یادگیری ماشین چگونه ارتباط میان محله، فعالیت و سلامت روان سالمندان را آشکار می‌کند؟
یک مرور نظام‌مند گسترده نشان می‌دهد که یادگیری ماشین به‌سرعت شیوه مطالعه ارتباط میان محل زندگی سالمندان، نحوه تحرک و تعامل اجتماعی آن‌ها و وضعیت سلامت روانشان را تغییر می‌دهد؛ بااین‌حال، شواهد موجود همچنان پراکنده و گسسته است. این مرور که یوکسوان وانگ و جون لان از دانشگاه آکادمی علوم چین آن را در مجله Frontiers in Public Health منتشر کرده‌اند، ۴۳۳۷ رکورد پژوهشی را بررسی کرده و در نهایت تنها ۲۷ مطالعه را واجد معیارهای دقیق ورود به پژوهش دانسته است. نزدیک به سه‌چهارم این مطالعات از سال ۲۰۲۴ به بعد منتشر شده‌اند؛ موضوعی که از رشد چشمگیر و اخیر این حوزه حکایت دارد. بااین‌حال، تاکنون تقریباً هیچ‌یک از پژوهش‌ها هر سه حوزه محیط زندگی، رفتارهای فعالیتی و سلامت روان را در قالب یک چارچوب تحلیلی واحد بررسی نکرده‌اند.
پژوهشگران با استفاده از روش‌هایی مبتنی بر دستورالعمل PRISMA 2020، شش پایگاه اطلاعاتی شامل Web of Science، Scopus، PubMed، IEEE Xplore، ACM Digital Library و پایگاه زیرساخت دانش ملی چین را برای یافتن مطالعات منتشرشده در فاصله اول ژانویه ۲۰۱۶ تا ۳۰ اوت ۲۰۲۶ جست‌وجو کردند. برای ورود به بررسی، هر مطالعه باید شرکت‌کنندگانی ۶۰ ساله یا بالاتر می‌داشت، ارتباط میان دست‌کم دو مورد از سه حوزه موردنظر را بررسی می‌کرد و یادگیری ماشین را به‌عنوان بخشی اساسی از تحلیل تجربی به کار می‌گرفت، نه اینکه صرفاً به آن اشاره‌ای کرده باشد. پس از حذف موارد تکراری و غربالگری عنوان‌ها، چکیده‌ها و متن کامل مقالات، ۲۷ مطالعه واجد شرایط انتخاب شدند. تفاوت زیاد در طراحی پژوهش‌ها، معیارهای اندازه‌گیری و پیامدهای بررسی‌شده، انجام فراتحلیل کمّی را نامناسب می‌کرد؛ بنابراین، یافته‌ها به روش روایتی و توصیفی ترکیب شدند.
تمرکز جغرافیایی شواهد یکی از چشمگیرترین یافته‌های این مرور است. از مجموع ۲۷ مطالعه، ۲۲ مورد، معادل ۸۱٫۵ درصد، در چین انجام شده‌اند. ایران، ایالات متحده، کره جنوبی، ژاپن و فنلاند نیز هرکدام سهم یک مطالعه را داشته‌اند. طرح‌های مقطعی غالب بودند و ۲۱ مطالعه را شامل می‌شدند؛ تنها شش مطالعه از طرح‌های طولی، کوهورت، مشاهده‌ای یا مبتنی بر امکان‌سنجی استفاده کرده بودند. حجم نمونه نیز تفاوت بسیار زیادی داشت: از مطالعات امکان‌سنجی حسگرها با کمتر از ۱۰ شرکت‌کننده تا تحلیل ثانویه پیمایش‌های ملی با بیش از ۱۶ هزار سالمند. در یک مطالعه بوم‌شناختی نیز داده‌های ۱۶۹٬۹۹۶ ساکن در ۹۹۵ محله تجمیع شده بود.
برای سامان‌دهی این مجموعه پراکنده از پژوهش‌ها، نویسندگان چارچوبی پنج‌وظیفه‌ای طراحی کردند که مشخص می‌کند یادگیری ماشین عملاً چه نقشی در این مطالعات ایفا می‌کند. در ۱۰ مطالعه، معادل ۳۷ درصد، از یادگیری ماشین برای اندازه‌گیری و استخراج ویژگی‌ها استفاده شده بود؛ از جمله استخراج پوشش گیاهی خیابان‌ها، میزان مواجهه با فضاهای آبی، میزان دید آسمان، مسیرهای جابه‌جایی، ویژگی‌های راه‌رفتن و نشانه‌های فیزیولوژیک استرس از داده‌های خام تصویری، مکانی و حسگری. ۱۱ مطالعه، معادل ۴۰٫۷ درصد، بر پیش‌بینی متمرکز بودند و مدل‌هایی برای طبقه‌بندی یا پیش‌بینی خطر افسردگی، تنهایی، انزوای اجتماعی و وضعیت بهزیستی ساختند. بااین‌حال، رایج‌ترین کاربرد یادگیری ماشین، با فاصله، تفسیر داده‌ها بود: ۲۴ مطالعه، معادل ۸۸٫۹ درصد، از این روش‌ها برای مشخص‌کردن ارتباط میان متغیرها، رتبه‌بندی اهمیت عوامل پیش‌بینی‌کننده و شناسایی روابط غیرخطی، آستانه‌ها و تعاملاتی استفاده کردند که ممکن است از دید مدل‌های خطی متعارف پنهان بمانند.
مجموعه ابزارهای فنی به‌کاررفته نشان می‌دهد که این حوزه تا چه اندازه از رگرسیون ساده فراتر رفته است. روش‌هایی مانند جنگل تصادفی و الگوریتم‌های تقویت گرادیانی، از جمله XGBoost، GBDT و LightGBM، بارها در مطالعات ظاهر شدند و اغلب با مقادیر SHAP، نمودارهای وابستگی جزئی و روش GeoShapley ترکیب شدند تا مشخص شود کدام متغیرهای محیطی و رفتاری بیشترین اهمیت را دارند. در یکی از مطالعات، شبکه‌های عصبی کانولوشنی کاملاً همگام برای استخراج فضاهای سبز و آبی از تصاویر نمای خیابانی تنسنت به کار رفتند تا معیارهای مواجهه بصری با شاخص‌های استخراج‌شده از تصاویر ماهواره‌ای در پکن مقایسه شوند. در مطالعه‌ای دیگر، بخش‌بندی معنایی تصاویر خیابان‌ها با الگوریتم XGBoost و مدل CNN-BiLSTM ترکیب شد تا تأثیر محیط ساخته‌شده در مقیاس‌های مختلف بر قابلیت پیاده‌روی سالمندان ارزیابی شود. مقادیر ضریب تعیین یا R² گزارش‌شده در این مطالعه بین ۰٫۸۰۶ و ۰٫۹۰۶ بود. این فرایندها نشان می‌دهند که یادگیری عمیق اکنون به‌طور معمول داده‌های خام تصویری و جریان‌های داده حسگرها را به متغیرهایی تبدیل می‌کند که قابلیت استفاده در تحلیل‌های علمی را دارند.
یافته‌های مربوط به روابط غیرخطی از نظر علمی اهمیت ویژه‌ای دارند. مطالعات انجام‌شده در ژونگشان، نانجینگ و لانژو با استفاده از روش‌های تقویت گرادیانی و جنگل تصادفی نشان دادند که رابطه محیط ساخته‌شده با پیاده‌روی، دوچرخه‌سواری و فعالیت بدنی سبک به‌ندرت خطی است. در عوض، اثر این عوامل ممکن است پس از رسیدن به سطحی مشخص تثبیت شود، از آستانه‌هایی عبور کند یا با متغیرهای دیگر تعامل داشته باشد؛ الگوهایی که نمودارهای وابستگی جزئی می‌توانند آشکار کنند. در مطالعه‌ای درباره استفاده از اتوبوس، مدل XGBoost در داده‌های آزمون به ضریب تعیین شبه‌واقعی ۰٫۸۳۸ دست یافت، درحالی‌که این مقدار برای رگرسیون خطی چندگانه تنها ۰٫۱۶۰ بود. این تفاوت نشان می‌دهد که مدل‌های خطی ممکن است بخش بزرگی از اطلاعات موجود در داده‌ها را نادیده بگیرند. در همین حال، یک مطالعه کوهورت در ژاپن، تطبیق بر اساس نمره تمایل را با تحلیل جنگل علّی ترکیب کرد تا مشخص کند تأثیر مشارکت اجتماعی بر علائم افسردگی در گروه‌های مختلف چگونه تغییر می‌کند. این پژوهش یکی از تنها دو مطالعه در کل مرور بود که به‌طور مشخص برای برآورد اثر علّی تلاش کرده بودند.
کمبود پژوهش‌های علّی یکی از هشدارهای اصلی این مرور است. تنها چهار مطالعه، معادل ۱۴٫۸ درصد، مسیرها یا سازوکارهای اثرگذاری را بررسی کرده بودند و برای این منظور، یادگیری ماشین را با تحلیل میانجی‌گری و مدل‌سازی معادلات ساختاری ترکیب کرده بودند تا مشخص شود آیا محیط زندگی از طریق فعالیت بدنی، استرس ادراک‌شده یا انسجام اجتماعی بر سلامت روان تأثیر می‌گذارد یا خیر. تنها دو مطالعه، معادل ۷٫۴ درصد، با درنظرگرفتن فرض‌های مشخص، اثرات علّی را برآورد کرده بودند. نویسندگان تأکید می‌کنند که این سطوح از تبیین را نباید با یکدیگر اشتباه گرفت: مشاهده یک ارتباط غیرخطی قوی به معنای اثبات سازوکار اثرگذاری نیست و شناسایی یک مسیر احتمالی نیز رابطه علّی را ثابت نمی‌کند. یادگیری ماشین، هرقدر هم پیشرفته باشد، به‌خودی‌خود شواهد مبتنی بر همبستگی را به شواهد علّی تبدیل نمی‌کند؛ این موضوع به طراحی مطالعه و چارچوب استنباطی مورد استفاده در کنار مدل بستگی دارد.
ارزیابی خطر سوگیری نیز بر ضرورت احتیاط تأکید داشت. پژوهشگران برای مطالعات مشاهده‌ای از ابزارهای ارزیابی انتقادی JBI و برای مدل‌های پیش‌بینی از ابزار PROBAST+AI استفاده کردند. نتایج نشان داد که نگرانی‌های اصلی به اعتبارسنجی صرفاً داخلی، نمونه‌های کوچک و غیرنماینده و طرح‌های مقطعی مربوط می‌شود؛ طرح‌هایی که نمی‌توانند احتمال وجود عوامل مخدوش‌کننده باقی‌مانده را رد کنند. خطر سوگیری در چند مطالعه پیش‌بینی بالا ارزیابی شد. برای نمونه، یک مدل تشخیص افسردگی مبتنی بر الگوی راه‌رفتن به مقدار چشمگیر ۰٫۹۱۱ برای سطح زیر منحنی مشخصه عملکرد گیرنده یا AUC-ROC دست یافت، اما آموزش و آزمون آن بر اساس یک زیرنمونه متوازن از نظر پیامد، شامل تنها ۵۰ نفر، انجام شده بود و اعتبارسنجی خارجی نداشت. در مطالعه‌ای دیگر درباره تشخیص استرس با استفاده از چند نوع داده، دقت مدل‌های درختی تجمیعی مبتنی بر نمونه‌گیری با جایگذاری بیش از ۹۸ درصد گزارش شد؛ بااین‌حال، داده‌های فیزیولوژیک تنها ۹ شرکت‌کننده تحلیل شده بود. یافته‌های این مرور نشان می‌دهد که نتایج عددی چشمگیر ممکن است به همان اندازه که بازتاب‌دهنده الگوهای واقعی و تعمیم‌پذیر هستند، تحت تأثیر نشت داده یا خوش‌بینی ناشی از نمونه‌های کوچک نیز قرار داشته باشند.
این مرور همچنین به یک خلأ مهم دیگر اشاره می‌کند: نبود یکپارچگی میان حوزه‌های پژوهش. ۹ مطالعه ارتباط محیط زندگی با رفتارهای فعالیتی، ۹ مطالعه ارتباط رفتارهای فعالیتی با سلامت روان و پنج مطالعه ارتباط محیط زندگی با سلامت روان را بررسی کرده بودند؛ اما تنها چهار مطالعه هر سه حوزه را به‌طور هم‌زمان در نظر گرفته بودند. نویسندگان استدلال می‌کنند که سالمندان محیط محله خود را از طریق فعالیت‌هایی که در آن انجام می‌دهند تجربه می‌کنند؛ برای مثال، پیاده‌روی تا پارک، استفاده از اتوبوس یا دیدار با دوستان. بنابراین، بررسی جداگانه این حوزه‌ها باعث می‌شود پرسش اساسی درباره سالمندی سالم تنها به‌طور ناقص پاسخ داده شود. آن‌ها خواستار انجام مطالعات طولی و چندمرکزی، اعتبارسنجی مستقل در محیط‌های خارجی و جغرافیایی مختلف و استفاده از تعریف‌های سازگارتر برای عوامل مواجهه و پیامدها هستند تا یافته‌ها به‌صورت انباشتی توسعه پیدا کنند و در مجموعه‌ای از روابط جداافتاده باقی نمانند.
در حال حاضر، مهم‌ترین کاربرد عملی این حوزه، تولید شواهد است، نه ارائه دستورالعمل‌های قطعی. معیارهای دقیق محیطی و رفتاری که از تصاویر خیابانی، مسیرهای ثبت‌شده با GPS و حسگرهای پوشیدنی استخراج می‌شوند، می‌توانند به برنامه‌ریزان کمک کنند مکان‌ها و گروه‌های جمعیتی‌ای را شناسایی کنند که الگوهای متفاوتی از فعالیت و بهزیستی دارند. این اطلاعات می‌توانند مکمل روش‌های متعارف ارزیابی محیط باشند. بااین‌حال، نویسندگان مرور هنوز استفاده عملی از این مدل‌ها را توصیه نمی‌کنند؛ زیرا مدل‌هایی که برای یک جمعیت یا شهر ساخته شده‌اند ممکن است در محیط‌های دیگر عملکرد مشابهی نداشته باشند. همچنین، شواهد مستقیمی که نشان دهد استفاده از یافته‌های یادگیری ماشین واقعاً تصمیم‌گیری‌های برنامه‌ریزی شهری را بهبود می‌دهد، همچنان محدود است. در عوض، این مرور نقشه‌ای روشن از حوزه‌ای نوپا و به‌سرعت در حال تحول ارائه می‌کند؛ حوزه‌ای که در آن پیشرفت الگوریتم‌ها از توسعه طرح‌های پژوهشی لازم برای تبدیل پیش‌بینی‌ها به دانشی قابل اعتماد درباره تأثیر محیط زندگی بر سلامت روان در دوران سالمندی پیشی گرفته است.
موضوع پژوهش: کاربردهای یادگیری ماشین در پژوهش‌های مربوط به محیط زندگی، رفتارهای فعالیتی و سلامت روان سالمندان
عنوان مقاله: کاربردهای یادگیری ماشین در بررسی محیط زندگی، رفتارهای فعالیتی و سلامت روان سالمندان: یک مرور نظام‌مند
مشخصات منبع: وانگ، ی. و لان، ج. (۲۰۲۶). «کاربردهای یادگیری ماشین در بررسی محیط زندگی، رفتارهای فعالیتی و سلامت روان سالمندان: یک مرور نظام‌مند». Frontiers in Public Health، جلد ۱۴، مقاله شماره ۱۹۴۲۷۶۵. https://doi.org/10.3389/fpubh.2026.1942765
شناسه دیجیتال مقاله (DOI): 10.3389/fpubh.2026.1942765
کلیدواژه‌ها: یادگیری ماشین، سالمندان، محیط زندگی، رفتارهای فعالیتی، سلامت روان، مرور نظام‌مند، افسردگی، محیط ساخته‌شده، XGBoost، SHAP، استنباط علّی، سالمندی سالم