Explainable Artificial Intelligence Models for Forecasting Divorce Risk from Dyadic Communication Patterns
Notice bibliographique
Résumé
The objective of this study was to develop and interpret explainable artificial intelligence models capable of forecasting divorce risk based on dyadic communication patterns among married couples. This quantitative, observational study was conducted with legally married couples residing in Canada. Couples completed validated self-report measures assessing communication quality, emotional responsiveness, and relational characteristics, and participated in a structured dyadic interaction task designed to elicit naturally occurring conflict-related communication. Interaction transcripts were processed using natural language processing techniques to extract linguistic and interactional features reflecting positivity, negativity, contempt, emotional validation, and conversational balance. A composite divorce risk indicator was constructed from self-reported divorce proneness and separation intentions. Multiple supervised machine learning models, including regularized regression and tree-based ensemble methods, were trained and evaluated using nested cross-validation. Explainable artificial intelligence techniques were applied to identify global and local feature contributions to model predictions. Ensemble-based models demonstrated significantly higher predictive performance than linear models, achieving superior accuracy and area under the receiver operating characteristic curve. Negative communication features, particularly contempt markers and overall communication negativity, were the strongest positive predictors of divorce risk, while emotional validation and balanced turn-taking showed significant protective effects. Demographic variables contributed comparatively less to prediction once dyadic communication patterns were included. Explainability analyses revealed consistent and interpretable pathways through which specific interactional behaviors increased or reduced predicted divorce risk. The findings indicate that explainable artificial intelligence models can accurately and transparently forecast divorce risk using dyadic communication patterns, highlighting communication behaviors as central, modifiable indicators of marital instability.
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 | 0,017 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».