Machine Learning zur Vorhersage von Spielsucht bei Jugendlichen: Risiko- und Schutzfaktoren
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.
Originalstudie in PubMedIm Hub ansehenNeue Studien per E-Mail
Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.