Nepriklausomai nuo jų asmeninių, profesinių ir socialinių aplinkybių, skirtingi asmenys gali patirti skirtingą pasitenkinimo gyvenimu, pasitenkinimo ir laimės lygiu. Šis bendras pasitenkinimo gyvenimu matas, plačiai vadinamas „gerbūviu“, buvo pagrindinis daugelio psichologinių tyrimų akcentas.
Geresnis daugelio gerovę skatinančių veiksnių supratimas galėtų padėti sukurti individualizuotas ir tikslines intervencijas, kuriomis būtų siekiama pagerinti žmonių pasitenkinimo lygį. Nors daugelis ankstesnių tyrimų bandė apibūdinti šiuos veiksnius, nedaugelis tai padarė pasinaudodami šiandien prieinamais pažangiais mašininio mokymosi modeliais.
Mašininio mokymosi modeliai skirti analizuoti didelius duomenų kiekius, atskleisti paslėptus modelius ir atlikti tikslias prognozes. Naudojant šias priemones analizuojant duomenis, surinktus ankstesniuose neurologijos ir psichologijos tyrimuose, būtų galima išsiaiškinti aplinkos ir genetinius veiksnius, turinčius įtakos gerovei.
Amsterdamo Vrije Universiteit ir Amsterdamo universiteto medicinos centro mokslininkai neseniai nusprendė ištirti, kas numato gerovę, analizuodami didelį duomenų rinkinį, surinktą Nyderlanduose per dešimt metų, naudojant mašininį mokymąsi. Jų išvados, paskelbtos m Gamta Psichinė sveikatatiksliai nurodo kelis veiksnius, galinčius numatyti bendrosios populiacijos gerovę.
„Veiksmingoms individualizuotoms gerovės intervencijoms reikia gebėjimo numatyti, kas klestės ar ne, ir suprasti pagrindinius mechanizmus“, – savo darbe rašė Dirkas HM Peltas, Philippe'as C. Habetsas ir jų kolegos.
„Naudodami išilginius didelės populiacijos kohortos duomenis (Nyderlandų dvynių registras, surinktas 1991–2022 m.), siekiame sukurti mašininio mokymosi prognozavimo modelius suaugusiųjų gerovei iš ekspozicijos ir genomo ir nustatyti labiausiai nuspėjančius veiksnius (N tarp 702). ir 5874).
Peltas, Habetsas ir jų kolegos naudojo mašininio mokymosi modelius, kad analizuotų Nyderlandų dvynių registrą – duomenų rinkinį, surinktą iš didelės gyventojų grupės per 11 metų. Šie duomenys buvo surinkti iš tų pačių vaikų, kai jiems buvo maždaug 3, 5, 7, 10, 12, 14 ir 15 metų, taip pat iš trijų skirtingų suaugusių dalyvių bangų.
Nyderlandų dvynių registro duomenų rinkinys apima genetinę informaciją, vadinamą poligeniniais balais (ty genomu), taip pat informaciją apie dalyvių aplinką (ty bendrą ekspoziciją) ir psichosocialines sąlygas (ty specifinę ekspoziciją). Tyrėjai apmokė tris skirtingus mašininio mokymosi modelius, pavadintus XGBoost (XGB), SVM ir RF dėl šio didelio duomenų kiekio.
Tada jie panaudojo galingą techniką, žinomą kaip Shapley Additive Explanation (SHAP), kad ištirtų skirtingų savybių indėlį į trijų modelių prognozes. Jų analizė atskleidė, kad modelio gerovės prognozės buvo pagrįstos įvairiais aplinkos ir psichosocialiniais veiksniais, susijusiais su dalyvių pasitenkinimu gyvenimu, laime ir gyvenimo kokybe.
„Konkrečią ekspoziciją užfiksavo tėvai ir jų pačių pranešimai apie psichosocialinius veiksnius nuo vaikystės iki pilnametystės, genomas buvo apibūdintas poligeniniais balais, o bendra ekspozicija buvo užfiksuota susiejant dalyvių pašto kodus su objektyvia, registru pagrįsta ekspozicija. rašė Peltas, Habetsas ir jų kolegos.
„Ne genomas (R2= –0,007 (–0,026–0,010)), bet bendra ekspozicija (R2= 0,047 (0,015–0,076)) ir ypač specifinė ekspozicija (R2= 0,702 (0,637–0,753)) prognozavo gerovę nepriklausomo testo rinkinyje. Genomo (P = 0,334) ir bendrojo ekspozicijos (P = 0,695) pridėjimas atskirai arba kartu (P = 0,029) už specifinės ekspozicijos nepagerino prognozės.
Apskritai mokslininkai pastebėjo, kad genetiniai dalyvių polinkiai (ty jų genomas) nenumatė jų gerovės, o aplinkos ir psichosocialiniai veiksniai numatė. Veiksniai, kurie labiausiai nuspėja gerovę, yra optimizmas, asmenybės bruožai, socialinė parama, kaimynystės dinamika ir būsto ypatybės.
„Mūsų išvados pabrėžia išilginio stebėjimo svarbą ir pažadus dėl skirtingų duomenų modalumo gerovės prognozavimui“, – rašė mokslininkai.
Šis neseniai atliktas Pelto, Habeto ir jo kolegų tyrimas rodo, kad konkrečios aplinkos, socialinės ir psichologinės aplinkybės labiausiai prisideda prie subjektyvios žmonių gerovės. Ateityje jos surinktos išvados galėtų padėti plėtoti individualizuotas intervencijas, kuriomis siekiama pagerinti konkrečių asmenų pasitenkinimą gyvenimu, taip pat potencialiai paskatinti toliau naudoti mašininį mokymąsi, siekiant ištirti veiksnius, turinčius įtakos gerovei.