机器学习揭示晚年生成性的驱动因素 - 健康研究

机器学习揭示晚年生成性的驱动因素Machine Learning Uncovers Drivers of Late-Life Generativity

环球医讯 / 健康研究来源：www.psychologytoday.com美国 - 英语2024-12-24 23:00:00 - 阅读时长5分钟 - 2038字

随着全球人口老龄化和心理健康问题的日益突出，了解和提升晚年生活的满意度变得至关重要。一项新研究利用机器学习技术，从复杂的数据集中提取了影响晚年生成性的关键因素，包括社会效能、开放性、社会整合、个人成长和成就导向。

随着全球人口老龄化，以及对心理健康、孤独和社会孤立问题的关注不断增加，理解和增强晚年的满足感已成为个体和全球健康及生产力的重要课题。世界卫生组织报告称，到2030年，每六个人中就有一个年龄在60岁或以上，共计14亿人，其中80岁以上的人口接近5亿。

鉴于这一问题的广泛范围，令人惊讶的是我们对如何在晚年保持和增强生成性（generativity）的理解仍然有限，目前的研究仍处于早期阶段。类似的，增加生成性有望提升幸福感，并保护老年人免受许多与衰老相关的负面结果的影响。随着全球人口的老龄化和平均寿命的延长，找出如何延长健康寿命和生产力，以及意义、目的和社区的重要性变得至关重要。

开发机器学习方法以理解复杂问题

Mohsen Joshanloo博士最近在《老年学杂志》（2024年）上发表的一项研究采用了机器学习的新方法，从“美国中年”（MIDUS）数据集中提取关键变量。这项研究包括了广泛的心理和人口统计变量，并使用Loyola生成性量表测量生成性。参与者年龄在39至93岁之间，平均年龄为63.64岁。使用机器学习方法使我们能够处理复杂的数据集，而传统的统计方法可能难以应对这些数据集。

从一个更广泛的角度来看，几个关键概念帮助我们理解整个生命周期中的老化过程。这些概念包括埃里克·埃里克森的发展模型，尤其是中年和晚年；稳定性和可塑性的平衡（促进一致性和变化）；以及两种主要形式的幸福感——目的幸福感（eudaimonic）和享乐幸福感（hedonic），这两种幸福感需要和谐共存。五大人格特质（大五人格模型，FFM）在这个过程中起着作用，一些特质有助于稳定或可塑性。例如，开放性与可塑性有关，而神经质由于对冒险的焦虑抗拒，通常与稳定性相关。

研究使用了一种称为“随机森林分析”的机器学习技术。这种方法通过构建多个决策树来筛选大型数据集，识别非线性关系和动态交互。模型在一部分数据上进行训练，然后用其余数据进行测试，以最小化预测误差并提高准确性。它分析了2,830名参与者的34个变量，在去除缺失数据并减少原始70个变量后，形成了一个非冗余的度量集。

最终模型预测了生成性变异的40%，揭示了五个最重要的预测因素，按重要性排序如下：

社会效能：果断性、说服力和领导导向是关键。生成性本质上是社会性的，不仅需要动力，还需要人际交往能力来领导和影响他人。
开放性：心理灵活性和接受新思想和体验的能力是第二强的预测因素。这与人格特质中的开放性一致，也与天赋有关。
社会整合：这一因素强调了社会功能在生成性中的重要性。除了领导力，能够在群体中发挥作用、体验归属感并在社会秩序中找到自己的位置也是至关重要的。社会整合可以防止孤独及其对健康的不良影响。
个人成长：特别是在晚年，追求持续发展的驱动力是生成性的另一个重要贡献者。随着人们年龄的增长和面临存在挑战，这种成长的动力变得更加重要。
成就导向：追求目标的热情和动力是生成性的关键因素。强烈的完成任务的愿望本身具有生成性，但如果没有其他因素，可能会缺乏更深的意义。

其他重要因素还包括生活中的目标感和自我接纳，这些因素突显了过有意义的生活（目的幸福感）和拥有连贯的生活故事的重要性。生成性受到我们如何看待自己在生命故事背景下的影响。精神体验也被认为是一个相关因素，指出了超越日常关切、在更广阔的背景下看待自己的重要性。

在该模型中不显著的因素包括性别、健康状况和经济变量等人口统计和健康因素。尽管这些因素在其他研究中是幸福感和生活满意度的重要预测因素，但机器学习分析表明它们可能不是生成性的最关键驱动因素。它们可能是必要的但不足以实现生成性，可能是早年阶段的成就和基本需求的提供，为晚年生成性提供了稳定的基础和重要的跳板。

由于数据集是横断面的，结果是相关而非因果关系。未来的研究可以使用随机森林分析等机器学习方法和其他方法，分析纵向数据集以确定因果关系，并进一步探索可能影响生成性的其他变量。混合智能，结合人类和人工智能的优势，超越各自的能力，有望解决复杂的问题。