חיזוי במכונת למידה של תלות במזון בקרב סטודנטים באוניברסיטה באמצעות נתונים דמוגרפיים, נתוני גוף ותכונות אישיות

מדוע מערכות היחסים שלנו עם מזון יכולות להרגיש מחוץ לשליטה

רבים מתלוצצים על כך שהם "מכורים" לשוקולד או לאוכל מהיר, אך עבור חלק מהאנשים הגעגועים והאובדן שליטה סביב אכילה הם רציניים ומדאיגים. סטודנטים באוניברסיטאות פגיעים במיוחד, כשהם מתמודדים עם לחץ, חופש חדש ושינויים בגוף. מחקר זה שואל שאלת זמן־ראויה: האם תוכניות מחשב יכולות ללמוד לזהות אילו סטודנטים בסיכון גבוה יותר להתמכרות למזון, תוך שימוש במידע פשוט על רקע, מדידות גוף ותכונות אישיות? אם כן, ייתכן שנוכל יום אחד לזהות בעיות מוקדם יותר ולתת תמיכה מותאמת לפני שההרגלים האכילה יורדים למעגל של בעיות בריאותיות לטווח ארוך.

מבט על הסטודנטים ממספר זוויות

החוקרים עבדו עם 210 סטודנטים באוניברסיטה באחוואס, איראן, בגילאים 18 עד 35. כל סטודנט סיפק פרטים בסיסיים כגון גיל ורמת השכלה, דיווח על גובהו ומשקלו כדי לחשב מדד מסת גוף (BMI), ומילא שאלון אישיות סטנדרטי. הם גם עברו סקר קצר בעזרת Yale Food Addiction Scale, שמסווג האם אדם מציג דפוסים הדומים להתמכרות כלפי מזונות בעלי טעם גבוה, כגון תשוקות עזות, ניסיונות כושלים לצמצם או אכילה למרות השלכות שליליות. רק 30 סטודנטים עמדו בקריטריונים להתמכרות למזון, בעוד 180 לא—מה שמשקף כיצד בעיות כאלה משפיעות על חלק קטן יותר מהאוכלוסייה.

איזון נתונים לא מאוזנים ואימון מכונות חכמות

מכיוון שמעט יותר סטודנטים סווגו כמכורים למזון, מערך הנתונים היה לא מאוזן. חוסר שוויון זה יכול להטעות מודלים ממוחשבים לחזות בעיקר את קבוצת הרוב ולהתעלם מהמיעוט בסיכון גבוה. כדי להתמודד עם זאת השתמשה הצוות בשתי טכניקות לטיפול בנתונים. ראשית, יישמו שיטה שנקראת Tomek Links להסרת מקרי רוב מבלבלים שנמצאים קרוב מדי למקרי המיעוט. לאחר מכן השתמשו ב‑SMOTE, שיוצר דוגמאות סינתטיות ריאליסטיות של קבוצת המיעוט כדי לאזן את הכמויות. רק נתוני האימון שונו בדרך זו; קבוצת בדיקה נפרדת ולא מיעשה בה שימוש הוקפאה כדי לבדוק עד כמה המודלים עובדים על סטודנטים חדשים ובלתי נראים.

בדיקת מגוון אלגוריתמים

החוקרים לא הסתמכו על נוסחה מתמטית אחת. במקום זאת השוו עשר מודלים שונים של מכונת למידה, משיטות פשוטות כמו רגרסיה לוגיסטית ו‑k‑שכנים קרובים ועד שיטות "אנצמבל" מתקדמות כגון Random Forest, Gradient Boosting, LightGBM ו‑CatBoost. הם גם ניסו שתים־עשרה אסטרטגיות לבחירת משתנים כדי להחליט אילו שאלות ומדידות היו המיידיות ביותר, והשתמשו בחתך־משני (cross‑validation) ובחיפושים אוטומטיים לכוונון הפרמטרים של כל מודל. הביצועים הכלליים נשפטו באמצעות מספר מדדים, כולל דיוק (באיזו תדירות המודל צדק), F1‑score (איזון בין גילוי מקרים אמיתיים לבין התראות שווא) ושטח תחת עקומת ה‑ROC, שמייצג כמה טוב המודל מגדיר הפרדה בין אנשים בסיכון גבוה לנמוך יותר.

מה מניע את התחזיות מתחת למכסה המנוע

מודלים אנצמבל, ובפרט CatBoost ו‑Random Forest, השיגו באופן עקבי ביצועים גבוהים יותר מהשיטות הפשוטות, והגיעו לכ־84% דיוק ו‑F1‑scores של כ־0.84 בערך במערך נתונים קטן זה. כדי לצאת מחזויות "תיבת שחורה", השתמשה הצוות בכלי שנקרא SHAP כדי לחקור אילו משתנים דחפו את המודל לסמן מישהו כמכור למזון. ההשפעות הבולטות היו פסיכולוגיות: הצהרות חזקות כמו "לפעמים אני מרגיש חסר כל ערך לחלוטין", תחושת "התמוטטות" תחת לחץ, כעס תדיר על הדרך שאחרים מתייחסים אליהם, מתחים רגשיים, וחשיבה נוקשה וחסרת גמישות. משקל הגוף ו‑BMI גם שיחקו תפקיד, אך הם היו פחות מרכזיים מהאותות הרגשיים והאישיותיים הללו. תכונות הקשורות למצב רוח חיובי וארגון טוב הראו השפעה מגן קלה.

מה זה אומר לחיי היומיום

לקריאה הממוצעת, המסר המרכזי הוא שתלות במזון אינה רק עניין של כוח רצון או אהבת חטיפים טעימים. בקבוצת הפיילוט הזו של סטודנטים, מאבקים רגשיים עמוקים—דימוי עצמי נמוך, קושי בהתמודדות עם לחץ ויחסים מתוחים—היו קשורים באופן הדוק להתנהגויות אכילה בעייתיות. גרסאות ראשוניות של כלים מבוססי מכונת למידה, שאוכלסו בשאלונים בסיסיים ומדידות גוף, הצליחו לזהות דפוסים אלה בדיוק מעודד. עם זאת, המחברים מדגישים שהמדגם שלהם היה קטן, מבוסס על דיווח עצמי ונלקח מאוניברסיטה יחידה, ולכן הממצאים הם ראשוניים. במחקרים גדולים ומגוונים יותר, ייתכן שמודלים דומים ישולבו בסופו של דבר עם הערכות קליניות סטנדרטיות כדי להצביע על צעירים שעשויים להרוויח מתמיכה בניהול גם של רגשותיהם וגם של הרגלי האכילה שלהם.

ציטוט: 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

מילות מפתח: תלות במזון, סטודנטים באוניברסיטה, תכונות אישיות, מכונת למידה, אכילה רגשית