Prediction and Identification of Key Factors Associated with High Soft Drink Consumption Among University Students Using Machine Learning
本研究利用机器学习，特别是随机森林算法，分析了450名大学生的数据，并确定吸烟状态和学年是高软饮料摄入量的关键预测因子，其准确率达到77.04%，旨在为针对性的健康干预提供依据。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代生活的拥挤通道中，含糖饮料已成为一种常伴左右的伴侣，对于正处于迈向独立过渡阶段的年轻人而言尤其如此。这些饮料通常含有碳酸，并充满了精制糖或人工甜味剂，能提供快速的能量爆发和风味，但健康专家长期以来一直警告说，它们的液体热量并不能像固体食物那样带来饱腹感。这种脱节会导致总能量摄入的逐渐增加，从而导致体重增加以及包括牙齿腐烂和代谢紊乱在内的一系列健康问题。虽然风险众所周知，但究竟谁喝得最多以及其中的原因，仍然是一个复杂的谜题。人们基于个人习惯、社交压力以及他们对这些饮料本身的看法，形成了一个错综复杂的选择网络。为了理清这一网络，研究人员越来越多地转向一种强大的新工具：机器学习。与寻找两个事物之间简单、线性联系的传统方法不同，这些计算机算法可以筛选海量信息以发现隐藏的非线性模式，揭示哪些因素真正驱动了行为，而这些方式是人类直觉可能忽略的。
巴格勒什·马夫拉纳科技大学（Mawlana Bhashani Science and Technology University）的一支研究团队决定将这种先进方法应用于一个特定群体：大学生。他们希望超越简单的调查，建立一个预测模型，以识别哪些学生可能会大量饮用软饮料，更重要的是，了解使他们成为此类消费者的具体特征。该团队收集了校内450名本科生的数据，通过面对面访谈来收集有关他们生活的细节。他们询问了基本的人口统计学信息，如年龄和就读年级，但也深入探讨了个人习惯，如吸烟和饮酒情况，甚至包括他们对这些饮料本身的看法，例如他们是否认为软饮料很好喝，或者是否认为其中含有有害防腐剂。研究人员将“高消费人群”定义为每周饮用至少一升软饮料的人，这一阈值使他们能够清晰地将重度饮用者与其余学生群体区分开来。
对数据的初步观察呈现出一幅引人注目的图景。大约三分之一的学生，即33.6%，属于高消费类别。当研究人员开始将这些重度饮用者的习惯与饮用较少的人进行比较时，明显的模式出现了。饮用量最大的学生更有可能吸烟和饮酒。他们的态度也有所不同；重度饮用者更有可能同意软饮料非常美味，并且不太可能认为这些饮料含有有害成分或会导致健康问题。有趣的是，学生在大学生涯中所处的年级也至请输入，其中二年级学生表现出最高的重度饮用率。这些发现表明，饮用过多软饮料并非孤立的习惯，而往往是更广泛的生活方式选择以及对食物和健康特定观念的一部分。
为了理解这些联系并预测未来的行为，研究人员将所有这些数据输入到七种不同的机器学习算法中。这些是旨在通过学习数据来学习并对学生进行“高消费”或“正常消费”分类的计算机程序。团队测试了每种程序，以查看哪一个能做出最准确的预测。结果显示，虽然所有模型表现都相当不错，但有一个脱颖而出。一种被称为“随机森林”（Random Forest）的方法——其原理是通过结合许多简单决策树的决策来得出更稳定的结论——被证明是最有效的。它正确分类学生的准确率约为77%，并且在识别重度饮用者方面表现尤为出色，捕捉到了近95%的重度饮用者。这种高成功率表明，团队所测量的习惯和态度的结合，包含了足以可靠识别风险学生的足够信息。
或许这项研究中最有价值的洞察来自于询问获胜的计算机模型，它认为哪些是最重要的线索。该算法确定了两个因素是高软饮料消费的最强预测因子：吸烟状态和学生的就读年级。这一发现具有重要意义，因为它强调了这种行为与其他的选择以及大学生活不同阶段所带来的特定压力或自由感是深度交织在一起的。虽然该研究受限于单一大学，且依赖于学生自述（这有时可能并不完美），但结果为未来的行动提供了明确的方向。研究人员建议，校园内的健康宣传不应仅仅关注饮料的含糖量，还应针对更广泛的学生生活模式，特别是那些吸烟或处于二年级的学生。通过理解这些特定的驱动因素，大学可以设计更有效的干预措施，帮助年轻人在这些习惯终身固化之前做出更健康的饮料选择。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。