基于机器学习构建青少年网络游戏成瘾的预测模型

目的探索机器学习预测青少年网络游戏成瘾的效果,为制定有效的干预措施提供指导。方法于2023年6—9月,采用分层随机整群抽样方法选取贵州省毕节市、黔西市和金沙县3个地区3所初中和3所高中2100名学生作为研究对象。采用简式网络游戏障碍量表(IGDS9-SF)、父母心理控制与自主支持问卷(PPCASQ)、动机结构问卷、相对剥夺感问卷、越轨同伴交往问卷以及自我控制双系统量表进行数据收集。描述性统计分析确定样本特征,使用χ^(2)检验和Mann-Whitney U检验分析变量的组间差异。以人口学变量和各种影响因素作为自变量,以青少年是否网络游戏成瘾作为因变量,运用随机森林、逻辑回归、支持向量机、梯度提升树、决策树和自适应提升算法多种机器学习算法构建预测模型。结果青少年网络游戏成瘾检出率为4.57%(96名);男生和初中生网络游戏成瘾检出率(5.52%,6.29%)相较女生和高中生(3.32%,3.62%)更高,差异均有统计学意义(χ^(2)值分别为5.71,7.86,P值均<0.01)。网络游戏成瘾组相对剥夺感、越轨同伴交往、父亲心理控制、母亲心理控制、控制动机、冲动系统及其维度(冲动性、易分心、低延迟满足)得分高于非网络游戏成瘾组,而父母自主支持得分低于非网络游戏成瘾组(Z值分别为-2.88,-9.32,-4.13,-4.48,-6.58,-7.50,-7.18,-7.56,-7.43,-2.27,P值均<0.05)。预测模型中,自适应提升算法表现最佳(精确度99%,召回率95%,F1分数97%,AUC值为0.96);其次为随机森林和梯度提升树(精确度均为98%,召回率均为95%,F1分数分别为97%和96%,AUC值均为0.96)。结论相较于其他模型,自适应提升算法对青少年网络游戏成瘾有良好预测效果。应选择适合模型尽早识别存在网络游戏成瘾的个体,制定有效的干预策略,降低青少年网络游戏成瘾风险。