根据机器学习与GIS技能的前瞻性大学生自杀意念研讨：危险要素辨认与空间散布剖析

　　本研讨针对南亚区域大学生自杀危险高发的严峻现状，立异性地结合机器学习算法（CatBoost/KNN）与地舆信息系统（GIS）技能，对1,485名孟加拉国大学入学考试学生展开横断面研讨。研讨人员经过PHQ-9/GAD-7量表评价郁闷焦虑症状，选用逻辑回归辨认要害危险要素（如女人、乡村户籍、复读生身份等），并使用空间剖析发现锡尔赫特区域自杀意念集合现象。研讨初次树立自杀意念猜测模型（AUC 0.819），为发展中国家学生心思健康干涉供给数据支撑。

　　在全球化心思健康危机布景下，南亚区域青少年自杀率继续攀升，世界卫生组织数据显现自杀已成为15-29岁人群第四大死因。特别令人担忧的是，孟加拉国每年陈述超万起自杀事例，其间大学生集体在高压的升学竞赛中表现出反常脆弱性。既往研讨标明，该国大学入学考试学生中17.7%曾呈现自杀意念，疫情期间该份额更攀升至33.5%，但后疫情年代的演化趋势仍属不知道。传统研讨办法难以捕捉自杀行为的杂乱成因，特别是地舆散布与多要素交互作用等要害维度。

　　针对这一严重公共卫生应战，贾汉吉尔纳加尔大学（Jahangirnagar University）的Mohammed A. Mamun团队展开了一项开创性研讨。研讨人员选用Stress-Diathesis理论结构，整合机器学习与空间剖析技能，对1,485名应试学生进行多维度评价。研讨不只验证了已知危险要素，更经过GIS技能初次提醒自杀意念在锡尔赫特区域的地舆集合特征，相关效果发表于《BMC Psychiatry》。

　　研讨团队运用三大要害技能：1) 选用PHQ-9（患者健康问卷-9项）和GAD-7（广泛性焦虑妨碍-7项）量表进行标准化心思评价；2) 使用CatBoost、KNN等5种机器学习算法构建猜测模型；3) 经过ArcGIS 10.8完成自杀意念空间可视化剖析。样本来自2024年2月参与贾汉吉尔纳加尔大学入学考试的住校学生，选用便当抽样保证数据代表性。

　　数据显现20.5%参与者存在自杀意念，女人危险较男性高1.675倍（p2=88.842）。

　　复读生自杀意念危险添加75.1%（OR=1.751），农业专业报考者危险达一般专业5.3倍。月备考支出超1万孟加拉塔卡（BDT）的学生危险激增463.7%（OR=5.637）。

　　郁闷（PHQ-9≥10）与焦虑（GAD-7≥10）分别使危险添加436.9%和288%。药物滥用者的自杀意念危险达非使用者的4.055倍。

　　该研讨初次在南亚区域完成自杀危险的多模态猜测，打破性地将GIS空间剖析与机器学习相结合。研讨之后发现：1) 后疫情年代自杀意念率（20.5%）显着高于疫情前水平；2) 复读生、乡村女生及农业专业考生构成高危险亚群；3) CatBoost模型较传统计算办法显着提高猜测精度。

　　这项研讨为发展中国家学生心思健康干涉供给了三大实践启示：首要，应针对地舆热门区域（如锡尔赫特）树立专项防备方案；其次，需开发根据PHQ-9/GAD-7的学校筛查系统；最终，研讨证明机器学习可有用辨认传统办法难以发现的非线性危险形式，为智能心思预警系统开发奠定根底。团队主张将研讨效果转化为压力-本质理论指导下的三级防备系统，特别是在高危险考试季施行针对性干涉。