پیش بینی سلامت روان نوجوانان ایرانی بر اساس تغذیه، فعالیت فیزیکی و اوقات فراغت با استفاده از تکنیک‌های داده کاوی

مقدمه و اهداف: پژوهش حاضر با هدف پیش‌بینی سلامت روان بر اساس سه عامل تغذیه، فعالیت فیزیکی و اوقات فراغت در دانش‌آموزان گروه سنی نوجوانان با بهره گیری از تکنیک‌های داده کاوی انجام شده است.روش کار: مطالعه‌ی تحلیلی حاضر بر روی 14274 داده‌ موجود در پایگاه داده‌ کاسپین 5 انجام شد. مطابق با روش crisp-dm  داده کاوی در 6 مرحله با استفاده از تکنیک‌های درخت تصمیم، k نزدیک‌ترین همسایه، بیزین ساده و جنگل تصادفی در نرم افزار رپیدماینر صورت گرفت.یافته‎ها: از میان 4 تکنیک داده کاوی مورد استفاده جهت پیش‌بینی سلامت روان نوجوانان بر اساس تغذیه، فعالیت فیزیکی و اوقات فراغت، تکنیک جنگل تصادفی بیشترین صحت (91/72) و تشخیص پذیری (82/73) و تکنیک k نزدیک‌ترین همسایه بیشترین حساسیت (96/30) را داشت. علاوه بر این بر اساس تکنیک جنگل تصادفی، قانون با بالاترین میزان پشتیبان نشان داد نوجوانی که در مقطع تحصیلی دبیرستان است و هر روز هفته صبحانه، ناهار و شام میل می‌کند و به صورت هفتگی چای و قهوه میل می‌کند و در هفته 2 ساعت در مدرسه ورزش می‌کند همچنین در هفته اخیر 4 روز به مدت 30 دقیقه فعالیت بدنی داشته و با سرویس به مدرسه می‌رود با اطمینان 100 درصد از سلامت روان مطلوب برخوردار است. نتیجه‎گیری: براساس تکنیک جنگل تصادفی که بهترین عملکرد را داشته، تغذیه بیشترین تاثیر را بر سلامت روان نوجوانان ایرانی دارد، لذا باید جهت تامین و بسترسازی مناسب آموزش به والدین و نوجوانان در رابطه با تغذیه مناسب و افزایش آگاهی در زمینه سلامت روان نوجوانان اندیشیده شود.

prediction of mental health among iranian adolescents based on nutrition, physical activity and leisure time using data mining techniques

background and objectives: the present research was conducted to predict mental health based on three factors: nutrition, activity, and leisure time, among students in the adolescent age group, using data mining techniques.methods: the present analytical study was conducted on 14274 data available in the caspian 5 database. according to the crisp-dm method, data mining was done in 6 steps using decision trees, k nearest neighbors, simple bayesian and random forest techniques in rapidminer software.results: among the four data mining techniques used to predict the mental health of adolescents based on nutrition, physical activity and leisure time, the random forest technique has the highest accuracy (91.72) and specificity (82.73) and the k-nearest neighbors technique has the highest sensitivity (96.30). in addition, based on random forest techniques, the rule with the highest level of support showed that an adolescent who is in high school, eats breakfast, lunch, and dinner every day, drinks tea and coffee weekly, exercises 2 hours a week at school,also, he has 4 days of physical activity for 30 minutes in the last week, and he goes to school with the service, with 100% confidence has good mental health.conclusion: based on the random forest technique, which has showen the best performance, nutrition has the greatest impact on the mental health of iranian adolescents. so, it is necessary to think about providing a suitable platform for training parents and adolescents regarding proper nutrition and increasing awareness in the field of adolescent mental health.