可解释人工智能在自杀风险评估中的分析与评价
机器学习
2023-03-13 v1 人工智能
计算机与社会
神经元与认知
摘要
本研究探讨了可解释人工智能（XAI）技术在预测自杀风险及识别此类行为主导成因方面的有效性。利用数据增强技术和机器学习（ML）模型预测相关风险。此外，采用 SHapley Additive exPlanations（SHAP）和相关性分析对预测中变量的重要性进行排序。实验结果表明，决策树（DT）、随机森林（RF）和 eXtreme Gradient Boosting（XGBoost）模型取得了最佳结果，其中 DT 表现最优，准确率为 95.23%，曲线下面积（AUC）为 0.95。根据 SHAP 结果，愤怒问题、抑郁和社会孤立是预测自杀风险的主导变量，而收入良好、职业受尊重且受过大学教育的患者的风险最低。结果证明了机器学习与 XAI 框架在自杀风险预测中的有效性，它们可协助精神科医生理解复杂人类行为，并辅助可靠的临床决策。
引用
@article{arxiv.2303.06052,
title = {Analysis and Evaluation of Explainable Artificial Intelligence on Suicide Risk Assessment},
author = {Hao Tang and Aref Miri Rekavandi and Dharjinder Rooprai and Girish Dwivedi and Frank Sanfilippo and Farid Boussaid and Mohammed Bennamoun},
journal= {arXiv preprint arXiv:2303.06052},
year = {2023}
}