Who Will Have a Child? Predicting Three-Year Childbearing Outcomes Using Machine Learning
本研究利用机器学习模型，具体为通过 SMOTE 处理类别不平衡以及通过领域知识引导的特征选择处理高维性来增强的 XGBoost，成功利用 PreFer 调查数据预测了荷兰个体在三年内的生育结局。
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
每个社会都面临着一个关于规划的基本问题：在未来的几年里，将会出生多少个孩子？这不仅仅是人口统计学家的好奇心问题，更是政府和社区的实际需求。了解可能出现的新家庭数量，有助于学校规划教室、医院准备产科病房，以及城市为不断增长的人口设计住房。几十年来，研究人员一直试图通过观察宏观趋势（如初为人父母者的平均年龄或整体经济环境）来预测这些数字。然而，预测特定个体是否会在一个较短的时间窗口内（例如未来三年内）生育孩子，仍然是一个难以破解的谜题。影响这一决策的因素极其广泛且具有深刻的个人色彩，从经济稳定性、感情满意度到职业目标，再到仅仅是想要组建家庭的单纯愿望。
荷兰蒂尔堡大学的一个研究小组最近通过转向一套被称为机器学习的强大工具集，着手应对这一挑战。他们并没有依赖单一的公式来猜测未来，而是训练计算机程序去识别成千上万人的生活中的复杂模式。他们的目标是观察这些数字模型能否准确预测哪些处于18至45岁之间的个体会在2021年至2023年期间迎来新生命。研究人员使用了一份庞大的调查数据，其中包含了关于每个人的3万多项不同信息，从其出生年份、受教育程度到他们如何分配家务以及对伴侣关系的满意度。他们面临的核心困难在于数据存在严重的偏差；在研究对象中，没有生育新孩子的比例远高于生育了孩子的比例，这使得计算机很容易通过对所有人预测“否”来表现出看似准确的结果，却完全遗漏了那些真正的父母。
为了解决这个问题，研究人员首先必须简化海量的信息。他们首先利用社会科学知识来确定哪些变量最有可能重要，从而将领域缩小到一个更易处理的名单。随后，他们使用计算机程序测试哪些因素才是真正的最强预测因子，最终确定了一组仅包含69个关键变量的精简集合。这一过程至关重要，因为如果试图同时使用所有3万个细节，会使模型感到困惑，就像试图在一座每个书架都堆满了数千本无关书籍的图书馆中寻找一本特定的书一样。通过专注于最重要的信号（如年龄、伴侣状态和财务状况），他们让计算机能够看到森林，而不是迷失在树木之中。
随后，该团队测试了三种不同类型的机器学习模型，以观察哪一种能最好地识别出未来的父母。他们将一种基础的决策树（通过一系列是或否的问题进行预测）与两种更先进的方法进行了对比，后两者通过结合许多此类决策树来得出更明智的结论。其中一种被称为极端梯度提升（extreme gradient boosting）的高级方法，其工作原理是构建一系列模型，其中每一个新模型都会从前一个模型的错误中学习。研究人员还必须处理数据不平衡的问题，即有新生命诞生的群体比没有新生命诞生的群体要小得多。为了解决这个问题，他们使用了一种技术来创建较小群体的合成样本，有效地教导计算机去关注这种罕见的生育事件，而不仅仅是简单地一遍又一遍地复制相同的数据。
结果显示，那个能够从自身错误中学习的最复杂的模型表现得最好。当在从未见过的数据上进行测试时，该模型能够以极高的准确度正确识别出未来的父母，其表现显著优于那些较简单的方法。使用平衡数据的技术被证明是必不可少的；如果没有它，模型很难发现少数派的育儿群体。研究发现，通过仔细选择要问的问题并使用一个能够从错误中学习的模型，就可以以惊人的精确度预测短期生育结果。虽然研究人员指出，他们的发现是基于荷兰的一个特定人群，需要在其他人群中进行进一步测试，但这项工作证明了机器学习可以成为理解人类家庭增长背后复杂决策的有力工具。
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。