التنبؤ بتعاطي الطعام باستخدام التعلم الآلي لدى طلاب الجامعات اعتماداً على البيانات الديموغرافية والمقاييس الجسمية وسمات الشخصية

لماذا قد يبدو تعاملنا مع الطعام خارج نطاق السيطرة

كثير من الناس يمزحون بالقول إنهم «مدمنون» على الشوكولاتة أو الوجبات السريعة، لكن بالنسبة لبعض الأشخاص تكون الرغبات وفقدان السيطرة تجاه الأكل أموراً جدية ومزعجة. طلاب الجامعات عرضة بشكل خاص، إذ يواجهون ضغوطاً وحريات جديدة وتغيّرات جسدية. تطرح هذه الدراسة سؤالاً مهماً زمنياً: هل يمكن لبرامج الحاسوب أن تتعلّم تمييز أيّ الطلاب معرضون أكثر لخطر إدمان الطعام باستخدام معلومات بسيطة عن خلفياتهم، وقياسات أجسامهم، وشخصياتهم؟ إذا أمكن ذلك، فقد نتمكن في المستقبل من اكتشاف المشكلات مبكراً وتكييف الدعم قبل أن تتطور عادات الأكل إلى مشكلات صحية طويلة الأمد.

النظر إلى الطلاب من زوايا متعددة

عمل الباحثون مع 210 طلاب جامعيين في الأهواز، إيران، تتراوح أعمارهم بين 18 و35 سنة. قدّم كل طالب بيانات أساسية مثل العمر ومستوى التعليم، وأبلغ عن طوله ووزنه ليُحتسب مؤشر كتلة الجسم (BMI)، وأكمل استبيان شخصية معياري. كما خضعوا لفحص قصير بمقياس ييل لإدمان الطعام، الذي يصنف ما إذا كان شخص ما يُظهر أنماطاً شبيهة بالإدمان تجاه الأطعمة ذات الطعم الجذاب، مثل الرغبات الشديدة، ومحاولات فاشلة للتقليل، أو الأكل رغم العواقب السلبية. استوفى 30 طالباً فقط معايير إدمان الطعام، بينما لم يستوفِ 180 طالباً المعايير، مما يعكس أن مثل هذه المشكلات تؤثر على شريحة أصغر من السكان.

موازنة البيانات غير المتكافئة وتدريب الآلات الذكية

نظراً لأن عدد الطلاب المصنفين كمدمنين على الطعام كان أقل بكثير، كانت مجموعة البيانات غير متوازنة. يمكن لهذا الاختلال أن يخدع نماذج الحاسوب لتتوقع في الغالب الفئة الأكبر وتتجاهل الفئة الصغيرة المعرضة للخطر. لمواجهة ذلك، استخدم الفريق حيلتين في معالجة البيانات. أولاً، طبقوا طريقة تُسمى Tomek Links لإزالة حالات من الفئة الأكبر قد تكون مُربكة لأنها قريبة للغاية من حالات الفئة الصغيرة. ثم استخدموا SMOTE، الذي ينشئ أمثلة تركيبية واقعية للفئة الصغيرة، لمعادلة الأعداد. لم يُعدّل إلا بيانات التدريب بهذه الطريقة؛ احتُفظ بمجموعة اختبار منفصلة غير مُعدّلة للتحقق من كفاءة النماذج على طلاب جدد وغير مرئيين.

اختبار العديد من الخوارزميات

لم يعتمد الباحثون على وصفة رياضية واحدة. بدلاً من ذلك، قارَنوا بين عشرة نماذج تعلم آلي مختلفة، من طرق بسيطة مثل الانحدار اللوجستي وجيران k الأقرب إلى أساليب «التجميع» المتقدمة مثل الغابة العشوائية (Random Forest)، التعزيز التدرجي (Gradient Boosting)، LightGBM، وCatBoost. كما جربوا اثنتي عشرة استراتيجية لاختيار الميزات لتحديد أي الأسئلة والقياسات كانت الأكثر إفادة، واستخدموا التحقق المتقاطع والبحث الآلي لضبط إعدادات كل نموذج. قُيِّم الأداء الإجمالي باستخدام مقاييس عدة، بما في ذلك الدقة (كم مرة كان النموذج صحيحاً)، ومقياس F1 (توازن بين التقاط الحالات الحقيقية دون إنذار كاذب مفرط)، والمساحة تحت منحنى ROC، التي تعبر عن مدى قدرة النموذج على فصل الأفراد ذوي الخطر الأعلى عن ذوي الخطر الأقل.

ما الذي يقود التنبؤات تحت الغطاء

تفوقت نماذج التجميع، وخاصة CatBoost وRandom Forest، باستمرار على الأساليب الأبسط، مسجلة نحو 84% من الدقة ومقاييس F1 تقارب 0.84 في مجموعة البيانات الصغيرة هذه. لتجاوز التنبؤات الشبيهة بـ«الصندوق الأسود»، استخدم الفريق أداة تُسمى SHAP لاستكشاف أي الميزات دفعت النموذج نحو وسم شخص ما بأنه مدمن على الطعام. كانت التأثيرات البارزة نفسية: عبارات قوية مثل «أحياناً أشعر بلا قيمة تماماً»، الشعور بأنك «تنهار» تحت الضغوط، الغضب المتكرر من كيفية معاملة الآخرين لهم، التوتر العاطفي، والتفكير الجامد غير المرن. كان لوزن الجسم ومؤشر كتلة الجسم أيضاً تأثير، لكنهما كانا أقل مركزية من هذه الإشارات العاطفية والمتعلقة بالشخصية. أظهرت السمات المرتبطة بالمزاج الإيجابي والتنظيم الجيد تأثيراً وقائياً طفيفاً.

ماذا يعني هذا في الحياة اليومية

للقارئ العادي، الرسالة الأساسية هي أن إدمان الطعام ليس مسألة إرادة فقط أو مجرد حب للوجبات الشهية. في هذه العينة التجريبية من الطلاب، كانت الصراعات العاطفية الأعمق — انخفاض تقدير الذات، صعوبة التعامل مع الضغط، والعلاقات المتوترة — متداخلة بشدة مع الأكل الإشكالي. استطاعت النسخ المبكرة من أدوات التعلم الآلي، المدعومة باستبيانات أساسية وقياسات جسمية، أن تلتقط هذه الأنماط بدقة مشجعة. مع ذلك، يؤكد المؤلفون أن عينتهم كانت صغيرة، ومعتمدة على تقارير ذاتية، ومأخوذة من جامعة واحدة، لذا فهذه النتائج أولية. مع دراسات أكبر وأكثر تنوعاً، قد تُستخدم نماذج مماثلة في نهاية المطاف جنباً إلى جنب مع التقييمات السريرية القياسية للإشارة إلى الشبان الذين قد يستفيدون من دعم لإدارة مشاعرهم وعادات أكلهم.

الاستشهاد: Rahimnezhad, A., Mortazavi, S.T., Behdarvand, Y. et al. Machine learning prediction of food addiction in university students using demographic, anthropometric and personality traits. Sci Rep 16, 6745 (2026). https://doi.org/10.1038/s41598-026-36162-5

الكلمات المفتاحية: إدمان الطعام, طلاب الجامعات, سمات الشخصية, التعلم الآلي, الأكل العاطفي