[论文解读] The Five Factor Model of personality and evaluation of drug consumption risk

E. Fehrman, A. K. Muhammad+3 more|arXiv (Cornell University)|Jun 20, 2015

Mental Health Research TopicsPsychology被引用 18

一句话总结

本研究应用人格的五因素模型（FFM），结合冲动性和感觉寻求特质，利用机器学习预测个体使用18种精神活性药物的风险。基于在线调查数据和交叉验证的分类模型，对大麻、可卡因、摇头丸、合法致幻剂、LSD及挥发性物质滥用等物质，均实现了超过75%的敏感度和特异度的高准确率。

ABSTRACT

The problem of evaluating an individual's risk of drug consumption and misuse is highly important. An online survey methodology was employed to collect data including Big Five personality traits (NEO-FFI-R), impulsivity (BIS-11), sensation seeking (ImpSS), and demographic information. The data set contained information on the consumption of 18 central nervous system psychoactive drugs. Correlation analysis demonstrated the existence of groups of drugs with strongly correlated consumption patterns. Three correlation pleiades were identified, named by the central drug in the pleiade: ecstasy, heroin, and benzodiazepines pleiades. An exhaustive search was performed to select the most effective subset of input features and data mining methods to classify users and non-users for each drug and pleiad. A number of classification methods were employed (decision tree, random forest, $k$-nearest neighbors, linear discriminant analysis, Gaussian mixture, probability density function estimation, logistic regression and na{ï}ve Bayes) and the most effective classifier was selected for each drug. The quality of classification was surprisingly high with sensitivity and specificity (evaluated by leave-one-out cross-validation) being greater than 70\% for almost all classification tasks. The best results with sensitivity and specificity being greater than 75\% were achieved for cannabis, crack, ecstasy, legal highs, LSD, and volatile substance abuse (VSA).

研究动机与目标

• 评估五因素模型（FFM）及相关特质（冲动性、感觉寻求）在识别个体药物使用风险方面的预测能力。
• 通过相关性分析，识别具有相关使用模式的药物群组。
• 开发并评估基于人格与人口统计学数据的机器学习模型，以区分个体是否为特定药物的使用者。
• 确定在实现高敏感度与特异度的前提下，预测药物使用风险的最佳输入特征组合与分类算法组合。
• 通过严格的留一法交叉验证评估模型性能，以确保其稳健性与泛化能力。

提出的方法

• 收集了关于18种中枢神经系统精神活性药物的在线调查数据，包括五大人格特质的NEO-FFI-R评分、冲动性的BIS-11量表以及感觉寻求的ImpSS量表。
• 通过相关性分析识别出具有强相关使用模式的药物群组，发现三个显著的“星群”：摇头丸、海洛因和苯二氮䓬类药物。
• 进行了全面的搜索，以确定每种药物及星群的最佳输入特征子集（人格特质、人口统计学特征）。
• 评估了八种分类方法：决策树、随机森林、k近邻、线性判别分析、高斯混合模型、概率密度函数估计、逻辑回归和朴素贝叶斯。
• 通过留一法交叉验证，为每种药物及星群选择表现最佳的分类器，以最小化过拟合风险。
• 以敏感度和特异度为主要指标报告模型性能，以评估分类准确性。

实验结果

研究问题

• RQ1 五因素模型中的哪些人格特质与特定精神活性药物使用风险最强相关？
• RQ2 是否存在具有相关使用模式的药物群组？能否通过统计相关性分析识别出这些群组？
• RQ3 哪种输入特征组合（人格特质、人口统计学特征）与机器学习算法组合能实现最高的分类准确率，以区分药物使用者与非使用者？
• RQ4 即使数据有限，基于人格与人口统计数据训练的机器学习模型是否仍能实现高敏感度与特异度，以预测药物使用风险？
• RQ5 模型性能在不同药物及药物群组（星群）之间如何变化，特别是对大麻、摇头丸和挥发性物质等物质？

主要发现

• 本研究识别出三组显著的药物相关性星群：摇头丸、海洛因和苯二氮䓬类药物，每组均以一种核心物质为中心，其使用模式高度相关。
• 对于大麻、可卡因、摇头丸、合法致幻剂、LSD及挥发性物质滥用（VSA），表现最佳的模型均实现了超过75%的敏感度与特异度。
• 总体而言，分类性能良好，几乎所有药物及星群的敏感度与特异度均超过70%，表明人格特质具有强大的预测能力。
• 通过在多种算法与特征子集间进行全面搜索，选出了最有效的模型，其中逻辑回归与随机森林表现尤为突出。
• 研究结果表明，五因素模型中的人格特质，结合冲动性与感觉寻求得分，是药物使用风险的稳健预测因子。
• 留一法交叉验证证实了模型的高稳健性，其在不同药物及用户群体中均表现出一致的性能。