuracy.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».