Systems Science, Data Science, and Machine Learning to Model the Dynamic Suicide Process
Notice bibliographique
Résumé
Suicide and related behaviors, such as ideation, planning, and attempts, pose significant public health challenges globally. Accurately predicting these behaviors, which involve both observable (e.g., lethal attempts) and latent (e.g., suicidal ideation) aspects, is crucial for effective interventions. However, traditional models struggle to capture the complex dynamics of suicide-related behaviors, especially latent states. This dissertation begins with a systematic scoping review of existing Systems Science models for suicide-related behaviors, identifying gaps in latent state modeling and the use of stochastic methods. These gaps inform the development of three distinct modeling approaches: regular System Dynamics (SD) modeling, SD enhanced with particle filtering, and SD incorporating Particle Markov Chain Monte Carlo (PMCMC). Using time-series data on suicide-related deaths stratified by sex and method, the study develops an aggregated SD model followed by sex-stratified and sex-method-stratified models. To address the limitations of deterministic models, particle filtering and PMCMC are applied, introducing stochastic elements that improve the estimation of system states and underlying parameters, such as transition rates between suicidal behavior stages. PMCMC, in particular, refines parameter estimates, enhancing prediction accuracy. The performance of these models is rigorously evaluated using metrics like root mean square error (RMSE), acceptance ratio of MCMC iterations, and the plot of observed and estimated data, wherever it was available. Results show that stochastic models, especially those incorporating PMCMC, outperform regular SD models in estimating both observed and latent behaviors. This research advances Systems Science methodologies in public health by demonstrating the value of stochastic methods in dynamic models.
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 | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».