Quantifying Childhood Trauma: Causal Machine Learning Approaches to Mental Health Outcomes
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
We utilized the Behavioral Risk Factor Surveillance System (BRFSS) dataset for the following observational machine learning (ML) study. In contrast to recent literature using ML to predict specific outcomes, we used causal machine learning (CML) algorithms (LRSRegressors, DRLearner, Rlearner, Xregressor, and Tregressor) to quantify the cause-and-effect relationships between adverse childhood experiences (ACEs) and two different mental health targets (number of bad mental health days and whether the respondent had a depressive disorder). Specifically, we report each ACE’s average treatment effect (ATE) on each target. We also used Uplift Random Forest trees to calculate uplift scores. We found that growing up in a household where one parent had a depressive disorder and being forced into unwanted sex had the most significant effects on our chosen mental health targets. Growing up in a household where one parent had a depressive disorder increased the likelihood of being diagnosed with a depressive disorder by 30% and added 5.07 days of bad mental health in the last month. Repeatedly being forced to have sex added 5.77 days of poor mental health and increased the likelihood of being diagnosed with a depressive disorder by 33%. Uplift modeling indicated that individuals over 35 years of age earning under $100,000 USD annually were most susceptible to the effects of a parent diagnosed with depression by a factor of 1.1 compared to the average population. Male college graduates over 44 years of age earning under $100,000 USD were found to be most susceptible to the effects of childhood sexual abuse by a factor of 1.38. Future research should refine these models and employ more complicated algorithms to gain accurate, interpretable measurements and to understand the relationship between ACEs and mental health.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,014 |
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