การจำแนกประเภทข้อมูลพฤติกรรมของบุคคลในวัยรุ่นเเละวัยทำงานเกี่ยวกับสุขภาพจิต โดยใช้ Machine Learning

Abstract

การวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาและเปรียบเทียบประสิทธิภาพของอัลกอริทึมการเรียนรู้ของเครื่อง 5 เทคนิค ได้แก่ J48, Random Forest, Naive Bayes, Multilayer Perceptron (MLP) และSequential Minimal Optimization (SMO) เพื่อจำแนกพฤติกรรมสุขภาพจิตของกลุ่มวัยรุ่นและวัยทำงาน โดยแบ่งความเสี่ยงเป็น 3 ระดับ (ต่ำ ปานกลาง และสูง)กลุ่มตัวอย่างประกอบด้วยข้อมูล 420 รายการ ได้แก่ เพศ สถานะ กลุ่มอายุ ระดับความเครียด ความวิตกกังวล และภาวะซึมเศร้า ประเมินประสิทธิภาพด้วยวิธี 5-Fold Cross-Validation, 10-Fold Cross-Validation และ Percentage Split ผลวิจัยพบว่า Random Forest ให้ประสิทธิภาพสูงสุดในภาพรวม ด้วยค่าความแม่นยำร้อยละ 99.52 ค่า Precision, Recall และ F1ที่สูงอย่างสม่ำเสมอ เมื่อจำแนกตามกลุ่มประชากร พบว่า MLP ให้ความแม่นยำสูงสุดถึงร้อยละ 100 ในกลุ่มวัยรุ่น ขณะที่ในกลุ่มวัยทำงาน Random Forest ยังคงให้ผลลัพธ์ดีที่สุดด้วยความแม่นยำร้อยละ 99.16 สรุปได้ว่า แบบจำลองที่พัฒนาขึ้นมีประสิทธิภาพสูงและมีศักยภาพในการนำไปใช้เป็นเครื่องมือคัดกรองสุขภาพจิตเบื้องต้น เพื่อสนับสนุนการเฝ้าระวังและช่วยเหลือผู้มีความเสี่ยงในระยะเริ่มต้นได้อย่างมีประสิทธิภาพ