Divorce Prediction Using Machine Learning Algorithms in Ha’il Region, KSA (Saudi Arabien)

Autoren: Abdelkader Moumen, Ayesha Shafqat, Tariq Alraqad, Etaf Saleh Alshawarbeh, Hicham Saber & Ramsha Shafqat

Quelle: https://doi.org/10.1038/s41598-023-50839-1 (frei zugänglich)

Was ist für die praktische Arbeit interessant an dieser Studie?

Durch diese Studie habe ich erfahren, dass es eine Divorce Predictors Scale (DPS) gibt. Verzeiht mir bitte, falls das eine grobe Wissenslücke meinerseits ist. Die Autoren haben die Vorhersagekraft für eine spätere Scheidung mithilfe verschiedener Machine-Learning-Algorithmen getestet, wobei ein Algorithmus eine besonders hohe Trefferwahrscheinlichkeit erzielte. Warum ich diese Studie vorstelle? Ich finde die Vorstellung interessant, ob wir in ein paar Jahren KI-assistierte Paartherapie durchführen. Die KI hört zu, und könnte mir Vorschläge für die Anamnese und später für passende Interventionen machen. Seit dem Sichten dieser Studie geht mir durch den Kopf, ob und inwiefern mir die Vorhersage einer hohen Scheidungswahrscheinlichkeit weiterhelfen würde, oder ob sie meine Arbeit sogar negativ beeinflussen würde.

Inhalt der Studie: Die Forschenden haben den “Divorce Predictors Scale” (DPS), der auf dem Modell der Gottman-Paartherapie basiert, in der Region Ha’il, KSA (Saudi Arabien) angewendet und mit verschiedenen Machine-Learning-Algorithmen getestet. Diese Studie zeigt, wie mithilfe von Algorithmen wie Random Forest (RF) und künstlichen neuronalen Netzen (ANN) relevante Merkmale in einer Beziehung identifiziert werden können, die auf eine erhöhte Scheidungsgefahr hinweisen. Durch den Einsatz solcher Vorhersagemodelle könnten in der Praxis frühzeitig gefährdete Paare identifiziert und gezielter interveniert werden. Der DPS könnte eingesetzt werden, um spezifische Konfliktmuster zu erkennen, wie etwa übermäßige Kritik oder mangelndes Vertrauen, und diese in der Therapie gezielt ansprechen. Beeindruckend ist die hohe Vorhersagegenauigkeit von bis zu 91,66% mit dem RF-Algorithmus nach einer Merkmalsauswahl. 

Methodik der Studie

Die Studie wurde in der Region Ha’il, KSA, durchgeführt und umfasste eine Stichprobe von 148 Teilnehmern, von denen 116 verheiratet und 32 geschieden waren. Die Forschenden sammelten Daten mithilfe des “Divorce Predictors Scale” (DPS), der 54 verschiedene Merkmale umfasst. Diese Daten wurden anschließend durch verschiedene Machine-Learning-Algorithmen analysiert, darunter künstliche neuronale Netze (ANN), Naive Bayes (NB) und Random Forest (RF). Zunächst wurde eine Merkmalsauswahltechnik (Correlation Based Feature Selection, CBFS) angewendet, um die wichtigsten Prädiktoren für Scheidungen zu identifizieren. Danach wurden die ausgewählten Merkmale in die Algorithmen eingespeist, um deren Vorhersagegenauigkeit zu testen. Die besten Ergebnisse wurden mit dem RF-Algorithmus erzielt, der eine Vorhersagegenauigkeit von 91,66% erreichte. Die Studie verwendete zudem Kappa-Werte, um die Übereinstimmung der Vorhersagen zu bewerten und sicherzustellen, dass die Ergebnisse nicht nur zufällig waren. Insgesamt bietet die Methodik eine robuste Grundlage, um Scheidungsrisiken zu quantifizieren und gezielte Interventionen zu entwickeln.

Limitationen

Die Studie weist einige Limitationen auf. Zum einen ist die Stichprobe relativ klein und geografisch auf die Region Ha’il beschränkt, was die Generalisierbarkeit der Ergebnisse einschränkt. Zudem basiert die Studie auf Selbstauskünften der Teilnehmer, was zu Verzerrungen führen kann. Langfristige Studien mit größeren und diverseren Stichproben wären notwendig, um die Ergebnisse weiter zu validieren.

Peer-Review

Diese Studie wurde in “Scientific Reports”, einem peer-reviewed Journal, veröffentlicht.

Offenlegung

Dieser Text wurde mit Hilfe von ChatGPT erstellt und redaktionell überprüft und bearbeitet. Die Studieninhalte wurden nicht als Trainingsmaterial verwendet, und die Auswertung erfolgt nach aktueller Best Practice urheberrechtskonform.