Ανεξάρτητα από τις προσωπικές, επαγγελματικές και κοινωνικές τους συνθήκες, διαφορετικά άτομα μπορούν να βιώσουν διαφορετικά επίπεδα ικανοποίησης από τη ζωή, πληρότητας και ευτυχίας. Αυτό το γενικό μέτρο της ικανοποίησης από τη ζωή, που αναφέρεται ευρέως ως «ευεξία», έχει αποτελέσει το βασικό επίκεντρο πολλών ψυχολογικών μελετών και η μηχανική μάθηση μπορεί να βοηθήσει.
Η καλύτερη κατανόηση των πολλών παραγόντων που συμβάλλουν στην ευημερία θα μπορούσε να βοηθήσει στην επινοήση εξατομικευμένων και στοχευμένων παρεμβάσεων με στόχο τη βελτίωση των επιπέδων εκπλήρωσης των ανθρώπων. Ενώ πολλές προηγούμενες μελέτες προσπάθησαν να οριοθετήσουν αυτούς τους παράγοντες, λίγες το έχουν κάνει αξιοποιώντας τα προηγμένα μοντέλα μηχανικής εκμάθησης που είναι διαθέσιμα σήμερα.
Τα μοντέλα μηχανικής μάθησης έχουν σχεδιαστεί για να αναλύουν μεγάλες ποσότητες δεδομένων, να αποκαλύπτουν κρυφά μοτίβα και να κάνουν ακριβείς προβλέψεις. Η χρήση αυτών των εργαλείων για την ανάλυση δεδομένων που συλλέχθηκαν σε προηγούμενες μελέτες στη νευροεπιστήμη και την ψυχολογία θα μπορούσε να βοηθήσει να ρίξει φως στους περιβαλλοντικούς και γενετικούς παράγοντες που επηρεάζουν την ευημερία.
Ερευνητές στο Vrije Universiteit Amsterdam και στο Amsterdam University Medical Center ξεκίνησαν πρόσφατα να διερευνήσουν τι προβλέπει την ευημερία αναλύοντας ένα μεγάλο σύνολο δεδομένων που συλλέγεται στην Ολλανδία για μια περίοδο δέκα ετών χρησιμοποιώντας μηχανική μάθηση. Τα ευρήματά τους, που δημοσιεύτηκαν στο Nature Mental Health, επισημαίνουν αρκετούς παράγοντες που θα μπορούσαν να προβλέψουν την ευημερία στον γενικό πληθυσμό.
«Οι αποτελεσματικές εξατομικευμένες παρεμβάσεις ευεξίας απαιτούν την ικανότητα πρόβλεψης ποιος θα ευδοκιμήσει ή όχι και την κατανόηση των υποκείμενων μηχανισμών», έγραψαν οι Dirk H. M. Pelt, Philippe C. Habets και οι συνεργάτες τους στην εργασία τους. “Χρησιμοποιώντας διαχρονικά δεδομένα μιας μεγάλης κοόρτης πληθυσμού (το Μητρώο Διδύμων της Ολλανδίας, που συλλέχτηκε 1991-2022), στοχεύουμε να δημιουργήσουμε μοντέλα πρόβλεψης μηχανικής μάθησης για την ευημερία των ενηλίκων από την έκθεση και το γονιδίωμα και να εντοπίσουμε τους πιο προγνωστικούς παράγοντες (Ν μεταξύ 702 και 5874).»
Οι Pelt, Habets και οι συνάδελφοί τους χρησιμοποίησαν μοντέλα μηχανικής μάθησης για να αναλύσουν το Netherlands Twin Register, ένα σύνολο δεδομένων που συλλέχτηκε από μια μεγάλη κοόρτη πληθυσμού κατά τη διάρκεια 11 ετών. Αυτά τα δεδομένα συλλέχθηκαν από τα ίδια παιδιά όταν ήταν περίπου 3, 5, 7, 10, 12, 14 και 15 ετών, καθώς και από τρία διαφορετικά κύματα ενηλίκων συμμετεχόντων.
Το σύνολο δεδομένων Netherland Twin Register περιλαμβάνει γενετικές πληροφορίες γνωστές ως πολυγονιδιακές βαθμολογίες (δηλαδή, γονιδίωμα), καθώς και πληροφορίες σχετικά με το περιβάλλον των συμμετεχόντων (δηλαδή, γενικό εκθετήριο) και ψυχοκοινωνικές καταστάσεις (δηλαδή, ειδικό εκθετήριο). Οι ερευνητές εκπαίδευσαν τρία διαφορετικά μοντέλα μηχανικής μάθησης, που ονομάστηκαν XGBoost (XGB), SVM και RF σε αυτόν τον μεγάλο όγκο δεδομένων.
Στη συνέχεια χρησιμοποίησαν μια ισχυρή τεχνική γνωστή ως Shapley Additive Explanation (SHAP) για να διερευνήσουν τη συμβολή διαφορετικών χαρακτηριστικών στις προβλέψεις που έγιναν από τα τρία μοντέλα. Η ανάλυσή τους αποκάλυψε ότι οι προβλέψεις του μοντέλου για την ευημερία βασίστηκαν σε διάφορους περιβαλλοντικούς και ψυχοκοινωνικούς παράγοντες που σχετίζονται με την ικανοποίηση από τη ζωή, την ευτυχία και την ποιότητα ζωής των συμμετεχόντων.
«Το συγκεκριμένο εκθέμα καταγράφηκε από τους γονείς και τις αυτοαναφορές ψυχοκοινωνικών παραγόντων από την παιδική ηλικία έως την ενηλικίωση, το γονιδίωμα περιγράφηκε με πολυγονιδιακές βαθμολογίες και το γενικό εκθέμα καταγράφηκε από τη σύνδεση των ταχυδρομικών κωδίκων των συμμετεχόντων με αντικειμενικές εκθέσεις βάσει μητρώου». έγραψε ο Pelt, ο Habets και οι συνάδελφοί τους.
«Όχι το γονιδίωμα (R2 = −0,007 [−0,026–0,010]), αλλά το γενικό εκθέμα (R2 = 0,047 [0,015–0,076]) και ειδικά το συγκεκριμένο εκθέμα (R2 = 0,702–0,00) προβλεπόταν από 0,702–00. -Το να είσαι σε ένα ανεξάρτητο σύνολο δοκιμών Η προσθήκη του γονιδιώματος (P = 0,334) και του γενικού εκθέματος (P = 0,695) ανεξάρτητα ή από κοινού (P = 0,029) πέρα από το συγκεκριμένο εκθέμα δεν βελτίωσε την πρόβλεψη.
Συνολικά, οι ερευνητές παρατήρησαν ότι οι γενετικές προδιαθέσεις των συμμετεχόντων (δηλαδή το γονιδίωμά τους) δεν προέβλεπαν την αναφερόμενη ευημερία τους, ενώ οι περιβαλλοντικοί και ψυχοκοινωνικοί παράγοντες το έκαναν. Οι παράγοντες που βρήκαν ότι είναι πιο προγνωστικοί για την ευημερία είναι η αισιοδοξία, τα χαρακτηριστικά της προσωπικότητας, η κοινωνική υποστήριξη, η δυναμική της γειτονιάς και τα χαρακτηριστικά στέγασης. «Τα ευρήματά μας υπογραμμίζουν τη σημασία της διαχρονικής παρακολούθησης και τις υποσχέσεις διαφορετικών τρόπων δεδομένων για την πρόβλεψη της ευημερίας», έγραψαν οι ερευνητές.