| DC Field | Value | Language |
|---|
| dc.contributor.author | Липницкая, Н. И. | - |
| dc.contributor.author | Миткевич, М. А. | - |
| dc.contributor.author | Смертьев, В. В. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2026-05-05T06:13:02Z | - |
| dc.date.available | 2026-05-05T06:13:02Z | - |
| dc.date.issued | 2026 | - |
| dc.identifier.citation | Липницкая, Н. И. Модели машинного обучения для прогнозирования уровня тревожности по поведенческим и социально демографическим признакам = Machine learning models for predicting anxiety levels from behavioral and socio-demographic features / Н. И. Липницкая, М. А. Миткевич, В. В. Смертьев // Big Data и анализ высокого уровня = Big Data and Advanced Analytics : сборник научных статей XII Международной научно-практической конференции, Республика Беларусь, Минск, 23 апреля 2026 года : в 2 ч. Ч. 1 / Белорусский государственный университет информатики и радиоэлектроники [и др.] ; редкол.: В. А. Богуш [и др.]. – Минск, 2026. – С. 254–260. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/63540 | - |
| dc.description.abstract | Рост распространённости тревожных расстройств требует разработки доступных инструментов скрининга. В данном исследовании проверяется гипотеза о возможности косвенной оценки уровня тревожности по GAD-7 на основе поведенческих и социально-демографических факторов. На основе данных опроса 439 респондентов обучены и протестированы модели машинного обучения (Ridge, Random Forest, CatBoost, LightGBM). CatBoost продемонстрировал наилучшие результаты: МАЕ = 2.79 балла, R2 = 0.39. Ключевыми протективными предикторами являются удовлетворённость рабочей/учебной средой и качество сна, факторами риска - дефицит социальной поддержки и негативные жизненные события. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | Big Data | en_US |
| dc.subject | информационные системы | en_US |
| dc.subject | тревожность | en_US |
| dc.subject | психическое здоровье | en_US |
| dc.subject | оценка риска | en_US |
| dc.subject | машинное обучение | en_US |
| dc.subject | поведенческие факторы | en_US |
| dc.subject | цифровая психиатрия | en_US |
| dc.subject | медицинская информатика | en_US |
| dc.subject | поведенческая аналитика | en_US |
| dc.title | Модели машинного обучения для прогнозирования уровня тревожности по поведенческим и социально демографическим признакам | en_US |
| dc.title.alternative | Machine learning models for predicting anxiety levels from behavioral and socio-demographic features | en_US |
| dc.type | Article | en_US |
| local.description.annotation | The increasing prevalence of anxiety disorders requires the development of accessible screening tools. This study tests the hypothesis that it is possible to indirectly assess anxiety levels on the GAD-7 scale from behavioral and socio-demographic factors, with GAD-7 used solely as the target variable and not as part of the input questionnaire. Based on survey data from 439 respondents, several machine learning models (Ridge, Random Forest, CatBoost, LightGBM) were trained and tested. CatBoost demonstrated the best results: MAE = 2.79, R2 = 0.39. Key protective predictors are satisfaction with the work/study environment and sleep quality; risk factors include lack of social support and negative life events. | en_US |
| Appears in Collections: | BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : сборник научных статей : в 2 ч. (2026)
|
