یادگیری ماشین می‌تواند بهبود خشم از نگاه نوجوانان را پیش‌بینی کند

تحلیل داده‌ها با روش‌های یادگیری ماشین نشان داده است که اطلاعات پرسش‌نامه‌ای درباره عادت‌های مدیتیشن، رفتارهای روزمره و سبک زندگی می‌تواند پیش‌بینی کند که آیا نوجوانان از بهبود توانایی خود در مدیریت خشم خبر می‌دهند یا نه. با این حال، این پژوهش شواهدی ارائه نمی‌کند که ثابت کند مدیتیشن علت این بهبود بوده است. الگوریتم جنگل تصادفی (Random Forest) در مجموعه آزمون مستقل بالاترین دقت را ثبت کرد، در حالی که الگوریتم XGBoost در تفکیک پاسخ‌ها و شناسایی بهتر گروه دارای پاسخ‌های کم‌تعدادتر عملکرد برتری داشت. این نتایج نشان می‌دهند که پرسش‌نامه‌های ساختاریافته ممکن است اطلاعات مفیدی درباره تنظیم هیجان در خود داشته باشند؛ اما به دلیل استفاده از مجموعه‌داده‌ای کوچک، مقطعی و مبتنی بر خوداظهاری و نیز نبود اعتبارسنجی خارجی، ارزش بالینی و کاربرد عملی این روش هنوز مشخص نیست.

این مطالعه مشاهده‌ای با استفاده از مجموعه‌داده عمومی «پرسش‌نامه مزایای یوگا و مدیتیشن» انجام شد که از طریق پلتفرم کگل (Kaggle) در دسترس قرار گرفته است. این مجموعه شامل ۴۰۰ رکورد و ۱۴ متغیر پیش‌بین بود که ویژگی‌های جمعیت‌شناختی، تمرین‌های مدیتیشن و یوگا، عادت‌های رفتاری، اطلاعات مرتبط با سلامت و احساس افراد درباره وضعیت رفاه خود را پوشش می‌داد. متغیر پیامد، پاسخ دوحالتی افراد به این پرسش بود که آیا احساس می‌کنند توانایی‌شان در مدیریت خشم بهبود یافته است یا خیر. از میان پاسخ‌دهندگان، ۳۳۱ نفر، معادل ۸۲٫۷۵ درصد، گزینه «بله» و ۶۹ نفر، معادل ۱۷٫۲۵ درصد، گزینه «خیر» را انتخاب کردند. از آنجا که پاسخ‌های مربوط به بهبود ادراک‌شده بسیار بیشتر بودند، پژوهشگران علاوه بر معیارهای متداول دقت، از معیارهایی استفاده کردند که عدم توازن میان گروه‌ها را نیز در نظر می‌گیرند.

سه الگوریتم طبقه‌بندی نظارت‌شده با یکدیگر مقایسه شدند: جنگل تصادفی، ماشین بردار پشتیبان (Support Vector Machine یا SVM) و گرادیان تقویتی شدید (Extreme Gradient Boosting یا XGBoost). عملکرد هر الگوریتم به دو روش مکمل ارزیابی شد: نخست، تقسیم طبقه‌بندی‌شده داده‌ها به دو بخش ۶۰ و ۴۰ درصدی که در آن ۴۰ درصد مشاهدات برای آزمون مستقل کنار گذاشته شد؛ دوم، اعتبارسنجی متقاطع طبقه‌بندی‌شده پنج‌بخشی که عملکرد مدل‌ها را در تقسیم‌بندی‌های مختلف داده‌ها بررسی می‌کرد. مراحل آماده‌سازی داده‌ها شامل جایگزینی مقادیر گمشده، کدگذاری متغیرهای طبقه‌ای، انتخاب ویژگی بر اساس اطلاعات متقابل و، در موارد لازم، مقیاس‌بندی ویژگی‌ها بود. همچنین، روش بیش‌نمونه‌گیری مصنوعی اقلیت (SMOTE) برای تولید نمونه‌های اضافی از گروه کم‌تعداد «خیر» به کار رفت؛ اما این کار فقط در بخش‌های آموزشی انجام شد و داده‌های آزمون مستقل و مشاهدات اعتبارسنجی بدون تغییر باقی ماندند.

ابرپارامترهای هر الگوریتم با استفاده از جست‌وجوی تصادفی و بر اساس معیار F1 وزنی انتخاب شدند. هدف از به‌کارگیری این معیار، در نظر گرفتن تفاوت تعداد نمونه‌های دو گروه بود. در کنار آن، میانگین کلان دقت مثبت (Precision)، یادآوری (Recall) و امتیاز F1 برای ارزیابی عملکرد در هر دو گروه «بله» و «خیر» محاسبه شد تا نتایج صرفاً تحت تأثیر گروه پرتعدادتر قرار نگیرند. پژوهشگران همچنین از سطح زیر منحنی مشخصه عملکرد گیرنده (ROC-AUC)، که به‌صورت میانگین مساحت زیر منحنی‌های مربوط به دو گروه محاسبه شد، و ماتریس‌های درهم‌ریختگی برای بررسی الگوهای مثبت کاذب و منفی کاذب استفاده کردند. مراحل پیش‌پردازش و انتخاب ویژگی فقط با داده‌های آموزشی برازش شدند؛ رویکردی که با هدف کاهش نشت اطلاعات و افزایش اعتبار برآورد عملکرد مدل‌ها روی داده‌های جدید طراحی شده بود.

در مجموعه آزمون مستقل شامل ۱۶۰ مشاهده، الگوریتم جنگل تصادفی با دقت ۸۶٫۲۵ درصد بهترین نتیجه را به دست آورد و ۱۳۸ پاسخ را به‌درستی طبقه‌بندی کرد. دقت دو الگوریتم ماشین بردار پشتیبان و XGBoost هر کدام ۸۳٫۷۵ درصد بود. بااین‌حال، رتبه‌بندی الگوریتم‌ها بر اساس معیار ROC-AUC متفاوت بود: مقدار این معیار برای XGBoost برابر با ۰٫۸۶۵۰، برای جنگل تصادفی ۰٫۸۵۵۸ و برای ماشین بردار پشتیبان ۰٫۸۲۵۹ بود. جنگل تصادفی همچنین بالاترین امتیاز F1 وزنی، برابر با ۰٫۸۵۵۸، و بالاترین امتیاز F1 کلان، برابر با ۰٫۷۳۹۳، را ثبت کرد؛ نتایجی که نشان می‌داد این مدل در شناسایی پاسخ‌های کم‌تعداد «خیر» تا حدودی بهتر عمل می‌کند. بااین‌حال، ماشین بردار پشتیبان با مقدار ۰٫۷۴۶۸ بالاترین یادآوری کلان را داشت. جنگل تصادفی از میان ۲۸ مورد پاسخ «خیر»، ۱۴ مورد و از میان ۱۳۲ مورد پاسخ «بله»، ۱۲۴ مورد را به‌درستی شناسایی کرد. این ارقام نشان می‌دهند که حتی با وجود دقت کلی بالا، تشخیص گروه کم‌تعدادتر همچنان برای مدل دشوار بود.

نتایج اعتبارسنجی متقاطع پنج‌بخشی نیز در مجموع الگوی مشابهی داشت، هرچند اختلاف میان الگوریتم‌ها کمتر چشمگیر بود. جنگل تصادفی با میانگین دقت ۸۳٫۰۰ درصد و انحراف معیار ۱٫۹۰ واحد درصد، بالاترین میانگین دقت را ثبت کرد و در مقایسه با دو مدل دیگر، تغییرات کمتری میان بخش‌های اعتبارسنجی داشت. میانگین دقت ماشین بردار پشتیبان و XGBoost هر دو ۸۲٫۵۰ درصد بود؛ با این تفاوت که تغییرات عملکرد ماشین بردار پشتیبان با انحراف معیار ۴٫۴۲ واحد درصد بیشتر از XGBoost با انحراف معیار ۳٫۳۱ واحد درصد بود. XGBoost بالاترین میانگین کلان ROC-AUC را با مقدار ۰٫۸۴۴۷ و انحراف معیار ۰٫۰۴۸۹، بالاترین میانگین امتیاز F1 را با مقدار ۸۳٫۰۱ درصد و انحراف معیار ۲٫۷۰ واحد درصد، و بالاترین میانگین دقت مثبت را با مقدار ۸۴٫۰۲ درصد و انحراف معیار ۲٫۱۹ واحد درصد به دست آورد. در مجموع پیش‌بینی‌های خارج از نمونه در اعتبارسنجی متقاطع، XGBoost به‌ویژه در شناسایی پاسخ‌های «خیر» برجسته بود: یادآوری آن برای گروه اقلیت ۰٫۵۸ بود، در حالی که این مقدار برای جنگل تصادفی ۰٫۴۱ و برای ماشین بردار پشتیبان ۰٫۵۲ ثبت شد.

روش‌های تفسیر مدل سه ویژگی را که به‌طور مکرر در پیش‌بینی‌ها نقش داشتند، مشخص کردند: افزایش فعالیت اجتماعی و اعتمادبه‌نفس، بهبود تمرکز هنگام مطالعه یا کار، و امتیاز ذهن‌آگاهی یا حضور در لحظه. تحلیل اهمیت ویژگی‌ها در مدل جنگل تصادفی، فعالیت اجتماعی و اعتمادبه‌نفس را در رتبه نخست قرار داد و پس از آن تمرکز و سپس ذهن‌آگاهی یا حضور در لحظه را مهم دانست. متغیرهایی مانند دفعات مدیتیشن، استفاده از شبکه‌های اجتماعی، کیفیت خواب، مدت مدیتیشن و گروه سنی اهمیت نسبی کمتری داشتند. روش توضیحات افزایشی شاپلی (SHAP) نیز به‌طور کلی این رتبه‌بندی را تأیید کرد. این روش برآورد می‌کند که هر ویژگی تا چه اندازه در پیش‌بینی مدل نقش داشته و سهم آن برای هر پاسخ‌دهنده در چه جهتی بوده است.

بااین‌حال، نباید این ویژگی‌های اثرگذار را با سازوکارهای علّی یا اثرات درمانی اشتباه گرفت. در این تحلیل، افراد به‌طور تصادفی در معرض مدیتیشن، یوگا یا شیوه‌های خاص زندگی قرار نگرفتند؛ همچنین، میزان خشم پیش و پس از یک مداخله اندازه‌گیری نشد و مشخص نشد که آیا بهبود گزارش‌شده ناشی از مدیتیشن بوده است یا خیر. در عوض، برخی از متغیرهای پیش‌بین ممکن است بازتاب گرایش‌های مشترک در پاسخ‌گویی به پرسش‌نامه، هم‌پوشانی در عبارت‌بندی پرسش‌ها، همبستگی میان عادت‌ها یا ویژگی‌هایی باشند که پس از احساس بهبود در کنترل خشم پدید می‌آیند. خود پژوهش نیز تأکید می‌کند که یافته‌ها نشان‌دهنده ارتباط‌های پیش‌بینانه‌اند، نه روابط علّی. به همین ترتیب، استفاده از دو ابزار برای توضیح‌پذیری مدل‌های یادگیری ماشین می‌تواند نشان دهد مدل به کدام متغیرها اتکا می‌کند، اما ثابت نمی‌کند که تغییر هر یک از این متغیرها به تغییر پیامد منجر خواهد شد.

چند محدودیت، امکان تعمیم نتایج این مطالعه را کاهش می‌دهد. حجم نمونه نسبتاً کوچک بود، توزیع پاسخ‌ها میان دو گروه نامتوازن بود و تمام اطلاعات اصلی از یک پیمایش مقطعی و مبتنی بر خوداظهاری به دست آمد. با وجود استفاده از SMOTE و معیارهای ارزیابی متوازن، عملکرد مدل‌ها در شناسایی گروه «خیر» همچنان ضعیف‌تر از عملکرد آن‌ها در شناسایی پاسخ‌های «بله» بود. مدل‌ها با استفاده از تقسیم داده‌ها به مجموعه آزمون و اعتبارسنجی متقاطع، درون همان مجموعه‌داده ارزیابی شدند؛ اما عملکرد آن‌ها با داده‌هایی که به‌طور مستقل از نوجوانان دیگر، در محیط‌های متفاوت یا در دوره‌های زمانی دیگر جمع‌آوری شده باشند، آزمایش نشد. همچنین، در مقاله ارائه‌شده جزئیات کافی درباره توزیع سنی، جغرافیایی و جمعیت‌شناختی شرکت‌کنندگان وجود نداشت تا بتوان مشخص کرد یافته‌ها تا چه اندازه نماینده نوجوانان به‌طور کلی هستند.

آزمون‌های زوجی رتبه علامت‌دار ویلکاکسون هیچ تفاوت آماری معناداری میان مدل‌ها در سطح آستانه از پیش تعیین‌شده کمتر از ۰٫۰۵ نشان ندادند. در مقایسه جنگل تصادفی با ماشین بردار پشتیبان و نیز جنگل تصادفی با XGBoost، مقدار احتمال (p) در هر دو مورد ۰٫۲۴۸۲ بود؛ این مقدار برای مقایسه ماشین بردار پشتیبان با XGBoost برابر با ۱٫۰۰۰۰ به دست آمد. بنابراین، نتایج امکان پیش‌بینی بر اساس ویژگی‌های پرسش‌نامه‌ای ساختاریافته را تأیید می‌کنند، اما نشان نمی‌دهند که یک الگوریتم به‌طور قطعی از الگوریتم‌های دیگر برتر است. برای تعیین اینکه آیا این الگوی پیش‌بینی در شرایط دیگر نیز پابرجا می‌ماند، به مجموعه‌داده‌های بزرگ‌تر و طولی، اندازه‌گیری‌های عینی رفتاری یا فیزیولوژیک، اعتبارسنجی تودرتو یا مستقل از شرکت‌کنندگان و آزمون خارجی نیاز است. تا آن زمان، محتاطانه‌ترین نتیجه این است که متغیرهای مرتبط با مدیتیشن و رفتار ممکن است به الگوریتم‌ها در برآورد بهبود خوداظهاری‌شده مدیریت خشم در نوجوانان کمک کنند، اما این یافته‌ها ثابت نمی‌کنند که مدیتیشن یا هر یک از ویژگی‌های انتخاب‌شده علت این بهبود است.

موضوع پژوهش: پیش‌بینی بهبود خوداظهاری‌شده مدیریت خشم در نوجوانان با استفاده از یادگیری ماشین و داده‌های پرسش‌نامه‌ای درباره مدیتیشن، رفتار و سبک زندگی.

عنوان مقاله: ارزیابی مبتنی بر یادگیری ماشینِ مدیتیشن برای مدیریت خشم در نوجوانان.

منبع مقاله: Rao, D. M., Gopi, K., & Panuganti, S. (2026). Machine learning based assessment of meditation for teen anger management. Discover Artificial Intelligence, 6(1), Article 1562. https://doi.org/10.1007/s44163-026-02565-6

شناسه دیجیتال مقاله (DOI): 10.1007/s44163-026-02565-6

کلیدواژه‌ها: یادگیری ماشین، سلامت روان نوجوانان، مدیریت خشم، مدیتیشن، مدل‌سازی پیش‌بینانه، جنگل تصادفی، XGBoost، هوش مصنوعی توضیح‌پذیر، داده‌های پیمایشی.