Maskininlärningsprediktion av matberoende bland universitetsstudenter med hjälp av demografiska, antropometriska och personlighetsdrag

Varför vår relation till mat kan kännas okontrollerbar

Många skämtar om att vara ”beroende” av choklad eller snabbmat, men för vissa är sug och kontrollförlust kring ätande allvarligt och plågsamt. Universitetsstudenter är särskilt sårbara — de jonglerar stress, ny frihet och kroppsliga förändringar. Denna studie ställer en tidstypisk fråga: kan datorprogram lära sig att upptäcka vilka studenter som löper högre risk för matberoende, med hjälp av enkel information om bakgrund, kroppsmått och personlighet? Om svaret är ja skulle vi en dag kunna fånga problem tidigare och skräddarsy stöd innan ätvanor utvecklas till långvariga hälsoproblem.

Att betrakta studenter ur flera perspektiv

Forskarna arbetade med 210 universitetsstudenter i Ahvaz, Iran, i åldern 18 till 35 år. Varje student lämnade grundläggande uppgifter såsom ålder och utbildningsnivå, uppgav sin längd och vikt så att body mass index (BMI) kunde beräknas, och fyllde i ett standardiserat personlighetsformulär. De screenades också med en kort Yale Food Addiction Scale, som klassificerar om någon visar beroendelika mönster gentemot mycket smakrika livsmedel, såsom intensiva begär, misslyckade försök att dra ner eller att äta trots negativa konsekvenser. Endast 30 studenter uppfyllde kriterierna för matberoende, medan 180 inte gjorde det, vilket speglar att sådana problem drabbar en mindre andel av befolkningen.

Att hantera obalanserad data och träna smarta modeller

Eftersom betydligt färre studenter klassificerades som matberoende var datasetet snedvridet. Denna obalans kan lura datormodeller att för det mesta förutsäga majoritetsgruppen och ignorera den högre riskens minoritet. För att motverka detta använde teamet två datahanteringsknep. Först applicerade de en metod kallad Tomek Links för att varsamt avlägsna förvirrande fall i majoritetsgruppen som låg för nära minoritetsfallen. Därefter använde de SMOTE, som skapar realistiska syntetiska exempel av minoritetsgruppen, för att jämna ut antalen. Endast träningsdata förändrades på detta sätt; en separat oförändrad testgrupp hölls tillbaka för att kontrollera hur väl modellerna presterade på nya, osedda studenter.

Att testa många algoritmer

Forskarna förlitade sig inte på ett enda matematiskt recept. Istället jämförde de tio olika maskininlärningsmodeller, från enkla metoder som logistisk regression och k‑närmsta grannar till mer avancerade ”ensemble”-metoder såsom Random Forest, Gradient Boosting, LightGBM och CatBoost. De provade också tolv strategier för urval av variabler för att avgöra vilka frågor och mätningar som var mest informativa, och använde korsvalidering och automatiska sökningar för att finjustera varje modells inställningar. Den övergripande prestandan bedömdes med flera mått, inklusive noggrannhet (hur ofta modellen hade rätt), F1‑poäng (en balans mellan att fånga verkliga fall utan för många falska larm) och arean under ROC‑kurvan, som fångar hur väl en modell skiljer högre‑ respektive lägre‑riskindivider åt.

Vad som driver förutsägelserna bakom kulisserna

Ensemblemodeller, särskilt CatBoost och Random Forest, presterade konsekvent bättre än enklare tillvägagångssätt och nådde omkring 84 % noggrannhet och F1‑poäng runt 0,84 i detta lilla dataset. För att gå bortom ”svarta lådan”-förutsägelser använde teamet ett verktyg kallat SHAP för att utforska vilka variabler som drev modellen mot att märka någon som matberoende. De mest framträdande påverkansfaktorerna var psykologiska: starka uttalanden som ”Ibland känner jag mig fullständigt värdelös”, känslan av att ”gå sönder” under stress, frekvent ilska över hur andra behandlar dem, emotionell spänning och rigid, oflexibel tankestil. Kroppsvikt och BMI spelade också roll, men de var mindre centrala än dessa emotionella och personlighetsrelaterade signaler. Drag kopplade till positivt humör och god organisationsförmåga visade en mild skyddande effekt.

Vad detta betyder för vardagen

För den genomsnittlige läsaren är huvudbudskapet att matberoende inte bara handlar om viljestyrka eller att tycka om god mat. I denna pilotgrupp av studenter var djupare emotionella svårigheter — låg självkänsla, svårigheter att hantera stress och ansträngda relationer — tätt vävda med problematiska ätmönster. Tidiga versioner av maskininlärningsverktyg, matade med grundläggande frågeformulär och kroppsmått, kunde plocka upp dessa mönster med uppmuntrande noggrannhet. Författarna betonar dock att deras urval var litet, baserat på självrapportering och rekryterat från ett enda universitet, så resultaten är preliminära. Med större och mer diversifierade studier skulle liknande modeller så småningom kunna användas tillsammans med standardkliniska bedömningar för att flagga unga personer som kan ha nytta av stöd för att hantera både sina känslor och sina ätvanor.

Citering: 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

Nyckelord: matberoende, universitetsstudenter, personlighetsdrag, maskininlärning, emotionellt ätande