پیش‌بینی خطر بروز رفتارهای ناسازگارانه مرتبط با سلامت با استفاده از الگوریتم‌های ترکیبی یادگیری ماشین و نشانگرهای شناختی–هیجانی

چکیده

 پژوهش حاضر پیش‌بینی خطر بروز رفتارهای ناسازگارانه مرتبط با سلامت بر اساس نشانگرهای شناختی–هیجانی با بهره‌گیری از الگوریتم‌های ترکیبی یادگیری ماشین در میان دانشجویان بود. این پژوهش کاربردی با طرح توصیفی–همبستگی و رویکرد پیش‌بینانه انجام شد. جامعه آماری شامل دانشجویان دانشگاه‌های شهر کرج در سال تحصیلی 2025–2026 بود که از میان آنان 420 نفر با روش نمونه‌گیری خوشه‌ای چندمرحله‌ای انتخاب شدند. داده‌ها با استفاده از ابزارهای سنجش رفتارهای ناسازگارانه سلامت، تنظیم هیجان، تکانشگری شناختی، حساسیت به استرس، انعطاف‌پذیری شناختی و شاخص‌های سبک زندگی گردآوری شد. تحلیل داده‌ها با استفاده از الگوریتم‌های ماشین بردار پشتیبان، جنگل تصادفی، گرادیان بوستینگ، شبکه عصبی مصنوعی و مدل ترکیبی Ensemble انجام گرفت و اعتبار مدل‌ها با شاخص‌های دقت، حساسیت، ویژگی و سطح زیر منحنی ROC ارزیابی شد. نتایج تحلیل‌های استنباطی نشان داد نشانگرهای شناختی–هیجانی پیش‌بینی‌کننده‌های معنادار رفتارهای ناسازگارانه سلامت بودند. مدل ترکیبی یادگیری ماشین بالاترین دقت پیش‌بینی را (91.0) نشان داد و مقدار AUC برابر با 96.0 بیانگر قدرت تفکیک بسیار بالا بود. نارسایی هیجانی، تکانشگری شناختی و حساسیت به استرس بیشترین سهم را در پیش‌بینی خطر رفتارهای ناسازگارانه داشتند، در حالی که تنظیم هیجان و انعطاف‌پذیری شناختی نقش محافظتی ایفا کردند. یافته‌ها نشان داد ادغام نشانگرهای شناختی–هیجانی با الگوریتم‌های ترکیبی یادگیری ماشین می‌تواند چارچوبی کارآمد برای شناسایی زودهنگام افراد در معرض خطر رفتارهای ناسازگارانه سلامت فراهم کند و زمینه توسعه مداخلات پیشگیرانه شخصی‌سازی‌شده را مهیا سازد.