A Hybrid Machine Learning Framework for Predicting Emotional Reactivity in Adolescents Using Neurocognitive and Environmental Factors
Notice bibliographique
Résumé
Objective: The objective of this study was to develop and validate a hybrid machine learning framework capable of predicting individual differences in adolescent emotional reactivity by integrating neurocognitive indicators and environmental factors within a community-based adolescent sample. Methods and Materials: This cross-sectional study was conducted among adolescents aged 12–18 years recruited from secondary schools in Germany using a multistage cluster sampling approach. Participants completed a comprehensive assessment battery including standardized neurocognitive tasks measuring inhibitory control, working memory, cognitive flexibility, and attentional regulation, alongside validated self-report instruments assessing emotional reactivity and key environmental variables such as family emotional climate, parenting consistency, peer stress exposure, school climate, and perceived social support. Data preprocessing included missing-value imputation, feature scaling, and feature engineering. Multiple machine learning algorithms, including regularized regression, tree-based ensemble models, and kernel-based methods, were trained and integrated into a hybrid ensemble using a meta-learning strategy. Model performance was evaluated using nested cross-validation procedures. Findings: Inferential analyses demonstrated that the hybrid ensemble model significantly outperformed individual models, achieving lower prediction error and higher explained variance in emotional reactivity outcomes. Environmental factors, particularly peer stress exposure and family emotional climate, accounted for the largest proportion of predictive importance, followed by neurocognitive variables, with socio-demographic characteristics contributing comparatively less. Deficits in inhibitory control and cognitive flexibility were positively associated with emotional reactivity, whereas supportive family environments and higher perceived social support were associated with reduced emotional reactivity. Conclusion: The findings indicate that adolescent emotional reactivity is best understood as an emergent outcome of interacting neurocognitive and environmental systems and that hybrid.
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 | 0,000 | 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 | 0,001 |
| 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 ».