
-
生物通官微
陪你抓住生命科技
跳动的脉搏
探讨年轻女性使用社交媒体、饮食行为与抑郁之间的关联:一项基于机器学习的横断面研究
《BMC Public Health》:Exploring the relationship between social media use, eating behaviors, and depression in young women: a machine learning-based cross-sectional study
【字体: 大 中 小 】 时间:2026年06月15日 来源:BMC Public Health 3.6
编辑推荐:
摘要背景年轻人使用社交媒体的比例日益上升,这引发了人们对其与心理健康和饮食行为之间可能存在的关联的担忧。本研究旨在探讨年轻女性中社交媒体使用、饮食行为与抑郁症状之间的关联,并评估机器学习算法在构建这些横断面关联方面的表现,以对比传统回归方法。方法本研究采用多地点、面对面的便利抽样
年轻人使用社交媒体的比例日益上升,这引发了人们对其与心理健康和饮食行为之间可能存在的关联的担忧。本研究旨在探讨年轻女性中社交媒体使用、饮食行为与抑郁症状之间的关联,并评估机器学习算法在构建这些横断面关联方面的表现,以对比传统回归方法。
本研究采用多地点、面对面的便利抽样方式,对18–34岁的年轻女性(n?=?4,692)进行了横断面研究。调查收集了体重指数、社交媒体使用习惯、贝克抑郁量表(BDI)以及社交媒体对饮食行为影响量表(SESMEB)的数据。除了常规的统计分析外,还运用了包括随机森林和极端梯度提升(XGBoost)在内的多种机器学习模型来分析SESMEB和BDI得分。模型性能通过内部验证方法进行评估,如训练集与测试集划分以及交叉验证,并用均方根误差(RMSE)和平均绝对误差(MAE)来衡量。
参与者的平均年龄为23.8岁,平均体重指数为22.3 kg/m2。不同社交媒体平台的使用群体在体重指数、SESMEB得分及BDI得分方面存在显著差异。使用Facebook、TikTok和Snapchat的用户SESMEB得分明显更低(p?<?0.001)。机器学习模型确定体重指数、零食摄入量以及社交媒体使用是影响SESMEB和BDI得分的重要因素。在测试集中,随机森林在预测SESMEB和BDI得分方面的表现最佳,XGBoost的表现则与之相当。
在年轻女性中,社交媒体使用与饮食相关行为及抑郁症状存在关联。在本研究样本中,机器学习模型在预测SESMEB和BDI得分方面的表现较为一般,但可为分析行为和心理变量之间的复杂关联提供辅助框架。不过,这些结论仅基于内部验证,需要在独立的外部样本中得到进一步确认。未来还需要更多研究来明确这些关联的方向,探究不同平台之间的差异,并评估这些模型的外部有效性。
年轻人使用社交媒体的比例日益上升,这引发了人们对其与心理健康和饮食行为之间可能存在的关联的担忧。本研究旨在探讨年轻女性中社交媒体使用、饮食行为与抑郁症状之间的关联,并评估机器学习算法在构建这些横断面关联方面的表现,以对比传统回归方法。
本研究采用多地点、面对面的便利抽样方式,对18–34岁的年轻女性(n?=?4,692)进行了横断面研究。调查收集了体重指数、社交媒体使用习惯、贝克抑郁量表(BDI)以及社交媒体对饮食行为影响量表(SESMEB)的数据。除了常规的统计分析外,还运用了包括随机森林和极端梯度提升(XGBoost)在内的多种机器学习模型来分析SESMEB和BDI得分。模型性能通过内部验证方法进行评估,如训练集与测试集划分以及交叉验证,并用均方根误差(RMSE)和平均绝对误差(MAE)来衡量。
参与者的平均年龄为23.8岁,平均体重指数为22.3 kg/m2。不同社交媒体平台的使用群体在体重指数、SESMEB得分及BDI得分方面存在显著差异。使用Facebook、TikTok和Snapchat的用户SESMEB得分明显更低(p?<?0.001)。机器学习模型确定体重指数、零食摄入量以及社交媒体使用是影响SESMEB和BDI得分的重要因素。在测试集中,随机森林在预测SESMEB和BDI得分方面的表现最佳,XGBoost的表现则与之相当。
在年轻女性中,社交媒体使用与饮食相关行为及抑郁症状存在关联。在本研究样本中,机器学习模型在预测SESMEB和BDI得分方面的表现较为一般,但可为分析行为和心理变量之间的复杂关联提供辅助框架。不过,这些结论仅基于内部验证,需要在独立的外部样本中得到进一步确认。未来还需要更多研究来明确这些关联的方向,探究不同平台之间的差异,并评估这些模型的外部有效性。