基于机器学习的暴力行为预测：系统综述与批判性评估
统计方法学
2025-12-01 v1 机器学习
摘要
目的 进行系统综述机器学习模型用于预测暴力行为，以综合评估其有效性、有用性和性能。方法 在截至 2025 年 9 月的九个生物数据库和 Google Scholar 中系统检索开发和/或验证机器学习方法用于预测所有形式暴力行为的研究。通过总结判别和校准性能统计数据，并通过检查偏风和临床效用来评估研究质量来综合结果。结果 我们识别了 38 项研究，报告了 40 个模型的开发和验证。大多数研究报告了区域曲线下面积 (AUC) 作为判别统计量，范围为 0.68-0.99。仅八项研究报告了校准性能，且三项研究报告了外部验证。31 项研究存在高偏风，主要集中在分析领域，三项研究存在低偏风。暴力预测模型的总体临床效用较差，表现为因样本量小导致的过拟合风险、报告不透明以及泛化性差。结论 尽管黑箱机器学习模型目前在临床环境中应用有限，但可能显示出识别高风险个体的潜力。我们建议暴力预测建模的五个关键考虑因素：(i) 确保方法学质量（例如遵循指南）和跨学科合作；(ii) 仅用于高度复杂数据的黑箱算法；(iii) 纳入动态预测以允许风险监控；(iv) 使用可解释方法开发更可信的算法；(v) 在适当时应用因果机器学习方法。
引用
@article{arxiv.2511.23118,
title = {Machine learning for violence prediction: a systematic review and critical appraisal},
author = {Stefaniya Kozhevnikova and Denis Yukhnenko and Giulio Scola and Seena Fazel},
journal= {arXiv preprint arXiv:2511.23118},
year = {2025}
}