The factors affecting subthreshold depression for people with occupational stress in the era of digital intelligence
Machine learning-based evidence
Bibliographic Data
| ID | 19406919 |
|---|---|
| Authors | Lifang Deng (0000-0002-0442-2679, China Institute of Sport Science), Bei Pei (0000-0002-1535-9951, China Institute of Sport Science), Tian-Ai GAO (China Institute of Sport Science) |
| Year | 2025 |
| Volume | 57 |
| Issue | 11 |
| Pages | 2001 |
| Publication date | 2025-01-01 |
| Open Access | No |
| Type | ARTICLE |
| Venue | Acta Psychologica Sinica (JOURNAL) |
| Journal identifiers | ISSN: 0439-755X |
| Publisher | China Science Publishing & Media Ltd (PUBLISHER) |
| DOI | 10.3724/sp.j.1041.2025.2001 |
| OpenAlex | W7083289233 |
| Language | EN |
| Citations received | 1 |
摘要: 阈下抑郁作为抑郁症的前兆, 对抑郁风险有重要警示作用。本研究结合扎根理论和机器学习方法, 构建了中国工作紧张人群阈下抑郁影响因素的机器学习模型, 并对各因素之间的关联结构, 因素词频、职业差异和年代变化进行了分析。发现:(1)工作紧张人群阈下抑郁的表征包含5个主范畴, 其中意志减弱词频占比最高; 影响因素包含8个主范畴, 工作因素、评价适应和自主选择词频占比分列前三位。(2) 8类影响因素均与阈下抑郁表征紧密关联; 基于关联规则的网络分析结果显示出“自我认知”、“行为自由”、“环境适应”和“一般社交”副范畴的重要作用。(3)医护人员的躯体因素与其他职业具有显著差异。(4) 2011至2023年间, 工作因素呈上升趋势, 人际因素呈下降趋势。(5)基于BERT的机器学习模型可以用于判别工作紧张人群阈下抑郁的影响因素, 且判别结果能够对工作紧张人群的抑郁风险做出较好预测, 采用XGBoost算法的预测准确率为81.58%, 其中对阈下抑郁组预测的F1分数为0.90, AUC值为0.93。本文拓展了阈下抑郁在工作紧张人群中的研究, 为工作紧张人群阈下抑郁的识别与防治提供了新视角
Occupational stress · Productivity · Subthreshold conduction · Geochemistry and Geologic Mapping · Geological and Geophysical Studies · Geological Modeling and Analysis
| Citations per year | 1 |
|---|---|
| Citation span | 2026 - 2026 (1) |
| Highly cited | No |