Identification des facteurs associés à l'arrêt du vapotage chez les jeunes adultes : Une approche par apprentissage automatique et IA explicable
Cette étude utilise l'apprentissage automatique et l'IA explicable pour identifier les facteurs prédisant l'arrêt du vapotage chez les jeunes adultes.Résumé
Cette étude examine les facteurs associés à l'arrêt du vapotage chez les jeunes adultes en utilisant l'apprentissage automatique (ML) et l'intelligence artificielle explicable (XAI). Les chercheurs ont mené une enquête basée sur les médias sociaux pour recueillir des données sur les facteurs comportementaux, contextuels et démographiques de 119 participants. L'étude a évalué divers modèles prédictifs, notamment des modèles linéaires tels que LASSO, la régression ridge et l'élastic net, ainsi que des modèles non linéaires tels que le random forest et la machine à vecteurs de support. Les résultats indiquent que les modèles linéaires ont généralement performé mieux et ont montré moins de surajustement que les modèles non linéaires. Les prédicteurs clés identifiés pour un arrêt réussi comprenaient l'âge, les déclencheurs environnementaux (en particulier l'exposition sociale), la fréquence du vapotage, le sexe et la vision à long terme du comportement. L'étude souligne l'importance des facteurs comportementaux et contextuels dans l'arrêt, mais note que les résultats sont exploratoires en raison de la conception transversale et des limitations de la taille de l'échantillon. Les auteurs recommandent des études plus larges et longitudinales pour valider ces informations et informer des interventions de santé publique ciblées.
(Source：PLOS (Public Library of Science))
