Machine Learning Models for Early Detection of Couples at Risk for Emotional Disengagement
Notice bibliographique
Résumé
The objective of this study is to develop and validate machine learning models capable of accurately identifying couples at early risk for emotional disengagement based on psychological, behavioral, and communication-related indicators. This predictive cross-sectional study included 156 couples (N = 312 individuals) from across Canada who completed validated measures assessing emotional disengagement, relationship satisfaction, conflict frequency, attachment dimensions, daily supportive behaviors, and communication responsiveness. Data were collected through secure online surveys, and dyadic datasets were prepared using actor–partner structures to preserve relational interdependence. Five machine learning algorithms—logistic regression, random forest, gradient boosting, support vector classifier, and a neural network model—were trained on cleaned and normalized datasets, with performance evaluated through accuracy, precision, recall, F1 score, and area under the ROC curve. Cross-validation procedures ensured the robustness and generalizability of the models. Inferential analyses demonstrated that gradient boosting achieved the highest predictive performance (AUC = 0.94), followed closely by neural networks (AUC = 0.93) and random forests (AUC = 0.91). All models significantly outperformed logistic regression and support vector classifiers, indicating the superiority of non-linear approaches for capturing subtle relational patterns. Emotional withdrawal was the strongest predictor across all models (p < .001), followed by daily supportive behaviors, communication responsiveness, attachment avoidance, and conflict frequency. Demographic variables showed no significant predictive contribution (all p > .05). Confusion matrix analyses revealed that gradient boosting produced the lowest false-negative rate, confirming its utility for early detection. The study demonstrates that machine learning models, particularly gradient boosting and neural networks, can accurately detect early signs of emotional disengagement in couples by integrating relational, emotional, and behavioral indicators. These findings highlight the potential of computational approaches to support preventive interventions and enhance clinical assessment in couple therapy.
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 | 0,010 | 0,002 |
| 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 | 0,000 |
| 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 ».