Knowledge-Hub Digitalisierung, KI & Gesundheitein Angebot von Monitor Versorgungsforschung

Knowledge-Hub Digitalisierung, KI & Gesundheit › Studien

Machine Learning zur Vorhersage von Spielsucht bei Jugendlichen: Risiko- und Schutzfaktoren

Li Z et al. · Psychol Med · erschienen 06.11.2026 · PMID 42989602

Von KI ausgewählt und zusammengefasst

Worum es geht

Machine-Learning-Klassifikation (Random Forest, XGBoost) auf 21.239 chinesischen Schüler-Eltern-Paaren zur Identifikation von Prädiktoren der Spielsucht.

Ergebnis

Beide Modelle erreichten Accuracy >0,80. Risikofaktoren: hohe externale/Aufmerksamkeitsprobleme, männliches Geschlecht, Mobbing-Opfer, Eltern-Entfremdung, elterliche Depression, schulisches Leistungsdenken. Schutzfaktoren: Ausdauer, gute schulische Leistung, akademische Selbstwirksamkeit. Modell identifizierte konsistent mehrere Schlüsselprädiktoren.

Übertragbarkeit auf Deutschland

China; Methodik universal, aber Populationsmerkmale nicht auf Deutschland übertragbar.

Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.