Machine Learning Classification of Adult Attachment Styles Based on Dyadic Behavioral and Emotional Indicators
Notice bibliographique
Résumé
The objective of this study was to develop and evaluate machine learning models capable of classifying adult attachment styles using multimodal dyadic behavioral, emotional, and physiological indicators derived from real-time couple interactions. A cross-sectional observational design was implemented with adult romantic couples recruited from community settings in Canada. Both partners in each dyad participated in standardized interaction tasks designed to elicit attachment-relevant behaviors, including conflict discussion and support-seeking exchanges. Adult attachment styles were assessed using validated self-report measures and used as supervised learning labels. Multimodal data were collected, including behavioral coding of dyadic interactions, self-reported emotional responses, physiological indices of autonomic regulation, and paralinguistic and facial-expression features extracted from audio–video recordings. Machine learning pipelines incorporated data preprocessing, feature extraction at the dyadic level, dimensionality reduction, and model training using multiple classification algorithms. Stratified dyad-level cross-validation and hyperparameter optimization were applied to ensure robust generalization and prevent data leakage. Non-linear and ensemble-based models significantly outperformed linear classifiers in attachment style prediction, with neural network and gradient boosting models achieving the highest accuracy and area under the receiver operating characteristic curve. Dyadic emotional synchrony and observed behavioral responsiveness emerged as the strongest predictors of attachment style classification, followed by self-reported attachment dimensions. Physiological and paralinguistic indicators provided incremental predictive value when integrated with behavioral features. Cross-validation analyses demonstrated high stability across folds, and misclassification patterns primarily occurred between theoretically adjacent attachment styles, indicating construct-consistent overlap rather than random error. The findings demonstrate that adult attachment styles can be accurately classified using machine learning models trained on multimodal dyadic interaction data, supporting a relational and interaction-based conceptualization of attachment. This approach offers theoretical advances in attachment research and practical implications for objective assessment and intervention planning in couple and relational contexts.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».