Identifizierung von Faktoren, die mit dem Vaping-Abbruch bei jungen Erwachsenen verbunden sind: Ein maschinelles Lernen- und XAI-Ansatz
Diese Studie nutzt maschinelles Lernen und erklärbare KI, um Faktoren zu identifizieren, die den Vaping-Abbruch bei jungen Erwachsenen vorhersagen.Zusammenfassung
Diese Studie untersucht die Faktoren, die mit dem Vaping-Abbruch bei jungen Erwachsenen verbunden sind, unter Verwendung von maschinellem Lernen (ML) und erklärbaren künstlicher Intelligenz (XAI). Die Forscher führten eine sozialmedienbasierte Umfrage durch, um Daten zu Verhaltens-, Kontext- und demografischen Faktoren von 119 Teilnehmern zu sammeln. Die Studie bewertete verschiedene prädiktive Modelle, einschließlich linearer Modelle wie LASSO, Ridge-Regression und Elastic Net, sowie nichtlinearer Modelle wie Random Forest und Support Vector Machines. Die Ergebnisse zeigen, dass lineare Modelle im Allgemeinen besser abschnitten und weniger Überanpassung (Overfitting) aufwiesen als nichtlineare Modelle. Zu den wichtigsten Prädiktoren für einen erfolgreichen Abbruch zählten Alter, Umwel triggers (insbesondere soziale Exposition), Vaping-Frequenz, Geschlecht und die langfristige Perspektive auf das Verhalten. Die Studie unterstreicht die Bedeutung von Verhaltens- und Kontextfaktoren beim Abbruch, weist jedoch darauf hin, dass die Ergebnisse explorativ sind, da das Design querschnittlich ist und die Stichprobengröße begrenzt ist. Die Autoren empfehlen größere, longitudinal angelegte Studien, um diese Erkenntnisse zu validieren und gezielte öffentliche Gesundheitsmaßnahmen zu unterstützen.
(Quelle：PLOS (Public Library of Science))
