نشریه علمی روانشناسی سلامت و اختلالات رفتاری 4 پیاپی 15 1405 05 01 Prediction of Risk for Health-Related Maladaptive Behaviors Using Hybrid Machine Learning Algorithms and Cognitive–Emotional Markers پیش‌بینی خطر بروز رفتارهای ناسازگارانه مرتبط با سلامت با استفاده از الگوریتم‌های ترکیبی یادگیری ماشین و نشانگرهای شناختی–هیجانی 1 15 FA فاطمه مجاور کارشناسی ارشد روان شناسی بالینی، دانشکده علوم پزشکی، دانشگاه آزاداسلامی، کرج، ایران. Journal Article 1404/08/23 <p>The present study aimed to predict the risk of health-related maladaptive behaviors based on cognitive–emotional markers using hybrid machine learning algorithms among university students. This applied study employed a descriptive–correlational predictive design. The statistical population consisted of university students in Karaj during the 2025–2026 academic year, from whom 420 participants were selected using multistage cluster sampling. Data were collected through standardized measures assessing maladaptive health behaviors, emotion regulation, cognitive impulsivity, stress sensitivity, cognitive flexibility, and lifestyle indicators. Data analysis was conducted using Support Vector Machine, Random Forest, Gradient Boosting, Artificial Neural Networks, and an Ensemble hybrid model. Model performance was evaluated using accuracy, sensitivity, specificity, and Area Under the ROC Curve indices. Inferential analyses indicated that cognitive–emotional markers significantly predicted maladaptive health behaviors. The hybrid ensemble model achieved the highest predictive accuracy (0.91) with an AUC value of 0.96, demonstrating excellent classification performance. Emotional dysfunction, cognitive impulsivity, and stress sensitivity emerged as the strongest predictors, whereas emotion regulation and cognitive flexibility acted as protective factors against maladaptive behavioral risk. The findings suggest that integrating cognitive–emotional indicators with hybrid machine learning algorithms provides an effective framework for early identification of individuals at risk for maladaptive health behaviors and supports the development of personalized preventive interventions.</p> <p> </p> <p> پژوهش حاضر پیش‌بینی خطر بروز رفتارهای ناسازگارانه مرتبط با سلامت بر اساس نشانگرهای شناختی–هیجانی با بهره‌گیری از الگوریتم‌های ترکیبی یادگیری ماشین در میان دانشجویان بود. این پژوهش کاربردی با طرح توصیفی–همبستگی و رویکرد پیش‌بینانه انجام شد. جامعه آماری شامل دانشجویان دانشگاه‌های شهر کرج در سال تحصیلی 2025–2026 بود که از میان آنان 420 نفر با روش نمونه‌گیری خوشه‌ای چندمرحله‌ای انتخاب شدند. داده‌ها با استفاده از ابزارهای سنجش رفتارهای ناسازگارانه سلامت، تنظیم هیجان، تکانشگری شناختی، حساسیت به استرس، انعطاف‌پذیری شناختی و شاخص‌های سبک زندگی گردآوری شد. تحلیل داده‌ها با استفاده از الگوریتم‌های ماشین بردار پشتیبان، جنگل تصادفی، گرادیان بوستینگ، شبکه عصبی مصنوعی و مدل ترکیبی Ensemble انجام گرفت و اعتبار مدل‌ها با شاخص‌های دقت، حساسیت، ویژگی و سطح زیر منحنی ROC ارزیابی شد. نتایج تحلیل‌های استنباطی نشان داد نشانگرهای شناختی–هیجانی پیش‌بینی‌کننده‌های معنادار رفتارهای ناسازگارانه سلامت بودند. مدل ترکیبی یادگیری ماشین بالاترین دقت پیش‌بینی را (91.0) نشان داد و مقدار AUC برابر با 96.0 بیانگر قدرت تفکیک بسیار بالا بود. نارسایی هیجانی، تکانشگری شناختی و حساسیت به استرس بیشترین سهم را در پیش‌بینی خطر رفتارهای ناسازگارانه داشتند، در حالی که تنظیم هیجان و انعطاف‌پذیری شناختی نقش محافظتی ایفا کردند. یافته‌ها نشان داد ادغام نشانگرهای شناختی–هیجانی با الگوریتم‌های ترکیبی یادگیری ماشین می‌تواند چارچوبی کارآمد برای شناسایی زودهنگام افراد در معرض خطر رفتارهای ناسازگارانه سلامت فراهم کند و زمینه توسعه مداخلات پیشگیرانه شخصی‌سازی‌شده را مهیا سازد.</p> https://www.jhpbd.com/index.php/hpbd/article/download/259/252