Yaşam Tarzı ve Teknoloji Kullanımının Ruh Sağlığı Üzerindeki Etkilerinin Derin Öğrenme Yöntemleri ile Sınıflandırılması
Notice bibliographique
Résumé
This study aims to classify individuals’ mental health status by analyzing the impact of lifestyle and technology usage habits through deep learning methods. The dataset includes digital behavior and lifestyle indicators from 1,000 participants across Germany, Australia, India, the USA, Canada, and the UK. Key variables include screen time, social media usage, sleep duration and quality, stress level, physical activity, and productivity. After preprocessing—filling missing values with median, encoding categorical variables, and standardizing features—the data were split into 80% training and 20% testing sets. Four classification models were applied: Multi-Layer Perceptron (MLP), Long Short-Term Memory (LSTM), Autoencoder+MLP, and Decision Tree+MLP. Models were evaluated using accuracy, precision, recall, F1-score, and ROC curves. Findings revealed that the Decision Tree+MLP hybrid model achieved the highest performance with 90% accuracy, 92% precision, 85% recall, and 88% F1-score. While other models struggled to distinguish the “Chronic” mental health class, this hybrid model provided balanced and effective classification across all categories. In conclusion, digital behavior patterns and lifestyle indicators are significant predictors of mental health status, and AI-based models can uncover these relationships with high accuracy.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».